第3章：随机过程与伊藤引理
布朗运动、伊藤过程、伊藤引理、几何布朗运动——这些名字听起来挺吓人，对吧？
说实话，我当年刚接触这些概念时，也是一头雾水。但后来在实际做市交易中，我发现这些东西就是我们的“吃饭工具”。你想想看，价格波动不就是随机过程吗？我们每天面对的就是这些“随机游走”的家伙。
3.1 布朗运动：随机性的基础
布朗运动，也叫维纳过程。说白了，就是一个醉汉走路——每一步的方向和大小都是随机的。
数学上，布朗运动 Wt 满足三个条件：
- W0 = 0（从原点出发）
- 增量独立：Wt - Ws 与过去无关
- 增量服从正态分布：Wt - Ws ~ N(0, t-s)
嗯，这里要注意：布朗运动的方差是随时间线性增长的。这意味着什么？时间越长，价格波动范围越大。我在做高频交易时，经常用这个性质来估算持仓的风险敞口。
核心直觉：布朗运动是连续时间下的随机游走，它没有“记忆”，未来只取决于现在。
3.2 伊藤过程：给布朗运动加点“料”
布朗运动太“纯粹”了。现实中的资产价格有趋势，有波动率变化。所以我们需要更一般的模型——伊藤过程。
伊藤过程的形式是：
dX_t = μ(X_t, t) dt + σ(X_t, t) dW_t这里：
- μ 是漂移项——决定长期趋势
- σ 是扩散项——决定随机波动幅度
- dWt 是布朗运动的增量
我个人习惯把 μ 理解为“市场的方向感”，σ 理解为“市场的情绪波动”。
实战经验：我在做市商系统中，μ 通常设为0（因为做市策略是市场中性），但 σ 必须实时校准。我曾经因为 σ 参数更新不及时，导致一个期权组合亏了十几万。从那以后，我每天开盘前第一件事就是检查波动率曲面。
3.3 伊藤引理：随机微积分的“链式法则”
普通微积分里，我们有链式法则：df = f'(x) dx。但在随机世界里，事情没那么简单。
伊藤引理告诉我们：如果 Xt 是伊藤过程，f(Xt, t) 是光滑函数，那么：
df = (∂f/∂t + μ ∂f/∂x + ½ σ² ∂²f/∂x²) dt + σ ∂f/∂x dW_t看到那个 ½ σ² ∂²f/∂x² 了吗？这就是随机微积分和普通微积分的区别。为什么会有这一项？因为布朗运动的二次变分不为零——说白了，随机波动会“产生”额外的漂移。
避坑指南：我曾经在推导期权定价公式时，忘记加这个二阶项，结果算出来的价格和市场价格差了十万八千里。记住：在随机世界里，二阶项不是小量，它和 dt 是同阶的！
3.4 几何布朗运动：股票价格的“标准模型”
几何布朗运动（GBM）是伊藤过程的一个特例，也是金融中最常用的模型：
dS_t = μ S_t dt + σ S_t dW_t为什么是“几何”？因为价格的变化率（收益率）是随机的，而不是价格本身。这更符合现实——你想想看，100块的股票涨1块和10块的股票涨1块，意义完全不同。
利用伊藤引理，我们可以解出 GBM 的显式解：
S_t = S_0 exp((μ - ½σ²)t + σ W_t)这个公式告诉我们：股票价格服从对数正态分布。嗯，这也是 Black-Scholes 模型的基础。
实战应用：我在做市系统中，用 GBM 来模拟未来价格路径，用于计算 VaR（风险价值）。但要注意，GBM 假设波动率恒定，这在极端行情下会失效。2020年3月那次，我亲眼看着波动率从20%飙到80%，GBM 模型完全崩溃。所以，永远不要迷信模型。
3.5 知识体系总览
下面这张图是我自己整理的，把本章的核心逻辑串起来了：
3.6 实战中的注意事项
说了这么多理论，来点实际的。我在做市交易中，每天都会用到这些概念：
- 参数校准：μ 和 σ 不是固定的。我每天用滚动窗口估计波动率，窗口长度选 20 天（约一个交易月）。
- 离散化：实际交易中，我们用的是离散时间。伊藤引理在离散化时，要注意时间步长的选择。我一般用 5 分钟间隔，太短了噪声太大，太长了错过机会。
- 模型风险：GBM 假设收益率正态分布，但实际有肥尾。我通常会在模型外叠加一个跳跃过程，用来处理极端行情。
一个小技巧：当你用伊藤引理推导新公式时，先写普通微积分的版本，然后加上 ½σ²∂²f/∂x² 这一项。这样不容易出错。我刚开始时，每次推导都要对照着检查一遍，后来就形成肌肉记忆了。
好了，这一章的内容就到这里。随机过程是量化金融的基石，理解透了，后面的期权定价、风险管理才能得心应手。记住：模型是工具，不是真理。用的时候多想想它的假设条件，别被数学公式唬住了。