第2章数学预备知识

第1章：数学预备知识——随机过程与优化基础

各位同学好，我是你们这门课的主讲。在正式进入Almgren-Chriss模型之前，咱们得先把数学工具箱备齐了。说实话，这部分内容看起来有点枯燥，但它是整个最优执行策略的根基。我当年刚接触量化交易时，就是吃了数学基础不扎实的亏，后来花了大半年才补回来。

今天我们要聊四个核心概念：布朗运动、伊藤引理、随机控制理论入门、HJB方程简介，以及拉格朗日乘子法。别被这些名字吓到，咱们一个一个拆解。

布朗运动，说白了就是「醉汉走路」的数学版本。1827年植物学家布朗在显微镜下看到花粉颗粒在水里乱跳，后来爱因斯坦在1905年给出了数学解释。但在金融领域，我们用它来模拟资产价格的随机波动。

一个标准布朗运动 \(W_t\) 满足三个性质：

我在做高频交易策略回测时，经常用布朗运动来生成模拟价格路径。但要注意，真实市场数据往往有「尖峰厚尾」特征，纯布朗运动是不够的。嗯，这个我们后面章节会展开。

  核心公式：几何布朗运动 \(dS_t = \mu S_t dt + \sigma S_t dW_t\)，其中 \(\mu\) 是漂移率，\(\sigma\) 是波动率。

普通微积分里，\(df = f'(x)dx\)。但在随机世界里，事情没那么简单。伊藤引理告诉我们，如果 \(X_t\) 是一个伊藤过程，那么对于光滑函数 \(f(t, X_t)\)，有：

df = (∂f/∂t + μ ∂f/∂x + ½ σ² ∂²f/∂x²) dt + σ ∂f/∂x dW

为什么会多出那个½ σ²项？因为布朗运动的二次变分不为零。我刚开始学的时候也觉得奇怪，后来自己推导了一遍才明白——布朗运动在无穷小时间内的波动是 \(\sqrt{dt}\) 量级的，平方后就是 \(dt\) 量级，所以不能忽略。

个人经验：我在做期权定价模型时，伊藤引理几乎是每天都要用的工具。建议你亲手推导一次 \(d(\ln S_t)\)，感受一下那个½ σ²项是怎么冒出来的。

随机控制理论，说白了就是「如何在随机环境中做出最优决策」。我们的Almgren-Chriss模型本质上就是一个随机控制问题：交易员要在价格随机波动的情况下，决定最优的卖出速度。

核心要素有三个：

我记得有一次帮一家对冲基金设计算法交易系统，他们原来的策略完全忽略了市场冲击成本，结果回测漂亮实盘亏损。这就是典型的「控制变量没选对」——只考虑了价格波动，没考虑自己的交易对市场的影响。

HJB方程（Hamilton-Jacobi-Bellman）是随机控制理论的核心工具。它把最优控制问题转化为一个偏微分方程：

∂V/∂t + min_u { L^u V + C(t, x, u) } = 0

其中 \(V\) 是价值函数，\(L^u\) 是无穷小生成元，\(C\) 是成本函数。

你想想看，这个方程的美妙之处在于：它把「未来所有可能路径」的优化问题，变成了「当前时刻」的决策问题。这就是动态规划的核心思想——最优策略的剩余部分，对于任何初始状态都必须是最优的。

避坑指南：我曾经在求解HJB方程时忽略了边界条件，结果算出来的策略在极端行情下完全失效。记住，HJB方程的解必须满足适当的边界条件，否则就是空中楼阁。

拉格朗日乘子法，说白了就是「在约束条件下找极值」。比如你要在预算约束下最大化效用，或者在时间约束下最小化成本。

数学形式很简单：要最小化 \(f(x)\) 满足 \(g(x)=0\)，构造拉格朗日函数：

L(x, λ) = f(x) + λ g(x)

然后对 \(x\) 和 \(\lambda\) 求偏导，令其为零即可。

在Almgren-Chriss模型中，我们会在「必须全部卖出」的约束下，最小化交易成本。这时候拉格朗日乘子法就派上用场了。

  小结：这五个工具就像五块积木，下一章我们会把它们拼在一起，搭建出完整的Almgren-Chriss模型。别急，先把基础打牢。

好了，数学预备知识就讲到这里。说实话，这些内容我讲了不下二十遍，但每次都有新的体会。如果你觉得某个概念比较抽象，不妨先记下来，等后面看到具体应用时再回头对照，效果会好很多。