1. 随机漫步与布朗运动：从物理直觉到数学定义

做量化这些年，我越来越觉得布朗运动是个神奇的东西。它看起来杂乱无章，却藏着金融市场的底层密码。今天我们就从最直观的物理图像出发，一步步把它变成严谨的数学工具。

1.1 物理直觉：花粉为什么会跳舞？

1827年，植物学家布朗在显微镜下观察花粉颗粒。他本来想看细胞结构，结果发现花粉在水里不停地抖动，像喝醉了酒一样。这就是布朗运动的由来。

为什么会这样？说白了，水分子在不停地撞击花粉颗粒。每个水分子撞一下，花粉就动一下。你想想看，每秒有数亿次撞击，花粉的运动轨迹自然就变得毫无规律。

我刚开始学这个的时候，总觉得这跟股票走势有点像。后来做量化回测，发现还真有相通之处——市场里无数交易者的买卖行为，就像水分子撞击花粉一样，形成了价格的随机波动。

1.2 数学定义：从离散到连续

1900年，巴舍利耶把布朗运动用到了期权定价上。但真正给出严格数学定义的，是维纳。所以我们也叫它维纳过程。

先看离散版本。假设一个粒子在直线上随机游走：

import numpy as np
import matplotlib.pyplot as plt

def random_walk(steps=1000):
    # 每一步等概率向左或向右
    steps_direction = np.random.choice([-1, 1], size=steps)
    position = np.cumsum(steps_direction)
    return position

# 模拟三条路径
for i in range(3):
    path = random_walk(1000)
    plt.plot(path, label=f'路径{i+1}')
plt.legend()
plt.title('离散随机游走')
plt.show()

嗯，这里要注意。离散随机游走的时间步长是固定的，但布朗运动是连续时间的。怎么从离散到连续？

我们把时间间隔 Δt 无限缩小，步长也相应调整。数学上，布朗运动 B(t) 满足三个条件：

1. B(0) = 0：从原点出发
2. 独立增量：不同时间段的运动互不影响
3. 正态增量：B(t) - B(s) ~ N(0, t-s)

1.3 三大性质：为什么布朗运动如此特别？

我在项目中遇到过一个问题：用布朗运动模拟股价时，发现路径太"光滑"了。后来才意识到，布朗运动其实处处不可导。这就是它的第一个性质。

性质一：处处连续，处处不可导

布朗运动的路径是连续的，但你在任何一点都找不到切线。为什么？因为它的变化太快了。在任意小的时间区间内，它的变化幅度跟时间开平方成正比。

你想想看，如果 Δt 是 0.0001 秒，变化幅度大约是 0.01。导数要求 Δt 趋近于0时，变化率趋近于某个值。但布朗运动的变化率是发散的，所以导数不存在。

性质二：二次变分非零

这个性质很关键。普通光滑函数的二次变分是0，但布朗运动的二次变分是t。什么意思？

简单说，你把布朗运动的路径切成无数小段，每段的变化平方加起来，结果不是0，而是时间t本身。这直接导致了伊藤引理中那个额外的二次项。

函数类型	一次变分	二次变分
光滑函数	有限	0
布朗运动	无限	t

性质三：马尔可夫性

布朗运动的未来只取决于现在，跟过去无关。这就是马尔可夫性。做量化的人特别喜欢这个性质，因为它让建模变得简单。

我记得有一次做高频策略，有人想用过去一小时的价格走势预测未来。我直接告诉他：如果市场是有效的，价格走势近似布朗运动，那过去的信息已经全部反映在当前价格里了。预测？基本没戏。

1.4 知识体系：一张图看懂

下面这张图总结了布朗运动的核心逻辑。从物理直觉出发，经过数学抽象，最终落到量化应用上。

1.5 代码实战：验证布朗运动的性质

光说不练假把式。我们来写段代码，验证一下布朗运动的二次变分性质。

import numpy as np

def quadratic_variation(path):
    """计算布朗运动路径的二次变分"""
    increments = np.diff(path)
    return np.sum(increments ** 2)

# 模拟一条布朗运动路径
np.random.seed(42)
n = 10000
dt = 1.0 / n
B = np.random.normal(0, np.sqrt(dt), n)
B = np.cumsum(B)

# 计算二次变分
qv = quadratic_variation(B)
print(f"二次变分: {qv:.4f}")
print(f"理论值 (t=1): {1.0:.4f}")

# 试试不同分辨率
for n in [100, 1000, 10000]:
    dt = 1.0 / n
    B = np.random.normal(0, np.sqrt(dt), n)
    B = np.cumsum(B)
    qv = quadratic_variation(B)
    print(f"n={n:5d}, 二次变分={qv:.4f}")

运行结果会告诉你，不管你怎么加密时间网格，二次变分始终稳定在1附近。这就是布朗运动的独特之处。

好了，这一章我们建立了布朗运动的直觉和数学框架。下一章我们会看到，为什么普通微积分在这里失效，以及伊藤引理是如何解决这个问题的。