第2章随机微积分基础

第2章：随机微积分基础——为什么普通微积分在随机过程中失效？伊藤积分 vs 斯特拉托诺维奇积分

好，咱们直接进入正题。上一章我们聊了布朗运动，知道了股价走势那种「上蹿下跳」的随机性。那问题来了：如果我们想对随机过程做微积分，比如求个导、积个分，还能用大学里学的那套方法吗？

答案很残酷：不能。至少不能直接套用。

我当年刚接触量化时，第一反应就是「不就是个微分方程嘛，解它！」结果用普通微积分算出来的期权价格，跟市场真实数据差了十万八千里。后来才明白，随机过程的世界里，规则完全不一样。

2.1 普通微积分为什么失效？

先回忆一下普通微积分的核心：可微性。一个函数 \( f(t) \) 可微，意味着它在每一点都有确定的切线斜率，而且这个斜率是连续的、光滑的。

但布朗运动 \( W_t \) 呢？

它的路径处处连续，但处处不可微。
它的二次变分（quadratic variation）不为零，而且等于 \( t \)。
它的增量 \( dW_t \) 的方差是 \( dt \)，标准差是 \( \sqrt{dt} \)。

你想想看，普通微积分里，\( dt \) 是无穷小量，\( (dt)^2 \) 直接忽略。但在随机世界里，\( (dW_t)^2 \) 的期望是 \( dt \)，它不能被忽略！

核心结论：在随机微积分中，\( (dW_t)^2 = dt \)（在均方意义下）。这个「诡异」的等式，就是伊藤引理的根基。

说白了，普通微积分假设路径足够光滑，可以「线性近似」。但布朗运动的路径太「野」了，每时每刻都在剧烈抖动，你没法用一条直线去近似它。所以，我们需要一套全新的积分理论。

2.2 伊藤积分：最自然的随机积分

伊藤积分（Itô integral）是日本数学家伊藤清在1940年代提出的。它的定义方式很直接：

对于一个随机过程 \( X_t \)，我们想定义积分 \( \int_0^T X_t \, dW_t \)。

伊藤的做法是：把时间轴分成很多小区间，在每个小区间里，用左端点的值乘以布朗运动的增量，然后求和取极限。

# 伊藤积分的离散近似（示意代码）
import numpy as np

def ito_integral(X_func, T, n=10000):
    """
    模拟伊藤积分 ∫ X_t dW_t
    X_func: 返回 t 时刻 X_t 值的函数
    """
    dt = T / n
    t = np.linspace(0, T, n)
    dW = np.random.normal(0, np.sqrt(dt), n)
    
    # 关键：用左端点
    X_left = X_func(t[:-1])
    
    # 求和
    integral = np.sum(X_left * dW)
    return integral

注意看，代码里用的是 X_left，也就是每个小区间左端点的值。这个选择看似随意，实则大有深意。

个人经验：我在做高频交易策略回测时，曾经不小心把伊藤积分写成了「中点」取值，结果回测收益曲线漂亮得不像话，但实盘直接崩了。后来才发现，伊藤积分必须用左端点，这是「不可预测性」的体现——你只能用当前已知的信息去决策。

2.3 斯特拉托诺维奇积分：另一种选择

斯特拉托诺维奇积分（Stratonovich integral）是另一种随机积分，由俄罗斯物理学家斯特拉托诺维奇提出。它的定义方式不同：

在每个小区间里，它用中点的值乘以布朗运动的增量。

# 斯特拉托诺维奇积分的离散近似（示意代码）
def strat_integral(X_func, T, n=10000):
    """
    模拟斯特拉托诺维奇积分 ∫ X_t ∘ dW_t
    """
    dt = T / n
    t = np.linspace(0, T, n)
    dW = np.random.normal(0, np.sqrt(dt), n)
    
    # 关键：用中点
    X_mid = X_func((t[:-1] + t[1:]) / 2)
    
    integral = np.sum(X_mid * dW)
    return integral

这两种积分有什么区别？我直接给你一张对比表：

对比维度	伊藤积分	斯特拉托诺维奇积分
取值点	左端点	中点
可预测性	不可预测（适应于历史信息）	可预测（需要未来信息）
链式法则	需要伊藤引理（多一项修正）	与普通微积分相同
金融应用	主流，用于期权定价、风险管理	物理、工程领域更常见
鞅性质	保持鞅性质	不保持鞅性质

2.4 为什么金融领域偏爱伊藤积分？

这个问题我当年也困惑了很久。为什么不用更「自然」的斯特拉托诺维奇积分？毕竟它的链式法则跟普通微积分一样，多省事啊。

原因其实很简单：金融市场的核心假设是「不可预测性」。

你想想看，如果你能知道未来半秒的股价走势，那你就是印钞机。但在有效市场里，你只能基于当前信息做决策。伊藤积分用左端点，正好体现了这一点——你只能用「已知」的信息去积分。

而斯特拉托诺维奇积分用中点，隐含了「你知道未来一小段的信息」，这在金融建模中是不合理的。

避坑指南：我曾经在构建利率模型时，为了数学上的简洁，尝试用斯特拉托诺维奇积分。结果模型在模拟时表现完美，但一旦用于对冲，就出现了系统性偏差。后来才意识到，斯特拉托诺维奇积分不满足鞅性质，导致对冲策略失效。嗯，从那以后我再也不敢在金融模型里乱用斯特拉托诺维奇了。

2.5 两种积分的转换关系

好消息是，这两种积分之间有一个明确的转换公式：

\[ \int_0^T X_t \circ dW_t = \int_0^T X_t \, dW_t + \frac{1}{2} \int_0^T (dX_t \cdot dW_t) \]

其中 \( \circ \) 表示斯特拉托诺维奇积分，\( dX_t \cdot dW_t \) 是协变差（covariation）。

这个公式在实际中很有用。比如你在物理文献里看到一个用斯特拉托诺维奇积分的模型，想把它转成金融领域常用的伊藤形式，直接套这个公式就行。

2.6 本章知识体系

为了让你更直观地理解本章的逻辑，我画了一张结构图：

这张图把本章的核心逻辑串起来了：普通微积分失效 → 两种随机积分方案 → 各自的适用场景 → 它们之间的转换关系。

2.7 小结

这一章我们聊了：

普通微积分在随机过程中失效的根本原因——布朗运动太「野」了
伊藤积分用左端点取值，保持鞅性质，是金融建模的首选
斯特拉托诺维奇积分用中点取值，链式法则更简单，但不符合金融的「不可预测性」假设
两种积分可以通过协变差相互转换

下一章，我们会正式引入伊藤引理——随机微积分里最重要的工具。到时候你会看到，那个「多出来的一项」到底是怎么来的，以及它在期权定价中扮演什么角色。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录