第4章伊藤引理的量化应用

4. 伊藤引理的量化应用：几何布朗运动与股票价格建模，Black-Scholes PDE的推导

好，咱们进入第四章。这一章可以说是整个随机微积分课程里最“值钱”的部分之一了。为什么这么说？因为从这里开始，我们手里的数学工具终于能和真实的金融市场接轨了。

我个人习惯把这一章叫做“从理论到钞票的桥梁”。你想想看，我们前面学了伊藤引理，学了随机过程，但这些东西到底怎么用？答案就在这一章——几何布朗运动（GBM）和Black-Scholes PDE。

4.1 为什么是几何布朗运动？

先问个问题：股票价格到底是怎么走的？

很多人第一反应是“随机游走”。嗯，没错，但不够精确。普通的布朗运动（也叫算术布朗运动）有个致命缺陷——它允许价格变成负数。你见过哪只股票价格是负的？反正我没见过。

所以我们需要一个模型，满足两个基本条件：

价格始终为正
收益率的波动与价格水平成正比

几何布朗运动（GBM）正好满足这两个要求。它的随机微分方程（SDE）长这样：

dS = μS dt + σS dW

这里：

S 是股票价格
μ 是漂移率（预期收益率）
σ 是波动率
dW 是标准布朗运动的增量

注意看，漂移项和扩散项前面都乘了一个 S。这意味着价格越高，绝对波动幅度越大。这很符合直觉——100块的股票一天波动1块很正常，但1块的股票一天波动1块就离谱了。

核心要点：GBM假设股票价格的对数收益率服从正态分布，而不是价格本身。这就是为什么价格永远不会为负。

4.2 用伊藤引理求解GBM

好，现在我们有SDE了，怎么解出S(t)的显式表达式？这时候伊藤引理就派上用场了。

我们设 f = ln(S)，然后对f应用伊藤引理。我记得第一次手动推导这个的时候，算到一半还卡住了——因为忘了二阶项不能忽略。嗯，这里要特别小心。

伊藤引理告诉我们：

df = (∂f/∂S) dS + (1/2)(∂²f/∂S²) (dS)²

代入 f = ln(S)：

∂f/∂S = 1/S
∂²f/∂S² = -1/S²
(dS)² = σ²S² dt

于是：

d(ln S) = (1/S)(μS dt + σS dW) + (1/2)(-1/S²)(σ²S² dt)
        = μ dt + σ dW - (1/2)σ² dt
        = (μ - σ²/2) dt + σ dW

看到了吗？神奇的事情发生了——对数价格变成了一个带漂移的普通布朗运动。积分一下就得到：

ln S(t) = ln S(0) + (μ - σ²/2)t + σ W(t)

再取指数：

S(t) = S(0) * exp[(μ - σ²/2)t + σ W(t)]

实战经验：我在做期权定价引擎的时候，模拟路径用的就是这个公式。注意那个 -σ²/2 项，很多人会漏掉它。漏掉之后模拟出来的价格会系统性偏高，回测时看着很漂亮，实盘就亏钱。我曾经就吃过这个亏。

4.3 从GBM到Black-Scholes PDE

接下来是重头戏——推导Black-Scholes PDE。这个过程说白了就是：构造一个无风险组合，然后利用无套利原理得到一个偏微分方程。

假设我们有一个期权 V(S, t)，它的价值依赖于标的资产价格S和时间t。我们构造一个组合：

买入1份期权
卖出Δ份标的资产

这个组合的价值是：Π = V - Δ·S

为什么这么构造？目的是消除随机项。你想想看，如果Δ选得合适，dW项就能抵消掉，组合就变成无风险的。

对Π应用伊藤引理：

dΠ = dV - Δ dS
    = (∂V/∂t dt + ∂V/∂S dS + ½ σ²S² ∂²V/∂S² dt) - Δ (μS dt + σS dW)

整理一下：

dΠ = [∂V/∂t + μS ∂V/∂S + ½ σ²S² ∂²V/∂S² - Δ μS] dt
     + [σS ∂V/∂S - Δ σS] dW

要让dW项消失，我们需要：

Δ = ∂V/∂S

这就是传说中的“Delta对冲”。代入后：

dΠ = [∂V/∂t + ½ σ²S² ∂²V/∂S²] dt

现在组合是无风险的，所以它的收益率应该等于无风险利率r：

dΠ = r Π dt = r (V - S ∂V/∂S) dt

两边相等：

∂V/∂t + ½ σ²S² ∂²V/∂S² = r (V - S ∂V/∂S)

整理一下，就得到了著名的Black-Scholes PDE：

∂V/∂t + rS ∂V/∂S + ½ σ²S² ∂²V/∂S² - rV = 0

注意：这个PDE里没有μ！这意味着期权的定价与标的资产的预期收益率无关。这就是风险中性定价的核心思想——定价时我们假设所有投资者都是风险中性的，资产的预期收益率都等于无风险利率。

4.4 知识体系总览

下面这张图把本章的核心逻辑串起来了，我建议你多看几遍：

4.5 代码实现：模拟GBM路径

光说不练假把式。下面我用Python演示如何模拟GBM路径。这段代码我在实际项目中改过很多版，现在这个版本比较稳定：

import numpy as np
import matplotlib.pyplot as plt

def simulate_gbm(S0, mu, sigma, T, N, n_paths=5):
    """
    模拟几何布朗运动路径
    
    参数:
        S0: 初始价格
        mu: 年化收益率
        sigma: 年化波动率
        T: 时间长度（年）
        N: 时间步数
        n_paths: 模拟路径数
    """
    dt = T / N
    # 关键：用 (mu - 0.5*sigma**2) 而不是 mu
    drift = (mu - 0.5 * sigma**2) * dt
    vol = sigma * np.sqrt(dt)
    
    # 生成随机数
    Z = np.random.standard_normal((n_paths, N))
    
    # 计算对数价格增量
    dlnS = drift + vol * Z
    
    # 累积求和得到对数价格路径
    lnS = np.zeros((n_paths, N+1))
    lnS[:, 0] = np.log(S0)
    lnS[:, 1:] = np.log(S0) + np.cumsum(dlnS, axis=1)
    
    # 转回价格
    S = np.exp(lnS)
    
    return S

# 使用示例
S0 = 100.0      # 初始价格100
mu = 0.08       # 预期收益率8%
sigma = 0.2     # 波动率20%
T = 1.0         # 1年
N = 252         # 交易日数

paths = simulate_gbm(S0, mu, sigma, T, N, n_paths=10)

# 绘制路径
plt.figure(figsize=(10, 6))
for i in range(10):
    plt.plot(paths[i], lw=1, alpha=0.7)
plt.axhline(y=S0, color='black', linestyle='--', alpha=0.5)
plt.title('GBM模拟路径 (S₀=100, μ=8%, σ=20%)')
plt.xlabel('交易日')
plt.ylabel('价格')
plt.show()

避坑指南：我曾经在写模拟器的时候，直接用 μ 而不是 μ - σ²/2 作为漂移项。结果模拟10000次后，平均价格比理论值高出一大截。找了半天bug，最后发现是这里的问题。记住，对数价格的漂移是 μ - σ²/2，不是μ。

4.6 小结

这一章我们干了三件事：

用几何布朗运动给股票价格建模
用伊藤引理求出GBM的显式解
通过Delta对冲推导出Black-Scholes PDE

说白了，就是从“股票价格怎么走”这个问题出发，一步步推导出“期权应该怎么定价”的偏微分方程。整个过程环环相扣，每一步都有清晰的金融直觉支撑。

我个人觉得，理解这个推导过程比记住最终公式更重要。因为当你真正理解了“为什么期权定价与预期收益率无关”这个反直觉的结论时，你对金融市场的理解就上了一个台阶。

好，这一章就到这儿。代码拿回去跑一跑，看看不同参数下路径长什么样。实践出真知。

📚 课程目录

4. 伊藤引理的量化应用：几何布朗运动与股票价格建模，Black-Scholes PDE的推导

4.1 为什么是几何布朗运动？

4.2 用伊藤引理求解GBM

4.3 从GBM到Black-Scholes PDE

4.4 知识体系总览

4.5 代码实现：模拟GBM路径

4.6 小结