第4章 几何布朗运动：股票价格的标准模型
聊到股票价格建模，绕不开的一个名字就是几何布朗运动。业内习惯叫它GBM。说实话，我刚入行那会儿，觉得这名字挺唬人的。后来做多了才发现，它其实就是个带漂移的随机游走，只不过在数学上处理得更优雅。
今天咱们就把它拆开揉碎了讲清楚。
4.1 GBM的定义
几何布朗运动，说白了就是描述股票价格相对变化的随机过程。它的随机微分方程长这样：
dS = μS dt + σS dW这里：
- S 是股票价格
- μ 是漂移率（期望收益率）
- σ 是波动率
- dW 是标准布朗运动的增量
注意看，方程右边每一项都乘了个 S。这就是「几何」二字的来源——变化量跟当前价格成正比。
核心直觉：价格越高，绝对波动幅度越大。这很符合现实——100块的股票一天波动1块很正常，1块的股票一天波动1块就离谱了。
4.2 对数正态分布
GBM有一个非常漂亮的数学性质：股票价格服从对数正态分布。
什么意思呢？就是 ln(S) 服从正态分布。我习惯这么理解：
- 价格本身不是正态的（有下限0，无上限）
- 但价格的对数收益率是正态的
具体来说，如果 S₀ 是初始价格，那么未来某个时刻 T 的价格满足：
ln(S_T) ~ N( ln(S₀) + (μ - σ²/2)T, σ²T )这个公式里有个 σ²/2 的修正项。我第一次看到时也愣了一下——为什么不是直接用 μ？
嗯，这里有个坑。因为 E[S_T] = S₀ e^{μT}，如果你直接用 μ 去算对数期望，结果会偏大。这个修正项是伊藤引理带来的，咱们后面会细讲。
实战经验：我在做期权定价时，经常用这个性质来生成模拟路径。直接用对数正态采样，比用欧拉离散化要稳定得多。
4.3 为什么用几何而不是算术布朗运动？
这个问题我当年也纠结过。算术布朗运动长这样：
dS = μ dt + σ dW看起来更简单对吧？但它在金融里基本没法用。原因有三：
- 价格可能变负。算术布朗运动允许价格跌到负值，这在现实中是不可能的。股票价格有下限0。
- 波动率不随价格变化。现实中，高价股的绝对波动通常更大。算术布朗运动忽略了这一点。
- 收益率不独立于价格水平。用算术布朗运动，100块的股票和1块的股票，绝对波动幅度一样——这显然不合理。
避坑指南：我曾经在做一个高频策略回测时，偷懒用了算术布朗运动做模拟。结果回测曲线漂亮得不行，实盘直接崩了。后来发现是模拟出的负价格导致策略逻辑完全失效。从那以后，我再也不敢在价格建模上用算术布朗运动了。
4.4 GBM的局限性
虽然GBM是标准模型，但它也不是万能的。我列几个实际中会遇到的问题：
| 假设 | 现实问题 |
|---|---|
| 波动率恒定 | 实际波动率会聚集，有杠杆效应 |
| 收益率正态 | 实际收益率有厚尾，极端事件更多 |
| 连续交易 | 市场有开盘收盘，有跳跃 |
| 无交易成本 | 手续费、滑点都会影响 |
但话说回来，GBM依然是入门首选。它数学上可处理，逻辑上自洽，很多复杂模型都是在它基础上打补丁。
4.5 知识体系总览
下面这张图，是我个人习惯用来梳理GBM知识结构的。你可以把它当作本章的思维导图：
这张图把GBM的核心脉络串起来了。你从定义出发，理解对数正态的数学性质，再对比算术布朗运动，最后看到它的局限和应用场景——整个知识框架就清晰了。
4.6 小结
几何布朗运动之所以成为股票价格的标准模型，不是因为它完美，而是因为它够用、够简单、够优雅。它抓住了价格变化的核心特征：相对变化、对数正态、非负性。
我个人建议，刚开始学量化的人，先把GBM吃透。后面学随机波动率模型、跳跃扩散模型时，你会发现它们都是在GBM这个地基上盖房子。
一句话总结：GBM用几何结构解决了算术布朗运动的负价格问题，用对数正态分布匹配了金融数据的统计特征——这就是它成为标准模型的底气。
公众号:蓝海资料掘金营，微信deep3321