一、期权定价的数学基础：布朗运动与伊藤引理

说实话，期权定价这事儿，刚入行的时候我也觉得挺玄乎的。一个合约，凭什么就能算出它的合理价格？后来我才明白，这一切的根基，都建立在两个数学概念上——布朗运动和伊藤引理。今天咱们就把这两个东西掰开揉碎了讲清楚。

1.1 布朗运动：随机游走的数学描述

布朗运动最早是植物学家布朗观察花粉颗粒在水面上乱飘时发现的。后来被数学家们抽象成了数学模型。我个人习惯把它想象成一个醉汉走路——每一步的方向和大小都是随机的。

在金融里，我们用它来描述资产价格的随机波动。你想想看，股票价格不就是这样吗？今天涨明天跌，谁也说不准。

标准布朗运动 W(t) 满足三个性质：

• 起始点为0：W(0) = 0
• 独立增量：不同时间段的增量相互独立
• 正态增量：W(t) - W(s) ~ N(0, t-s)

我在项目中遇到过一个问题：用布朗运动模拟股价时，发现模拟出来的价格居然出现了负值。嗯，这里要注意——布朗运动本身是可以取负值的，但股价不行。所以实际中我们用的是几何布朗运动，这个后面会讲到。

1.2 伊藤引理：随机微积分的链式法则

普通微积分里，我们有链式法则：df = f'(x) dx。但在随机世界里，事情没那么简单。

为什么？因为布朗运动的二次变分不为零。说白了，dW² = dt，这个性质让随机微积分多了一个修正项。

伊藤引理告诉我们：如果 X(t) 满足随机微分方程 dX = μ dt + σ dW，那么对于光滑函数 f(t, X)，有：

df = (∂f/∂t + μ·∂f/∂X + ½·σ²·∂²f/∂X²) dt + σ·∂f/∂X dW

这个公式看起来有点吓人，但用起来特别顺手。我记得第一次推导Black-Scholes方程时，就是靠伊藤引理把期权价格的随机微分展开，然后通过对冲消掉随机项，最后得到一个偏微分方程。

1.3 几何布朗运动：股价建模的标准选择

前面说了，普通布朗运动不适合直接描述股价。所以金融界普遍采用几何布朗运动：

dS = μS dt + σS dW

这个模型的好处是：股价始终为正，而且收益率服从正态分布。你想想看，这很合理——股价翻倍和腰斩的概率应该是对称的吗？嗯，其实不是，但几何布朗运动至少保证了股价不会变负。

用伊藤引理，我们可以求出几何布朗运动的解析解。令 f = ln S，则：

d(ln S) = (μ - ½σ²) dt + σ dW

所以 ln S(t) 是正态分布，均值为 ln S(0) + (μ - ½σ²)t，方差为 σ²t。

1.4 知识体系总览

下面这张图是我自己整理的，把本章的核心逻辑串起来了。从布朗运动出发，到伊藤引理，再到几何布朗运动，最后到期权定价——每一步都有它的道理。

1.5 代码实战：模拟布朗运动与几何布朗运动

光说不练假把式。下面我用Python演示一下如何模拟布朗运动和几何布朗运动。这段代码我在实际项目中经常用来做蒙特卡洛模拟的底层。

import numpy as np
import matplotlib.pyplot as plt

# 参数设置
T = 1.0          # 时间长度（年）
N = 252          # 步数（交易日数）
dt = T / N       # 步长
mu = 0.05        # 年化收益率
sigma = 0.2      # 年化波动率

# 生成布朗运动路径
np.random.seed(42)
dW = np.random.normal(0, np.sqrt(dt), N)
W = np.cumsum(dW)
W = np.insert(W, 0, 0)  # W(0) = 0

# 生成几何布朗运动路径
S0 = 100
t = np.linspace(0, T, N+1)
S = S0 * np.exp((mu - 0.5 * sigma**2) * t + sigma * W)

# 绘制结果
plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.plot(t, W)
plt.title('布朗运动路径')
plt.xlabel('时间（年）')
plt.ylabel('W(t)')

plt.subplot(1, 2, 2)
plt.plot(t, S)
plt.title('几何布朗运动路径（股价模拟）')
plt.xlabel('时间（年）')
plt.ylabel('股价 S(t)')
plt.tight_layout()
plt.show()

1.6 本章小结

布朗运动给了我们描述随机性的数学工具，伊藤引理则让我们能在随机世界里做微积分。这两个东西加在一起，构成了整个金融衍生品定价的数学地基。

我个人觉得，理解伊藤引理的关键不在于死记公式，而在于理解那个½σ²项是怎么来的。你想想看，布朗运动的二次变分是dt，这意味着在无穷小的时间尺度上，随机项的波动幅度其实比漂移项大一个数量级。正是这个性质，让随机微积分和普通微积分有了本质区别。

下一章我们会用这些工具来推导Black-Scholes方程。到时候你会发现，只要把伊藤引理用对了，整个推导过程其实很流畅。

---