3. 随机过程与Ito引理复习：布朗运动、几何布朗运动、Ito引理在SV模型中的应用
好，咱们直接进入正题。这一章是后面所有随机波动率模型的数学地基。说白了，如果你不懂布朗运动和伊藤引理，后面看Heston模型、SABR模型就像看天书。我个人习惯是，每次讲新课前，先花半小时把这块硬骨头啃一遍。今天咱们就一起过一遍。
3.1 布朗运动：随机性的源头
布朗运动，也叫维纳过程。它描述的是花粉颗粒在水面上无规则运动的轨迹。在金融里，我们用它来刻画资产价格中不可预测的那部分波动。
一个标准的布朗运动 \( W_t \) 有三个核心性质：
- 独立增量：不同时间段的增量是独立的。你想想看，今天股价的随机扰动，跟昨天没有关系。
- 正态增量：增量 \( W_{t+\Delta t} - W_t \) 服从均值为0，方差为 \( \Delta t \) 的正态分布。
- 连续路径：它的路径是连续的，但处处不可微。嗯，这里要注意，它虽然连续，但非常“毛糙”，你没法求导数。
我在项目中遇到过一个问题：用离散的随机数模拟布朗运动时，时间步长选得太大，结果期权定价偏差很大。后来我意识到，布朗运动的方差是随时间线性增长的，步长必须足够小才能捕捉到路径的细节。
核心公式：
\( dW_t \sim \mathcal{N}(0, dt) \)
说白了，就是在一个无穷小的时间间隔 \( dt \) 内，布朗运动的变化量是一个均值为0、方差为 \( dt \) 的随机数。
3.2 几何布朗运动：股价的经典模型
几何布朗运动（GBM）是BS模型的核心假设。它假设资产价格的对数收益率服从正态分布。公式长这样：
dS_t = μ S_t dt + σ S_t dW_t这里：
- \( S_t \) 是资产价格
- \( \mu \) 是漂移率（预期收益率）
- \( \sigma \) 是波动率
- \( dW_t \) 是布朗运动增量
为什么叫“几何”？因为价格本身是乘性的。你想想看，股价涨跌是按百分比算的，不是按绝对值。100块的股票涨1块是1%，10块的股票涨1块就是10%了。GBM正好刻画了这种乘性特征。
我曾经用GBM模拟过一段时间的股价路径，用来测试一个简单的对冲策略。结果发现，如果波动率设得不对，模拟出来的价格路径要么太“平”，要么太“疯”，跟实际市场完全对不上。这让我深刻体会到，波动率才是定价的灵魂。
一个小技巧：
用伊藤引理可以求出GBM的解析解：
\( S_t = S_0 \exp\left( (\mu - \frac{1}{2}\sigma^2)t + \sigma W_t \right) \)
这个公式在模拟时可以直接用，不用做数值积分，效率高很多。
3.3 Ito引理：随机微积分的链式法则
普通微积分里，如果 \( y = f(x) \)，那么 \( dy = f'(x) dx \)。但在随机世界里，因为 \( dW_t \) 的方差是 \( dt \) 量级的，所以二阶项不能忽略。这就是伊藤引理的核心。
假设 \( X_t \) 是一个伊藤过程：
dX_t = a(X_t, t) dt + b(X_t, t) dW_t那么对于任意光滑函数 \( f(X_t, t) \)，有：
df = (∂f/∂t + a ∂f/∂X + ½ b² ∂²f/∂X²) dt + b ∂f/∂X dW_t这个公式看起来有点吓人，但说白了就是：
- 普通导数项：\( ∂f/∂t dt + ∂f/∂X dX_t \)
- 多出来的二阶项：\( ½ b² ∂²f/∂X² dt \) —— 这是随机性的“税”
我记得第一次学这个的时候，死活想不通为什么会有个 \( ½ \)。后来做了一次泰勒展开到二阶，发现 \( (dW_t)^2 \) 在均方意义下等于 \( dt \)，这才恍然大悟。
避坑指南：
我曾经在推导一个奇异期权的定价公式时，忘了加这个 \( ½ \) 项，结果算出来的价格跟蒙特卡洛模拟差了十万八千里。找了半天bug，最后发现是伊藤引理用错了。从那以后，我每次用伊藤引理都会先检查二阶项有没有漏掉。
3.4 Ito引理在SV模型中的应用
随机波动率模型里，我们通常有两个随机过程：一个驱动价格，一个驱动波动率。比如Heston模型：
dS_t = μ S_t dt + √v_t S_t dW_t^1
dv_t = κ(θ - v_t) dt + σ_v √v_t dW_t^2这里 \( v_t \) 是方差（波动率的平方），它本身也是一个随机过程。两个布朗运动 \( dW_t^1 \) 和 \( dW_t^2 \) 之间有相关性 \( \rho \)。
用伊藤引理，我们可以推导出很多有用的东西。比如，如果我们想对期权价格 \( V(S_t, v_t, t) \) 应用伊藤引理，会得到：
dV = (∂V/∂t + μS ∂V/∂S + κ(θ-v) ∂V/∂v + ½ v S² ∂²V/∂S² + ½ σ_v² v ∂²V/∂v² + ρ σ_v v S ∂²V/∂S∂v) dt
+ √v S ∂V/∂S dW_t^1 + σ_v √v ∂V/∂v dW_t^2这个公式看起来很复杂，但它是后续推导Heston模型解析解的基础。你想想看，如果没有伊藤引理，我们连这个偏微分方程都写不出来。
我个人习惯是，在写代码实现SV模型时，先把伊藤引理的推导过程在纸上过一遍，确保每个项都理解到位。这样写出来的代码才不容易出bug。
核心要点总结：
- 布朗运动是随机性的基本构建块，方差随时间线性增长。
- 几何布朗运动是BS模型的基石，刻画了资产价格的乘性特征。
- 伊藤引理是随机微积分的核心工具，二阶项 \( ½ b² ∂²f/∂X² \) 绝对不能丢。
- 在SV模型中，伊藤引理帮助我们推导出期权价格满足的偏微分方程，这是后续数值求解和解析解推导的起点。
一个小建议：
如果你刚开始接触随机过程，建议先手动推导一下GBM的解析解，再试着用伊藤引理推导一个简单的欧式期权价格公式。这个过程虽然有点枯燥，但能帮你建立直觉。我在带团队时，要求每个新人都必须过这一关。
好了，这一章的内容就到这里。布朗运动、几何布朗运动、伊藤引理，这三样东西是随机波动率模型的“三件套”。你只要把这三样吃透了，后面看Heston、SABR、GARCH这些模型，就会觉得顺理成章。