1. 随机过程基础：定义、分类与金融角色
大家好，我是你们的老朋友。今天咱们开始聊随机过程在量化定价里的全流程。说实话，这个领域我摸爬滚打了十几年，踩过的坑比吃过的盐还多。但别怕，我会把最实用的东西掏出来给你。
先问个问题：为什么做量化定价非得学随机过程？
因为金融市场本质上就是个随机系统。股票价格、利率、汇率，这些东西你永远没法精确预测下一秒会是多少。随机过程，就是用来描述这种不确定性的数学工具。说白了，它帮我们回答一个核心问题：未来可能发生什么，以及每种可能性有多大。
1.1 随机过程的定义
随机过程，简单理解就是一组随时间变化的随机变量。你想想看，每个时间点 t，我们都有一个随机变量 X(t)。把这些变量串起来，就形成了一个过程。
数学上严谨一点：设 T 是一个指标集（通常是时间），对每个 t ∈ T，X(t) 是一个随机变量。那么 {X(t), t ∈ T} 就是一个随机过程。
我个人习惯把随机过程想象成一条「会跳舞的曲线」。每次你观察它，它都跳出了不同的形状。比如股票价格，你今天看是一条线，明天看又是另一条线。这就是随机过程的样本路径。
核心要点：随机过程 = 时间索引的随机变量族。每个时间点上的值不是确定的，而是服从某个概率分布。
1.2 随机过程的分类
随机过程种类繁多，但在量化金融里，我们最关心两类分类维度：平稳性、马尔可夫性与鞅性。这两把尺子，能帮你快速判断一个过程适不适合用来建模。
1.2.1 平稳 vs 非平稳
平稳过程，说白了就是「统计性质不随时间变化」。均值、方差、自协方差，这些指标在时间平移下保持不变。
我刚开始做量化时，犯过一个低级错误：直接用非平稳数据做回归，结果跑出来 R² 高达 0.99，兴奋得不行。后来才发现，那纯粹是伪回归。嗯，这里要注意：金融数据绝大多数是非平稳的。
| 类型 | 定义 | 金融例子 |
|---|---|---|
| 严平稳 | 任意有限维分布随时间平移不变 | 白噪声（理论上的） |
| 宽平稳 | 均值、方差为常数，自协方差只与时间差有关 | 某些利率模型（短期） |
| 非平稳 | 统计性质随时间变化 | 股票价格、汇率 |
为什么金融数据大多非平稳？因为市场有趋势、有周期、有结构性变化。你想想看，2008年金融危机前后的波动率能一样吗？
避坑指南：我曾经用平稳性检验（ADF检验）去验证股票价格，结果发现大部分股票价格都是非平稳的。后来我改用收益率（对数差分）来做建模，才解决了这个问题。记住：价格非平稳，收益率往往平稳。
1.2.2 马尔可夫过程 vs 鞅
这两个概念，是量化定价的基石。我建议你花点时间吃透它们。
马尔可夫过程：未来只依赖于现在，与过去无关。用数学语言说：P(X(t+1) | X(1),...,X(t)) = P(X(t+1) | X(t))。
这个性质太重要了。它意味着你不需要记住整个历史，只需要知道当前状态，就能预测未来。在期权定价里，BS模型假设股票价格服从几何布朗运动，而几何布朗运动就是马尔可夫过程。
鞅：未来期望等于当前值。E[X(t+1) | 当前信息] = X(t)。
鞅在金融里代表「公平游戏」。如果你在赌场里玩一个鞅过程，长期来看你既不赚也不亏。当然，现实市场不是鞅，但风险中性定价下，折现后的资产价格是鞅。
关键区别：马尔可夫性关注「条件独立性」，鞅性关注「条件期望不变」。两者可以同时成立，也可以独立存在。
举个例子：随机游走既是马尔可夫过程，也是鞅。但带漂移的随机游走是马尔可夫过程，却不是鞅（因为期望在变化）。
1.3 随机过程在金融中的角色
随机过程在量化金融里，几乎无处不在。我把它总结为三个核心角色：
- 资产价格建模：股票、债券、外汇、商品，都需要用随机过程来描述价格演变。最经典的是几何布朗运动，但实际中我们会用更复杂的模型，比如带跳跃的扩散过程。
- 风险度量：VaR、CVaR、压力测试，这些风险指标的计算都依赖于对资产价格随机过程的模拟。我在做风控系统时，每天要跑几百万条路径来估算尾部风险。
- 衍生品定价：期权、期货、互换，它们的价格本质上是对未来现金流的折现期望。而这个期望，是在随机过程假设下计算的。BS公式、Heston模型、SABR模型，背后都是随机过程。
你想想看，如果没有随机过程，我们怎么给一个欧式看涨期权定价？只能拍脑袋。但有了几何布朗运动的假设，我们就能推导出BS公式，精确计算出理论价格。
重要提醒：模型都是错的，但有些是有用的。随机过程只是对现实的近似，不要迷信任何模型。我在2008年之前用的模型，在危机后全部失效。所以，理解模型的假设和局限性，比记住公式更重要。
1.4 知识体系框架
下面这张图，是我自己整理的随机过程在量化定价中的知识体系。你可以把它当作整个课程的地图。
这张图把整个知识体系串起来了。从最底层的定义出发，到平稳性、马尔可夫性、鞅性这些核心性质，再到具体的金融模型和应用。我个人建议你把它保存下来，每学完一章就回来看看，能帮你建立全局观。
1.5 一个简单的代码示例
光说不练假把式。下面我用 Python 模拟一个几何布朗运动，这是股票价格最基础的随机过程模型。
import numpy as np
import matplotlib.pyplot as plt
# 参数设置
S0 = 100 # 初始价格
mu = 0.05 # 年化收益率
sigma = 0.2 # 年化波动率
T = 1.0 # 时间长度（年）
N = 252 # 交易日数量
dt = T / N # 时间步长
# 生成随机数
np.random.seed(42)
Z = np.random.normal(0, 1, N)
# 模拟价格路径
S = np.zeros(N)
S[0] = S0
for t in range(1, N):
S[t] = S[t-1] * np.exp((mu - 0.5 * sigma**2) * dt + sigma * np.sqrt(dt) * Z[t])
# 绘制路径
plt.figure(figsize=(10, 6))
plt.plot(S, linewidth=1.5)
plt.title('几何布朗运动模拟的股票价格路径')
plt.xlabel('交易日')
plt.ylabel('价格')
plt.grid(True, alpha=0.3)
plt.show()
这段代码模拟了一条股票价格路径。你每次运行，结果都不一样——这就是随机过程的魅力。我在做策略回测时，经常用这种模拟来生成成千上万条路径，然后统计各种指标。
小技巧：如果你想让模拟更真实，可以加入跳跃项（比如用 Merton 模型），或者让波动率随时间变化（比如用 Heston 模型）。这些我们后面章节会详细讲。
1.6 本章小结
好了，这一章的内容就到这里。我们聊了随机过程的定义、两大分类维度（平稳性、马尔可夫性与鞅性），以及它在金融中的三个核心角色。最后用一张知识体系图和一段代码，帮你把抽象概念落地。
记住一句话：随机过程不是数学游戏，它是我们理解金融市场的语言。掌握了这门语言，你才能跟市场对话。
下一章，我们会深入探讨布朗运动——这个在量化金融里最重要的随机过程。到时候见。
公众号:蓝海资料掘金营，微信deep3321