3. 伊藤引理：随机微积分入门、伊藤过程、伊藤公式推导与应用

好，咱们进入随机过程最核心的一章——伊藤引理。

说实话，很多做量化的人，学了几年还是没搞懂伊藤引理到底在干嘛。我当年也是，看了好几本教材，公式推导看得头晕，直到自己动手写期权定价代码时，才真正明白它的价值。

这一章，我会用工程师的视角来讲。不堆砌数学，只讲你用得上的东西。

3.1 为什么需要随机微积分？

普通微积分处理的是光滑函数。比如 y = x²，你求导、积分都很顺手。

但金融资产的价格路径呢？它不光滑。它到处是毛刺，处处不可导。

你想想看，如果你用普通微积分去处理布朗运动，会出大问题。布朗运动的路径几乎处处不可微，它的二次变分不为零——这在普通微积分里是不可想象的。

所以，我们需要一套新的工具。这就是随机微积分，也叫伊藤微积分。

核心区别：

  • 普通微积分：dX = μ dt，dt 的高阶项可忽略
  • 随机微积分：dX = μ dt + σ dW，dW² 不能忽略，它等于 dt

嗯，这里要注意。dW² = dt 这个关系，是整个伊藤引理的基石。我刚开始学的时候，总觉得这像个魔法。后来做高频交易策略回测时，发现如果不考虑这个二阶项，你的对冲误差会大到离谱。

3.2 伊藤过程：随机微分方程的基础

先看一个标准的伊藤过程长什么样：

dX(t) = μ(X(t), t) dt + σ(X(t), t) dW(t)

这里：

  • μ 是漂移项，决定趋势
  • σ 是扩散项，决定波动
  • dW 是标准布朗运动的增量

说白了，这就是一个「带噪声的微分方程」。漂移项告诉你平均往哪走，扩散项告诉你随机性有多大。

我在项目中遇到过一个问题：用欧拉离散化模拟股价路径时，如果步长选得太大，模拟结果会严重偏离理论值。原因就是忽略了高阶项的影响。后来我改用 Milstein 方法，才解决了这个问题。

实用技巧：

实际编程中，伊藤过程的离散化形式是：

X(t+Δt) = X(t) + μ(X,t)·Δt + σ(X,t)·√Δt·ε

其中 ε ~ N(0,1)。注意是 √Δt，不是 Δt。

3.3 伊藤引理：随机微积分的链式法则

普通微积分里，如果你有 y = f(x)，那么 dy = f'(x) dx。但在随机世界里，事情没那么简单。

假设 X(t) 服从伊藤过程，你想知道 f(X(t), t) 的微分。伊藤引理告诉我们：

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

看到那个 ½·σ²·∂²f/∂X² 了吗？这就是随机微积分和普通微积分的本质区别。它来自 dW² = dt。

为什么会这样？我简单解释一下：

  1. 对 f(X,t) 做泰勒展开到二阶
  2. 把 dX = μ dt + σ dW 代入
  3. 利用 dW² = dt，dW·dt = 0，dt² = 0
  4. 整理得到上面的公式

我曾经在给一个新同事 review 代码时，发现他用普通链式法则去推导期权 Greeks。结果 Delta 算对了，Gamma 全错了。嗯，这就是没理解伊藤引理的下场。

避坑指南：

我曾经在写一个奇异期权定价引擎时，忽略了伊藤引理中的二阶项，导致美式期权的 Greeks 计算全部偏离。调试了整整两天才发现问题。记住：在随机世界里，二阶项不是小量，它是核心。

3.4 伊藤引理的直观推导

咱们来走一遍推导过程。别怕，我会用最直观的方式。

假设 f 是 X 和 t 的光滑函数。对 f 做泰勒展开：

df = (∂f/∂t) dt + (∂f/∂X) dX + ½ (∂²f/∂X²) (dX)² + 高阶项

现在把 dX = μ dt + σ dW 代入：

(dX)² = (μ dt + σ dW)²
       = μ² dt² + 2μσ dt·dW + σ² dW²

关键来了：

  • dt² → 0（高阶小量，忽略）
  • dt·dW → 0（比 dt 更高阶）
  • dW² → dt（这是随机微积分的核心）

所以 (dX)² = σ² dt。

代入泰勒展开，整理得到伊藤引理。

你看，其实没那么复杂。核心就一句话：在随机世界里，二阶项不能扔，它贡献了一个 dt 量级的项。

3.5 伊藤引理的应用：几何布朗运动

最经典的应用是几何布朗运动（GBM）。假设股价 S 服从：

dS = μS dt + σS dW

我们想知道 ln(S) 的随机微分。令 f(S) = ln(S)，则：

∂f/∂t = 0
∂f/∂S = 1/S
∂²f/∂S² = -1/S²

代入伊藤引理：

d(ln S) = (0 + μS·(1/S) + ½·σ²S²·(-1/S²)) dt + σS·(1/S) dW
        = (μ - ½σ²) dt + σ dW

这个结果太重要了。它告诉我们：

  • ln(S) 的漂移率是 μ - ½σ²，不是 μ
  • 这就是为什么在 BS 公式里，风险中性下的漂移率是 r - ½σ²

我在做期权做市商系统时，每天都要用这个公式。如果你忘了减掉 ½σ²，你的理论价格会系统性偏高或偏低，做市就会亏钱。

实际应用：

从 d(ln S) = (μ - ½σ²) dt + σ dW，我们可以直接写出：

S(t) = S(0)·exp((μ - ½σ²)t + σW(t))

这就是蒙特卡洛模拟中生成股价路径的标准公式。

3.6 伊藤引理在期权定价中的应用

BS 公式的推导，本质上就是伊藤引理的应用。思路是这样的：

  1. 假设股价服从 GBM：dS = μS dt + σS dW
  2. 期权价格 V(S,t) 是 S 和 t 的函数
  3. 用伊藤引理写出 dV
  4. 构造无风险组合 Π = V - Δ·S
  5. 令 dΠ = rΠ dt（无风险收益）
  6. 得到 BS 偏微分方程

我建议你亲手推一遍这个流程。当年我在面试一家对冲基金时，面试官让我现场推导 BS 公式。我用了 15 分钟，从伊藤引理开始，一步步推到 BS 方程。面试官当场就给了 offer。

个人习惯：

我每次写新的定价模型，都会先画一个「随机过程 → 伊藤引理 → PDE → 数值解」的流程图。这能帮你理清思路，避免在复杂的推导中迷失方向。

3.7 本章知识体系

下面这张图展示了本章的核心逻辑：

伊藤引理知识体系 布朗运动 dW ~ N(0, dt) 伊藤过程 dX = μdt + σdW 伊藤引理 df = (∂f/∂t + μ∂f/∂X + ½σ²∂²f/∂X²)dt + σ∂f/∂X dW 核心应用：d(ln S) = (μ-½σ²)dt + σdW BS 偏微分方程 蒙特卡洛模拟 Greeks 计算

3.8 常见误区与注意事项

误区 正确理解
dW² 可以忽略 dW² = dt，这是随机微积分的核心
伊藤引理和普通链式法则一样 多了 ½σ²∂²f/∂X² 项，这是关键区别
ln(S) 的漂移率是 μ 实际上是 μ - ½σ²，别忘了减
离散化时用 Δt 而不是 √Δt 随机项必须用 √Δt，否则方差不对

重要提醒：

伊藤引理是随机微积分的基石。如果你要做量化定价，这个工具必须熟练掌握。我见过太多人跳过这一步直接去学 BS 公式，结果遇到稍微复杂一点的奇异期权就完全懵了。

我的建议是：花一周时间，亲手推导至少 5 个函数的伊藤微分。包括 ln(S)、S²、e^{rt}S、以及一个你自定义的 payoff 函数。做完这些，你才算真正入门。

公众号:蓝海资料掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →