4. 几何布朗运动：定义、解的形式、模拟方法、用于股票价格建模

聊到股票价格建模，几何布朗运动（GBM）绝对是个绕不开的经典。我个人习惯把它看作是随机过程在金融领域的「敲门砖」。你想想看，Black-Scholes 公式的底层假设，就是它。

说白了，GBM 描述的是这样一种资产价格：它的对数收益率服从正态分布，并且价格本身永远不会变成负数。嗯，这一点很关键——真实股票价格也确实不会跌到零以下（除非公司退市破产）。

4.1 定义与随机微分方程

几何布朗运动的标准形式，用随机微分方程（SDE）写出来是这样的：

dS(t) = μ S(t) dt + σ S(t) dW(t)

其中：

  • S(t)：t 时刻的资产价格
  • μ：漂移率（预期收益率）
  • σ：波动率（标准差）
  • dW(t)：标准布朗运动的增量

这个方程的含义很直观：价格的瞬时变化由两部分组成——确定性的趋势项 μS(t)dt，和随机性的波动项 σS(t)dW(t)。波动项前面乘了 S(t)，意味着价格越高，绝对波动幅度越大。这符合实际市场的感觉：100块的股票一天波动1块很正常，1块的股票波动1块就离谱了。

核心要点：GBM 假设收益率（dS/S）服从正态分布，而不是价格本身。这是它区别于普通布朗运动的关键。

4.2 解的形式：伊藤引理的妙用

要解这个 SDE，我们需要用到伊藤引理。我记得刚学随机过程时，总觉得伊藤引理是个玄学。后来做项目多了才发现，它其实就是随机版本的链式法则。

令 f(S,t) = ln S(t)，应用伊藤引理：

d(ln S) = (μ - σ²/2) dt + σ dW(t)

两边积分，得到显式解：

S(t) = S(0) * exp( (μ - σ²/2)t + σ W(t) )

这个形式太漂亮了。它告诉我们：

  • 对数价格 ln S(t) 服从正态分布
  • 价格 S(t) 服从对数正态分布
  • 期望值 E[S(t)] = S(0) * exp(μt) —— 注意这里不是 exp(μt - σ²t/2) 再乘 S(0)，因为对数正态的期望有修正项

避坑指南：我曾经在写定价引擎时，直接把 μ 当作预期收益率代入模拟，结果发现模拟出来的均值总是偏低。后来才意识到，μ 是瞬时漂移率，而实际期望收益率是 μ + σ²/2。这个「凸性调整」在期权定价中尤其重要。

4.3 模拟方法：从理论到代码

实际工作中，我们很少直接解析计算，更多是用蒙特卡洛模拟。模拟 GBM 路径有两种主流方式：

方法一：精确离散化（欧拉格式的变体）

利用显式解，我们可以直接写出离散时间步长 Δt 下的递推公式：

S(t+Δt) = S(t) * exp( (μ - σ²/2)Δt + σ * √Δt * Z )

其中 Z ~ N(0,1)。这种方式是精确的，没有离散误差。我个人习惯用这个，尤其是在做美式期权定价时，路径的精度直接影响早行权判断。

方法二：欧拉-丸山近似

直接对 SDE 做离散化：

S(t+Δt) = S(t) + μ S(t) Δt + σ S(t) √Δt * Z

这个方式有 O(Δt) 的离散误差，但实现简单。如果 Δt 足够小（比如日频数据），误差可以接受。

下面是一个 Python 实现示例：

import numpy as np

def simulate_gbm(S0, mu, sigma, T, N, n_paths):
    """
    模拟几何布朗运动路径
    S0: 初始价格
    mu: 漂移率
    sigma: 波动率
    T: 时间长度（年）
    N: 时间步数
    n_paths: 路径数量
    """
    dt = T / N
    # 生成正态随机数
    Z = np.random.normal(0, 1, (n_paths, N))
    
    # 初始化价格矩阵
    S = np.zeros((n_paths, N+1))
    S[:, 0] = S0
    
    # 精确离散化递推
    drift = (mu - 0.5 * sigma**2) * dt
    vol = sigma * np.sqrt(dt)
    
    for t in range(N):
        S[:, t+1] = S[:, t] * np.exp(drift + vol * Z[:, t])
    
    return S

# 使用示例
S0, mu, sigma = 100.0, 0.05, 0.2
T, N, n_paths = 1.0, 252, 1000
paths = simulate_gbm(S0, mu, sigma, T, N, n_paths)
print(f"模拟结束，路径矩阵形状: {paths.shape}")

注意事项：模拟时一定要用足够多的路径（至少 10,000 条以上），否则蒙特卡洛估计的方差会很大。另外，随机数种子要固定，方便复现结果——我在做回测时吃过这个亏，换了种子结果对不上，排查了半天。

4.4 用于股票价格建模：优点与局限

GBM 之所以成为股票价格建模的基准，是因为它抓住了几个关键特征：

特征 GBM 表现 实际市场
价格非负 ✓ 对数正态保证 ✓ 符合
收益率正态 ✓ 假设成立 ✗ 实际有厚尾
波动率恒定 ✓ 假设成立 ✗ 波动率聚集
独立增量 ✓ 假设成立 ✗ 有自相关性

从表中能看出来，GBM 是个「理想化」的模型。它简单、解析解漂亮、模拟方便，但真实市场要复杂得多。

我在做高频策略回测时，就发现 GBM 模拟的路径波动太「均匀」了。真实市场有波动率聚集现象——大涨大跌之后往往跟着更大的波动。这时候就需要上随机波动率模型（比如 Heston 模型）了。

但话说回来，对于大多数标准期权定价、风险管理场景，GBM 已经够用。它就像线性回归——虽然简单，但作为 baseline 和第一性原理的理解工具，价值巨大。

我的建议：先用 GBM 跑通整个定价流程，理解每个参数对价格的影响。然后再根据实际数据的特征，逐步引入更复杂的模型。这样你才能知道，复杂模型到底「好」在哪里。

4.5 知识体系框架

下面这张图总结了本章的核心逻辑，从定义到应用一目了然：

几何布朗运动（GBM）知识体系 定义与 SDE dS = μS dt + σS dW 漂移项 + 扩散项 价格非负保证 解的形式 S(t)=S₀·exp((μ-σ²/2)t+σW) 伊藤引理推导 对数正态分布 模拟方法 精确离散化 欧拉-丸山近似 蒙特卡洛路径 股票价格建模应用 Black-Scholes 定价基础 风险管理 · 回测模拟 · 情景分析 局限：厚尾 · 波动率聚集 · 杠杆效应 → 扩展：Heston · SABR · 跳跃扩散

从图中你能看到，GBM 从定义出发，经过伊藤引理得到解析解，然后通过离散化方法进行模拟，最终落地到股票价格建模。但它也有明显的局限——实际市场的厚尾和波动率聚集，需要更复杂的模型来捕捉。

嗯，这一章就到这里。GBM 是随机过程在量化金融中的「Hello World」，把它吃透了，后面的随机波动率、跳跃扩散模型学起来会轻松很多。

公众号:蓝海资料掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →