4、随机过程与交易：马尔可夫链基础、随机游走模型、布朗运动在金融中的应用、伊藤引理简介
聊到随机过程，很多做交易的朋友第一反应就是「头大」。说实话，我当年刚接触这块时也一样。但后来我发现，不理解随机过程，你根本没法真正搞懂量化交易里那些核心模型。
这一章，咱们就把这几个概念掰开揉碎了讲。不扯虚的，直接上干货。
4.1 马尔可夫链基础
先问个问题：明天的股价，到底跟什么有关？
传统技术分析告诉你，跟昨天的K线、前天的成交量、甚至上个月的MACD都有关系。但马尔可夫链的观点很粗暴——未来只取决于现在，跟过去无关。
这就是所谓的「马尔可夫性」或「无后效性」。用数学语言说就是：
P(X_{n+1} = x | X_n = x_n, X_{n-1} = x_{n-1}, ..., X_0 = x_0) = P(X_{n+1} = x | X_n = x_n)翻译成人话：给定当前状态，未来与过去条件独立。
我个人习惯把马尔可夫链想象成一个「失忆的赌徒」——他只记得自己现在手里有多少钱，至于之前是怎么赢的、怎么输的，他全忘了。他下一步怎么走，只取决于当前筹码数。
核心要点：马尔可夫链由三要素构成——状态空间、转移概率矩阵、初始分布。做交易策略时，我们通常把市场状态离散化（比如：上涨、下跌、震荡），然后估计状态之间的转移概率。
我在项目中遇到过这样一个场景：用马尔可夫链预测大盘次日涨跌。把过去20年的日线数据喂进去，算出一个3×3的转移矩阵。结果发现，从「下跌」状态转移到「上涨」的概率，竟然比从「上涨」到「上涨」还高。嗯，这就是所谓的「超跌反弹」在数学上的体现。
实战技巧：马尔可夫链的阶数可以扩展。一阶马尔可夫链只依赖前一个状态，二阶则依赖前两个状态。我建议先从一阶开始，因为高阶模型的参数估计需要更多数据，容易过拟合。
4.2 随机游走模型
随机游走，说白了就是「醉汉走路」。每一步的方向随机，步长固定或随机。把这个模型套到股价上，就是经典的「有效市场假说」——价格变动不可预测。
数学形式很简单：
S_{t+1} = S_t + ε_t, ε_t ~ N(0, σ²)其中ε_t是独立同分布的白噪声。你看，明天的价格等于今天的价格加上一个随机扰动。就这么简单。
但简单不代表没用。我记得刚入行时，带我的老交易员跟我说：「小子，你先别想着用什么深度学习，先把随机游走吃透了再说。」当时我不服，后来吃了亏才明白——很多所谓的「策略」，在随机游走假设下根本跑不赢抛硬币。
避坑指南：我曾经犯过一个低级错误——用随机游走模型预测长期股价。随机游走的方差随时间线性增长，这意味着预测区间会越拉越宽。说白了，长期预测基本等于瞎猜。所以随机游走只适合短期（比如日内或隔夜）的建模。
随机游走有几个变体，我列个表方便你对比：
| 模型 | 公式 | 特点 | 适用场景 |
|---|---|---|---|
| 简单随机游走 | S_{t+1} = S_t + ε_t | 无漂移项，均值回归为0 | 检验市场有效性 |
| 带漂移的随机游走 | S_{t+1} = S_t + μ + ε_t | 有长期趋势项μ | 牛市/熊市趋势跟踪 |
| 几何随机游走 | ln(S_{t+1}) = ln(S_t) + μ + ε_t | 价格对数服从随机游走 | 股票价格建模（标准做法） |
你想想看，为什么实际中都用几何随机游走？因为股价不可能为负，而简单随机游走可能走到负值去。取对数之后，价格永远为正，这更符合现实。
4.3 布朗运动在金融中的应用
布朗运动，其实就是随机游走在连续时间下的版本。物理学家用来描述花粉颗粒在水中的运动，金融学家拿来描述资产价格。
标准布朗运动B(t)满足三个性质：
- B(0) = 0
- 增量独立：B(t) - B(s) 与过去独立
- 增量服从正态分布：B(t) - B(s) ~ N(0, t-s)
说白了，布朗运动就是「连续时间的随机游走」。它的路径处处连续，但处处不可导——这意味着价格走势看起来平滑，但你没法求导数来预测下一秒的方向。
我在做期权定价时，天天跟布朗运动打交道。Black-Scholes模型的核心假设就是：标的资产价格服从几何布朗运动。公式长这样：
dS = μS dt + σS dB其中μ是漂移率（预期收益率），σ是波动率，dB是布朗运动增量。这个公式的意思是：价格变化 = 确定性趋势部分 + 随机波动部分。
关键认知：布朗运动的方差与时间长度成正比。这意味着时间越长，价格的不确定性越大。这也是为什么期权的时间价值会随着到期日临近而衰减——时间越短，布朗运动「折腾」的空间越小。
嗯，这里要注意一点：真实市场中的价格并不完全服从布朗运动。实际数据有「尖峰厚尾」特征——极端行情出现的概率比正态分布预测的要高。所以用布朗运动建模时，一定要做压力测试。
4.4 伊藤引理简介
伊藤引理，可以说是随机微积分里最重要的工具。没有它，期权定价、风险管理这些统统玩不转。
简单来说，伊藤引理告诉我们：如果一个随机过程X(t)满足伊藤过程，那么它的函数f(X(t), t)也服从一个伊藤过程。公式如下：
df = (∂f/∂t + μ ∂f/∂x + ½ σ² ∂²f/∂x²) dt + σ ∂f/∂x dB看着复杂？我拆开给你讲：
- ∂f/∂t：时间衰减项（期权里的Theta）
- μ ∂f/∂x：一阶导数项（Delta）
- ½ σ² ∂²f/∂x²：二阶导数项（Gamma）——这是伊藤引理跟普通微积分最大的区别
- σ ∂f/∂x dB：随机项
为什么多出那个½ σ² ∂²f/∂x²？因为布朗运动的二次变分不为零。普通微积分里，dx² ≈ 0，但在随机世界里，(dB)² = dt。这个差异，就是伊藤引理的精髓。
个人经验：我刚开始学伊藤引理时，死活想不通为什么多出个½项。后来做Delta对冲模拟时才发现——如果不加这一项，你的对冲组合会持续亏损。说白了，这个½项就是「凸性调整」，它捕捉了价格波动带来的非线性效应。
伊藤引理在交易中有三个经典应用：
- 期权定价：Black-Scholes方程就是由伊藤引理推导出来的
- 风险管理：计算投资组合的VaR时，需要用到伊藤引理处理非线性头寸
- 策略回测：连续时间策略的离散化实现，需要伊藤引理来校正偏差
举个例子。假设你持有一个看涨期权，你想知道它价格变化的规律。用伊藤引理，你可以把期权价格的变化分解成：时间损耗（Theta）、方向性暴露（Delta）、波动率暴露（Gamma）。这样你就能精确地管理风险敞口。
避坑指南：我曾经在回测一个期权策略时，直接用普通微积分来近似期权价格变化。结果回测曲线漂亮得不行，实盘却亏得一塌糊涂。后来才发现，问题就出在忽略了伊藤引理中的½项。记住：在随机世界里，普通微积分是错的。
最后，我用一张图来总结本章的知识体系：
这张图把四个概念串起来了。从左到右，从离散到连续；从下到上，从理论到应用。马尔可夫链和随机游走是离散时间的基础，布朗运动把它们推广到连续时间，而伊藤引理则提供了处理连续时间随机过程的数学工具。
说实话，这些内容第一次看确实有点抽象。但只要你动手写代码、跑回测、做模拟，慢慢就会建立起直觉。记住：数学是工具，不是目的。我们的目标是用这些工具更好地理解市场、管理风险、做出更好的交易决策。
本章小结：
- 马尔可夫链：未来只取决于现在，用于状态分类和转移概率估计
- 随机游走：价格变动不可预测，是有效市场假说的数学基础
- 布朗运动：连续时间的随机游走，Black-Scholes模型的核心假设
- 伊藤引理：随机微积分的链式法则，期权定价和风险管理的基石
公众号:蓝海资料掘金营，微信deep3321