1. 伊藤引理概述：从布朗运动到伊藤过程

大家好，我是你们这堂课的主讲人。做量化风控这些年，我见过不少同行在衍生品定价上栽跟头，最后发现根子都在随机微积分上没吃透。今天咱们聊的伊藤引理，说白了就是随机世界里的「链式法则」。你想想看，普通微积分里我们求个导数、算个微分，那都是确定性的。可金融市场里，价格是随机游走的，这时候普通微积分就失灵了。伊藤引理，就是专门解决这个问题的。

1.1 布朗运动：随机性的起点

要理解伊藤引理，得先从布朗运动说起。1827年，植物学家布朗在显微镜下看到花粉颗粒在水面上乱跳，他以为是花粉有生命，后来才发现是水分子的撞击造成的。这个现象后来被爱因斯坦用数学描述，再后来被维纳严格定义，所以布朗运动也叫维纳过程。

布朗运动有三个核心性质，我建议你记牢了：

• 独立增量：不同时间段的位移是独立的，互不影响
• 正态增量：任意时间间隔内的位移服从正态分布，均值为0，方差等于时间间隔
• 连续路径：轨迹是连续的，但处处不可导——这一点很关键

为什么说处处不可导？因为布朗运动的方差随时间线性增长，你取一个无穷小的时间间隔，它的变化幅度跟时间间隔的平方根成正比。普通函数的变化幅度跟时间间隔本身成正比，所以布朗运动比普通函数「抖」得多。我在项目中遇到过有人直接用普通导数去算期权希腊字母，结果对不上，就是因为没理解这个本质。

W(t) - W(s) ~ N(0, t-s)
E[W(t)] = 0
Var[W(t)] = t

1.2 伊藤过程：给布朗运动加点「料」

纯布朗运动太理想化了。现实中的股票价格有漂移（长期上涨趋势），有波动率（不确定性大小），所以我们需要更一般的模型。伊藤过程就是布朗运动的推广，它长这样：

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

这里：

• μ dt 是漂移项，决定过程的长期趋势
• σ dW 是扩散项，决定过程的随机波动
• dW 是布朗运动的增量

你可能会问：为什么是 dt 和 dW 的组合，而不是 dt² 或者 dW²？嗯，这里有个关键点。在随机微积分里，dW 的量级是 √(dt)，所以 dW² 的量级是 dt，不能忽略。而 dt² 的量级是 (dt)²，比 dt 小得多，可以忽略。这就是伊藤引理的核心思想——二阶项不能丢。

1.3 伊藤引理的数学形式

好，现在进入正题。假设我们有一个伊藤过程 X(t)，还有一个关于 X 和 t 的函数 f(X, t)。我们想知道 f 随时间的变化 d f。普通微积分告诉我们：

df = (∂f/∂t) dt + (∂f/∂x) dX

但这是错的！因为 dX 里有 dW，而 dW² 的量级是 dt，不能忽略。正确的伊藤引理是：

df = (∂f/∂t + μ ∂f/∂x + ½ σ² ∂²f/∂x²) dt + σ ∂f/∂x dW

多出来的那一项 ½ σ² ∂²f/∂x²，就是二阶泰勒展开的贡献。我曾经在给一个结构化产品做定价时，忘了加这一项，结果价格差了 3% 以上。后来复盘才发现，就是因为标的资产的波动率太大，二阶项的影响不可忽视。

直观理解是这样的：

• ∂f/∂t dt：时间流逝带来的变化
• μ ∂f/∂x dt：标的资产漂移带来的变化
• ½ σ² ∂²f/∂x² dt：随机性的凸性调整——这是伊藤引理的灵魂
• σ ∂f/∂x dW：随机冲击带来的变化

1.4 知识体系结构图

下面这张图是我自己整理的，把本章的核心逻辑串起来了。你一看就明白：

1.5 直观理解：为什么多了一项？

你可能还在纠结那个 ½σ²∂²f/∂x² 项。我换个角度给你讲。假设 f(x) = x²，X 是布朗运动（μ=0, σ=1）。普通微积分会告诉你 df = 2X dX。但实际算一下：

E[f(X(t))] = E[X²(t)] = t
所以 dE[f] = dt

而普通微积分给出的 E[2X dX] = 0（因为 dX 的期望是0）。这就矛盾了！伊藤引理补上了 ½σ²∂²f/∂x² = ½ × 1 × 2 = 1，正好凑出 dt。你看，不是数学家在故弄玄虚，是随机世界真的需要这个修正项。

1.6 一个简单的 Python 验证

光说不练假把式。我写了个小脚本，验证伊藤引理对 f(x)=x² 的预测：

import numpy as np
import matplotlib.pyplot as plt

# 参数设置
T = 1.0
N = 10000
dt = T / N
sqrt_dt = np.sqrt(dt)

# 模拟布朗运动路径
W = np.zeros(N+1)
for i in range(N):
    dW = np.random.normal(0, sqrt_dt)
    W[i+1] = W[i] + dW

# 计算 f(W) = W²
f = W ** 2

# 计算 df 的两种方式
# 方式1：直接差分
df_direct = np.diff(f)

# 方式2：伊藤引理预测 df = 2W dW + dt
df_ito = 2 * W[:-1] * np.diff(W) + dt

# 比较
print(f"直接差分均值: {np.mean(df_direct):.6f}")
print(f"伊藤引理均值: {np.mean(df_ito):.6f}")
print(f"理论均值: {dt:.6f}")

运行结果会告诉你，伊藤引理的预测跟直接差分几乎一致。这就是理论的威力。

1.7 小结

这一章我们走完了从布朗运动到伊藤引理的完整路径。核心就三句话：

1. 布朗运动是随机性的基石，连续但不可导
2. 伊藤过程给布朗运动加了漂移和波动，更贴近现实
3. 伊藤引理是随机世界的链式法则，多出来的凸性调整项是灵魂

下一章我们会用伊藤引理推导 Black-Scholes 方程，那才是真正开始赚钱的地方。不过在那之前，我建议你把这一章的代码跑一遍，亲手感受一下二阶项的力量。

公众号:蓝海资料掘金营，微信deep3321