第一章：布朗运动与维纳过程——定义、性质、模拟与可视化

各位同学，咱们今天聊聊布朗运动。

说实话，我刚开始做衍生品定价那会儿，觉得布朗运动就是个数学概念，离实战远着呢。直到有一次，我在给一个奇异期权做风控模型时，发现蒙特卡洛模拟出来的价格总是对不上市场报价。折腾了两天，最后发现是随机数生成器没用好，布朗运动的路径模拟出了问题。嗯，从那以后，我再也不敢小看这个「随机游走」了。

1.1 布朗运动的直观理解

先说说布朗运动到底是个啥。

1827年，植物学家布朗在显微镜下观察花粉颗粒，发现它们在水里不停地做无规则运动。一开始他以为是花粉有生命，后来发现死花粉也一样。说白了，就是水分子不断撞击花粉颗粒，导致它随机乱跑。

你想想看，一个花粉颗粒，下一秒往左还是往右，完全随机。但如果你盯它看很久，会发现它走过的路径虽然弯弯曲曲，但整体上会越走越远。这就是布朗运动最核心的特征——随机但可预测其统计规律。

1.2 维纳过程的数学定义

数学家们把布朗运动抽象成了维纳过程。我习惯用 W_t 来表示，它满足这么几个条件：

• 起点为零：W₀ = 0
• 独立增量：任意两个不重叠的时间段，增量相互独立
• 正态增量：W_t - W_s ~ N(0, t-s)
• 连续路径：路径几乎处处连续，但处处不可导

最后一条特别有意思。为什么处处不可导？因为它在任意小的时间区间内，变化幅度都跟时间开平方成正比。你想想，导数要求变化量跟时间成正比，但布朗运动是跟根号时间成正比，所以导数不存在。

1.3 布朗运动的关键性质

我在项目中遇到过不少坑，这里给大家总结几个必须记住的性质：

1. 鞅性质：给定当前信息，未来期望值等于当前值。说白了，布朗运动没有趋势，纯随机。
2. 二次变分：在 [0, T] 区间内，布朗运动的二次变分等于 T。这个性质在伊藤积分中至关重要。
3. 自相似性：缩放时间轴和空间轴，布朗运动的统计性质不变。

1.4 布朗运动的模拟与可视化

光说不练假把式。咱们用 Python 来模拟一下布朗运动。代码很简单，但背后逻辑你得吃透。

import numpy as np
import matplotlib.pyplot as plt

# 参数设置
T = 1.0          # 总时间
N = 1000         # 步数
dt = T / N       # 步长
sqrt_dt = np.sqrt(dt)

# 生成随机增量
dW = np.random.normal(0, sqrt_dt, N)

# 累积求和得到路径
W = np.cumsum(dW)
W = np.insert(W, 0, 0)  # 起点为0

# 时间轴
t = np.linspace(0, T, N+1)

# 可视化
plt.figure(figsize=(10, 6))
plt.plot(t, W, 'b-', linewidth=1, label='布朗运动路径')
plt.xlabel('时间 t')
plt.ylabel('W(t)')
plt.title('标准布朗运动模拟')
plt.grid(True, alpha=0.3)
plt.legend()
plt.show()

这段代码的核心就两步：生成正态随机数，然后累加。为什么用 cumsum？因为布朗运动是独立增量的累积和。你每次生成一个随机步长，然后加上去，就得到了一条路径。

1.5 多条路径与统计验证

单条路径说明不了问题。咱们得模拟成千上万条，看看统计性质对不对。

# 模拟1000条路径
M = 1000
paths = np.zeros((M, N+1))

for i in range(M):
    dW = np.random.normal(0, sqrt_dt, N)
    paths[i, 1:] = np.cumsum(dW)

# 计算均值和方差
mean_path = np.mean(paths, axis=0)
var_path = np.var(paths, axis=0)

# 理论值
theoretical_var = t  # 方差 = t

# 可视化
plt.figure(figsize=(12, 5))

plt.subplot(1, 2, 1)
plt.plot(t, mean_path, 'r-', label='模拟均值')
plt.plot(t, np.zeros_like(t), 'b--', label='理论均值(0)')
plt.xlabel('时间 t')
plt.ylabel('均值')
plt.legend()
plt.grid(True, alpha=0.3)

plt.subplot(1, 2, 2)
plt.plot(t, var_path, 'r-', label='模拟方差')
plt.plot(t, theoretical_var, 'b--', label='理论方差(t)')
plt.xlabel('时间 t')
plt.ylabel('方差')
plt.legend()
plt.grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

你会发现，模拟的均值始终在 0 附近晃悠，方差则沿着直线 t 增长。这就是维纳过程的鞅性质和方差线性增长性质在数值上的体现。

1.6 知识体系总览

下面这张图是我自己画的，把本章的核心逻辑串起来了。你一看就明白布朗运动、维纳过程、模拟和风控之间的关系。

1.7 实战中的注意事项

最后，我把自己踩过的坑再念叨一遍：

• 随机数质量：别用 random 模块，用 numpy.random。前者是伪随机，后者质量高得多。
• 路径数量：模拟期权定价时，路径数至少 10000 条。少于这个数，标准误差会很大。
• 时间步长：对于欧式期权，步长取 0.01 就够了。对于路径依赖型期权（比如亚式期权），步长要更小。
• 种子设置：调试时固定随机种子，确保结果可复现。上线时去掉种子，用真随机。

好了，这一章就到这儿。代码你们自己跑一遍，看看路径长什么样。下一章咱们聊伊藤引理，那才是真正上硬菜的时候。