第一章：布朗运动与随机游走基础
各位同学，咱们今天聊聊随机过程里最基础、也最迷人的两个概念——布朗运动和随机游走。说实话，我刚开始接触量化交易那会儿，觉得这些东西离实战太远了。直到有一次做期权定价模型回测，发现价格路径模拟总对不上真实数据，排查了三天，最后发现是随机数生成器的种子设置出了问题。嗯，从那以后，我对这些基础概念再也不敢马虎了。
1.1 布朗运动的历史
1827年，英国植物学家罗伯特·布朗在显微镜下观察花粉颗粒时，发现它们在水面上做无规则运动。他一开始以为是花粉有生命，后来换成玻璃粉末、岩石粉末，结果一样。这就是布朗运动的发现。
但真正从数学上解释清楚这个现象，要等到1905年。那年爱因斯坦发表了关于分子热运动的论文，给出了布朗运动的数学描述。他推导出颗粒位移的均方位移与时间成正比——这个结论后来成了随机过程理论的基石。
我个人觉得，布朗运动最迷人的地方在于：它看起来完全随机，但统计规律却非常清晰。你想想看，单个花粉颗粒的轨迹毫无规律可言，但大量颗粒的统计行为却可以被精确预测。这不就是我们做量化交易追求的东西吗？
核心要点：布朗运动是连续时间、连续路径的随机过程，其增量服从正态分布，且增量独立。
1.2 随机游走的定义
随机游走是布朗运动的离散版本。说白了，就是每一步都随机决定方向。最简单的形式是一维随机游走：
- 从原点出发
- 每一步以50%概率向左或向右移动一个单位
- 步长固定，方向随机
数学上可以写成：
S₀ = 0
Sₙ = X₁ + X₂ + ... + Xₙ其中Xᵢ是独立同分布的随机变量，取值为+1或-1，概率各为1/2。
我在做高频交易策略回测时，经常用随机游走作为价格运动的零假设模型。如果策略在随机游走数据上还能赚钱，那基本可以断定是过拟合了。这个坑我踩过，后来成了我的标准测试流程。
实战技巧：在量化回测中，先用随机游走生成模拟价格序列，测试策略是否产生虚假收益。如果策略在随机游走上表现优异，赶紧回去检查代码逻辑。
1.3 维纳过程
维纳过程是布朗运动的严格数学定义。它满足以下条件：
- W₀ = 0
- Wₜ是连续函数（几乎必然）
- 增量Wₜ - Wₛ服从N(0, t-s)分布
- 增量独立
这里有个容易混淆的地方：维纳过程和布朗运动在金融领域基本可以互换使用，但严格来说，维纳过程是数学构造，布朗运动是物理现象。我建议你在写代码时统一用「维纳过程」这个术语，避免歧义。
为什么会强调连续性？因为离散的随机游走和连续的维纳过程，在极限情况下是等价的。当步长趋近于0，步数趋近于无穷时，随机游走就收敛到维纳过程。这个结论叫Donsker定理，是随机过程理论的核心结果之一。
注意：维纳过程的路径虽然连续，但几乎处处不可导。这意味着价格路径在任意时刻的瞬时变化率不存在。很多初学者试图用导数来建模价格变化，这是错误的。
1.4 马尔可夫性质
马尔可夫性质说的是：给定当前状态，未来与过去独立。用大白话讲就是——明天只取决于今天，跟昨天没关系。
数学表达：
P(Xₙ₊₁ = x | Xₙ = xₙ, Xₙ₋₁ = xₙ₋₁, ..., X₀ = x₀) = P(Xₙ₊₁ = x | Xₙ = xₙ)布朗运动和随机游走都满足马尔可夫性质。这也是为什么它们能成为金融建模的基础——因为有效市场假说认为，当前价格已经包含了所有历史信息。
我曾经犯过一个错误：在构建趋势跟踪策略时，用了过去10天的价格数据做特征，但模型本身是马尔可夫的。结果发现加入历史数据不仅没提升效果，反而引入了噪声。后来我改用滑动窗口的统计量，效果就好多了。
关键理解：马尔可夫性质不是假设市场是随机的，而是说当前价格已经充分反映了历史信息。趋势跟踪策略之所以有效，是因为它捕捉的是当前状态下的条件概率变化，而不是历史模式的重复。
知识体系结构图
下面这张图展示了本章四个核心概念之间的关系：
代码示例：模拟一维随机游走
下面这个Python代码演示了如何模拟一维随机游走，并验证其与维纳过程的关系：
import numpy as np
import matplotlib.pyplot as plt
def simulate_random_walk(n_steps=1000, n_paths=5):
"""
模拟一维随机游走
n_steps: 步数
n_paths: 路径数量
"""
steps = np.random.choice([-1, 1], size=(n_paths, n_steps))
paths = np.cumsum(steps, axis=1)
# 添加起始点0
paths = np.hstack([np.zeros((n_paths, 1)), paths])
return paths
# 生成5条随机游走路径
paths = simulate_random_walk(1000, 5)
# 验证均方位移与时间成正比
displacements = paths[:, -1] - paths[:, 0]
msd = np.mean(displacements ** 2)
print(f"均方位移: {msd:.2f} (理论值: 1000)")
# 验证增量服从正态分布
increments = np.diff(paths[0])
print(f"增量均值: {np.mean(increments):.3f} (理论值: 0)")
print(f"增量方差: {np.var(increments):.3f} (理论值: 1)")运行结果解读：你会发现均方位移接近步数（1000），增量均值接近0，方差接近1。这就是随机游走与维纳过程在统计上的等价性。我在做策略回测时，经常用这个性质来验证随机数生成器是否正确。
本章小结
布朗运动、随机游走、维纳过程这三个概念，本质上描述的是同一类现象——无规则运动。区别在于：
| 概念 | 时间 | 状态 | 典型应用 |
|---|---|---|---|
| 随机游走 | 离散 | 离散 | 价格模拟、策略回测 |
| 维纳过程 | 连续 | 连续 | 期权定价、风险管理 |
| 布朗运动 | 连续 | 连续 | 物理建模、金融理论 |
马尔可夫性质是贯穿始终的核心假设。它告诉我们：市场没有记忆，但当前状态包含了所有信息。这个看似矛盾的结论，恰恰是量化交易能够成立的基础。
我个人建议，刚开始做量化交易的同学，先把随机游走模拟玩熟练。你能从模拟数据中感受到价格运动的随机性，也能理解为什么趋势跟踪策略在某些市场环境下会失效。这些直觉，比任何数学模型都重要。