第1章：随机游走的数学建模

各位同学，欢迎来到我们的量化实战课。

今天咱们聊一个基础但极其重要的概念——随机游走。你可能觉得这名字挺玄乎，其实说白了，它就是描述「醉汉走路」的数学模型。我当年刚接触量化时，第一个被震撼到的就是：金融市场里资产价格的走势，居然和醉汉走路有惊人的相似之处。

1.1 对称随机游走

先看最简单的版本——对称随机游走。

想象一个点，站在整数轴上。每过一秒，它向左或向右移动一步，概率各50%。这就是对称随机游走。用数学语言说：

X₀ = 0
Xₜ = Xₜ₋₁ + εₜ, 其中 εₜ = +1 或 -1，概率各 1/2

嗯，这里要注意：εₜ 是独立同分布的随机变量。我见过不少新手把「独立」和「不相关」搞混，其实在随机游走里，每一步的独立性是核心假设。

对称随机游走有几个重要性质：

• 无偏性：E[Xₜ] = 0，长期来看不偏向任何方向
• 方差随时间增长：Var(Xₜ) = t，波动越来越大
• 马尔可夫性：未来只取决于现在，与过去无关

我在项目中遇到过一个问题：用对称随机游走模拟某只股票的日内价格波动，结果发现模拟出来的路径太「光滑」了。为什么？因为真实市场里还有跳跃、自相关等特征。对称随机游走只是一个起点，但它是理解更复杂模型的基础。

1.2 带漂移的随机游走

对称随机游走假设没有趋势。但金融市场里，资产价格往往有长期上涨或下跌的趋势。这时候就需要引入漂移项。

带漂移的随机游走长这样：

Xₜ = Xₜ₋₁ + μ + εₜ

其中 μ 就是漂移系数。如果 μ > 0，路径整体向上；μ < 0，整体向下。

你想想看，这就像在醉汉的每一步里，偷偷加了一个「偏向某一侧」的力。我建议你在做策略回测时，一定要先判断数据里是否存在漂移。我曾经吃过这个亏——用对称随机游走模型去拟合一个明显有上涨趋势的股票，结果回测结果漂亮得不像话，实盘直接打脸。

带漂移随机游走的期望和方差：

• E[Xₜ] = μ·t，随时间线性增长
• Var(Xₜ) = t，和对称情况一样

注意，方差还是 t，漂移只影响均值，不影响波动。这个性质在期权定价里特别重要。

1.3 反射壁与吸收壁

现实世界中的随机游走，往往有边界。比如股价不会跌到负数，或者某个策略设置了止损线。这就引出了两种边界条件。

反射壁

当游走碰到边界时，它会「弹回来」。比如在 [0, N] 区间内，如果走到 0 或 N，下一步强制往反方向走。

反射壁在量化里有什么用？我举个例子：做网格交易时，价格在上下轨之间来回震荡，反射壁模型可以很好地描述这种「碰到边界就回头」的行为。

吸收壁

一旦碰到边界，游走就停止。这就像你的止损线——价格跌到某个位置，强制平仓，游戏结束。

吸收壁的数学处理稍微复杂一些。我记得有一次帮朋友优化一个期权策略，他用的是反射壁模型，但实际市场里触发的是吸收壁（因为爆仓了）。嗯，从那以后我每次设计策略都会问自己：这个边界是反射还是吸收？

两种边界的对比：

特性	反射壁	吸收壁
碰到边界后	继续游走	停止游走
长期行为	在区间内震荡	最终被吸收
量化应用	网格交易、区间震荡	止损、破产概率

1.4 随机游走的期望与方差

这部分是核心中的核心。我建议你亲手推导一遍，不要只看结论。

对于标准对称随机游走：

• E[Xₜ] = 0
• Var(Xₜ) = t
• 标准差 = √t

为什么会这样？因为每一步的方差是 1，t 步独立，方差相加。这个「方差随时间线性增长」的特性，是布朗运动的雏形。

对于带漂移的随机游走：

• E[Xₜ] = μ·t
• Var(Xₜ) = t

注意，漂移不影响方差。这个结论在实战中很重要——趋势再强，波动率也不会被「吃掉」。

我曾经在开发一个高频策略时，用随机游走的方差公式来估算持仓时间与风险的关系。结果发现，持仓时间翻倍，风险（标准差）只增加 √2 倍。这个发现让我重新调整了仓位管理方案。

知识体系总览

下面这张图总结了本章的核心逻辑，我建议你把它存下来，后面几章会反复用到这些概念。

这张图把本章的四个核心概念串起来了。对称和带漂移是两种基本类型，反射壁和吸收壁是边界条件，期望与方差是分析工具。后面几章我们会在这个框架上不断叠加新的内容。

好了，第一章就到这里。记住：随机游走是量化交易的「hello world」，看似简单，但里面藏着很多坑。我建议你动手写代码模拟一下，感受一下不同参数下路径的变化。代码我会在后续章节里给出，但你自己先试试，印象会更深刻。