第1章 几何布朗运动：从定义到实战

大家好，欢迎来到布朗运动与随机游走的量化交易实战课程。

今天咱们聊几何布朗运动。说实话，这是整个量化金融的基石之一。我当年刚入行时，带我的老交易员就说了一句话：「小子，搞懂GBM，你就算入门了。」当时我不信，后来做了几年策略，才发现这话一点不假。

1.1 几何布朗运动的定义

几何布朗运动，英文叫Geometric Brownian Motion，简称GBM。它描述的是资产价格的对数收益率服从正态分布。

数学上，它的随机微分方程长这样：

dS(t) = μ S(t) dt + σ S(t) dW(t)

其中：

• S(t)：t时刻的资产价格
• μ：漂移率，代表资产的期望收益率
• σ：波动率，代表资产的风险程度
• dW(t)：标准布朗运动的增量

你想想看，这个公式其实很直观。价格的变化由两部分组成：

• 确定性部分 μS(t)dt —— 长期趋势
• 随机部分 σS(t)dW(t) —— 市场噪声

我在项目中遇到过一个问题：很多人以为μ就是股票的预期收益率。其实不是。μ是瞬时收益率，跟实际持有期收益率有区别。这个坑我踩过，后面会细说。

1.2 伊藤引理

伊藤引理，说白了就是随机微积分里的链式法则。普通微积分里，df = f'(x)dx。但在随机世界里，事情没那么简单。

假设S(t)服从GBM，我们想求f(S,t)的微分。伊藤引理告诉我们：

df = (∂f/∂t + μS ∂f/∂S + ½ σ²S² ∂²f/∂S²) dt + σS ∂f/∂S dW

为什么会多出那个½ σ²S² ∂²f/∂S²项？

嗯，这里要注意。因为dW的平方项在均方意义下收敛到dt，而不是0。这是随机微积分和普通微积分最本质的区别。

我个人习惯把伊藤引理记成「三个部分」：

• 时间偏导 ∂f/∂t
• 一阶空间偏导 μS ∂f/∂S
• 二阶空间偏导 ½ σ²S² ∂²f/∂S² —— 这是随机项带来的「额外项」

我曾经在给一个期权做对冲时，忽略了二阶项，结果对冲误差大得离谱。后来复盘才发现，伊藤引理里的这个二阶项，恰恰是期权Gamma对冲的核心。

1.3 几何布朗运动的解

有了伊藤引理，我们就可以求解GBM了。令f(S,t) = ln S(t)，代入伊藤引理：

d(ln S) = (μ - ½σ²) dt + σ dW

两边积分，得到：

ln S(t) = ln S(0) + (μ - ½σ²)t + σ W(t)

取指数，得到价格过程：

S(t) = S(0) exp[(μ - ½σ²)t + σ W(t)]

这个解告诉我们几件事：

• 价格服从对数正态分布
• 期望价格是 S(0)e^{μt}，不是 S(0)e^{(μ+½σ²)t}
• 对数收益率是 (μ - ½σ²)t + σW(t)，均值为 (μ - ½σ²)t

你想想看，为什么期望收益率是μ，但对数收益率的均值却是μ - ½σ²？

这就是所谓的「波动率税」。波动率越高，长期复合收益率越低。我在做CTA策略回测时，经常看到策略的年化收益率很高，但实际复利收益却低不少，就是这个道理。

1.4 几何布朗运动的模拟

实战中，我们经常需要模拟GBM路径。比如做蒙特卡洛模拟、压力测试、策略回测等。

离散化公式（欧拉方法）：

S(t+Δt) = S(t) * exp[(μ - ½σ²)Δt + σ * sqrt(Δt) * Z]

其中Z是标准正态随机变量。

下面是我常用的Python代码：

import numpy as np
import matplotlib.pyplot as plt

def simulate_gbm(S0, mu, sigma, T, N, n_paths=10):
    """
    模拟几何布朗运动路径
    
    参数:
        S0: 初始价格
        mu: 漂移率
        sigma: 波动率
        T: 时间长度（年）
        N: 时间步数
        n_paths: 模拟路径数
    """
    dt = T / N
    t = np.linspace(0, T, N+1)
    
    # 生成随机数矩阵
    Z = np.random.standard_normal((n_paths, N))
    
    # 计算价格路径
    S = np.zeros((n_paths, N+1))
    S[:, 0] = S0
    
    for i in range(N):
        S[:, i+1] = S[:, i] * np.exp(
            (mu - 0.5 * sigma**2) * dt + 
            sigma * np.sqrt(dt) * Z[:, i]
        )
    
    return t, S

# 示例：模拟10条路径
t, paths = simulate_gbm(S0=100, mu=0.08, sigma=0.2, T=1, N=252, n_paths=10)

# 绘制路径
plt.figure(figsize=(10, 6))
for i in range(10):
    plt.plot(t, paths[i], lw=1, alpha=0.7)
plt.xlabel('时间（年）')
plt.ylabel('价格')
plt.title('几何布朗运动模拟路径')
plt.grid(True, alpha=0.3)
plt.show()

代码里有个细节：我用的是exp形式，而不是直接加增量。这样做的好处是保证价格始终为正，符合实际市场情况。

我个人习惯把N设为252，因为一年大约有252个交易日。这样模拟出来的路径更贴近真实市场节奏。

知识体系总览

下面这张图总结了本章的核心逻辑：

从定义出发，经过伊藤引理得到解析解，再通过数值模拟落地到实战应用。这条路径，就是我当年学习GBM的路线图，也是我建议你走的路线。

---

好了，几何布朗运动的核心内容就这些。记住：定义是基础，伊藤引理是工具，解析解是理论，模拟是实战。四者缺一不可。

下一章我们会聊随机游走，看看它和布朗运动有什么联系，又有什么区别。到时候见。