1. 布朗运动基础：从物理到金融的随机游走

说实话，每次讲布朗运动，我都会想起刚入行时的一个场景。那时候我在做期权定价模型，跑出来的结果总是跟市场对不上。折腾了三天，最后发现是随机过程的参数设错了。嗯，从那以后我就明白了一个道理——搞量化交易，布朗运动这关必须得过硬。

布朗运动，说白了就是描述「随机游走」的数学工具。它最早来自物理学家布朗在1827年观察到的花粉颗粒在水中的无规则运动。后来爱因斯坦在1905年给出了理论解释，再后来被数学家维纳严格定义。到了金融领域，它就成了资产价格建模的基石。

1.1 从物理到金融的跨越

物理世界里的布朗运动，是微观粒子受液体分子撞击的结果。每个撞击的方向和大小都是随机的，大量撞击叠加起来，就形成了我们看到的无规则运动。

金融世界里呢？资产价格的变动也是无数市场参与者交易行为的结果。每个买卖决策都有随机性，大量交易叠加，价格走势看起来也像随机游走。我做过一个实验，把某只股票5分钟级别的价格走势和模拟的布朗运动路径放在一起对比——说实话，肉眼几乎分不出来。

但这里有个坑，我必须要提醒你：

1.2 布朗运动的数学定义

严格来说，标准布朗运动 B(t) 满足以下条件：

• B(0) = 0（从原点出发）
• 增量 B(t) - B(s) 服从正态分布 N(0, t-s)
• 增量独立（不重叠的时间段互不影响）
• 路径连续（没有跳跃）

你想想看，第二条意味着什么？意味着时间越长，不确定性越大。方差跟时间长度成正比。这就是为什么期权的时间价值会随着到期日临近而衰减——不确定性在减少。

我个人习惯用Python来验证这些性质。写几行代码就能看到布朗运动的样本路径：

import numpy as np
import matplotlib.pyplot as plt

# 生成布朗运动路径
np.random.seed(42)
n = 1000  # 步数
dt = 0.01  # 时间步长
t = np.linspace(0, n*dt, n+1)
dB = np.random.normal(0, np.sqrt(dt), n)  # 独立增量
B = np.cumsum(np.concatenate([[0], dB]))  # 累积得到路径

plt.plot(t, B)
plt.title('布朗运动样本路径')
plt.xlabel('时间')
plt.ylabel('B(t)')
plt.grid(True)
plt.show()

这段代码的核心就两行：生成独立正态随机数，然后累加。布朗运动的本质就是这么简单——随机游走的连续版本。

1.3 布朗运动的三个关键性质

做量化交易，你不需要把布朗运动的数学推导全搞明白，但下面这三个性质必须刻在脑子里：

性质	数学表达	交易含义
鞅性	E[B(t) | F_s] = B(s)	未来期望等于当前值，无法预测方向
二次变分	[B, B](t) = t	路径的波动累积是确定的，可用来估计波动率
标度性	B(ct) ~ √c · B(t)	时间压缩等价于幅度缩放，可用于不同时间尺度

鞅性这条，说白了就是「没有免费的午餐」。如果资产价格是布朗运动，那任何基于历史价格的预测策略都是徒劳的。但现实市场不是完美的布朗运动，所以才有了统计套利的空间——我们就是在找那些偏离布朗运动行为的模式。

二次变分这条，我在做波动率交易时经常用到。它告诉我们，布朗运动的路径虽然随机，但累积的波动是确定的。这为波动率估计提供了理论基础。

1.4 几何布朗运动与资产价格

实际建模中，我们很少直接用普通布朗运动来描述价格。为什么？因为价格不能为负，而且收益率应该是相对变化而不是绝对变化。所以就有了几何布朗运动：

dS(t) = μS(t)dt + σS(t)dB(t)

这个公式看着复杂，其实意思很简单：

• μS(t)dt 是趋势项——价格有长期上涨或下跌的倾向
• σS(t)dB(t) 是随机项——价格围绕趋势上下波动
• 波动幅度跟当前价格成正比——价格越高，波动越大

我建议你记住它的解：

S(t) = S(0) · exp((μ - σ²/2)t + σB(t))

注意那个 -σ²/2 项。很多新手会忽略它，结果模拟出来的价格路径总是偏大。为什么会有这一项？因为对数收益率的期望和算术收益率的期望不一样，差的就是这个方差的一半。嗯，细节决定成败。

1.5 本章知识体系

下面这张图总结了布朗运动从物理到金融的核心逻辑：

这张图把布朗运动的脉络理清楚了。从左到右看，从物理现象到数学工具，再到金融应用。下面三个分支分别是关键性质、几何布朗运动和统计套利应用。整个体系的核心就一句话：布朗运动是随机性的数学刻画，是量化金融的底层语言。

我个人觉得，理解布朗运动最好的方式就是动手模拟。写几行代码，生成100条路径，看看它们的统计性质。你会发现，虽然每条路径都不同，但整体规律是确定的。这种「个体随机、整体确定」的思维，正是统计套利的哲学基础。