2. 维纳过程：布朗运动的数学定义与性质

聊布朗运动之前，我先问个问题：你见过花粉在水面上乱飘吗？1827年，植物学家布朗在显微镜下看到了这个现象。他当时肯定没想到，一百多年后，这玩意儿会成为量化金融的基石。

我个人做统计套利这些年，布朗运动几乎天天打交道。说白了，它就是随机游走的连续版本。但数学上怎么定义它？咱们一步步来。

2.1 维纳过程的严格定义

维纳过程，也叫标准布朗运动。记作 W(t)，它满足三条性质：

1. 起点为零：W(0) = 0，概率为1。
2. 独立增量：对任意 0 ≤ s < t，增量 W(t) - W(s) 与过去的历史无关。
3. 正态增量：W(t) - W(s) ~ N(0, t - s)。

嗯，这里要注意第三条。方差等于时间差，不是时间本身。这意味着什么？时间越长，不确定性越大，但增长是线性的。

2.2 样本路径的诡异性质

你想想看，如果一条路径处处连续，但处处不可导，那是什么感觉？维纳过程就是这样。

我记得刚入行时，用Python模拟了几条路径，盯着屏幕看了半天。明明每一步都很小，但放大看还是锯齿状。这就是分形的味道。

具体来说，维纳过程有这些性质：

• 连续性：路径几乎必然连续。没有跳跃。
• 不可导性：几乎处处不可导。变化太剧烈了。
• 二次变分：在 [0, T] 上的二次变分等于 T，几乎必然。

二次变分这个概念，做量化的人必须吃透。它直接关系到伊藤引理，而伊藤引理又是期权定价的数学基础。

2.3 模拟维纳过程

光说不练假把式。咱们用Python模拟一下。

import numpy as np
import matplotlib.pyplot as plt

def simulate_wiener(T, N):
    """
    模拟标准维纳过程
    T: 总时间
    N: 时间步数
    """
    dt = T / N
    # 生成正态随机增量
    dW = np.random.normal(0, np.sqrt(dt), N)
    # 累加得到路径
    W = np.cumsum(dW)
    # 包含起点
    W = np.insert(W, 0, 0)
    return W

# 模拟三条路径
T = 1.0
N = 1000
time = np.linspace(0, T, N+1)

plt.figure(figsize=(10, 6))
for i in range(3):
    W = simulate_wiener(T, N)
    plt.plot(time, W, label=f'路径 {i+1}')

plt.title('维纳过程样本路径')
plt.xlabel('时间')
plt.ylabel('W(t)')
plt.legend()
plt.grid(True)
plt.show()

这段代码我用了无数次。注意 np.sqrt(dt) 这个细节。标准差是根号下时间步长，不是时间步长本身。我曾经见过有人写错这个，结果模拟出来的路径方差完全不对。

2.4 维纳过程的变体

实际交易中，我们很少直接用标准维纳过程。更多是用它的变体：

名称	定义	用途
算术布朗运动	X(t) = μt + σW(t)	价差建模（短期）
几何布朗运动	S(t) = S(0) exp((μ - σ²/2)t + σW(t))	股票价格建模
带漂移的维纳过程	X(t) = μt + σW(t)	趋势性价差

做统计套利时，我习惯用算术布朗运动来建模价差。为什么？因为价差通常围绕零均值波动，没有几何增长的特性。但要注意，算术布朗运动允许负值，这对价差来说没问题，对股价就不行。

2.5 知识体系总览

下面这张图，是我自己总结的维纳过程知识结构。每次带新人时，我都会先让他们看这个。

这张图把维纳过程的定义、性质、变体和应用串起来了。你顺着箭头看，就能理解为什么我们要学这些数学概念——最终都是为了服务交易策略。

2.6 几个容易踩的坑

最后，分享几个我实战中遇到的坑：

• 时间单位搞错：维纳过程的方差是时间差，不是步数。如果你用日数据，时间差是1/252（年化），不是1。
• 误以为路径可预测：维纳过程是鞅，未来增量与过去无关。别想着用历史路径预测未来方向。
• 忽略数值稳定性：模拟时步长太小，浮点误差会累积。我一般用双精度，步数不超过10000。

---

公众号:蓝海数据掘金营，微信deep3321