第4章几何布朗运动

4. 几何布朗运动：股票价格建模的标准范式

聊到股票价格建模，绕不开的一个概念就是几何布朗运动。说实话，我刚入行那会儿，觉得这名字挺唬人的。什么「几何」？什么「布朗运动」？不就是个随机过程嘛。

但后来我在实盘里吃过亏。有一次用普通布朗运动去模拟某只股票的路径，结果价格跑出了负数。你想想看，股票价格怎么可能为负？那次之后，我才真正理解了为什么业界都用几何布朗运动——它保证了价格始终为正。

4.1 为什么是几何布朗运动？

普通布朗运动（也叫算术布朗运动）的公式是：

dS = μ dt + σ dW

这里 S 是价格，μ 是漂移率，σ 是波动率，dW 是维纳过程增量。问题在哪？价格变化是绝对的，不是相对的。比如股价从 100 跌到 90，和从 10 跌到 0，绝对跌幅都是 10，但意义完全不同。

几何布朗运动改成了相对变化：

dS / S = μ dt + σ dW

说白了，就是价格的变化率服从布朗运动。这样价格永远大于零，而且波动幅度会随着价格水平调整。嗯，这里要注意：这个假设在大多数情况下成立，但遇到极端行情时也会失效。

4.2 核心公式与推导

把上面的式子改写一下：

dS = μ S dt + σ S dW

这是一个随机微分方程。它的解析解是：

S(t) = S(0) * exp((μ - σ²/2)t + σ W(t))

我个人习惯把这个公式记成三部分：

S(0)：初始价格，起点
exp((μ - σ²/2)t)：确定性趋势，注意有个 σ²/2 的修正项
exp(σ W(t))：随机扰动，布朗运动驱动

为什么会有 σ²/2？我在项目中遇到过不少新手直接忽略这个修正项，结果模拟出来的期望值偏大。其实这是伊藤引理的结果，简单理解就是：波动本身会拖累价格的长期增长率。

4.3 参数估计：μ 和 σ 怎么算？

实际应用中，我们通常用历史数据来估计这两个参数。方法很简单：

计算每日对数收益率：r_i = ln(S_i / S_{i-1})
计算 r_i 的均值 μ_hat 和标准差 σ_hat
年化处理：μ_annual = μ_hat * 252，σ_annual = σ_hat * sqrt(252)

这里有个坑。我曾经用 5 年的日数据去估计某只股票的波动率，结果发现 σ 在不同时间段差异很大。后来我改用滚动窗口估计，才勉强捕捉到波动率的时变性。

注意：历史波动率是向后看的。用它预测未来，相当于开车只看后视镜。建议结合隐含波动率一起使用。

4.4 代码实现：模拟股票价格路径

下面是我常用的模拟代码。你直接复制就能跑：

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: 年化收益率
        sigma: 年化波动率
        T: 时间长度（年）
        N: 时间步数
        n_paths: 模拟路径数
    """
    dt = T / N
    # 生成布朗运动增量
    dW = np.random.normal(0, np.sqrt(dt), (n_paths, N))
    # 计算价格路径
    S = np.zeros((n_paths, N+1))
    S[:, 0] = S0
    
    for t in range(1, N+1):
        S[:, t] = S[:, t-1] * np.exp(
            (mu - 0.5 * sigma**2) * dt + sigma * dW[:, t-1]
        )
    
    return S

# 示例：模拟苹果股票
S0 = 150.0      # 当前价格
mu = 0.12       # 预期年化收益 12%
sigma = 0.25    # 年化波动率 25%
T = 1.0         # 模拟 1 年
N = 252         # 每日数据

paths = simulate_gbm(S0, mu, sigma, T, N, n_paths=5)

# 画图
plt.figure(figsize=(10, 6))
for i in range(5):
    plt.plot(paths[i], lw=1.5, alpha=0.8)
plt.title('几何布朗运动模拟 - 5条路径')
plt.xlabel('交易日')
plt.ylabel('价格')
plt.grid(True, alpha=0.3)
plt.show()

小技巧：模拟时建议先用少量路径测试参数是否合理。我一般先跑 100 条路径，看看价格范围是否在可接受区间内。

4.5 几何布朗运动的局限性

任何模型都有假设，几何布朗运动也不例外。我总结了几条：

假设	现实问题	影响
波动率恒定	实际波动率会聚集	低估尾部风险
收益率正态分布	实际有尖峰厚尾	极端事件概率被低估
连续交易	市场有开盘收盘	跳跃风险被忽略
无交易成本	实际有滑点和手续费	高频策略失效

你想想看，如果这些假设都成立，那交易也太简单了。现实是，几何布朗运动只是一个起点。我在做统计套利时，通常用它做基准模型，然后加上跳跃扩散项或者随机波动率来改进。

4.6 在统计套利中的应用

几何布朗运动在统计套利里主要干两件事：

生成模拟数据：测试配对交易策略时，用 GBM 生成合成价格序列
计算理论价格：比如期权定价中的 Black-Scholes 模型就基于 GBM

我记得有一次做 ETF 配对交易，需要估计两个标的的协整关系。我先用 GBM 模拟了 10000 条路径，然后计算协整系数的分布。虽然最终实盘效果一般，但至少让我对参数的不确定性有了直观认识。

  核心要点：几何布朗运动是股票价格建模的基石。它简单、直观、有解析解。但别把它当真理，它只是一个有用的近似。

好了，这一章就到这里。记住：模型是地图，不是 territory。用 GBM 做分析时，时刻问自己——如果现实偏离了假设，我的结论还站得住吗？

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录

4. 几何布朗运动：股票价格建模的标准范式

4.1 为什么是几何布朗运动？

4.2 核心公式与推导

4.3 参数估计：μ 和 σ 怎么算？

4.4 代码实现：模拟股票价格路径

4.5 几何布朗运动的局限性

4.6 在统计套利中的应用