1. 随机过程基础：概率空间、随机变量、分布函数、期望与方差、条件期望
各位同学，欢迎来到《随机微分方程》的第一章。
说实话，每次开课讲这个章节，我都挺感慨的。因为很多人在学随机微分方程时，一上来就被伊藤引理、布朗运动这些硬核概念砸晕了。但以我个人的经验来看，真正决定你能不能学透这门课的，恰恰是今天这些「基础中的基础」——概率空间、随机变量、条件期望这些看似简单的东西。
我当年在量化交易团队做策略回测时，就吃过一次大亏。一个看似完美的期权定价模型，实盘跑了一周，亏了六位数。后来排查原因，发现是条件期望的迭代法则用错了——我把不同信息集下的期望混为一谈。嗯，从那以后，我再也不敢小瞧这些基础概念了。
核心观点：随机微分方程的本质，就是在概率空间的框架下，研究随机过程随时间演化的规律。今天的基础，决定了你未来能走多远。
1.1 概率空间：随机世界的舞台
我们先从最底层说起。你想想看，任何随机现象，都需要一个「舞台」来承载它。这个舞台，在数学上就叫概率空间。
概率空间由三部分组成：
- 样本空间 Ω：所有可能结果的集合。比如掷骰子，Ω = {1,2,3,4,5,6}
- 事件域 ℱ：Ω 的子集构成的集合，满足 σ-代数的性质。说白了，就是哪些事件我们可以讨论概率
- 概率测度 P：给每个事件分配一个 [0,1] 之间的数，满足可列可加性
我习惯把概率空间想象成一个「游戏规则说明书」。Ω 告诉你有哪些可能，ℱ 告诉你哪些情况可以下注，P 告诉你每种下注的胜率是多少。
避坑指南：我曾经在构建利率模型时，忽略了事件域 ℱ 的「信息累积」特性。在随机过程中，ℱ 会随时间不断扩张（即滤流），如果你忘记更新信息集，模型预测就会出偏差。这一点在后续学习鞅论时尤其重要。
1.2 随机变量：从样本到数字的映射
有了概率空间，我们还需要一个工具，把抽象的结果变成可以计算的数字。这就是随机变量。
随机变量 X 是一个函数：X: Ω → ℝ。它把每个样本点 ω 映射成一个实数 X(ω)。
举个例子：抛两枚硬币，Ω = {HH, HT, TH, TT}。定义随机变量 X = 正面朝上的次数。那么 X(HH)=2, X(HT)=1, X(TH)=1, X(TT)=0。
我个人觉得，理解随机变量的关键是：它本身不是随机的，随机的是样本点 ω。一旦 ω 确定了，X(ω) 就是一个确定的数。这个视角在后续理解随机过程时非常有用。
1.3 分布函数：随机变量的「身份证」
随机变量太抽象了，我们得有个办法描述它的行为。分布函数就是干这个的。
对于随机变量 X，它的累积分布函数（CDF）定义为：
F(x) = P(X ≤ x) = P({ω: X(ω) ≤ x})分布函数有几个重要性质：
- 单调不减：x₁ < x₂ ⇒ F(x₁) ≤ F(x₂)
- 右连续：lim_{x→a⁺} F(x) = F(a)
- 极限值：lim_{x→-∞} F(x) = 0, lim_{x→+∞} F(x) = 1
对于离散型随机变量，我们常用概率质量函数（PMF）；对于连续型，则用概率密度函数（PDF）。
实战经验：我在做资产收益率建模时，经常先画一下经验分布函数。如果尾部比正态分布厚很多，那就得考虑用 t 分布或者 Lévy 过程了。分布函数是建模的第一道安检。
1.4 期望与方差：随机变量的「重心」和「离散度」
期望和方差，大家应该很熟悉了。但在这里，我想强调它们在随机过程语境下的意义。
期望 E[X]：随机变量的加权平均，权重是概率。
- 离散型：E[X] = Σ x_i · P(X = x_i)
- 连续型：E[X] = ∫ x · f(x) dx
方差 Var(X)：衡量随机变量偏离期望的程度。
Var(X) = E[(X - E[X])²] = E[X²] - (E[X])²这里有个小细节，我当年踩过坑：期望的线性性质 E[aX + bY] = aE[X] + bE[Y] 永远成立，但方差不行。方差只有在 X 和 Y 不相关时才可加。在金融时间序列中，资产之间往往存在相关性，所以组合方差的计算一定要带上协方差项。
| 性质 | 期望 | 方差 |
|---|---|---|
| 线性性 | E[aX + b] = aE[X] + b | Var(aX + b) = a²Var(X) |
| 可加性 | E[X + Y] = E[X] + E[Y]（无条件） | Var(X + Y) = Var(X) + Var(Y) + 2Cov(X,Y) |
| 独立时 | E[XY] = E[X]E[Y] | Var(X + Y) = Var(X) + Var(Y) |
1.5 条件期望：基于信息的「最优预测」
条件期望是随机微分方程中最核心的概念之一。说白了，它回答的问题是：在已知某些信息的情况下，你对随机变量的最佳猜测是什么？
定义：给定事件 B（P(B) > 0），条件期望为：
E[X | B] = E[X · I_B] / P(B)更一般地，给定 σ-代数 𝒢 ⊆ ℱ，条件期望 E[X | 𝒢] 是满足以下两个条件的随机变量：
- 它是 𝒢-可测的（即只依赖于 𝒢 中的信息）
- 对任意 G ∈ 𝒢，有 ∫_G E[X | 𝒢] dP = ∫_G X dP
条件期望有几个非常重要的性质，在随机微分方程中会反复用到：
- 迭代法则（塔性质）：若 𝒢₁ ⊆ 𝒢₂，则 E[E[X | 𝒢₂] | 𝒢₁] = E[X | 𝒢₁]
- 提取已知量：若 Y 是 𝒢-可测的，则 E[YX | 𝒢] = Y · E[X | 𝒢]
- 独立性：若 X 与 𝒢 独立，则 E[X | 𝒢] = E[X]
⚠️ 重要提醒：条件期望是一个随机变量，不是常数！它依赖于你拥有的信息。我在做蒙特卡洛模拟时，经常看到新手把 E[X | ℱ_t] 当成一个确定的数来用，结果定价全错了。记住：信息集不同，条件期望就不同。
1.6 本章知识体系总览
为了让大家对本章内容有个整体把握，我画了一张结构图。你可以把它当作后续学习的「导航地图」。
1.7 小结与个人体会
这一章的内容，说难不难，说简单也不简单。难就难在，这些概念太基础了，基础到很多人觉得「我懂了」，但真正用起来才发现理解得不够深。
我个人的建议是：不要跳过任何一个定义。尤其是条件期望和 σ-代数，它们是随机微分方程的「语法」。语法没学好，后面写「句子」（伊藤公式、鞅表示定理）时就会漏洞百出。
还记得我开头说的那个亏了六位数的策略吗？后来我重新梳理了条件期望的迭代法则，发现是信息集 ℱ_t 的定义出了问题——我把 t 时刻已知的信息和 t+1 时刻的信息混在了一起。修复之后，模型就正常了。
所以，请认真对待这些基础。它们是你未来在量化金融领域「避坑」的护身符。
学习建议：学完本章后，试着用 Python 模拟一个简单的随机过程（比如抛硬币的累积和），然后手动计算它的条件期望 E[X_{t+1} | ℱ_t]。把抽象概念变成代码，理解会深很多。
公众号:蓝海资料掘金营，微信deep3321