2. 随机过程定义：从概念到分类
好，咱们今天来聊聊随机过程。说实话，这个概念刚接触时挺抽象的。我当年学的时候，老师一上来就扔定义，搞得我云里雾里。后来做量化交易项目，才真正体会到——随机过程就是描述「随时间演化的不确定性」的数学工具。
你想想看，股票价格、利率波动、交易量变化，哪个不是随时间变化的随机现象？随机过程就是用来建模这类问题的。
2.1 随机过程的概念
先给个正式定义：随机过程是一族随机变量 {X(t), t ∈ T}，其中 t 是参数（通常表示时间），T 是指标集。对于每个固定的 t，X(t) 是一个随机变量。
说白了，随机过程就是「带时间戳的随机变量集合」。我习惯把它想象成：你在每个时间点抛一次骰子，记录结果，连起来就是一条路径。但随机过程不是一条路径，而是所有可能路径的集合。
关键理解：
- 固定 t → X(t) 是随机变量
- 固定 ω（样本点）→ X(t, ω) 是样本路径（一条实现）
- 两者都变 → 完整的随机过程
我在做高频交易策略回测时，经常需要生成多条价格路径来测试策略的鲁棒性。每条路径就是随机过程的一个样本实现。嗯，这里要注意：单条路径不能代表整个过程，你得看统计特性。
2.2 有限维分布
怎么描述一个随机过程？直接给所有时间点的联合分布？那太复杂了，无限维的东西没法处理。
所以有了有限维分布的概念：对于任意有限个时间点 t₁, t₂, ..., tₙ，考虑随机向量 (X(t₁), X(t₂), ..., X(tₙ)) 的联合分布。这些有限维分布的集合，就完全刻画了随机过程的统计特性。
举个例子，对于标准布朗运动 {W(t)}：
- 一维分布：W(t) ~ N(0, t)
- 二维分布：(W(s), W(t)) 服从二维正态分布，协方差为 min(s, t)
- n 维分布：任意有限维都是多元正态分布
实用技巧：在量化建模中，我们通常只关心一维和二维分布。比如期权定价只需要知道资产价格的边际分布和相关性结构。我曾经花了两周时间试图拟合一个五维分布，最后发现二维就够用了——别过度复杂化。
2.3 随机过程的分类
随机过程种类繁多，但有三类最常用：平稳过程、马尔可夫过程、鞅。我按自己的理解给你捋一捋。
2.3.1 平稳过程
定义：如果随机过程的统计特性不随时间平移而改变，就称为平稳过程。
有两种：
- 严平稳：所有有限维分布对时间平移不变。要求太强，实际很少用。
- 宽平稳（弱平稳）：均值恒定，协方差只依赖于时间差。这才是工程和金融中的主力。
宽平稳的条件：
E[X(t)] = μ (常数)
Cov(X(t), X(t+τ)) = γ(τ) (只与τ有关)我在做波动率建模时，经常先检验数据的平稳性。如果数据非平稳，差分或取对数收益率是常用处理手段。记得有一次，我直接对非平稳的原始价格序列建模，结果模型预测一塌糊涂——嗯，这个坑我替你踩过了。
注意：金融资产价格通常非平稳，但收益率序列往往是平稳的。千万别把价格当平稳过程处理，否则你的模型会「飘」。
2.3.2 马尔可夫过程
定义：未来只依赖于现在，与过去无关。数学上：
P(X(tₙ) ≤ x | X(t₁), ..., X(tₙ₋₁)) = P(X(tₙ) ≤ x | X(tₙ₋₁))这就是所谓的「无后效性」或「马尔可夫性」。你想想看，这其实很符合直觉：明天的股价只取决于今天的价格，跟昨天怎么涨上来的没关系。
马尔可夫过程在量化金融中无处不在：
- 几何布朗运动（GBM）是马尔可夫过程，用于BS期权定价模型
- Heston随机波动率模型也是马尔可夫的（状态包括价格和波动率）
- 离散时间的马尔可夫链用于信用评级迁移
我个人习惯用马尔可夫性来简化问题。比如做回测时，如果策略只依赖当前状态，那计算效率会高很多。我曾经优化过一个策略，把状态空间从三维压缩到一维，速度提升了10倍。
2.3.3 鞅
定义：一个随机过程 {M(t)} 如果满足：
E[|M(t)|] < ∞
E[M(t) | ℱₛ] = M(s), 对所有 s < t翻译成人话：给定当前信息，未来期望值等于当前值。也就是说，鞅是「公平游戏」——没有趋势，不可预测。
鞅在金融中极其重要：
- 在风险中性测度下，折现后的资产价格是鞅
- 这是无套利定价的理论基础
- 布朗运动本身是鞅（也是马尔可夫过程）
三类过程的关系：
- 独立增量过程 → 马尔可夫过程
- 独立增量过程 + 均值为零 → 鞅
- 平稳过程 ≠ 马尔可夫过程 ≠ 鞅
- 布朗运动：既是马尔可夫过程，又是鞅，还是独立增量过程
我记得刚学鞅时，总觉得这个概念太抽象。直到做衍生品定价，发现所有定价公式本质上都在找「某个测度下的鞅表示」——那一刻才恍然大悟。说白了，鞅就是金融定价的「锚」。
2.4 知识体系总览
下面这张图总结了本章的核心逻辑，我建议你多看几遍，把概念之间的关系理清楚：
2.5 实际应用中的选择
做量化建模时，怎么选？我分享点实战经验：
| 问题类型 | 推荐过程 | 原因 |
|---|---|---|
| 期权定价 | 马尔可夫过程（GBM） | 定价只依赖当前价格和波动率 |
| 风险管理 | 平稳过程（GARCH） | 需要稳定的统计特性做VaR计算 |
| 无套利定价 | 鞅（风险中性测度下） | 定价核心：折现价格是鞅 |
| 高频交易 | 半鞅（含漂移项的鞅） | 允许可预测的短期趋势 |
我的建议：刚开始别纠结于理论完备性。先搞清楚你的数据有什么特性，再选合适的过程。比如做股票建模，先检验收益率是否平稳，再决定用GARCH还是随机波动率模型。我曾经在非平稳数据上硬套平稳模型，结果模型诊断全红——教训深刻。
好了，这一章就到这里。随机过程的概念和分类是后续所有内容的基础，尤其是马尔可夫过程和鞅，后面讲随机积分和伊藤引理时会反复用到。建议你把这三类过程的定义和关系记牢，后面会轻松很多。