3. 布朗运动：从定义到性质，再到量化实战
聊到随机微分方程，布朗运动是绕不开的基石。说实话，我当年刚接触这个主题时，觉得布朗运动不就是花粉在水里乱飘吗？后来在量化交易项目中，我才真正体会到——它其实是整个随机分析大厦的地基。
这一节，我们就把布朗运动掰开揉碎。从定义出发，看看它的样本路径长什么样，再聊聊那个让无数人头疼的「变差性质」。嗯，准备好了吗？
3.1 布朗运动的定义
先给个严谨的定义。一个随机过程 B(t) 被称为标准布朗运动（也叫维纳过程），如果它满足：
- 起点为零：B(0) = 0 几乎必然成立。
- 独立增量：对任意 0 ≤ s < t，增量 B(t) - B(s) 与过去的历史 {B(u): u ≤ s} 独立。
- 正态增量：B(t) - B(s) ~ N(0, t-s)，即均值为0，方差等于时间差。
- 连续路径：样本路径 t → B(t) 几乎必然连续。
说白了，布朗运动就是一个「每一步都随机、但整体有规律」的连续过程。我在做期权定价模型时，经常用这个性质来模拟资产价格路径——你想想看，如果增量不独立，那历史数据就能预测未来，市场就不有效了。
核心要点：布朗运动的增量方差与时间间隔成正比。这意味着时间拉得越长，不确定性越大。量化交易中，这个性质直接决定了我们如何估计波动率。
3.2 样本路径的连续性
布朗运动的路径是连续的，但处处不可导。这句话听起来有点矛盾，对吧？
连续好理解——定义里就说了。但为什么不可导？我举个例子：导数本质上是增量除以时间间隔的极限。对于布朗运动，B(t+Δt) - B(t) 的量级是 √(Δt)，所以比值 ΔB/Δt 的量级是 1/√(Δt)。当 Δt → 0 时，这个比值会趋于无穷大。所以导数不存在。
我在项目中遇到过这样一个坑：有次用欧拉法模拟布朗运动路径，步长设得不够小，结果计算出的「导数」看起来还挺平滑。但实际上，真正的布朗运动路径是「毛茸茸」的——放大看，处处都是锯齿。
个人经验：做蒙特卡洛模拟时，我建议至少取1000个时间步以上，才能看到布朗运动路径的「粗糙感」。步长太大，模拟结果会严重偏离理论值。
3.3 布朗运动的变差性质
这部分是重点，也是很多人容易搞混的地方。我们聊聊三种变差：
3.3.1 总变差
总变差衡量的是路径的「总波动幅度」。对于布朗运动，在有限区间上的总变差几乎是无穷大。这意味着什么？路径来回震荡得太厉害了，你根本没法用「总长度」来衡量它。
我曾经在写高频交易策略时，想用总变差来刻画价格的「活跃度」。结果发现这个指标根本不稳定——随着采样频率增加，总变差会无限增长。后来才意识到，这就是布朗运动的本质特征。
3.3.2 二次变差
二次变差才是布朗运动的核心。定义如下：
设划分 0 = t₀ < t₁ < ... < tₙ = T
二次变差 = lim Σ [B(tᵢ) - B(tᵢ₋₁)]² 当 max|Δtᵢ| → 0对于标准布朗运动，二次变差几乎必然等于 T。这个结论太重要了——它告诉我们，布朗运动的平方波动是「可预测」的。
量化含义：在金融中，二次变差对应着「已实现方差」。如果你用高频数据计算收益率的平方和，得到的就是波动率的估计。这就是为什么我们能用历史数据来校准模型。
3.3.3 三次及更高阶变差
对于布朗运动，三次及以上的变差都为零。这其实是个好消息——意味着我们只需要关注到二阶项就够了。伊藤引理的核心思想，就是基于这个性质。
| 变差阶数 | 布朗运动的结果 | 量化意义 |
|---|---|---|
| 一阶（总变差） | 无穷大 | 路径太粗糙，无法直接度量 |
| 二阶（二次变差） | 等于时间 T | 波动率可预测，用于风险管理 |
| 三阶及以上 | 为零 | 高阶项可忽略，简化模型 |
避坑指南：我曾经在写SDE数值解时，忽略了二次变差的非零性质，直接用普通微积分的链式法则去处理随机项。结果模型完全不对。记住：布朗运动的微分 dB 的量级是 √(dt)，不是 dt！
3.4 知识体系总览
下面这张图，把布朗运动的核心逻辑串起来了。我建议你多看几遍，理解每个概念之间的关联。
3.5 小结与思考
布朗运动看起来简单，但它的性质深刻影响了整个随机分析领域。我个人觉得，理解二次变差是学好SDE的关键——它告诉我们，随机世界和确定性世界的「微积分」是不一样的。
你在做量化模型时，不妨多想想：你的资产价格真的符合布朗运动吗？实际数据中，收益率的分布往往有厚尾，波动率也会聚集。但布朗运动作为起点，给了我们一个强大的分析框架。
一个小练习：用Python生成1000条布朗运动路径，计算每条路径的二次变差，看看是否接近时间T。你会发现，路径数越多，平均值越稳定——这就是大数定律在起作用。
公众号:蓝海资料掘金营，微信deep3321