3. 伊藤积分与伊藤引理：随机微积分的核心工具

说实话，刚接触随机微积分那会儿，我也挺懵的。普通微积分里，dx 是个无穷小量，可到了随机世界，布朗运动的 dB_t 却是个「野孩子」——它处处连续，却处处不可导。你想想看，一个连导数都没有的东西，我们怎么对它做积分？

嗯，这就是伊藤积分要解决的问题。我个人习惯把伊藤积分看作是「在噪声中做累加」的艺术。咱们做金融工程的，每天跟股票价格、利率曲线打交道，这些数据背后全是随机过程。没有伊藤积分，你连最基本的期权定价公式都推不出来。

3.1 从黎曼积分到伊藤积分

先回忆一下普通积分。黎曼积分是把区间 [a,b] 切成 n 份，在每个小区间里取个点 ξ_i，然后求和：

∫ f(x) dx ≈ Σ f(ξᵢ) · Δxᵢ

当 n → ∞，Δxᵢ → 0，这个和就收敛到积分值。关键在于，Δxᵢ 是确定性的，你取哪个 ξ_i 都无所谓，结果一样。

但换成随机过程就不一样了。假设我们要定义：

∫₀ᵗ X(s) dB(s)

这里的 dB(s) 是布朗运动的增量。布朗运动有个要命的性质——二次变差非零。说白了，就是 (ΔB)² 的量级跟 Δt 差不多，不会消失。这就导致积分结果跟你在小区间里取哪个点 ξ_i 有直接关系。

我在项目中遇到过有人把这两种积分混用，结果期权定价差了 5% 以上。嗯，这可不是小数目。

3.2 伊藤积分的定义与性质

伊藤积分取的是左端点。为什么？因为左端点代表「当前已知信息」——这在金融里叫适应性。你不能用未来的信息做今天的决策，对吧？

定义其实不复杂。先对简单过程下手：

设 X(t) 是简单过程，在 [tᵢ, tᵢ₊₁) 上取常数值 X(tᵢ)
则 ∫₀ᵗ X(s) dB(s) = Σ X(tᵢ) · (B(tᵢ₊₁) - B(tᵢ))

然后通过极限推广到一般过程。这里有个技术细节——被积函数必须满足平方可积条件：

E[∫₀ᵗ X²(s) ds] < ∞

这个条件保证了积分存在且有限。我刚开始做量化策略时，经常忽略这个条件，结果模拟出来的路径全炸了。后来养成了习惯，先检查平方可积性，再动手写代码。

伊藤积分有几个漂亮性质：

• 鞅性：E[∫₀ᵗ X dB] = 0，积分是个鞅
• 等距性：E[(∫₀ᵗ X dB)²] = E[∫₀ᵗ X² ds] —— 这叫伊藤等距
• 线性性：∫ (aX + bY) dB = a∫ X dB + b∫ Y dB

3.3 伊藤引理：随机世界的链式法则

普通微积分里，链式法则是 df(g(t)) = f'(g(t)) · g'(t) dt。但随机过程不行，因为 dB 的二次项 (dB)² 不消失。

伊藤引理给出了答案。假设 X(t) 服从伊藤过程：

dX = μ dt + σ dB

那么对于光滑函数 f(t, x)，有：

df = (∂f/∂t + μ·∂f/∂x + ½σ²·∂²f/∂x²) dt + σ·∂f/∂x dB

多出来的那项 ½σ²·∂²f/∂x² dt，就是随机微积分和普通微积分的本质区别。你想想看，布朗运动的二次变差非零，导致泰勒展开到二阶项时必须保留。

这个公式怎么记？我个人习惯这样理解：

1. 先写普通微分的链式法则：df = f_t dt + f_x dX
2. 把 dX = μ dt + σ dB 代入
3. 加上二阶修正项：½ f_xx (dX)²
4. 其中 (dX)² = σ² dt（因为 (dB)² → dt，交叉项 dt·dB → 0）

3.4 伊藤引理的应用：几何布朗运动

股票价格最经典的模型就是几何布朗运动：

dS = μS dt + σS dB

想求 S(t) 的显式解？用伊藤引理。令 f(t, S) = ln S，则：

∂f/∂t = 0, ∂f/∂S = 1/S, ∂²f/∂S² = -1/S²

代入伊藤引理：

d(ln S) = (0 + μS·1/S + ½σ²S²·(-1/S²)) dt + σS·1/S dB
        = (μ - ½σ²) dt + σ dB

积分得到：

ln S(t) = ln S(0) + (μ - ½σ²)t + σB(t)
S(t) = S(0) · exp((μ - ½σ²)t + σB(t))

你看，这就是对数正态分布。我在做期权定价时，这个公式几乎每天都要用。BS 公式里的 d₁、d₂，本质上就是从这推导出来的。

3.5 多维伊藤引理与协方差

实际投资组合里，资产不是孤立的。多个股票之间有相关性，这时候需要多维伊藤引理。

假设有两个相关布朗运动 B₁、B₂，相关系数为 ρ：

dB₁·dB₂ = ρ dt

对于 f(t, X₁, X₂)，其中 dXᵢ = μᵢ dt + σᵢ dBᵢ，有：

df = (∂f/∂t + Σ μᵢ·∂f/∂Xᵢ + ½ Σ Σ σᵢσⱼρᵢⱼ·∂²f/∂Xᵢ∂Xⱼ) dt + Σ σᵢ·∂f/∂Xᵢ dBᵢ

这个公式看着复杂，其实逻辑一样——就是泰勒展开到二阶，然后把 (dBᵢ)(dBⱼ) 换成 ρᵢⱼ dt。

我在做多资产组合优化时，协方差矩阵的估计就靠这个。你想想看，如果不懂多维伊藤引理，你连「资产 A 和资产 B 的联合动态」都描述不清楚，更别提做风险对冲了。

3.6 本章知识体系

下面这张图总结了伊藤积分与伊藤引理的核心逻辑：

3.7 小结与实用建议

伊藤积分和伊藤引理，说白了就是随机世界的「牛顿力学」。没有它们，你连最基础的 Black-Scholes 公式都推不出来，更别提做投资组合优化了。

给你几个实用建议：

• 写代码时：模拟随机过程一定要用左端点，步长取小一点（Δt ≤ 0.001）
• 推导公式时：永远记得检查二阶项，这是随机微积分和普通微积分唯一的区别
• 做实证时：先用伊藤引理推导出解析解，再用蒙特卡洛验证，两个结果对得上才算靠谱

嗯，这一章的内容就到这儿。记住，随机微积分不是洪水猛兽，它只是比普通微积分多了一个「二阶修正」。你掌握了这个核心思想，后面的内容就会顺畅很多。

---

公众号:蓝海资料掘金营，微信deep3321