第3章随机过程入门

第3章：随机过程入门：随机游走、布朗运动、伊藤引理简介

各位同学，欢迎来到随机过程的世界。

说实话，金融数学里最让我着迷的部分，就是随机过程。它不像微积分那样“确定”，而是充满了不确定性。你想想看，股票价格明天是涨是跌？没人知道。但随机过程给了我们一套工具，去描述这种不确定性，甚至用它来定价。

我个人习惯把这一章看作是“从离散到连续”的桥梁。我们从最简单的随机游走开始，一步步走到布朗运动，最后引出那个让无数金融人头疼又不得不爱的伊藤引理。嗯，别怕，跟着我走一遍，你会发现它其实挺有意思的。

3.1 随机游走：离散时间下的“醉汉”

随机游走，说白了就是一个醉汉走路。他每走一步，方向完全随机，向左或向右的概率各一半。

在金融里，我们用它来模拟资产价格在极短时间内的变化。比如，假设当前股价是100元，下一秒它可能涨1元，也可能跌1元，概率各50%。这就是一个最简单的随机游走模型。

核心定义：

设 \( S_0 \) 为初始价格，每一步的步长为 \( \Delta t \)，价格变化为 \( \Delta S \)。那么：

\( S_{t+1} = S_t + \epsilon_t \cdot \sigma \cdot \sqrt{\Delta t} \)

其中 \( \epsilon_t \) 是随机变量，取 +1 或 -1，概率各为 0.5。\( \sigma \) 是波动率，控制步长大小。

我在项目中遇到过一个问题：直接用随机游走模拟长期股价，结果价格会“飘”到负值去。这显然不合理。为什么？因为真实股价有“均值回复”特性，而随机游走没有。所以，随机游走只适合做短期模拟，比如高频交易中的 tick 级数据。

避坑指南：

我曾经用随机游走模拟期权价格路径，结果发现模拟次数不够时，价格路径会严重偏离理论值。后来我意识到，随机游走需要大量模拟（至少10万次）才能收敛到稳定结果。记住：样本量不够，结论就是扯淡。

3.2 布朗运动：连续时间的“醉汉”

随机游走是离散的，每一步都有明确的步长。但真实世界的时间是连续的。怎么办？我们把步长无限缩小，时间间隔无限缩短，就得到了布朗运动。

布朗运动，也叫维纳过程，是随机游走在连续时间下的极限。它有几个关键性质：

独立增量： 不同时间段的增量是独立的。也就是说，过去的价格变化不影响未来的变化。
正态增量： 任何时间段的增量服从正态分布，均值为0，方差等于时间长度。
连续路径： 路径是连续的，但处处不可导。嗯，这很反直觉，但确实如此。

数学上，布朗运动 \( W_t \) 满足：

\( dW_t \sim N(0, dt) \)

也就是说，在无穷小的时间 \( dt \) 内，布朗运动的变化是一个均值为0、方差为 \( dt \) 的正态随机变量。

注意： 布朗运动的路径虽然连续，但极其“崎岖”。你放大看，它还是崎岖的。这就是为什么它处处不可导。我刚开始学的时候，总觉得这违背直觉，但后来做量化回测时发现，真实股价的波动确实如此——你永远无法预测下一秒的精确方向。

下面我用一个简单的 SVG 图来展示随机游走和布朗运动的区别。这张图是我自己画的，帮你直观理解两者的关系。

你看，红色虚线是随机游走，每一步都是跳跃的。蓝色实线是布朗运动，路径连续但依然波动剧烈。两者本质相同，只是布朗运动是随机游走的“光滑版”。

3.3 伊藤引理：随机微积分的“链式法则”

好了，现在我们有布朗运动了。但问题来了：如果股价 \( S_t \) 是布朗运动的函数，比如 \( S_t = e^{W_t} \)，我们怎么求它的微分？

普通微积分告诉我们，\( d(e^{W_t}) = e^{W_t} dW_t \)。但这是错的！因为布朗运动的二次变分不为零。这就是伊藤引理登场的地方。

伊藤引理（核心公式）：

设 \( X_t \) 是一个伊藤过程：\( dX_t = \mu dt + \sigma dW_t \)

对于函数 \( f(t, X_t) \)，其微分满足：

\( df = \left( \frac{\partial f}{\partial t} + \mu \frac{\partial f}{\partial x} + \frac{1}{2} \sigma^2 \frac{\partial^2 f}{\partial x^2} \right) dt + \sigma \frac{\partial f}{\partial x} dW_t \)

注意那个 \( \frac{1}{2} \sigma^2 \frac{\partial^2 f}{\partial x^2} \) 项，这就是随机微积分和普通微积分的区别。

为什么会有这一项？因为布朗运动的二次变分 \( (dW_t)^2 = dt \)，不是0。这在普通微积分里是不可想象的。我个人习惯把这个项叫做“凸性调整项”，它反映了函数的曲率对随机性的放大效应。

举个例子。假设股价 \( S_t \) 服从几何布朗运动：

\( dS_t = \mu S_t dt + \sigma S_t dW_t \)

我们想求 \( f(S_t) = \ln S_t \) 的微分。用伊藤引理：

设 f = ln S
则 ∂f/∂t = 0
∂f/∂S = 1/S
∂²f/∂S² = -1/S²

代入伊藤引理：
df = (0 + μS * (1/S) + 0.5 * σ²S² * (-1/S²)) dt + σS * (1/S) dW_t
   = (μ - 0.5σ²) dt + σ dW_t

所以 d(ln S) = (μ - 0.5σ²) dt + σ dW_t

你看，对数价格的变化率不是 \( \mu \)，而是 \( \mu - 0.5\sigma^2 \)。这个 \( -0.5\sigma^2 \) 就是伊藤引理带来的修正。我在做期权定价时，经常用这个公式来模拟对数正态分布的价格路径，比直接模拟价格稳定得多。

实战经验：

我曾经在写蒙特卡洛模拟代码时，忘了加这个 \( -0.5\sigma^2 \) 项，结果模拟出来的期权价格总是偏高。后来排查了半天，才发现是伊藤引理没用好。记住：在随机世界里，直觉往往靠不住，公式才是真理。

3.4 三者关系：一张图说清楚

为了帮你理清思路，我画了一张知识结构图。它展示了随机游走、布朗运动和伊藤引理之间的逻辑链条。

从这张图你可以看到：随机游走是基础，布朗运动是它的连续极限，而伊藤引理则是处理布朗运动函数的数学工具。三者层层递进，最终服务于期权定价和风险管理。

3.5 小结与避坑

这一章的内容，说白了就是三句话：

随机游走是离散的醉汉，布朗运动是连续的醉汉。
伊藤引理是随机微积分的核心，别忘了那个 \( \frac{1}{2} \sigma^2 \) 项。
所有金融模型，从BSM到Heston，都离不开这三者。

最后提醒： 我见过太多初学者，一上来就背伊藤引理的公式，却不知道它从哪来、为什么。结果一到实际应用就出错。我的建议是：先理解随机游走和布朗运动的物理意义，再去看伊藤引理。地基打牢了，楼才不会塌。

好了，这一章就到这里。记住，随机过程不是洪水猛兽，它只是描述不确定性的语言。多用、多练、多犯错，你自然就懂了。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录