1. SDE基础：随机过程与布朗运动，伊藤引理入门，几何布朗运动

大家好，欢迎来到这门课的第一章。说实话，随机微分方程（SDE）这玩意儿，刚接触时确实有点劝退。我当年第一次看到伊藤引理，脑子里就一个想法：「这公式是认真的吗？」

但别急。咱们一步步来。这一章，我会带你从最基础的随机过程讲起，一直推到几何布朗运动。嗯，这些都是后面给路径依赖期权定价的基石。

1.1 随机过程：从确定性到不确定性

先问个问题：普通微分方程描述的是什么？是确定性。比如你知道一个物体的速度，就能算出它的位置。但金融市场呢？你永远不知道明天股价是多少。

所以我们需要随机过程。说白了，就是一个随时间变化的随机变量。你想想看，股价走势图，不就是一条随机过程吗？

定义上，随机过程 {X(t), t ≥ 0} 是一族随机变量。每个时间点 t，都有一个随机变量 X(t)。

1.2 布朗运动：随机性的基石

布朗运动，也叫维纳过程，记作 W(t) 或 B(t)。这是所有SDE的「发动机」。

我记得第一次在实验室用显微镜看花粉颗粒的布朗运动，那种无规则的抖动，跟股价走势简直一模一样。

布朗运动有三个关键性质：

• W(0) = 0：从原点出发
• 独立增量：不相交的时间段，增量相互独立
• 正态增量：W(t) - W(s) ~ N(0, t-s)

为什么会这样？因为金融市场里的「新信息」是随机到达的，而且彼此独立。布朗运动完美模拟了这种特性。

1.3 伊藤引理入门：随机微积分的链式法则

好，重点来了。普通微积分里，我们有链式法则：df = f'(x) dx。但在随机世界里，事情没那么简单。

为什么？因为布朗运动的二次变分不为零。你想想看，(dW)^2 = dt，这个关系在普通微积分里根本不存在。

伊藤引理给出了答案：

设 X(t) 满足 dX = μ dt + σ dW
对于函数 f(t, X)，有：

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

注意那个 ½σ²·∂²f/∂x² 项。这就是随机微积分和普通微积分的本质区别。我刚开始学的时候，总觉得这多出来的一项很诡异。后来做期权定价项目，发现没有这一项，价格全算错。

1.4 几何布朗运动：股价建模的标配

几何布朗运动（GBM）是金融里最常用的股价模型。它的SDE形式是：

dS = μS dt + σS dW

这里 μ 是漂移率（预期收益率），σ 是波动率。注意，扩散项是 σS，不是 σ。这意味着波动率与股价成正比——股价越高，波动越大。这符合直觉。

用伊藤引理，我们可以解出GBM的解析解：

令 f = ln S
则 df = (μ - ½σ²) dt + σ dW

积分得：S(t) = S(0) · exp[(μ - ½σ²)t + σW(t)]

你看，股价服从对数正态分布。这就是为什么我们常说「收益率正态，价格对数正态」。

1.5 本章知识体系

下面这张图，是我自己梳理的本章知识结构。建议你保存下来，学完本章后再回来看一遍，会更有感觉。

1.6 本章小结

这一章，我们走完了从随机过程到几何布朗运动的完整路径。你想想看，其实核心就三件事：

1. 布朗运动是随机性的源头
2. 伊藤引理是随机微积分的核心工具
3. 几何布朗运动是股价建模的起点

我个人习惯，每次做新模型前，都会先跑一遍GBM的蒙特卡洛模拟，看看路径长什么样。这能帮你建立直觉。嗯，下一章我们会深入蒙特卡洛方法，到时候你就知道为什么我说「先跑一遍」这么重要了。

---