第一章：SDE基础与金融直觉

1.1 随机过程回顾

做量化这些年，我最大的感触就是——金融市场本质上就是个随机过程。你想想看，价格波动、成交量变化、波动率聚集，哪一样不是随机的？

随机过程，说白了就是一组按时间排列的随机变量。用数学语言说：{X(t), t ∈ T}，其中每个X(t)都是一个随机变量。嗯，这里要注意，时间可以是离散的，也可以是连续的。

我个人习惯把随机过程分成几类来理解：

• 马尔可夫过程：未来只取决于现在，跟过去无关。我在做高频策略时经常用这个假设——虽然不完全成立，但够用。
• 鞅：未来期望等于当前值。说白了就是“公平游戏”。有效市场假说下，价格应该是个鞅。
• 维纳过程：连续时间版的随机游走。布朗运动就是它的物理原型。

1.2 布朗运动与伊藤引理

布朗运动W(t)有三个关键性质：

1. W(0) = 0
2. 增量独立且服从正态分布：W(t) - W(s) ~ N(0, t-s)
3. 路径连续但处处不可微

第三条很有意思。我曾经在给团队讲课时问过：“为什么布朗运动不可微？” 答案其实很直观——如果可微，你就能预测下一秒的走势，那还做什么量化？

伊藤引理是随机微积分的核心工具。它告诉我们：如果X(t)服从一个SDE，那么f(X(t), t)的微分是什么。

# 伊藤引理的标准形式
# 若 dX = μ dt + σ dW
# 则 df = (∂f/∂t + μ ∂f/∂x + ½ σ² ∂²f/∂x²) dt + σ ∂f/∂x dW

这个公式里最特别的是那个½ σ² ∂²f/∂x²项。它来自布朗运动的二次变分——说白了，布朗运动在无穷小时间内的波动幅度是dt量级的，不能忽略。

1.3 SDE的直观理解

随机微分方程长这样：

dX(t) = μ(X,t) dt + σ(X,t) dW(t)

拆开来看：

• dt项（漂移项）：确定性的趋势。比如股票的平均收益率。
• dW项（扩散项）：随机波动。代表市场噪音。

我曾经犯过一个错误——把漂移项设得太大，结果回测曲线漂亮得不像真的。后来才发现，那只是过拟合了历史趋势。嗯，避坑指南来了：

常见的SDE模型：

模型	SDE形式	应用场景
几何布朗运动	dS = μS dt + σS dW	股票价格、指数
Ornstein-Uhlenbeck	dX = θ(μ-X) dt + σ dW	均值回归策略、利率
Cox-Ingersoll-Ross	dr = a(b-r) dt + σ√r dW	短期利率模型

1.4 金融中的随机性来源

金融市场的随机性从哪来？我总结了几个主要来源：

• 信息流：新闻、财报、政策——这些事件的发生时间和影响都是随机的。
• 订单流：买卖双方的博弈，本质上是个随机过程。
• 流动性：买卖价差、深度变化，这些微观结构因素引入额外随机性。
• 情绪：市场参与者的非理性行为，增加了价格波动的复杂性。

你想想看，如果市场是完全确定的，那量化交易就变成了解微分方程。但现实是，我们永远无法完全预测价格走势——这就是随机性存在的意义。

知识体系总览

这张图概括了本章的核心知识结构。从随机过程基础出发，到布朗运动和伊藤引理，再到SDE的直观理解，最后落地到金融中的随机性来源——这是一个从理论到实践的完整链条。

---

公众号:蓝海资料掘金营，微信deep3321