一、随机过程基础：概率空间与σ-代数、随机变量与分布函数、条件期望与鞅、布朗运动的定义与性质

各位同学，欢迎来到《随机微分方程期权定价实战》的第一章。

说实话，每次开课讲到这里，我都会想起自己刚入行时的困惑。那时候我盯着「σ-代数」这四个字，感觉像在看天书。后来在实战中摔打多了，才明白这些基础概念到底有多重要。

今天我们就来聊聊随机过程的基石。别怕，我会用工程师的视角，把这些抽象的东西掰开揉碎了讲。

1.1 概率空间：随机世界的坐标系

做量化交易，本质上是在和不确定性打交道。而概率空间，就是描述这种不确定性的标准框架。

一个完整的概率空间由三部分组成：(Ω, F, P)。

• Ω（样本空间）：所有可能结果的集合。比如抛硬币，Ω = {正面, 反面}。
• F（事件域）：我们关心的所有事件的集合。说白了，就是哪些事情我们可以计算概率。
• P（概率测度）：给每个事件分配一个0到1之间的数字，表示它发生的可能性。

我个人习惯把概率空间想象成一个「游戏规则」。Ω定义了所有可能发生的情况，F划定了我们能讨论的范围，P则告诉我们每种情况有多大概率出现。

1.2 σ-代数：信息的分层结构

σ-代数这个概念，我当年学的时候觉得特别绕。后来做期权定价项目时，才真正体会到它的价值。

简单来说，σ-代数就是「在某个时刻，我们知道了多少信息」的数学表达。

举个例子：

• 在t=0时刻，我们只知道股票今天的开盘价。这时候的信息集F₀很小。
• 到了t=1时刻，我们知道了第一天的收盘价。信息集F₁变大了。
• 随着时间推移，F₀ ⊆ F₁ ⊆ F₂ ⊆ ...，信息越来越多。

这个递增的σ-代数序列，就是所谓的滤流（Filtration）。在随机微分方程里，它无处不在。

1.3 随机变量与分布函数

随机变量，说白了就是把随机事件映射成数字。比如「股票明天涨」这个事件，我们可以映射成1，「跌」映射成0。

分布函数则描述了随机变量取值的概率规律。

对于连续型随机变量X，它的累积分布函数（CDF）是：

F(x) = P(X ≤ x)

而概率密度函数（PDF）则是：

f(x) = dF(x)/dx

嗯，这里要注意：在期权定价中，我们最常打交道的是正态分布和对数正态分布。BSM模型假设股票价格服从对数正态分布，这一点在后续章节会反复用到。

1.4 条件期望与鞅

条件期望，是量化金融里最核心的工具之一。它回答的问题是：「基于当前已知信息，我们对未来的最佳估计是什么？」

数学上，给定σ-代数Fₜ，随机变量X的条件期望记作E[X | Fₜ]。它满足两个性质：

• 它是Fₜ可测的（即基于当前信息可以计算）
• 它对Fₜ内的任何事件，期望值与X一致

鞅（Martingale）则是一个随机过程，它的条件期望等于当前值：

E[Xₜ₊₁ | Fₜ] = Xₜ

你想想看，这意味着什么？意味着「未来不可预测」——这是有效市场假说的数学表达。在风险中性定价下，折现后的资产价格就是一个鞅。

1.5 布朗运动的定义与性质

布朗运动，也叫维纳过程，是随机微分方程的「发动机」。它有几个关键性质：

1. 独立增量：不同时间段的增量相互独立
2. 正态增量：Wₜ - Wₛ ~ N(0, t-s)
3. 连续路径：几乎所有的样本路径都是连续的
4. 不可微性：路径虽然连续，但处处不可微

最后这一点很有意思。布朗运动的路径「锯齿」到无法求导，但它的微分——也就是白噪声——在随机积分中扮演着核心角色。

我记得第一次用Python模拟布朗运动时，看到那些锯齿状的路径，心里直犯嘀咕：「这东西真的能用来建模股票价格？」后来做多了才明白，正是这种「不可预测的随机性」，才让期权有了价值。

下面我用SVG画了一张本章的知识体系图，帮你理清这些概念之间的关系：

这张图展示了本章的核心逻辑：从概率空间出发，衍生出σ-代数（信息结构）、随机变量（量化映射）、条件期望与鞅（预测与无套利），最终汇聚到布朗运动——这个随机微分方程的基本构件。而所有这些，最终都服务于期权定价这个终极目标。

好了，第一章的内容就到这里。这些基础概念虽然看起来枯燥，但它们是后续所有高级话题的根基。我个人建议你花时间把概率空间和鞅的概念吃透，因为在实际编码中，你会发现它们无处不在。

---