第3章伊藤引理

第3章：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，我对伊藤引理是又爱又恨。爱的是它太强大了，恨的是它太容易出错了。我在做期权定价系统时，就因为一个伊藤引理的符号错误，导致整个希腊值计算全崩了。嗯，今天我们就来彻底搞懂它。

先说说最基础的一维情况。假设我们有一个随机过程 X(t)，它满足伊藤过程：

dX = μ(X,t)dt + σ(X,t)dW

其中 dW 是维纳过程的增量。现在，如果我们有一个关于 X 和 t 的函数 f(X,t)，那么 f 的微分是什么？

在普通微积分里，df = (∂f/∂t)dt + (∂f/∂x)dx。但在随机世界里，事情没那么简单。因为 dW 是 O(√dt) 的量级，二阶项不能忽略。

一维伊藤引理公式：

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

注意看，多了一个 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忘记这个二阶项，直到有一次回测策略，发现理论值和模拟值差了十万八千里。

核心记忆点：伊藤引理就是在泰勒展开中保留到二阶，因为 dW² = dt 这个神奇的关系。

实际项目中，我们很少只处理一个随机源。比如定价一个亚式期权，既要考虑标的资产价格，又要考虑路径依赖。这时候就需要多维伊藤引理。

假设我们有 n 个伊藤过程：

dXᵢ = μᵢdt + Σⱼ σᵢⱼdWⱼ,  i = 1,...,n

其中 dWⱼ 是相互独立的维纳过程。那么对于函数 f(X₁,...,Xₙ,t)，它的微分是：

df = (∂f/∂t + Σᵢ μᵢ·∂f/∂Xᵢ + ½ ΣᵢΣⱼ (σσᵀ)ᵢⱼ·∂²f/∂Xᵢ∂Xⱼ)dt + Σᵢ (σ·∂f/∂X)ᵢ·dWᵢ

看着复杂，其实结构很清晰：

我的经验：写代码实现多维伊藤引理时，建议用矩阵运算。我曾经手写循环，结果索引搞混了，调试了两天。用 numpy 的 einsum 或者 torch 的矩阵乘法，既快又不容易出错。

我不打算给你完整的数学证明，那太枯燥了。但证明的核心思路，我觉得值得讲一讲。

核心步骤：

为什么 ΔW² ≈ Δt？因为维纳过程的二次变差是 dt。这个性质我建议你记住，推导时经常用到。

避坑指南：我曾经在推导时把 ΔW·Δt 当作 O(Δt^1.5) 忽略，结果发现某些情况下它会影响漂移项。严格来说，ΔW·Δt 在均方意义下是 o(Δt)，可以忽略。但如果你做的是高阶近似，就要小心了。

终于到了最实用的部分。几何布朗运动（GBM）是金融建模的基石，Black-Scholes 模型就是基于它。

GBM 的 SDE：

dS = μS dt + σS dW

现在，我们想求 S(t) 的显式解。令 f(S,t) = ln S，应用伊藤引理：

∂f/∂t = 0
∂f/∂S = 1/S
∂²f/∂S² = -1/S²

df = (0 + μS·(1/S) + ½σ²S²·(-1/S²))dt + σS·(1/S)·dW
   = (μ - ½σ²)dt + σdW

积分得到：

ln S(t) = ln S(0) + (μ - ½σ²)t + σW(t)

所以：

S(t) = S(0)·exp[(μ - ½σ²)t + σW(t)]

这个公式太重要了。我在做蒙特卡洛模拟时，每天都要用它生成路径。

注意：漂移项从 μ 变成了 μ - ½σ²。这就是伊藤引理带来的修正。如果你直接用普通指数函数，模拟出来的期望值会偏大。我见过不少新手犯这个错误。

下面这张图总结了本章的核心逻辑：

最后，分享几个我在项目中积累的经验：

小技巧：如果你用 Python 做量化，建议把伊藤引理的公式封装成函数。输入 SDE 的系数和函数 f，自动输出 df 的表达式。这样既减少手算错误，也方便调试。

好了，伊藤引理就讲到这里。它就像随机微积分的「乘法口诀」，熟练了之后，你会发现期权定价、风险管理、策略回测都离不开它。

公众号:蓝海资料掘金营，微信deep3321