第2章随机过程入门

第1章：随机过程入门

1.1 随机过程的基本概念

说实话，我刚入行做量化时，觉得随机过程这东西离实战很远。直到有一次，我在做期权定价模型回测，发现价格路径怎么模拟都不对——后来才意识到，是我对随机过程的理解太浅了。

随机过程，说白了就是一个随时间演变的随机变量序列。你想想看，股票价格、利率、波动率，哪个不是随时间随机变化的？

我习惯把随机过程分成两类：

离散时间随机过程：比如每天的收盘价序列
连续时间随机过程：比如高频交易中的逐笔成交数据

这里有个关键点：随机过程不是一堆随机数的堆砌。它必须满足一定的概率结构。比如，一个过程要有均值函数、协方差函数，这些决定了它的统计特性。

核心定义：随机过程 {X(t), t ∈ T} 是一族随机变量，其中 t 是时间参数。每个 t 对应一个随机变量 X(t)。

我在项目中遇到过一个问题：有人把白噪声当随机过程用，结果模型完全失效。白噪声虽然随机，但它没有记忆性——过去的值对未来没有任何影响。而真实的金融数据，往往有很强的自相关性。

1.2 布朗运动与维纳过程

布朗运动，这个名字你可能在物理课上学过。1827年，植物学家布朗在显微镜下观察花粉颗粒，发现它们在水里做无规则运动。后来爱因斯坦在1905年给出了数学解释。

在金融领域，我们更常用的是维纳过程（Wiener Process），记作 W(t) 或 B(t)。它有几个关键性质：

独立增量：不同时间段的增量相互独立
正态增量：W(t) - W(s) ~ N(0, t-s)
连续路径：但处处不可导

嗯，这里要注意第三条。为什么处处不可导？因为布朗运动的路径太"毛糙"了。你放大看，它还是那么毛糙——这就是分形特征。我刚开始做模拟时，总想用多项式去拟合价格路径，结果发现根本行不通。

实战技巧：在Python中模拟布朗运动，可以用累积和的方式：

import numpy as np
import matplotlib.pyplot as plt

# 参数设置
T = 1.0          # 总时间
N = 1000         # 步数
dt = T / N       # 步长

# 生成布朗运动
dW = np.random.normal(0, np.sqrt(dt), N)
W = np.cumsum(dW)

# 绘图
plt.plot(np.linspace(0, T, N), W)
plt.title('布朗运动路径模拟')
plt.xlabel('时间')
plt.ylabel('W(t)')
plt.show()

我曾经犯过一个低级错误：直接用 np.random.normal(0, 1, N) 生成增量，然后累加。结果方差完全不对——因为布朗运动的方差是 dt，不是 1。这个坑，我踩过，你别再踩了。

1.3 伊藤引理初步

伊藤引理，可以说是随机微积分里最重要的工具。它告诉我们：如果一个随机过程是布朗运动的函数，那么它的微分该怎么算。

你可能会问：这不就是链式法则吗？嗯，不完全一样。因为布朗运动的二次变分不为零，所以泰勒展开里多了一项。

伊藤引理的公式长这样：

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

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

注意看，多出来的那项 ½ σ² ∂²f/∂x²，就是伊藤引理和普通微积分的区别。我刚开始学的时候，总觉得这多出来的一项很奇怪。直到我用它推导了Black-Scholes公式，才真正理解了它的意义。

避坑指南：我曾经在推导期权定价公式时，忘了加那½项，结果算出来的价格和市场上差了好几个点。后来查了半天，才发现是伊藤引理用错了。记住：随机微积分和普通微积分不一样，别用直觉去猜。

1.4 随机微分方程（SDE）简介

随机微分方程，就是把普通微分方程里的确定性项，换成随机项。最常见的SDE形式是：

dX(t) = μ(X,t) dt + σ(X,t) dW(t)

其中：

μ(X,t) 是漂移项，决定趋势
σ(X,t) 是扩散项，决定波动
dW(t) 是布朗运动增量

我习惯把SDE理解成：确定性趋势 + 随机扰动。比如股票价格，长期看有上涨趋势（漂移项），但每天都有随机波动（扩散项）。

最经典的SDE是几何布朗运动：

dS = μ S dt + σ S dW

这个方程在金融里太常见了——Black-Scholes模型用的就是它。但说实话，我在实战中发现，几何布朗运动对真实数据的拟合并不好。因为真实波动率会变化，而几何布朗运动假设波动率是常数。

核心知识点总结：

概念	关键点	实战应用
随机过程	随时间演变的随机变量族	价格序列建模
布朗运动	独立增量、正态分布、连续不可导	随机模拟基础
伊藤引理	随机函数的微分法则	期权定价推导
SDE	漂移+扩散的随机方程	资产价格建模

下面这张图，是我自己画的知识体系框架，帮你理清本章的核心逻辑：

这张图把本章的四个核心模块串起来了。从基本概念出发，到布朗运动这个基础工具，再到伊藤引理这个数学利器，最后落到SDE这个实战模型。每一步都是环环相扣的。

好了，这一章的内容就到这里。记住：随机过程不是纯数学，它是你理解市场、建模波动率的武器。多动手写代码，多跑模拟，慢慢就会有感觉了。