← 返回 资料库 › 概率与统计 › 现代概率论 概率与统计
布朗运动与随机分析 对无规则运动建模的连续随机过程,拥有自身的一套分析工具,应用于金融与物理学。
直观 为什么水中跳动的花粉颗粒需要一套专属的微积分? 1827年,植物学家罗伯特·布朗用显微镜观察悬浮在水中的花粉颗粒,发现它们不停地抖动,每一瞬间都改变方向,他看不出任何规律。这一现象直到几十年后才得到解释:每颗花粉每秒都被数十亿个肉眼看不见的水分子从四面八方撞击,每一瞬间的净随机冲击都把颗粒朝一个完全不可预测的方向再推动一点点。布朗运动 正是这种无休止、无方向抖动的数学理想化:一条连续的随机路径——它从不跳跃——却又崎岖到在任何瞬间都没有良定义的速度,永远都没有。正是路径连续却处处不光滑这一单一事实,迫使数学家建立一套全新的微积分,因为普通微积分假定你可以 放大一条曲线,看到它看起来像一条直线。
在任意时刻 t > 0 t > 0 t > 0 ,标准布朗运动的位置 W t W_t W t 服从高斯钟形密度 N ( 0 , t ) \mathcal{N}(0, t) N ( 0 , t ) ,以 ≈ 68 % \approx 68\% ≈ 68% 的概率落在 [ − t , + t ] [-\sqrt{t}, +\sqrt{t}] [ − t , + t ] 内。 上方的分布曲线描述粒子在某个固定时刻可能出现的位置。二维布朗运动由两个相互独立的此类过程组成;把时间作为第三个坐标,一条样本路径便成为崎岖的时空曲线。
两条相互独立的布朗坐标随时间变化的一条确定性样本路径。x、y 坐标表示位置,z 表示时间;改变步数可比较不同分辨率下可复现的离散样本。 大学 维纳过程:严格的定义 定义: 标准维纳过程(布朗运动)
标准维纳过程 (或布朗运动)是一个连续时间随机过程 ( W t ) t ≥ 0 (W_t)_{t\ge0} ( W t ) t ≥ 0 ,满足:(1) 几乎必然 W 0 = 0 W_0=0 W 0 = 0 ;(2) 具有独立增量 ——对任意 0 ≤ t 1 < t 2 < t 3 < ⋯ 0\le t_1<t_2<t_3<\cdots 0 ≤ t 1 < t 2 < t 3 < ⋯ ,增量 W t 2 − W t 1 , W t 3 − W t 2 , … W_{t_2}-W_{t_1},\ W_{t_3}-W_{t_2},\dots W t 2 − W t 1 , W t 3 − W t 2 , … 相互独立;(3) 每个增量都是正态分布,s < t s<t s < t 时 W t − W s ∼ N ( 0 , t − s ) W_t-W_s\sim N(0,t-s) W t − W s ∼ N ( 0 , t − s ) ;(4) 几乎每条样本路径 t ↦ W t t\mapsto W_t t ↦ W t 都连续。仅性质(3)就已迫使该过程在任何时间尺度上分布看起来都相同——这种自相似性正是布朗运动会作为如此多不同离散随机游走的普适极限出现的原因。
W t − W s ∼ N ( 0 , t − s ) W_t-W_s\sim N(0,t-s) W t − W s ∼ N ( 0 , t − s ) 布朗路径一个决定性的、近乎悖论式的特征是它的二次变差 :在 [ 0 , t ] [0,t] [ 0 , t ] 的细分划上把 W W W 的增量平方求和,(依概率)收敛到 t t t 本身,∑ i ( W t i + 1 − W t i ) 2 → t \sum_{i}(W_{t_{i+1}}-W_{t_i})^2 \to t ∑ i ( W t i + 1 − W t i ) 2 → t ,无论分划多细都是如此——平方的抖动从不消失,恰好累积为 t t t 。相比之下,任何普通的可微函数 f f f 在任意区间上的二次变差恒为 0 0 0 ,因为它的增量以 Δ t \Delta t Δ t 的量级收缩,而非 Δ t \sqrt{\Delta t} Δ t 。正是这单一的尺度差异——布朗运动的增量是 Δ t \sqrt{\Delta t} Δ t 量级,而非 Δ t \Delta t Δ t ——是随机分析中一切反常现象的根本原因。
∑ i ( W t i + 1 − W t i ) 2 → t \sum_{i}(W_{t_{i+1}}-W_{t_i})^2 \to t i ∑ ( W t i + 1 − W t i ) 2 → t 普通微积分与随机(伊藤)分析的对比 方面 光滑函数 f ( t ) f(t) f ( t ) 布朗路径 W t W_t W t 可微性 可微,存在切线 处处不可微,处处没有切线 在 Δ t \Delta t Δ t 上的增量大小 Δ t \Delta t Δ t 量级Δ t \sqrt{\Delta t} Δ t 量级在 [ 0 , t ] [0,t] [ 0 , t ] 上的二次变差 0 0 0 t t t (从不为零)F ( f ( t ) ) F(f(t)) F ( f ( t )) 的链式法则d F = F ′ ( f ) f ′ ( t ) d t dF=F'(f)f'(t)\,dt d F = F ′ ( f ) f ′ ( t ) d t 需要额外的二阶导数项(伊藤引理)
对标准维纳过程 W W W 与任意 t > 0 t>0 t > 0 ,∑ i ( W t i + 1 − W t i ) 2 → t \sum_{i}(W_{t_{i+1}}-W_{t_i})^2 \to t ∑ i ( W t i + 1 − W t i ) 2 → t ,其中求和取遍网格趋于 0 0 0 的 [ 0 , t ] [0,t] [ 0 , t ] 分划,该极限依概率成立(事实上沿二进分划几乎必然成立)。因此,几乎每条样本路径 s ↦ W s s\mapsto W_s s ↦ W s 在 s ∈ [ 0 , t ] s\in[0,t] s ∈ [ 0 , t ] 的任何一点都不可微。
为什么成立? 这正是使随机分析成为必要的定理:它排除了像古典微积分处理 d t dt d t 那样把 d W t dW_t d W t 当作普通无穷小来处理,并证明了驱动下文伊藤引理的启发式规则 ( d W t ) 2 = d t (dW_t)^2=dt ( d W t ) 2 = d t 是合理的。
证明 二次变差。将 [ 0 , t ] [0,t] [ 0 , t ] 分成 n n n 个长度为 t / n t/n t / n 的等分,令 Q n = ∑ i = 1 n ( W i t / n − W ( i − 1 ) t / n ) 2 Q_n=\sum_{i=1}^n(W_{it/n}-W_{(i-1)t/n})^2 Q n = ∑ i = 1 n ( W i t / n − W ( i − 1 ) t / n ) 2 。每一项 ( W i t / n − W ( i − 1 ) t / n ) 2 (W_{it/n}-W_{(i-1)t/n})^2 ( W i t / n − W ( i − 1 ) t / n ) 2 的均值为 t / n t/n t / n (因为增量为 N ( 0 , t / n ) N(0,t/n) N ( 0 , t / n ) ),利用正态变量的四阶矩,其方差为 2 ( t / n ) 2 2(t/n)^2 2 ( t / n ) 2 。将 n n n 个这样独立的项求和,精确地有 E [ Q n ] = t E[Q_n]=t E [ Q n ] = t ,且当 n → ∞ n\to\infty n → ∞ 时 V a r ( Q n ) = 2 t 2 / n → 0 \mathrm{Var}(Q_n)=2t^2/n\to0 Var ( Q n ) = 2 t 2 / n → 0 ,故 Q n → t Q_n\to t Q n → t 依概率(以及均方)成立——这就证明了二次变差的等式。
处处不可微。反证法:假设 W W W 在某点 s s s 处可微,导数为有限值 W ′ ( s ) = L W'(s)=L W ′ ( s ) = L 。那么对很小的 h h h ,W s + h − W s ≈ L h W_{s+h}-W_s\approx Lh W s + h − W s ≈ L h ,故在长度为 h h h 的微小区间上,平方增量应为 h 2 h^2 h 2 量级——但上面的二次变差计算表明,长度为 h h h 的区间上典型 平方增量是 h h h 量级(对很小的 h h h 而言远大于 h 2 h^2 h 2 ),而将这些 h h h 量级的项在 t / h t/h t / h 个区间上求和,恰好产生一个收敛到有限正数 t t t 而非 0 0 0 的总和。
这种矛盾——可微性将迫使二次变差为 0 0 0 ,但它被证明为 t > 0 t>0 t > 0 ——是不可调和的,因此不存在任何可微点;一个完整的测度论论证(1933年由佩利、维纳与齐格蒙德给出)通过直接界定任意点附近差商保持有界的概率,使这一点变得严格,表明该概率对路径上的每一点同时恰好为零。
设 W t W_t W t 为标准维纳过程,F ( t , x ) F(t,x) F ( t , x ) 关于 x x x 二次连续可微,关于 t t t 一次连续可微。则过程 F ( t , W t ) F(t,W_t) F ( t , W t ) 满足 d F = ( ∂ t F + 1 2 ∂ x 2 F ) d t + ∂ x F d W t dF=\Big(\partial_tF+\tfrac12\partial_x^2F\Big)dt+\partial_xF\,dW_t d F = ( ∂ t F + 2 1 ∂ x 2 F ) d t + ∂ x F d W t ——这是一个比普通链式法则多出一个二阶导数(「伊藤修正」)项的随机链式法则。
为什么成立? 这是随机分析中使用最频繁的工具:它准确告诉你如何对一个随机路径的函数求微分,是推导任何依赖于布朗运动的量(期权价格、物理可观测量)动态方程的出发点。
证明 泰勒展开。对光滑的 F F F ,在小步长 Δ t \Delta t Δ t (伴随 Δ W = W t + Δ t − W t \Delta W=W_{t+\Delta t}-W_t Δ W = W t + Δ t − W t )上关于两个变量的普通二阶泰勒展开为 Δ F ≈ ∂ t F Δ t + ∂ x F Δ W + 1 2 ∂ x 2 F ( Δ W ) 2 + 1 2 ∂ t 2 F ( Δ t ) 2 + ∂ t ∂ x F Δ t Δ W + ⋯ \Delta F\approx \partial_tF\,\Delta t+\partial_xF\,\Delta W+\tfrac12\partial_x^2F\,(\Delta W)^2+\tfrac12\partial_t^2F\,(\Delta t)^2+\partial_t\partial_xF\,\Delta t\,\Delta W+\cdots Δ F ≈ ∂ t F Δ t + ∂ x F Δ W + 2 1 ∂ x 2 F ( Δ W ) 2 + 2 1 ∂ t 2 F ( Δ t ) 2 + ∂ t ∂ x F Δ t Δ W + ⋯ ——到此为止纯粹是微积分,对任何光滑路径都成立。
按量级排序各项。由于 Δ W \Delta W Δ W 是 Δ t \sqrt{\Delta t} Δ t 量级(而非 Δ t \Delta t Δ t ,如前一定理所示),各项的量级为:∂ t F Δ t \partial_tF\,\Delta t ∂ t F Δ t 为 Δ t \Delta t Δ t 量级;∂ x F Δ W \partial_xF\,\Delta W ∂ x F Δ W 为 Δ t \sqrt{\Delta t} Δ t 量级(占主导的领头随机项);( Δ t ) 2 (\Delta t)^2 ( Δ t ) 2 与 Δ t Δ W \Delta t\,\Delta W Δ t Δ W 分别为 ( Δ t ) 2 (\Delta t)^2 ( Δ t ) 2 与 ( Δ t ) 3 / 2 (\Delta t)^{3/2} ( Δ t ) 3/2 量级,相对 Δ t \Delta t Δ t 可忽略;但 ( Δ W ) 2 (\Delta W)^2 ( Δ W ) 2 是 Δ t \Delta t Δ t 量级——与 ∂ t F Δ t \partial_tF\,\Delta t ∂ t F Δ t 同 量级,完全不可忽略,这与普通微积分中 ( Δ x ) 2 (\Delta x)^2 ( Δ x ) 2 相对 Δ x \Delta x Δ x 总是可忽略不同。
用均值替换 ( Δ W ) 2 (\Delta W)^2 ( Δ W ) 2 。由二次变差定理,在许多小步长上求和,( Δ W ) 2 (\Delta W)^2 ( Δ W ) 2 的表现如同 Δ t \Delta t Δ t (其均值,而围绕该均值的涨落随着步长缩小并求和而消失),这便是在无穷小步长极限下启发式替换规则 ( d W t ) 2 = d t (dW_t)^2=dt ( d W t ) 2 = d t 的非正式依据。
取极限。舍去可忽略的高阶项,并在 Δ t → 0 \Delta t\to0 Δ t → 0 的极限下代入 ( Δ W ) 2 → d t (\Delta W)^2\to dt ( Δ W ) 2 → d t ,泰勒展开就恰好化为命题所述的微分形式 d F = ( ∂ t F + 1 2 ∂ x 2 F ) d t + ∂ x F d W t dF=\Big(\partial_tF+\tfrac12\partial_x^2F\Big)dt+\partial_xF\,dW_t d F = ( ∂ t F + 2 1 ∂ x 2 F ) d t + ∂ x F d W t ——1 2 ∂ x 2 F d t \tfrac12\partial_x^2F\,dt 2 1 ∂ x 2 F d t 这一项正是普通微积分会舍弃、而随机微积分必须保留的贡献。
大学 实际应用与典型例题 除了描述物理扩散(水中的花粉、固体中传播的热量、混合的气体分子)之外,布朗运动与伊藤分析成为了现代量化金融的数学基础。股票价格 S t S_t S t 常被建模为几何布朗运动 ,d S t = μ S t d t + σ S t d W t dS_t=\mu S_t\,dt+\sigma S_t\,dW_t d S t = μ S t d t + σ S t d W t ,其中 μ \mu μ 为平均增长率,σ \sigma σ 为波动率。将伊藤引理应用于金融衍生品(如期权)的价值 V ( t , S t ) V(t,S_t) V ( t , S t ) ,可推导出著名的布莱克-舒尔斯偏微分方程 ,∂ t V + 1 2 σ 2 S 2 ∂ S 2 V + r S ∂ S V − r V = 0 \partial_tV+\tfrac12\sigma^2S^2\partial_S^2V+rS\partial_SV-rV=0 ∂ t V + 2 1 σ 2 S 2 ∂ S 2 V + r S ∂ S V − r V = 0 ,其解给出了在各大交易所交易的期权的公允价格。同样的数学——维纳过程与伊藤引理——也是神经科学中神经元膜电位模型、经济学中利率模型以及流体力学中湍流扩散的基础。
例题: 布朗位移的期望与方差
某粒子的位置在一维空间中服从标准维纳过程 W t W_t W t ,从 W 0 = 0 W_0=0 W 0 = 0 出发。求 E [ W 5 ] E[W_5] E [ W 5 ] 与 V a r ( W 5 − W 2 ) \mathrm{Var}(W_5-W_2) Var ( W 5 − W 2 ) 。
解答 对第一个量,取 s = 0 s=0 s = 0 使用 W t − W s ∼ N ( 0 , t − s ) W_t-W_s\sim N(0,t-s) W t − W s ∼ N ( 0 , t − s ) :W 5 − W 0 = W 5 W_5-W_0=W_5 W 5 − W 0 = W 5 服从 N ( 0 , 5 ) N(0,5) N ( 0 , 5 ) ,故直接得 E [ W 5 ] = 0 E[W_5]=0 E [ W 5 ] = 0 ——布朗运动没有漂移,因此其期望位置永远不会偏离起点。
对第二个量,取 s = 2 s=2 s = 2 、t = 5 t=5 t = 5 应用同一定义性质:W 5 − W 2 ∼ N ( 0 , 5 − 2 ) W_5-W_2\sim N(0,5-2) W 5 − W 2 ∼ N ( 0 , 5 − 2 ) ,即 N ( 0 , 3 ) N(0,3) N ( 0 , 3 ) 。
按定义,N ( 0 , σ 2 ) N(0,\sigma^2) N ( 0 , σ 2 ) 随机变量的方差为 σ 2 \sigma^2 σ 2 ,直接读取参数得 V a r ( W 5 − W 2 ) = 3 \mathrm{Var}(W_5-W_2)=3 Var ( W 5 − W 2 ) = 3 。
注意方差只依赖于经过的时间 t − s = 3 t-s=3 t − s = 3 ,而不依赖于起始时刻 s = 2 s=2 s = 2 本身——这反映了维纳过程定义中内置的时间齐性。
例题: 对 F ( t , x ) = x 2 F(t,x)=x^2 F ( t , x ) = x 2 应用伊藤引理
用伊藤引理求维纳过程平方的随机微分 d ( W t 2 ) d(W_t^2) d ( W t 2 ) ,并用结果验证 E [ W t 2 ] = t E[W_t^2]=t E [ W t 2 ] = t 。
解答 取 F ( t , x ) = x 2 F(t,x)=x^2 F ( t , x ) = x 2 ,则 ∂ t F = 0 \partial_tF=0 ∂ t F = 0 ,∂ x F = 2 x \partial_xF=2x ∂ x F = 2 x ,∂ x 2 F = 2 \partial_x^2F=2 ∂ x 2 F = 2 。
把这些导数(在 x = W t x=W_t x = W t 处求值)代入伊藤引理 d F = ( ∂ t F + 1 2 ∂ x 2 F ) d t + ∂ x F d W t dF=\Big(\partial_tF+\tfrac12\partial_x^2F\Big)dt+\partial_xF\,dW_t d F = ( ∂ t F + 2 1 ∂ x 2 F ) d t + ∂ x F d W t 得 d ( W t 2 ) = ( 0 + 1 2 ⋅ 2 ) d t + 2 W t d W t d(W_t^2)=\big(0+\tfrac12\cdot2\big)dt+2W_t\,dW_t d ( W t 2 ) = ( 0 + 2 1 ⋅ 2 ) d t + 2 W t d W t ,化简为 d ( W t 2 ) = d t + 2 W t d W t d(W_t^2)=dt+2W_t\,dW_t d ( W t 2 ) = d t + 2 W t d W t 。
将两边从 0 0 0 积分到 t t t (利用 W 0 2 = 0 W_0^2=0 W 0 2 = 0 ):W t 2 = t + 2 ∫ 0 t W s d W s W_t^2=t+2\int_0^tW_s\,dW_s W t 2 = t + 2 ∫ 0 t W s d W s 。
取期望,并利用关键事实——伊藤积分 ∫ 0 t W s d W s \int_0^tW_s\,dW_s ∫ 0 t W s d W s 的均值恒为零(它由独立于过去的增量构成,因此没有可累积的系统性漂移):E [ W t 2 ] = t + 2 E [ ∫ 0 t W s d W s ] = t + 0 = t E[W_t^2]=t+2E\big[\int_0^tW_s\,dW_s\big]=t+0=t E [ W t 2 ] = t + 2 E [ ∫ 0 t W s d W s ] = t + 0 = t ,这直接确认了我们从 W t ∼ N ( 0 , t ) W_t\sim N(0,t) W t ∼ N ( 0 , t ) (方差为 t t t )已知的结果,但这次是纯粹从随机微积分工具推导出来的,而不是直接来自定义。
常见错误. 最常见的错误是写出 d W t dW_t d W t 并用普通微积分规则来操作它,尤其是像 ( d t ) 2 (dt)^2 ( d t ) 2 可忽略那样把 ( d W t ) 2 (dW_t)^2 ( d W t ) 2 也当作可忽略——这会悄悄丢掉伊藤引理中整个二阶导数项,给出错误答案。第二个更微妙的错误,是因为布朗运动连续就假设它具有有界变差(总「移动距离」有限);事实上尽管它的二次变差有限,它在每个区间上的全变差都是无穷的——单凭连续性并不能说明路径能有多崎岖。最后,要记住伊藤引理并非唯一:另一种约定(斯特拉托诺维奇积分)给出一个看起来 像普通微积分的链式法则,代价是失去了使伊藤积分如此有用的鞅性质;二者由一个精确的转换公式相联系,但在同一次计算中混用两种约定是符号错误的常见来源。 历史注记
罗伯特·布朗1827年的显微镜观察在近80年间都未得到解释,直到阿尔伯特·爱因斯坦1905年的论文从分子运动论出发,推导出支配粒子概率密度的扩散方程,才为物理学家提供了关于这一现象第一个定量、可检验的理论(不久后被让·佩兰的实验证实,有助于解决原子是否真实存在的争论)。这一过程本身的严格概率论构造归功于诺伯特·维纳,他1923年的论文证明了具有上述性质的过程确实作为一个具有连续路径、良定义的数学对象存在——因此得名「维纳过程」。对这条极不规则的路径进行积分所需的微积分由伊藤清建立,他1944年的论文《随机积分》通过等距性质 E [ ( ∫ 0 t H s d W s ) 2 ] = E [ ∫ 0 t H s 2 d s ] E\Big[\big(\int_0^t H_s\,dW_s\big)^2\Big]=E\Big[\int_0^t H_s^2\,ds\Big] E [ ( ∫ 0 t H s d W s ) 2 ] = E [ ∫ 0 t H s 2 d s ] 严格定义了随机积分 ∫ H s d W s \int H_s\,dW_s ∫ H s d W s ,并推导出以他名字命名的变量替换公式,为几十年后费舍尔·布莱克、迈伦·舒尔斯与罗伯特·默顿用来推导出改变金融市场的期权定价公式提供了工具箱。
伊藤清
研究前沿 截至 2026 年
布朗运动处于多个活跃研究前沿的交汇处。由马丁·海尔(2014年菲尔兹奖得主)发展的粗糙路径理论与正则性结构,将伊藤式分析扩展到范围广得多的不规则驱动信号类(比布朗运动本身还要粗糙),使得像 KPZ 方程这样此前没有良好定义的随机偏微分方程获得了严格的意义,相关工作仍在继续,将这些技巧推广到量子场论中出现的、日益奇异的方程上。在纯概率论中,描述二维随机曲线(自回避游走、渗流边界)标度极限的施拉姆-勒夫纳演化(SLE),持续揭示出二维类布朗运动过程与共形场论之间深刻但仍只被部分理解的联系。在应用方面,受高频市场数据显示波动率远不如经典模型所假设的那样光滑这一事实驱动,「粗糙波动率模型」——在期权定价模型中用更粗糙的分数阶变体取代标准布朗运动——是量化金融研究的一个活跃领域;同时,基于机器学习的高维随机微分方程数值格式(深度 BSDE 求解器)正在被开发出来,用于在经典偏微分方程方法计算上不可行的维度中为衍生品定价。
对于标准维纳过程,增量 W t − W s W_t-W_s W t − W s (其中 s < t s<t s < t )服从:
N ( 0 , t − s ) N(0,t-s) N ( 0 , t − s ) N ( t − s , 1 ) N(t-s,1) N ( t − s , 1 ) [ s , t ] [s,t] [ s , t ] 上的均匀分布N ( 0 , t − s ) N(0,\sqrt{t-s}) N ( 0 , t − s ) 布朗运动在 [ 0 , t ] [0,t] [ 0 , t ] 上的二次变差是:
0 0 0 t t t 无穷大 随机的,均值为 t t t 但方差为正且永不消失 与普通链式法则相比,伊藤引理 d F = ( ∂ t F + 1 2 ∂ x 2 F ) d t + ∂ x F d W t dF=\Big(\partial_tF+\tfrac12\partial_x^2F\Big)dt+\partial_xF\,dW_t d F = ( ∂ t F + 2 1 ∂ x 2 F ) d t + ∂ x F d W t 多出一项,是因为:
布朗增量总是负的 ( d W t ) 2 (dW_t)^2 ( d W t ) 2 与 d t dt d t 同量级W t W_t W t 不连续F 必须关于 x x x 是线性的 期权定价的布莱克-舒尔斯偏微分方程是通过应用什么推导出来的:
对 S t S_t S t 应用普通链式法则 对以几何布朗运动建模的股价为自变量的衍生品价值函数应用伊藤引理 对众多独立交易者应用大数定律 对期权收益应用傅里叶级数