MathLabs

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。

布朗运动在固定时刻位置的钟形高斯概率密度曲线。
在任意时刻 t>0t > 0,标准布朗运动的位置 WtW_t 服从高斯钟形密度 N(0,t)\mathcal{N}(0, t),以 ≈68%\approx 68\% 的概率落在 [−t,+t][-\sqrt{t}, +\sqrt{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交互式三维离散样本路径,可调节步数。
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 (Wt)t≥0(W_t)_{t\ge0},满足:(1) 几乎必然 W0=0W_0=0;(2) 具有独立增量——对任意 0≤t1<t2<t3<⋯0\le t_1<t_2<t_3<\cdots,增量 Wt2−Wt1, Wt3−Wt2,…W_{t_2}-W_{t_1},\ W_{t_3}-W_{t_2},\dots 相互独立;(3) 每个增量都是正态分布,s<ts<t 时 Wt−Ws∼N(0,t−s)W_t-W_s\sim N(0,t-s);(4) 几乎每条样本路径 t↦Wtt\mapsto 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。

Wt−Ws∼N(0,t−s)W_t-W_s\sim 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] 的细分划上把 WW 的增量平方求和,(依概率)收敛到 tt 本身,∑i(Wti+1−Wti)2→t\sum_{i}(W_{t_{i+1}}-W_{t_i})^2 \to 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 tt。相比之下,任何普通的可微函数 ff 在任意区间上的二次变差恒为 00,因为它的增量以 Δt\Delta t 的量级收缩,而非 Δt\sqrt{\Delta t}。正是这单一的尺度差异——布朗运动的增量是 Δt\sqrt{\Delta t} 量级,而非 Δt\Delta t——是随机分析中一切反常现象的根本原因。

∑i(Wti+1−Wti)2→t\sum_{i}(W_{t_{i+1}}-W_{t_i})^2 \to 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)布朗路径 WtW_t
可微性可微,存在切线处处不可微,处处没有切线
在 Δt\Delta t 上的增量大小Δt\Delta t 量级Δt\sqrt{\Delta t} 量级
在 [0,t][0,t] 上的二次变差00tt(从不为零)
F(f(t))F(f(t)) 的链式法则dF=F′(f)f′(t) dtdF=F'(f)f'(t)\,dt需要额外的二阶导数项(伊藤引理)

对标准维纳过程 WW 与任意 t>0t>0,∑i(Wti+1−Wti)2→t\sum_{i}(W_{t_{i+1}}-W_{t_i})^2 \to t,其中求和取遍网格趋于 00 的 [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↦Wss\mapsto W_s 在 s∈[0,t]s\in[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 dtdt 那样把 dWtdW_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 (dWt)2=dt(dW_t)^2=dt 是合理的。

证明

二次变差。将 [0,t][0,t] 分成 nn 个长度为 t/nt/n 的等分,令 Qn=∑i=1n(Wit/n−W(i−1)t/n)2Q_n=\sum_{i=1}^n(W_{it/n}-W_{(i-1)t/n})^2。每一项 (Wit/n−W(i−1)t/n)2(W_{it/n}-W_{(i-1)t/n})^2 的均值为 t/nt/n(因为增量为 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)22(t/n)^2。将 nn 个这样独立的项求和,精确地有 E[Qn]=tE[Q_n]=t,且当 n→∞n\to\infty 时 Var(Qn)=2t2/n→0\mathrm{Var}(Q_n)=2t^2/n\to0,故 Qn→tQ_n\to 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 WW 在某点 ss 处可微,导数为有限值 W′(s)=LW'(s)=L。那么对很小的 hh,Ws+h−Ws≈LhW_{s+h}-W_s\approx Lh,故在长度为 hh 的微小区间上,平方增量应为 h2h^2 量级——但上面的二次变差计算表明,长度为 hh 的区间上典型平方增量是 hh 量级(对很小的 hh 而言远大于 h2h^2),而将这些 hh 量级的项在 t/ht/h 个区间上求和,恰好产生一个收敛到有限正数 tt 而非 00 的总和。

这种矛盾——可微性将迫使二次变差为 00,但它被证明为 t>0t>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。

定理: 伊藤引理

设 WtW_t 为标准维纳过程,F(t,x)F(t,x) 关于 xx 二次连续可微,关于 tt 一次连续可微。则过程 F(t,Wt)F(t,W_t) 满足 dF=(∂tF+12∂x2F)dt+∂xF dWtdF=\Big(\partial_tF+\tfrac12\partial_x^2F\Big)dt+\partial_xF\,dW_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 FF,在小步长 Δt\Delta t(伴随 ΔW=Wt+Δt−Wt\Delta W=W_{t+\Delta t}-W_t)上关于两个变量的普通二阶泰勒展开为 ΔF≈∂tF Δt+∂xF ΔW+12∂x2F (ΔW)2+12∂t2F (Δt)2+∂t∂xF Δt ΔW+⋯\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——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 ΔW\Delta W 是 Δt\sqrt{\Delta t} 量级(而非 Δt\Delta t,如前一定理所示),各项的量级为:∂tF Δt\partial_tF\,\Delta t 为 Δt\Delta t 量级;∂xF ΔW\partial_xF\,\Delta W 为 Δt\sqrt{\Delta t} 量级(占主导的领头随机项);(Δt)2(\Delta t)^2 与 Δt ΔW\Delta t\,\Delta W 分别为 (Δt)2(\Delta t)^2 与 (Δt)3/2(\Delta t)^{3/2} 量级,相对 Δt\Delta t 可忽略;但 (ΔW)2(\Delta W)^2 是 Δt\Delta t 量级——与 ∂tF Δt\partial_tF\,\Delta t同量级,完全不可忽略,这与普通微积分中 (Δx)2(\Delta x)^2 相对 Δx\Delta x 总是可忽略不同。

用均值替换 (ΔW)2(\Delta W)^2。由二次变差定理,在许多小步长上求和,(ΔW)2(\Delta W)^2 的表现如同 Δt\Delta 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 (dWt)2=dt(dW_t)^2=dt 的非正式依据。

取极限。舍去可忽略的高阶项,并在 Δt→0\Delta t\to0 的极限下代入 (ΔW)2→dt(\Delta W)^2\to dt,泰勒展开就恰好化为命题所述的微分形式 dF=(∂tF+12∂x2F)dt+∂xF dWtdF=\Big(\partial_tF+\tfrac12\partial_x^2F\Big)dt+\partial_xF\,dW_t——12∂x2F dt\tfrac12\partial_x^2F\,dt 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 StS_t 常被建模为几何布朗运动,dSt=μSt dt+σSt dWtdS_t=\mu S_t\,dt+\sigma S_t\,dW_t,其中 μ\mu 为平均增长率,σ\sigma 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,St)V(t,S_t),可推导出著名的布莱克-舒尔斯偏微分方程,∂tV+12σ2S2∂S2V+rS∂SV−rV=0\partial_tV+\tfrac12\sigma^2S^2\partial_S^2V+rS\partial_SV-rV=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 WtW_t,从 W0=0W_0=0 出发。求 E[W5]E[W_5] 与 Var(W5−W2)\mathrm{Var}(W_5-W_2)。

解答

对第一个量,取 s=0s=0 使用 Wt−Ws∼N(0,t−s)W_t-W_s\sim N(0,t-s):W5−W0=W5W_5-W_0=W_5 服从 N(0,5)N(0,5),故直接得 E[W5]=0E[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=2s=2、t=5t=5 应用同一定义性质:W5−W2∼N(0,5−2)W_5-W_2\sim N(0,5-2),即 N(0,3)N(0,3)。

按定义,N(0,σ2)N(0,\sigma^2) 随机变量的方差为 σ2\sigma^2,直接读取参数得 Var(W5−W2)=3\mathrm{Var}(W_5-W_2)=3。

注意方差只依赖于经过的时间 t−s=3t-s=3,而不依赖于起始时刻 s=2s=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)=x2F(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(Wt2)d(W_t^2),并用结果验证 E[Wt2]=tE[W_t^2]=t。

解答

取 F(t,x)=x2F(t,x)=x^2,则 ∂tF=0\partial_tF=0,∂xF=2x\partial_xF=2x,∂x2F=2\partial_x^2F=2。

把这些导数(在 x=Wtx=W_t 处求值)代入伊藤引理 dF=(∂tF+12∂x2F)dt+∂xF dWtdF=\Big(\partial_tF+\tfrac12\partial_x^2F\Big)dt+\partial_xF\,dW_t 得 d(Wt2)=(0+12⋅2)dt+2Wt dWtd(W_t^2)=\big(0+\tfrac12\cdot2\big)dt+2W_t\,dW_t,化简为 d(Wt2)=dt+2Wt dWtd(W_t^2)=dt+2W_t\,dW_t。

将两边从 00 积分到 tt(利用 W02=0W_0^2=0):Wt2=t+2∫0tWs dWsW_t^2=t+2\int_0^tW_s\,dW_s。

取期望,并利用关键事实——伊藤积分 ∫0tWs dWs\int_0^tW_s\,dW_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[Wt2]=t+2E[∫0tWs dWs]=t+0=tE[W_t^2]=t+2E\big[\int_0^tW_s\,dW_s\big]=t+0=t,这直接确认了我们从 Wt∼N(0,t)W_t\sim N(0,t)(方差为 tt)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。

对于标准维纳过程,增量 Wt−WsW_t-W_s(其中 s<ts<t)服从:

布朗运动在 [0,t][0,t] 上的二次变差是:

与普通链式法则相比,伊藤引理 dF=(∂tF+12∂x2F)dt+∂xF dWtdF=\Big(\partial_tF+\tfrac12\partial_x^2F\Big)dt+\partial_xF\,dW_t 多出一项,是因为:

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:

参考文献

  1. Ioannis Karatzas, Steven E. Shreve (1991). Brownian Motion and Stochastic Calculus
  2. Kiyosi Itô (1944). Stochastic Integral
  3. Fischer Black, Myron Scholes (1973). The Pricing of Options and Corporate Liabilities