2. 布朗运动的数学定义与核心性质
在上一节中，我们从花粉颗粒的随机游走直观认识了布朗运动。要把这种“无规则的抖动”变成可以计算、可以模拟、可以检验的对象，必须给它一个严格的数学定义。本节围绕标准布朗运动的定义展开，并逐条拆解独立增量、平稳增量、鞅性等核心性质，说明这些性质在轨迹生成与统计分析中分别意味着什么、如何被使用。
一、标准布朗运动的公理化定义
设有一个概率空间 $(\Omega,\mathcal{F},P)$ 及其上的随机过程 $\{B_t\}_{t\ge 0}$。若它同时满足以下四条，则称 $\{B_t\}$ 为标准布朗运动（也称维纳过程）：
- 初值归零：$B_0 = 0$ 几乎必然成立。这是“标准”二字的来源之一，表示轨迹从原点出发。
- 连续轨道：映射 $t \mapsto B_t$ 以概率 1 连续。注意它连续但处处不可微，这正是布朗运动区别于普通光滑曲线的关键。
- 独立增量：对任意 $0 \le t_1 < t_2 < \cdots < t_n$，增量 $B_{t_2}-B_{t_1},\ B_{t_3}-B_{t_2},\ \ldots$ 相互独立。
- 平稳正态增量：对任意 $0 \le s < t$，有 $B_t - B_s \sim \mathcal{N}(0,\ t-s)$，即增量服从均值为 0、方差等于时间间隔的正态分布。
第 4 条把“平稳”和“正态”合在一起：增量的分布只依赖时间差 $t-s$，与起点 $s$ 无关；且方差随时间间隔线性增长。由此可直接推出 $B_t \sim \mathcal{N}(0,t)$，以及协方差结构 $\mathrm{Cov}(B_s,B_t)=\min(s,t)$。这个协方差公式在后续做参数估计和置信带时非常常用。
二、四条核心性质的工程含义
独立增量意味着“过去不影响未来的增量”。在生成轨迹时，我们可以把时间轴切成若干段，逐段独立抽取正态增量再累加，而不必担心段与段之间的相关性。这正是离散模拟算法（如欧拉格式）能够逐点递推的理论依据。
平稳增量意味着增量的统计规律不随绝对时间漂移。若把一段轨迹整体平移，其增量的分布不变。做统计分析时，我们可以把不同时间窗口内的增量放在一起估计同一个方差参数，样本可以“合并使用”。
鞅性是布朗运动最深刻的性质之一。对任意 $s 二次变差是布朗运动区别于普通可微函数的标志。对区间 $[0,T]$ 做分割，当分割越来越细时，$\sum (B_{t_{i+1}}-B_{t_i})^2 \to T$（依概率）。也就是说，布朗运动在时间 $T$ 内累积的“平方波动”恰好等于 $T$，而不是像光滑函数那样趋于 0。这一性质解释了为什么布朗轨迹的典型振幅是 $\sqrt{t}$ 量级，也解释了为什么在数值模拟中步长缩小后，路径的粗糙程度并不会消失。 把定义落到代码上，最直接的做法是按等步长 $\Delta t$ 递推。下面是一段可直接运行的 Python 示例，用固定随机种子生成一条标准布朗运动轨迹，并顺带验证增量性质： 运行这段代码时，需要理解每个输出对应哪条性质。增量均值应接近 0、增量方差应接近 $\Delta t$，对应平稳正态增量；二次变差之和应接近 $T=1$，对应二次变差性质；而 $B_T$ 的取值应落在 $\mathcal{N}(0,1)$ 的合理范围内。由于是单条轨迹，这些量都会有随机波动，判断时应看数量级是否吻合，而不是要求精确相等。若要更严格地检验，可重复生成多条独立轨迹，统计 $B_T$ 的样本方差是否接近 $T$，或对增量做正态性检验。 需要特别提醒一个常见误区：布朗运动的增量独立，但过程本身并不独立。$B_s$ 与 $B_t$ 的协方差为 $\min(s,t)$，二者高度相关。因此不能把轨迹上的点当作独立样本直接做回归或求均值方差，否则会低估不确定性。正确做法是基于增量建模，或使用协方差矩阵 $\Sigma_{ij}=\min(t_i,t_j)$ 处理。 四条定义并非彼此孤立。由平稳正态增量可推出鞅性；由独立增量与正态性可推出马尔可夫性（给定当前值，未来与过去条件独立）；由连续轨道与二次变差可推出轨迹处处不可微。理解这些推导关系，有助于在建模时判断哪些假设是“根”、哪些是“果”。例如，若实际数据呈现出增量方差不与时间间隔成正比（如存在均值回复），那么标准布朗运动模型就不适用，应考虑奥恩斯坦—乌伦贝克过程等替代模型。 下图把定义、性质与它们在轨迹生成和统计分析中的用途组织在一起，帮助建立整体结构： 最后强调一个实践要点：定义中的“连续轨道”是理论性质，而数值模拟得到的永远是离散点列。离散轨迹的二次变差之和会随步长变化而略有差异，只有当 $\Delta t$ 足够小、样本足够多时，统计量才稳定接近理论值。因此，在做参数估计或模型检验时，应同时报告步长、样本量与重复次数，避免把有限样本的波动误判为模型失效。三、从定义到可执行：离散生成与性质验证
import numpy as np
rng = np.random.default_rng(20240501) # 固定种子，保证示例可复现
T, dt = 1.0, 1e-3
n = int(T / dt)
t = np.linspace(0, T, n + 1)
# 独立、平稳的正态增量：均值0，方差dt
dB = rng.normal(0.0, np.sqrt(dt), size=n)
B = np.concatenate(([0.0], np.cumsum(dB))) # B_0 = 0
# 性质验证（示例数据，非实测结论）
print("B_T =", B[-1]) # 应接近 N(0, T)
print("增量均值 ≈", dB.mean()) # 应接近 0
print("增量方差 ≈", dB.var()) # 应接近 dt
print("二次变差 ≈", np.sum(dB**2)) # 应接近 T四、性质之间的关系与使用边界