4. 随机微分方程模型实例

随机微分方程（SDE）不是抽象符号游戏，它是对真实随机现象的数学建模。同一个一般形式 dX = a(X,t)dt + b(X,t)dW，只要换掉漂移项 a 和扩散项 b，就能描述股票价格、粒子速度、种群数量或短期利率。本节选取五个最常被引用的模型实例，重点说明每个模型的建模动机、方程结构、参数含义以及数值模拟时的关键注意点，为后续编写模拟代码建立对象层面的直觉。

一、几何布朗运动：乘性噪声下的资产价格

几何布朗运动（GBM）是 Black–Scholes 框架的基础模型，用于描述股票等资产价格。其 SDE 为：

dS = μ·S·dt + σ·S·dW

这里 μ 是期望收益率，σ 是波动率，两者都是常数。关键特征是扩散项含 S 本身，即噪声是乘性的：价格越高，绝对波动幅度越大，但相对波动率保持恒定。这符合股价不会为负、且涨跌幅按比例计量的经验事实。

该方程有解析解 S(t) = S(0)·exp[(μ − σ²/2)t + σW(t)]，因此常被用作检验数值格式的基准。用 Euler–Maruyama 格式离散时：

S_{n+1} = S_n + μ·S_n·Δt + σ·S_n·√Δt·Z_n,  Z_n ~ N(0,1)

需要注意，朴素 Euler 格式在 σ 较大或 Δt 较大时可能产生负价格，这与模型的经济含义矛盾。实践中可改用对数变换后的精确格式，或对 S 取绝对值/指数形式修正。示例参数可取 S0=100, μ=0.08, σ=0.25, T=1，用 1000 步模拟并统计终端价格分布，应接近对数正态。

二、Ornstein–Uhlenbeck 过程：均值回复的连续时间版本

OU 过程描述围绕长期均值波动的量，如利率、波动率、温度偏差。方程为：

dX = θ(μ − X)dt + σ·dW

θ > 0 是回复速度，μ 是长期均值，σ 是噪声强度。漂移项在 X > μ 时为负、在 X < μ 时为正，形成“拉回”效应。其解析解为 X(t) = μ + (X(0)−μ)e^{−θt} + σ∫e^{−θ(t−s)}dW(s)，稳态方差为 σ²/(2θ)。

数值模拟时，Euler 格式为 X_{n+1} = X_n + θ(μ−X_n)Δt + σ√Δt·Z_n。由于 OU 过程是线性的，也可用精确离散化：X_{n+1} = μ + (X_n−μ)e^{−θΔt} + σ√((1−e^{−2θΔt})/(2θ))·Z_n，后者在任意步长下都保持正确的稳态分布，是教学演示中值得对比的两种实现。示例参数 θ=2, μ=0, σ=0.5, X0=3，可观察轨迹在若干时间单位内收敛到 0 附近波动。

三、Langevin 方程：物理中的阻尼加噪声

Langevin 方程描述布朗粒子在流体中的速度：

m·dV = −γ·V·dt + σ·dW

其中 γ 是阻尼系数，σ 与温度通过涨落耗散定理联系（σ² = 2γk_BT）。它本质上是 OU 过程在速度变量上的特例，但物理意义不同：漂移项代表黏性阻力，噪声代表分子碰撞的随机力。若进一步对位置积分 dX = V·dt，就得到二维耦合系统 (X, V)，这是展示“SDE 系统”与“单变量 SDE”差异的好例子。

模拟时需同时更新速度和位置，注意时间步长应远小于阻尼时间 1/γ，否则速度的快速弛豫会被数值格式抹平。示例可取 m=1, γ=1, σ=0.5, V0=2，观察速度自相关函数呈指数衰减。

四、种群增长模型：环境噪声下的 Logistic 过程

确定性 Logistic 方程 dN = rN(1−N/K)dt 描述资源受限的增长。引入环境随机性后得到随机 Logistic 模型：

dN = rN(1−N/K)dt + σN·dW

其中 K 为环境容纳量，r 为内禀增长率，噪声为乘性。与 GBM 不同，这里的漂移项含饱和项，使种群在 K 附近受到抑制。数值上需保证 N ≥ 0，常用做法是对 N 做截断或改用对数变量。示例参数 r=0.6, K=100, σ=0.2, N0=10，可观察轨迹在 100 附近随机波动，偶尔出现较大偏离。

五、利率模型：Vasicek 与 CIR 的对比

短期利率建模中，Vasicek 模型就是 OU 过程：dr = a(b−r)dt + σdW，优点是解析 tractable，缺点是利率可能为负。CIR 模型改为：

dr = a(b−r)dt + σ√r·dW

扩散项含 √r，当 r 接近 0 时噪声自动减小，在参数满足 2ab > σ² 时可保证利率非负。模拟 CIR 时，Euler 格式可能因 √r 在负值处无定义而失败，需采用全截断格式 r_{n+1} = r_n + a(b−r_n)Δt + σ√(max(r_n,0))√Δt·Z_n，或使用隐式格式。示例参数 a=0.3, b=0.05, σ=0.1, r0=0.03，可对比两模型在低利率区域的轨迹差异。

建模选择与数值模拟的衔接

面对一个实际问题，选择哪个模型可以从三个问题入手：该量是否可能为负（决定是否用乘性噪声或状态依赖扩散）、是否存在长期均值（决定是否加入回复项）、噪声强度是否随状态变化（决定扩散项形式）。例如股价不可为负且相对波动稳定，选 GBM；利率有均值回复倾向且不应为负，选 CIR；粒子速度受阻尼且噪声恒定，选 Langevin。

进入数值模拟阶段后，这五个模型分别对应不同的实现要点：GBM 可对照解析解验证格式精度；OU 可对比 Euler 与精确离散化的稳态分布；Langevin 需处理速度与位置的双变量更新；随机 Logistic 需做非负截断；CIR 需处理 √r 的定义域。建议在同一个模拟框架中实现这五个漂移/扩散函数，用统一的时间网格和随机数种子运行，观察轨迹形态与统计量的差异，这比单独记忆方程更能建立对 SDE 数值方法的整体把握。