2. 随机过程基础
在进入OU过程与均值回归速度建模之前，必须先建立一套关于“随机性如何在时间上展开”的语言。本章的目标不是把随机过程理论讲全，而是把后续建模真正会用到的四块基石讲透：连续时间随机过程的定义框架、布朗运动的直观来源、维纳过程的严格性质，以及马尔可夫性质为何能让复杂系统变得可计算。理解这四点，后续推导OU过程的均值回归速度、半衰期和稳态分布时，才不会停留在“套公式”层面。
一、核心原理：从离散随机游走到连续时间过程
随机过程可以理解为“一族随时间索引的随机变量”。若时间索引取离散值，例如每天收盘价，就是离散时间过程；若时间索引连续，例如任意时刻的资产价格或利率，就是连续时间随机过程。形式化地，一个连续时间随机过程可写作 \(\{X_t\}_{t\ge 0}\)，其中每个 \(X_t\) 都是定义在同一概率空间上的随机变量。
布朗运动最初来自物理学对花粉颗粒无规则运动的观察。它的数学抽象是：粒子在极短时间内的位移由大量微小、近似独立的随机冲击叠加而成。把时间间隔不断细分，离散随机游走在极限下收敛为连续但处处不可微的路径，这就是布朗运动。维纳过程则是布朗运动的严格数学定义，因此二者在多数工程语境中可视为同义词，但“维纳过程”更强调其公理化性质。
二、维纳过程的定义与关键性质
标准维纳过程 \(\{W_t\}_{t\ge 0}\) 满足以下条件：
- 初值：\(W_0 = 0\)，通常从原点出发。
- 独立增量：对任意 \(0 \le t_1 < t_2 < \cdots < t_n\)，增量 \(W_{t_2}-W_{t_1}, \ldots, W_{t_n}-W_{t_{n-1}}\) 相互独立。
- 平稳高斯增量：对任意 \(s < t\)，有 \(W_t - W_s \sim \mathcal{N}(0, t-s)\)，即增量均值0、方差等于时间差。
- 连续路径：样本路径几乎必然连续，但几乎必然处处不可微。
由定义可直接推出：\(W_t \sim \mathcal{N}(0,t)\)，且协方差为 \(\mathrm{Cov}(W_s, W_t) = \min(s,t)\)。这意味着维纳过程不是独立过程，而是增量独立、水平相关的过程。理解这一点对后续OU建模非常关键：OU过程同样具有马尔可夫性，但它的增量不再独立，因为存在均值回归牵引。
| 性质 | 维纳过程 | OU过程（后续章节） |
|---|---|---|
| 增量独立性 | 独立 | 不独立，受回归项影响 |
| 长期方差 | 随时间线性增长，趋于无穷 | 趋于有限稳态方差 |
| 均值行为 | 始终为0（标准情形） | 向长期均值回归 |
| 马尔可夫性 | 满足 | 满足 |
| 路径特征 | 连续、不可微、无界波动 | 连续、不可微、围绕均值波动 |
三、马尔可夫性质：让“现在”成为充分统计量
马尔可夫性质的核心表述是：在已知当前状态的条件下，未来状态与过去历史无关。用条件期望表达为：
P(X_{t+Δ} ∈ A | X_t, X_{t-Δ}, ..., X_0) = P(X_{t+Δ} ∈ A | X_t)这条性质之所以重要，是因为它把“预测未来”所需的全部信息压缩到当前状态。对于维纳过程，由于增量独立，马尔可夫性自然成立。对于OU过程，虽然增量不独立，但由于其随机微分方程只依赖当前值，马尔可夫性依然成立。这意味着在建模均值回归速度时，我们不需要追溯完整历史，只需关注当前偏离均值的程度。
四、案例与场景：用离散模拟理解连续过程
下面用Python模拟标准维纳过程与一个简单均值回归过程的路径，帮助建立直观对比。代码保留换行，可直接运行。
import numpy as np
import matplotlib.pyplot as plt
np.random.seed(42)
T = 1.0
N = 1000
dt = T / N
t = np.linspace(0, T, N + 1)
# 标准维纳过程
dW = np.random.normal(0, np.sqrt(dt), N)
W = np.concatenate([[0], np.cumsum(dW)])
# 简单均值回归：dX = theta*(mu - X)*dt + sigma*dW
theta, mu, sigma = 5.0, 0.0, 0.3
X = np.zeros(N + 1)
for i in range(N):
X[i+1] = X[i] + theta * (mu - X[i]) * dt + sigma * dW[i]
plt.plot(t, W, label='Wiener')
plt.plot(t, X, label='Mean-reverting')
plt.legend()
plt.xlabel('time')
plt.ylabel('value')
plt.show()运行后可以观察到：维纳过程会持续漂移，长期没有固定中心；均值回归过程则被反复拉回均值附近。这个对比正是后续OU过程建模的起点。
五、误区与复盘
- 误区一：把布朗运动当成“白噪声”。白噪声是独立同分布序列，布朗运动是其连续累积，二者层级不同。
- 误区二：认为维纳过程可微。维纳过程几乎必然处处不可微，因此不能直接对路径求普通导数，必须使用随机微积分。
- 误区三：忽略马尔可夫性的适用边界。马尔可夫性依赖模型设定，若遗漏重要状态变量，条件独立性可能被破坏。
- 误区四：把均值回归速度与波动率混为一谈。回归速度决定“拉回均值的快慢”，波动率决定“随机冲击的幅度”，二者在OU过程中角色不同。
掌握这些基础后，下一步就可以自然过渡到：如何用随机微分方程描述一个既受随机冲击、又被均值牵引的过程，并进一步量化“回归速度”这一核心参数。