4. OU过程数学定义

在均值回归速度建模中，Ornstein-Uhlenbeck过程（简称OU过程）是最经典、最常用的连续时间随机过程之一。它既保留了随机扰动的现实性，又通过均值回归机制刻画了价格、价差、波动率等变量“偏离后回归”的行为。理解OU过程的数学定义，是后续参数估计、速度建模和策略构建的基础。

一、核心原理：OU过程的随机微分方程

OU过程的标准随机微分方程（SDE）形式如下：

dX_t = θ(μ - X_t)dt + σ dW_t

其中各符号含义为：

• X_t：t时刻的过程取值，通常表示价差、收益率或对数价格。
• θ：均值回归速度参数，θ > 0，衡量变量偏离均值后回归的快慢。
• μ：长期均值水平，过程围绕该值波动。
• σ：波动率参数，σ > 0，控制随机扰动强度。
• W_t：标准布朗运动，dW_t 为布朗增量，服从 N(0, dt)。

该方程由两部分组成：漂移项 θ(μ - X_t)dt 和扩散项 σ dW_t。漂移项是OU过程区别于普通布朗运动的关键：当 X_t > μ 时，漂移为负，把过程向下拉；当 X_t < μ 时，漂移为正，把过程向上推。这种“越偏离、拉力越大”的机制，正是均值回归的数学表达。

二、方法流程：从SDE到解析解与概率分布

OU过程的一个重要优势是存在显式解析解。对SDE应用伊藤引理或积分因子法，可以得到：

X_t = μ + (X_0 - μ)e^(-θt) + σ ∫_0^t e^(-θ(t-s)) dW_s

该解析解表明，X_t 由三部分构成：长期均值 μ、初始偏离的指数衰减项 (X_0 - μ)e^(-θt)，以及历史随机扰动的累积项。随着 t 增大，初始条件的影响以 e^(-θt) 的速度衰减。

进一步可得OU过程的条件概率分布：

X_t | X_0 ~ N( μ + (X_0 - μ)e^(-θt),  σ²(1 - e^(-2θt)) / (2θ) )

当 t → ∞ 时，过程达到平稳分布：

X_∞ ~ N( μ, σ² / (2θ) )

这说明长期来看，OU过程围绕 μ 波动，其平稳方差为 σ²/(2θ)。θ 越大，平稳方差越小，过程越“紧贴”均值；σ 越大，平稳方差越大，波动越剧烈。

三、案例/场景：价差交易的OU建模

假设我们研究两个协整股票的价差序列，价差围绕0波动。用OU过程建模，参数估计结果为：

参数	估计值	含义解读
μ	0.02	长期均值接近0，符合价差中枢假设
θ	0.85	回归速度较快，半衰期约0.82天
σ	0.12	日波动率约12%，扰动强度中等
平稳标准差	0.092	σ/√(2θ)，价差长期波动范围约±0.09

基于该模型，当价差偏离均值超过1.5倍平稳标准差时，可考虑开仓；当价差回归至均值附近时平仓。θ 决定了持仓周期的预期长度：半衰期 t_{1/2} = ln2/θ ≈ 0.82天，意味着偏离后约0.82天回归一半。

四、误区/复盘：参数含义与边界条件

在实战中，对OU过程参数的理解容易出现以下偏差：

1. 把θ当作收益率：θ是回归速度，单位是1/时间，不是收益率。θ=0.85表示每天回归85%的偏离，而非每天赚0.85%。
2. 忽略σ与θ的耦合：平稳方差由σ²/(2θ)共同决定。单独看σ或θ都可能误判波动范围。
3. 用长期均值代替动态均值：OU过程的均值μ是常数，但实际市场中枢可能漂移。若μ不稳定，需改用带时变均值的扩展模型。
4. 离散化误差：当Δ较大时，离散化估计的θ会有偏差。建议使用较高频数据或精确极大似然估计。

复盘时，应重点检查：残差是否接近白噪声、θ是否显著大于0、平稳分布是否合理。若θ估计不显著，说明均值回归证据不足，不宜强行套用OU策略。