3. 随机过程与伊藤引理
在期权定价的整个理论体系中，随机过程是描述标的资产价格演化的语言，而伊藤引理则是连接随机过程与偏微分方程的桥梁。没有这两块基石，Black-Scholes 公式、风险中性定价、蒙特卡洛模拟都无从谈起。本节从布朗运动出发，逐步构建几何布朗运动模型，并推导伊藤公式在期权定价中的核心应用。
一、核心原理：从布朗运动到几何布朗运动
布朗运动（Wiener 过程）是连续时间随机建模的起点。一个标准布朗运动 \(W_t\) 满足三个条件：\(W_0=0\)；增量独立且服从正态分布 \(W_t-W_s \sim N(0,t-s)\)；路径连续但几乎处处不可微。正是"不可微"这一性质，使得普通微积分无法直接处理，必须引入伊藤积分。
然而，布朗运动本身不能直接作为股票价格模型，因为它可能取负值，且其增量方差与价格水平无关。于是我们引入几何布朗运动（GBM）：
dS_t = μ S_t dt + σ S_t dW_t
其中：
S_t : t 时刻标的资产价格
μ : 漂移率（年化期望收益率）
σ : 波动率（年化标准差）
dW_t : 标准布朗运动增量GBM 的关键特征是收益率而非价格本身服从正态分布，这保证了价格恒为正，且波动幅度与价格成比例。对 GBM 两边同除以 \(S_t\)，得到 \(dS_t/S_t = μ dt + σ dW_t\)，即对数收益率在微小时间内的线性近似。
二、伊藤引理：随机微积分的链式法则
普通微积分中，若 \(y=f(x)\)，则 \(dy=f'(x)dx\)。但在随机环境中，由于布朗运动路径的二次变差不为零，泰勒展开必须保留二阶项。设 \(X_t\) 满足 \(dX_t = a(X_t,t)dt + b(X_t,t)dW_t\)，对于函数 \(f(X_t,t)\)，伊藤引理给出：
df = (∂f/∂t + a ∂f/∂X + ½ b² ∂²f/∂X²) dt + b ∂f/∂X dW_t
关键修正项：½ b² ∂²f/∂X² dt
这一项来自 (dW_t)² = dt 的伊藤乘法规则。将伊藤引理应用于 GBM 中的 \(f(S)=\ln S\)，可以解析求解得到：
S_t = S_0 · exp[(μ - σ²/2)t + σ W_t]
对数价格 ln S_t ~ N(ln S_0 + (μ - σ²/2)t, σ²t)这个结果直接用于蒙特卡洛模拟中生成价格路径，也是 Black-Scholes 公式推导的起点。注意漂移项中出现了 \(-\sigma^2/2\) 的修正，这正是伊藤引理带来的"波动率拖累"效应。
三、方法流程：连续时间建模的实操步骤
- 确定模型形式：根据资产特性选择 GBM、均值回归或跳跃扩散过程。
- 估计参数：用历史数据估计 μ 和 σ。σ 通常用对数收益率的标准差年化：σ = std(ln(S_t/S_{t-1})) × √252。
- 离散化：将连续 SDE 转为可计算的差分格式，如 Euler-Maruyama 或精确解格式。
- 路径模拟：生成标准正态随机数，按公式迭代得到价格路径。
- 验证与校准：检查模拟路径的统计特征是否与市场隐含波动率一致。
# Python 蒙特卡洛模拟 GBM 路径（精确解格式）
import numpy as np
S0, mu, sigma, T, N, M = 100, 0.08, 0.2, 1.0, 252, 10000
dt = T / N
Z = np.random.standard_normal((N, M))
S = np.zeros((N+1, M))
S[0] = S0
for t in range(1, N+1):
S[t] = S[t-1] * np.exp((mu - 0.5*sigma**2)*dt + sigma*np.sqrt(dt)*Z[t-1])
print("终端价格均值:", S[-1].mean(), "理论值:", S0*np.exp(mu*T))四、案例与场景：从模型到定价
假设某股票 S0=100，μ=8%，σ=20%，期限 1 年。用上述代码模拟 10000 条路径，终端价格均值应接近 100×e^0.08≈108.33。若用 Euler 格式离散化，当 dt 较大时会出现离散误差，导致均值偏离；精确解格式则无此问题。
在期权定价中，风险中性测度下将 μ 替换为无风险利率 r，则欧式看涨期权价格可写为：
C = e^{-rT} E^Q[max(S_T - K, 0)]
其中 S_T = S_0 · exp[(r - σ²/2)T + σ W_T^Q]这正是蒙特卡洛期权定价的理论基础。伊藤引理还用于推导 Black-Scholes PDE：构造无风险对冲组合 Π = V - ΔS，利用伊藤引理展开 dV，消去 dW 项后得到 PDE。
五、常见误区与复盘
| 误区 | 正确理解 |
|---|---|
| 直接用 μ 作为对数收益率的漂移 | 对数漂移应为 μ - σ²/2，伊藤修正不可忽略 |
| 认为布朗运动可微，用普通链式法则 | 必须使用伊藤引理，保留二阶项 |
| Euler 离散化在大步长下仍准确 | 大步长时误差显著，优先使用精确解格式 |
| 忽略 σ 的年化换算 | 日波动率需乘 √252 转为年化 |
| 认为 GBM 能捕捉所有市场特征 | GBM 无法刻画波动率微笑和跳跃，需扩展模型 |
掌握本节内容后，你应当能够：写出 GBM 的 SDE 与精确解；正确应用伊藤引理展开价格函数；用蒙特卡洛模拟生成价格路径；识别并避免常见的漂移项与离散化错误。这些能力将直接支撑后续 Black-Scholes 推导与 Greeks 计算。