2. 随机过程与伊藤引理
在障碍期权、亚式期权与数字奇异期权的定价中，标的资产价格不再被当作一个静态数字，而是被建模为随时间演化的随机过程。理解布朗运动、几何布朗运动、伊藤公式与风险中性定价原理，是后续推导敲出/敲入概率、路径依赖均值分布以及数字期权触发概率的数学地基。本节将这四个概念串成一条从“随机性描述”到“可定价”的完整逻辑链。
一、核心原理：从布朗运动到几何布朗运动
标准布朗运动（Wiener过程）\(W_t\) 是连续时间随机性的基本构件，它满足三个关键性质：\(W_0=0\)；增量独立且 \(W_t-W_s \sim N(0,t-s)\)；路径连续但几乎处处不可微。正是“不可微”这一特性，使得普通微积分无法直接处理，必须引入伊藤积分。
然而，标准布朗运动可以取负值，不适合直接描述股票价格。于是引入几何布朗运动（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 : 瞬时收益率（漂移率）
σ : 瞬时波动率
dW_t : 标准布朗运动增量该式表明：价格的瞬时变化率由两部分组成——确定性的漂移项 \(\mu S_t dt\) 与随机性的扩散项 \(\sigma S_t dW_t\)。由于扩散项与 \(S_t\) 成正比，价格永远保持非负，且收益率的分布近似正态，这与市场观测更吻合。
二、伊藤引理：随机世界里的“链式法则”
普通微积分中，若 \(y=f(x)\)，则 \(dy=f'(x)dx\)。但在随机过程中，由于布朗运动路径的二次变差不为零（\((dW_t)^2 = dt\)），泰勒展开必须保留二阶项，这就产生了伊藤引理。
设 \(S_t\) 服从 GBM，令 \(V(S_t,t)\) 为期权价格函数，则伊藤引理给出：
dV = (∂V/∂t + μ S ∂V/∂S + ½ σ² S² ∂²V/∂S²) dt
+ σ S ∂V/∂S dW_t这个公式是 Black-Scholes 方程的直接来源：通过构造无风险对冲组合消去 \(dW_t\) 项，令组合收益等于无风险利率，即可得到偏微分方程。对奇异期权而言，伊藤引理还用于推导障碍附近的价格跳跃条件、亚式期权的路径积分变换等。
三、方法流程：风险中性定价的四步操作
风险中性定价并非假设投资者真的风险中性，而是一种等价鞅测度变换技巧。其标准流程如下：
- 选择测度：将真实概率测度 \(\mathbb{P}\) 转换为风险中性测度 \(\mathbb{Q}\)，漂移率由 μ 改为 r。
- 写出随机微分方程：在 \(\mathbb{Q}\) 下标的资产满足 \(dS_t = r S_t dt + σ S_t dW_t^{\mathbb{Q}}\)。
- 求终端分布：解得 \(S_T = S_0 \exp[(r - ½σ²)T + σW_T^{\mathbb{Q}}]\)，即对数正态分布。
- 贴现期望：期权价格 \(V_0 = e^{-rT} \mathbb{E}^{\mathbb{Q}}[\text{Payoff}(S_T)]\)。
对于路径依赖的奇异期权，第4步的期望需要在整个路径上计算，通常借助蒙特卡洛模拟或解析近似。下表对比了三种典型期权在风险中性框架下的定价要素：
| 期权类型 | 终端/路径收益 | 定价难点 | 常用方法 |
|---|---|---|---|
| 欧式看涨 | max(S_T − K, 0) | 仅依赖终端值 | Black-Scholes 解析解 |
| 向下敲出障碍 | max(S_T − K,0)·1{min S_t > B} | 路径极值分布 | 反射原理 + 解析修正 |
| 亚式平均 | max(A_T − K, 0) | 算术平均无解析分布 | 蒙特卡洛 / 矩匹配近似 |
四、案例与场景：数字期权触发概率的快速估算
考虑一个现金或无数字看涨期权：若到期 \(S_T > K\)，支付 1 元，否则支付 0。在风险中性测度下，其价格就是 \(e^{-rT} \mathbb{Q}(S_T > K)\)。利用 GBM 的对数正态解：
ln S_T ~ N( ln S_0 + (r − ½σ²)T , σ²T )
因此：
Q(S_T > K) = N(d_2)
d_2 = [ln(S_0/K) + (r − ½σ²)T] / (σ√T)
数字看涨价格 = e^{−rT} · N(d_2)这个结果直接来自风险中性定价与布朗运动的正态增量性质。对于障碍数字期权，只需将 \(N(d_2)\) 替换为带吸收壁的首次穿越概率，其核心仍是同一套随机过程工具。
五、复盘：四个概念的逻辑关系
布朗运动提供随机源，几何布朗运动将其转化为价格模型，伊藤引理解决随机函数的微分问题，风险中性定价则把随机微分方程转化为可计算的期望值。四者层层递进，缺一不可。在后续障碍、亚式与数字奇异期权的定价中，你会反复回到这条主线：建模 → 变换 → 求期望 → 贴现。