4. 随机过程入门

在区间累计（Range Accrual）定价中，我们最终要回答的问题是：标的资产价格在未来一段时间内，有多少概率停留在某个区间内？这个问题的答案，本质上取决于我们如何刻画资产价格的随机演化。本节从最基础的随机过程出发，建立从布朗运动到风险中性定价的完整直觉链条，为后续的蒙特卡洛模拟与解析近似打下基础。

一、核心原理：从随机游走到连续时间

布朗运动（Brownian Motion）是连续时间随机过程的基石。标准布朗运动 \(W_t\) 满足三个关键性质：\(W_0=0\)；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。第三条性质常被忽视，却直接决定了伊藤引理的必要性——普通微积分无法处理这种“处处锯齿”的路径。

几何布朗运动（GBM）在布朗运动基础上引入比例漂移与比例波动，使价格始终为正：

dS_t = μ S_t dt + σ S_t dW_t

其中 μ 为漂移率，σ 为波动率。GBM 的对数价格服从正态分布，这解释了为什么 Black-Scholes 框架下收益率是正态的，而价格本身是对数正态的。对区间累计而言，GBM 意味着价格不会跌破零，但可能长期偏离初始区间，这正是区间累计风险的核心来源。

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，由于布朗运动的二次变差不为零（\((dW_t)^2=dt\)），泰勒展开必须保留二阶项。伊藤引理告诉我们：

df(S_t) = (∂f/∂t + μS ∂f/∂S + ½σ²S² ∂²f/∂S²) dt + σS ∂f/∂S dW_t

这个多出来的 \(½σ²S² ∂²f/∂S²\) 项，就是“伊藤修正项”。它解释了为什么波动率会侵蚀期权价值，也解释了为什么区间累计的定价不能简单用“价格落在区间内的概率”乘以票息——凸性调整无处不在。

三、风险中性定价直觉：从真实世界到定价世界

真实世界中，投资者要求风险溢价，漂移率 μ 包含主观预期。但定价时我们切换到风险中性测度 \(Q\)，将漂移率替换为无风险利率 r（或 r-q，含股息率）。这一转换的直觉是：与其猜测未来预期收益，不如用可复制的对冲组合来定价。

在风险中性测度下，GBM 变为：

dS_t = (r - q) S_t dt + σ S_t dW_t^Q

此时，任何衍生品的价格等于其未来现金流的风险中性期望，按无风险利率贴现。对区间累计而言，这意味着我们不需要预测价格会涨还是会跌，只需要在风险中性框架下模拟价格路径，统计其落在累计区间内的天数比例，再乘以票息并贴现。

四、案例与场景：区间累计中的随机过程应用

假设某区间累计结构：标的初始价格 100，区间为 [90, 110]，期限 1 年，每日观察，票面利率 8%，无风险利率 3%，波动率 20%。我们需要估计价格在区间内的累计天数比例。

用蒙特卡洛模拟的伪代码逻辑如下：

for each path:
    S = S0
    count = 0
    for each day t:
        S = S * exp((r - q - 0.5*σ²)*dt + σ*sqrt(dt)*Z)
        if L <= S <= U:
            count += 1
    accrual_ratio = count / total_days
    payoff = notional * coupon * accrual_ratio
    pv = payoff * exp(-r * T)
price = average(pv over all paths)

五、误区与复盘

• 误区一：用真实世界概率定价。真实世界的漂移率包含风险溢价，直接使用会导致定价偏差。必须切换到风险中性测度，将漂移替换为 r-q。
• 误区二：忽略伊藤修正项。在模拟中，对数价格需要减去 ½σ²dt，否则模拟出的期望价格会偏高，导致应计比例被高估。
• 误区三：认为波动率只影响价格分布宽度。波动率还通过伊藤引理影响漂移修正，进而影响路径的整体位置，对区间累计的影响是双重的。
• 误区四：离散观察与连续观察混用。每日观察与连续观察的应计比例不同，连续观察下触碰边界的概率更高，定价时需明确观察频率。

复盘时，建议先用解析近似（如基于布朗运动首达时的公式）快速估算，再用蒙特卡洛模拟验证。两者差异过大时，优先检查风险中性漂移、伊藤修正项和观察频率是否一致。掌握这些随机过程基础后，后续的区间累计定价将不再是黑箱，而是一条从布朗运动到现金流贴现的清晰链条。