概率论基础：概率空间、随机变量、期望、方差、条件期望与独立性
布朗运动与伊藤引理是随机分析的核心工具，而它们的数学根基正是概率论。无论是描述资产价格的几何布朗运动，还是推导伊藤引理中的二阶微分项，都需要对概率空间、随机变量、期望与条件期望有精确的理解。本节将系统梳理这些必备的概率工具，并特别强调在连续时间随机过程（如布朗运动）中，这些概念如何被自然推广。我们将从测度论视角出发，但始终以金融工程和随机分析的应用为导向，确保每一个定义都能在后续的伊藤积分中直接找到对应物。
核心原理：从测度论到随机过程的语言
概率论的公理化体系由柯尔莫哥洛夫于1933年建立，其核心是概率空间三元组 (Ω, F, P)。其中 Ω 是样本空间，代表所有可能结果的集合；F 是 Ω 上的 σ-代数，即一组满足特定封闭性（对可数并、补集封闭）的事件集合，它规定了哪些事件可以被赋予概率；P 是定义在 F 上的概率测度，满足 P(Ω)=1 且对可数个互不相容事件具有可加性。在布朗运动的语境中，Ω 通常取为连续函数空间 C[0,∞)，F 由柱集生成，P 则是维纳测度——这保证了样本路径的连续性。
随机变量 X 是从 Ω 到实数集 R 的可测函数，它将样本点映射为数值。对于布朗运动，我们关心的是一族随机变量 {B_t : t≥0}，其中每个 B_t 都是定义在同一概率空间上的随机变量。分布函数 F(x)=P(X≤x) 完整描述了单个随机变量的统计特性，而联合分布则描述了多个随机变量（如 B_s 与 B_t）的相互关系。在随机分析中，我们还需要引入滤过（Filtration）的概念——即一族递增的 σ-代数 {F_t}，其中 F_t 表示截至时刻 t 所能获得的所有信息。布朗运动 B_t 关于其自然滤过是适应的，这意味着 B_t 在 F_t 下是可测的。
期望、方差与矩母函数：分布的数字特征
期望 E[X] = ∫Ω X dP 是随机变量的加权平均，在金融中对应资产的预期收益。方差 Var(X) = E[(X-E[X])²] 度量了波动性，其平方根即标准差 σ。对于布朗运动，我们有极其简洁的结果：E[B_t] = 0，Var(B_t) = t。这意味着不确定性随时间线性增长——这正是随机游走的特征。更一般地，协方差 Cov(B_s, B_t) = min(s,t)，这一性质在计算多维随机过程的联合分布时至关重要。
矩母函数 M(t) = E[e^{tX}] 是另一个强大的工具，它唯一确定了随机变量的分布（在某个邻域内存在时）。对于正态分布 N(μ, σ²)，M(t) = exp(μt + σ²t²/2)。布朗运动的增量 B_t - B_s ~ N(0, t-s)，因此其矩母函数为 exp((t-s)t²/2)。在推导伊藤引理时，我们经常利用正态分布的高阶矩性质：E[B_t⁴] = 3t²，这源于正态分布的四阶矩公式。
| 概念 | 定义 | 布朗运动对应 | 在伊藤引理中的作用 |
|---|---|---|---|
| 期望 E[X] | ∫X dP | E[B_t] = 0 | 漂移项系数 |
| 方差 Var(X) | E[(X-μ)²] | Var(B_t) = t | 扩散项系数 |
| 协方差 Cov(X,Y) | E[(X-μx)(Y-μy)] | Cov(B_s,B_t)=min(s,t) | 多维过程相关性 |
| 矩母函数 M(t) | E[e^{tX}] | exp((t-s)t²/2) | 推导高阶矩 |
条件期望与鞅：动态信息的核心工具
条件期望 E[X|G] 是在给定子 σ-代数 G 的信息下对随机变量 X 的最优预测。它满足两个关键性质：塔性质（若 H ⊂ G，则 E[E[X|G]|H] = E[X|H]）和可测性（E[X|G] 是 G-可测的）。在金融中，条件期望对应着基于当前信息集对未来收益的预期。鞅（Martingale）是一类特殊的随机过程，满足 E[X_{t+1}|F_t] = X_t，即未来条件期望等于当前值——这表示过程没有漂移趋势，是"公平博弈"的数学模型。
布朗运动 B_t 本身就是一个鞅：对于 s < t，E[B_t|F_s] = B_s。这一性质是伊藤积分的基础——伊藤积分 ∫₀ᵗ H_s dB_s 也是一个鞅（在适当条件下），这使得我们可以利用鞅的停时定理和可选停止定理来分析随机微分方程。在资产定价中，风险中性测度下的折现价格过程是鞅，这直接导致了布莱克-斯科尔斯公式的推导。
独立性：从随机变量到增量
两个事件 A 和 B 独立当且仅当 P(A∩B) = P(A)P(B)。对于随机变量，X 与 Y 独立意味着它们的联合分布等于边缘分布的乘积，等价于对任意有界可测函数 f,g 有 E[f(X)g(Y)] = E[f(X)]E[g(Y)]。独立性的一个重要推论是：若 X⊥Y，则 Var(X+Y) = Var(X) + Var(Y)，且 Cov(X,Y)=0（但反之不成立）。
布朗运动最核心的性质之一是独立增量性：对于 0 ≤ t₁ < t₂ < ... < tₙ，增量 B_{t₁} - B_{t₀}, B_{t₂} - B_{t₁}, ..., B_{tₙ} - B_{t_{n-1}} 是相互独立的随机变量。这一性质使得布朗运动成为构建随机积分最自然的载体——伊藤积分正是基于对独立增量过程的线性组合取极限而定义的。同时，增量 B_t - B_s 与历史信息 F_s 独立，这保证了随机微分方程的解具有马尔可夫性。
案例拆解：用概率工具验证几何布朗运动的性质
考虑金融中最常用的资产价格模型：dS_t = μS_t dt + σS_t dB_t，其解为 S_t = S₀ exp((μ - σ²/2)t + σB_t)。我们利用本节概率工具来验证其关键性质。
背景与目标：假设某股票当前价格 S₀=100，年化漂移率 μ=8%，波动率 σ=20%。我们需要计算一年后价格 S₁ 的期望和方差，并验证其对数正态分布特性。
分析过程：首先，由伊藤引理可得 ln(S_t) = ln(S₀) + (μ - σ²/2)t + σB_t。因此 ln(S₁) ~ N(ln(100) + (0.08 - 0.04)×1, 0.04×1) = N(4.6052 + 0.04, 0.04) = N(4.6452, 0.04)。
计算步骤：
- 计算对数期望：E[ln(S₁)] = 4.6452，对应中位数价格 e^{4.6452} ≈ 104.08
- 计算对数方差：Var(ln(S₁)) = 0.04，标准差为 0.2
- 利用对数正态分布公式：E[S₁] = exp(μ_ln + σ_ln²/2) = exp(4.6452 + 0.02) = exp(4.6652) ≈ 106.18
- 计算方差：Var(S₁) = E[S₁]² × (e^{σ_ln²} - 1) = 106.18² × (e^{0.04} - 1) ≈ 11274 × 0.0408 ≈ 460
结果与验证：E[S₁] ≈ 106.18 与直觉一致——由于波动率的存在，期望价格高于中位数价格（104.08），这正是对数正态分布的右偏特性。Var(S₁) ≈ 460 对应标准差约 21.45 美元，体现了波动率的复合效应。
风险与代价：若误用正态分布假设（即假设 S₁ 本身服从正态分布），会低估尾部风险。例如，正态分布下 P(S₁ < 60) 几乎为 0，但对数正态分布下该概率约为 2.3%。这直接影响到期权定价中深度虚值期权的价值。
复盘经验：本节概率工具在此案例中的关键作用：① 期望与方差公式用于计算分布参数；② 独立性保证了 B₁ 与历史信息无关，使得一年期预测只需关注单一时间点；③ 条件期望的鞅性质可用于验证风险中性测度下的折现价格过程。