第三节 随机过程初步：随机过程的定义、样本路径、有限维分布、平稳性与独立增量过程

在金融工程与量化分析的语境中，我们通常面对的不是单个随机变量，而是一族随时间演化的随机变量。无论是股票价格、利率期限结构，还是波动率曲面，其本质都是随时间变化的随机系统。要理解布朗运动与伊藤引理，首先必须建立描述这类系统的语言框架——随机过程。本节将系统梳理随机过程的数学定义、核心刻画工具（样本路径与有限维分布），以及两类至关重要的结构性质（平稳性与独立增量过程），为后续引入维纳过程与随机积分奠定严格基础。

3.1 随机过程的严格定义与两种视角

随机过程是概率论从有限维随机向量向无限维随机对象推广的自然结果。其严格定义如下：设 (Ω, ℱ, ℙ) 为一个概率空间，T 为指标集（通常取 [0,∞) 或 ℤ），S 为状态空间（通常为 ℝ 或 ℝ^d）。一个随机过程是定义在乘积空间上的可测映射：

X: T × Ω → S
(t, ω) ↦ X(t, ω)

这个定义包含两个关键视角：

• 固定 t：X(t, ·) 是一个随机变量，描述在特定时刻系统状态的概率分布；
• 固定 ω：X(·, ω) 是一个确定性函数，称为一条样本路径或轨道，描述一次随机试验中系统随时间的实际演化轨迹。

在金融实践中，我们观察到的历史价格序列本质上是一条样本路径，而所有可能的价格轨迹构成了整个随机过程。这种双重视角是理解随机分析的关键——伊藤积分正是沿着样本路径定义的。

3.2 有限维分布族与 Kolmogorov 相容性定理

随机过程的概率规律完全由它的有限维分布族决定。对任意有限个时间点 t₁ < t₂ < ... < tₙ 和任意 Borel 集 B₁, ..., Bₙ，定义：

F_{t₁...tₙ}(x₁,...,xₙ) = ℙ{X(t₁) ≤ x₁, ..., X(tₙ) ≤ xₙ}

所有这样的有限维分布函数构成的集合 {F_{t₁...tₙ} : n ≥ 1, tᵢ ∈ T} 称为有限维分布族。它满足两个自然的相容性条件：

1. 对称性：对任意排列 π，F_{t₁...tₙ}(x₁,...,xₙ) = F_{t_{π(1)}...t_{π(n)}}(x_{π(1)},...,x_{π(n)})；
2. 投影性：F_{t₁...tₙ}(x₁,...,xₙ) = F_{t₁...tₙ₊₁}(x₁,...,xₙ, ∞,...,∞)。

Kolmogorov 相容性定理保证了：只要给定一族满足上述相容条件的有限维分布，就一定存在一个随机过程以该族为其有限维分布。这一定理是构造随机过程（包括布朗运动）的理论基石。

3.3 平稳性：严平稳与宽平稳

平稳性刻画了随机过程在时间平移下的统计不变性，是时间序列分析与金融建模中极为重要的概念。

严平稳（严格平稳）：对任意 n ≥ 1、任意 t₁ < ... < tₙ 以及任意 h > 0，有：

(X(t₁+h), ..., X(tₙ+h)) ≜ (X(t₁), ..., X(tₙ))

即有限维分布族在时间平移下保持不变。这意味着过程的全部统计特性不随时间起点变化。

宽平稳（弱平稳）：仅要求一阶矩和二阶矩满足：

E[X(t)] = μ（常数）
Cov(X(s), X(t)) = γ(s-t)（仅依赖于时间差）

宽平稳只约束均值函数和自协方差函数，不要求高阶矩或完整分布不变。在金融实践中，资产收益率序列常被近似视为宽平稳过程，而价格序列通常非平稳。

3.4 独立增量过程：定义与核心性质

独立增量过程是随机过程理论中结构最清晰、应用最广泛的一类。其定义为：若对任意 0 ≤ t₁ < t₂ < ... < tₙ，增量 X(t₂)-X(t₁), X(t₃)-X(t₂), ..., X(tₙ)-X(tₙ₋₁) 相互独立，则称 X(t) 为独立增量过程。

进一步地，若增量的分布仅依赖于时间差而不依赖于具体时间点，即 X(t+h)-X(t) 的分布与 t 无关，则称为平稳独立增量过程（也称 Lévy 过程）。这类过程具有以下重要性质：

• Markov 性：未来增量与过去历史无关，仅依赖当前状态；
• 无穷可分性：任意时间间隔的增量可分解为任意多个独立同分布增量之和；
• 特征函数形式：E[e^{iuX(t)}] = [φ(u)]^t，其中 φ(u) 为单位时间增量的特征函数。

布朗运动（维纳过程）正是平稳独立增量过程的典型代表——其增量服从正态分布且方差与时间间隔成正比。泊松过程则是另一类重要的独立增量过程，用于描述跳跃事件。

3.5 案例拆解：从日收益率数据识别过程类型

假设某量化研究团队获得某股票 500 个交易日的日收盘价数据，需要判断该收益率序列是否适合用独立增量过程建模，并检验其平稳性。

背景与目标：团队计划用几何布朗运动（GBM）为标的资产建模，其核心假设之一是对数收益率是平稳独立增量过程。在建模前必须验证该假设。

关键输入数据：500 个日收盘价 {S₁, S₂, ..., S₅₀₀}，计算对数收益率 rᵢ = ln(Sᵢ₊₁/Sᵢ)，得到 499 个收益率样本。

分析判断过程：

1. 平稳性检验：对收益率序列进行 ADF 检验，得到 p 值 = 0.003 < 0.05，拒绝单位根假设，认为收益率序列宽平稳；
2. 独立性检验：计算收益率序列的 Ljung-Box Q 统计量（滞后 10 阶），Q = 12.4，p 值 = 0.26 > 0.05，不能拒绝白噪声假设，即收益率序列无显著自相关；
3. 正态性检验：Jarque-Bera 检验 p 值 = 0.001 < 0.05，拒绝正态性假设——收益率存在尖峰厚尾特征；
4. 方差时变性检验：将样本分为两段，前半段收益率方差为 0.00032，后半段为 0.00058，差异显著（F 检验 p 值 = 0.008）。

实际操作与结果：检验结果表明，收益率序列满足宽平稳和近似独立性，但存在条件异方差（ARCH 效应）。因此，简单 GBM 模型（假设常数波动率）不适用，团队改用 GARCH(1,1) 模型刻画波动率时变性，再结合独立增量框架构建随机波动率模型。

风险与代价：若忽略异方差性直接使用 GBM，会导致期权定价系统性低估尾部风险；但引入 GARCH 后模型参数增多，需要更长的数据序列保证估计稳定性。

复盘经验：独立增量和平稳性是建模的起点而非终点。实际金融数据往往在"近似独立增量"的基础上叠加波动率聚集、跳跃等复杂特征，需要分层检验、逐步建模。

3.6 常见误区与总结复盘

在随机过程的学习与应用中，以下误区值得特别警惕：