3、基础知识回顾：随机过程、布朗运动、泊松过程、伊藤引理

跳跃扩散模型的核心在于将资产价格的连续变化与离散跳跃相结合。要深入理解这一模型，首先需要牢固掌握其数学基石：随机过程、布朗运动、泊松过程以及伊藤引理。本节将系统梳理这四个核心概念，为后续构建跳跃扩散模型及刻画尾部风险打下坚实的理论基础。我们将从定义出发，厘清它们之间的逻辑关系，并重点阐释伊藤引理这一连接随机微分方程与金融资产定价的桥梁。

上图清晰地展示了本节四个核心概念的内在联系。随机过程是描述金融资产价格随时间演化的总框架；布朗运动刻画了价格的连续波动部分；泊松过程则捕捉了价格的离散跳跃；而伊藤引理是处理包含随机过程的函数微分的核心工具，是推导跳跃扩散模型下衍生品定价公式的关键。下面我们逐一深入剖析。

3.1 随机过程：金融世界的动态语言

核心原理

随机过程是定义在概率空间上的、以时间为索引的一族随机变量集合，记为 {X(t), t ∈ T}。在金融领域，我们通常将 X(t) 理解为资产价格、利率或波动率在时刻 t 的取值。根据状态空间和参数集（时间）的连续性，随机过程可分为四类：连续时间连续状态、连续时间离散状态、离散时间连续状态、离散时间离散状态。金融资产价格通常被建模为连续时间连续状态的过程，但跳跃的存在使其路径不再连续。

关键分类与特征

判断方法：如何选择合适的过程

1. 观察路径连续性：若资产价格存在跳空缺口（如重大新闻发布后的瞬间变动），则需引入跳跃成分。
2. 检验增量独立性：若增量独立且服从正态分布，可考虑布朗运动；若增量服从泊松分布，则考虑泊松过程。
3. 分析波动率特征：若波动率存在聚集效应（大波动后跟大波动），则需考虑随机波动率模型。
4. 评估尾部风险：若历史收益分布呈现厚尾特征，单纯布朗运动无法刻画，需引入跳跃扩散或 Lévy 过程。

3.2 布朗运动：连续路径的基石

核心原理

标准布朗运动（或维纳过程）W(t) 满足以下三个条件：

• W(0) = 0；
• 增量独立：对任意 0 ≤ s < t，W(t) - W(s) 独立于过去；
• 增量正态：W(t) - W(s) ~ N(0, t-s)。

布朗运动的路径几乎处处连续但处处不可微，其二次变差在任意有限区间内等于区间长度，即 [W, W](t) = t。这一性质是伊藤微积分与普通微积分的根本区别。

广义布朗运动与几何布朗运动

广义布朗运动（带漂移）形式为 X(t) = μt + σW(t)，其中 μ 为漂移率，σ 为波动率。几何布朗运动则对资产价格建模：dS(t) = μS(t)dt + σS(t)dW(t)，其解为 S(t) = S(0)exp((μ - σ²/2)t + σW(t))。GBM 保证了价格始终为正，是 Black-Scholes 模型的基础。

实战场景：模拟股价路径

在 Python 中模拟 GBM 路径时，我们使用欧拉离散化：

import numpy as np
def simulate_gbm(S0, mu, sigma, T, N):
    dt = T/N
    t = np.linspace(0, T, N+1)
    W = np.random.standard_normal(N+1)
    W = np.cumsum(W)*np.sqrt(dt)
    S = S0*np.exp((mu - 0.5*sigma**2)*t + sigma*W)
    return t, S

3.3 泊松过程：刻画离散跳跃

核心原理

计数过程 N(t) 若满足以下条件，则称为强度为 λ 的泊松过程：

• N(0) = 0；
• 独立增量：不相交时间区间内的增量相互独立；
• 平稳增量：N(t+s) - N(t) 的分布仅与 s 有关；
• N(t) ~ Poisson(λt)，即 P(N(t)=k) = e^{-λt}(λt)^k / k!。

泊松过程的样本路径是右连续的阶梯函数，跳跃幅度恒为1，跳跃间隔服从参数为 λ 的指数分布。复合泊松过程则允许跳跃幅度为随机变量，即 J(t) = Σ_{i=1}^{N(t)} Y_i，其中 Y_i 为独立同分布的跳跃幅度。

判断方法：识别跳跃成分

案例拆解：Merton 跳跃扩散模型

Merton (1976) 将泊松跳跃引入 GBM，提出跳跃扩散模型：

dS(t) = μS(t)dt + σS(t)dW(t) + (Y-1)S(t)dN(t)

其中 N(t) 是强度为 λ 的泊松过程，Y 是跳跃幅度（通常假设 log(Y) ~ N(μ_J, σ_J²)）。该模型能够同时捕捉连续波动和离散跳跃，更好地拟合期权市场的隐含波动率微笑。在 Merton 模型中，跳跃风险是异质性的（非系统性），因此可以通过分散化消除，期权定价时无需跳跃风险溢价。

3.4 伊藤引理：随机微积分的核心工具

核心原理

伊藤引理是随机微积分中的链式法则。若 X(t) 满足随机微分方程 dX(t) = μ(t, X)dt + σ(t, X)dW(t)，且 f(t, x) 是二阶连续可微函数，则 f(t, X(t)) 满足：

df(t, X) = (∂f/∂t + μ∂f/∂x + ½σ²∂²f/∂x²)dt + σ∂f/∂x dW(t)

与普通微积分相比，伊藤引理多出了 ½σ²∂²f/∂x² 项，这源于布朗运动的非零二次变差。这一项在期权定价中至关重要，它反映了波动率对衍生品价格的凸性影响（Gamma 效应）。

操作流程：应用伊藤引理求解衍生品价格

1. 设定标的资产动态：明确 S(t) 满足的 SDE（如 GBM 或跳跃扩散模型）。
2. 选择衍生品函数：确定 f(t, S) 的形式（如看涨期权 f = max(S-K, 0)）。
3. 计算偏导数：求 ∂f/∂t、∂f/∂S、∂²f/∂S²。
4. 代入伊藤引理：将偏导数和 SDE 的系数代入公式，得到 df 的表达式。
5. 构建对冲组合：通过 Delta 对冲消除随机项，得到偏微分方程（PDE）。
6. 求解 PDE：结合边界条件，解析或数值求解衍生品价格。

案例拆解：跳跃扩散下的伊藤引理扩展

当标的资产遵循跳跃扩散模型时，伊藤引理需要扩展。若 dS(t) = μS dt + σS dW + (Y-1)S dN，则对于 f(t, S)：

df = (∂f/∂t + μS∂f/∂S + ½σ²S²∂²f/∂S²)dt + σS∂f/∂S dW + [f(t, YS) - f(t, S)]dN

注意跳跃项的处理：当跳跃发生时，S 突变为 YS，函数值的变化为 f(t, YS) - f(t, S)，而非微分形式。这一扩展是推导跳跃扩散模型下期权定价 PDE 的基础。

3.5 总结与复盘