📚 课程目录第2章概率论与随机过程基础

二、概率论与随机过程基础：必备数学工具

随机微分方程（SDE）在金融中的应用，本质上是将资产价格、利率、波动率等金融变量视为随时间演化的随机过程，并利用微积分工具刻画其动态规律。要真正理解Black-Scholes模型、利率期限结构或期权定价的鞅方法，首先必须夯实概率论与随机过程的核心概念。本章不追求百科全书式的罗列，而是聚焦于后续章节最常用的六大工具：概率空间、随机变量、期望、条件期望、鞅与马尔可夫性质，并辅以金融场景中的直观解释。

2.1 概率空间：随机性的数学舞台

概率空间是描述随机现象的第一性原理框架，由三元组 (Ω, F, P) 构成。其中 Ω 是样本空间，代表所有可能结果的集合；F 是事件域（σ-代数），即我们能够赋予概率的事件的集合；P 是概率测度，将事件映射到 [0,1] 区间。在金融中，Ω 可以理解为未来所有可能的价格路径，F 则代表在某一时刻我们能够观测到的信息范围。

σ-代数 F 需要满足三条公理：包含空集、对补集封闭、对可数并集封闭。这保证了概率运算的完备性。更重要的概念是滤流（Filtration），即一族递增的 σ-代数 F₀ ⊆ F₁ ⊆ ... ⊆ F_t，它刻画了信息随时间逐步揭示的过程。在期权定价中，F_t 表示截至 t 时刻市场参与者所掌握的全部价格历史信息。

符号	含义	金融对应
Ω	样本空间	所有可能的价格路径集合
F	σ-代数（事件域）	可观测事件集合，如"股价突破100元"
P	概率测度	真实世界中各路径发生的概率
F_t	滤流	t 时刻已知的市场信息

经验提醒：在衍生品定价中，我们经常需要切换概率测度（从真实测度 P 到风险中性测度 Q）。理解概率空间的三元组结构是掌握 Girsanov 定理的前提，该定理正是通过改变 P 的密度函数来实现测度转换。

2.2 随机变量与分布：从事件到数值

随机变量 X 是将样本空间 Ω 映射到实数轴 R 的可测函数。在金融中，最常见的随机变量包括：股票收益率、违约时间、波动率估计值等。随机变量的分布函数 F(x) = P(X ≤ x) 完整描述了其统计规律。对于连续型随机变量，我们使用概率密度函数 f(x) 来描述。

金融建模中最重要的分布包括：正态分布（用于收益率建模，但存在厚尾缺陷）、对数正态分布（用于股价水平建模，保证价格非负）、泊松分布（用于跳跃过程建模，描述突发事件）。随机变量的数字特征——期望 E[X] 和方差 Var(X)——分别刻画了中心趋势和离散程度。在风险度量中，方差是 VaR（风险价值）计算的基础。

2.3 期望与条件期望：预测的数学语言

期望 E[X] 是随机变量在概率意义下的加权平均。条件期望 E[X|G] 则是在给定信息集 G 的条件下对 X 的最优预测。这里的关键认知是：条件期望本身是一个随机变量，因为它依赖于 G 中信息的具体实现。例如，E[S_{t+1}|F_t] 表示基于 t 时刻所有价格信息对下一期股价的预测，这个预测值会随 t 时刻信息的变化而变化。

  核心原理：在离散时间框架下，条件期望 E[X_{t+1}|F_t] 是 t 时刻对下一期随机变量的最优预测（最小均方误差意义下）。这一概念直接引出鞅的定义——若 E[X_{t+1}|F_t] = X_t，则称 X_t 为鞅。鞅表示"公平博弈"：给定当前信息，未来期望值等于当前值，不存在系统性获利机会。

2.4 鞅：公平博弈与定价基石

鞅（Martingale）是随机过程理论对"公平博弈"的数学抽象。一个随机过程 {M_t} 若满足：① M_t 关于 F_t 可测；② E[|M_t|] < ∞；③ E[M_{t+1}|F_t] = M_t，则称为鞅。第三条性质意味着在已知当前信息的条件下，未来期望值不会偏离当前值——这正是有效市场假说中"不可预测性"的数学表达。

在金融定价中，鞅方法具有革命性意义。Harrison 和 Kreps（1979）证明了：市场无套利等价于存在等价鞅测度 Q，在该测度下，所有贴现资产价格过程都是鞅。这使得期权定价从"求解偏微分方程"转化为"计算风险中性期望"：

期权价格 = E_Q[贴现后的到期收益 | F_t]

这一公式是 Black-Scholes 定价的现代视角，也是蒙特卡洛模拟定价的理论基础。

2.5 马尔可夫性质：记忆的缺失

马尔可夫性质描述了一类特殊的随机过程：给定当前状态，未来演化与过去历史无关。数学上，若对任意 s > t，有 P(X_s ∈ A | F_t) = P(X_s ∈ A | X_t)，则称 X_t 具有马尔可夫性质。这意味着过程"忘记"了它如何到达当前状态，只关心现在的位置。

在金融中，几何布朗运动（GBM）是马尔可夫过程的典型代表，其 SDE 形式为 dS_t = μS_t dt + σS_t dW_t。该性质保证了期权价格可以表示为当前股价和时间的函数 V(S_t, t)，而非路径依赖的函数。然而，现实中的波动率聚集效应、利率期限结构等特征表明，某些金融变量并不严格满足马尔可夫性质，这推动了随机波动率模型（如 Heston 模型）的发展。

性质	数学表达	金融含义	典型模型
鞅	E[X_{t+1}\|F_t] = X_t	无套利、公平博弈	贴现股价过程
马尔可夫	P(X_s\|F_t) = P(X_s\|X_t)	价格只依赖当前值	GBM、Vasicek 利率模型
独立增量	增量互不相关	收益率序列无自相关	布朗运动、复合泊松过程

2.6 案例拆解：用鞅方法为欧式看涨期权定价

考虑一个简单的二叉树模型作为鞅定价的入门案例。假设某股票当前价格 S₀ = 100 元，每个周期末价格要么上涨 10% 至 110 元，要么下跌 10% 至 90 元。无风险利率 r = 5%（单周期）。我们为执行价 K = 100 的欧式看涨期权定价。

第一步：确定风险中性概率。在风险中性测度 Q 下，股票贴现价格必须是鞅：

S₀ = E_Q[S₁ / (1+r)]
100 = [q × 110 + (1-q) × 90] / 1.05
解得 q = 0.75

第二步：计算期权到期收益。上涨时收益为 max(110-100, 0) = 10 元；下跌时收益为 max(90-100, 0) = 0 元。

第三步：贴现期望。期权价格 C₀ = [0.75 × 10 + 0.25 × 0] / 1.05 = 7.14 元。

第四步：验证无套利。若期权价格高于 7.14 元，可卖出期权并买入 Δ 份股票对冲；若低于 7.14 元，则反向操作。套利力量会迅速将价格拉回理论值。

常见误区：初学者常将风险中性概率 q 误认为真实世界概率。实际上，q 是数学构造的"伪概率"，它调整了资产价格的漂移项，使得贴现价格成为鞅。真实世界中股价上涨概率可能远高于 0.75，但这不影响期权定价，因为定价关注的是对冲成本而非预测方向。

2.7 总结与复盘：从基础到 SDE 的桥梁

本章的核心逻辑链条可以概括为：概率空间提供舞台 → 随机变量刻画不确定性 → 期望与条件期望提供预测工具 → 鞅定义公平博弈 → 马尔可夫性质简化状态依赖 → 这些概念共同构成 SDE 的语言基础。在后续章节中，我们将看到 Itô 引理如何利用这些工具推导资产价格的微分方程，以及 Girsanov 定理如何实现测度转换。

  关键要点回顾：
  概率空间 (Ω, F, P) 是随机建模的起点，滤流 F_t 刻画信息流。
条件期望 E[X|G] 是随机变量，塔性质是推导多期定价的核心工具。
鞅的"无趋势"特性是风险中性定价的理论基石。
马尔可夫性质保证了状态变量（如股价）的充分性，简化了定价方程。
从 P 到 Q 的测度转换是连接真实世界统计与风险中性定价的桥梁。

掌握这些基础概念后，读者应能够理解：Black-Scholes 公式本质上是在风险中性测度下对对数正态分布的到期收益求期望；而更复杂的利率模型（如 Hull-White）则是在马尔可夫框架下对短期利率过程建模。下一阶段的学习中，请时刻追问：这个模型在哪个概率空间下定义？它满足鞅性质还是马尔可夫性质？条件期望如何计算？带着这些问题，我们将进入随机微积分的核心——Itô 引理与随机微分方程。