随机过程基础：布朗运动、伊藤引理、几何布朗运动与随机微分方程（SDE）

随机波动率模型的构建离不开对资产价格随机行为的数学刻画。在金融工程中，我们通常用随机过程描述资产价格的动态演化，而布朗运动、伊藤引理、几何布朗运动以及随机微分方程（SDE）构成了这一描述体系的四块基石。理解这些概念，不仅是为了看懂模型公式，更是为了后续推导Heston模型、SABR模型等随机波动率模型的定价方程与参数校准逻辑。本节将系统梳理这些基础概念，并重点说明它们在随机波动率建模中的角色与局限。

随机过程基础概念关系与建模链路 布朗运动 W(t) 连续路径、独立增量 W(t)~N(0,t) 伊藤引理 对随机过程函数的微分法则 df = (∂f/∂t + μ∂f/∂x + ½σ²∂²f/∂x²)dt + σ∂f/∂x dW 几何布朗运动 (GBM) dS = μS dt + σS dW S(t) = S₀·exp((μ-σ²/2)t + σW(t)) 驱动 推导 随机微分方程（SDE）一般形式 dX(t) = μ(X,t)dt + σ(X,t)dW(t) 漂移项 μ(X,t) + 扩散项 σ(X,t) 特例 随机波动率模型（本节延伸） dS = μS dt + √v S dW₁ dv = κ(θ - v)dt + σ√v dW₂, dW₁dW₂ = ρdt 扩展 核心逻辑：布朗运动 → 伊藤引理 → GBM/SDE → 随机波动率模型

4.1 布朗运动：随机性的基本构建块

布朗运动（Brownian Motion）最初是植物学家罗伯特·布朗在1827年观察到的花粉颗粒在水中的无规则运动。1900年，路易·巴舍利耶首次将其引入金融分析；随后，爱因斯坦在1905年给出了其数学描述，维纳在1923年严格定义了该过程，因此它也被称为维纳过程（Wiener Process）。在金融建模中，布朗运动是随机性的基本来源，它刻画了资产价格中不可预测的连续波动成分。

核心原理

一个标准布朗运动 W(t) 满足以下三条性质：

  • W(0) = 0：过程从原点出发。
  • 独立增量：对任意 0 ≤ s < t，增量 W(t) - W(s) 与过去的历史 {W(u): u ≤ s} 独立。
  • 正态增量：W(t) - W(s) ~ N(0, t-s)，即增量服从均值为0、方差为时间差的法分布。

此外，布朗运动的路径是连续的但处处不可微。这一性质在数学上带来了挑战——传统微积分中的导数概念不再适用，因此需要引入伊藤引理来处理涉及布朗运动的函数微分问题。

关键理解：布朗运动的方差随时间线性增长（Var[W(t)] = t），这意味着其波动幅度随时间的平方根增长。在金融中，这对应着“时间平方根法则”——例如，日波动率换算为年波动率时乘以 √252。

判断方法与操作流程

在实际建模中，判断一个随机过程是否可近似为布朗运动，通常需要检验：

  1. 增量正态性检验：对高频收益率数据做Jarque-Bera检验或QQ图，观察是否近似正态分布。
  2. 方差线性增长检验：计算不同时间间隔下的收益率方差，检查是否与时间间隔近似成正比。
  3. 独立性检验：使用Ljung-Box检验判断增量序列是否存在自相关。

如果数据显著偏离这些性质（如出现尖峰厚尾），则说明单纯使用布朗运动建模不够充分，需要考虑跳跃过程或随机波动率模型。

案例拆解：从日收益率到年化波动率

假设某股票日收益率的标准差为 1.5%，我们将其转换为年化波动率：

年化波动率 = 日波动率 × √252 = 1.5% × 15.87 ≈ 23.8%

这一计算隐含假设日收益率独立同分布且方差有限，这正是布朗运动增量性质的应用。但在实际市场中，收益率分布往往具有厚尾特征，且波动率本身会随时间变化——这正是后续引入随机波动率模型的动机。

常见误区与总结

误区：将布朗运动视为“完全随机”而忽略其数学约束。布朗运动的路径虽然不可预测，但其统计性质（如方差结构）是确定的。此外，布朗运动允许负值，而资产价格不能为负，因此直接用布朗运动描述价格是不合适的——这引出了几何布朗运动。

4.2 伊藤引理：随机微积分的核心工具

由于布朗运动处处不可微，传统微积分中的链式法则无法直接用于随机过程。伊藤引理（Itô's Lemma）提供了对随机过程函数进行微分的正确法则，是推导衍生品定价方程（如Black-Scholes方程）的数学基础。

核心原理

设随机过程 X(t) 满足 SDE：dX = μ dt + σ dW，其中 μ 和 σ 可以是 X 和 t 的函数。若 f(X,t) 是二阶可微函数，则 f 的微分由伊藤引理给出：

df = (∂f/∂t + μ·∂f/∂X + ½σ²·∂²f/∂X²)dt + σ·∂f/∂X dW

与普通微积分相比，多出了 ½σ²·∂²f/∂X² 这一项，它来源于布朗运动的二次变差（quadratic variation）。直观理解：布朗运动在任意小时间间隔内的平方变化不为零，因此二阶项在随机微积分中不可忽略。

操作流程：应用伊藤引理求解 GBM

以几何布朗运动 dS = μS dt + σS dW 为例，我们令 f(S) = ln(S)，则：

  1. 计算偏导数：∂f/∂t = 0，∂f/∂S = 1/S，∂²f/∂S² = -1/S²
  2. 代入伊藤引理：d(ln S) = (μS·(1/S) + ½σ²S²·(-1/S²))dt + σS·(1/S)dW
  3. 化简：d(ln S) = (μ - σ²/2)dt + σ dW
  4. 积分得到：ln S(T) = ln S(0) + (μ - σ²/2)T + σW(T)
  5. 指数化：S(T) = S(0)·exp((μ - σ²/2)T + σW(T))

这一结果说明，资产价格服从对数正态分布，且漂移率在风险中性测度下为 r - σ²/2（而非 r），这是Black-Scholes定价公式中的关键修正项。

经验提醒：在随机波动率模型中，伊藤引理的应用更加复杂，因为波动率本身也是随机过程。例如在Heston模型中，需要对资产价格和波动率两个变量同时应用多维伊藤引理，并考虑两个布朗运动之间的相关性 ρ。

案例拆解：伊藤引理在期权定价中的应用

考虑一个欧式看涨期权，其价格 C(S,t) 是标的资产价格和时间的函数。假设标的资产遵循GBM，利用伊藤引理展开 dC，并结合无套利对冲组合，可以推导出Black-Scholes偏微分方程：

∂C/∂t + rS·∂C/∂S + ½σ²S²·∂²C/∂S² = rC

这一推导过程的核心步骤就是对 C(S,t) 应用伊藤引理，然后通过构造 Δ-对冲组合消除随机项 dW。没有伊藤引理，这一经典定价框架将无法建立。

常见误区与总结

误区：在随机微积分中误用普通链式法则，遗漏 ½σ²∂²f/∂X² 项。这一项在波动率较大或函数曲率较高时影响显著。例如，在计算对数收益率的期望时，若忽略该项，会得到 E[ln(S_T/S_0)] = μT，而正确结果应为 (μ - σ²/2)T。

4.3 几何布朗运动：资产价格的标准模型

几何布朗运动（Geometric Brownian Motion, GBM）是金融建模中最经典的资产价格模型，也是Black-Scholes期权定价公式的基础假设。其SDE形式为：

dS(t) = μS(t)dt + σS(t)dW(t)

其中 μ 为漂移率（预期收益率），σ 为波动率，W(t) 为标准布朗运动。该模型的核心特征在于：价格变动与当前价格水平成比例，从而保证价格始终为正。

核心原理与性质

性质 数学表达 金融含义
价格恒正 S(t) > 0 对所有 t 资产价格不会为负，符合实际
对数正态分布 ln S(T) ~ N(ln S₀ + (μ-σ²/2)T, σ²T) 收益率正态，价格偏态
波动率恒定 σ 为常数 隐含波动率曲面为水平线（与实际不符）
均值回归缺失 无均值回归项 长期来看价格可无限上涨或下跌

判断方法与操作流程

在实际应用中，检验资产价格是否适合用GBM建模，通常执行以下步骤：

  1. 对数收益率计算：r_t = ln(S_t/S_{t-1})
  2. 正态性检验：对 r_t 做Shapiro-Wilk检验或绘制QQ图
  3. 波动率恒定性检验：将样本按时间分段，计算各段波动率，检验是否存在显著差异
  4. 自相关检验：对 r_t 和 r_t² 分别做Ljung-Box检验，后者用于检测波动率聚集现象

如果 r_t² 存在显著自相关，说明波动率不是常数，GBM的假设不成立，应考虑随机波动率模型。

案例拆解：GBM模拟与参数校准

假设某股票当前价格 S₀ = 100，年化漂移率 μ = 8%，年化波动率 σ = 20%。我们模拟未来一年的日度价格路径（252个交易日）：

Δt = 1/252 ≈ 0.00397
S(t+Δt) = S(t) × exp((μ - σ²/2)Δt + σ√Δt · Z),  Z ~ N(0,1)

模拟结果显示，价格路径围绕指数趋势线 exp(μt) 波动，但实际路径与趋势线的偏离程度由 σ√t 决定。若将 σ 从20%提高到40%，价格路径的波动范围显著扩大，但期望值不变——这正是风险与收益分离的体现。

校准要点：在GBM框架下，μ 的估计误差远大于 σ 的估计误差。实践中通常使用历史波动率（如指数加权移动平均法EWMA）或隐含波动率来估计 σ，而 μ 在风险中性定价中会被无风险利率 r 替代。

常见误区与总结

误区：将GBM中的 μ 直接等同于股票的历史平均收益率。在衍生品定价中，使用的是风险中性测度下的漂移率 r，而非真实世界的 μ。此外，GBM假设波动率恒定，这与市场中观察到的“波动率微笑”现象矛盾——这正是随机波动率模型存在的根本原因。

4.4 随机微分方程（SDE）基础与随机波动率扩展

随机微分方程（Stochastic Differential Equation, SDE）是描述随机过程随时间演化的数学框架。GBM是SDE的一个特例，而随机波动率模型则是SDE在金融中的更一般应用。理解SDE的构成与求解方法，是掌握随机波动率模型的前提。

核心原理：SDE的构成与解的存在性

一个一般的SDE可写为：

dX(t) = μ(X(t), t)dt + σ(X(t), t)dW(t)

其中 μ(X,t) 称为漂移系数（drift），σ(X,t) 称为扩散系数（diffusion）。SDE的解 X(t) 是一个随机过程，其存在性和唯一性需要满足Lipschitz条件和线性增长条件。在金融模型中，这些条件通常自然满足，但某些模型（如CEV模型）在特定参数下可能违反唯一性条件。

从GBM到随机波动率模型的扩展逻辑：GBM假设 σ 为常数，但实际市场中波动率本身是随机变化的。因此，我们将常数 σ 替换为一个随机过程 σ(t)，并为其建立额外的SDE。以Heston模型为例：

dS = μS dt + √v S dW₁
dv = κ(θ - v)dt + σ_v√v dW₂
dW₁dW₂ = ρdt

其中 v(t) = σ²(t) 为方差过程，κ 为均值回归速度，θ 为长期方差水平，σ_v 为波动率的波动率（vol-of-vol），ρ 为资产价格与波动率之间的相关性。

操作流程：从SDE到模型校准

在随机波动率模型的校准中，SDE扮演着核心角色，其操作流程如下：

  1. 模型设定：根据市场特征选择SDE形式（如Heston、SABR、GARCH扩散模型）
  2. 参数化：确定模型参数（κ, θ, σ_v, ρ, v₀等）
  3. 数值求解：使用欧拉-丸山法（Euler-Maruyama）或米尔斯坦法（Milstein）对SDE进行离散化模拟
  4. 定价公式推导：利用Feynman-Kac定理将SDE与偏微分方程（PDE）联系起来，或使用蒙特卡洛模拟
  5. 参数校准：最小化模型价格与市场期权价格之间的差异（如均方根误差RMSE）

案例拆解：Heston模型的SDE模拟与校准

假设我们使用Heston模型对某指数期权进行定价。初始参数设定为：v₀ = 0.04（初始方差），κ = 2.0（均值回归速度），θ = 0.04（长期方差），σ_v = 0.3（vol-of-vol），ρ = -0.7（负相关，即波动率上升时价格下跌）。

使用欧拉-丸山法离散化SDE：

Δt = 1/252
√v_t = sqrt(max(v_t, 0))  // 方差非负处理
S_{t+Δt} = S_t + μS_tΔt + √v_t·S_t·√Δt·Z₁
v_{t+Δt} = v_t + κ(θ - v_t)Δt + σ_v·√v_t·√Δt·Z₂
其中 Z₁, Z₂ 为相关系数 ρ 的标准正态随机数

模拟100,000条路径后，计算期权价格的蒙特卡洛估计。校准过程中，我们调整参数使模型价格与市场报价的差异最小化。实际校准中常发现，ρ 对隐含波动率斜率的拟合至关重要——负 ρ 产生向下倾斜的波动率微笑，这与股票期权市场观察一致。

实战经验：在SDE数值模拟中，方差过程 v(t) 可能取负值（尤其在 σ_v 较大时）。常用的处理方式包括：截断法（取 max(v,0)）、反射法（取 |v|）或全截断法（在漂移项中使用 v⁺，在扩散项中使用 v⁺）。全截断法在Heston模型中表现最优，偏差最小。

常见误区与总结

误区：忽视SDE解的存在唯一性条件。例如，在Heston模型中，若参数不满足 Feller 条件（2κθ > σ_v²），方差过程可能触及零边界，导致模拟不稳定。此外，在参数校准中，过度拟合市场数据可能导致参数不稳定，应使用正则化或限制参数范围。

本章总结

← 上一章 📖 返回目录 下一章 →