第一章 课程导入：学习目标、课程结构、随机过程在金融中的核心作用、预备知识回顾
欢迎进入《随机过程与金融价格建模基础》的第一章。本章作为整个课程的起点，旨在为你搭建一个清晰的学习框架，并夯实后续所有章节所需的数学与概率论地基。我们将首先明确本课程的学习目标与整体结构，然后深入探讨随机过程为何能成为现代金融价格建模的“通用语言”，最后系统回顾概率论、微积分与线性代数中的关键预备知识。请务必重视本章内容，因为它将决定你后续理解Black-Scholes模型、随机波动率模型以及蒙特卡洛模拟等核心工具的深度与效率。
1.1 学习目标与课程结构
本课程的学习目标可以归纳为三个层次：理论理解、模型构建与实践应用。在理论层面，你需要掌握随机过程的基本定义、分类（离散时间与连续时间）、马尔可夫性、鞅性质以及伊藤积分等核心概念。在模型构建层面，我们将从经典的几何布朗运动出发，逐步推导Black-Scholes-Merton期权定价模型，并探讨其假设条件与局限性。在实践应用层面，课程将引入蒙特卡洛模拟、二叉树方法以及基于真实市场数据的参数估计与模型校准技术。
课程结构分为三大模块。第一模块（第1-8章）聚焦基础理论，包括概率论进阶、条件期望、随机游走、泊松过程与布朗运动。第二模块（第9-20章）为核心模型部分，涵盖伊藤引理、随机微分方程、Girsanov变换、风险中性定价以及Black-Scholes模型的完整推导。第三模块（第21-30章）则转向高级专题，包括随机波动率模型（如Heston模型）、跳扩散过程、利率期限结构模型以及机器学习在金融时间序列中的应用。
| 模块 | 章节范围 | 核心内容 | 能力目标 |
|---|---|---|---|
| 基础理论 | 1-8章 | 概率论进阶、随机游走、泊松过程、布朗运动 | 掌握随机过程的基本数学语言 |
| 核心模型 | 9-20章 | 伊藤引理、SDE、风险中性定价、Black-Scholes | 能够推导并实现经典定价模型 |
| 高级专题 | 21-30章 | 随机波动率、跳扩散、利率模型、机器学习应用 | 具备独立研究复杂金融模型的能力 |
1.2 随机过程在金融中的核心作用
金融市场的核心特征是不确定性。股票价格、利率、汇率等金融变量的未来走势无法被精确预测，因此我们需要借助随机过程这一数学工具来刻画其动态演化规律。随机过程本质上是一族随机变量 {X(t), t∈T} 的集合，其中参数 t 通常表示时间。在金融建模中，我们关心的是资产价格 S(t) 如何随时间变化，以及这种变化所遵循的概率规律。
随机过程在金融中的核心作用体现在三个关键领域：资产定价、风险管理与投资组合优化。在资产定价中，随机过程为衍生品（如期权、期货）提供了定价基础。例如，Black-Scholes模型假设标的资产价格服从几何布朗运动，即 dS(t) = μS(t)dt + σS(t)dW(t)，其中 W(t) 是标准布朗运动。这一假设使得我们能够推导出期权价格的闭式解。在风险管理领域，VaR（在险价值）和CVaR（条件在险价值）的计算依赖于对资产收益分布尾部风险的准确刻画，而随机过程模型能够捕捉收益的波动率聚集、跳跃等典型事实。在投资组合优化中，多资产价格之间的相关性结构通常通过多维随机过程建模，协方差矩阵的估计与预测直接影响最优权重配置。
1.3 预备知识回顾：概率论、微积分、线性代数
在进入随机过程的正式学习之前，我们需要确保你具备以下三大数学支柱的扎实基础。这些知识并非本课程的最终目标，而是作为工具被频繁使用。
1.3.1 概率论核心概念
概率论是随机过程的语言基础。你需要熟练掌握以下内容：
- 概率空间 (Ω, F, P)：样本空间 Ω、事件域 F（σ-代数）以及概率测度 P 的三元组。这是现代概率论的公理化基础。
- 条件期望 E[X|G]：给定子σ-代数 G 下的条件期望，它是随机过程理论中最重要的工具之一。条件期望具有塔性质、线性性、可测性等关键性质。
- 收敛性概念：几乎必然收敛、依概率收敛、Lp收敛与依分布收敛。在随机过程的极限定理（如大数定律、中心极限定理）中，这些收敛概念至关重要。
- 特征函数与矩母函数：用于刻画随机变量的分布特征，在证明分布收敛和计算矩时非常有用。
1.3.2 微积分与微分方程
微积分是连续时间随机过程（如布朗运动、伊藤过程）的数学基础。你需要回顾：
- 泰勒展开：特别是二阶泰勒展开，因为伊藤引理本质上是在随机框架下的泰勒展开。
- 常微分方程（ODE）：理解确定性动态系统的解的存在唯一性，为后续学习随机微分方程（SDE）做铺垫。
- 偏微分方程（PDE）：Black-Scholes方程就是一个典型的抛物型PDE。你需要熟悉热传导方程的基本解法（如变量分离法、格林函数法）。
1.3.3 线性代数关键工具
线性代数在多资产模型和状态空间表示中扮演重要角色：
- 矩阵运算与特征值分解：协方差矩阵的谱分解在PCA（主成分分析）中用于降维。
- 正定矩阵：协方差矩阵必须是半正定的，这一性质在模型校准和数值优化中至关重要。
- 向量空间与线性变换：理解状态空间模型中的状态转移矩阵。
| 数学分支 | 关键知识点 | 在随机过程中的应用场景 |
|---|---|---|
| 概率论 | 条件期望、鞅、停时 | 风险中性定价、最优停时问题 |
| 微积分 | 泰勒展开、PDE求解 | 伊藤引理推导、Black-Scholes方程 |
| 线性代数 | 特征值分解、正定矩阵 | 多资产相关性建模、因子模型 |
1.4 案例拆解：从股票价格到随机过程模型
为了让你更直观地理解随机过程在金融中的应用，我们来看一个简化的案例。假设你观察到某只股票在过去100个交易日的日收盘价，并希望对其未来的价格走势进行建模。
初始现象与目标：股票价格呈现明显的随机波动，且波动幅度似乎随时间变化（波动率聚集现象）。你的目标是构建一个能够捕捉价格动态的随机过程模型，并用于计算未来某个时间点的期权价格。
关键输入数据：我们获取了该股票的历史日收益率序列 r_t = ln(S_t / S_{t-1})，并计算出其均值为 0.0002，标准差为 0.02。同时，我们观察到收益率的自相关函数在滞后1阶时接近0，说明收益率序列近似独立。
分析判断过程：基于收益率近似独立且方差有限的特征，我们可以初步假设股票价格服从几何布朗运动。此时，收益率服从正态分布，即 r_t ~ N(μ, σ²)。然而，进一步检验发现，收益率的峰度大于3，且存在轻微的负偏度，这表明简单的正态假设可能不够精确。因此，我们考虑引入带跳跃的Merton模型或GARCH类模型来刻画波动率聚集。
实际操作步骤：首先，我们使用最大似然估计（MLE）对几何布朗运动的参数 μ 和 σ 进行估计。然后，我们计算在95%置信水平下的VaR值。最后，我们利用蒙特卡洛模拟生成10000条未来30天的价格路径，并计算欧式看涨期权的平均到期收益，以此作为期权价格的估计值。
结果对比与复盘：我们发现，基于几何布朗运动的VaR估计在极端市场条件下会低估风险，因为正态分布假设低估了尾部事件的发生概率。这提示我们在实际应用中需要结合更复杂的模型（如t分布或GARCH）来改进风险度量。