3. 随机过程基本概念：从定义到平稳性
在金融价格建模中，我们面对的核心问题是如何描述“随时间演化的不确定性”。股票价格、利率、汇率、波动率等金融变量，其观测值并非孤立的随机数，而是按时间顺序排列的一组相互关联的随机变量。这种“一族按参数（通常是时间）索引的随机变量”正是随机过程（Stochastic Process）的研究对象。本章将系统建立随机过程的数学语言体系，厘清状态空间、参数集、样本路径、有限维分布族等基础概念，并重点辨析严平稳与宽平稳的区别——这是后续理解布朗运动、伊藤引理和期权定价模型的基石。
3.1 随机过程的严格定义与构成要素
随机过程在数学上定义为概率空间上的函数族。设 (Ω, ℱ, P) 为一个概率空间，T 为一个指标集合（通常为时间），则随机过程 X 是定义在 T × Ω 上的二元函数：
X: T × Ω → S
(t, ω) ↦ X(t, ω)其中 S 称为状态空间，即随机过程所有可能取值的集合。对于固定的 t ∈ T，X(t, ·) 是一个随机变量；对于固定的 ω ∈ Ω，X(·, ω) 是时间 t 的一个确定性函数，称为样本路径或轨道。
3.1.1 参数集与状态空间的类型
| 维度 | 类型 | 数学表示 | 金融实例 |
|---|---|---|---|
| 参数集 T | 离散时间 | T = {0, 1, 2, ...} 或 ℤ | 日收益率序列、月度经济指标 |
| 连续时间 | T = [0, ∞) 或 [0, T] | 高频交易价格、利率瞬时变化 | |
| 状态空间 S | 离散状态 | S = {0, 1, 2, ...} 或有限集 | 信用评级迁移、违约计数 |
| 连续状态 | S = ℝ 或 ℝd | 股票价格、对数收益率、波动率 |
参数集与状态空间的组合决定了随机过程的类型。例如，离散时间-连续状态的典型代表是 ARMA 模型；连续时间-连续状态的典型代表是布朗运动（Wiener 过程）；连续时间-离散状态的典型代表是泊松过程。金融价格建模中最常用的是连续时间-连续状态框架，但信用风险模型常采用离散状态。
3.2 有限维分布族与 Kolmogorov 相容性
随机过程的完整统计特性由所有有限维分布族（Finite-Dimensional Distributions, FDDs）刻画。对于任意正整数 n 和任意时间点 t₁, t₂, ..., tₙ ∈ T，考虑随机向量 (X(t₁), X(t₂), ..., X(tₙ)) 的联合分布函数：
F_{t₁,...,tₙ}(x₁,...,xₙ) = P{X(t₁) ≤ x₁, ..., X(tₙ) ≤ xₙ}所有这样的有限维分布函数的集合 {F_{t₁,...,tₙ} : n ≥ 1, tᵢ ∈ T} 称为随机过程的有限维分布族。Kolmogorov 相容性定理保证了：如果给定一族满足对称性和相容性条件的有限维分布，则存在一个随机过程以该族为其有限维分布族。
3.2.1 有限维分布族的性质
- 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)})，即联合分布与时间顺序无关。
- 相容性：对任意 m < n，F_{t₁,...,tₘ}(x₁,...,xₘ) = lim_{x_{m+1}→∞,...,xₙ→∞} F_{t₁,...,tₙ}(x₁,...,xₙ)，即低维边缘分布可由高维分布退化得到。
3.3 平稳性：严平稳与宽平稳
平稳性是随机过程最重要的分类属性之一，它描述了过程的统计特性是否随时间平移而保持不变。在金融时间序列分析中，平稳性检验是建模的第一步——因为大多数经典统计推断方法（如 OLS 回归、ARMA 建模）都要求数据满足平稳性假设。
3.3.1 严平稳（严格平稳）
随机过程 {X(t) : t ∈ T} 称为严平稳（或强平稳），如果对任意 n ≥ 1、任意时间点 t₁, t₂, ..., tₙ ∈ T 以及任意时间偏移 h（使得 tᵢ + h ∈ T），都有：
(X(t₁), X(t₂), ..., X(tₙ)) 与 (X(t₁+h), X(t₂+h), ..., X(tₙ+h)) 同分布这意味着过程的所有有限维分布在时间平移下保持不变。严平稳要求极其严格，它意味着过程的一维分布、二维联合分布、三维联合分布……全部不随时间起点变化。
3.3.2 宽平稳（弱平稳/协方差平稳）
随机过程 {X(t) : t ∈ T} 称为宽平稳（或弱平稳、二阶平稳），如果满足以下三个条件：
- 二阶矩有限：E[X(t)²] < ∞ 对所有 t ∈ T 成立；
- 均值恒定：E[X(t)] = μ（常数），与 t 无关；
- 自协方差仅依赖时间差：Cov(X(t), X(s)) = γ(t - s)，即自协方差函数只与时间间隔 |t - s| 有关，而与时间位置无关。
3.3.3 平稳性的判断方法
| 判断维度 | 严平稳 | 宽平稳 | 金融应用建议 |
|---|---|---|---|
| 分布要求 | 所有有限维分布 | 仅一、二阶矩 | 实际中几乎无法验证严平稳 |
| 验证难度 | 极高（需无穷维分布） | 中等（可检验均值、ACF） | 通常检验宽平稳即可 |
| 金融适用性 | 极少直接满足 | 收益率序列常近似满足 | 价格序列通常非平稳 |
| 检验工具 | 理论推导 | ADF 检验、KPSS 检验、ACF 图 | 先差分或取对数再检验 |
3.4 案例拆解：上证指数日收益率的平稳性分析
为了将抽象概念落地，我们以上证指数日收盘价及其对数收益率为例，演示平稳性判断的完整流程。
背景与目标：假设我们获取了 2020 年 1 月至 2023 年 12 月共约 970 个交易日的上证指数收盘价数据。目标是判断价格序列和对数收益率序列是否平稳，并为后续 ARMA-GARCH 建模提供依据。
关键输入数据：
日期范围：2020-01-02 至 2023-12-29
样本量：N = 970 个交易日
价格序列：P₁, P₂, ..., P₉₇₀
对数收益率：rₜ = ln(Pₜ / Pₜ₋₁)，t = 2, 3, ..., 970分析判断过程：
- 价格序列直观检查：绘制价格时序图，观察到明显的上升趋势和波动聚集现象，均值随时间变化，初步判断非平稳。
- ADF 单位根检验：对价格序列进行 ADF 检验，得到 p 值约为 0.42（大于 0.05），无法拒绝单位根原假设，确认价格序列非平稳。
- 收益率序列检验：对对数收益率序列进行 ADF 检验，p 值小于 0.01，拒绝单位根原假设，表明收益率序列是平稳的。
- 自相关函数（ACF）检查：绘制收益率序列的 ACF 图，发现大部分滞后阶数的自相关系数落在 95% 置信带内（±1.96/√N ≈ ±0.063），仅少数滞后（如滞后 1 或 5）略微超出，说明收益率序列存在弱自相关，但整体满足宽平稳假设。
- 均值与方差检查：计算收益率序列的样本均值约为 0.0002（接近 0），样本方差约为 0.00012。将样本分为前后两半，分别计算均值和方差，发现两者差异不大，支持宽平稳假设。
实际操作步骤：
# Python 伪代码示例
import pandas as pd
import numpy as np
from statsmodels.tsa.stattools import adfuller
# 假设 df 包含 'close' 列
df['return'] = np.log(df['close']).diff()
df = df.dropna()
# ADF 检验
adf_price = adfuller(df['close'])
adf_return = adfuller(df['return'])
print(f"价格序列 ADF p值: {adf_price[1]:.4f}") # 预期 > 0.05，非平稳
print(f"收益率 ADF p值: {adf_return[1]:.4f}") # 预期 < 0.05，平稳结果对比与复盘：
| 序列 | ADF p值 | 均值 | 方差 | 平稳性结论 |
|---|---|---|---|---|
| 收盘价 | 0.42 | 随时间变化 | 随时间变化 | 非平稳 |
| 对数收益率 | < 0.01 | ≈ 0.0002 | ≈ 0.00012 | 宽平稳 |
风险与代价：虽然收益率序列通过宽平稳检验，但其条件方差（波动率）可能存在时变性（ARCH 效应），这意味着序列本身是宽平稳的，但并非独立同分布。若直接使用普通最小二乘法建模而忽略波动率聚集，会导致标准误低估、统计推断失效。因此，后续应使用 GARCH 类模型刻画条件异方差。
3.5 常见误区与总结
- 误区一：将严平稳与宽平稳混为一谈。严平稳是分布层面的性质，宽平稳是矩层面的性质。对非高斯过程，两者不等价。金融收益率虽常近似宽平稳，但分布可能随时间变化（如尾部厚度变化），因此不满足严平稳。
- 误区二：认为平稳意味着“没有趋势”。宽平稳要求均值恒定，但允许序列围绕均值波动。趋势是均值随时间变化的表现，因此有趋势的序列必然非平稳。但平稳序列可以有周期性或季节性（只要周期固定且均值恒定）。
- 误区三：忽视二阶矩的平稳性。宽平稳要求自协方差仅依赖时间差，但很多金融序列的波动率（二阶矩）具有时变性。例如，股票收益率的无条件方差可能恒定，但条件方差随时间变化——这仍满足宽平稳，但不满足严平稳。
- 误区四：将样本路径的平稳性等同于过程的平稳性。一条样本路径看起来平稳不代表过程平稳，反之亦然。平稳性是过程所有可能路径的统计性质，需要从总体角度理解。