3、随机过程基础：随机过程、布朗运动、泊松过程的基本概念与路径性质

在金融衍生品定价中，我们面对的不是单一的不确定事件，而是随时间演化的不确定性流。股票价格、利率、汇率、违约强度等核心变量均随时间连续或跳跃地变化，这种随时间演化的随机现象需要借助随机过程这一数学框架加以刻画。本章作为风险中性测度与鞅定价方法的基石，将系统梳理随机过程的严格定义、路径性质，并重点剖析连续路径的代表——布朗运动，以及跳跃路径的代表——泊松过程。理解这两类过程的路径行为，是后续理解伊藤引理、Girsanov变换和测度转换的前提。

上图从宏观视角勾勒了随机过程的分类框架。布朗运动与泊松过程分别代表了金融建模中两类最基本的随机性来源：扩散风险（连续小幅波动）与跳跃风险（离散大幅变动）。实际金融资产价格往往同时受两类风险驱动，因此理解二者的数学结构与路径性质，是构建跳扩散模型（如Merton模型、Kou模型）的基础。

3.1 随机过程的严格定义与状态空间

核心原理

随机过程是概率论从静态随机变量向动态随机演化的重要延伸。其严格数学定义为：设 (Ω, ℱ, ℙ) 为一个概率空间，T 为指标集（通常为时间），则一族定义在 Ω 上、取值于状态空间 S 的随机变量 {X(t, ω) : t ∈ T} 构成一个随机过程。对于固定的 t，X(t, ·) 是一个随机变量；对于固定的 ω，X(·, ω) 称为该过程的一条样本路径（sample path）或轨道。

在金融应用中，状态空间 S 通常为实数集 ℝ（如股票价格、利率）或高维欧氏空间 ℝ^d（如多资产组合）。指标集 T 可以是离散的（如每日收盘价序列）或连续的（如高频交易中的逐笔价格）。根据 T 与 S 的离散/连续组合，随机过程可分为四类：离散时间离散状态、离散时间连续状态、连续时间离散状态、连续时间连续状态。本章重点讨论后两类。

判断方法与操作流程

在实际建模中，判断一个金融时间序列应使用何种随机过程框架，通常遵循以下流程：

1. 观察路径连续性：绘制资产价格或收益率的时间序列图，观察是否存在明显的跳跃断点。若价格在极短时间内发生大幅跳变（如财报发布、政策冲击），则需引入跳跃成分。
2. 检验增量分布：对固定时间间隔的增量进行正态性检验（如Jarque-Bera检验）。若增量显著偏离正态分布且具有厚尾特征，则纯扩散模型可能不充分。
3. 分析变差特征：计算样本路径的二次变差（quadratic variation）。若二次变差收敛到确定性函数，则路径连续；若存在跳跃，则二次变差包含跳跃平方的累加项。
4. 确定状态空间：根据变量性质选择连续状态（价格、利率）或离散状态（违约次数、评级等级）。

3.2 布朗运动：连续路径的基石

核心原理

布朗运动（Brownian Motion），又称维纳过程（Wiener Process），是连续时间随机过程的核心。其严格定义如下：随机过程 {W(t) : t ≥ 0} 称为标准布朗运动，若满足：

• W(0) = 0 几乎必然成立；
• 独立增量性：对任意 0 ≤ s < t，增量 W(t) - W(s) 与过程在 [0, s] 上的历史独立；
• 平稳高斯增量：W(t) - W(s) ~ N(0, t-s)，即均值为0、方差等于时间差的法分布；
• 路径连续性：W(t) 关于 t 的样本路径几乎必然连续。

布朗运动的路径虽然连续，却处处不可微。这一看似矛盾的性质源于其增量方差与时间间隔同阶——在任意小的区间内，路径的波动幅度与区间长度的平方根同阶，导致切线不存在。这一性质对随机微积分的构建具有决定性影响：经典微积分中的链式法则不再适用，必须代之以伊藤引理。

路径性质与二次变差

布朗运动最深刻的路径性质在于其二次变差。考虑区间 [0, t] 的一个划分 0 = t₀ < t₁ < ... < t_n = t，定义二次变差为：

QV_n(t) = Σ_i=1ⁿ [W(t_i) - W(t_i-1)]²

当划分的最大间隔趋于0时，QV_n(t) 依概率收敛到 t。这意味着布朗运动在任意有限区间内的二次变差非零且等于区间长度。这一性质与光滑函数（其二次变差为0）形成鲜明对比，也是伊藤积分与黎曼-斯蒂尔杰斯积分本质区别的根源。

案例拆解：蒙特卡洛模拟中的布朗运动路径生成

在衍生品定价的蒙特卡洛模拟中，需要生成离散化的布朗运动路径。设时间区间 [0, T] 被等分为 n 步，步长 Δt = T/n。标准做法是：

# Python伪代码：生成标准布朗运动路径
import numpy as np
n = 1000; T = 1.0; dt = T/n
dW = np.sqrt(dt) * np.random.standard_normal(n)
W = np.concatenate(([0], np.cumsum(dW)))

这里的关键在于增量 dW 的标准差必须为 √Δt，而非 Δt。若误用标准差为 Δt 的增量，生成的路径在 n→∞ 时将退化为零路径（方差过小），无法正确反映布朗运动的波动特性。模拟结果的收敛性可通过比较模拟二次变差 Σ(dW)² 与理论值 T 来验证。

常见误区与总结

• 误区一：将布朗运动视为可微函数。布朗运动处处不可微，任何试图对其路径求导的操作在数学上均不成立。随机微分方程中的 dW(t) 应理解为伊藤积分意义下的微分。
• 误区二：忽略二次变差的非零性。在计算期权对冲误差或方差互换价格时，若假设路径光滑（二次变差为0），将导致严重偏差。
• 误区三：混淆布朗运动与几何布朗运动。布朗运动可取值于全体实数，而几何布朗运动（GBM）通过对数变换保证价格为正。GBM 的驱动源仍是布朗运动，但路径形态完全不同。

3.3 泊松过程：跳跃路径的基石

核心原理

泊松过程是描述随机事件流（如违约发生、交易指令到达）的基本模型。计数过程 {N(t) : t ≥ 0} 称为强度为 λ 的泊松过程，若满足：

• N(0) = 0；
• 独立增量性：任意不重叠时间区间上的增量相互独立；
• 平稳增量性：N(t) - N(s) 的分布仅依赖于时间差 t-s；
• 泊松分布：N(t) - N(s) ~ Poisson(λ(t-s))，即 P(N(t)-N(s)=k) = e^-λ(t-s)[λ(t-s)]^k/k!。

泊松过程的路径是右连左极（RCLL）的阶梯函数：在随机时刻发生幅度为1的跳跃，跳跃之间保持常数。相邻两次跳跃的等待时间服从参数为 λ 的指数分布，且相互独立。这一性质使得泊松过程具有无记忆性——给定当前时刻尚未发生跳跃，未来等待时间的条件分布仍为同一指数分布。

复合泊松过程与跳跃扩散

标准泊松过程的跳跃幅度恒为1，这在实际金融应用中过于局限。为此引入复合泊松过程：

J(t) = Σ_i=1^N(t) Y_i

其中 N(t) 为强度 λ 的泊松过程，{Y_i} 为独立同分布的随机变量，表示第 i 次跳跃的幅度。复合泊松过程保留了泊松过程的跳跃时机结构，但允许跳跃幅度具有任意分布。在跳扩散模型中，资产价格可建模为：

dS(t) = μS(t)dt + σS(t)dW(t) + S(t-)dJ(t)

其中 S(t-) 表示跳跃发生前的左极限值，确保跳跃幅度按比例作用于价格。

案例拆解：信用违约互换（CDS）中的泊松建模

考虑一个简化的一期CDS定价问题。假设某公司违约强度为 λ = 0.05（即每年平均违约0.05次），违约时间 τ 服从参数 λ 的指数分布。在风险中性测度下，CDS的合理价差 s 应使期望赔付现值等于期望保费现值。

设面值为1元，回收率 R = 40%，无风险利率 r = 3%，期限 T = 5年。则：

• 违约概率 P(τ ≤ T) = 1 - e^-λT = 1 - e^-0.25 ≈ 0.2212
• 期望赔付现值 = (1-R) × ∫₀^T e^-rt λe^-λt dt = 0.6 × λ/(r+λ) × (1 - e^-(r+λ)T)
• 代入数值：0.6 × 0.05/0.08 × (1 - e^-0.4) ≈ 0.6 × 0.625 × 0.3297 ≈ 0.1236
• 期望保费现值 = s × ∫₀^T e^-rt P(τ > t) dt = s × (1 - e^-(r+λ)T)/(r+λ) = s × 4.1213
• 令两者相等：s ≈ 0.1236 / 4.1213 ≈ 3.00%

该案例展示了泊松过程如何将违约事件的随机性转化为可定价的现金流。实际市场中，违约强度 λ 本身可能随时间变化（Cox过程），且违约与利率之间存在相关性，这些扩展均以基础泊松过程为起点。

常见误区与总结

• 误区一：将泊松过程视为连续时间马尔可夫链。泊松过程确实是马尔可夫过程，但其状态空间为可数集，且转移速率恒定。若状态空间为连续集，则需使用马尔可夫跳变过程。
• 误区二：忽略左极限与右极限的区别。在跳扩散模型中，S(t-) 与 S(t) 不同。若使用 S(t) 而非 S(t-)，将导致伊藤公式中出现额外项。
• 误区三：将泊松过程的强度与跳跃幅度混淆。强度 λ 控制跳跃发生的频率，而跳跃幅度由另一分布决定。在复合泊松过程中，两者独立。

3.4 随机过程的滤波与信息流

核心原理

在随机过程理论中，滤波（filtration）描述了随时间演化的信息结构。记 ℱ_t 为截至时刻 t 可观测到的所有信息，则滤波 {ℱ_t} 满足：对 s < t，ℱ_s ⊆ ℱ_t（信息单调增加）。一个随机过程 X(t) 称为关于滤波 ℱ_t 适应的（adapted），若对每个 t，X(t) 是 ℱ_t-可测的，即过程在 t 时刻的值仅依赖于截至 t 的信息。

在金融定价中，滤波概念至关重要。期权价格是标的资产价格过程的函数，而标的资产价格过程必须适应于市场信息流。当引入跳跃过程时，信息流不仅包含连续价格路径，还包含跳跃发生的时刻与幅度。这一信息结构的差异直接影响对冲策略的可行性——在纯扩散模型中，通过连续交易可以完美复制期权收益；而在跳扩散模型中，由于跳跃的不可预测性，完美对冲通常无法实现。

判断方法与操作流程

在构建随机过程模型时，需明确以下信息结构要素：

1. 确定信息流来源：是仅包含资产价格历史，还是包含其他市场变量（如波动率、利率）？
2. 判断过程适应性：模型中的每个随机过程是否关于同一滤波适应？若不适应，则定价公式可能失效。
3. 识别跳跃信息：若存在跳跃过程，需明确跳跃时刻是否可被市场参与者观测。在信用风险模型中，违约事件的发生通常被视为可观测的。
4. 验证鞅性质：在风险中性测度下，折现资产价格过程应为鞅。鞅性质依赖于滤波结构——若滤波不完整，鞅性质可能被破坏。

3.5 本章总结与复盘

本章系统梳理了随机过程的基础框架，重点剖析了布朗运动与泊松过程这两类核心过程。布朗运动以连续路径、高斯增量和非零二次变差为特征，是扩散模型的基础；泊松过程以跳跃路径、泊松增量和指数等待时间为特征，是跳跃模型的基础。两者的核心差异可归纳为：布朗运动的路径连续但不可微，其波动性源于无限小时间尺度上的随机扰动；泊松过程的路径在跳跃点不连续，其波动性源于离散事件的发生。

在后续章节中，我们将基于这些基础过程构建伊藤积分与随机微分方程，进而推导风险中性测度下的资产定价公式。理解本章的路径性质与信息结构，是掌握鞅定价方法的前提。建议读者通过蒙特卡洛模拟直观感受两类过程的路径差异，并尝试将实际金融数据与理论模型进行对比，以加深对随机过程本质的理解。