随机微积分:为那些永远不会静止的事物而生的微积分

股价的走势从来不是沿着一条光滑的曲线。无论你放大多少——一分钟、一秒钟、一毫秒——在那个尺度上它依然是颠簸的、不可预测的。普通微积分是为光滑的事物设计的:曲线在每一点都有一个明确定义的斜率。随机微积分之所以存在,是因为非常多现实世界的量——股价、粒子位置、带噪声的传感器读数——根本就不光滑,但我们仍然需要对它们进行微积分运算:积分它们、求导它们、从它们构建模型。

研究生拓展

基本构件:布朗运动

随机微积分背后的基本随机过程称为布朗运动,通常记作W(t)。它有三个定义性质:从零开始,在不重叠的时间区间上的增量彼此独立,并且每个增量都服从方差等于经过时间的正态分布。这三条简单规则合在一起,产生了一条处处连续但处处不可导的轨迹——无论放大多少倍,它看起来都永远不像一条直线。

最后这个性质正是全部问题所在。普通微积分依赖于df/dt存在的想法——也就是一个函数有一个真正、明确定义的变化率。对于布朗运动来说,dW/dt在这个意义上根本不存在。你无法以正常方式对它求导。因此需要一套新的工具来处理依赖于它的函数。

伊藤引理:随机链式法则

在普通微积分中,函数f(W(t))的链式法则本来会简单地是f'(W) dW。伊藤引理说,当W是布朗运动时,这并不完全正确——多了一个额外的项:

df = f'(W) dW + ½f''(W) dt

这第二项正是随机微积分那个奇怪而具有决定性的特征,它源于一个真正独特的事实:对于普通的光滑函数,(dt)²小到可以忽略,但对于布朗运动,(dW)²的表现就像dt本身,而不是零。它不会像光滑轨迹那样在极限下消失为零。一旦接受了这个奇怪的事实,伊藤引理的其余部分就来自普通的泰勒展开——这不是另一种数学,只是普通的推理被小心地应用于一个在小尺度上表现异常的过程。

值得记住的直觉:布朗运动如此颠簸,以至于它的振荡平方以恒定的速率随时间累积——这正是(dW)² ≈ dt这一事实——而这种恒定的累积正是伊藤引理中出现的额外项。

一个已解算例:对W²求微分

最简单的真正解算例是f(W) = W²。直接应用公式:

• f'(W) = 2W,f''(W) = 2
• 代入伊藤引理:d(W²) = f'(W) dW + ½f''(W) dt = 2W dW + ½(2) dt
• d(W²) = 2W dW + dt

把它与普通微积分相比较,你原本会期望d(W²) = 2W dW并到此为止。多出来的「+ dt」项既不是错误,也不是近似——它是(dW)²表现得像dt这一事实的直接且精确的结果。它还有一个真正有用的含义:平均而言(由于dW项的期望值为零),E[d(W²)] = dt,这恰恰说明布朗运动的方差以每单位时间1的恒定速率增长——这正是W(t)最初被定义的方式。

一个具体例子:为股价建模

股价S(t)的标准模型是几何布朗运动,写成随机微分方程:

dS = μS dt + σS dW

用文字来说:股票平均以速率μ向上漂移(dt项),同时被随机噪声(由自身的值和波动率σ缩放)所扰动(dW项)——较高的价格意味着更大的绝对波动,这与真实价格的行为一致。将伊藤引理(而不是普通微积分,那样在这里会得出错误答案)应用于ln(S),就会得出著名的结果:S(t)服从对数正态分布。这一个方程,以及正确求解它所需的技巧,正是布莱克-舒尔斯期权定价模型的直接祖先。

为什么这在金融之外也很重要

同样的工具箱——一个漂移项加一个噪声项,用伊藤引理正确求导——描述了物理学中在流体中扩散的粒子,电路中的电噪声,以及生物学中在随机的出生和死亡事件下波动的种群数量。最近,同样的数学也是扩散型生成式AI模型运作的基础:它们训练一个网络来逆转一个把真实图像逐步变成纯噪声的随机微分方程,然后运行这个逆过程,从零开始生成一张新图像。

随机微积分素有数学学位中最难的部分之一的名声,主要是因为它通常先被当作一堵测度论定义的墙来教,而真正的直觉——一个对普通微积分来说太颠簸的随机过程,以及一个考虑到这一点的额外项——却没有机会先扎根。一旦先建立起这种直觉,形式化的运算技巧就不再显得随意。如果研究生阶段或应用数学的最后一年是您或您的孩子的目标,这正是我们教学的顺序——请看我们的研究生个别指导,或在这里查看完整的学习路径。