4.1 布朗运动：高斯过程的极限形态

4.1 布朗运动：高斯过程的极限形态

本节摘要：高斯过程是"有限维分布全部正态"的随机过程，由均值函数与协方差函数完全决定；布朗运动是它最重要的成员——增量独立、增量正态、路径从零出发连续。本节给出高斯过程的定义与判别，建立布朗运动的公理体系，用随机游走的极限从数值上长出这条路径，并解释协方差函数如何一票决定整族分布。

一个反例先立住问题的分量：把"每一步都是正态随机数"的过程摆出来，比如让每个时刻独立抽一个正态数——这个过程每个时刻的分布都正常，路径却疯狂得毫无意义：相邻两个时刻毫无关联，画出图来是一堆彼此无关的散点。现实中的连续随机演化（花粉位移、温度波动、资产价格）恰恰相反：时间靠得越近，取值越像。要抓住"连续演化"，独立正态序列远远不够，需要一组更聪明的依赖规则。高斯过程就是这套规则的标准舞台。

高斯过程：一族正态的有机整体

定义：若过程 {X(t), t 属于 T} 的任意有限个时刻取值 (X(t₁), …, X(tₙ)) 服从联合正态分布，则称其为高斯过程。

联合正态的性质在此全部生效，最重要的一条是：高斯过程的全部统计信息装在均值函数 m(t) = E[X(t)] 与协方差函数 K(s, t) = Cov(X(s), X(t)) 两个函数里。矩定乾坤，不存在更高阶的隐藏结构。这一条带来巨大的建模杠杆：想让过程"长成什么样子"，只需设计协方差函数——平滑度由 K 在对角线附近的行为决定，周期性由 K 的周期项决定，长程记忆由 K 的衰减速度决定。第 5 章机器学习一节的高斯过程回归，本质就是"把先验知识写进协方差函数"。

判别也有捷径：正态变量的线性组合仍是正态。凡是"独立正态的线性叠加"（积分、滑动和、线性滤波）造出来的过程都是高斯的。反过来，任何"经过非线性变换"的过程（比如取绝对值、取对数再还原）都需重新检验。

布朗运动：三条公理

标准布朗运动 {W(t), t ≥ 0} 定义为满足以下三条的过程：

公理一：W(0) = 0（从原点出发）。

公理二：独立平稳增量——对任意 0 ≤ t₁ < t₂ ≤ t₃ < t₄，增量 W(t₄) − W(t₃) 与 W(t₂) − W(t₁) 独立，且增量的分布只依赖区间长度。

公理三：增量正态——W(t) − W(s) 服从均值零、方差 t − s 的正态分布。

维纳在二十世纪二十年代证明了满足这三条的过程存在（路径还可以选成连续的），所以文献里也尊称维纳过程。三条公理翻译成物理语言：过去的推力不影响未来的推力（独立增量），推力强度处处相同（平稳），推力的累积效果按中心极限定理呈正态（正态增量——无数微小撞击之和）。

由此立刻读出基本标度：E[W(t)] = 0，Var(W(t)) = t。位移的典型量级是 √t 而不是 t——这是布朗运动的身份证号。爱因斯坦 1905 年由此算出扩散系数与阿伏伽德罗常数的联系，佩兰的实验验证了原子存在，诺贝尔奖记下了这笔账。工程语言里同样要紧：想把模拟时长翻倍，路径的摆动幅度只放大约四成的平方根，"时间翻倍振幅翻倍"是直觉陷阱。

图：随机游走如何收敛为布朗路径

随机游走极限：公理的来路

三条公理不是凭空约定，而是随机游走的极限画像。设每 √Δt 时间走一步、步长 ±√Δt（等概率），走 n 步累计位移的方差为 n·Δt = t——恰好线性于时间；中心极限定理（3.5 节）保证大量微小步子之和趋于正态；各段步子互不影响给出独立增量。让 Δt 趋于零，极限就是标准布朗运动。Donsker 定理把这个直觉钉成定理：随机游走的插值路径弱收敛到布朗运动。

这层来路有两个用途。其一，模拟有底：代码里生成布朗路径的标准做法就是生成随机游走再加密。其二，"微小独立推力的累积"从此有了普适含义——凡是噪声来自海量微小独立源的现象（热噪声、分子碰撞、微观交易流），布朗模型都有先发优势；噪声源少而粗大时则该用跳跃模型（第 2 章 Lévy 家族）。

协方差函数决定一切：从布朗推广开去

布朗运动的协方差函数是 K(s, t) = min(s, t)：取小者。验证用它重构过程可以"先造有限维、再取极限"——多元正态只要均值与协方差矩阵合法就存在，Kolmogorov 延拓定理（1.4 节）保证拼成完整过程。这条"协方差先行"的路线可以随意改造：

同一副骨架（高斯），换协方差函数就是换性格——这是高斯过程在建模里最值钱的性质。顺带一提，带漂移的布朗运动 X(t) = μt + σW(t) 仍是高斯过程：漂移进了均值函数，波动幅度 σ 进了协方差函数，"线性叠加保持高斯"的又一实例。

动手：三条路模拟同一条路径

import numpy as np
import matplotlib.pyplot as plt

rng = np.random.default_rng(2026)
n, T = 512, 1.0
dt = T / n

# 路线一：随机游走累加（定义的直接翻译）
steps = rng.normal(0.0, np.sqrt(dt), size=n)
W1 = np.concatenate([[0.0], np.cumsum(steps)])

# 路线二：布朗桥式条件构造——用正态向量直接采样，协方差取 min(s,t)
t = np.linspace(0.0, T, n+1)
K = np.minimum.outer(t, t)                 # 协方差矩阵
W2 = rng.multivariate_normal(np.zeros(n+1), K)

# 路线三：Karhunen-Loeve 特征展开——布朗运动的正弦基表示（截断 N 项）
# 在 [0,1] 上：W(t) = sum_k Z_k * 根号2 * sin((k-0.5)·pi·t) / ((k-0.5)·pi)
N_terms = 200
k = np.arange(1, N_terms+1)
Z = rng.normal(size=N_terms)
basis = np.sqrt(2.0) * np.sin(np.outer(k - 0.5, t) * np.pi) / ((k - 0.5) * np.pi)[:, None]
W3 = Z @ basis

fig, ax = plt.subplots(figsize=(8, 4.2))
for W, c in ((W1, "tomato"), (W2, "steelblue"), (W3, "seagreen")):
    ax.plot(t, W, lw=1.1, color=c)
ax.set_xlabel("t"); ax.set_ylabel("W(t)")
ax.set_title("三条独立实现的布朗路径：注意 0.25 与 1 处的典型幅度约 0.5 与 1")
plt.tight_layout(); plt.show()

print(f"端点方差理论 1.0；三条实现端点取值 "
      f"{W1[-1]:.2f} / {W2[-1]:.2f} / {W3[-1]:.2f}")
# 观察点：路径放大任何一段，形态都与整体相似（自相似，4.2 节的主题）
​

三条路线给出的路径统计完全等价，路线二最直观地展示"协方差矩阵一票定乾坤"，路线三是 4.4 节频域视角的先遣队。读者可自行加大 n 观察：无论怎么放大局部，路径都不会变光滑——这正是下一节的主角。

本节要点回顾

• 高斯过程由均值与协方差两个函数完全决定，建模的自由度在设计协方差函数。
• 布朗运动三条公理：从零出发、独立平稳增量、增量方差为区间长的正态。
• 典型位移 √t：时间翻倍振幅只放大平方根倍，这是布运动的身份证。
• 随机游走极限：公理的来路，模拟的底牌，微小独立噪声现象的普适模型。
• 换协方差函数即换性格：从布朗到平稳到平滑核，同一副高斯骨架。

这条路径的几何怪癖值得单独开一节解剖。下一节：处处连续、处处不可微，以及标度自相似的完整拆解。