4.5 伊藤积分与伊藤引理：给布朗路径重建微积分

4.5 伊藤积分与伊藤引理：给布朗路径重建微积分

本节摘要：布朗路径处处不可微，普通微积分的链式法则在它身上全面失效。伊藤积分按"左端点取值"重新定义了对抖动路径的积分，伊藤引理则给出替换变量的新法则——比普通链式法则多出一个修正项。本节先演示失效现场，再建立新规则，最后推导几何布朗运动并模拟验证：这是全章的兑换出口，也是第 5 章所有连续模型的地基。

先看失效现场有多彻底。普通微积分里链式法则宣称：若 Y = f(X)，则 dY = f'(X)·dX。取 f(x) = x²，X 为布朗运动 W(t)：普通法则会宣布 d(W²) = 2W·dW。但 4.3 节早就留下伏笔——W(t)² − t 是鞅，这意味着 W² 的漂移来自 t 而不是零：d(W²) = 2W·dW + dt。多出来的 dt 就是本节全部戏剧性的来源：在布朗世界里，二阶小量 (dW)² 与 dt 同阶，拒绝退场。

伊藤积分：换一种取点方式

普通黎曼积分把区间切成小块，函数值取小区间内任意点，极限与取点无关。这个"与取点无关"的性质依赖被积函数足够光滑。被积对象换成布朗路径（处处不可微），取点方式突然变得要命：取区间左端点的值得到伊藤积分，取"中点附近的最优值"得到斯特拉托诺维奇积分——两者极限不同。

工程与金融的主流选择是伊藤版本，理由深扎在因果结构里：你只能在时刻 t 用当时已知的信息下注，无法预知小区间内的平均路径。左端点取值 = 只用已实现的信息，这是"不可预知未来"的积分化。具体地，对简单被积过程 H，

伊藤积分 Σ H(tᵢ)·[W(tᵢ₊₁) − W(tᵢ)] 取细分割极限

一个关键副产品：每个小区间的增量平方 dW² 的极限既不是零也不是随机的，而是 dt 本身——由此确立全书最重要的换算规则：

(dW)² = dt，dW·dt = 0，(dt)² = 0

三条记号读作"平方项里只保留 dt 一次幂"。别用经典分析的显微镜抠它的严格性——它是量纲记账规则，4.2 节的 1/√h 差商爆炸是它的几何出身，(dW)² 是鞅的换算是它的概率出身。

伊藤引理：多一项的链式法则

定理：设 X(t) 满足随机微分 dX = a·dt + b·dW，f 是二阶光滑函数，则

df = f'(X)·dX + (1/2)·f''(X)·b²·dt

展开成 dt 与 dW 的线性式即可用。与普通链式法则相比多出半项 (1/2)f''·b²·dt——伊藤修正项。来一次手推感：泰勒展开 df 到二阶，保留按换算规则非零的项——f'·a·dt（一阶）、f'·b·dW（一阶）、以及 (1/2)f''·b²·(dW)² = (1/2)f''·b²·dt（二阶唯一幸存者）。普通微积分里二阶项全体阵亡，布朗世界里它凭 (dW)² = dt 复活。

两个必练动作。动作一，f(x) = x²：df = 2X·dX + (dX)²，取 X = W 得 d(W²) = 2W·dW + dt，与 4.3 的鞅结果严丝合缝——新理论与旧伏笔对上了暗号。动作二，指数：f(t, x) = exp(μt + σx)（几何布朗运动的解形状），用双变量伊藤引理展开，合并 dt 项后恰好还原出 SDE 解的验证——这一步在做期权公式校验时天天用。

⚠️ 高频错误榜第一名：写伊藤展开时忘掉修正项。它造成的不是小误差而是模型级错误——隐含波动率、对冲比率的推导整体偏移。写完 df 先数一数有没有那半个 dt，是随机分析版的"出门摸钥匙"。

战场检阅：几何布朗运动

股价模型的标准起点是几何布朗运动：dS = μS·dt + σS·dW——漂移与波动都与现价成比例（涨得越多绝对波动越大，符合股票直觉）。它是检验伊藤功力的完美靶子。

推导：令 f(t, s) = ln s。伊藤引理给出 df = (1/s)·dS − (1/2)(1/s²)·(σS)²·dt = (μ − σ²/2)·dt + σ·dW。右侧是常系数——积出 ln S(t) = ln S(0) + (μ − σ²/2)t + σW(t)。

解读：对数价格是带漂移的布朗运动，因此价格本身服从对数正态分布，且长期增长率是 μ − σ²/2 而不是 μ——波动率在几何增长里要交一笔税（σ²/2）。这不是推导游戏：期望增长率 μ 与中位数增长率 μ − σ²/2 的差别，正是"平均收益被大起大落吃掉一截"的严格表述。两个基金同样的算术平均回报，波动大的那个长期复利落后——金融话术"复利的敌人是波动"在这里第一次拿到公式。

图：伊藤引理与普通链式法则的对照

动手：模拟几何布朗运动并验收三件事

import numpy as np

rng = np.random.default_rng(8)
S0, mu, sigma, T, n, n_paths = 100.0, 0.08, 0.25, 1.0, 252, 60_000
dt = T / n

# 欧拉-丸山离散化：dS = mu*S*dt + sigma*S*dW
# 几何布朗运动情形可直接用精确解：S(t) = S0*exp((mu-sigma^2/2)t + sigma*W(t))
W_incr = rng.normal(0.0, np.sqrt(dt), size=(n_paths, n))
W = np.concatenate([np.zeros((n_paths, 1)), np.cumsum(W_incr, axis=1)], axis=1)
t_grid = np.linspace(0, T, n+1)
S = S0 * np.exp((mu - 0.5*sigma**2)*t_grid + sigma*W)

S_T = S[:, -1]
print(f"期末均值 {S_T.mean():.2f}（理论 S0*exp(mu*T) = {S0*np.exp(mu*T):.2f}）")
print(f"期末中位数 {np.median(S_T):.2f}（理论 S0*exp((mu-sigma^2/2)T) = "
      f"{S0*np.exp((mu-0.5*sigma**2)*T):.2f}）")
print(f"对数收益均值 {np.log(S_T/S0).mean():.4f}（理论 {(mu-0.5*sigma**2)*T:.4f}）")
# 验收点一：均值高于中位数——对数正态右偏，平均被少数暴涨拉高
# 验收点二：波动率税 sigma^2/2 = 0.03125 每年，均值与中位数增长率之差可见
# 验收点三：ln S 服从正态（可画 QQ 图核对）——对数正态性质成立
​

三行验收各管一件事：均值对上 μ、中位数对上 μ − σ²/2、对数正态形态成立。这三条同时过关，你对伊藤引理的掌握就有了数值层的担保。

变式：把 σ 从 0.25 拉到 0.8 再跑——均值几乎不动，中位数明显下沉，两者的裂口即波动率税的直观形态。实际业务里"高波动资产长期持有是否划算"的争论，在这个变式里已经可以预演答案的一半。

三个高频追问

问：斯特拉托诺维奇积分什么时候用？ 答：物理建模里当噪声被理解为"真实但极快的平滑扰动"时（比如有限关联时间的热噪声），中点取值的斯特拉托诺维奇积分保留了普通链式法则，推导方便；做模型间换算有固定公式（波动项差半个导数项）。工程与金融的默认仍是伊藤——信息结构决定一切，下注只能用已知信息。

问：伊藤引理能推广到跳过程吗？ 答：能，带跳跃的伊藤公式多一个"跳跃求和项"：每次跳跃对 f 的贡献是 f(X+) − f(X−)。第 2 章的复合泊松过程走这套推广。实务上记住判据：模型里出现跳跃，链式法则就必须换带跳版本——用连续版处理跳模型是定价事故的经典来源。

问：解随机微分方程有通用方法吗？ 答：没有像常微分方程那样的通用算法库解，但常用三板斧：猜解形状后用伊藤引理验证（几何布朗）；线性方程用常数变易法（Ornstein–Uhlenbeck 型，即 5.1 节的均值回归）；其余多数直接数值求解（欧拉–丸山起步）。先猜后验是随机微分方程的常态，这也是为什么伊藤引理的熟练度比"会解方程"更重要。

本节要点回顾

• 取点方式决定积分：左端点的伊藤积分契合"不可预知未来"，是金融与工程的默认选择。
• 换算三规则：(dW)² = dt，dW·dt 与 (dt)² 归零——二阶项的唯一幸存者。
• 伊藤引理 = 链式法则 + 修正项 (1/2)f''b²dt；写展开先摸修正项。
• 几何布朗运动：对数价格是带漂移布朗，价格对数正态，长期增长率交波动率税 σ²/2。
• 模拟验收三条：均值、中位数、对数正态性，一一对照理论。

第 4 章装备齐全。下一章把这些理论推上生产线：蒙特卡洛把随机微分方程变成可执行代码，四大应用现场等着验收。