4.2 布朗运动性质拆解：连续而不可微的解剖课
4.2 布朗运动性质拆解：连续而不可微的解剖课
本节摘要：布朗路径有四条招牌性质：增量平稳独立、标度自相似、处处连续处处不可微、反射对称。本节逐条给出陈述、手推证明或论证思路、以及数值验证代码，把"连续"与"光滑"为何分家这件事解剖到能自己复述的程度。
十九世纪的数学家一度以为"连续函数不可微的点至多是稀稀落落的孤点"，直到魏尔斯特拉斯造出处处连续处处不可微的函数，被当时主流斥为"数学怪胎"。布朗运动给出了同款现象的天然版本——而且它不是造出来的怪物，是真实世界的日常：花粉轨迹、温度计读数、电阻热噪声。本节把这条"怪路径"拆开看。
性质一：增量的平稳与独立
公理内容已在 4.1 给出，这里补它的两个直接推论，因为后面反复要用。推论一，马尔可夫性：给定当前值 W(t)，未来路径的分布与历史无关（增量独立把历史一刀切断），所以布朗运动也是马尔可夫过程——第 3 章的全部直觉在连续状态空间继续有效。推论二，正态记忆：W(t) 与 W(s) 的相关系数是 √(s/t)（由协方差 min(s,t) 与方差 t、s 算出），时间越靠近相关越强，但任何两个不同时刻都不完全相关——路径"像"过去却不"复读"过去。
性质二：标度自相似
陈述：对任意正数 c，过程 c 的负二分之一次方乘 W(c·t) 与 W(t) 是同一个过程（分布意义下）。
推证：检验协方差即可——变换后的增量方差仍是原区间长（c⁻¹·(ct₂ − ct₁) = t₂ − t₁），增量独立与正态性原样保留，三条公理全部通过，唯一性给出等价。换句话说，把时间轴拉长 c 倍、振幅轴拉长 √c 倍，看到的还是布朗运动本身。
自相似有一个日常后果：看一段布朗路径的照片，你无法判断横轴单位是秒还是年。金融里"用日线数据估计的波动率换算成年化"之所以能直接乘时间平方根，底层依据正是这条标度律；反过来，一旦真实数据出现"放大后变光滑"（比如超短时间尺度上微观结构抹平了抖动），就是偏离布朗模型的信号——高频金融里著名的"微观结构噪声"就站在标度律失效的地方。
性质三：处处连续、处处不可微
连续性是维纳构造的一部分（可以选一条概率为一的连续版本），手推超出本教程范围。不可微可以用标度律一步看清：可微意味着增量与时间区间之比有界，但
[W(t + h) − W(t)] / h 的典型幅度 = √h / h = 1/√h
h 缩小时 1/√h 爆炸，比值没有极限。写得正式一点：以概率为一，路径在任何点都不存在有限导数。数值上也能"看见"这件事——把路径不断加密重算差商，差商的幅度一路放大，毫无收敛迹象。
💡 这条性质为什么值钱？因为整个伊藤分析（4.5 节）都建立在"二阶小量不可忽略"上。普通微积分里 (dt)² 直接扔掉，而布朗世界 (dW)² 与 dt 同阶——不可微性正是这个"同阶"的几何根源。看懂这一节，4.5 的修正项就不再是奇怪的补丁。
性质四：反射原理与首中时
反射原理：把路径首次碰到水平线 a 之后的段落沿水平线翻折上去，得到的新路径与原路径同分布。直观图景：碰线之后"往上继续"与"翻上去走"无法区分——因为增量对称且独立。
它最大的战果是给出首中时分布：布朗运动首次触达水平 a > 0 的时刻 Tₐ 满足
P(Tₐ ≤ t) = 2·(1 − Φ(a/√t))，其中 Φ 是标准正态分布函数
因子 2 就是"触线后翻与不翻两种命运"各占一半的体现。由此还能算出一个更惊人的推论：P(Tₐ < ∞) = 1——一维布朗运动几乎必然会碰到任何水平线，漫游得再远也必然回家；但期望回家时间是无穷。第一次见到这个组合（必然到达、平均永远到不了）的人都会愣一下，它是一维漫游"边界即牢笼又即无限"的精确表述。二维布朗也几乎必然重访原点邻域，三维起就真的可能一去不返了——波利亚 1921 年的著名结论："醉汉总能找到家，醉鸟可能永远迷路"。
图：反射原理与首中时
数值验证：把三件事跑给你看
import numpy as np rng = np.random.default_rng(451) # 验证一：不可微——差商随网格加密爆炸 n = 2**22 # 约 400 万步 dW = rng.normal(0.0, 1.0, size=n) * 1e-2 W = np.concatenate([[0.0], np.cumsum(dW)]) for m in (2**10, 2**14, 2**18, 2**22): Wm = W[:: n // m] slope = np.abs(np.diff(Wm)) * (m / 1.0) print(f"网格 {m:>8} 点：最大差商约 {slope.max():9.1f}") # 典型输出：最大差商从几万涨到几百万——没有收敛迹象，"导数"不存在 # 验证二：标度律——时间拉长 4 倍、振幅放大 2 倍后分布不变 W1_end = rng.normal(0.0, 1.0, size=50_000) # W(1) 端点样本（方差 1） W4_end = rng.normal(0.0, 2.0, size=50_000) / 2.0 # W(4)/2 端点样本（方差 4 除以 4） print(f"W(1) 样本标准差 {W1_end.std():.3f}；W(4)/2 样本标准差 {W4_end.std():.3f}") # 两者都应贴近 1——标度变换后与原过程同分布，自相似成立 # 验证三：首中时分布——模拟对比理论 a, trials, hits = 1.0, 20_000, [] dt = 1e-4 for _ in range(trials): x, t, hit = 0.0, 0.0, None while t < 5.0: x += rng.normal(0.0, np.sqrt(dt)) t += dt if x >= a: hit = t break if hit is not None: hits.append(hit) if hits: from scipy.stats import norm t_grid = np.array([1.0, 2.0, 3.0]) for tg in t_grid: emp = np.mean(np.array(hits) <= tg) theo = 2 * (1 - norm.cdf(a / np.sqrt(tg))) print(f"t={tg}: 模拟 P（T 小于 t） {emp:.3f} vs 反射原理 {theo:.3f}") # 典型输出：三档时间点上模拟与理论误差都在百分位级
解读：验证一直接目击不可微；验证二的"4 倍时间、2 倍振幅"是自相似的算术；验证三是反射原理的实证——理论公式与蛮力模拟咬合，是这条原理最扎实的记法。
答疑：两个常被追问的点
问：既然处处不可微，为什么还能"求导"写出 dX/dt 这类式子？ 答：工程文献里的 dX = a dt + b dW 是微分记号而非真导数，它的严格身份是积分方程 X(t) = X(0) + ∫a ds + ∫b dW——导数从未出场。看到"对时间求导"的字样出现在随机微分方程的推导里，多半是把扩散项丢掉了的确定性近似，读的时候要能识别这个降级。
问：真实数据（比如股价）真的处处不可微吗？ 答：真实数据的采样是离散的，"处处不可微"无法被直接观测；能观测的是"加密采样下差商不收敛"——把采样间隔从一天缩到一分钟再到一秒，收益率的波动不随间隔平方根以外的速度衰减，反而在高频段被微观结构效应放大。布朗模型是对"抖动不衰减"这一现象的数学理想化，它的价值在于把"不可微"变成可推导的后果（伊藤修正项），而不是宣称市场真的分形到无穷。
本节要点回顾
- 增量平稳独立顺带给出布朗的马尔可夫性，第 3 章直觉平移到连续状态。
- 标度自相似：时间放大 c 倍相当于振幅放大 √c 倍；数据若违反它，说明需要换模型。
- 处处连续处处不可微：差商典型幅度 1/√h，无极限；(dW)² 与 dt 同阶由此而来。
- 反射原理给首中时闭式分布，因子 2 是镜像命运的账。
- 一维漫游必然回家但期望用时无穷：二维相似，三维起可能永别。
路径的"形"看完了，接下来换期望的"势"：鞅——公平博弈的数学，与它随身携带的停时定理。