欢迎来到证券价格的随机模型（Stochastic Models）！

在金融与精算经济学中，证券价格会随着不可预测的市场消息和经济力量而随时间波动。随机模型（stochastic model）利用概率论来为这些跨越连续时间的动态、不确定性变动建立模型。在本章中，我们将建立证券价格的连续时间框架，探讨标准布朗运动（standard Brownian motion）、随机微分方程（stochastic differential equations）、伊藤引理（Ito's Lemma）、几何布朗运动（Geometric Brownian Motion），以及具均值回归特性的奥恩斯坦-乌伦贝克过程（Ornstein-Uhlenbeck process）。

1. 标准布朗运动（维纳过程）

连续时间随机建模的核心是标准布朗运动（standard Brownian motion），亦称为维纳过程（Wiener process），对于 \( t \ge 0 \) 记作 \( W_t \)（或 \( B_t \)）。

\( W_t \) 的基本性质：

1. 起始值：以概率 1 满足 \( W_0 = 0 \)。
2. 连续样本路径：路径 \( t \mapsto W_t \) 以概率 1 处处连续。
3. 独立增量：对任意时间 \( 0 \le s < t \le u < v \)，增量 \( W_v - W_u \) 独立于 \( W_t - W_s \)。此过程具备马尔可夫性质（Markov property）：未来的增量仅取决于当前状态，而与过去历史无关。
4. 平稳且呈正态分布的增量：对任意 \( s < t \)，增量 \( W_t - W_s \sim N(0, t - s) \)。特别是，\( E[W_t] = 0 \) 且 \( \operatorname{Var}(W_t) = t \)。
5. 不可微性：虽然路径处处连续，但它们以概率 1 处处不可微，并且在任何有限区间内都表现出无穷的全变差（total variation）。

2. 随机微分方程（SDE）与伊藤积分

由于布朗运动的样本路径不可微，一般的微积分无法适用。我们使用以微分形式表示的随机微分方程（SDE）来为连续时间过程 \( X_t \) 的动态建立模型：
\( dX_t = μ(t, X_t) dt + σ(t, X_t) dW_t \)

在严谨的积分形式下，这意味着：
\( X_t = X_0 + \int_0^t μ(s, X_s) ds + \int_0^t σ(s, X_s) dW_s \)

在此：
- \( \int_0^t μ(s, X_s) ds \) 是一个标准的黎曼（或勒贝格）积分，代表确定性的漂移项（drift）。
- \( \int_0^t σ(s, X_s) dW_s \) 是一个关于布朗运动的伊藤积分（Ito integral），代表随机的扩散项（diffusion）。
- 伊藤积分的一个关键性质是它是一个鞅（martingale）（当 \( \sigma \) 满足标准的可积条件时），意味着在给定当前信息下，其未来的预期变化为零。

扩散过程 vs 均值回归过程

- 一般扩散过程具有漂移和扩散函数 \( \mu(t, X_t) \) 与 \( \sigma(t, X_t) \)，其中漂移项可能会导致无拘束的游走或增长（例如股票价格的指数漂移）。
- 均值回归过程的特点是包含一个漂移项，每当过程偏离时，该项就会将过程拉回长期中心水平，这使其非常适合不会无限增长的经济变量。

3. 伊藤引理（Ito's Lemma）

处理随机过程函数的基石工具是伊藤引理（Ito's Lemma）。它考虑了布朗运动非零的二次变差，在非正式表述中即 \( (dW_t)^2 = dt \)，而 \( dt \cdot dW_t = 0 \) 且 \( (dt)^2 = 0 \)。

一维伊藤公式：

若 \( dX_t = \mu_t dt + \sigma_t dW_t \)，且 \( f(t, x) \) 是一个二次连续可微的函数，则 \( Y_t = f(t, X_t) \) 满足：
\( dY_t = \frac{\partial f}{\partial t} dt + \frac{\partial f}{\partial x} dX_t + \frac{1}{2} \frac{\partial^2 f}{\partial x^2} (dX_t)^2 \)

代入 \( (dX_t)^2 = \sigma_t^2 dt \)：
\( dY_t = \left( \frac{\partial f}{\partial t} + \mu_t \frac{\partial f}{\partial x} + \frac{1}{2} \sigma_t^2 \frac{\partial^2 f}{\partial x^2} \right) dt + \sigma_t \frac{\partial f}{\partial x} dW_t \)

4. 几何布朗运动（连续时间对数正态模型）

股票与证券价格的标准模型是几何布朗运动（Geometric Brownian Motion, GBM），其受以下随机微分方程支配：
\( dS_t = \mu S_t dt + \sigma S_t dW_t \)

其中 \( \mu \) 为常数预期回报率（漂移率），而 \( \sigma > 0 \) 为常数波动率。

使用伊藤引理解 SDE：

设 \( f(S_t) = \ln S_t \)。则：
\( \frac{\partial f}{\partial S} = \frac{1}{S_t} \)、\( \frac{\partial^2 f}{\partial S^2} = -\frac{1}{S_t^2} \)，以及 \( \frac{\partial f}{\partial t} = 0 \)。

应用伊藤引理：
\( d(\ln S_t) = \frac{1}{S_t} dS_t + \frac{1}{2} \left(-\frac{1}{S_t^2}\right) (dS_t)^2 \)
\( d(\ln S_t) = \frac{1}{S_t} (\mu S_t dt + \sigma S_t dW_t) - \frac{1}{2 S_t^2} (\sigma^2 S_t^2 dt) = \left(\mu - \frac{1}{2}\sigma^2\right) dt + \sigma dW_t \)

从 0 到 \( t \) 进行积分：
\( \ln S_t - \ln S_0 = \left(\mu - \frac{1}{2}\sigma^2\right) t + \sigma W_t \)
\( S_t = S_0 \exp\left( \left(\mu - \frac{1}{2}\sigma^2\right) t + \sigma W_t \right) \)

对数正态模型的性质：

1. 严格正值性：由于指数函数严格为正，只要 \( S_0 > 0 \)，对所有 \( t \) 都有 \( S_t > 0 \)。具有有限责任的证券其价值不可为负数。
2. 回报分布：连续复利回报率 \( \ln(S_t / S_0) \) 呈正态分布，均值为 \( (\mu - \frac{1}{2}\sigma^2)t \)，方差为 \( \sigma^2 t \)。因此，证券价格服从对数正态分布（lognormal distribution）。
3. 期望值与方差：
\( E[S_t] = S_0 e^{\mu t} \)
\( \operatorname{Var}(S_t) = S_0^2 e^{2\mu t} (e^{\sigma^2 t} - 1) \)

支持与反对对数正态模型的实证证据：

支持证据：
- 价格保持严格非负，符合有限责任。
- 模型针对百分比变化而非绝对金额变化进行建模，反映了投资者评估回报的方式。
- 数学处理性佳（mathematical tractability）：能得出解析解，例如布莱克-舒尔斯（Black-Scholes）公式。

反对证据：
- 厚尾 / 肥尾（峰度 Kurtosis）：现实世界中的回报分布比正态分布表现出更厚的尾部；市场崩盘和大额跳空的发生频率远高于 GBM 的预测。
- 波动率群聚与非常数波动率：真实市场波动率随时间变化并形成群聚现象（高波动期后往往伴随高波动），与常数 \( \sigma \) 的假设相悖。
- 波动率微笑 / 偏斜（Volatility Smile / Skew）：期权市场中的隐含波动率随行权价而变化，证明市场并非在单一恒定波动率下为衍生工具定价。
- 连续性 / 跳空风险（Jump Risk）：重大消息公布时，真实证券价格会出现不连续的跳空，而布朗运动的路径则是严格连续的。

5. 奥恩斯坦-乌伦贝克过程（Ornstein-Uhlenbeck Process）

奥恩斯坦-乌伦贝克（OU）过程是一种表现出均值回归（mean reversion）特性的连续时间随机过程。其随机微分方程为：
\( dX_t = \alpha(\mu - X_t) dt + \sigma dW_t \)

其中：
- \( \alpha > 0 \) 是均值回归速度。
- \( \mu \) 是长期均值（回归水平）。
- \( \sigma > 0 \) 是常数波动率。
- \( W_t \) 是标准布朗运动。

漂移项如何运作：

- 当 \( X_t > \mu \) 时，漂移项 \( \alpha(\mu - X_t) < 0 \)，施加向下的压力使其拉回 \( \mu \)。
- 当 \( X_t < \mu \) 时，漂移项 \( \alpha(\mu - X_t) > 0 \)，将 \( X_t \) 向上拉向 \( \mu \)。

性质与显式解：

通过将伊藤引理应用于 \( e^{\alpha t} X_t \)，可得出精确解为：
\( X_t = \mu + (X_0 - \mu) e^{-\alpha t} + \sigma \int_0^t e^{-\alpha(t - s)} dW_s \)

由于确定性被积函数关于布朗运动的积分呈正态分布，因此 \( X_t \) 在任何时间均呈正态分布：
- 期望值：\( E[X_t] = \mu + (X_0 - \mu) e^{-\alpha t} \)，当 \( t \to \infty \) 时趋向于 \( \mu \)。
- 方差：\( \operatorname{Var}(X_t) = \frac{\sigma^2}{2\alpha} (1 - e^{-2\alpha t}) \)，当 \( t \to \infty \) 时趋向于平稳方差 \( \frac{\sigma^2}{2\alpha} \)。

6. 何时以及如何应用这些模型

在精算实务与金融工程中，模型的选择取决于资产背后的经济特性：

在以下情况使用几何布朗运动 (GBM)：

- 普通股票与股票指数：没有天然上限或锚定点的资产，且预期会随着经济生产力在长期内呈指数增长。
- 有限责任证券：价值不能跌破零的资产。
- 基准衍生工具定价：封闭解期权估值（布莱克-舒尔斯-默顿 Black-Scholes-Merton 框架）。

在以下情况使用奥恩斯坦-乌伦贝克过程 (OU)：

- 短期利率：OU 过程构成了利率期限结构 瓦西塞克模型（Vasicek model） 的基础，在该模型中，宏观经济政策与市场力量会将利率拉回均衡目标。
- 商品价格与能源市场：石油、天然气和农产品的价格锚定于长期边际生产成本；过高的价格会激励供应增加，进而将价格拉回。
- 随机波动率模型：将波动率本身建模为围绕市场平均波动率水平波动的均值回归过程。

OU 模型需要记住的局限性：由于 \( X_t \) 呈正态分布，它以非零概率可能取负值。虽然在历史上观察到过负利率，但如果未经修正，它不适合作为无法出现负价格资产的直接模型。