跳转到内容
← 返回概念
概率论约 13 分钟阅读

随机过程

Stochastic Process

关键人物

bachelierwienerkolmogorovitodoob
概率论随机过程马尔可夫链布朗运动鞅

破除误解：随机过程不是"一堆随机数"，而是"随机演化的整条历史"

很多人以为随机过程就是"很多个随机变量摆在一起"。这没说错，但漏掉了灵魂。一个普通随机变量是对一次不确定结果的描述——掷一次骰子。随机过程描述的是随时间展开的整段不确定历史：股价从开盘到收盘的整条曲线、花粉颗粒在水面上一整天的游走轨迹、一个基站一整夜收到的呼叫到达序列。

更准确地说：随机过程是一族随时间（或空间）编号的随机变量 {Xt}\{X_t\}，它给出的不是一个数，而是一整条"可能的路径"，以及这些路径出现的概率。 你抽一次签，得到的不是一个点，而是一整条函数。

这带来一个普通概率里没有的核心问题——记忆。下一刻发生什么，取决于过去多少？

  • 如果只取决于现在、与更早的历史无关，就是马尔可夫性（"无记忆"）：今天的天气只看今天，不看上周。
  • 如果对未来的最佳预测就是现在的值（赌局公平、没有可利用的趋势），就是鞅。
  • 如果增量独立且平稳，就走向布朗运动与泊松过程这两块基石。

随机过程的全部魅力，在于用精确的数学刻画"不确定性如何随时间累积、传播、又如何被部分预测"。

定义

设 (Ω,F,P)(\Omega, \mathcal{F}, \mathbb{P}) 为概率空间，$T$ 为指标集（常取时间，T=NT=\mathbb{N} 为离散时间，T=[0,∞)T=[0,\infty) 为连续时间）。随机过程是一族随机变量

{Xt:t∈T},Xt:Ω→S\{X_t : t \in T\}, \qquad X_t : \Omega \to S

其取值在状态空间 $S$ 中。固定一个样本点 ω\omega，函数 t↦Xt(ω)t \mapsto X_t(\omega) 称为一条样本路径（sample path）——即"一次实现出的完整历史"。

马尔可夫性（无记忆性）：对任意时刻 $s<t$，未来只通过现在依赖过去：

P(Xt∈A∣Fs)=P(Xt∈A∣Xs),\mathbb{P}(X_t \in A \mid \mathcal{F}_s) = \mathbb{P}(X_t \in A \mid X_s),

其中 Fs\mathcal{F}_s 是直到 $s$ 时刻的全部信息（σ\sigma-代数，称为"流"filtration）。

鞅（martingale）：相对于流 {Ft}\{\mathcal{F}_t\}，若过程可积且满足

E[Xt∣Fs]=Xs(s≤t),\mathbb{E}[X_t \mid \mathcal{F}_s] = X_s \quad (s \le t),

即"已知至今的全部信息，对未来的最佳期望预测恰为当前值"，则 {Xt}\{X_t\} 是鞅。它精确刻画了"公平赌局"。

核心内容

马尔可夫链。 状态空间离散、满足马尔可夫性的过程。它由转移概率矩阵 P=(pij)P=(p_{ij}) 完全刻画，pijp_{ij} 是"从状态 $i$ 一步走到 $j$ 的概率"。$n$ 步转移由矩阵幂 PnP^n 给出。在不可约、非周期、正常返的条件下，链收敛到唯一的平稳分布 π\pi（πP=π\pi P = \pi）——无论从哪儿出发，长期占据各状态的比例趋于 π\pi。这正是 Google PageRank、MCMC 抽样、语言模型早期 n-gram 的数学内核。

布朗运动 / 维纳过程。 连续时间随机过程的原型，也是最重要的一个。标准布朗运动 {Wt}\{W_t\} 满足三条公理：

  1. W0=0W_0 = 0；
  2. 增量独立且平稳，Wt−Ws∼N(0,t−s)W_t - W_s \sim \mathcal{N}(0, t-s)（增量服从均值零、方差等于时间差的正态分布）；
  3. 样本路径连续。

它有一个惊人的性质：路径处处连续却几乎处处不可导——花粉颗粒每一瞬间都在抖动，没有任何一点存在确定的速度。这呼应了魏尔斯特拉斯构造的"连续而处处不可导函数"，只不过这里它是自然界自己写出来的。

泊松过程。 计数"稀有独立事件随时间到达"的过程：放射性衰变的计数、呼叫到达、网页请求。事件间隔服从指数分布，在长为 $t$ 的区间内事件数服从参数 λt\lambda t 的泊松分布。它与布朗运动并列为两类基本的独立增量过程——一个连续、一个跳跃。

鞅与 Itô 随机微积分。 鞅理论给出了"公平性"的精确语言，鞅收敛定理与可选停时定理是其支柱。在布朗运动上做微积分需要全新工具：由于路径不可导，普通微积分失效。Itô 积分对布朗运动定义积分，其关键的 Itô 公式带一个"二阶修正项"：

df(Wt)=f′(Wt) dWt+12f′′(Wt) dt.df(W_t) = f'(W_t)\,dW_t + \tfrac{1}{2} f''(W_t)\,dt.

那个 12f′′ dt\tfrac12 f''\,dt 项正是布朗运动剧烈抖动的代价——它让随机微积分既深刻又强大，是 Black-Scholes 期权定价公式的数学基础。

历史

随机过程的现代史有一条意味深长的主线：金融与物理在同一座山的两侧凿洞，最后在隧道中相遇。

最早的足迹来自金融。法国数学家路易·巴施利耶（Louis Bachelier）在 1900 年的博士论文《投机理论》（Théorie de la spéculation）中，为巴黎交易所的股价波动建立了数学模型——他实际上已用到了布朗运动的核心假设（增量独立、服从高斯分布），比物理学家早了五年。可惜这项工作长期被忽视。

物理一侧，爱因斯坦在 1905 年独立用布朗运动解释了花粉颗粒的无规则游走，并借此估算阿伏伽德罗常数与分子尺度——他当时并不知道巴施利耶的工作。这给原子论提供了关键实验证据。

数学的严格化随后到来。诺伯特·维纳（Norbert Wiener）在 1923 年首次严格构造了布朗运动（证明存在具有连续路径的版本），故布朗运动又称维纳过程。安德雷·柯尔莫哥洛夫（Andrey Kolmogorov）在 1931 年导出了扩散过程转移概率所满足的前向方程（即福克-普朗克方程）与后向方程，并在 1933 年用测度论为整个概率论奠定公理基础——从此随机过程有了坚实的地基。

战后两位巨匠完成了大厦。伊藤清（Kiyosi Itô）从 1942 年起发展随机微分方程与 Itô 微积分，给出了"在布朗运动上做微积分"的工具。约瑟夫·杜布（Joseph Doob）系统建立了鞅理论（1953 年专著《Stochastic Processes》），把流、停时、鞅收敛锻造成现代概率论的标准语言。

关键人物

路易·巴施利耶（1870—1946）是数理金融的先驱。他在 1900 年的论文中先于爱因斯坦写下布朗运动的雏形，用以为期权和股价建模。生前不被主流重视，半个世纪后才被萨缪尔森等经济学家"重新发现"，今天被尊为金融数学之父。

诺伯特·维纳（1894—1964）严格构造了布朗运动，证明其路径连续，奠定了连续时间随机过程的分析基础。他同时是控制论（cybernetics）的创立者，将随机过程引入信号处理与滤波（维纳滤波）。

安德雷·柯尔莫哥洛夫（1903—1987）以测度论公理化概率（1933），导出扩散方程，统一了离散与连续随机过程的理论框架。他对湍流、信息论、算法复杂度（Kolmogorov 复杂度）亦有奠基性贡献，是 20 世纪最伟大的数学家之一。

伊藤清（1915—2008）创立随机微积分与随机微分方程，使人们能够在布朗运动这类不可导路径上做分析。Itô 公式是金融工程、随机控制、滤波理论的核心，他因此获 2006 年首届高斯奖。

约瑟夫·杜布（1910—2004）系统化鞅理论，提出可选停时定理、Doob 不等式与鞅收敛定理，把"流"与停时确立为随机过程的标准语言，深刻影响了概率论此后的全部发展。

跨域连接

  • 非平衡态热力学：涨落与耗散被同一批分子碰撞绑在一起——它们既提供随机的踢动，也提供黏滞阻尼。推论是温度一旦定下，噪声强度就不能再自由选取；金融模型里的波动率没有这条约束，这正是同一套数学在两个领域合法性不同的关键。
  • 期权与 Black-Scholes：几何布朗运动假设对数收益独立同分布且方差有限，由此推出无套利价格。这些假设在物理里由分子混沌支撑，在市场里却没有对应的微观定理——隐含波动率的"微笑"就是市场对该假设的持续否定。
  • 消息队列与流处理：排队论假设到达是泊松过程，据此算出等待时间随利用率趋近满载而发散。推论是真实流量一旦突发且相关，同样的容量规划会严重低估延迟——限流与削峰存在的理由正在这里。
  • 测度论：路径空间上的维纳测度让"随机抽出一整条函数"有了严格意义。代价是这些路径几乎必然处处不可导，普通微积分失效，必须换成带二阶修正项的伊藤积分——那一项不是技术细节，它直接改变了定价公式的形状。
  • 突触传递：囊泡释放被建模为彼此独立的随机事件，于是单位时间的释放次数近似泊松。可检验推论是释放次数的方差应当等于均值——实测偏离这条关系，即提示位点之间存在相关或囊泡池已被耗竭。

参考文献

  1. Samuel Karlin, Howard M. Taylor, A First Course in Stochastic Processes, 2nd ed., Academic Press, 1975.
  2. Joseph L. Doob, Stochastic Processes, John Wiley & Sons, 1953.
  3. Bernt Øksendal, Stochastic Differential Equations: An Introduction with Applications, 6th ed., Springer, 2003.
  4. Andrey N. Kolmogorov, "Über die analytischen Methoden in der Wahrscheinlichkeitsrechnung", Mathematische Annalen, 104: 415–458, 1931.
  5. Louis Bachelier, "Théorie de la spéculation", Annales scientifiques de l'École Normale Supérieure, 3 (17): 21–86, 1900.

延伸阅读

  1. Rick Durrett, Probability: Theory and Examples, 5th ed., Cambridge University Press, 2019.
  2. Steven E. Shreve, Stochastic Calculus for Finance II: Continuous-Time Models, Springer, 2004.

随机过程研究随时间演化的随机现象。布朗运动刻画花粉颗粒的无规则运动，泊松过程刻画随机到达的计数，马尔可夫链刻画"无记忆"的状态转移；它是金融建模（如几何布朗运动）、排队论与统计物理的核心工具。