伊藤引理：从布朗运动到衍生品定价的桥梁
一、为什么需要伊藤引理？——从确定性到随机性的鸿沟
在确定性世界中，函数
f
(
x
)
f(x)
f(x) 的微分遵循 链式法则（如
d
f
=
f
’
(
x
)
d
x
df = f’(x)dx
df=f’(x)dx）。但在金融市场中，资产价格
S
(
t
)
S(t)
S(t) 遵循 几何布朗运动（含布朗运动
W
(
t
)
W(t)
W(t)），其路径处处不可微，传统微积分失效。
伊藤引理（Ito’s Lemma）由数学家Kiyosi Ito在1944年提出，专门处理 随机过程函数的微分，是连接“布朗运动模型”与“衍生品定价”的核心工具。
二、伊藤引理的数学推导：从泰勒展开到随机微分
假设标的资产价格
S
(
t
)
S(t)
S(t) 满足随机微分方程（SDE）：
d
S
=
μ
S
d
t
+
σ
S
d
W
（几何布朗运动）
dS = \mu S dt + \sigma S dW \quad \text{（几何布朗运动）}
dS=μSdt+σSdW（几何布朗运动）
考虑衍生品价格
f
(
S
,
t
)
f(S, t)
f(S,t)（如期权价格，是
S
S
S 和
t
t
t 的函数），其微分需通过 二阶泰勒展开 并保留随机项
d
W
dW
dW 的特性：
1. 泰勒展开（二阶近似）
d f = ∂ f ∂ t d t + ∂ f ∂ S d S + 1 2 ∂ 2 f ∂ S 2 ( d S ) 2 + 高阶无穷小 df = \frac{\partial f}{\partial t}dt + \frac{\partial f}{\partial S}dS + \frac{1}{2}\frac{\partial^2 f}{\partial S^2}(dS)^2 + \text{高阶无穷小} df=∂t∂fdt+∂S∂fdS+21∂S2∂2f(dS)2+高阶无穷小
2. 关键步骤：计算 ((dS)^2)
( d S ) 2 = ( μ S d t + σ S d W ) 2 = μ 2 S 2 ( d t ) 2 + 2 μ σ S 2 d t d W + σ 2 S 2 ( d W ) 2 (dS)^2 = (\mu S dt + \sigma S dW)^2 = \mu^2 S^2 (dt)^2 + 2\mu\sigma S^2 dt dW + \sigma^2 S^2 (dW)^2 (dS)2=(μSdt+σSdW)2=μ2S2(dt)2+2μσS2dtdW+σ2S2(dW)2
- 由于 d t dt dt 和 d W dW dW 是无穷小量， ( d t ) 2 (dt)^2 (dt)2 和 d t d W dt dW dtdW 可忽略不计。
- 布朗运动的核心性质：
(
d
W
)
2
=
d
t
(dW)^2 = dt
(dW)2=dt（严格来说，
E
[
(
d
W
)
2
]
=
d
t
E[(dW)^2] = dt
E[(dW)2]=dt，在随机微积分中直接视为
d
t
dt
dt）。
因此：
( d S ) 2 ≈ σ 2 S 2 d t (dS)^2 \approx \sigma^2 S^2 dt (dS)2≈σ2S2dt
3. 代入泰勒展开式，得到 伊藤引理
d f = ( ∂ f ∂ t + μ S ∂ f ∂ S + 1 2 σ 2 S 2 ∂ 2 f ∂ S 2 ) d t + σ S ∂ f ∂ S d W df = \left( \frac{\partial f}{\partial t} + \mu S \frac{\partial f}{\partial S} + \frac{1}{2}\sigma^2 S^2 \frac{\partial^2 f}{\partial S^2} \right) dt + \sigma S \frac{\partial f}{\partial S} dW df=(∂t∂f+μS∂S∂f+21σ2S2∂S2∂2f)dt+σS∂S∂fdW
- 核心区别：相比确定性微分，多了二阶项 1 2 σ 2 S 2 ∂ 2 f ∂ S 2 d t \frac{1}{2}\sigma^2 S^2 \frac{\partial^2 f}{\partial S^2} dt 21σ2S2∂S2∂2fdt，这是随机波动（ σ \sigma σ）带来的修正项。
三、伊藤引理的一般形式
若随机过程
X
(
t
)
X(t)
X(t) 满足：
d
X
=
a
(
X
,
t
)
d
t
+
b
(
X
,
t
)
d
W
dX = a(X, t)dt + b(X, t)dW
dX=a(X,t)dt+b(X,t)dW
则函数
f
(
X
,
t
)
f(X, t)
f(X,t) 的微分是：
d
f
=
(
∂
f
∂
t
+
a
∂
f
∂
X
+
1
2
b
2
∂
2
f
∂
X
2
)
d
t
+
b
∂
f
∂
X
d
W
df = \left( \frac{\partial f}{\partial t} + a \frac{\partial f}{\partial X} + \frac{1}{2}b^2 \frac{\partial^2 f}{\partial X^2} \right) dt + b \frac{\partial f}{\partial X} dW
df=(∂t∂f+a∂X∂f+21b2∂X2∂2f)dt+b∂X∂fdW
- a ( X , t ) a(X, t) a(X,t)：漂移项系数， b ( X , t ) b(X, t) b(X,t)：扩散项系数。
四、金融应用案例：从几何布朗运动到对数收益率
假设股价 (S(t)) 服从几何布朗运动，求 (f(S) = \ln S) 的微分（对数收益率建模）。
1. 代入伊藤引理
假设股价 S ( t ) S(t) S(t) 服从几何布朗运动，求 f ( S ) = ln S f(S) = \ln S f(S)=lnS 的微分（对数收益率建模）。
1. 代入伊藤引理
- ∂ f ∂ S = 1 S \frac{\partial f}{\partial S} = \frac{1}{S} ∂S∂f=S1， ∂ 2 f ∂ S 2 = − 1 S 2 \frac{\partial^2 f}{\partial S^2} = -\frac{1}{S^2} ∂S2∂2f=−S21， ∂ f ∂ t = 0 \frac{\partial f}{\partial t} = 0 ∂t∂f=0
- a = μ S a = \mu S a=μS， b = σ S b = \sigma S b=σS
- 计算漂移项修正：
1 2 b 2 ∂ 2 f ∂ S 2 = 1 2 ( σ S ) 2 ( − 1 S 2 ) = − 1 2 σ 2 \frac{1}{2}b^2 \frac{\partial^2 f}{\partial S^2} = \frac{1}{2}(\sigma S)^2 \left(-\frac{1}{S^2}\right) = -\frac{1}{2}\sigma^2 21b2∂S2∂2f=21(σS)2(−S21)=−21σ2 - 最终：
d ( ln S ) = ( μ − σ 2 2 ) d t + σ d W d(\ln S) = \left( \mu - \frac{\sigma^2}{2} \right) dt + \sigma dW d(lnS)=(μ−2σ2)dt+σdW
2. 积分结果与几何布朗运动解一致
对
d
(
ln
S
)
d(\ln S)
d(lnS) 从
0
0
0 到
T
T
T 积分：
ln
S
(
T
)
−
ln
S
(
0
)
=
(
μ
−
σ
2
2
)
T
+
σ
W
(
T
)
\ln S(T) - \ln S(0) = \left( \mu - \frac{\sigma^2}{2} \right) T + \sigma W(T)
lnS(T)−lnS(0)=(μ−2σ2)T+σW(T)
即：
S
(
T
)
=
S
(
0
)
exp
(
(
μ
−
σ
2
2
)
T
+
σ
W
(
T
)
)
S(T) = S(0) \exp\left( \left( \mu - \frac{\sigma^2}{2} \right) T + \sigma W(T) \right)
S(T)=S(0)exp((μ−2σ2)T+σW(T))
与3.1节几何布朗运动的解析解完全一致，验证了伊藤引理的正确性。
3. 可视化示例
说明
- 股价路径（左图）：展示几何布朗运动的指数型随机波动
- 分布验证（右图）：实证对数收益率与理论分布 N ( ( μ − σ 2 2 ) Δ t , σ 2 Δ t ) \mathcal{N}\left( (\mu-\frac{\sigma^2}{2})\Delta t, \sigma^2\Delta t \right) N((μ−2σ2)Δt,σ2Δt) 完美吻合
- 伊藤修正：实证均值
≈
(
μ
−
σ
2
/
2
)
Δ
t
\approx (\mu-\sigma^2/2)\Delta t
≈(μ−σ2/2)Δt（代码中
theory计算体现漂移修正）
五、Black-Scholes模型的关键一步：推导期权价格的偏微分方程
假设期权价格
C
(
S
,
t
)
C(S, t)
C(S,t) 是股价
S
S
S 和时间
t
t
t 的函数，对
C
C
C 应用伊藤引理：
d
C
=
(
∂
C
∂
t
+
μ
S
∂
C
∂
S
+
1
2
σ
2
S
2
∂
2
C
∂
S
2
)
d
t
+
σ
S
∂
C
∂
S
d
W
dC = \left( \frac{\partial C}{\partial t} + \mu S \frac{\partial C}{\partial S} + \frac{1}{2}\sigma^2 S^2 \frac{\partial^2 C}{\partial S^2} \right) dt + \sigma S \frac{\partial C}{\partial S} dW
dC=(∂t∂C+μS∂S∂C+21σ2S2∂S2∂2C)dt+σS∂S∂CdW
通过构建 无风险对冲组合（买入
Δ
=
∂
C
∂
S
\Delta = \frac{\partial C}{\partial S}
Δ=∂S∂C 股股票，卖出1份期权），消除随机项
d
W
dW
dW，最终得到 Black-Scholes偏微分方程：
∂
C
∂
t
+
r
S
∂
C
∂
S
+
1
2
σ
2
S
2
∂
2
C
∂
S
2
=
r
C
\frac{\partial C}{\partial t} + rS \frac{\partial C}{\partial S} + \frac{1}{2}\sigma^2 S^2 \frac{\partial^2 C}{\partial S^2} = rC
∂t∂C+rS∂S∂C+21σ2S2∂S2∂2C=rC
- 核心：伊藤引理将随机微分（含 d W dW dW）转换为确定性的偏微分方程，使解析解成为可能。
六、Python实战：用伊藤引理验证对数收益率
import numpy as np
import matplotlib.pyplot as plt
def simulate_geometric_brownian_motion(S0=100, T=1, N=252, mu=0.1, sigma=0.2):
dt = T / N
t = np.linspace(0, T, N+1)
dW = np.sqrt(dt) * np.random.normal(size=N)
W = np.cumsum(dW)
# 直接模拟S(t)
S = S0 * np.exp((mu - 0.5 * sigma**2) * t + sigma * W)
# 计算对数收益率（理论值 vs 模拟值）
log_return_theory = (mu - 0.5 * sigma**2) * t[-1] + sigma * W[-1]
log_return_simulated = np.log(S[-1] / S0)
return t, S, log_return_theory, log_return_simulated
# 模拟参数
S0 = 100
T = 1
N = 252
mu = 0.1
sigma = 0.2
t, S, log_return_theory, log_return_simulated = simulate_geometric_brownian_motion()
# 验证对数收益率
print(f"理论对数收益率: {log_return_theory:.4f}")
print(f"模拟对数收益率: {log_return_simulated:.4f}")
# 可视化股价路径
plt.figure(figsize=(10, 5))
plt.plot(t, S)
plt.title(f'几何布朗运动路径 (μ={mu}, σ={sigma})')
plt.xlabel('时间')
plt.ylabel('S(t)')
plt.show()
输出：
- 理论与模拟的对数收益率高度接近，验证了伊藤引理推导的 d ( ln S ) d(\ln S) d(lnS) 表达式正确性。
- 股价路径始终为正，符合几何布朗运动特性。
七、伊藤引理的核心价值
- 打通随机过程与衍生品定价：将标的资产的随机波动转换为衍生品价格的确定性微分方程。
- 处理非线性关系：允许对任意光滑函数（如期权的非线性收益）进行微分，而无需假设线性关系。
- 风险中性定价的前提：通过伊藤引理，在风险中性测度下（令 μ = r \mu = r μ=r），可消去风险偏好，简化定价过程。
本节总结
- 伊藤引理是随机微积分的“链式法则”，专门处理含布朗运动的函数微分。
- 其核心创新是保留 ( d W ) 2 = d t (dW)^2 = dt (dW)2=dt 项，修正了传统泰勒展开在随机场景下的不足。
- 从股价模型到期权定价，伊藤引理是Black-Scholes模型推导的关键一步，堪称“金融数学的微积分基本定理”。
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
