【随机过程】 5 - 非平稳过程

非平稳过程

1. 问题引入

  所谓平稳过程就是某些统计特性不随时间改变。之前介绍了宽平稳随机过程，宽平稳随机过程一般是对一阶矩和二阶矩做出了规定。也就是宽平稳随机过程的均值是个常数，相关只与两个时间的差值有关，不随着时间的变化而变化。

$$\begin{gathered} \text{Stationary}\iff \text{Invariance}\text{Wide-Sense: } \\ E(Z(t))=m \\ E(Z(t)Z(s))=R_Z(t-s) \end{gathered}$$

  平稳性使得我们分析问题变得简单了起来。因为，有了宽平稳的条件之后，我们不仅可以从时域上，从相关层面去分析随机过程，更可以从频域上，在功率谱层面去分析随机过程。

  接下来，我们会研究非平稳随机过程。

$$\text{Non-Stationary Process}$$

  平稳的形式可能比较确定，非平稳必然意味着无穷多种的变化，因此，研究非平稳的时候必须指明形式，否则，没有办法具体问题具体分析。

  接下来，我们会介绍循环平稳过程和正交增量过程两种非平稳随机过程。循环平稳过程是相关函数具有一定周期性的一种非平稳随机过程，通讯上研究的很多问题都是循环平稳过程，并且循环平稳过程可以通过适当的变换成为宽平稳随机过程。正交增量过程是随机过程不重叠的增量具有正交性的一种随机过程。布朗运动是正交增量过程的一种典例。并且布朗运动通过某些变换，也可以变成宽平稳随机过程，布朗运动在金融问题中，有广泛的应用。

2. 循环平稳过程

2.1 循环平稳过程的定义

$$\text{Cyclostationary}$$

  循环平稳过程，又叫做周期平稳过程，是在宽平稳的基础上稍加修改得到得到的。因为平稳的时移特性是对任意T存在的，只要把这个时移特性改成对存在T成立即可。

$$\begin{gathered} \text{Wide-Sense} \\ {R}_Z(t,s)=R_Z(t+T,s+T)\forall T \\ \text{Cyclostationary} \\ {R}_Z(t,s)=R_Z(t+T,s+T)\exists T \\ \Rightarrow R_Z(t,s)=R_Z(t+nT,s+nT)\text{Period} \end{gathered}$$

  循环平稳过程只在T的倍数点上具有时移不变性，因此，循环平稳过程的相关函数具有周期性，而不具有时移不变性。

2.2 循环平稳过程与宽平稳随机过程的关系

  由于循环平稳过程的相关函数与时间是有关的，因此循环平稳过程并不是一种平稳的随机过程。但是，由于循环平稳过程与宽平稳随机过程具有极高的相似性，我们能够找到二者之间的联系，把循环平稳过程变成宽平稳随机过程极进行处理呢?

  我们假设有循环平稳过程Z(t)的周期是T。并且有一个均匀分布U，在[0,T]区间上是均匀分布的。并且U与Z是独立的

$$\begin{gathered} Z(t)\Rightarrow \text{Cyclo} \\ U\sim U[0,T]\text{Independent} \end{gathered}$$

  则我们可以用Z和U构建一个宽平稳随机过程

$$Y(t)=Z(t+U)$$

  我们来证明一下Y(t)是一个宽平稳随机过程

$$R_Y(t,s)=E(Y(t)Y(s))=E(Z(t+U)Z(s+U))$$

  由于这个期望中具有两个随机变量，我们可以使用条件概率的方法，限制住其中一个的随机性，来求另外一个

$$\begin{gathered} R_Y(t,s)=E_U(E_Z(Z(t+U)Z(s+U)|U)) \\ =E(R_Z(t+U,s+U)) \\ ={\int }_0^T{R}_Z(t+U,s+U)\frac{1}{T}dU \end{gathered}$$

  因为我们希望找到期望是否只依赖于时间差，所以，我们可以对上面的积分进行换元处理

$$\begin{gathered} \text{Let }{U}^{\prime }=U+s \\ \text{Then }U=U^{\prime }-s \\ {R}_Y(t,s)=\frac{1}{T}{\int }_{0+s}^{T+s}{R}_Z(t-s+U^{\prime },U^{\prime })d{U}^{\prime } \end{gathered}$$

  由于相关函数具有周期T，因此在一个周期内的积分与起点无关

$$R_Y(t,s)=\frac{1}{T}{\int }_0^T{R}_Z(t-s+U^{\prime },U^{\prime })d{U}^{\prime }$$

  因此，我们就得到了一个只依赖于t-s的相关函数

  因此，可以证明，对循环周期过程加一个随机的时间扰动，可以变成宽平稳随机过程。

2.3 条件期望

  在刚才公式推导的过程中，用到了条件期望，这里简单介绍一下

$$\text{Conditional Expectation}$$

2.3.1 定义

  条件期望的数学定义式，就是把概率密度函数变成了条件概率密度进行求解

$$\begin{gathered} Z,Y \\ E(Z|Y)={\int }_{-\infty }^{+\infty }Z{f}_{Z|Y}(z|y)dz \\ E(Z|Y)\text{ is r.v.} \end{gathered}$$

  条件期望与普通期望的地方在于，条件期望是个随机变量。当我们要求解的式子中存在Z和Y两个随机变量的时候，我们往往会想采用逐个击破的办法进行求解。就是先抑制住Y的随机性，求解Z，然后把Z算完了之后，再暴露出Y的随机性。

2.3.2 条件期望的性质

$$(1)E(Z|Y)\text{ is r.v.}$$
  条件期望是随机变量

$$(2)E(Zg(Y)|Y)=g(Y)E(Z|Y)$$

  这个性质成立的原因在于，里面的函数g的随机性被抑制住了，在这个期望里面，Y没有随机性。没有随机性的东西，就可以放到期望外面进行求解。

$$(3)E(g(Z,Y))=E_Y(E_Z(g(Z,Y)|Y))$$

2.3.3 条件期望的应用

  这里对条件期望进行举例

  我们假设有n个独立同分布的随机变量Z，则n个随机变量的均值可以表示为

$$E(Z_1+...+Z_n)=E(Z_1)+...+E(Z_n)=nE(Z_1)$$

  现在，如果要求随机个独立同部分的随机变量Z的均值呢?

$$\begin{gathered} N\text{ is r.v.} \\ E(Z_1+...+Z_N) \end{gathered}$$

  这个时候就可以使用条件概率了，我们先抑制住N的随机性求均值，然后再来解决N的问题

$$E(Z_1+...+Z_N)=E_N(E_Z(Z_1+...+Z_N|N))=E_N(NE(Z_1))=E(N)E(Z_1)$$

2.4 循环平稳过程的应用–PAM

2.4.1 PAM概述

  举一个循环平稳随机过程的例子

$$\text{PAM pulse amplititude modulation }\Rightarrow \text{Communication}$$

  脉冲幅度调制。这是一种用于通讯中的调整信号

$$\begin{gathered} Z(t)=\sum _{k=-\infty }^{+\infty }{\alpha }_k\varphi (t-kT) \\ \varphi :\text{Baseband Waveform} \\ T:\text{Symbol Width} \\ {\alpha }_k:\text{Information Bits} \\ E({\alpha }_k{\alpha }_m)=R_{\alpha }(k-m) \end{gathered}$$

  其中φ被称为基带波形，是用来做信号调制的载波的

  T叫做符号宽度。每一种符号代表一种信息

  α是信息位，携带比特流信息。我们假设α是宽平稳的

  PAM有很多种，比如BPSK、QPSK、QAM

$$BPSK\text{ 二元移相键控}QPSK\text{ 四元移相键控}QAM\text{ 5G使用的一种信号调制技术}$$

  这里画一下BPSK的波形

  BPSK就是把数字信息调制到了连续的信号中。我们不能使用方波传输信号，因为高频分分量太多了，不好传输。而且方波边沿跳变会有过度带，如果方波频率高了，密集了，没有办法1识别。

  因此，我们会设计到基带波形，避免码间串扰。

  我们可以发现BPSK的方法，是一种低阶的调制技术。因为每一个波形只能传达1bit的信息，并且这个信号中只有0和pi两个相位。

  如果我们希望更加充分的利用相位信号传递信息，我们可以增加相位。

$$\text{Constellation}$$

  比如我们分成四个相位，每个相位携带两个bit的信息，QPSK就是这么做的。只要我们不断的增加相位，就能够增加每次传递的信息长度。比如QAM一个信息位可以传递64bit的数据

  这种表示相位划分的图，在通讯中叫做星座图。就是把相位映射为符号位，然后再映射为比特流。

2.4.2 PAM的时域分析

  现在我们求一下PAM的相关函数。

$$\begin{gathered} R_Z(t,s)=E(\sum _k{\alpha }_k\varphi (t-kT)\sum _m{\alpha }_m\varphi (s-mT)) \\ =\sum _k\sum _{m}E({\alpha }_k{\alpha }_m)\varphi (t-kT)\varphi (s-mT) \\ =\sum _k\sum _m{R}_{\alpha }(k-m)\varphi (t-kT)\varphi (s-mT) \end{gathered}$$

  我们发现PAM的相关函数并不是依赖于s和t的差值的，因此确实不是一个宽平稳随机过程。但是这个相关函数确实是以T为周期的，因此PAM是个循环平稳过程。

  我们对PAM加一个随机相位，把PAM变成一个宽平稳随机过程来进行分析。事实上，在通讯中，加一个随机相位是非常正常的，因为我们不可能确定发信号的位置

$$\begin{gathered} R_Y(t,s)=E(Y(t)Y(s))=E(Z(t+U)Z(s+U)) \\ =\frac{1}{T}{\int }_0^T{R}_Z(t+U,s+U)dU \\ =\frac{1}{T}{\int }_0^T\sum _k\sum _m{R}_{\alpha }(k-m)\varphi (t-kT+U)\varphi (s-mT+U)dU \end{gathered}$$

  首先进行连续积分变量的换元

$$\text{Let }{U}^{\prime }=s+U{R}_Y(t,s)=\frac{1}{T}{\int }_0^T\sum _k\sum _m{R}_{\alpha }(k-m)\varphi (t-s-kT+U^{\prime })\varphi (U^{\prime }-mT)d{U}^{\prime }$$

  但是这个式子看起来还是不够简洁，下面我们进行离散的换元

  相比于积分换元，离散换元只需要做两件事情

• 换元
• 换求和区间

  这里面因为求和区间是无穷长度，因此不需要改变求和区间

$$\begin{gathered} \text{Let }{k}^{\prime }=k-m \\ {\text{Let }}^{\prime }=m \\ \text{Then }{R}_Y(t,s)=\frac{1}{T}{\int }_0^T\sum _{k^{\prime }}\sum _{m^{\prime }}{R}_{\alpha }(k^{\prime })\varphi (t-s-(k^{\prime }+m^{\prime })T+U^{\prime })\varphi (U^{\prime }-m^{\prime }T)d{U}^{\prime } \end{gathered}$$

  接下来，我们先求积分，再求累加和

$$R_Y(t,s)=\frac{1}{T}\sum _{k^{\prime }}\sum _{m^{\prime }}{R}_{\alpha }(k^{\prime }){\int }_0^T\varphi (t-s-(k^{\prime }+m^{\prime })T+U^{\prime })\varphi (U^{\prime }-m^{\prime }T)d{U}^{\prime }$$

  继续进行换元

$$\begin{gathered} \text{Let }{U}^{\prime \prime }=U^{\prime }-m^{\prime }T \\ \text{Then } \\ {R}_Y(t,s)=\frac{1}{T}\sum _{k^{\prime }}\sum _{m^{\prime }}{R}_{\alpha }(k^{\prime }){\int }_{-m^{\prime }T}^{-(m^{\prime }-1)T}\varphi (t-s-k^{\prime }T+U^{\prime \prime })\varphi (U^{\prime \prime })d{U}^{\prime \prime } \end{gathered}$$

  我们发现，m的累加和能够使得积分一段一段的拼接起来，成立无穷区间的积分

$$R_Y(t,s)=\frac{1}{T}\sum _{k^{\prime }}{R}_{\alpha }(k^{\prime }){\int }_{-\infty }^{+\infty }\varphi (t-s-k^{\prime }T+U^{\prime \prime })\varphi (U^{\prime \prime })d{U}^{\prime \prime }$$

$$\begin{gathered} \text{Let }\tau =t-s-k^{\prime }T \\ \text{Then } \\ {R}_Y(t,s)=\sum _{k^{\prime }}{R}_{\alpha }(k^{\prime })\frac{1}{T}{\int }_{-\infty }^{+\infty }\varphi (U^{\prime \prime }+\tau )\varphi (U^{\prime \prime })d{U}^{\prime \prime } \end{gathered}$$

  我们发现后面是一个连续时间的相关函数R_φ

$$\text{Time Correlation}{R}_{\varphi }(\tau )={\int }_{-\infty }^{+\infty }\varphi (U^{\prime \prime }+\tau )\varphi (U^{\prime \prime })d{U}^{\prime \prime }$$

  则相关函数可以表示为

$$\begin{gathered} R_Y(t,s)=\sum _{k^{\prime }}{R}_{\alpha }(k^{\prime })\frac{1}{T}{R}_{\varphi }(\tau ) \\ =\frac{1}{T}\sum _{k^{\prime }}{R}_{\alpha }(k^{\prime })R_{\varphi }(t-s-k^{\prime }T) \\ =R_Y(t-s) \end{gathered}$$

  最终我们得到了一个宽平稳随机过程的相关函数

2.4.3 PAM的频域分析

  我们得到了宽平稳随机过程之后，就可以利用得到的相关函数求功率谱了

$$\begin{gathered} \text{Let }\tau =t-s \\ {S}_Y(\omega )={\int }_{-\infty }^{+\infty }{R}_Y(\tau )exp(-j\omega \tau )d\tau \\ ={\int }_{-\infty }^{+\infty }\frac{1}{T}\sum _{k^{\prime }}{R}_{\alpha }(k^{\prime })R_{\varphi }(\tau -k^{\prime }T)exp(-j\omega \tau )d\tau \end{gathered}$$

  换元

$$\begin{gathered} \text{Let }{\tau }^{\prime }=\tau -k^{\prime }T \\ {S}_Y(\omega )=\frac{1}{T}\sum _{k^{\prime }}{R}_{\alpha }(k^{\prime })exp(-j{k}^{\prime }T\omega ){\int }_{-\infty }^{+\infty }{R}_{\varphi }({\tau }^{\prime })exp(-j\omega {\tau }^{\prime })d\tau \end{gathered}$$
  我们发现换元以后，前面得到一个离散傅里叶变换，后面得到一个连续的傅里叶变换

$$S_Y(\omega )=\frac{1}{T}{S}_{\alpha }(T\omega )S_{\varphi }(\omega )$$

  我们发现PAM的功率谱就是一个离散版本的功率谱与一个连续版本功率谱的乘积。最终得到信号的功率谱，就是基带信号的功率谱乘以信息位信号的功率谱。

  因此，设计基带信号的时候，最好的让传递信号的谱刚好在基带信号的谱中。如果基带信号的功率谱很宽，传递信号的功率谱很窄，就会造成性能浪费。而如果基带信号的功率谱很窄，传递信号的功率谱很宽，就会造成信号失真。基带信号的功率谱应该比传递信号适当的宽一些。

  这个式子中，我们也可以把α看做是原始信号，基带信号看做是线性系统，让数字信号通过一个线性系统之后，得到了一个新的信号

$$S_Y(\omega )=\frac{1}{T}{S}_{\alpha }(T\omega )S_{\varphi }(\omega )=\frac{1}{T}{S}_{\alpha }(T\omega )|H(\omega ){|}^2$$

  我们这样表示原始信号

$$Z(t)=\sum _{k=-\infty }^{+\infty }{\alpha }_k\delta (t-kT)$$

  原始信号通过线性系统得到PAM

$$Z(t)\to \boxed{\varphi }\to \overline{Z(t)}$$

  时域响应
$$\begin{gathered} \overline{Z(t)}=Z(t)⊛\varphi (t) \\ =\sum _{k=-\infty }^{+\infty }{\alpha }_k\delta (t-kT)⊛\varphi (t) \\ =\sum _{k=-\infty }^{+\infty }{\alpha }_k\varphi (t-kT) \end{gathered}$$

  循环增量过程在通讯中是非常常见的

3. 正交增量过程

3.1 定义

  我们接下来研究第二种非平稳随机过程–正交增量过程

$$\text{Orthogonal Increment}$$

  正交增量过程一般定义零点时值为0。在正交增量过程中，任取四个连续的点，不重叠的时间增量是正交的

$$\begin{gathered} Z(0)=0 \\ \forall t_1<t_2\le t_3<t_4 \\ Z(t_4)-Z(t_3)\perp Z(t_2)-Z(t_1) \end{gathered}$$

  正交就是内积为0，随机变量的内积就是求相关，即

$$E(Z(t_4)-Z(t_3))(Z(t_2)-Z(t_1))=0$$

3.2 时域分析

  下面我们求一下正交增量过程的相关函数，看看是否确实是不平稳的

$$\begin{gathered} R_Z(t,s)=E(Z(t)Z(s)) \\ =E((Z(t)-Z(s)+Z(s))Z(s)) \\ =E((Z(t)-Z(s))(Z(s)-Z(0))+E(Z^2(s)) \\ =E(Z^2(s)) \end{gathered}$$

  因为我们对于正交增量过程，只有一个正交性的特性，我们要想使用上，就必须把随机过程拆开。我们发现正交增量过程的相关，得到的就是较小的那个点的自相关。因此，确实相关函数不是依赖于时间差的，不是平稳过程。

  我们就得到了相关函数

$$R_Z(t,s)=E(Z^2(s))=g(s)=g(min(s,t))$$

  这个结论是正交增量过程的特征式子。

  我们可以验证一下

$$\begin{gathered} E((Z(t_4)-Z(t_3)(Z(t_2)-Z(t_1))) \\ =R_Z(t4,t1)+R_Z(t_3,t_1)-R_Z(t_3,t_2)-R_Z(t_4,t_1) \\ =g(t_2)+g(t_1)-g(t_2)-g(t_1)=0 \end{gathered}$$

  通过这个式子确实能够得到正交增量过程的特性

3.3 正交增量过程的应用–布朗运动

3.3.1 概述

  正交增量过程的典型应用就是布朗运动

  布朗运动的增量服从高斯分布

$$\text{Brown Motion}$$

$$\begin{gathered} (1)B(0)=0 \\ (2)\text{Orthorgonal Increment} \\ (3)B(t)-B(s)\sim N(0,{\sigma }^2(t-s)) \end{gathered}$$

3.3.2 时域分析

  下面，我们来求一下布朗运动的相关函数

$$R_B(t,s)=E(B^2(s))={\sigma }^{2}s={\sigma }^{2}min(t,s)$$

  接下来，我们求一下布朗运动的导数，并基于这个导数求相关

  事实上，布朗运动其实是处处连续，处处不可微的，这里求导数的操作涉及到背后的知识全部省略，但是公式一定是对的，我们只讲述本质的道理

$$\begin{gathered} Y(t)=\frac{d}{dt}B(t) \\ {R}_Y(t,s)=E(\frac{d}{dt}B(t)\frac{d}{ds}B(s)) \\ =\frac{{\partial }^2}{\partial t\partial s}E(B(t)B(s)) \\ =\frac{{\partial }^2}{\partial t\partial s}{R}_B(t,s)={\sigma }^2\frac{{\partial }^2}{\partial t\partial s}min(t,s) \\ ={\sigma }^2\frac{{\partial }^2}{\partial t\partial s}min(t,s) \\ ={\sigma }^2\frac{{\partial }^2}{\partial t\partial s}(\frac{1}{2}(s+t-|s-t|)) \end{gathered}$$

  我们要对绝对值求导。从广义函数理论来说，绝对值求导得到的就是符号函数。虽然，零点不可导，但是我们不关心了。

$$\text{Generalized Functions}\Rightarrow \text{L. Schwartz}$$

$$\frac{d|x|}{dx}=sgn(x)$$

  有了绝对值求导之后，继续做

$$\begin{gathered} Y(t)={\sigma }^2\frac{{\partial }^2}{\partial t\partial s}(\frac{1}{2}(s+t-|t-s|)) \\ =\frac{{\sigma }^2}{2}\frac{\partial }{\partial t}sgn(t-s) \end{gathered}$$

  符号函数继续求导，得到的是两倍的冲激信号

  我们知道阶跃函数求导得到的是冲激信号，而符号函数就是两个阶跃信号的差

$$\begin{gathered} \frac{d}{dx}U(x)=\delta (x) \\ U(x)=\{\begin{array}{ll}1& \text{x }\ge 0\\ 0& \text{x }<0d\end{array} \\ sgn(x)=U(x)-U(-x) \\ \frac{d}{dx}sgn(x)=2\delta (x) \end{gathered}$$

  继续求相关函数
$$\begin{gathered} Y(t)=\frac{{\sigma }^2}{2}\frac{\partial }{\partial t}sgn(t-s) \\ ={\sigma }^2\delta (t-s) \end{gathered}$$

  我们发现，布朗运动求导之后得到的随机过程的相关函数，就是白噪声。所谓白噪声，就是每个频点处都有能量，并且每个频点处能量都是相等的

  我们也发现，刚才通过求导，为我们把非平稳的过程变成了一个宽平稳的过程。

3.3.3 平稳分量与非平稳分量

  这里我们考察另外一个问题。对于一个时间序列，平稳性体现在什么地方?是大的变化趋势，还是上面的毛刺部分呢?

  事实上，毛刺部分代表的是平稳分量。因为趋势一直在变，一定是非平稳的，而毛刺可以在统计上找到不变的特性。

$$\text{Tend}\Rightarrow \text{Non-Stationary}$$

  这里也要明确一点，求导是高通滤波，放过的是高频分量，得到的是边缘信息。而积分是低通滤波，得到的是低频分量，也就是轮廓信息。

  因此，一个时间序列经过高通处理之后，可以变成是平稳的。

3.3.4 伊藤公式与随机微分方程

(1) 随机过程的导数与伊藤公式

  下面我们研究一个函数，依赖于时间和布朗运动两个参数

$$f(t,B(t))$$

  如果我们想求这个函数的微分，怎么求?

  如果我们直接按照确定性方程的求导方法，会得到什么呢?
$$df(t,B(t))=\frac{\partial f}{\partial t}dt+\frac{\partial f}{\partial B}dB(t)$$

  看似是对的，其实不然，我们可以分析一下

  表示一下布朗运动的导数

$$\begin{gathered} B(t)\sim N(0,{\sigma }^{2}t) \\ dB(t)=B(t+dt)-B(t)\sim N(0,{\sigma }^{2}dt) \end{gathered}$$

  根据高斯分布的性质，可以得到

$$E(dB(t){)}^2={\sigma }^{2}dt$$

  因此，我们可以发现，布朗运动微分的平方与t的微分是同阶的，也就是布朗运动得到微分是半阶dt

$$\begin{gathered} (dB(t){)}^2\sim dt \\ \Rightarrow dB(t)\sim \sqrt{dt} \end{gathered}$$

  这样的话，我们再看我们的微分，就感觉不对了。首先看微分的定义，微分是求函数自变量和因变量之间的变化率。我们希望用简单的线性变化去描述局部的关系。因此，微分得到的结果应该是df和dt之间的一种一阶微分关系，这里得到的df与dB的导数，并没有得到df与dt的一阶关系，因此，我们这个求导用的泰勒展开，还需要再来一阶才行。
$$df(t,B(t))=\frac{\partial f}{\partial t}dt+\frac{\partial f}{\partial B}dB(t)\text{x}$$
$$df(t,B(t))=\frac{\partial f}{\partial t}dt+\frac{\partial f}{\partial B}dB(t)+\frac{1}{2}\frac{{\partial }^{2}f}{\partial B^2}(dB(t){)}^2\text{v}$$

  得到的这个结果就叫做伊藤公式

$$\begin{gathered} \text{Ito Formula} \\ df(t,B(t))=\frac{\partial f}{\partial t}dt+\frac{\partial f}{\partial B}dB(t)+\frac{1}{2}\frac{{\partial }^{2}f}{\partial B^2}(dB(t){)}^2 \end{gathered}$$

  伊藤公式告诉我们，对随机过程求微分，我们需要考虑更多的东西，因为这和确定性的微分并不是一样的。

(2) 随机微分方程

  我们可以再来看看积分的事情

$${\int }_0^{1}B(t)dB(t)=\frac{1}{2}d{B}^2(t)\text{x}$$

  这个式子怎么求积分呢?显然，直接把B(t)提出来并且把0和1代入是肯定不对的

  我们用伊藤公式进行展开，来计算B(t)dB(t)应该如何表述

$$\frac{1}{2}d{B}^2(t)=B(t)dB(t)+\frac{1}{2}dt$$

$$B(t)dB(t)=\frac{1}{2}d{B}^2(t)-\frac{1}{2}dt$$

  所以，我们的积分可以表示为

$$\begin{gathered} {\int }_0^{1}B(t)dB(t)={\int }_0^1\frac{1}{2}d{B}^2(t)-\frac{1}{2}dt \\ =(\frac{1}{2}{B}^2(t)-\frac{1}{2}t){|}_0^1 \end{gathered}$$

  这就是随机微分方程，随机微分方程的主要工作是由伊藤清做的

$$\text{Stochastic Calculus}$$

3.3.5 期权定价问题

$$\text{Option Pricing}$$

  期权定价问题是布朗运动和伊藤公式的典型应用，下面进行简要介绍。

(1) 布朗运动与金融建模

  由于布朗运动具有不可预测性，经常被用来对股票价格进行建模，这个工作是1900年由bacheliar做的。其导师是庞加莱

$$B(t)\text{Brown Motion}\to \text{ Stock Price Modeling(Bacheliar)}$$

  但是这个事情被人诟病，因为布朗运动有时候是负的，但是股票价格不可能是负的，因此，人们提出了新的随机过程来进行描述，把布朗运动1放到了指数里面，并做了进一步的改进

$$S(t)=exp(B(t))\to exp(ut+B(t))$$

  这个模型包括两部分，一部分是短时的变化趋势，另外一部分是布朗运动带来的价格波动。这个模型被叫做几何布朗运动，是金融学奠基人萨缪尔森做出的工作

$$\text{Geometric Brown Motion}\to \text{Samuelson}$$

(2) 期权与对冲问题

  然后我们介绍一下，什么是期权。

  我们直接买卖股票的风险是非常高的，因为我们没有办法控制股票的涨落。

  如果我们去买一个期权，就不一样了。期权是买卖股票的权利，在一个固定时间去买卖股票的权利。买卖股票有两种形式，一种是股价5块钱，然后花了五块钱去买了股票。另一种是，别人手里有5块钱的股票，我们不直接买股票，而是买他股票的权利。我们决定明天买他的股票，因为股票明可能会涨。我们约定明天用5.2来买这个股票。然后我们花1毛钱来买这个权利，就是明天花5.2来买这个股票的权利。现在，对于卖者来说，今天已经赚了1毛钱，如果明天股票跌了，还是能以5.2卖出。但是如果明天股票涨了，可能就会亏一点。对于买者来说，也还好，如果明天股票涨价到了8块，我们可以使用购买的权利，用5.2来买股票。但是如果明天股票跌了，我们可以放弃期权，因为买方有权决定是否要这个期权。因此，买家顶多就损失1毛钱。

  因此，期权是一个依赖于购买时间和股票价格的二元函数,时间越久，期权会越贵，股票价格越高，期权会越贵。

$$V(t,S(t))$$

  因此，期权是一个很好的规避风险的工具，能够帮助抗拒风险。我们可以进一步降低风险，就是进行资产组合。做资产组合是能够做对冲的。
$$Hedging$$

  接着上面的例子。我们要买期权，要付那1毛钱，这一毛钱哪里来? 这个钱应该通过卖掉手里的股票来付。如果没有的话，借股票来卖，这是一种对冲。对冲的意思就是要把风险降下来。就是不管股票涨还是跌，我们的损失都不会很大。

  卖股票买期权就能够达到这个目的。如果股票涨了，这个时候卖股票就吃亏了，但是买期权的地方就会赚。如果股票跌了，买期权就亏了，可是我们就实现了股票高点的套现。

  金融里面，最重要的不是赚钱，而是活下去，不出局。因此金融的设计理念就是规避风险。因此，我们要做资产组合，资产应该包括期权和卖掉的股票，其中st是股票，因为卖掉是负资产。得到的就是总资产。

$$P(t)=V(t,S(t))-\alpha S(t)$$

(3) 期权定价

  然后，我们就可以来研究，期权价格到底要定多少，可以规避风险。有一个基本原理，总资产的微分应该等于等额的资产存到银行里面获得的收益。r是银行利率。如果金融玩不过银行利率，就别玩金融了

$$\begin{gathered} P(t)=V(t,S(t))-\alpha S(t) \\ dP(t)=rP(t)dtr\text{ : Interest Rate} \end{gathered}$$

  然后我们来求解

  表示一下股票价格的微分
$$\begin{gathered} dS(t)=dexp(ut+B(t)) \\ =S(t)udt+S(t)dB(t)+\frac{1}{2}S(t)dt \end{gathered}$$

  表示一下总资产的微分

$$\begin{gathered} dP(t)=dV(t,S)-\alpha dS \\ =\frac{\partial V}{\partial t}dt+\frac{\partial V}{\partial S}dS+\frac{1}{2}\frac{{\partial }^{2}V}{\partial S^2}d{S}^2-\alpha dS \end{gathered}$$

  我们对dS进行平方，所有dt的高阶项都不要了，但是会留下其中一项

$$\begin{gathered} (dS(t){)}^2=(S(t)udt+S(t)dB(t)+\frac{1}{2}S(t)dt{)}^2 \\ =(S(t)dB(t){)}^2=S^2(t)dt \end{gathered}$$

  代入

$$dP(t)=\frac{\partial V}{\partial t}dt+\frac{\partial V}{\partial S}dS+\frac{1}{2}\frac{{\partial }^{2}V}{\partial S^2}{S}^2(t)dt-\alpha dS$$

  由于dS是随机项，必须消掉，可以求得α

$$\alpha =\frac{\partial V}{\partial S}$$

  α的取法，就是对冲策略，相当于我卖多少股票，来买一份期权。这是一种最简单的对冲策略。

  然后我们就得到了期权价格变动的公式。这个公式叫做

$$\text{Black Scholes}$$