【随机过程】10 -高斯过程与布朗运动

高斯过程与布朗运动

1. 布朗运动概述

1.1 定义

  布朗运动有很多种等价定义，这里给出比较常见的一种

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

• 布朗运动初值为0
• 是个独立增量过程，就是布朗运动的增量之间彼此独立
• 布朗运动的差值符合高斯分布

1.2 布朗运动与高斯过程

  布朗运动一定是高斯过程，即任取n个时刻得到的一定是联合高斯分布

$$\begin{gathered} \text{Gaussian Process} \\ \forall n\forall t_1\le ...\le t_n \\ (B(t_1),...,B(t_n){)}^T=B \end{gathered}$$

  我们可以来证明一下这个事情

  首先，我们定义一个随机矢量

$$\tilde{B}=\left(\begin{array}{c}B(t_1)\\ B(t_2)-B(t_1)\\ ...\\ B(t_n)-B(t_{n-1})\end{array}\right)$$

  这个随机矢量一定是一个联合高斯。

  因为首先，每一个随机变量，都是布朗运动两个时刻的差值，一定是个高斯分布,并且，对于第一项

$$B(t_1)=B(t_1)-0=B(t_1)-B(0)$$

  并且，布朗运动具有独立增量的特性，这个随机矢量的每一个随机变量都是互相不重叠的增量，一定是不相关的。如果n个高斯分布是不相关的，得到的一定是一个联合高斯。

  然后，我们可以看待一下B与定义的这个随机矢量之间具有线性变换的关系

$$\begin{gathered} \left(\begin{array}{c}B(t_1)\\ B(t_2)-B(t_1)\\ ...\\ B(t_n)-B(t_{n-1})\end{array}\right)=A\ast \left(\begin{array}{c}B(t_1)\\ B(t_2)\\ ...\\ B(t_n)\end{array}\right) \\ =\left(\begin{array}{ccccc}1& & & & \\ -1& 1& & & \\ & -1& 1& & \\ & ...& ...& & \\ & ...& ...& -1& 1\end{array}\right)\ast \left(\begin{array}{c}B(t_1)\\ B(t_2)\\ ...\\ B(t_n)\end{array}\right) \end{gathered}$$

  因为矩阵A是可逆的，因此可以把B表示为

$$B=A^{-1}\tilde{B}$$

  联合高斯的线性变换一定是一个联合高斯，因此，我们可以证明，布朗分布一定是一个高斯过程。

  我们可以写出B’的概率密度

$$\begin{gathered} \tilde{B}=\left(\begin{array}{c}B(t_1)\\ B(t_2)-B(t_1)\\ ...\\ B(t_n)-B(t_{n-1})\end{array}\right) \\ {f}_{\tilde{B}}(x_1,...,x_n)=\prod _{k=1}^n\frac{1}{\sqrt{2\pi (t_k-t_{k-1})}\sigma }exp(-\frac{(x_k-x_{k-1}{)}^2}{2{\sigma }^2(t_k-t_{k-1})}) \end{gathered}$$

1.3 布朗运动的均值和协方差

  接下来，我们可以求一下布朗运动这个高斯过程的均值和方差

$$\begin{gathered} \text{Mean} \\ E(B(t))=E(B(t)-B(0))\sim N(0,{\sigma }^2(t-0)) \end{gathered}$$

  可见均值为0

  再求一下协方差

$$\begin{gathered} \text{Assuming }s<t \\ {R}_B(t,s)=E(B(t)B(s))=E((B(t)-B(s)+B(s))B(s)) \\ =E((B(t)-B(s))(B(s)-B(0))+E(B^2(s)) \\ =0+{\sigma }^{2}s={\sigma }^{2}s={\sigma }^{2}min(t,s) \end{gathered}$$

2. 布朗运动的变形

  布朗运动具有非常大的弹性，对布朗运动的做很多的变形得到的往往还是布朗运动，我们这里举三个例子

2.1 做差

  第一个例子，我们假设U是一个确定性变量，判断下面这个例子是否也是布朗运动

$$\tilde{B}(t)=B(t+U)-B(U)$$

  判断是不是布朗运动需要做三方面的测试

• 是否是高斯过程
• 均值是否为0
• 协方差是否与最小的时间有关

  两个高斯过程的差一定也是高斯过程

$$E(\tilde{B})=E(B(t+U)-B(U))=0$$

  均值为0

  协方差

$$\begin{gathered} E(\tilde{B}(t)\tilde{B}(s))=E((B(t+U)-B(U))(B(s+U)-B(U))) \\ =E(B(t+U)B(s+U))-E(B(t+U)B(U))-E(B(U)B(s+U))+E(B(U)B(U)) \\ ={\sigma }^2(s+U)-{\sigma }^2(U)-{\sigma }^2(U)+{\sigma }^2(U) \\ ={\sigma }^{2}s={\sigma }^2(t,s) \end{gathered}$$

  说明是布朗运动

2.2 线性因子

  再来判断一个变形，是否是布朗运动

$$\tilde{B}(t)=aB(a^{-2}t)$$

  首先这个变形一定是高斯过程

  均值一定也是0

  检查协方差即可

$$\begin{gathered} R_{\tilde{B}}(t,s)=a^{2}E(B(a^{-2}t)B(a^{-2}s)) \\ =a^2{\sigma }^{2}min(a^{-2}t,a^{-2}s)={\sigma }^{2}min(t,s) \end{gathered}$$

  仍然是布朗运动

2.3 倒数

$$\tilde{B}(t)=tB(\frac{1}{t})$$

  求一下协方差

$$R_{\tilde{B}}(t,s)=ts{\sigma }^{2}min(\frac{1}{t},\frac{1}{s})={\sigma }^{2}min(s,t)$$
  得到的也是一个布朗运动

3. 布朗运动的性质

3.1 反射原理

  布朗运动的第一个重要的特性就是反射原理。

  这里构成一个新的随机过程

$$\begin{gathered} \tilde{B}(t)=B(t+T)-B(T) \\ \text{T: Random Variable} \end{gathered}$$

  这里面的T是个随机变量，我们只要对T进行稍加约束，得到的会仍然是一个布朗运动。

3.1.1 停时特性

  我们要T具有停时特性

$$T:\text{ Stapping Time}$$

  停时特性是指，T的统计特性只依赖于其之前的时间,也就是只依赖于t时刻之前的布朗运动。

P ( T = t ) ∝ { B ( s ) , s ≤ t } P(T=t) \propto \{B(s), s \leq t \} P(T=t)∝{B(s),s≤t}

  这里可以进行举例说明

T = m i n { s : B ( s ) = a } T = min \{s: B(s) = a \} T=min{s:B(s)=a}

  T是布朗运动首次到达a的时间，一旦布朗运动已经到达了a，产生了一个时间，就与后面的没有关系了。

  再举一个非停时的例子

T = m a x { s : B ( s ) = a } T = max \{s: B(s) = a \} T=max{s:B(s)=a}

  这里T是到达a的最后一次时间。因为每次布朗运动到达a，都会更新一个时间，因此这个结果一定是与未来的布朗运动有关的，所以就不是具有停时特性。

  再举一个非停时的例子

$$T=argmax(B(s))0\le s\le t$$

  我们假设T是布朗运动在(0，t)时刻内的最大值,这个仍然是依赖于未来数据的一个例子，因此，也不具有停时特性。

3.1.2 强马尔科夫性

  布朗运动在停时的基础上构造的函数仍然是布朗运动，这个叫做强马尔科夫性

$$\begin{gathered} \tilde{B}(t)=B(t+T)-B(T) \\ \text{T: Random Variable} \end{gathered}$$

$$\text{Strong Markov}$$

  强马尔科夫性的直观描述就是，假设这是一个运动轨迹，当到达停时T之后，后面的运动就是一个严格的布朗运动了。以T为起点，后面的轨迹是布朗运动

3.1.3 强马尔科夫性的应用：反射

  所谓反射原理即，如果B(t)是布朗运动，取负数也是布朗运动

$$\begin{gathered} \widetilde{B(t)}=-B(t) \\ \text{Brown Motion} \end{gathered}$$

  用在这里就是，\widetilde{B(t)}是布朗运动，取负号也是布朗运动

$$\begin{gathered} \tilde{B}(t)=B(t+T)-B(T) \\ \text{T: Random Variable} \end{gathered}$$

$$-\tilde{B}(t)\Rightarrow \text{Brown Motion}$$

  在图中表示的就是到达了停时T之后往下走的那个运动也是布朗运动

  反射原理就是，沿着随便一条线对布朗运动进行反射，得到的仍然是布朗运动。也就是从0开始的蓝色线是布朗运动，从0开始反射的绿线仍然是布朗运动。

$$\text{Reflection Principle}$$

3.1.4 基于反射计算复杂的分布

  基于反射原理可以计算复杂的分布，这里要计算这样两个分布

  第一个，首测到达a时间的分布

T a = m i n { s : B ( s ) = a } T_a = min\{s:B(s) = a\} Ta​=min{s:B(s)=a}

  第二个,(0,t)内B能够取到的最大值的分布

$$\bar{B}(t)=ma{x}_{0\le s\le t}B(s)$$

  事实上，这两个事情具有等价的分布

$$F_{T_a(t)}=P(T_a\le t)=P(\bar{B}(t)\ge a)$$

  如果Ta比t小，意味着(0,t)内，这个随机过程必然已经到达a了，那么也就必然这个随机过程当前值比a大。反过来，如果这个随机过程在t时刻的值比a大，必然在(0,t)时刻内已经达到a了。

  我们现在关心t时刻的分布情况。t时刻无非就是有两种情况，t时刻比a大的概率加上t时刻比a小的概率

$$F_{T_a(t)}=P(\bar{B}(t)>a,B(t)>a)+P(\bar{B}(t)\ge a,B(t)\le a)$$

  我们先看前一项，如果t时刻布朗运动比a大，必定最大值大于a，两个是一个意思

$$P(\bar{B}(t)>a,B(t)>a)=P(B(t)>a)$$

  接下来，我们要计算后一部分。后一部分可以通过反射来做。

  后面一部分其实表示的意思就是绿色的线。如果我们找到一个停时，反射一下，仍然是个布朗运动，我们假设反射完了了蓝线

$$B(t)\Rightarrow \text{Reflection }{B}^{\ast }(t)$$

  原来的分布意思是，(0,t)时刻布朗运动的最大值比a大，并且t时刻布朗运动比a小。反射之后意思就是，(0,t)时刻新的布朗运动最大值比a大，并且t时刻新布朗运动比a大。反射前后的分布是一样的。因此，我们又可以把后面的这个分布进行化简了。

$$P(\bar{B}(t)\ge a,B(t)\le a)=P({\bar{B}}^{\ast }(t)\ge a,B^{\ast }(t)\ge a)=P(B^{\ast }(t)\ge a)$$

  两项的值应该是一样的

$$\begin{gathered} F_{T_a(t)}=P(\bar{B}(t)>a,B(t)>a)+P(\bar{B}(t)\ge a,B(t)\le a)=2P(B(t)>a) \\ =\frac{2}{\sqrt{2\pi t}\sigma }{\int }_a^{+\infty }exp(-\frac{s^2}{2{\sigma }^{2}t})ds \end{gathered}$$

  相当于原本一个复杂的分布，我们要计算(0,t)内最大值的分布，我们现在只需要考虑端点的值就行了。

  概率密度就是分布函数的导数

$$f_{T_a}(t)=\frac{d{F}_{T_a(t)}}{dt}$$

3.2 二次变差

$$\text{Quadratic Variation}$$

  我们知道，布朗运动的方差是时间的一次函数，因此，可以推断出，布朗运动其实是与半阶t同阶的

$$B(t)E(B^2(t))={\sigma }^{2}tB(t)\sim \sqrt{t}$$

  当n趋近于无穷大的时候，布朗运动逐阶的差的平方和是个定值

$$\begin{gathered} \sum _{k=1}^n(B(t_k)-B(t_{k-1}){)}^2\underrightarrow{n\to \infty }{\sigma }^{2}t \\ 0=t_0<t_1<...<t_n={\sigma }^{2}t \end{gathered}$$

  注意这里我们没有加期望。

  我们可以通过两步来证明这个事情。即分别证明期望和方差

  先证明期望

$$\begin{gathered} E(\sum _{k=1}^n(B(t_k)-B(t_{k-1}){)}^2)=\sum _{k=1}^{n}E((B(t_k)-B(t_{k-1}){)}^2) \\ ={\sigma }^2\sum _{k=1}^n(t_k-t_{k-1})={\sigma }^{2}t \end{gathered}$$

  为了方便计算，我们假设方差是1

$$E(\sum _{k=1}^n(B(t_k)-B(t_{k-1}){)}^2)=t$$

  期望可以转化为时间的累加和，并且最终得到期望是t

  然后我们求方差。如果我们能够证明方差是0，那么这个二次变差就是个确定值，即为期望t

$$\begin{gathered} Var(\sum _{k=1}^n(B(t_k)-B(t_{k-1}){)}^2)=E(\sum _{k=1}^n(B(t_k)-B(t_{k-1}){)}^2-t{)}^2 \\ =E(\sum _{k=1}^n(B(t_k)-B(t_{k-1}){)}^2-(t_k-t_{k-1}){)}^2 \end{gathered}$$
  我们把时间t拆解成为累加和的形式放进去，然后计算整体的平方。累加和的平方可以变成自身平方和以及交叉项平方和的和

$$=E(\sum _{k=1}^n((B(t_k)-B(t_{k-1}){)}^2-(t_k-t_{k-1}){)}^2+\sum _{i\cancel{=}j}((B(t_i)-B(t_{i-1}){)}^2-(t_i-t_{i-1}))((B(j_k)-B(t_{j-1}){)}^2-(t_j-t_{j-1})))$$

  我们可以分析一下后面的交叉项，由于交叉项的随机性都在布朗运动上，并且这是布朗运动的增量的期望，由于布朗运动的增量是独立的，因此可以拆开两部分进行计算。

$$\begin{gathered} \sum _{i\cancel{=}j}E((B(t_i)-B(t_{i-1}){)}^2-(t_i-t_{i-1}))((B(j_k)-B(t_{j-1}){)}^2-(t_j-t_{j-1})) \\ =\sum _{i\cancel{=}j}E((B(t_i)-B(t_{i-1}){)}^2-(t_i-t_{i-1}))E((B(j_k)-B(t_{j-1}){)}^2-(t_j-t_{j-1})) \\ =\sum _{i\cancel{=}j}(E((B(t_i)-B(t_{i-1}){)}^2)-(t_i-t_{i-1}))(E((B(t_j)-B(t_{j-1}){)}^2)-(t_j-t_{j-1})) \\ =\sum _{i\cancel{=}j}((t_i-t_{i-1})-(t_i-t_{i-1}))((t_j-t_{j-1})-(t_j-t_{j-1}))=0 \end{gathered}$$

  我们可以得到交叉项是0

  我们继续计算前面的一项

$$\begin{gathered} Var(\sum _{k=1}^n(B(t_k)-B(t_{k-1}){)}^2)=E(\sum _{k=1}^n((B(t_k)-B(t_{k-1}){)}^2-(t_k-t_{k-1}){)}^2) \\ =\sum _{k=1}^{n}E[((B(t_k)-B(t_{k-1}){)}^2-(t_k-t_{k-1}){)}^2] \\ =\sum _{k=1}^{n}E[(B(t_k)-B(t_{k-1}){)}^4]-2E[(B(t_k)-B(t_{k-1}){)}^2(t_k-t_{k-1})]+E[(t_k-t_{k-1}){)}^2] \end{gathered}$$

  前面是高斯的高阶矩计算

$$E(Z(t{)}^k)=(k-1)!!{\sigma }^k$$

  故

$$\begin{gathered} E[(B(t_k)-B(t_{k-1}){)}^4]=3(t_k-t_{k-1}{)}^2{\sigma }^4=3(t_k-t_{k-1}{)}^2 \\ E[(B(t_k)-B(t_{k-1}){)}^2(t_k-t_{k-1})]=E[(B(t_k)-B(t_{k-1}){)}^2](t_k-t_{k-1})=(t_k-t_{k-1}{)}^2{\sigma }^2=(t_k-t_{k-1}{)}^2 \end{gathered}$$

  原式子可以表示为

$$\begin{gathered} Var(\sum _{k=1}^n(B(t_k)-B(t_{k-1}){)}^2)=\sum _{k=1}^{n}3(t_k-t_{k-1}{)}^2-2(t_k-t_{k-1}{)}^2+(t_k-t_{k-1}{)}^2 \\ =2\sum _{k=1}^n(t_k-t_{k-1}{)}^2 \end{gathered}$$

  然后我们可以通过夹逼定理计算这个式子的极限

  计算下限
$$li{m}_{n\to \infty }2\sum _{k=1}^n(t_k-t_{k-1}{)}^2>0$$

  计算上限

  当我们不断的取更多的n的时候，相当于任取的两个时刻的时间差就会无限变小，所以两个时刻的差最终会趋近于0
$$li{m}_{n\to \infty }2\sum _{k=1}^n(t_k-t_{k-1}{)}^2<li{m}_{n\to \infty }2max((t_k-t_{k-1}))\sum _{k=1}^n(t_k-t_{k-1})=0\ast t=0$$

  由夹逼定理，这个式子的极限就是0

$$li{m}_{n\to \infty }Var(\sum _{k=1}^n(B(t_k)-B(t_{k-1}){)}^2)=0$$

  由于二次变差均值为t，方差为0，最终就可以得到这个式子具有确定值t

4. 伊藤微积分

4.1 布朗运动的微分

  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。

---

4.2 布朗运动的积分

  我们可以再来看看布朗运动的积分

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

  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，因为如果我们这么做，我们就默认下面的微分成立了，实际上并不对。

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

  我们对d²B(t)用伊藤公式求一下微分，实际看看展开如何。

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

  于是我们就得到了一个正确的原函数。

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

  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

$$\text{Stochastic Calculus}$$

4.3 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。

4.3.1 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，把布朗运动放到了指数里面，并做了进一步的改进

$$S(t)=exp(B(t))\to exp(ut+{\sigma }^{2}B(t))$$

  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1930年金融学奠基人萨缪尔森做出的工作。前面增加了一部分确定的线性增长因素是由于，金融市场确实有时候增长是有些线性的。

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

---

4.3.2 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。

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

4.3.3 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。

$$\begin{gathered} S(t)=exp(ut+{\sigma }^{2}B(t)) \\ P(t)=V(t,S(t))-\alpha S(t) \\ dP(t)=rP(t)dtr\text{ : Interest Rate} \end{gathered}$$

  首先，我们要对股票价格求一下微分

$$dS=S(\mu dt+{\sigma }^{2}dB(t)+\frac{1}{2}{\sigma }^{4}dt)$$

  我们发现dS中是保留有一阶的dB的

  我们再来求资产的微分

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

  我们注意到，V对S的求导也求到了两阶，这是因为，如果我们只求到一阶的S，有一个一阶的dB，阶次不够，因此仍然需要再求一阶

  我们研究一下dS²是什么

$$d{S}^2=(S(\mu dt+{\sigma }^{2}dB(t)+\frac{1}{2}{\sigma }^{4}dt){)}^2={\sigma }^4{S}^{2}dt$$

  得到这个结果主要是看微元的阶次，只有dB的平方得到的是一阶的t，其他的两两相乘阶次都比t高，就不要了

  因此，可以得到期权的微分
$$dP(t)=dV+\alpha dS=\frac{\partial V}{\partial t}dt+\frac{\partial V}{\partial S}dS+\frac{1}{2}\frac{{\partial }^{2}V}{\partial S^2}{\sigma }^4{S}^{2}dt+\alpha dS$$

  另外，期权的微分应该等于银行利率

$$dP(t)=rP(t)dt=r(V+\alpha S)dt$$

  为了让两边相等，我们要令dS的项为0，只保留dt的项,则

$$\begin{gathered} \frac{\partial V}{\partial S}dS+\alpha dS=0 \\ \alpha =-\frac{\partial V}{\partial S} \end{gathered}$$

  这个α叫做delta对冲

$$\text{delta}$$

  同时，我们也得到了一个计算期权价格的偏微分方程

$$\frac{\partial V}{\partial t}+\frac{1}{2}{\sigma }^4{S}^2\frac{{\partial }^{2}V}{\partial S^2}-rV+rS\frac{\partial V}{\partial S}=0$$

  得到的这个方程叫做

$$\text{Black-Scholes}$$