第二章：布朗运动
在有了条件期望与鞅论的测度论基础后，我们正式引入一个经典的连续时间随机过程——布朗运动 (Brownian Motion, BM)，也被称为维纳过程 (Wiener Process)。它是构建随机微分方程 (SDE) 积分理论（如 Itô 积分）的基础。
1. 基础定义与性质
定义：标准布朗运动 (Standard Brownian Motion)
设 \((\Omega, \mathcal{F}, P)\) 为一个概率空间，其上定义了一个实值随机过程 \(W = \{W(t), t \ge 0\}\)。如果 \(W\) 满足以下四个条件，则称其为标准布朗运动：
1. 初始零点：\(P(W(0) = 0) = 1\) a.s.
2. 独立增量 (Independent Increments)：对于任意的时间划分 \(0 \le t_1 < t_2 < \dots < t_n\)，增量序列：
相互独立。
3. 平稳的高斯增量 (Stationary Gaussian Increments)：对于任意 \(0 \le s < t\)，增量服从均值为 0，方差为时间差的正态分布：
4. 轨道连续性 (Continuous Paths)：几乎所有的样本轨道 \(t \mapsto W(t, \omega)\) 都是连续的（即 a.s. 连续）。
由以上定义，我们可以立刻得出布朗运动的低阶矩与协方差结构，这是后续推导白噪声性质的关键。
基本性质：矩与协方差结构
1. 均值与方差： 由于 \(W(t) = W(t) - W(0) \sim \mathcal{N}(0, t)\)，显然有：
2. 自协方差函数 (Autocovariance)： 对于任意的 \(s, t \ge 0\)，有：
自协方差的推导（点击展开）
不失一般性，假设 \(0 \le s \le t\)。我们将 \(W(t)\) 拆分为增量形式：
展开得到：
由于布朗运动具有独立增量性质，\(W(t) - W(s)\) 与 \(W(s) = W(s) - W(0)\) 相互独立。又因为增量均值为 0，所以第一项为 0：
由于我们假设了 \(s \le t\)，因此一般情况可以写为 \(s \wedge t\)。\(\square\)
布朗运动的联合概率密度与转移密度
布朗运动在时间点 \(0 < t_1 < t_2 < \dots < t_n\) 上的取值 \((W(t_1), \dots, W(t_n))\) 服从多元正态分布。 由于马尔可夫性，其联合概率密度 (Joint PDF) 可以用转移密度函数 (Transition Density) 乘积的形式优雅地表达：
定义高斯转移密度（从空间点 \(y\) 经过时间 \(t\) 转移到 \(x\)）：
则联合概率密度为：
2. 引入白噪声与 SDE 雏形
从常微分方程 (ODE) \(\frac{dX(t)}{dt} = b(X(t), t)\) 过渡到随机微分方程 (SDE) 时，我们需要加入一个噪声项 \(\xi(t)\)。 理想的白噪声 \(\xi(t)\) 应该在不同时刻完全不相关，即协方差呈现 Dirac \(\delta\) 函数的性质：\(E[\xi(s)\xi(t)] = \delta(s-t)\)。 在数学上，这个所谓的白噪声正是布朗运动的“形式导数” \(\dot{W}(t)\)。
定理：布朗运动增量商的协方差极限为 \(\delta\) 函数
考虑布朗运动的差商过程 \(\xi_h(t) = \frac{W(t+h) - W(t)}{h}\) (\(h > 0\))。 当 \(h \to 0\) 时，其自协方差函数在广义函数（分布）的意义下收敛于 Dirac \(\delta\) 函数。
极限推导过程（点击展开）
我们计算差商在不同时刻 \(s, t\) 的协方差 \(E[\xi_h(s) \xi_h(t)]\)。 利用布朗运动的协方差性质 \(E[W(u)W(v)] = u \wedge v\)：
假设 \(s \le t\)，我们分析上式的非零区域： 1. 当时间差 \(|t-s| \ge h\) 时，上述四个项相互抵消，结果为 \(0\)。这表明只要时间间隔大于 \(h\)，差商过程就是不相关的。 2. 当时间差 \(|t-s| < h\) 时，存在重叠区间。计算可得协方差为：
这是一个底边宽为 \(2h\)、高为 \(\frac{1}{h}\) 的等腰三角形函数。 显然，积分 \(\int_{-\infty}^\infty \varphi_h(x) dx = 1\)。 当 \(h \to 0\) 时，该函数在非零点处趋于 0，在 0 处趋于无穷大，且积分恒为 1。这正是 Dirac \(\delta\) 函数的定义：
这就解释了为何 SDE 通常写成微分形式 \(dX(t) = b(X,t)dt + \sigma(X,t)dW(t)\)，因为 \(W(t)\) 的真正导数并不存在，只能作为广义函数处理。\(\square\)
3. 多维布朗运动与核心性质
在量化金融与多粒子系统中，我们常面临高维随机现象。
定义：多维布朗运动 (n-dimensional BM)
\(n\) 维布朗运动定义为一个向量过程 \(W(t) = (W^1(t), W^2(t), \dots, W^n(t))^T\)，其中： 1. 每一个分量 \(W^k(t)\) 都是一个标准的一维布朗运动。 2. 分量之间相互独立：即对于任意 \(k \neq l\)，\(\sigma\)-代数 \(\sigma(W^k(t), t \ge 0)\) 与 \(\sigma(W^l(t), t \ge 0)\) 独立。
其分量间的协方差结构为：
(此处 \(\delta_{kl}\) 为 Kronecker 记号，不是 Dirac \(\delta\) 函数)
布朗运动的经典之处在于是它兼具了鞅 (Martingale) 和 马尔可夫过程 (Markov Process) 的特征。
定理：布朗运动是连续鞅
设 \(\{\mathcal{F}_t\}_{t \ge 0}\) 为布朗运动自然生成的流 \(\mathcal{F}_t = \sigma(W(u), 0 \le u \le t)\)。则 \(W(t)\) 是一个鞅。
鞅性质证明（点击展开）
对于任意 \(s \le t\)，我们需要证明 \(E[W(t) | \mathcal{F}_s] = W(s)\)。 通过增量拆分构造独立性：
由条件期望的线性性质：
因为布朗运动具有独立增量，未来的增量 \(W(t) - W(s)\) 与历史信息流 \(\mathcal{F}_s\) 完全独立，故独立则无关（等于无条件期望）； 而 \(W(s)\) 本身是 \(\mathcal{F}_s\)-可测的，故已知即常数（直接提出）：
证毕。\(\square\)
定理：布朗运动是马尔可夫过程
布朗运动满足马尔可夫性：即“未来仅依赖于现在，而与过去无关”。 对于任意 Borel 集 \(B \in \mathcal{B}(\mathbb{R}^n)\) 以及 \(s \le t\)：
马尔可夫性严格测度论证明（点击展开）
利用指示函数 \(\chi_B\)（或记作 \(I_B\)），我们可以将概率写为条件期望：
引入增量，设函数 \(f(x, y) = \chi_B(x + y)\)。将 \(W(t)\) 拆分为 \(W(s)\) 和 \(W(t) - W(s)\)：
此处应用测度论中独立性与条件期望的核心引理（冻结引理/替换定理）： 因为 \(W(s)\) 是 \(\mathcal{F}_s\)-可测的，而 \(W(t) - W(s)\) 与 \(\mathcal{F}_s\) 独立，我们可以将 \(W(s)\) 视作“冻结”的常数 \(x\)，对另一部分求无条件期望，然后再把 \(W(s)\) 代回来：
设增量 \(Z = W(t) - W(s) \sim \mathcal{N}(0, t-s)\)，其密度函数为 \(g(z)\)，上式等于：
换元令 \(y = x + z\)，则 \(dz = dy\)：
这个积分结果显然只依赖于随机变量 \(W(s)\) 的取值，而不依赖于 \(\mathcal{F}_s\) 中 \(s\) 时刻之前的任何信息。 根据条件期望的定义，这恰好等于 \(E[\chi_B(W(t)) | W(s)]\)，即 \(P(W(t) \in B | W(s))\)。\(\square\)
4. Kolmogorov 连续性定理与轨道性质
布朗运动定义中直接假设了“轨道连续”。但数学上我们需要问：给定了一致的有限维分布后，是否一定存在一个具有连续轨道的修正版本？这需要借助极其强大的 Kolmogorov 连续性定理。
为了量化连续的“粗糙程度”，我们引入 Hölder 空间。
定义：Hölder 连续空间 \(C^\gamma\)
如果一个函数 \(f(t)\) 满足存在常数 \(K > 0\) 使得：
则称其具有指数为 \(\gamma\) 的 Hölder 连续性。记为 \(f \in C^\gamma\)。 （注：当 \(\gamma = 1\) 时即为 Lipschitz 连续。布朗运动的轨道极其粗糙，它处处不可微，因此达不到 Lipschitz 连续）。
定理：Kolmogorov 连续性定理 (Kolmogorov Continuity Theorem)
设 \(X(t)\) 为一定义在区间 \([0, T]\) 上的随机过程。如果存在常数 \(\alpha > 0, \beta > 0, C > 0\)，使得对于所有的 \(s, t \in [0, T]\)：
那么 \(X(t)\) 存在一个具有连续样本轨道的修正版本。更进一步，对于任意的 \(\gamma \in \left(0, \frac{\alpha}{\beta}\right)\)，该修正版本的样本轨道几乎必然 (a.s.) 是局部 \(\gamma\)-Hölder 连续的。
核心证明思路 (基于 Borel-Cantelli 引理)（点击展开）
定理的严格证明十分繁琐，但其核心机理非常优美。
1. 考察二进有理数点： 我们在区间上取二进网络点 \(t_i = \frac{i}{2^n}\)。 考虑相邻两点增量过大的概率事件 \(A_n\)：
2. 利用 Chebyshev/Markov 不等式放缩：
代入定理给定的条件 \(E[|X_{i+1} - X_i|^\beta] \le C (2^{-n})^{1+\alpha}\)，可得：
3. 应用 Borel-Cantelli 引理： 由于我们选取了 \(\gamma < \frac{\alpha}{\beta}\)，故 \(\alpha - \gamma\beta > 0\)。这是一个公比小于 1 的几何级数，因此：
由 Borel-Cantelli 引理（第一引理）可知，\(P(\limsup A_n) = 0\)。即几乎必然地，存在 \(N(\omega)\)，使得对所有 \(n \ge N(\omega)\)，二进网络上的增量都被紧紧控制在 \(2^{-n\gamma}\) 之内。通过一致收敛性，这保证了极限过程的 Hölder 连续性。\(\square\)
之后将此定理应用到布朗运动的连续性分析上，得出其重要的 \(C^{\frac{1}{2}-}\) 性质。
结论：布朗运动轨道的 Hölder 粗糙度为 \(C^{\frac{1}{2}-}\)
布朗运动 \(W(t)\) 的样本轨道几乎处处是 \(\gamma\)-Hölder 连续的，对于任意 \(\gamma \in \left(0, \frac{1}{2}\right)\)。 （即它无限逼近 \(1/2\) 次 Hölder 连续，但不能达到 \(1/2\)）。
推导过程（利用高斯矩）（点击展开）
由于布朗运动的增量 \(W(t) - W(s) \sim \mathcal{N}(0, |t-s|)\)，我们知道正态分布的高阶偶数矩有明确的公式。 对于偶数次幂 \(2m\)（\(m \in \mathbb{N}\)）：
这完美匹配了 Kolmogorov 连续性定理的条件。我们令： - \(\beta = 2m\) - \(1 + \alpha = m \implies \alpha = m - 1\)
根据定理，轨道的 Hölder 指数 \(\gamma\) 必须满足：
由于这个性质对所有的正整数 \(m\) 都成立。我们可以让 \(m \to \infty\)，此时 \(\frac{1}{2m} \to 0\)。 因此，对于任意严格小于 \(\frac{1}{2}\) 的 \(\gamma\)，布朗运动都是 \(\gamma\)-Hölder 连续的。进而就得出了 布朗运动轨道是 \(C^{\frac{1}{2}-}\) 连续的 这一结论。\(\square\)