第五章：多元 Itô 积分与随机微分方程

前面的章节已经建立了一维布朗运动下的 Itô 积分理论。然而在金融数学与统计物理中，系统往往受到多个独立噪声源的影响。本章我们将 Itô 积分推广到高维空间，建立多元 Itô 公式，并正式引入刻画连续时间随机动态系统的工具——随机微分方程 (Stochastic Differential Equations, SDE)。

1. 多元 Itô 积分与等距同构

我们首先定义多维的布朗运动及其对应的信息流。

定义：多元布朗运动与适应矩阵过程

设 \(W(t) = (W^1(t), W^2(t), \dots, W^m(t))^T\) 是一个 \(m\) 维标准布朗运动，它的每一个分量 \(W^j(t)\) 都是独立的一维标准布朗运动。

定义其产生的信息流为 \(\mathcal{F}(t) = \sigma\{W(s) \mid 0 \le s \le t\}\)。对于任意 \(t < s\)，未来的增量 \(W(s) - W(t)\) 与 \(\mathcal{F}(t)\) 完全独立。

设 \(G(t, \omega) = (G^{ij}(t, \omega))_{n \times m}\) 是一个 \(n \times m\) 阶的随机矩阵过程。如果 \(G(t)\) 的每一个分量 \(G^{ij}(t)\) 都是 \(\mathcal{F}(t)\)-适应的，且满足平方可积条件：

\[ E\left[ \int_0^T \sum_{i=1}^n \sum_{j=1}^m (G^{ij}(t))^2 dt \right] < \infty \]

则称矩阵过程 \(G \in L_{n \times m}^2(0, T)\)。

对于这样的矩阵过程，多元 Itô 积分被自然地定义为向量形式。

定义与定理：多元 Itô 积分

对于 \(G \in L_{n \times m}^2(0, T)\)，我们定义多元 Itô 积分 \(\int_0^T G dW\) 为一个 \(n\) 维列向量，其第 \(i\) 个分量定义为：

\[ \left( \int_0^T G dW \right)^i = \sum_{j=1}^m \int_0^T G^{ij} dW^j \]

在这个定义下，多元 Itô 积分依然保持完美的鞅性质和等距性质：

(1) 期望为零：\(E\left[ \int_0^T G dW \right] = 0\) （即每个分量的期望均为 0）。

(2) 多元 Itô 等距同构 (Multivariate Itô Isometry)：定义矩阵的范数为 \(|G| = \sqrt{\sum_{i,j} (G^{ij})^2}\)，则有：

\[ E\left[ \left| \int_0^T G dW \right|^2 \right] = E\left[ \int_0^T |G(t)|^2 dt \right] \]

多元 Itô 等距同构的严格证明（点击展开）

由向量范数的定义，积分模长的平方可以写为各个分量平方的和：

\[ E\left[ \left| \int_0^T G dW \right|^2 \right] = E\left[ \sum_{i=1}^n \left( \sum_{j=1}^m \int_0^T G^{ij} dW^j \right)^2 \right] \]

将内部的平方项展开为双重求和形式：

\[ = \sum_{i=1}^n E\left[ \sum_{j=1}^m \int_0^T G^{ij} dW^j \sum_{k=1}^m \int_0^T G^{ik} dW^k \right] \]

由于求和与期望是线性算子，我们交换顺序，重点考察交叉项：

\[ = \sum_{i=1}^n \sum_{j=1}^m \sum_{k=1}^m E\left[ \int_0^T G^{ij} dW^j \int_0^T G^{ik} dW^k \right] \]

关键点：布朗运动分量间的独立性。当 \(j \neq k\) 时，\(W^j\) 和 \(W^k\) 是相互独立的布朗运动。利用一维随机积分的极化恒等式和独立增量性质，这部分的交叉期望为 \(0\)。

因此，非零项仅存在于对角线 \(j = k\) 处：

\[ = \sum_{i=1}^n \sum_{j=1}^m E\left[ \left( \int_0^T G^{ij} dW^j \right)^2 \right] \]

对每一项应用一维的 Itô 等距同构 \(E[(\int G^{ij} dW^j)^2] = E[\int (G^{ij})^2 dt]\)：

\[ = \sum_{i=1}^n \sum_{j=1}^m E\left[ \int_0^T (G^{ij})^2 dt \right] = E\left[ \int_0^T \sum_{i,j} (G^{ij})^2 dt \right] = E\left[ \int_0^T |G(t)|^2 dt \right] \]

证明完毕。\(\square\)

2. 多元 Itô 公式与乘法表

在进入随机微分方程的求解前，我们必须掌握多维情况下的“链式法则”。

定义：多元 Itô 过程 (Multivariate Itô Process)

一个 \(n\) 维 Itô 过程 \(X(t) = (X^1(t), \dots, X^n(t))^T\) 的微元形式定义为：

\[ dX(t) = F(t) dt + G(t) dW(t) \]

写成分量形式即为：

\[ dX^i(t) = F^i(t) dt + \sum_{j=1}^m G^{ij}(t) dW^j(t), \quad i = 1, \dots, n \]

其中漂移项 \(F \in L_n^1(0, T)\)，扩散项 \(G \in L_{n \times m}^2(0, T)\)。

处理多元随机微分的核心在于推广版的 Itô 乘法表。由于不同的布朗运动分量是独立的，它们的“二次交叉变差”为 0。

定理：多元 Itô 乘法法则

对于时间微元 \(dt\) 和不同维度的布朗运动微元 \(dW^j, dW^k\)，有如下乘法规则：

\((dt)^2 = 0\)
\(dt \cdot dW^j = 0\)
\(dW^j \cdot dW^k = \delta_{jk} dt = \begin{cases} dt, & j = k \\ 0, & j \neq k \end{cases}\)

利用上述规则，我们可以直接得出两个一维 Itô 过程 \(X_1, X_2\) 的乘积法则 (Product Rule)：

\[ d(X_1 X_2) = X_1 dX_2 + X_2 dX_1 + dX_1 dX_2 \]

乘积法则中交叉项 \(dX_1 dX_2\) 的推导计算（点击展开）

设两个过程分别为 \(dX_1 = F_1 dt + \sum_j G_1^j dW^j\)，且 \(dX_2 = F_2 dt + \sum_k G_2^k dW^k\)。展开它们的乘积：

\[ dX_1 dX_2 = \left( F_1 dt + \sum_j G_1^j dW^j \right) \left( F_2 dt + \sum_k G_2^k dW^k \right) \]

根据多元乘法表，所有含有 \(dt\) 的二次项（如 \((dt)^2, dt \cdot dW\)）均视为高阶无穷小，直接消去：

\[ = \sum_{j=1}^m \sum_{k=1}^m G_1^j G_2^k dW^j dW^k \]

由于 \(dW^j dW^k = \delta_{jk} dt\)，只有当 \(j=k\) 时非零，和式坍缩为一重求和：

\[ = \sum_{j=1}^m G_1^j G_2^j dt \]

将其写成向量内积的形式，即为 \((G_1^T G_2) dt\)。这就是二次变差带来的修正项。\(\square\)

基于多元乘法表，我们可以将泰勒展开推广，得到现代随机分析最重要的基石。

定理：多元 Itô 公式 (Multivariate Itô's Formula)

设 \(X(t)\) 为一个 \(n\) 维 Itô 过程，\(U(t, x_1, \dots, x_n)\) 为 \(\mathbb{R}^+ \times \mathbb{R}^n \to \mathbb{R}\) 的具有 \(C^{1,2}\) 连续偏导数的多元纯量函数。则复合随机过程 \(U(t, X(t))\) 依然是一个 Itô 过程，且其微分为：

\[ dU(t, X(t)) = \frac{\partial U}{\partial t} dt + \sum_{i=1}^n \frac{\partial U}{\partial x^i} dX^i + \frac{1}{2} \sum_{i=1}^n \sum_{j=1}^n \frac{\partial^2 U}{\partial x^i \partial x^j} dX^i dX^j \]

如果将 \(dX^i\) 展开并代入 \(dW^j dW^k = \delta_{jk} dt\)，上述公式可写为更紧凑的矩阵迹 (Trace) 形式：

\[ dU = \left( U_t + \nabla U^T F + \frac{1}{2} \text{Tr}(G^T D_x^2 U G) \right) dt + (\nabla U^T G) dW \]

其中 \(\nabla U\) 为空间梯度向量，\(D_x^2 U\) 为 Hessian 矩阵。

3. 线性随机微分方程 (LSDE) 求解实战

我们现在正式考虑形如 \(dX(t) = b(t, X(t)) dt + \sigma(t, X(t)) dW(t)\) 的随机微分方程。由于非线性 SDE 的显式解往往不存在，本节我们重点剖析一类在金融学中具有统治地位的方程：线性随机微分方程 (Linear SDE)。

3.1 指数鞅与 Hermite 多项式

考虑最简单的齐次线性方程，其漂移项为 0：

\[ \begin{cases} dY(t) = \lambda Y(t) dW(t) \\ Y(0) = 1 \end{cases} \]

这代表系统的随机波动与系统当前的状态成正比。

方程的求解方法 (Itô 公式反向构造)

我们猜想解为某种指数形式 \(Y(t) = e^{f(t, W(t))}\)。为了抵消 Itô 公式展开时产生的 \(\frac{1}{2} (dW)^2 = \frac{1}{2}dt\) 修正项，我们在指数中预先加入“补偿项”。

定义函数 \(U(x, t) = e^{\lambda x - \frac{\lambda^2}{2}t}\)，将 \(x\) 替换为 \(W(t)\)。应用一维 Itô 公式：

\[ dU(W(t), t) = \frac{\partial U}{\partial t} dt + \frac{\partial U}{\partial x} dW + \frac{1}{2} \frac{\partial^2 U}{\partial x^2} (dW)^2 \]

代入偏导数 \(U_t = -\frac{\lambda^2}{2} U\)，\(U_x = \lambda U\)，\(U_{xx} = \lambda^2 U\)：

\[ dY(t) = -\frac{\lambda^2}{2} Y(t) dt + \lambda Y(t) dW(t) + \frac{1}{2} \lambda^2 Y(t) dt = \lambda Y(t) dW(t) \]

这完美匹配了目标方程。因此其解为 指数鞅 (Exponential Martingale)：

\[ Y(t) = e^{\lambda W(t) - \frac{\lambda^2}{2}t} \]

这个解在概率论中有着极深的内涵，它的泰勒展开与正交多项式直接挂钩。

拓展：Hermite 多项式与随机积分的递推关系

回顾概率论中的 Hermite 多项式母函数生成公式：

\[ e^{\lambda x - \frac{\lambda^2}{2}t} = \sum_{n=0}^{\infty} \frac{\lambda^n}{n!} H_n(x, t) = \sum_{n=0}^{\infty} \lambda^n h_n(x, t) \]

我们将解 \(Y(t)\) 的积分形式与级数展开形式进行对比。已知 \(Y(t) = 1 + \lambda \int_0^t Y(s) dW(s)\)，代入展开式：

\[ \sum_{n=0}^{\infty} \lambda^n h_n(W(t), t) = 1 + \lambda \int_0^t \sum_{n=0}^{\infty} \lambda^n h_n(W(s), s) dW(s) \]

比较方程两边同次幂 \(\lambda^{n+1}\) 的系数，我们得到了一个极其优美的关于布朗运动的积分递推公式：

\[ h_{n+1}(W(t), t) = \int_0^t h_n(W(s), s) dW(s) \]

这个公式展示了如何通过反复对布朗运动进行随机积分，自然地生成出高阶的 Hermite 多项式（由于常数项 \(h_0 = 1\)，则 \(h_1 = W(t)\)，\(h_2 = \frac{1}{2}(W(t)^2 - t)\)，与上一章黎曼和极限完全一致）。

3.2 黑尔斯-斯科尔斯 (Black-Scholes) 模型

如果我们在上面的方程中加入线性的时间漂移，就得到了金融学中最著名的资产定价几何布朗运动模型 (GBM)。

\[ \frac{dS(t)}{S(t)} = \mu dt + \sigma dW(t) \]

其中 \(\mu\) 称为预期收益率（漂移项），\(\sigma\) 称为资产波动率。

几何布朗运动的精确解

我们将方程改写为 \(dS(t) = \mu S(t) dt + \sigma S(t) dW(t)\)。启发于前面的解法，我们考虑对数变换。设 \(U(x) = \ln x\)，根据 Itô 公式对 \(\ln S(t)\) 求微分：

\[ d(\ln S(t)) = U'(S(t)) dS(t) + \frac{1}{2} U''(S(t)) (dS(t))^2 \]

代入导数 \(U'(x) = 1/x\) 和 \(U''(x) = -1/x^2\)，以及 \((dS)^2 = \sigma^2 S^2 dt\)：

\[ d(\ln S(t)) = \frac{1}{S(t)} (\mu S(t) dt + \sigma S(t) dW(t)) - \frac{1}{2} \frac{1}{S(t)^2} (\sigma^2 S(t)^2 dt) \]

化简得到：

\[ d(\ln S(t)) = \left(\mu - \frac{\sigma^2}{2}\right) dt + \sigma dW(t) \]

此时右侧不再依赖于 \(S(t)\)，变成了一个普通的积分！对方程两端从 \(0\) 到 \(t\) 积分：

\[ \ln S(t) - \ln S(0) = \left(\mu - \frac{\sigma^2}{2}\right) t + \sigma W(t) \]

两边取指数，得到终极解：

\[ S(t) = S_0 e^{\left(\mu - \frac{\sigma^2}{2}\right)t + \sigma W(t)} \]

这个结果告诉我们，虽然对数收益率的期望表现为线性的 \(\mu t\)，但由于方差的惩罚，实际资产价格的长期增长率被削弱为了 \(\mu - \frac{\sigma^2}{2}\)，这就是“波动性拖累 (Volatility Drag)”的数学本质。

4. 布朗桥 (Brownian Bridge)

最后我们探讨一个具有强约束边界条件的 SDE 案例。

在统计学中，我们常常需要研究被“钉在”两个固定点之间的随机游走（例如 Kolmogorov-Smirnov 检验中的极限过程）。这就是布朗桥过程。

定义：标准布朗桥方程

考虑以下具有奇异漂移项的随机微分方程，初始条件 \(B(0) = 0\)，时间限定在 \(t \in [0, 1)\)：

\[ dB(t) = -\frac{B(t)}{1-t} dt + dW(t) \]

直观上理解：随着时间 \(t\) 逼近 \(1\)，分母 \((1-t) \to 0\)，漂移项会产生一股极其巨大的“拉力”，强行将 \(B(t)\) 的轨迹拉回 \(0\)。

我们可以用经典 ODE 中的积分因子法配合 Itô 乘积法则来求解此 SDE。

布朗桥的显式解

我们将含有 \(B\) 的项移到方程左边：

\[ dB(t) + \frac{B(t)}{1-t} dt = dW(t) \]

方程两边同乘积分因子 \(\frac{1}{1-t}\)：

\[ \frac{1}{1-t} dB(t) + \frac{B(t)}{(1-t)^2} dt = \frac{dW(t)}{1-t} \]

观察左侧，它恰好是联合微元 \(d\left(\frac{B(t)}{1-t}\right)\) 的展开（因为根据普通乘积求导法则，这里没有两个随机过程相乘，不存在二次修正项）：

\[ d\left(\frac{B(t)}{1-t}\right) = \frac{dW(t)}{1-t} \]

对两边从 \(0\) 到 \(t\) 积分（注意 \(B(0) = 0\)）：

\[ \frac{B(t)}{1-t} - 0 = \int_0^t \frac{dW(s)}{1-s} \]

整理即得布朗桥的显式积分解：

\[ B(t) = (1-t) \int_0^t \frac{dW(s)}{1-s}, \quad 0 \le t < 1 \]

端点 \(t=1\) 处的连续性与零值证明框架（点击展开）

上述积分在 \(t \to 1\) 时分母会出现奇异性。为了证明几乎所有轨道都能连续地“降落”在 \(B(1) = 0\)，需要借助高级概率论工具进行界定。

首先分析积分部分的方差。记 \(M(t) = \int_0^t \frac{dW(s)}{1-s}\)。由于这是对于非随机函数的 Itô 积分，其期望为 0，方差由等距同构给出：

\[ E[M(t)^2] = \int_0^t \frac{1}{(1-s)^2} ds = \frac{1}{1-t} - 1 = \frac{t}{1-t} \]

因此 \(B(t) = (1-t) M(t)\) 的方差为 \(E[B(t)^2] = (1-t)^2 \frac{t}{1-t} = t(1-t)\)。显然当 \(t \to 1\) 时，方差趋于 0。但这仅说明了依概率或 \(L^2\) 收敛。

为了证明几乎必然 (a.s.) 连续收敛，需采用 Borel-Cantelli 引理与极大值不等式。取二进网络点 \(t_n = 1 - 2^{-n}\)。对于区间 \([t_n, t_{n+1}]\)，利用 Chebyshev 不等式和鞅的极大值不等式，估计在该区间内偏离目标值的概率界：

\[ P\left( \max_{t \in [t_n, t_{n+1}]} |B(t)| > \varepsilon \right) \le \frac{C}{\varepsilon^2} 2^{-\eta n} \]

由于右侧构成收敛的几何级数 \(\sum 2^{-\eta n} < \infty\)，根据 Borel-Cantelli 第一引理，大偏差事件发生的概率为 0。因此，几乎所有的布朗桥轨道在 \(t \to 1\) 时都被强制收敛到了 \(0\)。\(\square\)