Visualize-ML

🎲

随机过程：时间中的随机性

1827年，英国植物学家罗伯特·布朗通过显微镜观察悬浮于水中的花粉，发现微粒呈现出不规则的运动。这种现象后来被称作布朗运动（Brownian Motion），成为随机过程理论的基石。

本章将介绍布朗运动、维纳过程、漂移布朗运动、几何布朗运动等核心概念，并深入理解如何用蒙特卡洛模拟预测未来股价走势。

🎯本章学习目标

理解布朗运动本质

粒子随机游走，整体服从正态分布

掌握漂移概念

确定性趋势 + 随机波动

理解几何布朗运动

股价建模，ln(S)服从正态分布

应用蒙特卡洛模拟

预测未来价格分布

✦

8.1

布朗运动与维纳过程

来自花粉颗粒的无规则运动

布朗运动是随机过程的经典模型。如果一个过程X(t)满足：(1) 初始值X(0) = 0；(2) 几乎处处连续；(3) 平稳独立增量，则称X(t)为布朗运动。对于t > 0，X(t)是均值为0、方差为σ²t的正态随机变量。

特别地，当σ = 1时，称为标准布朗运动或维纳过程（Wiener Process），记作B(t)。维纳过程得名于美国数学家诺伯特·维纳。

📐 核心公式

布朗运动定义

X(t) - X(s) ~ N(0, σ²(t - s))

对于0 ≤ s < t，增量服从正态分布

维纳过程 (σ = 1)

B(t) ~ N(0, t)

标准差随√t增长：std(B(t)) = √t

概率密度函数

f_B(t)(x) = (1/√(2πt)) exp(-x²/(2t))

随时间t演化，分布不断扩散

🔬历史背景

• 1827年：罗伯特·布朗观察花粉微粒运动

• 1905年：爱因斯坦理论解释布朗运动

• 1920年代：诺伯特·维纳数学建模

• 应用：物理、金融、生物、信号处理

📊关键性质

• 连续性：路径连续但处处不可微

• 独立增量：不相交时间段增量独立

• 平稳增量：增量分布只依赖时间间隔

• 正态分布：任意时刻服从正态分布

✦

8.2

无漂移布朗运动

从单粒子到多粒子的统计涌现

无漂移布朗运动和标准布朗运动的关系为X(t) = σB(t)。ΔX为X在小段时间Δt内位置变化：ΔX = σ√Δt · ε，其中随机数ε服从标准正态分布N(0, 1)。

🎲 一维无漂移布朗运动

累加形式

X(t_n) = X(t_n-1) + εσ√Δt

= ε₁σ√Δt + ε₂σ√Δt + ... + ε_nσ√Δt

= σ√Δt Σε_i

在t₀ = 0时刻，微粒位移X(t₀) = 0。通过逐步累加，得到完整轨迹。

关键性质

• 期望值：E[X(t)] = 0（无趋势）

• 方差：Var[X(t)] = σ²t（随时间线性增长）

• 标准差：std[X(t)] = σ√t（随√t增长）

• 分布：X(t) ~ N(0, σ²t)

📊

图7-8说明

• 图7：100个微粒200步无漂移布朗运动轨迹，右侧为t=200时刻位置分布

• 特点：每个微粒路径不同（概率几乎为0相同），但整体服从N(0, σ²t)

• ±σ√t和±2σ√t曲线：标注68-95-99.7法则的理论边界

• 图8：微粒在不同时刻（n=40, 80, 120, 160, 200）位置分布快照

• 演化：分布宽度随√t增长，始终以x=0为中心对称

🎨 二维无漂移布朗运动

二维平面公式（图9）

X(t_n) = σ√Δt Σε_i

Y(t_n) = σ√Δt Σε_j

X和Y方向独立，ε_i和ε_j都服从N(0, 1)

一维特点

• 沿x轴左右游走

• 分布扩散呈带状

• 轨迹为曲线

• 直观理解容易

二维特点

• 平面内四处游走

• 分布扩散呈圆形

• 轨迹更"浑浑噩噩"

• 更接近实际花粉运动

💡

核心洞察

• 单vs多：单个粒子路径混乱不可预测，多个粒子涌现统计规律

• 随机→确定：随机游走→确定的正态分布

• 68-95-99.7：约68%在±σ√t，95%在±2σ√t，99.7%在±3σ√t

• 时间演化：分布宽度∝√t，扩散速度递减

• Python：Bk6_Ch8_02.ipynb绘制图7-8，Bk6_Ch8_03.ipynb绘制图9

✦

8.3

漂移布朗运动

确定性趋势 + 随机波动

前面介绍的无漂移布朗运动只有随机成分，没有确定成分。如果在零漂移布朗运动基础上引入确定成分，我们得到漂移布朗运动（Brownian Motion with Drift）。其中µ为漂移率，代表确定的趋势；σB(t)为随机波动，代表不确定性。

📐 漂移布朗运动公式

X(t) = µt + σB(t)

X(t) ~ N(µt, σ²t)

确定项 µt

• 线性增长/下降趋势

• 可预测的"历史进程"

• µ > 0向上，µ < 0向下

随机项 σB(t)

• 标准差随√t增长

• 不可预测的"生活细节"

• σ控制波动幅度

离散化形式（蒙特卡洛模拟）

ΔX = µΔt + σ√Δt · ε

其中 ε ~ N(0, 1)，累加得到完整路径

💡

哲学理解

• µt：浩浩汤汤的历史进程，大势所趋

• σB(t)：时时刻刻的生活细节，琐碎繁杂

• 叠加：人生轨迹 = 时代潮流 + 个人选择

• 应用：股票价格、物体运动、信号+噪音

✦

8.4

具有一定相关性布朗运动

多资产联动建模

上一章介绍了如何产生具有一定相关性的随机数。本节介绍如何据此产生满足一定相关性的布朗运动。给定固定时间间隔Δt，ΔX(t)为在Δt满足一定相关性布朗运动分步步长构成的矩阵。

📐 相关性布朗运动公式体系

核心公式

ΔX(t) = E(X)Δt + ZR√Δt

也就是说，X(t) ~ N(E(X)t, Σt)

R是Σ的Cholesky分解的三角矩阵，Z为随机数矩阵，服从N(0, I)

协方差矩阵Σ

Σ = [σ₁², ρσ₁σ₂]

[ρσ₁σ₂, σ₂²]

ρ为相关系数，-1 ≤ ρ ≤ 1

Cholesky分解

Σ = LLᵀ = RᵀR

• L₁₁ = σ₁

• L₂₁ = ρσ₂

• L₂₂ = σ₂√(1-ρ²)

📊

图17-20说明

• 图16：矩阵运算过程示意图，E(X)Δt + Z @ R√Δt = ΔX

• 图17：分步步长散点图（ρ=0.8正相关），呈正斜率椭圆分布

• 图18：两条具有正相关的行走轨迹，X₁和X₂同向运动

• 图19：分步步长散点图（ρ=-0.8负相关），呈负斜率椭圆分布

• 图20：两条具有负相关的行走轨迹，X₁和X₂反向运动

🔗 应用场景

金融市场

• 多资产价格联动建模

• 股票组合风险评估

• 配对交易策略设计

风险管理

• 组合VaR计算

• 相关性风险监控

• 压力测试情景模拟

⚙️ 技术要点

Cholesky分解

• 协方差矩阵必须正定

• 矩阵过大时可能不稳定

• 替代方案：Benson-Zangari法

Python实现

• np.linalg.cholesky(Σ)

• Bk6_Ch8_05.ipynb

• 矩阵形状：(L × n × n)

💡

核心洞察

• 相关≠因果：正相关不代表一个引起另一个，可能有共同驱动因素

• 动态相关性：实际市场相关性随时间变化（考虑DCC-GARCH）

• 分散投资：负相关或低相关资产可降低组合风险

• 极端事件：危机时相关性趋近1（都下跌），分散效果失效

✦

8.5

几何布朗运动

金融市场的数学模型

几何布朗运动（Geometric Brownian Motion, GBM）是金融数学中最重要的随机过程模型。与普通布朗运动不同，GBM的关键特性是：股价S(t)始终为正，且ln(S(t))服从正态分布。这使得GBM成为股票价格建模的理想工具。

GBM广泛应用于Black-Scholes期权定价模型、风险价值VaR计算、投资组合模拟等金融领域。

📐 几何布朗运动公式体系

随机微分方程（SDE）

dS_t = µS_tdt + σS_tdB_t

漂移项和波动项都与当前价格S_t成正比

解析解（伊藤引理）

S(t) = S₀ exp((µ - σ²/2)t + σB(t))

S(t)始终为正，期望值E[S(t)] = S₀e^(µt)

对数形式（关键洞察）

ln(S(t)) = ln(S₀) + (µ - σ²/2)t + σB(t)

ln(S(t))是布朗运动！服从正态分布

离散化（蒙特卡洛模拟）

ln(S_t+Δt) - ln(S_t) = (µ - σ²/2)Δt + σ√Δt · ε

对数收益率服从正态分布，ε ~ N(0, 1)

参数含义

µ (mu)：年化期望收益率

• 决定长期趋势

σ (sigma)：年化波动率

• 决定风险/不确定性

S₀：初始价格

• 模拟起点

关键性质

✓ S(t) > 0（股价不会为负）

✓ ln(S(t))服从正态分布

✓ 收益率服从正态分布

✓ 期望值指数增长

✓ 方差随时间增长

📚

Python实现参考

• Bk6_Ch8_06.ipynb：几何布朗运动轨迹生成（图21-22）

• 关键函数：np.random.normal(), np.cumsum(), np.exp()

✦

8.6

股价模拟

从历史数据到未来预测

实践中，几何布朗运动常用来模拟股票股价走势。如图23所示，长期观察股票股价，可以发现走势，而且股价不能为负值。更重要的是，股价收益率分布可以用高斯分布来描述。

📊 股价模拟完整流程（图24）

📈

步骤1：历史数据

• 收集S&P 500价格
• 计算日收益率
• 图25-26

🎯

步骤2：参数校准

• 计算µ_daily和σ_daily
• 收益率分布拟合
• 图27

🎲

步骤3：蒙特卡洛

• 生成100-1000条路径
• 使用校准参数
• 图28左侧

📊

步骤4：未来分布

• 终点价格分布
• 置信区间
• 图28右侧

GBM股价模拟公式（再现）

dS_t = µS_tdt + σS_tdW_t

离散化：S(t+Δt) = S(t) · exp((µ - σ²/2)Δt + σ√Δt · ε)

其中Δt = 1/252（每个交易日），ε ~ N(0, 1)

📊

图25-28详细说明

• 图25：S&P 500历史价格水平（Adjusted Closing Price）

• 图26：S&P 500日对数回报率时间序列

• 图27：日对数回报率分布直方图，计算得µ_daily=0.001，σ_daily=0.013

• 图28：蒙特卡洛模拟结果（左：多条路径，右：50天后价格分布PDF）

• 图29：二叉树随机路径模拟股价（本书不展开）

✅ 模型优势

• 理论支撑：基于Black-Scholes框架

• 实现简单：仅需µ和σ两个参数

• 解析解：有明确数学形式

• 正值保证：股价S(t) > 0

• 广泛应用：期权定价、风险管理

⚠️ 模型局限（图27黑天鹅）

• 历史≠未来：参数估计基于历史数据

• 正态假设：实际分布有厚尾（黑天鹅）

• 恒定参数：µ和σ实际随时间变化

• 无跳跃：忽略突发新闻导致的跳跃

• 独立增量：忽略自相关和波动率聚集

📚

Python实现参考

• Bk6_Ch8_07.ipynb：S&P 500股价模拟完整流程（图25-28）

• 数据获取：yfinance库或pandas_datareader

• 参数估计：np.mean(), np.std()计算日收益率均值和标准差

• 模拟：np.random.randn()生成随机数，np.exp()计算指数

• 可视化：matplotlib绘制路径和分布

✦

8.7

🎯本章核心要点

🔍布朗运动本质

•随机游走：粒子无规则运动
•统计规律：整体服从N(0, σ²t)
•标准差：随√t增长
•维纳过程：σ=1的标准布朗运动

📊漂移vs无漂移

•无漂移：X(t) = σB(t)，纯随机
•有漂移：X(t) = µt + σB(t)
•确定+随机：趋势叠加波动
•期望值：E[X(t)] = µt

📈几何布朗运动

•股价建模：S(t) > 0始终为正
•对数正态：ln(S(t))服从正态分布
•期望值：E[S(t)] = S₀e^(µt)
•应用：Black-Scholes期权定价

🎲蒙特卡洛模拟

•基本思想：大量随机路径模拟
•参数校准：用历史数据估计µ、σ
•未来预测：生成价格分布
•置信区间：5%-95%分位数

🎓 核心公式总结

维纳过程：

B(t) ~ N(0, t)，std = √t

漂移布朗运动：

X(t) = µt + σB(t) ~ N(µt, σ²t)

几何布朗运动：

dS_t = µS_tdt + σS_tdB_t

S(t) = S₀ exp((µ - σ²/2)t + σB(t))

蒙特卡洛离散化：

ΔX = µΔt + σ√Δt · ε, ε ~ N(0,1)

🚀 进阶学习建议

• 伊藤引理：随机微分方程求解工具

• Black-Scholes模型：期权定价理论

• 随机波动率：Heston模型，GARCH族

• 跳跃扩散：考虑突发事件（Merton模型）

• 相关布朗运动：多资产组合模拟（Cholesky分解）

• 参考：《统计至简》第18章，《编程不难》时间序列

Chapter 08: 随机过程入门

随机过程：时间中的随机性

🎯本章学习目标

布朗运动与维纳过程

📐 核心公式

🔬历史背景

📊关键性质

无漂移布朗运动

🎲 一维无漂移布朗运动

🎨 二维无漂移布朗运动

漂移布朗运动

📐 漂移布朗运动公式

具有一定相关性布朗运动

📐 相关性布朗运动公式体系

🔗 应用场景

⚙️ 技术要点

几何布朗运动

📐 几何布朗运动公式体系

参数含义

关键性质

股价模拟

📊 股价模拟完整流程（图24）

✅ 模型优势

⚠️ 模型局限（图27黑天鹅）

相关股价模拟

📐 相关股价模拟矩阵公式

🔄 多路径模拟流程（图30-31）

✅ 相关性建模优势

⚠️ 方法局限性

🎯本章核心要点

🔍布朗运动本质

📊漂移vs无漂移

📈几何布朗运动

🎲蒙特卡洛模拟