{
  "id": "filtration-probability",
  "title": "滤过（概率论）",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "滤过是递增的σ代数族，用于表示概率模型中随时间推移而获得的信息。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "信息流",
    "滤族"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/filtration-probability/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/filtration-probability/",
      "json": "https://aiwiki.page/en/filtration-probability.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "在概率论中，滤过是一个递增的σ代数族，用于描述信息如何随时间逐渐积累。它给出了观察随机过程、进行预测和作出决策时所依据的信息结构，使这些活动不使用尚未获得的信息。滤过是鞅、停时和随机积分的基础概念。(psdey.web.illinois.edu)"
    },
    {
      "heading": "定义与解释",
      "text": "设 \\((\\Omega,\\mathcal F,\\mathbb P)\\) 是一个概率空间，\\(T\\) 是一个有序的时间集合，通常取为 \\(\\{0,1,2,\\ldots\\}\\) 或 \\([0,\\infty)\\)。滤过是由 \\(\\mathcal F\\) 的子σ代数组成的族\n\n\\[\\mathbb F=(\\mathcal F_t)_{t\\in T},\\]\n\n满足\n\n\\[\\mathcal F_s\\subseteq\\mathcal F_t \\qquad\\text{只要 }s\\le t.\\]\n\n四元组 \\((\\Omega,\\mathcal F,\\mathbb F,\\mathbb P)\\) 称为带滤过的概率空间。(psdey.web.illinois.edu)\n\n如果根据时刻 \\(t\\) 已获得的信息能够判断某个事件是否发生，那么该事件属于 \\(\\mathcal F_t\\)。如果一个实值随机变量的取值能够由这些信息确定，那么它就是 \\(\\mathcal F_t\\)-可测的。上述包含关系体现了对过去信息的保留：较早时刻已获得的信息，在较晚时刻仍然可用。这个族不必严格递增，而且在零时刻就可能包含大量信息。(maths.dur.ac.uk)\n\n滤过是一种信息结构，本身并不是概率分布，也不是一次实际观测所得的序列。定义滤过只需要一个可测空间；只有在讨论条件期望、独立性及其他概率性质时，才需要引入概率测度。(stats.libretexts.org)"
    },
    {
      "heading": "自然滤过与例子",
      "text": "过程 \\(X=(X_t)_{t\\in T}\\) 的自然滤过定义为\n\n\\[\\mathcal F_t^X=\\sigma(X_s:s\\le t),\\]\n\n其中 \\(\\sigma(\\cdot)\\) 表示由所列随机变量生成的σ代数。它恰好表示观测该过程直到时刻 \\(t\\)（包括该时刻）所获得的信息。(psdey.web.illinois.edu)\n\n例如，设 \\(C_1,C_2,\\ldots\\) 表示相互独立的公平硬币抛掷结果，取值为 \\(0\\) 和 \\(1\\)。令\n\n\\[\\mathcal F_0=\\{\\varnothing,\\Omega\\}, \\qquad \\mathcal F_n=\\sigma(C_1,\\ldots,C_n).\\]\n\n在时刻 \\(n\\)，前 \\(n\\) 次结果已知，而之后的结果尚未知晓。事件“第一次抛掷得到正面”属于 \\(\\mathcal F_1\\) 以及此后的每个σ代数。事件“第二次抛掷得到正面”属于 \\(\\mathcal F_2\\)，但不属于 \\(\\mathcal F_1\\)。在有限模型中，可以将这一过程理解为对可能结果的集合划分逐步细化。(maths.dur.ac.uk)\n\n两个相反的极端情形是：常值滤过 \\(\\mathcal F_t=\\{\\varnothing,\\Omega\\}\\) 不提供任何非平凡信息，而 \\(\\mathcal F_t=\\mathcal F\\) 则使所有可测事件的信息从一开始就已获得。因此，仅凭形式定义，不能保证一个滤过只表示某个特定过程的过去观测信息。(stats.libretexts.org)"
    },
    {
      "heading": "适应性与更强的可测性条件",
      "text": "如果对每个 \\(t\\)，\\(X_t\\) 都是 \\(\\mathcal F_t\\)-可测的，则称过程 \\(X\\) 适应于 \\(\\mathbb F\\)。等价地，\n\n\\[\\mathcal F_t^X\\subseteq\\mathcal F_t \\qquad\\text{对每个 }t\\text{ 都成立}.\\]\n\n因此，自然滤过是使 \\(X\\) 适应的最小滤过。适应性意味着可以利用指定的信息观测该过程，并不意味着可以预测它未来的取值。(stats.libretexts.org)\n\n在连续时间情形下，仅有适应性并不能保证许多构造所需的联合可测性。如果对每个 \\(t\\)，实值过程的限制映射\n\n\\[(s,\\omega)\\longmapsto X_s(\\omega), \\qquad 0\\le s\\le t,\\]\n\n关于\n\n\\[\\mathcal B([0,t])\\otimes\\mathcal F_t\\]\n\n可测，则称该过程是渐进可测的，其中 \\(\\mathcal B([0,t])\\) 是博雷尔σ代数。渐进可测性蕴含适应性。具有右连续或左连续样本路径的适应过程都是渐进可测的。(maths.ox.ac.uk)\n\n可预测过程满足更强的信息条件。在离散时间情形下，如果对 \\(n\\ge1\\)，\\(H_n\\) 都是 \\(\\mathcal F_{n-1}\\)-可测的，则称其可预测。在连续时间情形下，可预测性通过左连续适应过程生成的σ代数来定义，并对零时刻采用通常的约定。每个连续适应过程都是可预测的。可预测性在随机积分中具有核心地位，因为被积过程不能在某个增量发生之前就利用该增量的信息。(web.math.wisc.edu)"
    },
    {
      "heading": "右连续性、完备性与通常条件",
      "text": "对于连续时间滤过，定义\n\n\\[\\mathcal F_{t+}=\\bigcap_{u>t}\\mathcal F_u.\\]\n\n如果对每个 \\(t\\)，都有\n\n\\[\\mathcal F_t=\\mathcal F_{t+},\\]\n\n则称该滤过是右连续的。这意味着，在所有严格晚于 \\(t\\) 的时刻都已获得的信息，无论这些时刻与 \\(t\\) 多么接近，都已经包含在时刻 \\(t\\) 的信息中。这是σ代数族的性质，并不是说样本路径连续。(psdey.web.illinois.edu)\n\n如果 \\(\\mathcal F_0\\) 包含所在概率空间中每个 \\(\\mathbb P\\)-零测集的所有子集，则称该滤过是完备的。必要时，所在概率空间也要进行完备化。完备性和右连续性合称为通常条件，也称通常假设。它们是附加假设，而不是基本定义的一部分。对给定滤过进行通常增广，就是将零测集的子集纳入其中，并使其满足右连续性。(maths.ox.ac.uk)\n\n这些条件为正则性结果提供了保障。特别地，在满足通常条件的带滤过概率空间上，实值鞅存在一个修正版本，其样本路径右连续且具有左极限，这类路径通常称为 càdlàg 路径。(maths.ox.ac.uk)"
    },
    {
      "heading": "条件期望与鞅",
      "text": "对于可积随机变量 \\(Y\\)，\n\n\\[\\mathbb E[Y\\mid\\mathcal F_t]\\]\n\n是给定时刻 \\(t\\) 已获得的信息时，\\(Y\\) 的条件期望。若适应过程 \\(M\\) 满足 \\(\\mathbb E|M_t|<\\infty\\)，并且\n\n\\[\\mathbb E[M_t\\mid\\mathcal F_s]=M_s, \\qquad s\\le t,\\]\n\n其中等式几乎必然成立，则称 \\(M\\) 是相对于 \\(\\mathbb F\\) 的鞅。因此，滤过是鞅性质的一部分：它规定了评估未来取值的期望时所使用的信息。(math.uchicago.edu)\n\n一个基本构造是\n\n\\[M_t=\\mathbb E[Y\\mid\\mathcal F_t].\\]\n\n条件期望的塔性质使 \\(M\\) 成为鞅。在离散时间情形下，如果\n\n\\[\\mathcal F_\\infty=\\sigma\\!\\left(\\bigcup_{n\\ge0}\\mathcal F_n\\right),\\]\n\n那么\n\n\\[\\mathbb E[Y\\mid\\mathcal F_n] \\longrightarrow \\mathbb E[Y\\mid\\mathcal F_\\infty]\\]\n\n几乎必然收敛，且在 \\(L^1\\) 中收敛。这描述了利用最终揭示的全部信息所得到的极限估计。(tamuz.caltech.edu)"
    },
    {
      "heading": "停时",
      "text": "如果随机时间 \\(\\tau:\\Omega\\to[0,\\infty]\\) 满足\n\n\\[\\{\\tau\\le t\\}\\in\\mathcal F_t \\qquad\\text{对每个 }t\\ge0\\text{ 都成立},\\]\n\n则称其为相对于 \\(\\mathbb F\\) 的停时。到了时刻 \\(t\\)，便能够判断是否已经停止，但不必事先知道停止的具体时刻。(psdey.web.illinois.edu)\n\n在抛硬币的例子中，首次出现正面的时刻是一个停时：到第 \\(n\\) 次抛掷时是否已经出现正面，只取决于前 \\(n\\) 次结果。离散时间适应过程首次进入可测集的时刻都是停时。连续时间的相应结论需要适当的可测性或样本路径正则性假设；例如，连续适应过程首次到达闭集的时刻是停时。(stats.libretexts.org)\n\n在停时已经获得的信息由下式表示：\n\n\\[\\mathcal F_\\tau = \\{A\\in\\mathcal F: A\\cap\\{\\tau\\le t\\}\\in\\mathcal F_t \\text{ 对每个 }t\\ge0\\text{ 都成立}\\}.\\]\n\n利用这个σ代数，可以在随机时刻而不只是确定时刻表述条件期望和有关鞅的结果。(psdey.web.illinois.edu)"
    },
    {
      "heading": "对所选信息结构的依赖",
      "text": "扩大滤过会保留适应性，但不一定保留鞅性质。要使布朗运动 \\(B\\) 成为相对于 \\(\\mathbb F\\) 的布朗运动，它必须适应于该滤过，而且对 \\(s<t\\)，每个未来增量 \\(B_t-B_s\\) 都必须与 \\(\\mathcal F_s\\) 统计独立。仅有适应性是不够的。(math.uchicago.edu)\n\n例如，固定 \\(T>0\\)，通过在零时刻揭示 \\(B_T\\) 来扩大布朗运动的自然滤过。该过程仍然是适应的，但不可能仍是鞅：此时 \\(B_T\\) 在零时刻就已可测，因此\n\n\\[\\mathbb E[B_T\\mid\\mathcal G_0]=B_T,\\]\n\n而鞅的等式要求这个条件期望等于 \\(B_0=0\\)。这是鞅定义的直接推论，也说明了为什么“公平性”取决于信息。(math.uchicago.edu)\n\n在随机积分和金融市场的数学模型中，滤过规定了哪些观测信息可以用于确定被积过程或交易策略。要求决策关于当前或先前的信息可测，就以数学形式排除了预知未来的可能。因此，即使底层随机变量保持不变，改变滤过也可能改变哪些策略是容许的。(web.math.wisc.edu)"
    }
  ],
  "links": [
    "probability",
    "sigma-algebra",
    "stochastic-process",
    "probability-space",
    "random-variable",
    "measurable-space",
    "set-partition",
    "borel-sigma-algebra",
    "stochastic-integral",
    "null-set",
    "conditional-expectation",
    "almost-surely",
    "martingale",
    "brownian-motion",
    "statistical-independence",
    "financial-market"
  ],
  "sources": [
    {
      "title": "Lecture 6: Filtrations and Stopping Times",
      "url": "https://www.psdey.web.illinois.edu/MATH562FA23/lec06.pdf"
    },
    {
      "title": "11: Filtrations and Stopping Times",
      "url": "https://stats.libretexts.org/Bookshelves/Probability_Theory/Probability_Mathematical_Statistics_and_Stochastic_Processes_%28Siegrist%29/02%3A_Probability_Spaces/2.11%3A_Filtrations_and_Stopping_Times"
    },
    {
      "title": "Chapter 4: Filtrations, Conditional Expectation, and Martingales",
      "url": "https://www.maths.dur.ac.uk/users/clare.wallace/Teaching/Old-MF-notes/23-24/Chapter4.html"
    },
    {
      "title": "Continuous Martingales and Stochastic Calculus",
      "url": "https://www.maths.ox.ac.uk/system/files/attachments/b8.2-NewNotesAME.pdf"
    },
    {
      "title": "Basics of Stochastic Analysis",
      "url": "https://web.math.wisc.edu/~tseppalainen/courses/735/notes.pdf"
    },
    {
      "title": "Brownian Motion and Stochastic Calculus",
      "url": "https://www.math.uchicago.edu/~lawler/finbook.pdf"
    },
    {
      "title": "Lecture Notes on Probability",
      "url": "https://www.tamuz.caltech.edu/teaching/ma144a/lectures.pdf"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}