{
  "id": "girsanov-theorem",
  "title": "吉尔萨诺夫定理",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "吉尔萨诺夫定理描述了概率测度的变换如何改变随机过程的漂移，同时保持其连续噪声结构。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "吉尔萨诺夫变换定理",
    "卡梅伦—马丁—吉尔萨诺夫定理"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/girsanov-theorem/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/girsanov-theorem/",
      "json": "https://aiwiki.page/en/girsanov-theorem.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "吉尔萨诺夫定理是随机过程理论中的一个结果，描述了当底层概率测度改变时，过程的鞅部分和漂移部分如何随之变化。其最常见的形式指出，在布朗运动上加上适当的漂移后，所得过程在经过适当重新加权的测度下仍是布朗运动。该定理是随机微分方程、连续时间统计推断和数学金融中的基础工具，因为它可以通过显式的似然比建立不同漂移模型之间的联系。"
    },
    {
      "heading": "测度变换",
      "text": "概率测度的变换为事件赋予新的概率，而不一定改变底层样本路径。在概率空间 \\((\\Omega,\\mathcal F,P)\\) 上，假设测度 \\(Q\\) 关于 \\(P\\) 绝对连续。其拉东—尼科迪姆导数 \\(Z=dQ/dP\\) 满足\n\n\\[Q(A)=E_P[Z\\mathbf 1_A], \\qquad A\\in\\mathcal F,\\]\n\n其中 \\(Z\\geq 0\\)，且 \\(E_P[Z]=1\\)。因此，对于可积的随机变量 \\(X\\)，有\n\n\\[E_Q[X]=E_P[ZX].\\]\n\n当信息随时间通过滤过（概率论） \\((\\mathcal F_t)\\) 逐步到来时，相应的密度过程为\n\n\\[Z_t=E_P[Z\\mid\\mathcal F_t].\\]\n\n它是 \\(P\\) 下的非负鞅。\n\n吉尔萨诺夫定理给出了将 \\(P\\)-局部鞅变为 \\(Q\\)-局部鞅所需的修正项。对于布朗运动，这个修正项是一个时间积分，因此测度变换会改变漂移。\n\n如果 \\(Z>0\\) 几乎处处成立，则 \\(P\\) 和 \\(Q\\) 等价，即二者具有相同的零概率事件。这比单向的绝对连续性更强。"
    },
    {
      "heading": "布朗运动形式",
      "text": "固定一个有限时间区间，其终点为 \\(T\\)。设 \\(W=(W_t)_{0\\leq t\\leq T}\\) 是带滤过的概率空间上的标准 \\(d\\) 维维纳过程（布朗运动），该空间满足通常的完备性和右连续性条件。\n\n设 \\(\\theta_t\\) 是取值于 \\(\\mathbb R^d\\) 的逐步可测过程，满足\n\n\\[\\int_0^T\\|\\theta_s\\|^2\\,ds<\\infty \\quad P\\text{-almost surely}.\\]\n\n定义随机指数\n\n\\[Z_t= \\exp\\left( -\\int_0^t\\theta_s^\\top\\,dW_s -\\frac12\\int_0^t\\|\\theta_s\\|^2\\,ds \\right).\\]\n\n其中的随机积分按随机微积分中的伊藤积分理解。\n\n过程 \\(Z\\) 是严格正的局部鞅。进一步假设它在 \\([0,T]\\) 上是真鞅，从而 \\(E_P[Z_T]=1\\)。定义\n\n\\[\\frac{dQ}{dP}\\bigg|_{\\mathcal F_T}=Z_T.\\]\n\n那么\n\n\\[W_t^Q=W_t+\\int_0^t\\theta_s\\,ds\\]\n\n在 \\(Q\\) 下相对于同一滤过是标准 \\(d\\) 维布朗运动。\n\n这些符号的选取是相互关联的：指数中的随机积分带负号时，\\(W^Q\\) 中的漂移修正项就带正号。另一种等价约定是在指数中使用正的随机积分，并在修正过程中减去漂移项。\n\n哪些性质保持不变\n\n测度变换并不会用其他路径替换 \\(W\\) 的路径，而只是重新赋予这些路径概率。修正后的过程 \\(W^Q\\) 在 \\(Q\\) 下具有独立且服从正态分布的增量，其中\n\n\\[W_t^Q-W_s^Q\\sim N(0,(t-s)I_d).\\]\n\n其二次变差仍满足\n\n\\[[W^{Q,i},W^{Q,j}]_t=\\delta_{ij}t.\\]\n\n新增的漂移具有有限变差，因此不会改变这一逐路径定义的量。"
    },
    {
      "heading": "可积性为何重要",
      "text": "要求 \\(Z\\) 为真鞅至关重要。非负局部鞅是上鞅，并且可能满足\n\n\\[E_P[Z_T]<1.\\]\n\n在这种情况下，若不作进一步修正，\\(Z_T\\,dP\\) 就不能定义一个概率测度。\n\n一个广泛使用的充分条件是 诺维科夫条件：\n\n\\[E_P\\left[ \\exp\\left( \\frac12\\int_0^T\\|\\theta_s\\|^2\\,ds \\right) \\right]<\\infty.\\]\n\n这一条件保证随机指数在指定的有限时间区间上是鞅。特别地，有界的 \\(\\theta\\) 满足此条件。\n\n诺维科夫条件是充分条件，而非必要条件。不满足该条件，本身并不意味着拟议的测度变换无效；这只意味着需要通过其他论证来确立鞅性质。\n\n相关条件还必须与所考虑的时间区间相匹配。密度可能在每个有限时刻的 σ-代数上定义等价测度，却无法在描述整个无限时间路径的 σ-代数上给出等价测度。"
    },
    {
      "heading": "对随机微分方程的影响",
      "text": "假设一个取值于 \\(\\mathbb R^n\\) 的过程满足\n\n\\[dX_t=b_t\\,dt+\\sigma_t\\,dW_t,\\]\n\n其中 \\(\\sigma_t\\) 是 \\(n\\times d\\) 矩阵。在上述测度变换下，\n\n\\[dW_t=dW_t^Q-\\theta_t\\,dt,\\]\n\n因此，同一个过程满足\n\n\\[dX_t=(b_t-\\sigma_t\\theta_t)\\,dt+\\sigma_t\\,dW_t^Q.\\]\n\n由此可见，吉尔萨诺夫定理将漂移从 \\(b_t\\) 改为 \\(b_t-\\sigma_t\\theta_t\\)，而扩散系数保持不变。\n\n要得到目标漂移 \\(\\widetilde b_t\\)，需要寻找满足下式的过程 \\(\\theta_t\\)：\n\n\\[\\sigma_t\\theta_t=b_t-\\widetilde b_t.\\]\n\n当 \\(\\sigma_t\\) 是可逆方阵时，\n\n\\[\\theta_t=\\sigma_t^{-1}(b_t-\\widetilde b_t).\\]\n\n如果 \\(\\sigma_t\\) 退化，就并非所有漂移变化都能通过等价测度变换实现。所需的漂移差必须位于 \\(\\sigma_t\\) 的像空间中，而且由此得到的密度仍须满足必要的可积性条件。\n\n常漂移示例\n\n设 \\(W\\) 是 \\(P\\) 下的一维布朗运动，\\(\\mu\\) 为常数。令\n\n\\[Z_T=\\exp\\left(\\mu W_T-\\frac12\\mu^2T\\right), \\qquad dQ=Z_T\\,dP.\\]\n\n在 \\(Q\\) 下，\n\n\\[B_t=W_t-\\mu t\\]\n\n是布朗运动。因此，\n\n\\[W_t=B_t+\\mu t\\]\n\n在 \\(Q\\) 下具有漂移 \\(\\mu\\)。\n\n于是，对固定时刻 \\(t\\)，\\(W_t\\) 在 \\(Q\\) 下服从正态分布 \\(N(\\mu t,t)\\)，而非 \\(N(0,t)\\)。该定理描述的是截至 \\(T\\) 的整条路径所发生的分布变化，而不只是某一个边缘分布的变化。"
    },
    {
      "heading": "一般的连续鞅形式",
      "text": "更一般的版本使用初值为 \\(L_0=0\\) 的连续局部鞅 \\(L\\) 及其随机指数\n\n\\[\\mathcal E(L)_t = \\exp\\left(L_t-\\frac12\\langle L\\rangle_t\\right).\\]\n\n假设 \\(Z=\\mathcal E(L)\\) 是真鞅，并在有限时间区间上定义了 \\(Q\\)。如果 \\(M\\) 是连续的 \\(P\\)-局部鞅，那么\n\n\\[M_t-\\langle M,L\\rangle_t\\]\n\n就是连续的 \\(Q\\)-局部鞅。这里，\\(\\langle M,L\\rangle\\) 表示连续局部鞅的二次协变差。\n\n取\n\n\\[L_t=-\\int_0^t\\theta_s^\\top\\,dW_s.\\]\n\n即可得到布朗运动形式的结论。修正后的过程为\n\n\\[W_t-\\langle W,L\\rangle_t = W_t+\\int_0^t\\theta_s\\,ds.\\]\n\n更一般的版本适用于带跳跃的半鞅。在这种情形下，测度变换除了改变连续漂移之外，还可能改变跳跃强度或补偿子。因此，“只有漂移发生变化”这一说法直接适用于连续扩散情形，而不是该定理的所有版本。"
    },
    {
      "heading": "证明思路",
      "text": "布朗运动形式的定理将鞅变换与布朗运动的刻画结合起来。\n\n首先，指数密度满足\n\n\\[dZ_t=-Z_t\\theta_t^\\top\\,dW_t.\\]\n\n对\n\n\\[Z_t\\left(W_t+\\int_0^t\\theta_s\\,ds\\right)\\]\n\n应用随机乘积法则，可以看出有限变差项相互抵消。经过适当的局部化后，利用条件期望的测度变换恒等式，即可证明 \\(W^Q\\) 是 \\(Q\\) 下的连续局部鞅。\n\n其次，加上一个连续有限变差过程不会改变二次协变差：\n\n\\[[W^{Q,i},W^{Q,j}]_t=\\delta_{ij}t.\\]\n\n随后，由莱维刻画定理可知，\\(W^Q\\) 是布朗运动。\n\n这也解释了为什么证明该定理不能只计算新的均值和方差：布朗运动的刻画依赖于它随时间演化的鞅结构及其二次变差。"
    },
    {
      "heading": "应用",
      "text": "数学金融\n\n吉尔萨诺夫定理是构造风险中性测度的主要工具之一。例如，假设\n\n\\[\\frac{dS_t}{S_t}=\\mu_t\\,dt+\\sigma_t\\,dW_t,\\]\n\n且银行账户按利率 \\(r_t\\) 增长。当 \\(\\sigma_t\\neq0\\) 时，取\n\n\\[\\theta_t=\\frac{\\mu_t-r_t}{\\sigma_t}\\]\n\n便得到\n\n\\[\\frac{dS_t}{S_t}=r_t\\,dt+\\sigma_t\\,dW_t^Q,\\]\n\n前提是该密度定义了一个等价概率测度。\n\n此时，贴现后的资产价格在 \\(Q\\) 下是局部鞅。要使它成为真鞅，可能还需要更强的可积性假设。这一构造改变的是估值所用的概率测度，并不是说资产在实际概率测度下的预期收益率等于银行账户利率。\n\n扩散过程的统计推断\n\n对于连续观测的扩散模型，如果它们具有相同的扩散系数而漂移参数不同，吉尔萨诺夫定理可以给出基于路径的似然函数。\n\n例如，考虑模型\n\n\\[dX_t=b_0(t,X_t)\\,dt+\\sigma(t,X_t)\\,dW_t\\]\n\n以及目标漂移 \\(b_1\\)。如果\n\n\\[b_1-b_0=\\sigma u\\]\n\n且相应的指数表达式是有效的密度，那么底层带滤过空间上的似然比为\n\n\\[\\exp\\left( \\int_0^T u_t^\\top\\,dW_t -\\frac12\\int_0^T\\|u_t\\|^2\\,dt \\right).\\]\n\n当这一密度关于观测轨迹可测时，它也就是路径观测的似然比。这类公式为漂移参数的最大似然估计提供了依据。\n\n模拟与重要性采样\n\n在重要性采样中，模拟时可以有意改变扩散过程的漂移，使稀有事件更频繁地出现。随后利用吉尔萨诺夫权重，将期望校正回原测度下的期望。\n\n对于适当的路径泛函 \\(F\\)，测度的等价性给出\n\n\\[E_P[F]=E_Q\\left[F\\frac{dP}{dQ}\\right].\\]\n\n这一恒等式是蒙特卡洛方法中基于漂移变换的方差缩减技术的基础。仅有有效的测度变换，并不能保证估计量高效：权重选择不当时，方差可能非常大，甚至为无穷大。\n\n随机微分方程的弱解\n\n该定理也可用于构造随机微分方程的弱解：从一个较简单的过程出发，通过测度变换引入所需的漂移。这要求密度有效，而且并不会自动确立强解的存在性或路径唯一性。"
    },
    {
      "heading": "历史背景与适用范围",
      "text": "该定理以伊戈尔·吉尔萨诺夫命名。他在 1960 年的工作中建立了一个影响深远的随机过程一般测度变换结果。它与更早的卡梅伦—马丁定理密切相关；后者描述了维纳测度在适当的确定性平移下如何变化。吉尔萨诺夫定理允许适应的随机漂移变化，并且可以自然地用鞅来表述。\n\n该定理的适用范围受路径空间几何结构的约束。等价测度保留几乎必然成立的路径性质，包括二次变差。因此，改变漂移可能得到等价的扩散过程分布；但在连续观测的路径空间上，将一个非零常数波动率改为另一个不同的正值，会产生相互奇异的分布，因为二次变差能够准确地将它们区分开来。"
    }
  ],
  "links": [
    "stochastic-process",
    "stochastic-differential-equation",
    "probability-space",
    "random-variable",
    "filtration-probability",
    "martingale",
    "absolute-continuity",
    "wiener-process",
    "stochastic-calculus",
    "quadratic-variation",
    "normal-distribution",
    "conditional-expectation",
    "variance",
    "likelihood-function",
    "maximum-likelihood-estimation",
    "importance-sampling",
    "monte-carlo-method",
    "weak-solution"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}