{
  "id": "ito-integral",
  "title": "伊藤积分",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "伊藤积分以布朗运动及其他半鞅为积分器，对非预见随机过程进行积分，是随机微积分的基础。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "伊藤随机积分"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/ito-integral/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/ito-integral/",
      "json": "https://aiwiki.page/en/ito-integral.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "伊藤积分是一种数学构造，用于将随时间变化的随机量对维纳过程（布朗运动）积分，或更一般地，对适当的随机积分器积分。在标准的布朗运动情形下，它写作\n\n\\[\\int_0^t H_s\\,dW_s,\\]\n\n其中，\\(W\\) 为布朗运动，被积过程 \\(H\\) 在每个时刻的取值仅依赖于当时已经获得的信息。与普通的时间积分不同，这一表达式将被积过程与布朗运动的随机增量相乘后累加，而不是与时间增量相乘后累加。\n\n伊藤清于20世纪40年代引入了这一积分，使随机微分方程的严格表述与分析成为可能。其核心特征包括非预见性、称为伊藤等距的均方恒等式，以及包含额外二阶项的变量变换公式。这些特征将随机积分与鞅论、扩散过程、偏微分方程、金融数学及数值模拟联系起来。\n\n布朗运动积分是最基本的例子，但这一理论也可推广至连续局部鞅、跳跃过程及半鞅。积分器的选择决定了哪些被积过程是容许的，以及相应微积分的形式。"
    },
    {
      "heading": "布朗运动路径、信息与新积分的必要性",
      "text": "布朗运动是一个连续的随机过程 \\(W=(W_t)_{t\\geq0}\\)，满足 \\(W_0=0\\)，具有独立增量，并且\n\n\\[W_t-W_s\\sim N(0,t-s),\\qquad 0\\leq s<t.\\]\n\n它的路径几乎必然处处不可微，并且在每个非退化的紧时间区间上都具有无穷大的全变差。因此，一般不能将 \\(dW_t\\) 视为普通导数乘以 \\(dt\\)，也不能应用通常针对有界变差函数的黎曼–斯蒂尔切斯积分理论，来构造关于布朗运动的积分。\n\n根本困难并不只是布朗运动路径不规则。这些路径的增量平方会以非零的速率累积。对于确定性分割 \\(0=t_0<\\cdots<t_n=t\\)，记 \\(\\Delta W_i=W_{t_{i+1}}-W_{t_i}\\)。当分割的网格大小趋于零时，\n\n\\[\\sum_i(\\Delta W_i)^2\\longrightarrow t\\]\n\n按依概率收敛的意义成立。相比之下，普通光滑路径的增量平方和趋于零。因此，布朗运动保留了普通微分学所舍弃的二阶效应。这一现象由二次变差这一概念加以形式化描述。\n\n这种积分还要求对可用信息作出精确描述。它定义在配备了滤过（概率论） \\((\\mathcal F_t)\\) 的概率空间 \\((\\Omega,\\mathcal F,\\mathbb P)\\) 上，其中滤过是一个递增的 σ-代数族。布朗运动必须是相对于这一滤过的布朗运动：特别地，\\(W_t-W_s\\) 必须独立于 \\(\\mathcal F_s\\)。标准论述通常假设滤过满足通常条件，即右连续且包含相关的零测集。如果对每个 \\(t\\)，\\(H_t\\) 都是 \\(\\mathcal F_t\\)-可测的，就称过程 \\(H\\) 是适应的。\n\n下面的初等求和式清楚地体现了信息的重要性：\n\n\\[\\sum_iH_{t_i}(W_{t_{i+1}}-W_{t_i}).\\]\n\n其中的系数是在观测到相应增量之前选定的。这种取左端点值的约定，使得在给定过去信息的条件下，系数与下一个布朗运动增量相互独立。取右端点值通常会得到不同的极限。当 \\(H_t=W_t\\) 时，左端点和收敛于 \\((W_t^2-t)/2\\)，而右端点和收敛于 \\((W_t^2+t)/2\\)。\n\n诺伯特·维纳早期的工作建立了确定性函数关于布朗运动的积分，所得积分是高斯随机变量。伊藤在 1944 年关于随机积分的工作中，将依赖于不断演化的随机路径的被积过程纳入了这一理论。这一推广为研究当前状态会影响后续随机波动强度的方程提供了所需的微积分工具。"
    },
    {
      "heading": "从初等可预测过程出发的构造",
      "text": "布朗运动的伊藤积分首先在固定的有限区间 \\([0,T]\\) 上对初等过程定义。设\n\n\\[H_s=\\sum_{i=0}^{n-1}\\xi_i\\,\\mathbf1_{(t_i,t_{i+1}]}(s),\\]\n\n其中 \\(0=t_0<\\cdots<t_n=T\\)，每个 \\(\\xi_i\\) 都是 \\(\\mathcal F_{t_i}\\)-可测的，且 \\(\\mathbb E[\\xi_i^2]<\\infty\\)。符号 \\(\\mathbf1_A\\) 表示集合 \\(A\\) 的示性函数。定义\n\n\\[I_T(H)=\\sum_{i=0}^{n-1}\\xi_i(W_{t_{i+1}}-W_{t_i}).\\]\n\n对于区间内的中间时刻，将每个增量截停于当前时刻，便得到过程 \\(I_t(H)\\)。\n\n由布朗运动增量的独立性及其均值为零可知，\n\n\\[\\mathbb E[I_T(H)]=0.\\]\n\n更重要的是，不同增量项在均方意义下相互正交。由于\n\n\\[\\mathbb E[(W_{t_{i+1}}-W_{t_i})^2\\mid\\mathcal F_{t_i}] =t_{i+1}-t_i,\\]\n\n可得伊藤等距公式\n\n\\[\\mathbb E\\left[\\left|\\int_0^T H_s\\,dW_s\\right|^2\\right] = \\mathbb E\\left[\\int_0^T|H_s|^2\\,ds\\right].\\]\n\n这一精确恒等式，而非基于全变差的逐路径估计，是这一构造的核心依据。\n\n自然的被积过程空间由满足下式的可预测过程组成：\n\n\\[\\|H\\|_{\\mathcal H^2}^2 =\\mathbb E\\int_0^T|H_s|^2\\,ds<\\infty.\\]\n\n可预测性是指过程关于时间与样本空间上由适应左连续过程生成的 σ-代数可测。它以一种在积分所需的运算下保持稳定的形式刻画了非预见性。每个连续适应过程都是可预测的。渐进可测性也是布朗运动积分中常用的充分条件，此时将关于 \\(dt\\,d\\mathbb P\\) 几乎处处相等的被积过程视为同一个等价类。\n\n初等可预测过程在这一空间中稠密。给定在 \\(\\mathcal H^2\\) 中收敛于 \\(H\\) 的逼近序列 \\(H^{(n)}\\)，由等距公式可知，\\(I_T(H^{(n)})\\) 在 Lp空间 L^2(\\Omega) 中构成柯西列。其极限定义了 \\(I_T(H)\\)，且与所选的逼近序列无关。这是希尔伯特空间中的完备化论证：随机积分将定义在稠密初等过程类上的保范线性映射延拓到整个空间。\n\n因此，这一定义的本质是均方极限，并不是断言任意逐点求和都沿每一个分割序列收敛。对于满足适当可积性条件的连续适应被积过程，常见的左端点和确实依概率收敛。对于更一般的可预测被积过程，则需要在被积过程的范数下进行逼近，而不能任意逐点取样。由此得到的积分过程存在连续版本，且在不可区分的意义下唯一；也就是说，在同一个零测集之外，任意两个这样的版本在所有时刻都相等。"
    },
    {
      "heading": "鞅性质、分布与表示",
      "text": "对于平方可积的可预测过程 \\(H\\)，过程\n\n\\[M_t=\\int_0^tH_s\\,dW_s\\]\n\n是从零出发的连续平方可积鞅。定义鞅的条件关系为\n\n\\[\\mathbb E[M_t\\mid\\mathcal F_s]=M_s,\\qquad s\\leq t.\\]\n\n因此，给定当前信息，任何未来随机增量的条件期望均为零。特别地，\n\n\\[\\mathbb E[M_t^2]=\\mathbb E\\int_0^tH_s^2\\,ds.\\]\n\n对于两个满足积分条件的被积过程 \\(H\\) 和 \\(K\\)，由极化恒等式可得协方差恒等式\n\n\\[\\mathbb E\\left[ \\left(\\int_0^T H_s\\,dW_s\\right) \\left(\\int_0^T K_s\\,dW_s\\right) \\right] =\\mathbb E\\int_0^T H_sK_s\\,ds.\\]\n\n当 \\(H\\) 是确定性函数时，积分是均值为零的高斯随机变量，其方差为 \\(\\int_0^T H_s^2\\,ds\\)。随机被积过程所产生的积分则不一定服从高斯分布。例如，\n\n\\[\\int_0^T W_s\\,dW_s=\\frac12(W_T^2-T)\\]\n\n服从经过平移和缩放的卡方分布，而非正态分布。一般也不能以整个随机被积过程为条件，就假定此时的积分服从高斯分布：被积过程可能包含驱动该积分的同一条布朗路径的信息。要用高斯混合分布来描述积分的分布，还需要额外的独立性假设或结构性假设。\n\n一个核心的结构性定理是鞅表示定理。在布朗运动经完备化的自然滤过下，每个平方可积的终端随机变量 \\(X\\) 都可以表示为\n\n\\[X=\\mathbb E[X]+\\int_0^T H_s\\,dW_s\\]\n\n其中 \\(H\\) 是可预测的平方可积过程，且在不计 \\(dt\\,d\\mathbb P\\)-零测集的意义下唯一。等价地，该滤过下的每个平方可积鞅都等于某个伊藤积分加上其初始值。这里对滤过的假设至关重要：引入独立的随机性来源后，可能产生无法仅用该布朗运动表示的鞅。\n\n通过局部化，可以将这一理论推广到平方可积被积过程以外的情形。如果 \\(H\\) 是可预测过程，且\n\n\\[\\int_0^T H_s^2\\,ds<\\infty \\quad\\text{almost surely},\\]\n\n那么可以在被积过程的平方累积积分变得过大时将其停止，由此构造积分。停时是一种随机时刻，其是否已在时刻 \\(t\\) 之前或恰在该时刻发生，由 \\(\\mathcal F_t\\) 决定。选取适当的停时，可以使停止后的被积过程平方可积，而相应的积分在重叠区间上彼此一致。\n\n这种构造得到的是连续局部鞅。局部鞅经适当停止后成为鞅，但它本身的期望未必保持不变。特别地，非负的严格局部鞅可以具有递减的期望。在测度变换的论证中，以及在不具备全局平方可积性的情况下使用零均值恒等式时，区分局部鞅与真正的鞅至关重要。"
    },
    {
      "heading": "二次变差与伊藤公式",
      "text": "对于\n\n\\[M_t=\\int_0^tH_s\\,dW_s,\\]\n\n其二次变差为\n\n\\[[M]_t=\\int_0^tH_s^2\\,ds.\\]\n\n对于另一个积分 \\(N_t=\\int_0^tK_s\\,dW_s\\)，二者的二次协变差满足\n\n\\[[M,N]_t=\\int_0^tH_sK_s\\,ds.\\]\n\n这些量衡量的是累积的二阶波动。它们既不同于通常意义下的变差，也不同于随机变量的方差，不过在满足可积性条件时，对它们取期望便可得到熟悉的二阶矩恒等式。\n\n设\n\n\\[X_t=X_0+\\int_0^tb_s\\,ds+\\int_0^t\\sigma_s\\,dW_s,\\]\n\n其中各系数满足相应的局部可积性条件。对于关于时间一阶连续可微、关于空间二阶连续可微的函数 \\(f(t,x)\\)，伊藤公式给出\n\n\\[\\begin{aligned} df(t,X_t) ={}&\\left( \\partial_tf(t,X_t) +b_t\\partial_xf(t,X_t) +\\frac12\\sigma_t^2\\partial_{xx}f(t,X_t) \\right)dt\\\\ &+\\sigma_t\\partial_xf(t,X_t)\\,dW_t. \\end{aligned}\\]\n\n这个额外的二阶导数项，使该公式区别于通常的链式法则。\n\n这一项的来源可以从二阶泰勒展开中看出。在长度为 \\(\\Delta t\\) 的时间区间上，布朗运动增量的典型大小为 \\(\\sqrt{\\Delta t}\\)；因此，其平方是 \\(\\Delta t\\) 阶的量，相对于时间增量不可忽略。求和后，这些增量的平方便贡献了二次变差。助记式\n\n\\[(dW_t)^2=dt,\\qquad dW_t\\,dt=0,\\qquad (dt)^2=0\\]\n\n记录了这些极限运算规则，但它并不是对无穷小实数进行的普通代数运算。\n\n取 \\(f(x)=x^2\\)，公式给出\n\n\\[d(W_t^2)=2W_t\\,dW_t+dt,\\]\n\n由此证明了基本例子 \\(\\int_0^tW_s\\,dW_s=(W_t^2-t)/2\\)。对于\n\n\\[f(t,x)=\\exp\\!\\left(\\theta x-\\frac12\\theta^2t\\right),\\]\n\n漂移项相互抵消，得到\n\n\\[d\\exp\\!\\left(\\theta W_t-\\frac12\\theta^2t\\right) =\\theta\\exp\\!\\left(\\theta W_t-\\frac12\\theta^2t\\right)dW_t.\\]\n\n当 \\(\\theta\\) 为实常数时，这个指数过程是鞅。\n\n在多维情形下，若 \\(dX_t=b_t\\,dt+\\sigma_t\\,dW_t\\)，其中 \\(W\\) 为 \\(m\\) 维布朗运动，则修正项变为\n\n\\[\\frac12\\sum_{i,j}(\\sigma_t\\sigma_t^{\\mathsf T})_{ij} \\,\\partial_{ij}f(t,X_t)\\,dt.\\]\n\n因此，噪声的协方差结构与变换函数的海森矩阵作缩并。与之相关的连续半鞅分部积分法公式为\n\n\\[d(X_tY_t)=X_t\\,dY_t+Y_t\\,dX_t+d[X,Y]_t.\\]\n\n即使两个因子的漂移均为零，协变差项也不可缺少。"
    },
    {
      "heading": "随机微分方程与扩散生成元",
      "text": "伊藤随机微分方程\n\n\\[dX_t=b(t,X_t)\\,dt+\\sigma(t,X_t)\\,dW_t\\]\n\n是积分方程\n\n\\[X_t=X_0+\\int_0^tb(s,X_s)\\,ds +\\int_0^t\\sigma(s,X_s)\\,dW_s.\\]\n\n的简写。这种记法并不意味着布朗运动具有通常意义下的导数。漂移项 \\(b\\) 描述条件下的一阶运动趋势，而 \\(\\sigma\\) 则描述随机波动的局部幅度和方向。\n\n强解适应于指定概率空间上由给定的驱动布朗运动和初始数据生成的滤过。弱解则允许将概率空间和驱动布朗运动一并纳入构造。系数关于状态变量满足全局利普希茨连续性条件，再加上线性增长条件和适当的可测性假设，即可保证强解的存在性与逐路径唯一性。如果系数仅局部满足利普希茨条件，通常只能保证解在爆炸时刻之前存在，除非另行确立非爆炸条件。\n\n一个基本例子是几何布朗运动：\n\n\\[dX_t=\\mu X_t\\,dt+\\sigma X_t\\,dW_t.\\]\n\n当 \\(X_0>0\\) 时，其解为\n\n\\[X_t=X_0\\exp\\!\\left[ \\left(\\mu-\\frac12\\sigma^2\\right)t+\\sigma W_t \\right].\\]\n\n其中的 \\(-\\sigma^2/2\\) 项来自对对数函数应用伊藤公式。若省略这一项，就会改变期望增长率。另一个例子是奥恩斯坦–乌伦贝克方程：\n\n\\[dX_t=-\\theta X_t\\,dt+\\eta\\,dW_t,\\qquad \\theta>0,\\]\n\n其显式解为\n\n\\[X_t=e^{-\\theta t}X_0+ \\eta\\int_0^te^{-\\theta(t-s)}\\,dW_s.\\]\n\n当 \\(X_0\\) 为确定值时，随机项服从高斯分布，方差为\n\\(\\eta^2(1-e^{-2\\theta t})/(2\\theta)\\)。\n\n对于 \\(\\mathbb R^d\\) 中的时齐扩散过程，伊藤公式给出其微分生成元：\n\n\\[Lf(x)=b(x)\\cdot\\nabla f(x) +\\frac12\\operatorname{tr} \\left(\\sigma(x)\\sigma(x)^{\\mathsf T}D^2f(x)\\right).\\]\n\n在适当的可积性条件下，\n\n\\[f(X_t)-f(X_0)-\\int_0^tLf(X_s)\\,ds\\]\n\n是鞅。这一关系将过程的概率行为与二阶微分算子联系起来。\n\n同样的联系也能导出期望的后向方程。在适当的正则性条件下，\\(u(t,x)=\\mathbb E_{t,x}[g(X_T)]\\) 满足\n\n\\[\\partial_tu+Lu=0,\\qquad u(T,x)=g(x).\\]\n\n加入杀灭项或贴现项便得到费曼–卡茨公式，而伴随算子则支配转移密度的前向演化。对于布朗运动，\\(L=\\tfrac12\\Delta\\)，由此得到热方程。因子 \\(1/2\\) 正是伊藤公式给出的二阶项系数。"
    },
    {
      "heading": "与斯特拉托诺维奇积分及坐标变换的关系",
      "text": "伊藤积分并不是对布朗运动进行积分的唯一自洽方式。斯特拉托诺维奇积分记为\n\n\\[\\int_0^tH_s\\circ dW_s,\\]\n\n采用的是一种对称约定。对于连续半鞅 \\(H\\) 和 \\(W\\)，它与伊藤积分的关系为\n\n\\[\\int_0^tH_s\\circ dW_s = \\int_0^tH_s\\,dW_s+\\frac12[H,W]_t.\\]\n\n修正项取决于被积过程与积分器共同波动的方式。对于许多有限变差的被积过程，该项为零，但对于 \\(H=W\\) 这样的被积过程则不为零。\n\n例如，\n\n\\[\\int_0^tW_s\\circ dW_s=\\frac12W_t^2,\\]\n\n而伊藤积分为 \\((W_t^2-t)/2\\)。这两种约定所描述的对象在数学上都有意义。它们回答的是不同的极限问题，不能靠不严格的记号消除二者的区别。对称端点求和之所以会产生斯特拉托诺维奇修正项，是因为同时发生的增量乘积在累积后，有一半保留在极限中。\n\n对于系数足够光滑的标量方程，\n\n\\[dX_t=a(X_t)\\,dt+b(X_t)\\circ dW_t\\]\n\n等价于伊藤方程\n\n\\[dX_t= \\left(a(X_t)+\\frac12b(X_t)b'(X_t)\\right)dt +b(X_t)\\,dW_t.\\]\n\n在多维情形下，将扩散系数矩阵的各列写成向量场 \\(V_1,\\ldots,V_m\\)，则漂移修正项为\n\n\\[\\frac12\\sum_{j=1}^m DV_j(x)V_j(x).\\]\n\n因此，即使写出的漂移系数和扩散系数相同，采用不同的积分约定，通常也会确定不同的过程。\n\n对于足够光滑的 \\(f\\)，斯特拉托诺维奇微积分遵循形式上与普通微积分相同的链式法则：\n\n\\[df(X_t)=Df(X_t)\\circ dX_t\\]\n\n这一特点使它在微分几何中十分方便，因为其中的方程是用流形上的向量场来表示的。伊藤方程同样可以用几何语言表述，但其坐标变换法则必须包含二阶修正项。与坐标变换自然相容的对象是二阶生成元，而不只是漂移系数。\n\n对驱动信号的逼近也体现了这两种约定的差异。Wong–Zakai 型结果表明，将布朗运动的适当光滑逼近代入常微分方程，所得解会收敛到斯特拉托诺维奇方程的解。相比之下，采用左端点的随机离散化方法自然逼近的是伊藤方程。这类结果取决于逼近方案及相应假设；并非所有正则化方法都会产生相同的极限修正项。\n\n两种约定都不是在所有情形下更优。伊藤积分直接保持鞅性质，并能表达依据过去信息选取的系数。斯特拉托诺维奇积分则通常便于处理光滑噪声的极限和坐标变换。只要保留相应的漂移调整，就可以利用转换公式，在任一种约定下表示同一个随机模型。"
    },
    {
      "heading": "测度变换与数学金融",
      "text": "随机指数将伊藤积分与概率测度变换联系起来。设 \\(\\theta\\) 是可预测且局部平方可积的过程，定义\n\n\\[Z_t= \\exp\\!\\left( \\int_0^t\\theta_s\\,dW_s -\\frac12\\int_0^t\\theta_s^2\\,ds \\right).\\]\n\n由伊藤公式可得\n\n\\[dZ_t=Z_t\\theta_t\\,dW_t.\\]\n\n过程 \\(Z\\) 是正的局部鞅，但未必是真鞅。在有限时间区间上，一个标准的充分条件是诺维科夫条件：\n\n\\[\\mathbb E\\exp\\!\\left( \\frac12\\int_0^T\\theta_s^2\\,ds \\right)<\\infty.\\]\n\n在此条件下，\\(\\mathbb E[Z_T]=1\\)，因此 \\(Z_T\\) 可以作为概率密度。\n\n吉尔萨诺夫定理指出，在适当的假设下，若定义\n\n\\[\\frac{d\\mathbb Q}{d\\mathbb P}\\bigg|_{\\mathcal F_T}=Z_T\\]\n\n则\n\n\\[W_t^{\\mathbb Q}=W_t-\\int_0^t\\theta_s\\,ds\\]\n\n在 \\(\\mathbb Q\\) 下是 \\([0,T]\\) 上的布朗运动。这个密度就是拉东—尼科迪姆导数。测度变换改变漂移项，同时保持原有的二次变差不变。因此，该定理为比较漂移不同的扩散过程的概率律提供了一种精确的方法。\n\n在连续时间金融中，理想化的自融资策略所产生的收益为\n\n\\[G_t=\\int_0^t\\phi_s\\,dS_s,\\]\n\n其中，\\(S\\) 是资产价格，\\(\\phi\\) 是持有的资产单位数。可预测性表达了这样一项要求：在某个增量期间的持仓不能取决于该增量未来的结果。如果 \\(S\\) 同时包含漂移分量和布朗运动分量，那么这个积分就结合了通常的有限变差积分与伊藤积分。\n\n在布莱克–斯科尔斯模型中，\n\n\\[dS_t=\\mu S_t\\,dt+\\sigma S_t\\,dW_t,\\]\n\n其中波动率 \\(\\sigma>0\\) 为常数，银行账户按常数利率 \\(r\\) 计息。选取适当的等价测度，可以将股票的漂移率从 \\(\\mu\\) 变为 \\(r\\)，使其贴现价格成为鞅。对足够光滑的衍生品价格 \\(V(t,S_t)\\) 应用伊藤公式，并通过持有 \\(\\partial_SV\\) 股股票来匹配随机风险敞口，即可得到布莱克–斯科尔斯方程\n\n\\[\\partial_tV+\\frac12\\sigma^2S^2\\partial_{SS}V +rS\\partial_SV-rV=0.\\]\n\n这是模型的交易假设和正则性假设所导出的数学结论，并非对市场价格的普遍描述。\n\n鞅表示解释了基本布朗运动模型中的完备性：满足适当可积性条件的或有索偿，可以通过对驱动模型的布朗风险的敞口来表示，并在交易资产的波动率非零时，通过该资产进行复制。额外的独立风险或交易约束可能使这种通过交易资产进行的表示不再成立。即使贴现价格是局部鞅，也仍需进一步的可积性条件和可容许性条件，才能确立基于期望的定价恒等式。"
    },
    {
      "heading": "一般积分器、跳跃与无限维噪声",
      "text": "布朗运动只是随机积分器的一种。若 \\(M\\) 是从零出发的连续平方可积鞅，就可以利用其可预测二次变差 \\(\\langle M\\rangle\\) 构造积分。相应的等距公式为\n\n\\[\\mathbb E\\left[\\left(\\int_0^T H_s\\,dM_s\\right)^2\\right] = \\mathbb E\\int_0^T H_s^2\\,d\\langle M\\rangle_s.\\]\n\n对于连续局部鞅，二次变差与可预测二次变差相同。布朗积分是 \\(\\langle W\\rangle_t=t\\) 的特殊情形。\n\n半鞅可以分解为一个局部鞅与一个有限变差过程之和。给定分解 \\(X=M+A\\)，其随机积分构造为\n\n\\[\\int H\\,dX=\\int H\\,dM+\\int H\\,dA,\\]\n\n其中第二项按逐路径的勒贝格–斯蒂尔切斯积分理解。由此建立的理论涵盖了漂移、连续鞅噪声与跳跃。半鞅是一类自然且广泛的积分器；对于这类积分器，可预测初等积分具有经典随机微积分所要求的稳定性。\n\n对于带跳过程，当前值与跳前值的区别需要明确体现出来。过程 \\(X_{t-}\\) 表示紧邻时刻 \\(t\\) 之前的左极限；当 \\(X\\) 是适应过程，且路径右连续并具有左极限时，\\(X_{t-}\\) 是可预测的。随机积分的跳跃满足\n\n\\[\\Delta\\left(\\int_0^\\cdot H_s\\,dX_s\\right)_t =H_t\\Delta X_t.\\]\n\n使用可预测的跳前状态，可以防止系数对积分器中已经包含的不可预见跳跃作出即时反应。\n\n对于实值半鞅 \\(X\\) 和二阶连续可微函数 \\(f\\)，伊藤公式变为\n\n\\[\\begin{aligned} f(X_t)=f(X_0) &+\\int_0^t f'(X_{s-})\\,dX_s +\\frac12\\int_0^t f''(X_{s-})\\,d[X]^c_s\\\\ &+\\sum_{0<s\\leq t} \\left[ f(X_s)-f(X_{s-})-f'(X_{s-})\\Delta X_s \\right], \\end{aligned}\\]\n\n其中 \\([X]^c\\) 是二次变差的连续部分。每次跳跃所贡献的是完整的非线性余项，而不仅仅是二阶近似。\n\n强度为 \\(\\lambda\\) 的泊松过程 \\(N_t\\) 对应于补偿鞅 \\(\\widetilde N_t=N_t-\\lambda t\\)。对于可预测的平方可积过程 \\(H\\)，有\n\n\\[\\mathbb E\\left[ \\left(\\int_0^T H_s\\,d\\widetilde N_s\\right)^2 \\right] =\\lambda\\,\\mathbb E\\int_0^T H_s^2\\,ds.\\]\n\n泊松随机测度将这一构造推广到带有大小或其他标记的跳跃。\n\n无限维积分用希尔伯特空间之间的算子取代标量或矩阵值系数。对于各坐标布朗运动 \\(\\beta_k\\) 相互独立的柱状布朗运动，积分可表示为\n\n\\[\\int_0^t\\Phi_s\\,dW_s =\\sum_k\\int_0^t\\Phi_se_k\\,d\\beta_k(s).\\]\n\n其收敛性由 \\(\\Phi\\) 的希尔伯特–施密特范数条件控制。这一框架是随机偏微分方程的基础；在这类方程中，随机驱动作用于随时间演化的函数，而非有限维状态。"
    },
    {
      "heading": "数值逼近与经典理论的局限",
      "text": "定义积分所用的初等和也提供了数值逼近。对于网格 \\(t_k=kh\\) 上足够正则的适应被积过程，\n\n\\[\\int_0^T H_s\\,dW_s \\approx \\sum_{k=0}^{N-1}H_{t_k}\\Delta W_k, \\qquad \\Delta W_k\\sim N(0,h),\\]\n\n其中各增量相互独立。伊藤等距性给出精确的均方误差恒等式\n\n\\[\\mathbb E\\left| \\int_0^T H_s\\,dW_s-\\sum_kH_{t_k}\\Delta W_k \\right|^2 = \\mathbb E\\int_0^T|H_s-H_{\\pi(s)}|^2\\,ds,\\]\n\n其中 \\(\\pi(s)\\) 是前一个网格点。因此，误差分析归结为对被积过程时间正则性的分析。\n\n对于随机微分方程，欧拉–丸山方法采用如下格式：\n\n\\[X_{k+1}=X_k+b(t_k,X_k)h+\\sigma(t_k,X_k)\\Delta W_k.\\]\n\n在标准的利普希茨条件和矩条件下，该方法在固定终止时刻的均方根强误差为 \\(h^{1/2}\\) 阶。在额外的光滑性假设下，对于适当的光滑检验函数，其弱误差通常为 \\(h\\) 阶。强收敛比较由同一布朗运动驱动的模拟路径与精确路径；弱收敛则比较 \\(\\mathbb E[f(X_T)]\\) 这类期望值。这是两种不同的精度判据。\n\n对于标量自治方程，米尔斯坦方法加入了修正项：\n\n\\[X_{k+1}=X_k+b(X_k)h+\\sigma(X_k)\\Delta W_k +\\frac12\\sigma(X_k)\\sigma'(X_k) \\left((\\Delta W_k)^2-h\\right).\\]\n\n新增项源于迭代伊藤积分，在适当的光滑性和增长条件下，可将强收敛阶提高到一阶。在多维系统中，高阶格式通常需要迭代积分和莱维面积，除非特殊的交换性条件能够使其简化。\n\n模拟所采用的约定必须与目标方程一致。在未来网格点处计算系数，会改变它对噪声的依赖关系；而中点格式所逼近的可能是斯特拉托诺维奇动力学，而非伊藤动力学。数值稳定性也需要单独分析：针对全局利普希茨系数得到的收敛结果，并不能自动推广到超线性增长的系数。在这种情形下，显式欧拉格式可能失效，这促使人们发展了隐式格式、截断格式和驯化格式。\n\n经典伊藤积分不能直接处理任意的预见被积过程，也不能处理所有不规则信号。在马利亚万分析框架内发展起来的斯科罗霍德积分允许某些依赖未来噪声的被积过程；对于两种构造均适用的适应平方可积过程，它与伊藤积分一致。其一般运算法则包含涉及对噪声求导的修正项。\n\n粗糙路径理论则为不规则路径补充迭代积分数据，并通过这一增强信号研究微分方程。布朗运动的斯特拉托诺维奇积分对应于通常的几何布朗增强，而伊藤增强则保留二次变差修正。这些推广明确揭示了：除驱动路径的取值外，还需要哪些附加信息才能确定积分规则。"
    }
  ],
  "links": [
    "wiener-process",
    "stochastic-differential-equation",
    "martingale",
    "partial-differential-equation",
    "stochastic-process",
    "convergence-in-probability",
    "quadratic-variation",
    "filtration-probability",
    "probability-space",
    "norbert-wiener",
    "indicator-function",
    "lp-space",
    "hilbert-space",
    "conditional-expectation",
    "random-variable",
    "variance",
    "normal-distribution",
    "itos-formula",
    "chain-rule",
    "taylor-series",
    "hessian-matrix",
    "integration-by-parts",
    "weak-solution",
    "lipschitz-continuity",
    "feynman-kac-formula",
    "heat-equation",
    "differential-geometry",
    "manifold",
    "girsanov-theorem",
    "black-scholes-equation",
    "poisson-process",
    "euler-maruyama-method"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}