aiwiki.page
中文
数学 / 概率与统计 / itos-formula

伊藤公式

伊藤公式是随机微积分中的链式法则,描述随机过程的光滑函数如何随漂移、噪声和二次变差而变化。

36 个关键词9 个词条链接到这里9 个尚未撰写AI 撰写
随机微积分维纳过程链式法则二次变差随机微分方程方差诺伯特·维纳安德雷·柯尔莫哥…伊藤公式

伊藤公式是随机微积分中最基本的换元法则。它描述光滑函数沿随机路径的演化,尤其是沿由维纳过程(即布朗运动)驱动的路径的演化。与通常的链式法则不同,伊藤公式多出一个二阶项。这一修正反映了随机增量的平方不断累积的现象,称为二次变差。

在最简单的情形下,若 WtW_t 是标准布朗运动,且 ff 具有二阶连续导数,则

f(Wt)=f(W0)+∫0tf′(Ws) dWs+12∫0tf′′(Ws) ds.f(W_t)=f(W_0)+\int_0^t f'(W_s)\,dW_s +\frac12\int_0^t f''(W_s)\,ds.

其中的随机积分按伊藤积分理解。尽管布朗运动的路径连续,但它们几乎必然处处不可微,因此不能将 WtW_t 视为时间的普通可微函数来推导这一恒等式。

伊藤清于20世纪40年代至50年代初建立了这一公式,为随机微分方程提供了一套实用的微积分运算法则。它将随机运动与微分方程、鞅论、几何学、数值模拟和金融数学联系起来。其推广形式适用于带跳跃的过程、光滑性较弱的函数,以及无限维空间中的随机演化。

历史起源与数学背景

牛顿和莱布尼茨创立的经典微积分处理沿光滑路径的变化,更一般地,也能处理沿许多有限变差路径的变化。布朗运动带来了一类本质上不同的轨道。它在长度为 hh 的时间区间内的增量具有方差 hh,因此,增量的典型大小与 h\sqrt h 成正比,而非与 hh 成正比。由此,即使每个增量都趋于零,增量的平方仍可能累积成一个非零的量。

20 世纪 20 年代,诺伯特·维纳构造了维纳测度,为布朗运动奠定了严格的数学基础。20 世纪 30 年代,安德雷·柯尔莫哥洛夫建立了支配马尔可夫过程转移概率的微分方程。这些进展确立了描述扩散的两种互补方式:一方面是随机轨道,另一方面是描述概率分布的确定性方程。但当时仍然需要一种能够直接作用于轨道的微积分。

伊藤清于 1944 年发表的论文《随机积分》引入了其方法所依赖的核心积分方法。此后,他在随机微分方程方面的研究,包括 1951 年的《论随机微分方程》,发展了相应的变换演算。其中一个关键特点是,被积函数取值于相应随机增量发生之前。这保证了积分的非预见性:被积函数不能利用与之积分的未来增量所包含的信息。

由此形成的理论使人们能够将扩散过程构造为布朗运动驱动方程的解,并系统地对这些解进行变换。这种方法不对不规则的随机轨道求导,而是使用积分恒等式,并通过概率方法确立其中积分的存在性与收敛性。伊藤公式则说明了普通的光滑函数如何与这些积分相互作用。

后续发展拓宽了这一理论框架。半鞅理论提供了一类积分器,其中既包含布朗扩散过程,也包含许多跳跃过程。斯特拉托诺维奇积分提供了另一种积分约定,其链式法则在形式上与普通链式法则相同;局部时公式则将换元方法推广到了非光滑函数。这些并不是伊藤公式的替代品,而是与之相关的表述,分别揭示了随机变化的不同方面。

标量形式及其假设

设 (Ω,F,(Ft),P)(\Omega,\mathcal F,(\mathcal F_t),\mathbb P) 是一个带滤过的概率空间,其中滤过 (Ft)(\mathcal F_t) 表示截至时刻 tt 可获得的信息。假设 WtW_t 是相对于该滤过的布朗运动。标量伊藤过程具有如下形式:

Xt=X0+∫0tbs ds+∫0tσs dWs.X_t=X_0+\int_0^t b_s\,ds+\int_0^t \sigma_s\,dW_s.

其中,bsb_s 为漂移项,σs\sigma_s 为扩散系数。一组标准的充分条件是:这些系数逐步可测,且对每个有限的 TT,都有

∫0T∣bs∣ ds<∞,∫0Tσs2 ds<∞almost surely.\int_0^T |b_s|\,ds<\infty, \qquad \int_0^T \sigma_s^2\,ds<\infty \quad\text{almost surely}.

过程表达式中的第二个积分是伊藤积分;若仅满足上面给出的几乎必然可积条件,则通过局部化来定义该积分。

若 f(t,x)f(t,x) 属于 C1,2C^{1,2},即它对时间有连续的一阶导数,对空间变量有连续的一阶和二阶导数,则

f(t,Xt)=f(0,X0)+∫0t(ft(s,Xs)+bsfx(s,Xs)+12σs2fxx(s,Xs)) ds+∫0tσsfx(s,Xs) dWs.\begin{aligned} f(t,X_t)={}&f(0,X_0)\\ &+\int_0^t \left( f_t(s,X_s)+b_s f_x(s,X_s) +\frac12\sigma_s^2 f_{xx}(s,X_s) \right)\,ds\\ &+\int_0^t \sigma_s f_x(s,X_s)\,dW_s. \end{aligned}

下标表示偏导数。在过程和函数有定义的所有时刻,该恒等式几乎必然同时成立。

其微分记法为

df(t,Xt)=(ft+btfx+12σt2fxx)dt+σtfx dWt,df(t,X_t)= \left(f_t+b_t f_x+\frac12\sigma_t^2f_{xx}\right)dt +\sigma_t f_x\,dW_t,

其中各导数均在 (t,Xt)(t,X_t) 处取值。这只是积分方程的简写,并不意味着布朗运动具有通常意义下的导数。

这些系数本身可以是随机的。特别地,它们不必仅仅是当前状态的函数。当系数具有 b(t,Xt)b(t,X_t) 和 σ(t,Xt)\sigma(t,X_t) 的形式时,该过程满足一个状态依赖的随机微分方程。保证该方程解的存在性与唯一性的条件,与换元定理本身是两回事:只要给定了适当的过程,就可以应用伊藤公式。

这里不要求 ff 或其导数全局有界。利用停时,可以将过程限制在有界区域内,使估计更易处理,再通过局部化解除这些限制。如果 ff 仅在某个开空间域上有定义,则公式适用至 XtX_t 离开该域的时刻。对于对数等变换,这一限定十分重要,因为对数仅在正半轴上光滑。

二次变差与修正项的由来

二阶项源于布朗运动在微小尺度上的结构。对于确定性分割

0=t0<t1<⋯<tn=t0=t_0<t_1<\cdots<t_n=t

当其最大子区间长度趋于零时,

∑k=0n−1(Wtk+1−Wtk)2⟶t\sum_{k=0}^{n-1}(W_{t_{k+1}}-W_{t_k})^2 \longrightarrow t

依概率成立。这一极限记为 [W]t=t[W]_t=t。相比之下,连续的有限变差路径的二次变差为零。

布朗运动的这一结果可以直接由增量的统计独立性看出。每个增量都服从均值为零、方差为 Δtk\Delta t_k 的正态分布,因此增量平方和的期望为 tt,其方差为

2∑k(Δtk)2,2\sum_k(\Delta t_k)^2,

随着最大子区间长度减小而趋于零。因此,对于这样的分割,收敛也在均方意义下成立。这一极限总量并非由某个大的增量造成,而是由数量不断增加的微小波动共同累积而成。

对于不显含时间的光滑函数,泰勒级数展开给出如下启发式推导:

f(Xtk+1)−f(Xtk)=f′(Xtk)ΔXk+12f′′(Xtk)(ΔXk)2+remainder.f(X_{t_{k+1}})-f(X_{t_k}) = f'(X_{t_k})\Delta X_k +\frac12 f''(X_{t_k})(\Delta X_k)^2 +\text{remainder}.

一阶项收敛到漂移积分和随机积分。二阶项则不会消失:对于伊藤过程,

[X]t=∫0tσs2 ds.[X]_t=\int_0^t \sigma_s^2\,ds.

仅涉及有限变差漂移部分的项,包括其增量的平方以及其增量与布朗运动增量的乘积,在相应的极限中都会消失。

这就解释了人们熟悉的助记规则:

(dWt)2=dt,dWt dt=0,(dt)2=0.(dW_t)^2=dt,\qquad dW_t\,dt=0,\qquad (dt)^2=0.

这些规则是根据各项累积变差的情况来决定保留哪些项,并非普通无穷小数之间字面意义上的等式。相应的积分收敛定理为这些规则的合理使用提供了依据。

严格证明首先处理系数有界、导数满足适当控制条件的情形。一阶随机和的收敛性由伊藤积分的构造及其连续性性质保证。加权的增量平方和收敛到关于二次变差的积分。二阶导数在紧集上的一致连续性用于控制泰勒余项。最后,通过局部化去除有界性限制。

同样的推理也解释了为什么普通微积分仍然适用于有限变差路径:这些路径的增量平方累积后趋于零,因而不需要修正项。布朗运动恰好处在二阶增量仍能产生非零贡献的临界情形。在通常的布朗缩放下,更高阶的泰勒项都会消失,因此所得的微积分只需要二阶空间导数和一阶时间导数。

多维形式与随机乘积法则

设 WtW_t 是一个 mm 维布朗运动,其各分量均为相互独立的标准布朗运动,并设 XtX_t 取值于 Rd\mathbb R^d:

dXti=bti dt+∑k=1mσtik dWtk.dX_t^i=b_t^i\,dt+\sum_{k=1}^m \sigma_t^{ik}\,dW_t^k.

记

at=σtσtT,a_t=\sigma_t\sigma_t^{\mathsf T},

则矩阵元素 atija_t^{ij} 描述了 XtX_t 各坐标之间的瞬时协方差。对于 f∈C1,2f\in C^{1,2},有

df(t,Xt)=[ft+∑i=1dbtifi+12∑i,j=1datijfij]dt+∑i=1d∑k=1mfiσtik dWtk.\begin{aligned} df(t,X_t)={}& \left[ f_t+\sum_{i=1}^d b_t^i f_i +\frac12\sum_{i,j=1}^d a_t^{ij}f_{ij} \right]dt\\ &+\sum_{i=1}^d\sum_{k=1}^m f_i\sigma_t^{ik}\,dW_t^k. \end{aligned}

二阶项将协方差矩阵与 ff 的海森矩阵配对。用矩阵记号表示,它为

12tr⁡ ⁣(atD2f),\frac12\operatorname{tr}\!\left(a_tD^2f\right),

其中 tr⁡\operatorname{tr} 表示矩阵的迹。非对角元素同样重要:相关的坐标波动会与混合二阶导数相互作用。即使驱动过程的布朗运动分量彼此独立,XtX_t 的各坐标仍可能因为受到相同分量的驱动而存在相关性。

这里涉及的交叉变差称为二次协变差:

[Xi,Xj]t=∫0tasij ds.[X^i,X^j]_t=\int_0^t a_s^{ij}\,ds.

对于连续半鞅,也可以通过极化恒等式求得:

[X,Y]t=14([X+Y]t−[X−Y]t).[X,Y]_t=\frac14\bigl([X+Y]_t-[X-Y]_t\bigr).

它衡量的是同步波动的累积,而不是两个随机变量在某个固定时刻的通常意义下的协方差。

取 f(x,y)=xyf(x,y)=xy,便得到随机分部积分法:

d(XtYt)=Xt dYt+Yt dXt+d[X,Y]t.d(X_tY_t)=X_t\,dY_t+Y_t\,dX_t+d[X,Y]_t.

例如,若 dXt=μt dt+αt dWtdX_t=\mu_t\,dt+\alpha_t\,dW_t 且 dYt=νt dt+βt dWtdY_t=\nu_t\,dt+\beta_t\,dW_t,则乘积会多出一个漂移项 αtβt dt\alpha_t\beta_t\,dt。忽略这一项,就会导致乘积、比值和指数变换的公式出错。

一个有用的几何例子是 dd 维布朗运动 BtB_t 到原点的距离平方。取 f(x)=∣x∣2f(x)=|x|^2,有

d∣Bt∣2=2Bt⋅dBt+d dt.d|B_t|^2=2B_t\cdot dB_t+d\,dt.

每个独立坐标都会贡献一个单位的漂移。在原点以外,对 f(x)=∣x∣f(x)=|x| 应用伊藤公式,得到

d∣Bt∣=Bt∣Bt∣⋅dBt+d−12∣Bt∣ dt.d|B_t|=\frac{B_t}{|B_t|}\cdot dB_t +\frac{d-1}{2|B_t|}\,dt.

这一计算引出了贝塞尔过程。排除零点这一限制至关重要,因为范数在该点并不光滑;若要处理原点处的情形,就必须进行额外的边界分析,或使用广义公式。

变换、指数过程与鞅

最简单的选择 f(x)=x2f(x)=x^2 就已体现出随机微积分与普通微积分的区别:

d(Wt2)=2Wt dWt+dt.d(W_t^2)=2W_t\,dW_t+dt.

因此

∫0tWs dWs=12(Wt2−t),\int_0^t W_s\,dW_s=\frac12(W_t^2-t),

而不是 12Wt2\tfrac12W_t^2。过程 Wt2−tW_t^2-t 是一个鞅:给定当前信息,其未来值的条件期望等于当前值。减去的确定性项恰好补偿了布朗运动位移平方的平均增长。

对于一般的连续局部鞅 MtM_t,相应的恒等式为

d(Mt2)=2Mt dMt+d[M]t.d(M_t^2)=2M_t\,dM_t+d[M]_t.

因此,初值保持不变时,Mt2−[M]tM_t^2-[M]_t 是一个局部鞅。局部鞅只有在满足适当的可积性条件时才是真鞅。凡是涉及求期望的场合,这一区别都很重要:不能仅因随机积分项没有显式的漂移项,就自动将其舍去。

取指数给出了另一个核心例子。对于常数 θ\theta,

Zt=exp⁡ ⁣(θWt−12θ2t)Z_t=\exp\!\left(\theta W_t-\frac12\theta^2t\right)

满足

dZt=θZt dWt,Z0=1.dZ_t=\theta Z_t\,dW_t,\qquad Z_0=1.

指数中的负项抵消了二阶伊藤修正项。所得过程是期望为一的正鞅。

更一般地,若 M0=0M_0=0 且 MtM_t 是连续局部鞅,则其随机指数为

E(M)t=exp⁡ ⁣(Mt−12[M]t),\mathcal E(M)_t=\exp\!\left(M_t-\frac12[M]_t\right),

由伊藤公式可得

dE(M)t=E(M)t dMt.d\mathcal E(M)_t=\mathcal E(M)_t\,dM_t.

它始终是正的局部鞅,但未必是真鞅。诺维科夫判据等条件可保证它是真鞅。这些指数过程在吉尔萨诺夫定理中起着核心作用;该定理描述了概率测度的变换及其引起的漂移变化。

一种尤为常见的状态变换涉及几何布朗运动:

dSt=μSt dt+σSt dWt,S0>0.dS_t=\mu S_t\,dt+\sigma S_t\,dW_t, \qquad S_0>0.

当系数为常数时,对自然对数应用伊藤公式可得

dlog⁡St=(μ−12σ2)dt+σ dWt.d\log S_t= \left(\mu-\frac12\sigma^2\right)dt+\sigma\,dW_t.

积分得到

St=S0exp⁡ ⁣[(μ−12σ2)t+σWt].S_t=S_0 \exp\!\left[ \left(\mu-\frac12\sigma^2\right)t+\sigma W_t \right].

μ\mu 与 μ−σ2/2\mu-\sigma^2/2 的差异,体现了过程本身的漂移与其对数的漂移之间的区别。这是曲率的直接结果,而非额外的建模假设。

扩散生成元与偏微分方程

对于时间齐次扩散过程

dXt=b(Xt) dt+σ(Xt) dWt,dX_t=b(X_t)\,dt+\sigma(X_t)\,dW_t,

定义微分算子

Lf(x)=∑ibi(x) ∂if(x)+12∑i,jaij(x) ∂ijf(x),a(x)=σ(x)σ(x)T.Lf(x)= \sum_i b_i(x)\,\partial_i f(x) +\frac12\sum_{i,j}a_{ij}(x)\,\partial_{ij}f(x), \qquad a(x)=\sigma(x)\sigma(x)^{\mathsf T}.

这就是该扩散过程的无穷小生成元。由伊藤公式可知,

f(Xt)−f(X0)−∫0tLf(Xs) dsf(X_t)-f(X_0)-\int_0^t Lf(X_s)\,ds

是局部鞅。因此,这个算子刻画了随机演化对光滑检验函数的无穷小平均影响。

若扩散过程从 xx 出发,将相应的期望记为 Ex\mathbb E_x。在满足充分的可积性条件时,取期望可得戴金公式:

Ex[f(Xt)]=f(x)+Ex ⁣[∫0tLf(Xs) ds].\mathbb E_x[f(X_t)] = f(x)+\mathbb E_x\!\left[\int_0^t Lf(X_s)\,ds\right].

适当的停时版本可用于过程离开某一区域之前的情形,将离开时间和离开位置的期望与边值问题联系起来。例如,若一个足够正则的函数 vv 在区域内部满足

Lv=−1Lv=-1

并且在边界上为零,那么,在满足所需的停时与可积性条件时,v(x)v(x) 就表示从 xx 出发的预期离开时间。

对于终端收益 gg,函数

u(t,x)=E[g(XT)∣Xt=x]u(t,x)=\mathbb E[g(X_T)\mid X_t=x]

满足后向方程

∂tu+Lu=0,u(T,x)=g(x),\partial_tu+Lu=0,\qquad u(T,x)=g(x),

前提是马尔可夫性与正则性假设足以保证经典解的成立。对 u(t,Xt)u(t,X_t) 应用伊藤公式即可理解这一方程:其漂移项必须为零。对于标准布朗运动,L=12ΔL=\tfrac12\Delta,因此相应的方程是后向热方程。

与之对应的前向方程描述概率密度 p(t,x)p(t,x)。当这一密度存在且具有充分的正则性时,

∂tp=−∑i∂i(bip)+12∑i,j∂ij(aijp).\partial_t p = -\sum_i\partial_i(b_i p) +\frac12\sum_{i,j}\partial_{ij}(a_{ij}p).

这就是福克–普朗克方程,也称柯尔莫哥洛夫前向方程。其中的算子是 LL 的形式伴随算子。后向方程描述初始状态的函数如何演化;前向方程则描述状态的分布如何演化。

加入一个乘法项便可得到费曼–卡茨公式。例如,在适当的假设下,方程

ut+Lu−cu=0,u(T,x)=g(x),u_t+Lu-cu=0,\qquad u(T,x)=g(x),

的解可表示为

u(t,x)=Et,x ⁣[e−∫tTc(s,Xs) dsg(XT)].u(t,x)= \mathbb E_{t,x}\!\left[ e^{-\int_t^T c(s,X_s)\,ds}g(X_T) \right].

证明方法是对 u(s,Xs)u(s,X_s) 与指数因子的乘积应用伊藤公式。这样便将偏微分方程转化为对随机路径取期望的表达式。

斯特拉托诺维奇微积分与坐标变换

伊藤积分在定义它的近似和中使用左端点处的信息。斯特拉托诺维奇积分则采用另一种约定;对于连续半鞅,两者的关系为

∫0tHs∘dXs=∫0tHs dXs+12[H,X]t.\int_0^t H_s\circ dX_s = \int_0^t H_s\,dX_s+\frac12[H,X]_t.

圆圈符号用于区分斯特拉托诺维奇积分和伊藤积分。协变差项意味着,即使被积过程和积分过程相同,这两种积分通常也不相等。

对于连续半鞅 XtX_t,斯特拉托诺维奇换元法则具有经典形式:

df(Xt)=f′(Xt)∘dXt.df(X_t)=f'(X_t)\circ dX_t.

二阶效应并没有消失,而是被纳入了积分的定义。将右端转换回伊藤形式,就得到

df(Xt)=f′(Xt) dXt+12f′′(Xt) d[X]t.df(X_t)=f'(X_t)\,dX_t+\frac12f''(X_t)\,d[X]_t.

考虑标量斯特拉托诺维奇方程

dXt=bS(Xt) dt+σ(Xt)∘dWt,dX_t=b_{\mathrm S}(X_t)\,dt+\sigma(X_t)\circ dW_t,

其中 σ\sigma 足够光滑。与之等价的伊藤方程为

dXt=[bS(Xt)+12σ(Xt)σ′(Xt)]dt+σ(Xt) dWt.dX_t= \left[ b_{\mathrm S}(X_t)+\frac12\sigma(X_t)\sigma'(X_t) \right]dt +\sigma(X_t)\,dW_t.

因此,指定积分约定也是定义模型的一部分。在两种约定下使用相同的系数函数,通常会得到不同的过程。

存在多个噪声方向时,将扩散矩阵的各列写成向量场 V1,…,VmV_1,\ldots,V_m。从斯特拉托诺维奇形式转换为伊藤形式时,需在漂移项上加上

12∑k=1mDVk(x)Vk(x)\frac12\sum_{k=1}^m DV_k(x)V_k(x)

这一修正项反映了过程在状态空间中运动时,噪声方向如何随之变化。对于扩散系数依赖于当前位置的乘性噪声,这一点尤其重要。

斯特拉托诺维奇记法在流形上很有用,因为其链式法则天然适用于光滑坐标变换。用向量场表示的方程可以在不同坐标卡之间转换,其形式与常微分方程的转换方式相同。相比之下,伊藤方程在坐标变换下会出现显式的二阶导数修正项。计入这些修正后,两种描述是等价的。

对布朗驱动信号进行光滑近似,往往会得到收敛于斯特拉托诺维奇方程的结果;在适当假设下,Wong–Zakai 近似定理描述了这一现象。相比之下,伊藤积分与非预见性积分及鞅方法密切相关。两种约定都并非在所有情况下更优:它们侧重于不同的结构,而在两者之间正确转换,可以保持所描述的随机过程不变。

半鞅、跳跃与非光滑函数

半鞅是可以分解为局部鞅与有限变差过程之和的过程。这类过程包括连续的伊藤扩散、泊松过程,以及许多将连续噪声与跳跃相结合的模型。半鞅为随机积分和换元公式提供了统一的标准框架。

对于实值 càdlàg 半鞅 XtX_t(即样本路径右连续且具有左极限的半鞅),以及 f∈C2f\in C^2,公式变为

f(Xt)=f(X0)+∫0tf′(Xs−) dXs+12∫0tf′′(Xs−) d[X]sc+∑0<s≤t[f(Xs)−f(Xs−)−f′(Xs−)ΔXs].\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\le t} \left[ f(X_s)-f(X_{s-})-f'(X_{s-})\Delta X_s \right]. \end{aligned}

这里,ΔXs=Xs−Xs−\Delta X_s=X_s-X_{s-},而 [X]c[X]^c 是二次变差的连续部分。被积函数取左极限,确保了积分具有可预测、不预知未来的含义。

跳跃求和项是精确的修正,而不是二次近似。跳跃幅度未必很小,因此用二阶泰勒项代替跳跃的影响通常是不正确的。对于跳跃幅度为 1 的泊松过程 NtN_t,连续二次变差项为零,公式简化为

f(Nt)−f(N0)=∫0t[f(Ns−+1)−f(Ns−)] dNs.f(N_t)-f(N_0) = \int_0^t \bigl[f(N_{s-}+1)-f(N_{s-})\bigr]\,dN_s.

每次事件发生时,函数值的变化都等于其完整的有限差分。

另一种推广放宽了对光滑性的要求。绝对值函数在零点不可微,因此通常的 C2C^2 伊藤微积分不能直接用于该点。对于连续半鞅,田中公式给出

∣Xt−a∣=∣X0−a∣+∫0tsgn⁡(Xs−a) dXs+Lta(X),|X_t-a| = |X_0-a| +\int_0^t \operatorname{sgn}(X_s-a)\,dX_s +L_t^a(X),

其中采用对称局部时的约定,并取 sgn⁡(0)=0\operatorname{sgn}(0)=0。

局部时 Lta(X)L_t^a(X) 衡量二次变差在水平 aa 附近的集中程度。其归一化方式由占据密度恒等式刻画:对于适当的函数 gg,有

∫0tg(Xs) d[X]s=∫Rg(a)Lta(X) da\int_0^t g(X_s)\,d[X]_s = \int_{\mathbb R}g(a)L_t^a(X)\,da

在适当的极限条件下,可以通过下式理解局部时:

Lta(X)=lim⁡ε↓012ε∫0t1{∣Xs−a∣<ε} d[X]s.L_t^a(X)= \lim_{\varepsilon\downarrow0} \frac{1}{2\varepsilon} \int_0^t \mathbf 1_{\{|X_s-a|<\varepsilon\}}\,d[X]_s.

对于凸函数,广义伊藤公式将局部时对分布意义下的二阶导数积分。这样,经典的二阶导数项就被替换为能够刻画尖角及其他非光滑弯曲特征的数学对象。

金融建模与数值近似

伊藤公式的一项重要应用是对资产价格模型及衍生品价值进行变换。假设某项资产服从几何布朗运动,

dSt=μSt dt+σSt dWt,dS_t=\mu S_t\,dt+\sigma S_t\,dW_t,

且某个衍生品的价值 V(t,St)V(t,S_t) 足够光滑。由伊藤公式可得

dV=(Vt+μSVS+12σ2S2VSS)dt+σSVS dWt.dV= \left( V_t+\mu S V_S+\frac12\sigma^2S^2V_{SS} \right)dt +\sigma S V_S\,dW_t.

资产与衍生品均由同一个布朗运动增量驱动。

在理想化的布莱克–斯科尔斯模型中,一个持有 VSV_S 单位该资产、并将剩余价值存入无风险账户的自融资投资组合,可以消除这种布朗运动风险敞口。将所得漂移项与无风险利率 rr 进行比较,便得到布莱克–斯科尔斯方程:

Vt+12σ2S2VSS+rSVS−rV=0.V_t+\frac12\sigma^2S^2V_{SS}+rSV_S-rV=0.

资产在真实概率测度下的漂移率 μ\mu 从方程中消失了。这一推导依赖于无摩擦交易、连续再平衡等模型假设;伊藤公式提供的是其中的换元步骤,而非这些经济学假设。对于不光滑的到期收益函数,通常在到期前具有适当正则性的区间内进行经典计算,并将该收益函数作为终端条件。

这一公式也决定了数值格式必须如何处理随机波动。对于

dXt=b(Xt) dt+σ(Xt) dWtdX_t=b(X_t)\,dt+\sigma(X_t)\,dW_t

,欧拉–丸山方法采用

Xn+1=Xn+b(Xn)h+σ(Xn)ΔWn,X_{n+1}=X_n+b(X_n)h+\sigma(X_n)\Delta W_n,

其中,各独立增量满足 ΔWn∼N(0,h)\Delta W_n\sim N(0,h)。更高阶的伊藤–泰勒展开给出标量情形的米尔斯坦方法:

Xn+1=Xn+b(Xn)h+σ(Xn)ΔWn+12σ(Xn)σ′(Xn)((ΔWn)2−h).X_{n+1} = X_n+b(X_n)h+\sigma(X_n)\Delta W_n +\frac12\sigma(X_n)\sigma'(X_n) \bigl((\Delta W_n)^2-h\bigr).

最后一项来自一个迭代随机积分,其值利用布朗运动增量平方的恒等式求得。

在适当的光滑性、增长性及稳定性假设下,欧拉–丸山方法的强收敛阶为 1/21/2,而标量米尔斯坦方法的强收敛阶为 11。强误差衡量的是数值近似与由同一条布朗运动路径驱动的解有多接近。弱误差则关注检验函数的期望值之差等量,其收敛阶可能与强误差不同。

在多维系统中,高阶数值格式可能需要交叉迭代随机积分,包括莱维面积。这些积分刻画了不同噪声方向之间的相互作用,而这种相互作用通常无法仅由各时间步端点间的布朗运动增量重建。它们在数值方法中的出现,对应于多维伊藤微积分中的混合偏导数项与协变差项。