{
  "id": "itos-lemma",
  "title": "伊藤引理",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "伊藤引理是随机过程的变量替换公式，其中包含由二次变差决定的二阶修正项。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "伊藤公式"
  ],
  "generated_at": "2026-11-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/itos-lemma/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/itos-lemma/",
      "json": "https://aiwiki.page/en/itos-lemma.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "伊藤引理是随机微积分中的变量替换定理。当随机过程具有维纳过程所产生的那类连续波动时，它描述了该过程的充分光滑函数如何随之演化。与通常的链式法则不同，伊藤引理包含一个与函数曲率有关的二阶项。这个附加项不可或缺，因为即使观测时间间隔变得任意短，布朗运动的增量平方之和也不会趋于零。\n\n该公式以日本数学家伊藤清的名字命名，是研究随机微分方程、扩散过程和连续时间随机模型的核心工具。它将随机积分与微分方程联系起来，为数理金融中的重要方法奠定了基础，并解释了噪声在非线性变换下如何变化。其推广形式涵盖多维过程、带跳跃的过程、非光滑函数，以及在几何空间中取值的过程。"
    },
    {
      "heading": "历史发展与数学背景",
      "text": "经典微积分针对的是局部变化可用线性表达式近似的函数，其高阶误差在积分过程中可以忽略不计。随机路径则带来了不同的问题。布朗运动作为不规则运动的模型被引入数学概率论，其样本路径连续，却几乎必然处处不存在通常意义下的导数。此外，其路径在任意非退化的有限区间上都具有无穷大的全变差。因此，通常针对光滑路径或有界变差路径的积分解释，无法为布朗运动提供一套普遍适用的微积分方法。\n\n诺伯特·维纳在20世纪20年代给出了布朗运动的严格数学构造。20世纪30年代，安德雷·柯尔莫哥洛夫建立了刻画扩散过程转移概率的解析方程。这些进展既确立了以路径为基础的概率对象，也建立了描述其分布的微分方程。尚待解决的问题是，如何建立由单条随机轨迹直接驱动的方程，并对这些方程进行系统的运算。\n\n伊藤在20世纪40年代的工作提供了关键性的构造。他于1944年发表的随机积分论文，提出了一套适用于依赖已有信息的随机被积函数的积分理论。由此得到的积分并非普通积分的简单推广：其采用左端点取值的约定，体现了当前信息与未来随机增量之间的区别。与这套理论相配套的变量替换公式，使人们能够对随机微分方程进行计算，而不必假定布朗运动路径可微。\n\n“引理”这一名称并不足以体现该公式的重要性。作为一个定理，它在随机分析中发挥的统领作用，与链式法则在普通微积分中的作用十分相似。它确定了与扩散过程相对应的正确微分算子，将方程转化为更易处理的形式，并把对随机运动的局部描述转化为关于该运动的函数的恒等式。\n\n后来的发展将这一公式推广到了最初的布朗运动框架之外。半鞅理论为连续噪声和跳跃提供了统一框架，而局部时公式则将变量替换推广到了带有尖角的函数。其他随机积分，尤其是斯特拉托诺维奇积分，澄清了随机方程与几何之间的关系。这些推广保留了其核心见解：正确的变换法则不仅取决于一阶增量，还取决于这些增量累积形成的二阶行为。"
    },
    {
      "heading": "随机积分与二次变差",
      "text": "标准的设定是在一个概率空间上配备滤过 \\((\\mathcal F_t)_{t\\geq0}\\)，即一族随时间递增的信息集。布朗运动 \\(W_t\\) 适应于这一滤过，且其未来增量独立于当前已知的信息。对于 \\(s<t\\)，增量 \\(W_t-W_s\\) 服从均值为零、方差为 \\(t-s\\) 的正态分布。\n\n对于简单适应被积过程，伊藤积分由如下形式的和构造：\n\n\\[\\sum_{k=0}^{n-1} H_{t_k} \\bigl(W_{t_{k+1}}-W_{t_k}\\bigr).\\]\n\n系数 \\(H_{t_k}\\) 仅使用左端点 \\(t_k\\) 时刻已知的信息。在平方可积的假设下，对这些简单被积过程作完备化，便可得到满足伊藤等距公式的积分：\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这一恒等式通过普通的时间积分来控制随机积分。在相关平方可积条件成立时，这类积分是鞅。\n\n关键的二阶量是二次变差。对于布朗运动，沿着网格大小趋于零的确定性分割，有\n\n\\[\\sum_k \\bigl(W_{t_{k+1}}-W_{t_k}\\bigr)^2 \\longrightarrow T\\]\n\n且此收敛为依概率收敛。这记作 \\([W]_T=T\\)。对于含有 \\(n\\) 个子区间的均匀分割，上述和的均值为 \\(T\\)，方差为 \\(2T^2/n\\)，直接表明了这一收敛性。特定的分割序列还可得到几乎必然收敛，但不应将这一更强的结论与基本的依概率收敛结论混淆。\n\n连续半鞅可以分解为\n\n\\[X_t=X_0+A_t+M_t,\\]\n\n其中 \\(A\\) 具有有限变差，\\(M\\) 是连续局部鞅。有限变差部分不贡献二次变差，因此 \\([X]=[M]\\)。特别地，若\n\n\\[X_t=X_0+\\int_0^t b_s\\,ds+\\int_0^t\\sigma_s\\,dW_s,\\]\n\n则\n\n\\[[X]_t=\\int_0^t\\sigma_s^2\\,ds.\\]\n\n这就将漂移与波动区分开来。漂移通过普通的时间积分累积；随机的鞅部分则既贡献一阶随机积分，也贡献二阶二次变差项。当对 \\(X\\) 应用非线性函数时，伊藤引理给出了将这些贡献结合起来的精确法则。"
    },
    {
      "heading": "一维公式及其假设",
      "text": "设 \\(X\\) 为实值伊藤过程：\n\n\\[dX_t=b_t\\,dt+\\sigma_t\\,dW_t.\\]\n\n这一微分记号是下列积分方程的简写：\n\n\\[X_t=X_0+\\int_0^t b_s\\,ds+\\int_0^t\\sigma_s\\,dW_s.\\]\n\n通常采用的局部假设是：各系数均为循序可测的，且对每个有限的 \\(T\\)，有\n\n\\[\\int_0^T |b_s|\\,ds<\\infty, \\qquad \\int_0^T\\sigma_s^2\\,ds<\\infty \\quad\\text{almost surely}.\\]\n\n当需要计算期望或建立全局矩估计时，可以施加更强的假设。\n\n假设 \\(f(t,x)\\) 属于 \\(C^{1,2}\\)，即它关于时间的一阶偏导数连续，关于空间的一阶、二阶偏导数也连续。伊藤引理断言：\n\n\\[\\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}\\]\n\n在标准表述中，这一等式是连续过程之间的恒等式，等号两边的过程不可区分。\n\n其紧凑的微分形式为\n\n\\[df(t,X_t) = \\left(f_t+b_t f_x+\\frac12\\sigma_t^2f_{xx}\\right)dt +\\sigma_t f_x\\,dW_t,\\]\n\n其中各导数均在 \\((t,X_t)\\) 处取值。修正项\n\n\\[\\frac12\\sigma_t^2f_{xx}\\,dt\\]\n\n正是这一公式区别于普通链式法则的特征。二阶导数为正时，噪声对局部漂移的贡献为正；二阶导数为负时，这一贡献则为负。\n\n对于一般的连续半鞅，同一定理可写成无需将二次变差表示为时间密度的形式：\n\n\\[df(t,X_t) = f_t(t,X_t)\\,dt +f_x(t,X_t)\\,dX_t +\\frac12 f_{xx}(t,X_t)\\,d[X]_t.\\]\n\n这一版本不要求二次变差具有关于时间的密度。\n\n这些假设既涉及光滑性，也涉及函数的定义域。例如，\\(f(x)=\\log x\\) 只能在 \\(X_t>0\\) 时使用。一种标准方法是，在过程离开函数定义域的紧子集之前将其停止，再在条件允许时撤去这些停止边界。这种局部化方法也能处理导数无界的情况。公式本身并不要求导数全局有界，也不对其所应用的随机方程的解的存在性或唯一性作出断言。"
    },
    {
      "heading": "为什么二阶项不会消失",
      "text": "沿着时间分割\n\n\\[0=t_0<t_1<\\cdots<t_n=t.\\]\n\n作二阶泰勒级数展开，就可以看清这一机制。对于布朗运动和不显含时间的光滑函数，有\n\n\\[f(W_{t_{k+1}})-f(W_{t_k}) = f'(W_{t_k})\\Delta W_k +\\frac12f''(W_{t_k})(\\Delta W_k)^2 +R_k,\\]\n\n其中 \\(\\Delta W_k=W_{t_{k+1}}-W_{t_k}\\)。对左端求和，各项相消后得到 \\(f(W_t)-f(W_0)\\)。右端第一项的和收敛到一个伊藤积分，第二项的和则收敛到\n\n\\[\\frac12\\int_0^t f''(W_s)\\,ds.\\]\n\n布朗运动在长度为 \\(\\Delta t\\) 的时间区间上的增量，其典型大小为 \\(\\sqrt{\\Delta t}\\)，而不是 \\(\\Delta t\\)。因此，增量平方的大小为 \\(\\Delta t\\)，将大约 \\(t/\\Delta t\\) 个这样的量相加后，会留下一个有限的结果。相比之下，光滑路径的增量平方大小为 \\((\\Delta t)^2\\)，其总和趋于零。这一区别解释了为什么普通微积分只保留一阶项，而布朗运动的微积分则保留二阶项。\n\n常见的助记关系\n\n\\[(dW_t)^2=dt,\\qquad dt\\,dW_t=0,\\qquad (dt)^2=0\\]\n\n概括了这些极限规则。它们并不是普通无穷小量的代数运算规则。每个表达式所描述的，都是增量乘积累加后的极限。例如，时间增量与布朗增量的混合乘积之和趋于零，是因为两者的尺度不匹配；而布朗增量的平方累加后则趋于经过的时间。\n\n严格的证明还需要控制泰勒余项。先将布朗运动停在一个有界区域内，再利用 \\(f''\\) 的连续性，便可得到连续模估计\n\n\\[|R_k| \\leq \\omega\\!\\left(\\max_j|\\Delta W_j|\\right)(\\Delta W_k)^2,\\]\n\n其中 \\(\\omega(r)\\to0\\) as \\(r\\to0\\)。布朗路径的连续性使最大增量趋于零，而增量平方和则依概率有界。因此，两者的乘积依概率趋于零。\n\n对于一般的伊藤过程，漂移部分的增量具有有限变差，而鞅部分则贡献二次变差。随后，通过对随机积分进行逼近并运用局部化方法，就能将这一论证推广到满足相应条件的随机系数。这一证明结构解释了为什么通常的 \\(C^{1,2}\\) 定理只要求空间变量具有二阶连续导数，而不要求函数无穷次可微：高阶项被作为余项加以控制，而不是作为完整的无穷展开保留下来。"
    },
    {
      "heading": "多变量、协方差与乘积法则",
      "text": "设 \\(X_t\\) 取值于 \\(\\mathbb R^d\\)，并由一个 \\(m\\) 维标准布朗运动驱动：\n\n\\[dX_t^i=b_i(t,X_t)\\,dt+ \\sum_{\\alpha=1}^{m}\\sigma_{i\\alpha}(t,X_t)\\,dW_t^\\alpha.\\]\n\n记\n\n\\[a(t,x)=\\sigma(t,x)\\sigma(t,x)^{\\mathsf T}.\\]\n\n这个矩阵是增量的瞬时协方差矩阵。它的各个元素决定了二次协变差：\n\n\\[d[X^i,X^j]_t=a_{ij}(t,X_t)\\,dt.\\]\n\n对于标量函数 \\(f\\in C^{1,2}\\)，多维公式为\n\n\\[df(t,X_t)= \\left( f_t+\\sum_i b_i f_{x_i} +\\frac12\\sum_{i,j}a_{ij}f_{x_i x_j} \\right)dt +\\sum_{\\alpha} \\left(\\sum_i f_{x_i}\\sigma_{i\\alpha}\\right)dW_t^\\alpha.\\]\n\n用梯度和海森矩阵表示时，二阶项为\n\n\\[\\frac12\\operatorname{tr}\\!\\left(aD^2f\\right).\\]\n\n因此，修正项由协方差与曲率之间的相互作用决定，而不是仅由各分量的方差决定。\n\n如果两个布朗运动 \\(W\\) 和 \\(B\\) 的相关系数为常数 \\(\\rho\\)，则\n\n\\[d[W,B]_t=\\rho\\,dt.\\]\n\n对于 \\(f(W_t,B_t)\\)，二阶项为\n\n\\[\\frac12\\left(f_{xx}+2\\rho f_{xy}+f_{yy}\\right)dt.\\]\n\n混合偏导数在双重求和中出现两次，乘以前面的因子 \\(1/2\\) 后，其系数为 \\(\\rho\\)。若将相关的驱动过程视为相互独立，就会漏掉这一项，通常会导致漂移项出错。\n\n取 \\(f(x,y)=xy\\)，可得到一个重要的特例。对于连续半鞅 \\(X\\) 和 \\(Y\\)，\n\n\\[d(X_tY_t) = X_t\\,dY_t+Y_t\\,dX_t+d[X,Y]_t.\\]\n\n因此，随机分部积分法包含一个协变差项，而有界变差情形的分部积分公式中没有这一项。对于布朗运动，\n\n\\[d(W_t^2)=2W_t\\,dW_t+dt,\\]\n\n由此得到\n\n\\[\\int_0^t W_s\\,dW_s=\\frac12(W_t^2-t).\\]\n\n该公式可以逐分量应用于向量值变换 \\(F\\)。变换后的每个坐标都有各自的海森矩阵修正项。这一点在对随机方程组进行坐标变换时十分重要：非线性变换不仅通过其雅可比矩阵改变扩散系数，还会通过二阶导数改变漂移项。即使一个过程在原坐标下的漂移为零，经过非线性坐标变换后，也可能产生非零漂移。"
    },
    {
      "heading": "显式变换与典型例子",
      "text": "布朗运动的幂提供了一组直接的例子。对于整数 \\(n\\geq2\\)，\n\n\\[d(W_t^n) = nW_t^{n-1}\\,dW_t +\\frac12n(n-1)W_t^{n-2}\\,dt.\\]\n\n当 \\(n=2\\) 时，过程 \\(W_t^2-t\\) 是鞅。当 \\(n=4\\) 时，\n\n\\[d(W_t^4)=4W_t^3\\,dW_t+6W_t^2\\,dt.\\]\n\n取期望值，并利用 \\(\\mathbb E[W_s^2]=s\\)，可得\n\n\\[\\mathbb E[W_t^4] = 6\\int_0^t s\\,ds=3t^2.\\]\n\n这里所需的可积性条件成立，因此随机积分的期望为零。\n\n几何布朗运动方程\n\n\\[dS_t=\\mu S_t\\,dt+\\sigma S_t\\,dW_t, \\qquad S_0>0,\\]\n\n展示了对数变换中的修正项。将公式应用于 \\(\\log S_t\\)，得到\n\n\\[d\\log S_t = \\left(\\mu-\\frac12\\sigma^2\\right)dt+\\sigma\\,dW_t.\\]\n\n因此，\n\n\\[S_t=S_0\\exp\\left[ \\left(\\mu-\\frac12\\sigma^2\\right)t+\\sigma W_t \\right].\\]\n\n减去的 \\(\\sigma^2/2\\) 使对数的漂移率不同于 \\(S\\) 的比例漂移率。对于常系数情形，\\(\\mathbb E[S_t]=S_0e^{\\mu t}\\)，但对数增量的均值为 \\((\\mu-\\sigma^2/2)t\\)。\n\n一个相关的构造是随机指数。若 \\(M\\) 是连续局部鞅，且 \\(M_0=0\\)，则\n\n\\[Z_t=\\exp\\left(M_t-\\frac12[M]_t\\right)\\]\n\n满足\n\n\\[dZ_t=Z_t\\,dM_t.\\]\n\n作为补偿的二次变差项抵消了指数变换引入的曲率项。由此得到的过程是正局部鞅。如果没有附加条件，它未必是真鞅；仅凭正性并不能保证期望保持不变。\n\n一个几何例子是 \\(d\\) 维布朗运动 \\(B_t\\) 到原点的距离。令 \\(R_t=|B_t|\\)。在 \\(R_t\\ne0\\) 处，利用欧几里得范数的导数可得\n\n\\[dR_t = \\sum_{i=1}^{d}\\frac{B_t^i}{R_t}\\,dB_t^i +\\frac{d-1}{2R_t}\\,dt.\\]\n\n该随机积分的二次变差微分为 \\(dt\\)，局部上可用一维布朗运动来驱动。所得径向过程是贝塞尔过程。它的漂移完全由距离函数的曲率产生。原点处的奇异性需要单独进行边界分析，尤其是在低维情形下；不能直接在该处套用这一光滑情形下的公式。"
    },
    {
      "heading": "扩散生成元与偏微分方程",
      "text": "对于时齐扩散过程\n\n\\[dX_t=b(X_t)\\,dt+\\sigma(X_t)\\,dW_t,\\]\n\n伊藤引理给出其无穷小生成元\n\n\\[Lf(x)= \\sum_i b_i(x)\\partial_i f(x) +\\frac12\\sum_{i,j}a_{ij}(x)\\partial_{ij}f(x), \\qquad a=\\sigma\\sigma^{\\mathsf T}.\\]\n\n在适当的正则性条件下，这个算子描述了条件期望的一阶变化：\n\n\\[Lf(x)= \\lim_{h\\downarrow0} \\frac{\\mathbb E_x[f(X_h)]-f(x)}{h}.\\]\n\n在过程层面，这一联系是精确的：伊藤公式表明，\n\n\\[f(X_t)-f(X_0)-\\int_0^t Lf(X_s)\\,ds\\]\n\n是一个局部鞅。\n\n在满足适当的可积性条件或作适当停时处理后，取期望便得到戴金公式：\n\n\\[\\mathbb E_x[f(X_t)] = f(x)+\\mathbb E_x\\int_0^t Lf(X_s)\\,ds.\\]\n\n这将沿随机路径成立的微分恒等式转化为关于其分布的恒等式。如果 \\(u(t,x)=\\mathbb E_x[g(X_t)]\\) 足够光滑，它就满足后向演化方程\n\n\\[\\partial_tu=Lu,\\qquad u(0,x)=g(x).\\]\n\n对于标准布朗运动，\\(L=\\frac12\\Delta\\)，因此该方程就是扩散系数为 \\(1/2\\) 的热方程。\n\n相应的前向方程作用于概率密度函数 \\(p(t,x)\\)：\n\n\\[\\partial_t p = -\\sum_i\\partial_i(b_i p) +\\frac12\\sum_{i,j}\\partial_i\\partial_j(a_{ij}p).\\]\n\n这就是福克–普朗克方程。后向方程和前向方程从不同方向刻画同一个扩散过程：前者描述初始状态的函数如何演化，后者则描述状态的分布如何演化。\n\n费曼–卡茨公式引入了势项或贴现项。假设足够正则的函数 \\(u\\) 满足\n\n\\[u_t+Lu-cu=0,\\qquad u(T,x)=g(x).\\]\n\n对\n\n\\[\\exp\\left(-\\int_0^t c(s,X_s)\\,ds\\right)u(t,X_t)\\]\n\n应用伊藤引理，其漂移项便会抵消。如果所得局部鞅是真鞅，那么\n\n\\[u(t,x)= \\mathbb E_{t,x}\\left[ \\exp\\left(-\\int_t^T c(s,X_s)\\,ds\\right)g(X_T) \\right].\\]\n\n终端条件或边界条件、系数的正则性以及可积性共同决定了这一表示的确切适用范围。该公式在偏微分方程与随机路径方法之间架起了一座桥梁，其应用包括边值问题的概率解法，以及基于模拟的期望计算。"
    },
    {
      "heading": "金融建模与数值计算",
      "text": "在数理金融中，伊藤引理将假定的资产价格方程转化为或有索取权价值的动态方程。在经典的常系数模型中，\n\n\\[dS_t=\\mu S_t\\,dt+\\sigma S_t\\,dW_t,\\]\n\n光滑的或有索取权价值函数 \\(V(t,S_t)\\) 满足\n\n\\[dV= \\left(V_t+\\mu S V_S+\\frac12\\sigma^2S^2V_{SS}\\right)dt +\\sigma S V_S\\,dW_t.\\]\n\n关于价格变量的一阶和二阶导数衡量不同的效应：\\(V_S\\) 决定对微小价格变动的风险敞口，而 \\(V_{SS}\\) 决定曲率修正项。\n\nBlack–Scholes 模型由费舍尔·布莱克、迈伦·斯科尔斯和罗伯特·默顿于 1973 年的研究中发展而来，在无摩擦、连续交易的环境下运用这一恒等式。包含 \\(\\Delta_t\\) 股股票和现金头寸的自融资投资组合具有如下动态：\n\n\\[dV_t=\\Delta_t\\,dS_t+r(V_t-\\Delta_tS_t)\\,dt.\\]\n\n令随机项相匹配，得到 \\(\\Delta_t=V_S(t,S_t)\\)。再令漂移项相匹配，便得到\n\n\\[V_t+\\frac12\\sigma^2S^2V_{SS}+rSV_S-rV=0.\\]\n\n实际概率测度下的漂移率 \\(\\mu\\) 被消去了。这一推导依赖于所设定的市场假设和自融资条件；它并不意味着任何动态调整的投资组合都是无风险的，也不意味着实际市场价格完全遵循该模型。\n\n在数值分析中，同样的二阶结构决定了随机方程的近似格式。对于\n\n\\[dX_t=b(X_t)\\,dt+\\sigma(X_t)\\,dW_t,\\]\n\n欧拉–丸山方法采用\n\n\\[X_{n+1}=X_n+b(X_n)h+\\sigma(X_n)\\Delta W_n,\\]\n\n其中，相互独立的增量 \\(\\Delta W_n\\) 服从分布 \\(N(0,h)\\)。在标准的全局 Lipschitz 条件、增长条件和矩条件下，该方法通常具有 \\(1/2\\) 阶强收敛性。强误差关注对同一布朗运动驱动的路径的近似；弱误差则关注适当检验函数的期望。\n\n一种更高阶的标量近似方法——米尔斯坦方法——保留了一个迭代积分项：\n\n\\[X_{n+1}=X_n+b(X_n)h+\\sigma(X_n)\\Delta W_n +\\frac12\\sigma(X_n)\\sigma'(X_n) \\left((\\Delta W_n)^2-h\\right).\\]\n\n其中的 \\((\\Delta W_n)^2-h\\) 项来自关于 \\(\\int W\\,dW\\) 的恒等式，而非普通的确定性泰勒展开。在适当的正则性条件下，该标量方法的强收敛阶为 \\(1\\)。在多维系统中，高阶格式可能需要交叉迭代积分和随机面积，因此驱动噪声的协方差结构在计算中具有重要意义。"
    },
    {
      "heading": "斯特拉托诺维奇微积分与坐标变换",
      "text": "斯特拉托诺维奇积分采用了另一种随机积分约定。对于连续半鞅，\n\n\\[\\int_0^t H_s\\circ dX_s = \\int_0^t H_s\\,dX_s+\\frac12[H,X]_t.\\]\n\n在适当条件下，对称型或中点型近似会得到这种积分，而左端点近似则会得到伊藤积分。这两种构造对形式上相同的被积函数和积分过程给出了不同的积分值。\n\n斯特拉托诺维奇记号恢复了熟悉的链式法则形式：\n\n\\[df(X_t)=f'(X_t)\\circ dX_t.\\]\n\n这并没有消除二次变差现象，而是将修正项纳入了积分的定义。例如，\n\n\\[\\int_0^t W_s\\circ dW_s=\\frac12W_t^2,\\]\n\n而伊藤积分的值为 \\(\\frac12(W_t^2-t)\\)。这两个等式在各自的约定下都是正确的。\n\n对于标量方程，\n\n\\[dX_t=b_{\\mathrm I}(X_t)\\,dt+\\sigma(X_t)\\,dW_t,\\]\n\n与之等价的斯特拉托诺维奇方程为\n\n\\[dX_t=b_{\\mathrm S}(X_t)\\,dt+\\sigma(X_t)\\circ dW_t, \\qquad b_{\\mathrm S}=b_{\\mathrm I}-\\frac12\\sigma\\sigma'.\\]\n\n因此，在两种约定下使用写法相同的漂移项，通常会定义出不同的过程。对于噪声系数矩阵的列为 \\(\\sigma_\\alpha\\) 的向量方程，修正关系为\n\n\\[b_{\\mathrm I} = b_{\\mathrm S} +\\frac12\\sum_\\alpha D\\sigma_\\alpha\\,\\sigma_\\alpha.\\]\n\n这里的每个导数都作用于空间坐标。\n\n这一区别在微分几何中特别有用。在光滑流形上，斯特拉托诺维奇方程可以用向量场来表述，并利用通常的链式法则在不同坐标图之间进行变换。相比之下，伊藤方程在非线性坐标变换下会产生一个二阶漂移项。为了使不同坐标下的描述表示同一个内在的随机运动，这一项是必不可少的。\n\n斯特拉托诺维奇方程也出现在近似问题中。在标准的 Wong–Zakai 条件下，以布朗运动的光滑近似为驱动的常微分方程会收敛到一个斯特拉托诺维奇方程。这一结论取决于近似方案和所作假设，因此并非适用于所有含快速变化噪声模型的普遍规律。当非预见性、鞅性质和条件期望处于核心地位时，伊藤积分仍是尤为自然的选择。因此，选择哪一种约定，是随机模型数学定义的一部分，而不只是记号上的偏好。"
    },
    {
      "heading": "跳跃、非光滑函数与推广公式",
      "text": "对于带跳跃的半鞅，仅靠二阶微分无法描述每次增量的影响。跳跃的幅度可以是有限大小，因此必须保留函数完整的非线性变化。若 \\(X\\) 是实值 càdlàg 半鞅，即其路径右连续且具有左极限，并且 \\(f\\in C^2\\)，则\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这里，\\(\\Delta X_s=X_s-X_{s-}\\)，而 \\([X]^c\\) 是二次变差的连续部分。取左极限的被积过程是可预测的，因此它的值在跳跃发生之前就已确定。\n\n跳跃求和项是精确的修正，而非二阶近似。对于跳跃幅度为 1 的泊松过程 \\(N_t\\)，有\n\n\\[f(N_t)-f(N_0) = \\int_0^t \\left[f(N_{s-}+1)-f(N_{s-})\\right]\\,dN_s.\\]\n\n若强度为常数 \\(\\lambda\\)，则相应的生成元为\n\n\\[Lf(n)=\\lambda\\bigl(f(n+1)-f(n)\\bigr).\\]\n\n这一有限差分算子与扩散过程的二阶微分算子形成对照。\n\n另一类推广放宽了对函数光滑性的要求。绝对值函数有一个尖点，因此通常的 \\(C^2\\) 公式在零点处不适用。对于连续半鞅，田中公式给出\n\n\\[|X_t-a| = |X_0-a| +\\int_0^t\\operatorname{sgn}(X_s-a)\\,dX_s +L_t^a(X),\\]\n\n其中，\\(L_t^a(X)\\) 是对称局部时，符号函数也采用相应的对称约定。局部时记录了水平 \\(a\\) 附近二次变差的累积。对于布朗运动，其归一化由占用密度恒等式刻画：\n\n\\[\\int_0^t g(W_s)\\,ds = \\int_{\\mathbb R}g(a)L_t^a(W)\\,da\\]\n\n该恒等式对适当的可测函数 \\(g\\) 成立。\n\n更一般地，凸函数即使并非处处具有通常意义下的二阶导数，也具有测度意义下的二阶导数。此时，光滑情形下的修正项可替换为\n\n\\[\\frac12\\int_{\\mathbb R}L_t^a(X)\\,f''(da),\\]\n\n并在随机积分中使用适当的单侧导数。这就是广义伊藤–田中公式，可用于处理正部函数、障碍和反射过程。\n\n进一步的推广涉及随机函数、无限维过程以及依赖路径的泛函。在伊藤–温策尔公式中，被变换的函数本身是一个随机场，因此其自身的随机性与代入该函数的过程之间会产生额外的协变差项。无限维版本需要适当的二阶导数以及迹条件。每一种推广都必须明确所需的二阶变差是否存在；仅凭连续性或随机性，并不足以保证伊藤型公式成立。"
    }
  ],
  "links": [
    "stochastic-calculus",
    "wiener-process",
    "chain-rule",
    "stochastic-differential-equation",
    "norbert-wiener",
    "andrey-kolmogorov",
    "probability-space",
    "filtration-probability",
    "variance",
    "normal-distribution",
    "ito-integral",
    "martingale",
    "quadratic-variation",
    "convergence-in-probability",
    "almost-surely",
    "partial-derivative",
    "taylor-series",
    "matrix",
    "covariance-matrix",
    "gradient",
    "hessian-matrix",
    "integration-by-parts",
    "jacobian-matrix",
    "expected-value",
    "heat-equation",
    "probability-density-function",
    "feynman-kac-formula",
    "partial-differential-equation",
    "black-scholes-model",
    "numerical-analysis",
    "euler-maruyama-method",
    "differential-geometry",
    "manifold",
    "poisson-process"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}