{
  "id": "stochastic-differential-equation",
  "title": "随机微分方程",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "随机微分方程通过确定性动力学与连续或不连续的随机扰动，描述随机系统的演化。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "SDE"
  ],
  "generated_at": "2026-11-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/stochastic-differential-equation/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/stochastic-differential-equation/",
      "json": "https://aiwiki.page/en/stochastic-differential-equation.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "随机微分方程（SDE）是描述随机过程在系统性作用力与随机涨落的共同影响下随时间演化的方程。一种常见形式为\n\n\\[dX_t=b(t,X_t)\\,dt+\\sigma(t,X_t)\\,dW_t,\\]\n\n其中，\\(b\\) 指定漂移项，\\(\\sigma\\) 指定噪声如何进入系统，\\(W_t\\) 是维纳过程，也称为布朗运动。与常微分方程不同，随机微分方程通常不能用普通导数来解释：布朗运动的样本路径几乎必然处处不可微，因此需要借助随机积分理论来理解这类方程。\n\n随机微分方程为描述扩散、热涨落、随机变化的种群数量、金融价格以及许多其他随时间演化的系统提供了数学语言。它们将单条随机轨迹与描述概率分布的方程联系起来，并将概率模型与分析、几何、计算和统计推断联系起来。随机微分方程的发展源于对布朗运动的研究，其中包括阿尔伯特·爱因斯坦于1905年提出的扩散理论，以及保罗·朗之万于1908年提出的动力学表述。伊藤清自20世纪40年代开始的工作确立了随机微积分，为现代随机微分方程理论的很大一部分奠定了基础。"
    },
    {
      "heading": "数学表述与信息结构",
      "text": "标准的有限维布朗随机微分方程取值于 \\(\\mathbb{R}^d\\)：\n\n\\[dX_t=b(t,X_t)\\,dt+\\sigma(t,X_t)\\,dW_t, \\qquad X_0=\\xi.\\]\n\n这里，\\(W\\) 是一个 \\(m\\) 维布朗运动，\\(b\\) 取值于 \\(\\mathbb{R}^d\\)，而 \\(\\sigma\\) 是一个 \\(d\\times m\\) 矩阵。噪声源的数量不必等于状态变量的数量。相应的瞬时协方差矩阵为\n\n\\[a(t,x)=\\sigma(t,x)\\sigma(t,x)^{\\mathsf T}.\\]\n\n不同的矩阵 \\(\\sigma\\) 可以产生相同的 \\(a\\)；在比较轨道层面的构造与分布层面的描述时，这一区别十分重要。\n\n上述微分记号是以下积分方程的简写：\n\n\\[X_t=\\xi+\\int_0^t b(s,X_s)\\,ds +\\int_0^t \\sigma(s,X_s)\\,dW_s.\\]\n\n第一个积分是普通的时间积分，通常理解为勒贝格积分。第二个积分是随机积分。因此，仅给出符号 \\(b\\)、\\(\\sigma\\) 和 \\(W\\) 还不够：该随机积分采用何种解释，也是方程的一部分。除非另有说明，数学论述通常采用伊藤解释。\n\n其概率论框架是一个配备了滤过 \\((\\mathcal F_t)_{t\\geq0}\\) 的概率空间。滤过是一族随时间递增的事件集合，表示截至各时刻可获得的信息。解必须是适应的，即 \\(X_t\\) 关于 \\(\\mathcal F_t\\) 可测。时刻 \\(t\\) 之后的布朗运动增量必须独立于 \\(\\mathcal F_t\\)。这些要求确保模型不会利用未来的噪声来确定当前状态。初始数据既可以是确定性的，也可以是随机的，但必须与这一信息结构相容。\n\n对于较小的 \\(h>0\\)，在系数足够正则的条件下，有如下局部近似：\n\n\\[\\mathbb E[X_{t+h}-X_t\\mid X_t=x] =b(t,x)h+o(h),\\]\n\n以及\n\n\\[\\operatorname{Cov}(X_{t+h}-X_t\\mid X_t=x) =a(t,x)h+o(h).\\]\n\n因此，漂移增量的大小与 \\(h\\) 成正比，而典型噪声增量的大小与 \\(\\sqrt h\\) 成正比。这种尺度差异解释了为何噪声增量的平方会在微积分运算中产生贡献，而不是消失。\n\n一个具有随机系数却不含随机积分的方程，可能是随机常微分方程，而非这一较狭义定义下的随机微分方程。例如，当 \\(V_t\\) 是连续的随机系数时，\\(dX_t=V_tX_t\\,dt\\) 可以通过普通积分逐条轨道求解。布朗运动驱动的随机微分方程则需要额外的数学工具，因为其驱动轨道几乎必然在每个长度非零的时间区间上都具有无界变差。"
    },
    {
      "heading": "随机积分与变量替换法则",
      "text": "伊藤积分首先针对简单适应过程构造。若在每个区间 \\([t_k,t_{k+1})\\) 上有 \\(H_s=H_{t_k}\\)，则其积分定义为\n\n\\[\\int_0^T H_s\\,dW_s =\\sum_k H_{t_k}(W_{t_{k+1}}-W_{t_k}).\\]\n\n被积过程的取值在相应的布朗运动增量发生之前确定。在适当的均方空间中作完备化，就能将这一定义推广到满足\n\n\\[\\mathbb E\\int_0^T |H_s|^2\\,ds<\\infty.\\]\n\n的渐进可测过程。一个核心恒等式是伊藤等距公式：\n\n\\[\\mathbb E\\left|\\int_0^T H_s\\,dW_s\\right|^2 =\\mathbb E\\int_0^T |H_s|^2\\,ds.\\]\n\n这类积分从零出发时，是均值为零的鞅。通过局部化，还可允许被积过程不满足全局平方可积条件。\n\n布朗运动的二次变差等于所经过的时间。沿着对 \\([0,t]\\) 越来越精细的确定性分割，布朗运动增量的平方和依概率收敛于 \\(t\\)。对于伊藤过程，在标量情形下，这一性质表现为\n\n\\[d[X]_t=\\sigma(t,X_t)^2\\,dt\\]\n\n。助记式 \\(dW_t\\,dW_t=dt\\) 表示这一二阶贡献，并非无穷小量的普通乘法。\n\n由此得到的变量替换公式，即伊藤引理，具有根本性的重要意义。若\n\n\\[dX_t=b_t\\,dt+\\sigma_t\\,dW_t\\]\n\n且 \\(f(t,x)\\) 对时间具有一阶连续导数、对空间具有二阶连续导数，则\n\n\\[df(t,X_t)= \\left( \\partial_t f+b_t\\partial_x f +\\frac12\\sigma_t^2\\partial_{xx}f \\right)dt +\\sigma_t\\partial_x f\\,dW_t.\\]\n\n二阶导数项是这一公式与普通链式法则的区别所在。取 \\(f(x)=x^2\\) 和 \\(X_t=W_t\\)，可得\n\n\\[d(W_t^2)=2W_t\\,dW_t+dt, \\qquad \\int_0^t W_s\\,dW_s=\\frac12(W_t^2-t).\\]\n\n斯特拉托诺维奇积分用 \\(\\circ\\,dW_t\\) 表示，采用不同的极限约定，在光滑变量替换下遵循普通链式法则。在一维情形中，\n\n\\[dX_t=b_{\\mathrm S}(X_t)\\,dt+\\sigma(X_t)\\circ dW_t\\]\n\n在足够的光滑性条件下等价于\n\n\\[dX_t= \\left[b_{\\mathrm S}(X_t)+\\frac12\\sigma(X_t)\\sigma'(X_t)\\right]dt +\\sigma(X_t)\\,dW_t.\\]\n\n在多维情形中，若 \\(\\sigma_j\\) 是第 \\(j\\) 个噪声向量场，则修正项为 \\(\\frac12\\sum_j D\\sigma_j\\,\\sigma_j\\)。\n\n这两种约定并不存在普遍适用的优劣之分。伊藤积分与非预见的信息结构及鞅方法自然契合。斯特拉托诺维奇积分便于进行坐标变换，也常见于用理想化白噪声替代快速波动的光滑外力的情形。根据 Wong–Zakai 型结果，光滑逼近可以收敛到斯特拉托诺维奇方程，但极限应采用何种解释，取决于逼近方式和尺度设定。改变积分约定却不相应调整漂移项，通常就会改变模型。"
    },
    {
      "heading": "解的存在性、唯一性及其含义",
      "text": "强解是在给定的概率空间上，利用指定的布朗运动和初始条件构造的。除初始条件中的随机性外，强解由驱动噪声决定。弱解则允许将概率空间、布朗运动和解过程一同构造出来。这里的“弱”指概率论表述上的含义，并非指弱空间导数，也不是偏微分方程中所用的分布意义解释。\n\n与之相应，唯一性也有不同的概念。路径唯一性是指，在同一概率空间上，由同一个布朗运动驱动且具有相同初始条件的两个解不可区分：它们以概率一在所有时刻都相等。依分布唯一性是指，所有解在路径空间上具有相同的概率分布。这是两种不同的断言。山田–渡边定理将二者联系起来：在经典的布朗运动驱动的随机微分方程框架下，弱解存在性与路径唯一性共同蕴含强解存在性和依分布唯一性。\n\n全局强解存在的一个标准充分条件是：系数关于状态变量满足全局利普希茨连续性，并满足线性增长界。假设在每个有限时间区间上都有\n\n\\[|b(t,x)-b(t,y)| +\\|\\sigma(t,x)-\\sigma(t,y)\\| \\leq L|x-y|\\]\n\n以及\n\n\\[|b(t,x)|^2+\\|\\sigma(t,x)\\|^2 \\leq C(1+|x|^2).\\]\n\n在满足适当的可测性条件且初始条件平方可积时，这些条件保证存在唯一的适应连续解，且其二阶矩有限。证明用到逐次逼近、伊藤等距公式、鞅最大值估计和积分不等式。\n\n局部利普希茨连续性通常只能保证解在可能发生的爆炸时刻之前存在。构造解时，逐步将其延拓到离开越来越大的有界区域为止；如果这些离开时刻趋于某个有限极限，而状态变得无界，就发生了爆炸。增长条件或适当的李雅普诺夫估计可以排除这种情况。噪声并不必然阻止爆炸：即使没有噪声，方程的解也可能在有限时间内发散，例如对于正的初始值，\\(dX_t=X_t^2\\,dt\\) 就是如此。\n\n这些标准充分条件并非必要条件。方程\n\n\\[dX_t=\\kappa(\\theta-X_t)\\,dt+\\sigma\\sqrt{X_t}\\,dW_t\\]\n\n中的平方根系数在零点不满足利普希茨连续性，但对于通常取用的非负参数，其非负解仍具有路径唯一性。反过来，即使没有噪声，也可能出现不唯一的情况：初值问题\n\n\\[dX_t=2\\sqrt{|X_t|}\\,dt,\\qquad X_0=0,\\]\n\n允许解在零点停留任意长的时间后再开始增长。\n\n因此，边界行为和允许的状态空间也是适定问题的组成部分。仅在某个区域内部有效的微分表达式，未必能确定其边界上会发生什么。杀死、吸收、反射或其他边界机制，可以定义出内部系数相同、但彼此不同的随机模型。"
    },
    {
      "heading": "典型方程与显式解",
      "text": "一种基本的随机微分方程是具有恒定漂移和波动率的布朗运动：\n\n\\[dX_t=\\mu\\,dt+\\sigma\\,dW_t, \\qquad X_t=X_0+\\mu t+\\sigma W_t.\\]\n\n当 \\(X_0\\) 为确定值时，它在时刻 \\(t\\) 服从正态分布，均值为 \\(X_0+\\mu t\\)，方差为 \\(\\sigma^2t\\)。其增量具有平稳性和独立性。这一模型描述伴有定向输运的无约束扩散，但其状态可以取任意实数，因此不适合描述必须保持为正的量。\n\n奥恩斯坦–乌伦贝克过程引入了均值回复机制：\n\n\\[dX_t=\\kappa(\\theta-X_t)\\,dt+\\sigma\\,dW_t, \\qquad \\kappa>0.\\]\n\n乘以积分因子可得\n\n\\[X_t=\\theta+(X_0-\\theta)e^{-\\kappa t} +\\sigma\\int_0^t e^{-\\kappa(t-s)}\\,dW_s.\\]\n\n当 \\(X_0\\) 为确定值时，\\(X_t\\) 服从高斯分布，均值为\n\n\\[\\theta+(X_0-\\theta)e^{-\\kappa t}\\]\n\n方差为\n\n\\[\\frac{\\sigma^2}{2\\kappa}(1-e^{-2\\kappa t}).\\]\n\n其不变分布是均值为 \\(\\theta\\)、方差为 \\(\\sigma^2/(2\\kappa)\\) 的正态分布。当初始状态服从这一分布时，它就是一个平稳过程，协方差随时间间隔的增大呈指数衰减。该模型起源于对布朗运动粒子速度的研究，至今仍是线性随机动力学的经典例子。\n\n几何布朗运动的方程为\n\n\\[dX_t=\\mu X_t\\,dt+\\sigma X_t\\,dW_t.\\]\n\n当 \\(X_0>0\\) 时，对对数函数应用伊藤公式可得\n\n\\[X_t=X_0\\exp\\left[ \\left(\\mu-\\frac12\\sigma^2\\right)t+\\sigma W_t \\right].\\]\n\n修正项 \\(-\\sigma^2/2\\) 至关重要。虽然期望值为 \\(X_0e^{\\mu t}\\)，但 \\(\\log X_t\\) 的长期增长率几乎必然为 \\(\\mu-\\sigma^2/2\\)。因此，期望值的增长与典型轨迹的增长可能存在显著差异。该过程始终保持为正，且任一时刻的边缘分布均为对数正态分布。\n\n平方根扩散，也称考克斯–英格索尔–罗斯扩散，采用如下方程：\n\n\\[dX_t=\\kappa(\\theta-X_t)\\,dt+\\sigma\\sqrt{X_t}\\,dW_t.\\]\n\n当 \\(\\kappa,\\theta,\\sigma>0\\) 时，其不变分布为伽马分布，形状参数为 \\(2\\kappa\\theta/\\sigma^2\\)，尺度参数为 \\(\\sigma^2/(2\\kappa)\\)。从正值状态出发，当 \\(2\\kappa\\theta\\geq\\sigma^2\\) 时，过程无法到达零；当 \\(2\\kappa\\theta<\\sigma^2\\) 时，则可以到达零。其转移分布为经尺度变换的非中心卡方分布。\n\n这些模型展示了加性噪声、乘性噪声、均值回复，以及依赖于状态的边界行为。显式公式并不常见，但它们为理论结果、模拟算法和统计方法提供了基准。"
    },
    {
      "heading": "生成元、转移律与偏微分方程",
      "text": "在保证解的分布唯一的条件下，系数为确定性函数的随机微分方程定义了一个具有马尔可夫性质的过程：给定当前状态后，其未来的分布不依赖于此前的历史。随时间变化的系数通常会产生时间非齐次马尔可夫过程。在时间齐次情形下，转移算子\n\n\\[P_tf(x)=\\mathbb E_x[f(X_t)]\\]\n\n构成半群，满足 \\(P_{t+s}=P_tP_s\\)。这一恒等式是查普曼—柯尔莫哥洛夫方程的算子形式。\n\n无穷小生成元描述了该半群在短时间内的作用。对于光滑函数 \\(f\\)，\n\n\\[Lf(x)= \\sum_i b_i(x)\\partial_i f(x) +\\frac12\\sum_{i,j}a_{ij}(x)\\partial_{ij}f(x).\\]\n\n由伊藤公式可知，\n\n\\[f(X_t)-f(X_0)-\\int_0^t Lf(X_s)\\,ds\\]\n\n是局部鞅，并在满足适当的可积性条件时成为鞅。这一性质本身也可以通过鞅问题来定义该过程。当系数不规则，或通过生成元比通过轨道更容易证明近似模型的收敛性时，这种方法尤其有用。\n\n对于终端收益 \\(g\\)，令\n\n\\[u(t,x)=\\mathbb E[g(X_T)\\mid X_t=x].\\]\n\n当正则性足以支持经典解意义下的解释时，\\(u\\) 满足后向柯尔莫哥洛夫方程\n\n\\[\\partial_tu+L_tu=0,\\qquad u(T,x)=g(x).\\]\n\n而概率密度函数 \\(p(t,x)\\) 的演化则由福克–普朗克方程描述：\n\n\\[\\partial_t p =-\\sum_i\\partial_i(b_ip) +\\frac12\\sum_{i,j}\\partial_{ij}(a_{ij}p).\\]\n\n这是前向方程，在形式上涉及生成元的伴随算子。这些方程将随机微分方程与偏微分方程联系起来，其中热方程对应于布朗扩散这一特例。\n\n费曼–卡茨公式将这种对应关系推广到包含势项或贴现项的方程。例如，在适当假设下，方程\n\n\\[\\partial_tu+L_tu-c(t,x)u=0,\\qquad u(T,x)=g(x)\\]\n\n的解可表示为\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源项可以通过额外的时间积分纳入这一表示。\n\n随机微分方程并不自动保证光滑密度的存在。一致非退化的扩散是获得光滑性的一条标准途径，而退化系统则需要更精细的条件。赫尔曼德型结果表明，即使噪声只作用于某些方向，只要漂移向量场和噪声向量场通过其交换子将随机性传播开来，仍然可以产生光滑密度。描述位置与速度的朗之万方程就是一个典型例子。"
    },
    {
      "heading": "长期行为、边界与稀有事件",
      "text": "不变概率测度 \\(\\pi\\) 对适当的检验函数满足\n\n\\[\\int P_tf(x)\\,\\pi(dx)=\\int f(x)\\,\\pi(dx)\\]\n\n若过程的初始分布为 \\(\\pi\\)，则其单时刻分布不随时间演化而改变。平稳分布的存在性、唯一性以及向它的收敛性，是彼此独立的问题。一个过程可能有多个不变测度，也可能一个都没有；仅有不变性，并不能保证从任意初始状态出发都会趋于同一个平衡态。\n\n研究长期行为的一种常用方法，是寻找一个李雅普诺夫函数 \\(V\\)。该函数通常在状态趋于无穷远时增大，并满足\n\n\\[LV(x)\\leq-cV(x)+C\\]\n\n其中 \\(c\\) 和 \\(C\\) 为正常数。这一不等式表明，在某个有界区域之外，过程在平均意义下具有回归的趋势。结合适当的可达性与正则性条件，可以由此证明过程的常返性、不变分布的存在性，以及趋于平衡的定量收敛结论。在相应定理的假设下，遍历性结果进而为如下时间平均极限提供依据：\n\n\\[\\frac1T\\int_0^T f(X_t)\\,dt \\longrightarrow \\int f\\,d\\pi\\]\n\n对于过阻尼梯度扩散\n\n\\[dX_t=-\\nabla U(X_t)\\,dt+\\sqrt{2\\beta^{-1}}\\,dW_t,\\]\n\n一个候选的平衡概率密度为\n\n\\[p_\\infty(x)=Z^{-1}e^{-\\beta U(x)},\\]\n\n前提是归一化常数 \\(Z\\) 有限，且动力学定义良好。漂移使状态趋向低势能区域，而噪声则使其分散。在通常的条件下，这一扩散过程是可逆的，并满足细致平衡。另一些扩散过程则具有平稳概率流，因而不可逆。\n\n边界问题关注过程是否会到达或离开其状态空间的边缘。在一维情形中，可利用尺度函数与速度测度对边界进行分类。过程到达吸收边界后会停留在那里；被杀死的过程则被送入墓地状态；反射边界会将过程推回区域内部。反射可示意性地表示为\n\n\\[dX_t=b(X_t)\\,dt+\\sigma(X_t)\\,dW_t+dK_t,\\]\n\n其中，有限变差过程 \\(K\\) 只在边界处起作用。在一维反射模型中，它与边界局部时密切相关。\n\n小噪声会引入另一种时间尺度。对于\n\n\\[dX_t=-\\nabla U(X_t)\\,dt+\\sqrt{2\\varepsilon}\\,dW_t,\\]\n\n轨道可能在 \\(U\\) 的某个局部极小值附近停留很长时间，之后才越过势垒。在适当的非退化假设下，平均逃逸时间的主导指数项为 \\(e^{\\Delta U/\\varepsilon}\\)，其中 \\(\\Delta U\\) 是势垒高度。大偏差理论描述非典型路径出现的指数级小概率，并为这种亚稳态分析提供数学基础。即使短时间模拟只显示出局部涨落，这类稀有跃迁仍可能主导系统的行为。"
    },
    {
      "heading": "数值近似与模拟",
      "text": "大多数随机微分方程没有显式解，因此数值近似至关重要。对于步长 \\(h\\)，欧拉–丸山方法采用如下更新公式：\n\n\\[X_{n+1}=X_n+b(t_n,X_n)h +\\sigma(t_n,X_n)\\Delta W_n,\\]\n\n其中，相互独立的布朗增量满足\n\n\\[\\Delta W_n\\sim N(0,hI_m).\\]\n\n模拟必须保持噪声各分量之间模型所要求的协方差。用确定性扰动或尺度不正确的随机变量替代布朗增量，会改变模型本身。\n\n两种主要的误差准则各有用途。强误差比较近似解与由同一条布朗路径驱动的精确解，例如\n\n\\[\\left(\\mathbb E|X_T-X_N|^2\\right)^{1/2}.\\]\n\n弱误差则针对适当的一类检验函数，比较期望值：\n\n\\[\\left|\\mathbb E[\\varphi(X_T)]-\\mathbb E[\\varphi(X_N)]\\right|.\\]\n\n在标准的利普希茨条件下，欧拉–丸山方法的强收敛阶为 \\(1/2\\)；若再满足额外的光滑性与增长条件，其弱收敛阶为 \\(1\\)。这些收敛速率针对的是离散化误差，而非统计抽样误差。\n\n对于标量自治方程，米尔斯坦方法加入一个修正项：\n\n\\[X_{n+1}=X_n+b(X_n)h+\\sigma(X_n)\\Delta W_n +\\frac12\\sigma(X_n)\\sigma'(X_n) \\big((\\Delta W_n)^2-h\\big).\\]\n\n在适当的正则性条件下，该方法的强收敛阶为 \\(1\\)。在噪声向量场不对易的多维系统中，类似的高阶格式需要用到包括莱维面积在内的迭代随机积分。模拟这些积分的计算成本可能远高于生成普通高斯增量。\n\n当相应假设不成立时，标准的收敛性结论也可能失效。对于系数呈超线性增长的方程，即使精确解的矩有限，显式欧拉近似的矩也可能发散。驯化方法、截断方法和隐式方法通过修改更新公式来控制这种行为。数值格式还需要兼顾系统的结构特征：不加约束的欧拉步可能使本应非负的平方根扩散过程取到负值，而一般的数值方法则可能无法保持流形约束或平衡分布。因此，数值稳定性与状态空间的保持，可能和形式上的收敛阶同样重要。\n\n基于模拟的期望估计将时间离散化与蒙特卡洛方法中的抽样相结合。对于收益方差有限的独立路径，抽样误差按路径数的平方根的倒数成比例减小。缩小步长并不能消除这类误差。多层蒙特卡洛方法将粗网格与细网格上的模拟耦合起来，使大多数样本能够以较低成本计算，而用较少的细网格样本来估计层级之间较小的修正量。\n\n在灵敏度计算与反问题中，随机增量的耦合尤为重要。对不同参数值使用共同的布朗路径，可以大幅降低差值的方差；相反，若对每个参数值都独立地重新模拟，微小效应就可能被模拟噪声掩盖。"
    },
    {
      "heading": "物理建模、金融、控制与推断",
      "text": "在统计物理学中，欠阻尼朗之万方程将位置 \\(Q_t\\) 与动量 \\(P_t\\) 分开描述：\n\n\\[dQ_t=M^{-1}P_t\\,dt,\\]\n\n\\[dP_t=-\\nabla U(Q_t)\\,dt-\\gamma M^{-1}P_t\\,dt +\\sqrt{2\\gamma k_{\\mathrm B}T}\\,dW_t.\\]\n\n其中，\\(M\\) 为质量矩阵，\\(U\\) 为势能，\\(\\gamma\\) 为标量摩擦系数，\\(k_{\\mathrm B}\\) 为玻尔兹曼常数，\\(T\\) 为温度。噪声幅度与摩擦通过涨落—耗散关系相联系。在适当的约束条件下，不变密度正比于总能量除以 \\(k_{\\mathrm B}T\\) 后取负值的指数函数。该模型为分子模拟和热运动的粗粒化描述提供了基础。\n\n在种群生物学和化学动力学中，扩散模型常用于近似描述离散的出生、死亡及反应事件。对于状态变化向量为 \\(\\nu_r\\)、反应倾向函数为 \\(a_r(x)\\) 的反应通道，其形式上的扩散近似给出如下贡献：\n\n\\[\\nu_r a_r(X_t)\\,dt +\\nu_r\\sqrt{a_r(X_t)}\\,dW_t^{(r)}.\\]\n\n当相关时间尺度内发生大量反应事件时，这种近似最为合理。在接近灭绝或分子数较少时，可能必须使用底层的跳跃过程，因为连续近似可能无法正确反映系统的离散性和边界行为。\n\n在数理金融学中，几何布朗运动是1973年提出的布莱克—斯科尔斯模型的基础。在该模型的定价假设下，通过适当的概率测度变换，可将可交易资产在真实概率测度下的漂移率替换为无风险利率；若资产存在派息等支付，还需作相应调整。贴现价格随后便具有鞅结构。吉尔萨诺夫定理在适当的绝对连续性和可积性条件下，对漂移的变换作出了严格表述；它并不能任意改变扩散协方差。随机波动率模型和跳跃模型进一步拓展了这一框架，使其不再局限于恒定波动率和连续价格路径。\n\n受控随机微分方程允许漂移项或扩散项依赖于干预 \\(u_t\\)：\n\n\\[dX_t=b(t,X_t,u_t)\\,dt+\\sigma(t,X_t,u_t)\\,dW_t.\\]\n\n对期望累计成本和终端成本进行优化，将该模型与数学优化及动态规划联系起来。由此得到的哈密顿—雅可比—贝尔曼方程包含与生成元相同的二阶扩散算子，并包含对容许控制的优化。部分观测还会引入滤波问题：必须在作出控制决策之前或同时，根据带噪声的测量值估计状态。\n\n统计推断通常只能在离散时刻观测过程，而非连续观测。如果能够获得精确的转移密度，就可以进行最大似然估计。否则，则需采用近似转移、估计方程、模拟或贝叶斯推断等方法。漂移参数与扩散参数所蕴含的信息有所不同：固定时间区间内的高频观测可以准确揭示二次变差，但通常无法提供关于漂移的无限信息。要对漂移参数进行一致估计，往往需要长时间跨度的观测。测量噪声、隐变量和模型误设，也使统计推断进一步区别于单纯拟合一条数值轨迹。"
    },
    {
      "heading": "跳跃噪声、无穷维方程与几何推广",
      "text": "布朗噪声描述连续的波动，但许多系统会发生突变。在补偿积分有良好定义的情况下，带跳跃的随机微分方程可写为\n\n\\[dX_t=b(X_{t-})\\,dt+\\sigma(X_{t-})\\,dW_t +\\int_E \\gamma(X_{t-},z)\\,\\widetilde N(dt,dz),\\]\n\n其中，\\(X_{t-}\\) 表示时刻 \\(t\\) 之前一瞬间的状态，\\(N\\) 是带有标记 \\(z\\) 的跳跃所对应的泊松随机测度，而 \\(\\widetilde N\\) 则由 \\(N\\) 减去其强度测度得到。更一般的表述会将经过补偿的小跳跃与未经补偿的大跳跃分开处理。解的路径通常右连续且具有左极限。\n\n跳跃方程具有一套非局部的微积分。伊藤公式在每次跳跃处包含有限差分 \\(f(X_t)-f(X_{t-})\\)，而不只是局部的二阶导数修正。因此，这类方程的生成元含有积分项，相应的分布演化方程往往是积分微分方程。莱维过程构成了一大类具有平稳独立增量的驱动过程，其中布朗运动和泊松过程都是特例。\n\n当状态是空间场时，模型就成为随机偏微分方程。一个形式上的例子是\n\n\\[du=(\\Delta u+F(u))\\,dt+G(u)\\,dW_t.\\]\n\n状态可以取值于希尔伯特空间或巴拿赫空间，而 \\(W\\) 可以是无穷维噪声。此时，空间维数与噪声的正则性起着决定性作用：解可能仅以广义函数的形式存在，因此若不进行额外构造，幂运算等非线性运算就可能没有良好定义。温和解将演化半群与随机卷积结合起来；变分解则利用适当的函数空间和对偶性。\n\n随机微分方程也可以在流形上演化。在斯特拉托诺维奇形式下，\n\n\\[dX_t=V_0(X_t)\\,dt+\\sum_{j=1}^m V_j(X_t)\\circ dW_t,\\]\n\n切向量场 \\(V_j\\) 给出了内蕴的几何描述。通常的坐标变换会保持这一形式。黎曼流形上的布朗运动以拉普拉斯–贝尔特拉米算子的一半为生成元。在局部坐标下写成伊藤形式时，通常会出现反映几何性质的额外漂移项，因此，仅将欧几里得噪声投影到坐标图中并不足够。\n\n最后，粗糙路径理论通过为路径补充迭代积分信息，研究由不规则信号驱动的微分方程。对于经过适当增强的驱动信号，这使得定义连续的解映射成为可能。布朗运动可以进行这样的增强，但不同的二阶增强对应不同的积分约定。仅有驱动路径通常意义下的一致收敛并不能捕捉这些信息，这也解释了为什么看似相近的光滑逼近会产生不同的极限方程。分数布朗运动驱动的方程和路径依赖方程进一步拓展了这一框架，往往超出半鞅或有限维马尔可夫框架的范围。"
    }
  ],
  "links": [
    "stochastic-process",
    "wiener-process",
    "ordinary-differential-equation",
    "probability-distribution",
    "matrix",
    "covariance-matrix",
    "lebesgue-integral",
    "filtration-probability",
    "probability-space",
    "almost-surely",
    "ito-integral",
    "martingale",
    "quadratic-variation",
    "itos-lemma",
    "chain-rule",
    "lipschitz-continuity",
    "normal-distribution",
    "variance",
    "stationary-process",
    "expected-value",
    "markov-property",
    "chapman-kolmogorov-equations",
    "probability-density-function",
    "partial-differential-equation",
    "heat-equation",
    "feynman-kac-formula",
    "stationary-distribution",
    "detailed-balance",
    "euler-maruyama-method",
    "numerical-stability",
    "monte-carlo-method",
    "girsanov-theorem",
    "mathematical-optimization",
    "maximum-likelihood-estimation",
    "bayesian-inference",
    "hilbert-space",
    "banach-space",
    "manifold"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}