不列颠首相哈克1. 随机微分方程基础与金融应用场景
随机微分方程（Stochastic Differential Equation, SDE）是现代金融数学中描述资产价格动态的核心工具。与常微分方程不同，SDE引入了随机项来刻画市场中的不确定性，这种特性使其成为模拟金融时间序列的理想选择。
在Black-Scholes期权定价模型中，几何布朗运动（Geometric Brownian Motion, GBM）是最经典的SDE案例：
$$ dS(t) = \mu S(t)dt + \sigma S(t)dW(t) $$
其中$S(t)$表示资产价格，$\mu$为漂移率，$\sigma$为波动率，$W(t)$为标准布朗运动。这个方程描述的是资产价格的相对变化（收益率）由确定性趋势和随机波动组成。
布朗运动的两个关键特性：路径连续但处处不可微；二次变差不为零。这些特性导致传统微积分方法失效，必须使用伊藤积分理论。
金融领域中常见的SDE模型包括：
- 股票价格建模：几何布朗运动
- 利率模型：Vasicek模型、CIR模型
- 多因子模型：HJM远期利率模型
- 随机波动率模型：Heston模型
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 几何布朗运动的求解与伊藤引理应用
2.1 常规微分方程的求解对比
先考察确定性情况下的微分方程：
$$ \frac{dS(t)}{S(t)} = \mu dt $$
通过变量分离法可得解析解：
$$ S(t) = S_0 e^{\mu t} $$
但当加入随机项后，直接套用该方法会导致错误。因为对于：
$$ \frac{dS(t)}{S(t)} = \mu dt + \sigma dW(t) $$
若简单认为左边等于$d\ln S(t)$，就忽略了布朗运动的二次变差项。
2.2 伊藤引理的关键作用
对于函数$f(S(t)) = \ln S(t)$，应用伊藤引理：
$$ df = \frac{\partial f}{\partial t}dt + \frac{\partial f}{\partial S}dS + \frac{1}{2}\frac{\partial^2 f}{\partial S^2}(dS)^2 $$
具体展开步骤：
- 计算各阶导数：$f_t=0$, $f_S=1/S$, $f_{SS}=-1/S^2$
- 展开