为什么布朗运动是计算金融的基石?Computational-Finance-Course第2讲入门精讲

原创2026-10-23 17:12:491,725 阅读

为什么布朗运动是计算金融的基石?Computational-Finance-Course第2讲入门精讲

布朗运动(Brownian Motion)是计算金融(Computational Finance)最核心的数学工具,没有之一。它既是模拟股票价格随机波动的起点,也是 Black-Scholes 期权定价公式与蒙特卡洛(Monte Carlo)模拟的数学根基。Computational-Finance-Course 是配套教材 Mathematical Modeling and Computation in Finance 的官方课程资料库,第 2 讲 "Stock, Options and Stochastics" 正是从股票、期权一路讲到随机过程(Stochastics)的入门精讲,非常适合新手打地基。

一、第2讲学什么:从股票到随机过程 📊

第2讲完整课件见:Lecture 02- Stock, Options and Stochastics.pdf

这一讲解决三个层层递进的问题:

  1. 股票价格为什么是随机的? —— 用随机游走(Random Walk)逼近真实市场的不可预测性
  2. 什么样的随机过程"够好"? —— 独立增量、正态分布、连续路径,最终收敛到布朗运动
  3. 股票如何用随机过程建模? —— 引入几何布朗运动(GBM),保证价格永远为正

学完这一讲,你就能看懂后面所有讲座:第 3 讲期权定价、第 9~10 讲蒙特卡洛模拟、第 7 讲随机波动率模型,全部建立在布朗运动之上。

二、为什么布朗运动是计算金融的基石?

2.1 三大特性,恰好匹配金融需求

  • 独立增量:未来价格变动与历史路径无关,符合"有效市场"直觉
  • 增量服从正态分布:中心极限定理的自然结果,大量微小随机冲击的叠加
  • 可分析性强:有成熟的 Itô 微积分体系,能推导解析解,这是其他随机过程不具备的

2.2 从布朗运动到几何布朗运动(GBM)

普通布朗运动会取负值,不能直接当股价用。取对数后做布朗运动,再指数化回去,就得到 GBM:

对数价格 ln S(t) 服从算术布朗运动(ABM)⟹ 价格 S(t) 服从几何布朗运动(GBM)

GBM 有三个关键性质:价格恒正、单期收益对数正态、波动率 σ 是常数。课程第 3 讲的 GBM_ABM_paths.py 就是最小实现:先生成标准正态随机数,逐步累积 (r - 0.5σ²)·dt + σ·√dt·Z,最后对 X 取指数得到价格路径。把参数换成 r=0.05, σ=0.4, S₀=100 跑一遍,25 条路径的"随机漫步"图就是最直观的布朗运动教学演示。

2.3 风险中性世界:P 测度与 Q 测度

真实世界中股票平均收益率是 μ;但给期权定价时,我们"假装"用无风险利率 r 替代 μ——这就是风险中性定价(Q 测度)。PathsUnderQandPmeasure.py 中用同一组正态随机数分别模拟两种测度下的路径:折扣后的 Q 测度路径期望恰好等于初始股价,直观验证了"鞅(Martingale)"性质——这正是 GBM_ABM_paths_Martingale.py 要展示的核心结论。

三、新手学习路线与配套资料 ✅

学习阶段 推荐资料 说明
理论入门 Lecture 02 课件 布朗运动、GBM、Itô 引理
代码上手 Lecture 03 Materials GBM 路径生成,只需 NumPy + Matplotlib
深化理解 dWdW.py、StochasticIntegrals.py 用模拟验证 dW·dW = dt 等 Itô 积分性质
进阶实战 OptionPrices_EulerAndMilstein.py 布朗运动在 Heston 随机波动率模型中的应用

💡 入门建议:不需要先啃完全部数学证明,先跑通 GBM 路径代码,亲眼看到 25 条随机路径的分叉与收敛,再回看第 2 讲课件推导 Itô 引理,理解效率会高很多。

四、总结:抓住这条主线

  • 布朗运动 → GBM → Black-Scholes 解析定价 → 蒙特卡洛数值定价
  • 第 2 讲是整门课的地基,后续 13 讲几乎都在回答"真实市场偏离 GBM 时该怎么办"(跳跃、随机波动率、Heston、Bates)
  • 想查课程整体安排,可直接看 README.md

掌握布朗运动,你就握住了计算金融的"万能钥匙"——从这一讲开始,把数学、金融和 Python 拧成一股绳。

登录后查看全文
Computational-Finance-Course