Itô 引理：随机过程的链式法则

从 Taylor 展开一步步推导 Itô 引理，为什么 $dW^2 = dt$，以及普通链式法则哪里出错。

第 6 篇 · 共 12 篇约 11 分钟

如果你曾经试图对一个股票价格的函数求导，结果错了，你就撞上了 Itô 引理。普通微积分不够。当你要微分那个变量本身就是一个带 $dW$ 项的随机过程时，你会得到一个确定型链式法则漏掉的项。那个额外的项就是随机微积分存在的全部理由。

这篇文章从头走一遍推导。我们从 Taylor 展开开始，丢掉小项，到达 Itô 引理。一路上我们会看到为什么 $dW^2 = dt$ ，为什么这不是一个粗心的近似，以及当底层过程有 $dt$ 漂移项时什么会变。

普通微积分的问题

设 $X_t$ 是带漂移的布朗运动：

dX_t = a \, dt + b \, dW_t

其中 $a$ 和 $b$ 是常数。现在设 $Y_t = f(X_t)$ ， $f$ 是某个光滑函数。 $dY_t$ 是什么？

如果你用普通微积分的链式法则，你会写 $dY_t = f'(X_t) \, dX_t$ 。这是错的。它漏掉一项。具体说，对 $f(x) = x^2$ ，普通微积分给出 $dY_t = 2X_t \, dX_t = 2X_t(a \, dt + b \, dW_t)$ 。但 $X_t^2$ 在 $[t, t+dt]$ 上的实际变化有一个涉及 $(dX_t)^2$ 的部分，跟 $dt$ 成比例。普通微积分忽略了这点，因为在确定型情况下 $(dX_t)^2 = 0$ 。在随机情况下， $(dW_t)^2$ 不是 0。

要得到正确答案，我们必须更仔细。

Taylor 展开到二阶

把 $f(X_{t+dt})$ 在 $X_t$ 周围展开：

f(X_{t+dt}) = f(X_t) + f'(X_t) \, dX_t + \frac{1}{2} f''(X_t) (dX_t)^2 + \frac{1}{6} f'''(X_t) (dX_t)^3 + \cdots

我们保留二阶项、丢掉三阶的原因是 $(dX_t)^2$ 是 $dt$ 量级，所以需要二阶 Taylor 来捕捉 $dt$ 大小的项。三阶项是 $(dX_t)^3$ ，是 $dt^{3/2}$ 量级（因为 $dW_t^3 = dW_t \cdot dt \sim dt^{1/2} \cdot dt = dt^{3/2}$ ），在极限下消失。

所以我们有

df(X_t) = f'(X_t) \, dX_t + \frac{1}{2} f''(X_t) (dX_t)^2 + \text{高阶}

现在用随机微分的乘法表计算 $(dX_t)^2$ 。回忆：

$dt^2 = 0$
$dt \cdot dW_t = 0$
$dW_t^2 = dt$

这些是形式规则。理由是 $dW_t \sim \sqrt{dt}$ ，所以 $(dW_t)^2 \sim dt$ ，而 $dt \cdot dW_t \sim dt^{3/2} \to 0$ 。对我们的过程，

(dX_t)^2 = (a \, dt + b \, dW_t)^2 = a^2 \, dt^2 + 2ab \, dt \, dW_t + b^2 \, dW_t^2 = b^2 \, dt

漂移项的平方消失，交叉项消失，只有扩散平方存活。这是关键步骤。

代回去：

df(X_t) = f'(X_t) (a \, dt + b \, dW_t) + \frac{1}{2} f''(X_t) b^2 \, dt

= \left[a f'(X_t) + \frac{1}{2} b^2 f''(X_t)\right] dt + b f'(X_t) \, dW_t

这就是 $X_t$ 有常数漂移 $a$ 和常数扩散 $b$ 情形下的 Itô 引理。额外项 $\frac{1}{2} b^2 f''(X_t) dt$ 就是 Itô 修正。它是你在 $(dW_t)^2$ 不为零的世界里工作的代价。

一般陈述

对满足 SDE

dX_t = \mu(X_t, t) \, dt + \sigma(X_t, t) \, dW_t

的过程 $X_t$ ，以及一个二次可微的函数 $f(x, t)$ ，Itô 引理说：

df(X_t, t) = \left[\frac{\partial f}{\partial t} + \mu \frac{\partial f}{\partial x} + \frac{1}{2} \sigma^2 \frac{\partial^2 f}{\partial x^2}\right] dt + \sigma \frac{\partial f}{\partial x} \, dW_t

这是你在每本随机微积分教科书里会看到的公式。五个项是：时间导数、漂移贡献、扩散贡献、二阶导数（Itô 修正），以及扩散噪声。记住这个。或者至少把结构内化：时间、漂移、二阶扩散修正、然后是随机项。

一个常见简写是

df = f_t \, dt + f_x \, dX_t + \frac{1}{2} f_{xx} (dX_t)^2

最后一项按规则 $(dX_t)^2 = \sigma^2 \, dt$ 。这个紧凑形式就是人们说”把 $dW^2$ 当成 $dt$ 处理”的意思。

例子： $f(X_t) = X_t^2$

设 $X_t = W_t$ （所以 $a = 0$ 、 $b = 1$ ）。那么 $f(X_t) = W_t^2$ 。应用 Itô 引理， $\mu = 0$ 、 $\sigma = 1$ 、 $f'(x) = 2x$ 、 $f''(x) = 2$ ：

d(W_t^2) = (0 \cdot 2W_t + \frac{1}{2} \cdot 1 \cdot 2) dt + 1 \cdot 2W_t \, dW_t = dt + 2W_t \, dW_t

从 $0$ 到 $T$ 积分：

W_T^2 = 2 \int_0^T W_t \, dW_t + T

这是一个著名的恒等式。它说布朗运动在 $[0, T]$ 上的二次变分等于 $T$ , 这正是 $\langle W \rangle_T = T$ 的意思。Itô 积分 $\int_0^T W_t \, dW_t$ 是均值为零的鞅，所以 $\mathbb{E}[W_T^2] = T$ ，恢复了 $W_T$ 的方差。

例子：GBM 的 $f(X_t) = \log X_t$

对满足 $dX_t = \mu X_t \, dt + \sigma X_t \, dW_t$ 的 $X_t$ ，取 $f(x) = \log x$ 。我们有 $f'(x) = 1/x$ 、 $f''(x) = -1/x^2$ ，没有显式时间依赖。Itô 引理给出：

d(\log X_t) = \left[\mu X_t \cdot \frac{1}{X_t} + \frac{1}{2} \sigma^2 X_t^2 \cdot \left(-\frac{1}{X_t^2}\right)\right] dt + \sigma X_t \cdot \frac{1}{X_t} \, dW_t

= \left(\mu - \frac{1}{2} \sigma^2\right) dt + \sigma \, dW_t

这就是让 GBM 可处理的干净的对数收益结果。Itô 修正 $-\sigma^2/2$ 把 $\log S_t$ 的漂移向下移了半个方差。这就是为什么期权定价公式包含 $(r - \sigma^2/2)$ 项而不仅仅是 $r$ 。

为什么修正重要

Itô 修正 $-\frac{1}{2} \sigma^2$ 不是个小效应。对 30% 波动率的股票，它是每年 4.5%。五年期累积，这复合成终端中位价格减少 25%。这个项错了，你的期权价格差几十个百分点。

修正的直觉是凸性。函数 $f(x) = \log x$ 是凹的。凹函数的随机游走的平均值低于平均位置处的函数值。Itô 修正 $-\frac{1}{2} \sigma^2 f''(x)$ 正是这个凸性调整。对凸函数，修正反方向。

同样的逻辑解释了对数正态分布著名的 Jensen 不等式。 $\log S_T$ 的均值小于 $S_T$ 均值的对数，差正好是 $\sigma^2 T / 2$ 。这不是巧合。这是同一个 Itô 修正，表达为积分。

多维 Itô 引理

当 $X_t$ 是被多个相关布朗运动驱动的过程向量时，Itô 引理有二次型形式。设 $\mathbf{X}_t$ 满足

d\mathbf{X}_t = \boldsymbol{\mu}(\mathbf{X}_t, t) \, dt + \boldsymbol{\Sigma}(\mathbf{X}_t, t) \, d\mathbf{W}_t

其中 $\mathbf{W}_t$ 是独立布朗运动的向量。对函数 $f(\mathbf{x}, t)$ ，

df = \left[\frac{\partial f}{\partial t} + \nabla f \cdot \boldsymbol{\mu} + \frac{1}{2} \text{tr}\left(\boldsymbol{\Sigma} \boldsymbol{\Sigma}^T \text{Hess}(f)\right)\right] dt + \nabla f \cdot \boldsymbol{\Sigma} \, d\mathbf{W}_t

trace 项是多维 Itô 修正。它是 $\frac{1}{2} \Sigma_{ki} \Sigma_{kj} \partial^2 f / \partial x_i \partial x_j$ 对 $i, j, k$ 求和。等价地，它是半二次型 $\nabla f^T \boldsymbol{\Sigma} \boldsymbol{\Sigma}^T \nabla f$ ……不，那是错的。trace 形式是对的。直觉是你把二阶导数按 $X$ 的瞬时协方差矩阵加权求和。

对两个被同一个布朗运动驱动、相关为 $\rho$ 的过程 $X_t$ 和 $Y_t$ ，交叉项 $dX_t \, dY_t = \rho \sigma_X \sigma_Y \, dt$ 出现。这就是为什么相关性在多资产问题里对 Itô 修正重要。

乘法表

记住随机微积分规则最干净的方式是微分的乘法表：

	$dt$	$dW_t$
$dt$	0	0
$dW_t$	0	$dt$

所有乘积都在 $L^2$ 意义下求值，只有 $dW_t^2 = dt$ 存活。等价地，计算 $dX_t = \mu \, dt + \sigma \, dW_t$ 的 $dX_t^2$ 时，只保留 $\sigma^2 \, dt$ 。

这个表在细分极限下是精确的。不是近似。Itô 积分被定义为左端点 Riemann 和的 $L^2$ 极限，在那个极限下交叉项消失，只有 $dW_t^2$ 部分存活。证明用了布朗运动有独立增量且 $\mathbb{E}[(\Delta W)^2] = \Delta t$ 在极限下成立。

为什么不直接用 Stratonovich？

有一个替代的随机积分叫 Stratonovich 积分，记为 $\circ dW_t$ ，它服从普通链式法则。具体说，如果你把 $\int f(W_t) \circ dW_t$ 定义为中点 Riemann 和而不是左端点 Riemann 和的极限，你得到关系

f(W_T) - f(W_0) = \int_0^T f'(W_t) \, dW_t + \frac{1}{2} \int_0^T f''(W_t) \, dt

其中最后一项跟普通微积分类似。Stratonovich 微积分对几何问题（随机微分几何、力学）方便，但有一个大缺点：Stratonovich 积分不是鞅。

在金融建模里，我们关心鞅，因为风险中性定价依赖它们。贴现股票价格 $e^{-rt} S_t$ 在 $\mathbb{Q}$ 下是鞅。自融资交易策略的贴现财富是鞅。这些事实在定价和对冲里是根本的，在 Stratonovich 下不成立。所以我们用 Itô 积分。我们付出 Itô 修正的代价来换取鞅性质。

这是个真正的权衡。一些作者（特别是物理学家）更喜欢 Stratonovich。在金融里，Itô 赢了，因为鞅性质。如果你在做数学金融，用 Itô。

Itô 引理 vs. 乘积法则

一个相关公式是 Itô 乘积法则。对两个过程 $X_t$ 和 $Y_t$ ，

d(X_t Y_t) = X_t \, dY_t + Y_t \, dX_t + dX_t \, dY_t

额外项 $dX_t \, dY_t$ 来自 Taylor 展开里的乘积法则。如果 $X$ 和 $Y$ 都是 Itô 过程，交叉项是协方差项： $dX_t \, dY_t = \sigma_X \sigma_Y \rho_{XY} \, dt$ ，其中 $\rho_{XY}$ 是驱动布朗运动的瞬时相关。

这是随机积分的分部积分基础。也是你推导像 $S_t e^{-rt}$ （贴现股票）这类乘积的动力学的方式，当 $r$ 和 $S_t$ 有相关动态时。

常见坑

这里有一个我常见到的错误。有人想对满足 $dS_t = \mu S_t \, dt + \sigma S_t \, dW_t$ 的 $S_t$ 计算 $dS_t^2$ 。他们应用普通规则 $(dS_t)^2 = 0$ （因为 $dS_t$ “小”）然后得出 $S_t^2$ 的动态是 $d(S_t^2) = 2S_t \, dS_t$ 的结论。这是错的。Itô 引理的正确答案：

d(S_t^2) = 2 S_t \, dS_t + (dS_t)^2 = 2 \mu S_t^2 \, dt + 2 \sigma S_t^2 \, dW_t + \sigma^2 S_t^2 \, dt

= (2\mu + \sigma^2) S_t^2 \, dt + 2\sigma S_t^2 \, dW_t

漂移是 $(2\mu + \sigma^2) S_t^2$ ，不是 $2\mu S_t^2$ 。额外的 $\sigma^2 S_t^2$ 是 Itô 修正。对高波动率资产，这不是可忽略的。这就是为什么杠杆 ETF 有反直觉的长期漂移性质。

该带走的

Itô 引理是随机过程的链式法则。关键的额外项是二阶导数项 $\frac{1}{2} \sigma^2 f_{xx} \, dt$ ，它捕捉了 $(dW_t)^2$ 是 $dt$ 量级而不是 0 的事实。这个引理让我们计算 Itô 过程的任何光滑函数的动态。

实务中，你会用 Itô 引理来：

求解 SDE（GBM 的对数技巧用了它）。
找到衍生品价格的动态（Black-Scholes 推导）。
换元（波动率变换、计价物变换）。
构造鞅（随机指数、密度过程）。

这里的参考文献是 Øksendal (2003) Stochastic Differential Equations 第 4 章；Glasserman (2004) 3.3 节；和 Hull (2018) 第 14 章（Itô 引理）。Øksendal 是数学上更清晰的来源。Glasserman 面向金融读者，更务实。三本都读。第一次过的时候，乘法表和二阶导数项是唯一应该感到新的东西。其他都是普通微积分加一个小修正。

代码示例：数值验证 Itô 引理

理论没问题。让我用一个快速模拟验证 Itô 引理。我们检验恒等式 $d(W_t^2) = dt + 2W_t \, dW_t$ ，方法是模拟细的布朗路径并检查漂移。

import numpy as np

def verify_ito_squared_brownian(n_paths=20000, T=1.0, n_steps=10000, seed=0):
    rng = np.random.default_rng(seed)
    dt = T / n_steps
    dW = rng.standard_normal((n_paths, n_steps)) * np.sqrt(dt)
    W = np.concatenate([np.zeros((n_paths, 1)), np.cumsum(dW, axis=1)], axis=1)
    X2 = W[:, -1]**2
    ito_integral = np.sum(W[:, :-1] * dW, axis=1)
    empirical_drift = (X2 - 2 * ito_integral).mean() / T
    print(f"Empirical drift of W^2 - 2∫W dW: {empirical_drift:.4f}")
    print(f"Theoretical drift: {1.0:.4f}")

verify_ito_squared_brownian()

跑这个给出接近 1.0 的漂移（在 Monte Carlo 误差内），确认 $d(W_t^2) = dt + 2W_t \, dW_t$ 。Monte Carlo 误差按 $1/\sqrt{n_{\text{paths}}}$ 缩放，所以 20,000 条路径足够清楚看到这个结果。这是你对随机恒等式不确定时应该跑的健全性检验。

通过 Itô 的几何布朗运动

一个更有趣的验证是 GBM 的对数技巧。在 $dS_t = \mu S_t \, dt + \sigma S_t \, dW_t$ 下，我们声称 $d(\log S_t) = (\mu - \sigma^2/2) \, dt + \sigma \, dW_t$ 。漂移应该是 $\mu - \sigma^2/2$ ，不是 $\mu$ 。

def verify_gbm_log_drift(mu=0.08, sigma=0.30, T=1.0, n_paths=20000, n_steps=2000, seed=1):
    rng = np.random.default_rng(seed)
    dt = T / n_steps
    S0 = 100.0
    log_S = np.zeros(n_paths)
    for _ in range(n_steps):
        dW = rng.standard_normal(n_paths) * np.sqrt(dt)
        log_S += (mu - 0.5 * sigma**2) * dt + sigma * dW
    final_log = log_S
    empirical_drift = (final_log / T).mean()
    theoretical_drift = mu - 0.5 * sigma**2
    print(f"Empirical drift of log(S_T)/T: {empirical_drift:.4f}")
    print(f"Theoretical drift: {theoretical_drift:.4f}")

verify_gbm_log_drift()

输出：经验约 0.0350 vs 理论 0.0350。半波动率平方修正正是让它能工作的东西。如果你忘了 $-\sigma^2/2$ 并用 $\mu$ 作为对数漂移，你模拟的路径会有错的终值分布，你的期权价格会有偏。

历史花絮

Kiyosi Itô 在 1940 和 1950 年代推导了他的引理，建立在 Kiyoshi Kunita、Paul Lévy 和 Joseph Doob 的工作上。原始论文是日文的，在西方直到 1970 年代才被广泛阅读。Black-Scholes 论文 (1973) 甚至都没提到 Itô 的名字。Scholes 后来说他和 Black 从头重新推导了他们需要的东西，叫它”随机微积分”，不知道它有名字。

这是数学金融里反复出现的主题。人们重新发明他们需要的数学。有时候他们做得好。经常他们重新发明得很差。好好学 Itô 的好处是你不再重新发明、开始用一个经过良好测试的工具。坏处是你必须学一次。

“可预测”的那部分

最后一个经常让人困惑的技术点。在 Itô 积分 $\int_0^t \sigma(S_u, u) \, dW_u$ 里，被积函数在 $u$ 处求值， $W_u$ 有独立增量。这意味着被积函数在极限下独立于 $dW_u$ 。这就是 Itô 积分是鞅的原因。也是为什么我们在每个子区间的左端点求值, 保持这个独立性。

Stratonovich 积分在中点求值，给出一个不可预测的、依赖于 $dW_u$ 的被积函数。这破坏了鞅性质但恢复了普通链式法则。两者通过一个修正项相关。转换是

\int f(W_t) \, dW_t = \int f(W_t) \circ dW_t - \frac{1}{2} \int f'(W_t) \, dt

右边是 Stratonovich，左边是 Itô。修正正好是导数时间积分的一半, 跟之前的 Itô 修正一样。所以 Stratonovich 和 Itô 积分差一个确定性平移。

在金融里，我们总用 Itô。在物理和工程里，Stratonovich 更自然，因为链式法则更简单。转换是良定义的。选适合你问题的微积分。