随机过程是描述不确定系统随时间演进概率规律的强大数学工具。不论你想捕捉股价走势、度量利率风险，还是为复杂的衍生品定价，只要涉及“未知”，就绕不开随机过程。本文以极简中文梳理其核心组成、典型形式，并给出 Python 实战代码，帮助你把抽象概念落地为可运行的决策模型。
关键词：随机过程、股价建模、几何布朗运动、随机微分方程、风险度量
随机过程的五大基本组成
为了模拟股票、利率或加密资产等金融资产的随机性，一个完整的随机过程必须包含以下五个要素：
- 状态空间
随机过程可能取到的所有值。例如，股票价格在 0 到 ∞ 之间。 - 指标集
时间的表示方式——可以是离散的（天、月），也可以是连续的（秒、毫秒）。 - 随机变量集合
描述“随机”来源的变量。股票在不同交易日的收益率便是随机变量。 - 路径/实现
一次完整的历史观测序列。2023 全年 Apple 股价变化曲线即是一条“实现”。 - 概率测度
给每条路径赋予概率的工具。Black-Scholes 模型用到的对数正态分布就属于概率测度。
理解以上 5 点，任何看似复杂的金融市场都能被抽象为一张概率网进行量化分析。
主流随机过程形式与金融场景
以下 10 种随机过程在实际应用中高频出现：
| 名称 | 关键词 | 金融场景示例 |
|---|---|---|
| 随机游走 | 无相关性 | 弱式有效市场假说 |
| 几何布朗运动 | 股价建模、Black-Scholes | 欧式期权定价 |
| 泊松过程 | 违约风险 | 组合信用风险预测 |
| 马尔科夫链 | 记忆缺失 | 利率期限结构迁移 |
| 鞅与半鞅 | 无漂移与漂移 | 衍生品对冲 |
| Lévy 过程 | 含跳 | 突发新闻价格冲击 |
| Ornstein-Uhlenbeck | 均值回归 | VIX 长期中枢回归 |
| 跳跃扩散 | 连续+跳跃 | 期权带跳定价 |
| 高斯过程 | 多维正态 | 收益率曲面拟合 |
| 隐马尔科夫 | 隐藏状态 | 算法交易情绪分类 |
👀 如何 15 分钟上手 Black-Scholes 无错实现？
Python 实战：一次完整的股价模拟
下面用 30 行 Python 带你跑出 252 个交易日（约一年）的股价路径。核心假设：资产遵循几何布朗运动 (GBM)。
1. 导入所需模块
import numpy as np2. 设定参数
S₀=100 美元（起始价）
年化漂移率 μ=5%
年化波动率 σ=20%
Δt 为每日步长（1/252）
随机种子设为 42，便于复现
mu, sigma, S0, T, dt = 0.05, 0.20, 100, 1.0, 1/252
N = int(T/dt)
np.random.seed(42)
dW = np.random.normal(0, np.sqrt(dt), N)
Wt = np.cumsum(dW)
St = S0 * np.exp((mu - 0.5*sigma**2) * np.linspace(0, T, N) + sigma * Wt)
print("一年后估值:", round(St[-1], 2))运行示例输出 一年后估值: 124.31 美元——一次“多头”情境。
当然，更严谨的做法是用 Monte-Carlo 跑 1 万条路径，再取中位数估值和置信区间。
求解随机微分方程 (SDE) 的两条路径
大多数资产价格 SDE 无解析解，你得掌握数值思路：
1. 欧拉-丸山 (Euler-Maruyama)
线性更新式：
ΔS = μ·S·Δt + σ·S·√Δt·Z₍ₜ₎
十分钟即可手写。
2. Milstein 提升
在扩散项 σ·S 上加二阶修正，减少离散误差；适合 σ(X) 非线性的模型。
衡量精度：时间步长越小，模型误差越低，但计算量成 Ω(1/Δt)。
性能陷阱：Python 的 for-loop 太慢，可改用 Numba or Cython。
FAQ：读者最关心的 6 大问题
Q1: GBM 的最大局限是什么？
A: 假设恒定波动率与现实不符。实战可用 Hull-White 随机波动扩展。
Q2: 如何把模型用于风险度量 VaR？
A: 在 Monte-Carlo 最终价格分布上取 5% 分位数即可，简单有效。
Q3: Python 做百万路径会爆内存吗？
A: 默认一次性存储 1M×252 矩阵约 2 GB，可改用增量更新或 GPU。
Q4: 为何有时用离散马尔科夫链而不用连续模型？
A: 离散链天然适配债券信用评级迁移、股票换档趋势，代码直观易于审计。
Q5: 怎么验证随机过程对真实市场“足够好”？
A: 用后验滚动窗口回测破产概率、校准误差（Kolmogorov-Smirnov 距离）。
Q6: Girsanov 定理到底帮啥忙？
A: 把 P-world（真实分布）变为 Q-world（无套利漂移），是风险中性定价的核心一步。
结语
从 1923 年的 Brown 观察到今日的毫秒级量化交易，随机过程始终是连接数学与市场不确定性的桥梁。掌握其框架与实现技巧，你就能把“概率”转化为可压缩的收益曲线，直到时间本身给出下一个随机考验。