布朗运动的维纳过程定义与马尔可夫性

布朗运动是随机过程的基石，理解它的数学定义是学习随机分析的关键一步。本文将直接讲解其核心定义与关键性质，帮助你快速建立直觉。

1. 理解布朗运动的本质与维纳过程的定义

首先，明确布朗运动的物理直觉：一个悬浮在流体中的花粉粒子，受到周围分子的随机、连续的碰撞，其运动轨迹是连续的，但在任何瞬间其速度方向都是完全随机的。数学上的维纳过程就是对这种运动的严格刻画。

构建一个概率空间 $(\Omega, \mathcal{F}, P)$，其中 $\Omega$ 是样本空间（所有可能路径的集合），$\mathcal{F}$ 是事件域，$P$ 是概率测度。在这个空间上，定义一个随机过程 $W_t$。
定义标准布朗运动或维纳过程 $W_t$。它必须满足以下四个核心条件：
- 初始条件：过程从原点开始，即 $W_0 = 0$。
- 独立增量：对于任意时间点 $0 \leq t_0 < t_1 < ... < t_n$，增量 $W_{t_1} - W_{t_0}, W_{t_2} - W_{t_1}, ..., W_{t_n} - W_{t_{n-1}}$ 是相互独立的随机变量。这意味着粒子未来的发展只依赖于当前位置，而与它如何到达此处的历史无关。
- 平稳高斯增量：对于任意 $s < t$，增量 $W_t - W_s$ 服从均值为 0、方差为 $t - s$ 的正态分布。记为：
  $$W_t - W_s \sim \mathcal{N}(0, t-s)$$
  这表示时间间隔越长，位置的不确定性（方差）就越大，且这种不确定性是对称的。
- 路径连续：对于几乎所有的样本路径 $\omega \in \Omega$，函数 $t \mapsto W_t(\omega)$ 都是连续的。这意味着在粒子不会发生跳跃。

核心结论：同时满足以上四个条件的随机过程，就被称为标准维纳过程或布朗运动。它是高斯过程的一个特例，所有有限维分布都是多元正态分布。

马尔可夫性，通俗地说就是“未来只依赖于现在，而与过去无关”。这是布朗运动最重要的性质之一，也是其建模能力的来源。

检查定义。一个随机过程 $\{X_t, t \geq 0\}$ 具有马尔可夫性，如果对于任意 $s < t$，在已知当前状态 $X_s$ 的条件下，过程未来状态 $X_t$ 的条件分布，与已知整个历史过程 $\{X_u, 0 \leq u \leq s\}$ 的条件分布相同。用概率语言表述为：
$$P(X_t \leq x | \mathcal{F}_s) = P(X_t \leq x | X_s)$$
其中 $\mathcal{F}_s$ 表示到时间 $s$ 为止的所有信息（即历史）。
验证布朗运动满足马尔可夫性。利用维纳过程的定义推导：
- 考虑增量 $W_t - W_s$。
- 根据独立增量性质，$W_t - W_s$ 与 $\mathcal{F}_s$ 中的信息独立（即与 $W_u, u \leq s$ 独立）。
- 因此，在给定历史 $\mathcal{F}_s$ 的条件下，$W_t - W_s$ 的分布仍然是 $\mathcal{N}(0, t-s)$，这与其仅在已知当前值 $W_s$ 条件下的分布相同。
- 既然 $W_t = W_s + (W_t - W_s)$，而 $W_s$ 在 $\mathcal{F}_s$ 下是已知的，$W_t - W_s$ 的分布又与历史无关，那么 $W_t$ 的条件分布自然只依赖于 $W_s$。

关键动作：运用独立增量性质，证明了布朗运动的未来状态 $W_t$ 的条件概率分布，仅仅依赖于当前状态 $W_s$，而与达到该状态的路径历史 $\mathcal{F}_s$ 无关。这就是其马尔可夫性的数学本质。

马尔可夫性不仅是理论性质，它直接决定了如何对布朗运动进行建模和模拟。

理解其意义。由于未来只取决于现在，所以在模拟或预测布朗运动的路径时，我们不需要存储和处理整个历史路径。每一步的更新只依赖于上一步的位置和时间增量。这极大地简化了计算。
掌握一个基于马尔可夫性的模拟方法。在计算机中，布朗运动的路径可以通过离散时间随机游走来近似：
- 选择一个微小的时间步长 $\Delta t$。
- 设置初始位置 $W_0 = 0$。
- 迭代：对于时间点 $t_{i+1} = t_i + \Delta t$，计算下一个位置：
  $$W_{t_{i+1}} = W_{t_i} + Z_i \sqrt{\Delta t}$$
  其中 $Z_i$ 是从标准正态分布 $\mathcal{N}(0, 1)$ 中随机抽取的一个数。
- 重复第二步，直到覆盖所有需要的时间点。

应用示例：金融工程中用几何布朗运动 $dS = \mu S dt + \sigma S dW$ 模拟股票价格 $S$。这里的 $dW$ 就是维纳过程的微分，其马尔可夫性意味着，明天股价的概率分布只取决于今天的股价，而与股价昨天或上周是如何变化的路径无关。