伊藤引理的推导及在Black-Scholes期权定价中的应用

1. 理解随机微积分的基础

传统微积分处理确定性的变化，而金融资产价格受随机噪声驱动，需用随机微积分。伊藤引理是随机微积分中的“链式法则”，它告诉我们：当一个随机过程（如股票价格）的轨迹被另一个变量（如期权价格）的函数描述时，函数本身如何随时间变化。

首先记住核心对象：Wiener过程（布朗运动）$W_t$，其增量 $dW_t$ 满足均值 $0$、方差 $dt$ 的正态分布，且各时刻增量独立。

2. 从普通泰勒展开到伊藤引理

假设 $X_t$ 是满足如下伊藤过程的随机变量：

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

其中 $\mu$ 是漂移项（单位时间的平均变化），$\sigma$ 是波动率项（随机扰动的强度），$dW_t$ 是Wiener增量。

对于一个光滑函数 $f(X_t,t)$，我们想求其微分 $df$。展开思路与普通微积分类似，但必须保留到二阶项，因为 $dW_t$ 的方差是 $dt$ 量级，导致二阶项贡献不可忽略。

2.1 写出泰勒展开到二阶

将 $f$ 在 $(X_t,t)$ 处展开：

$$df = \frac{\partial f}{\partial t} dt + \frac{\partial f}{\partial X} dX + \frac{1}{2} \frac{\partial^2 f}{\partial X^2} (dX)^2 + \text{高阶项}$$

代入 $dX_t$ 表达式：

$$dX = \mu dt + \sigma dW_t$$

于是：

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

根据随机微积分的计算规则：$(dt)^2 = 0$，$dt \cdot dW_t = 0$（高阶无穷小），而 $(dW_t)^2$ 的期望等于 $dt$，且在均方意义上 $(dW_t)^2 \to dt$（不计可忽略的波动）。因此我们令：

$$(dX)^2 = \sigma^2 dt$$

这一替换正是伊藤引理区别于普通微积分的核心。

2.2 合并得到伊藤引理

将 $(dX)^2$ 的结果代回泰勒展开，舍弃 $o(dt)$ 项：

$$df = \frac{\partial f}{\partial t} dt + \frac{\partial f}{\partial X} (\mu dt + \sigma dW_t) + \frac12 \frac{\partial^2 f}{\partial X^2} \sigma^2 dt$$

整理得：

$$df = \left( \frac{\partial f}{\partial t} + \mu \frac{\partial f}{\partial X} + \frac12 \sigma^2 \frac{\partial^2 f}{\partial X^2} \right) dt + \sigma \frac{\partial f}{\partial X} dW_t$$

这就是伊藤引理的标准形式。

3. 应用：Black-Scholes期权定价模型

Black-Scholes模型假设股票价格 $S_t$ 服从几何布朗运动：

$$dS_t = \mu S_t\, dt + \sigma S_t\, dW_t$$

其中 $\mu$ 为预期收益率，$\sigma$ 为波动率。期权价格 $V(S_t,t)$ 是 $S_t$ 与 $t$ 的函数。我们想推导出 $V$ 必须满足的偏微分方程（PDE），从而得到定价公式。

3.1 对期权价格应用伊藤引理

将 $f$ 替换为 $V$，$X$ 替换为 $S$，$\mu$ 替换为 $\mu S$，$\sigma$ 替换为 $\sigma S$。代入伊藤引理：

$$dV = \left( \frac{\partial V}{\partial t} + \mu S \frac{\partial V}{\partial S} + \frac12 \sigma^2 S^2 \frac{\partial^2 V}{\partial S^2} \right) dt + \sigma S \frac{\partial V}{\partial S} dW_t$$

这个表达式描述了期权价格随时间的随机演化。

3.2 构建无风险投资组合

为了消除随机项 $dW_t$，我们构造一个包含1份期权和 $\Delta$ 份股票的投资组合：

$$\Pi = V - \Delta \cdot S$$

其变化为：

$$d\Pi = dV - \Delta\, dS$$

将 $dV$ 和 $dS$ 代入：

$$d\Pi = \left( \frac{\partial V}{\partial t} + \mu S \frac{\partial V}{\partial S} + \frac12 \sigma^2 S^2 \frac{\partial^2 V}{\partial S^2} \right) dt + \sigma S \frac{\partial V}{\partial S} dW_t - \Delta (\mu S dt + \sigma S dW_t)$$

合并含 $dW_t$ 的项：

$$d\Pi = \left[ \frac{\partial V}{\partial t} + \mu S \left( \frac{\partial V}{\partial S} - \Delta \right) + \frac12 \sigma^2 S^2 \frac{\partial^2 V}{\partial S^2} \right] dt + \sigma S \left( \frac{\partial V}{\partial S} - \Delta \right) dW_t$$

为了消除随机性，令 $\Delta = \frac{\partial V}{\partial S}$，则 $dW_t$ 的系数为0，组合变为无风险。

3.3 得到Black-Scholes偏微分方程

此时 $d\Pi$ 不再含随机项，只能获得无风险收益 $r\Pi\,dt$（$r$ 为无风险利率）：

$$d\Pi = r \Pi\, dt$$

而 $\Pi = V - \frac{\partial V}{\partial S} S$，代入：

$$\left[ \frac{\partial V}{\partial t} + \frac12 \sigma^2 S^2 \frac{\partial^2 V}{\partial S^2} \right] dt = r \left( V - S \frac{\partial V}{\partial S} \right) dt$$

整理得Black-Scholes PDE：

$$\frac{\partial V}{\partial t} + \frac12 \sigma^2 S^2 \frac{\partial^2 V}{\partial S^2} + r S \frac{\partial V}{\partial S} - rV = 0$$

3.4 求解欧式看涨期权价格（最终公式）

对于欧式看涨期权，到期日 $T$ 执行价 $K$，边界条件 $V(S,T) = \max(S-K, 0)$。通过变量变换（改为热传导方程）可解出解析解，即Black-Scholes公式：

$$C(S,t) = S N(d_1) - K e^{-r(T-t)} N(d_2)$$

其中

$$d_1 = \frac{\ln(S/K) + (r + \sigma^2/2)(T-t)}{\sigma \sqrt{T-t}}$$
$$d_2 = d_1 - \sigma \sqrt{T-t}$$

$N(\cdot)$ 为标准正态分布累积函数。此公式直接使用伊藤引理推导出的PDE作为基础。

至此，我们从伊藤引理的推导开始，经无风险组合论证，最终得到了Black-Scholes期权定价公式。