为什么伊藤积分与普通黎曼积分不同：二次变差非零

思考 一个看起来无限曲折的随机过程，比如股票价格或花粉运动。你能像计算普通积分那样，直接对它求“曲线下的面积”吗？

试试 用初中就熟悉的黎曼积分思路：把横轴切成一段段，用每个小区间的“高度乘以宽度”求和。但如果那条曲线在每一个小格子里都剧烈地震荡、抖动，你切得越细，求和的结果反而越不稳定，甚至根本不收敛。这，就是问题的核心。

1. 复现普通黎曼积分的舒适区

普通黎曼积分处理的是“温和”的函数，比如直线、抛物线、正弦波等平滑曲线。

那么，为什么黎曼和会收敛？

回忆 黎曼和的做法：把区间 $[a, b]$ 切成 $n$ 段，每段宽度为 $\Delta t = \frac{b-a}{n}$，在每个小区间选一个代表点，计算 该点的函数值作为矩形高度，累加 所有矩形的面积。当 $n \to \infty$，如果这个和的极限唯一且有限，就叫黎曼积分。

关键的一点是：当函数足够平滑时，区间两端的函数之差与区间宽度成正比。也就是说，区间越窄，函数值的变化量越小。用数学语言说，如果 $f$ 可导，那么 $f(t + \Delta t) - f(t) \approx f'(t)\Delta t$。

这个一阶近似太重要了。它保证了“高度乘以宽度”在取极限时不会积累出奇怪的误差。

但想象另一种函数：它的值在任意短的区间内变化幅度远大于区间的长度。比如区间的长度是 $\Delta t$，函数值却能跳变 $\sqrt{\Delta t}$ 甚至更大的量级。此时，黎曼和被细化的分割彻底打乱，极限充满不确定性和噪声。

2. 观察布朗运动：一条“疯狂”的路径

现在把镜头转向随机过程。以布朗运动 $W_t$ 为例。如果你在显微镜下观察水中花粉的轨迹，或者在分时图上查看高频股票价格，你会看到一种自相似的、任何放大倍数下都同样毛糙的锯齿线。它处处连续，但又处处不可导。

观察 一个关键实验：

分割 区间 $[0, T]$ 为 $n$ 份，每份长度 $\Delta t = T/n$。

计算 相邻两点差值的平方和：

$$Q_n = \sum_{i=1}^{n} \left( W_{t_i} - W_{t_{i-1}} \right)^2$$

这个和叫“二次变差”。对于普通可导函数，因为差值 $W_{t_i} - W_{t_{i-1}} \approx \text{常数} \cdot \Delta t$，所以每一项大约 $O(\Delta t^2)$，求和后 $Q_n$ 的量级是 $O(\Delta t)$，当 $\Delta t \to 0$ 时，$Q_n \to 0$。

但对布朗运动：根据其定义，增量 $W_{t_i} - W_{t_{i-1}}$ 服从均值为 0、方差为 $\Delta t$ 的正态分布。因此平方差的期望值 $\mathbb{E}[(\Delta W)^2] = \Delta t$。

忽略 随机噪声后，这些平方的总和在概率意义上收敛到总区间长度的常数倍：

$$[W]_T = \lim_{n \to \infty} \sum_{i=1}^{n} \left( W_{t_i} - W_{t_{i-1}} \right)^2 = T$$

不是零，而是正比于时间区间长度 $T$。

拆解 这个结论中最反直觉的地方：因为 $(\Delta W)^2$ 的量级大约是 $\Delta t$，所以 $\Delta W$ 本身大约是 $\sqrt{\Delta t}$。它远远大于 $\Delta t$。因此布朗运动的局部变化，比任何“平滑”函数都要剧烈得多。

3. 拆解黎曼积分失效的根源

现在，试图对 $W_t$ 定义普通的黎曼积分，比如计算 $\int_0^T W_t \, dW_t$。

对比 两种不同选择，看看取样点对结果的影响：

• 左端点取样（取小区间左端点的值）：设分割点 $0=t_0 < t_1 < \dots < t_n=T$，在每个 $[t_{i-1}, t_i]$ 上取左端点值 $W_{t_{i-1}}$，则黎曼和为：

$$S_n^{\text{left}} = \sum_{i=1}^{n} W_{t_{i-1}} \left( W_{t_i} - W_{t_{i-1}} \right)$$

代入恒等式 $\Delta(W^2) = 2W_{t_{i-1}}\Delta W + (\Delta W)^2$，化简得到：

$$S_n^{\text{left}} = \frac{1}{2} \left( W_T^2 - W_0^2 - \sum_{i=1}^{n} (\Delta W_i)^2 \right)$$

当 $n \to \infty$，第二项正是二次变差 $T$。所以在概率意义下：

$$S_n^{\text{left}} \longrightarrow \frac{1}{2} \left( W_T^2 - T \right)$$

• 右端点取样（取右端点的值）：类似推导，结果会多出额外的 $T$：

$$S_n^{\text{right}} \longrightarrow \frac{1}{2} \left( W_T^2 + T \right)$$

• 中点取样（取每个小区间中点的值）：又得到另一个不同的极限。

应用 黎曼积分的定义要求：无论你选哪个取样点，极限结果都一样。而这里，左端点、右端点、中点给出了三个不同的答案。

给出 三个结果之间正好相差一个二次变差 $T$。这就是黎曼积分在这类过程中完全崩塌的根源——函数的波动太大了，不同的近似策略都读出了不同的“总面积”。

指出 消失的“二次变差”就像一个必须在公式里多写的“修正项”：普通微积分认为，区间长度 $\Delta t$ 已经足够小，所以 $(\Delta W)^2$ 可以忽略；而在随机世界里，$(\Delta W)^2$ 与 $\Delta t$ 同阶，无法忽略。这是数学家伊藤清在 20 世纪 40 年代看到的核心问题。

4. 修复方案：伊藤积分的“前点策略”

伊藤的解决方案非常巧妙：去掉随机取样点的自由选择，强制使用某一种固定的取样规则——左端点。换句话说，计算 $\int_0^T H_t \, dW_t$ 时，在分割 $[t_{i-1}, t_i]$ 中，选取左端点的值 $H_{t_{i-1}}$，然后求和：

$$I_n = \sum_{i=1}^{n} H_{t_{i-1}} \left( W_{t_i} - W_{t_{i-1}} \right)$$

理解 为什么必须选左端点？因为在真实世界的金融或物理模型中，我们只能利用“当前已知的信息”去决策。左端点 $t_{i-1}$ 的信息在决策时刻是可获得的，而右端点 $t_i$ 是未来信息。伊藤积分因此具有非预测性或适应性，它本质上模拟了“对未来的演化进行实时响应”这一自然过程。

观察 这个选择直接保证了积分的期望值为零，因为每个增量 $(W_{t_i} - W_{t_{i-1}})$ 独立于 $H_{t_{i-1}}$，且均值为零。这在金融学中解释了“无套利”或“公平赌博”的性质，也是随机分析在期权定价中不可或缺的基石。

5. 接受结果：伊藤引理的“修正项”

这个看似微小的改动，带来一个巨大的数学后果——微积分基本定理不再原样适用。对普通可导函数，链式法则 $df(X_t) = f'(X_t) dX_t$ 天经地义。但如果 $X_t$ 是布朗运动 $W_t$，泰勒展开中那个“被忽略”的 $(\Delta W)^2$ 项必须保留。

推导 对光滑函数 $f$ 应用伊藤公式：

$$df(W_t) = f'(W_t)\, dW_t + \frac{1}{2} f''(W_t)\, dt$$

注意 多出来的 $\frac{1}{2} f''(W_t) dt$——它不是直觉能猜到的，而是二次变差 $T$ 带来的直接后果。如果你用普通微积分只能写出 $f'(W_t)dW_t$，那计算结果就会差一个不可忽略的偏项。

这个公式就是鼎鼎大名的伊藤引理，而那个多出来的项，恰是普通积分与伊藤积分在本质上的分野。

6. 对比三种积分的差异

为了让你更清楚地看到区别，整理 出三种积分路径的关键对比：

重新审视 上表中的黎曼积分和黎曼-斯蒂尔杰斯积分，它们都要求路径具有“有限变差”——即总变化量有限，意味着波动不能太剧烈。布朗运动的二次变差非零，这是其路径的方差随时间线性增长，自然不具备上述性质。

回顾 全部关键点：黎曼和之所以失效，是因为布朗运动的路径在任意细分下仍能积累出非零的平方变化；而伊藤积分通过固定左端点取样，给这种“疯狂”的路径制定了一套自洽的新规则。更关键的是，这种规则真正捕捉了随机过程在现实世界中的演化逻辑——每一刻只能依据当下信息做决策。

至此 你不再会对伊藤积分感到陌生——它本质上就是一套为“不能忽略的随机抖动”而设计的特殊积分系统。这种抖动，正是数学世界中“二次变差非零”的生动体现。