经典动力系统通常写成确定性的微分方程：

dxdt=f(x,t)\frac{dx}{dt}=f(x,t)

给定初始条件以后，未来轨迹原则上唯一确定。

但现实系统常常持续受到不可预测的随机扰动。把这种扰动直接放入连续时间动力系统，就得到 Stochastic Differential Equation（随机微分方程，SDE）。

1. 从 ODE 到 SDE

1.1 从确定性 ODE 到随机动力系统

最简单的思想是：

下一小段变化=确定性趋势+随机扰动\text{下一小段变化} = \text{确定性趋势} + \text{随机扰动}

连续时间下通常写成：

dXt=μ(Xt,t) dt+σ(Xt,t) dBt(1)\boxed{ dX_t=\mu(X_t,t)\,dt+\sigma(X_t,t)\,dB_t } \tag{1}

其中：

  • μ\mu 称为 drift；
  • σ\sigma 控制 diffusion 强度；
  • BtB_t 是 Brownian motion。

1.2 Drift

μ(Xt,t) dt\mu(X_t,t)\,dt 表示系统在没有随机噪声时的平均演化方向。

例如：

dXt=μ dt+σ dBtdX_t=\mu\,dt+\sigma\,dB_t

中的 μ\mu 表示长期平均趋势。

如果 μ>0\mu>0，过程整体向上漂移；如果 μ<0\mu<0，则整体向下。

1.3 Diffusion

σ(Xt,t)dBt\sigma(X_t,t)dB_t 表示随机扰动。

由于 Brownian increment 的尺度是 dt\sqrt{dt}，它和普通微分 dtdt 有完全不同的数量级。

这也是为什么不能简单把 dBtdB_t 当作普通导数意义下的“小变化”。

2. Itô calculus

2.1 为什么普通微积分不够

Brownian motion 几乎处处不可导，所以不能把：

dBtdt\frac{dB_t}{dt}

当作普通函数使用。

因此需要发展新的积分理论，其中最经典的是：

  • Itô integral；
  • Stratonovich integral。

这进一步产生 stochastic calculus。

2.2 Itô formula

普通微积分中有 chain rule：

df(Xt)=f′(Xt)dXtdf(X_t)=f'(X_t)dX_t

但在 Itô calculus 中，由于 (dBt)2(dB_t)^2 会留下 dtdt 量级贡献，所以会多出二阶项。

一维 Itô formula 的典型形式是：

df(Xt)=f′(Xt)dXt+12f′′(Xt)σ2(Xt,t)dtdf(X_t) = f'(X_t)dX_t + \frac12 f''(X_t)\sigma^2(X_t,t)dt

这看起来只是一个额外项，但它是随机微积分与普通微积分之间最核心的区别之一。

3. 两个经典模型

3.1 Ornstein–Uhlenbeck process

一个经典 SDE 是：

dXt=θ(μ−Xt)dt+σdBtdX_t=\theta(\mu-X_t)dt+\sigma dB_t

其中 θ>0\theta>0。

当 Xt>μX_t>\mu 时，drift 会把它往下拉；当 Xt<μX_t<\mu 时，会往上推。

所以它描述 mean reversion（均值回复）。

OU process 广泛用于：

  • 物理中的速度模型；
  • 金融利率；
  • 噪声过程；
  • 动态系统。

3.2 Geometric Brownian motion

金融数学中经典的模型是：

dSt=μStdt+σStdBtdS_t=\mu S_tdt+\sigma S_tdB_t

它叫 geometric Brownian motion。

随机扰动大小与当前 StS_t 成比例，因此特别适合描述正值的乘法型随机增长。

Black–Scholes 模型就以它为基础。

4. 分布演化与概念联系

4.1 Fokker–Planck equation

SDE 描述的是 sample path 如何随机运动。

同一个随机系统也可以从“概率密度如何演化”的角度描述，这会得到 Fokker–Planck equation。

因此随机动力系统有两个互补视角：

  • SDE：看单条随机轨迹；
  • Fokker–Planck：看整个概率分布随时间演化。

4.2 SDE 和前面概念的关系

到这里，前面的很多内容都汇合了：

  • Brownian motion 提供连续随机噪声；
  • Markov property 描述状态演化；
  • martingale 提供条件期望工具；
  • Gaussian process 提供重要随机过程类别；
  • stationarity 和 ergodicity 描述长期统计性质。

SDE 相当于把这些概念放进一个连续时间动力系统中。

5. 小结

随机微分方程的核心形式是：

dXt=μ(Xt,t)dt+σ(Xt,t)dBtdX_t=\mu(X_t,t)dt+\sigma(X_t,t)dB_t

它可以理解为：

确定性动力学 + 连续随机扰动\boxed{\text{确定性动力学 + 连续随机扰动}}

从这里继续往后，就会进入 stochastic calculus、Itô integration、Fokker–Planck equation、随机控制和更一般的 diffusion process。