**鞅（martingale）**是現代機率論中最核心的概念之一，最直觀的解釋是：在已經知道當前全部資訊的情況下，未來的條件期望等於現在——這常被稱為「公平遊戲」的數學表達。

1. Filtration 與 Martingale 的定義

1.1 為什麼需要 filtration

隨機過程執行到時間 tt 時，掌握的資訊會不斷增加。用 Ft\mathcal F_t 表示「截至時間 tt 已知的全部資訊」，這一族隨時間遞增的資訊集合 F0⊆F1⊆⋯\mathcal F_0\subseteq\mathcal F_1\subseteq\cdots 稱為 filtration（濾過），描述的正是資訊隨時間不斷積累這件事。

1.2 Martingale 的定義：公平遊戲的數學表達

如果隨機過程 {Xt}\{X_t\} 滿足適當可積條件，並且 E[Xt+1∣Ft]=XtE[X_{t+1}\mid\mathcal F_t]=X_t，就稱 XtX_t 是一個 martingale：已知當前所有資訊後，對下一步最好的平均預測就是當前值。假設一個公平遊戲每輪贏 1 元或輸 1 元、機率各半，XtX_t 表示第 tt 局之後的財富，則 E[Xt+1∣Ft]=XtE[X_{t+1}\mid\mathcal F_t]=X_t 成立，財富過程是 martingale。注意 martingale 不代表財富不會變化——sample path 完全可以劇烈上下波動，只是沒有條件期望意義上的正向或負向漂移。

2. 相關概念與典型例子

2.1 Martingale 和 Markov 的區別

Markov 性質討論「預測未來需要多少歷史資訊」，martingale 討論「給定現有資訊後，未來的條件期望是多少」，兩者回答的是不同問題：一個過程可以是 Markov 但不是 martingale（例如有明顯漂移的隨機遊走），也可以是 martingale 但具有比簡單 Markov chain 更複雜的狀態結構。

2.2 Submartingale 與 supermartingale

若 E[Xt+1∣Ft]≥XtE[X_{t+1}\mid\mathcal F_t]\ge X_t，稱為 submartingale，直覺上具有非負的條件期望趨勢；若 E[Xt+1∣Ft]≤XtE[X_{t+1}\mid\mathcal F_t]\le X_t，稱為 supermartingale。公平遊戲是 martingale，有利於玩家的遊戲是 submartingale，有利於莊家的遊戲則是 supermartingale。

2.3 對稱隨機遊走是兩個 martingale 的來源

簡單對稱隨機遊走 Xt+1=Xt+ϵt+1X_{t+1}=X_t+\epsilon_{t+1}（E[ϵt+1]=0E[\epsilon_{t+1}]=0）滿足 E[Xt+1∣Ft]=Xt+E[ϵt+1∣Ft]=XtE[X_{t+1}\mid\mathcal F_t]=X_t+E[\epsilon_{t+1}\mid\mathcal F_t]=X_t，是最經典的 martingale。更進一步，Mt=Xt2−tM_t=X_t^2-t 也是一個 martingale：利用 ϵt+1\epsilon_{t+1} 獨立於 Ft\mathcal F_t 且 E[ϵt+12]=1E[\epsilon_{t+1}^2]=1，可得 E[Mt+1∣Ft]=E[Xt2+2Xtϵt+1+ϵt+12∣Ft]−(t+1)=Xt2+1−(t+1)=MtE[M_{t+1}\mid\mathcal F_t]=E[X_t^2+2X_t\epsilon_{t+1}+\epsilon_{t+1}^2\mid\mathcal F_t]-(t+1)=X_t^2+1-(t+1)=M_t。這兩個 martingale 正是第 3 節要用來推導隨機過程 7和隨機過程 8裡兩個公式的工具。

3. Optional Stopping Theorem：具體推導賭徒破產的兩個公式

3.1 定理陳述

一個有名的問題是：如果一個公平遊戲在某個隨機時刻停止，停止時的期望財富還是初始財富嗎？在滿足適當條件時（例如停止時間幾乎必然有限、過程有界，或期望停止時間本身有限），optional stopping theorem 給出 E[Xτ]=E[X0]E[X_\tau]=E[X_0]。這個結論需要條件，不能簡單理解成「任何停止策略都無法改變期望」——第 4 節會給出一個條件不滿足時結論失效的例子。

3.2 推導兩個公式

延續前兩篇 k=30k=30、N=100N=100 的賭徒破產例子，令 τ=inf⁡{t:Xt∈{0,N}}\tau=\inf\{t:X_t\in\{0,N\}\}。可以驗證 τ\tau 滿足 optional stopping theorem 的條件（XtX_t 在停止前有界，且隨機過程 8已經算出 E[τ]E[\tau] 有限），因此可以放心對兩個 martingale 套用 E[Xτ]=E[X0]E[X_\tau]=E[X_0]。

對 XtX_t 本身套用：E[Xτ]=E[X0]=kE[X_\tau]=E[X_0]=k。而 XτX_\tau 只能是 00 或 NN，記 p=P(Xτ=N)p=P(X_\tau=N)，則 E[Xτ]=N⋅pE[X_\tau]=N\cdot p，於是 Np=kN p=k，解得 p=k/Np=k/N——這正是隨機過程 7裡直接給出、沒有證明的 k/Nk/N 公式，現在有了完整推導。代入 k=30k=30、N=100N=100：p=0.3p=0.3，與之前的結果一致。

對 Mt=Xt2−tM_t=X_t^2-t 套用：E[Mτ]=E[M0]=k2E[M_\tau]=E[M_0]=k^2。Mτ=Xτ2−τM_\tau=X_\tau^2-\tau，而 E[Xτ2]=N2p=N2(k/N)=NkE[X_\tau^2]=N^2p=N^2(k/N)=Nk，所以 Nk−E[τ]=k2Nk-E[\tau]=k^2，解得 E[τ]=Nk−k2=k(N−k)E[\tau]=Nk-k^2=k(N-k)——這正是隨機過程 8裡的平均結束時間公式。代入 k=30k=30、N=100N=100：E[τ]=30×100−302=3000−900=2100E[\tau]=30\times100-30^2=3000-900=2100，與之前算出的 2100 局完全吻合。兩個看似獨立算出的公式，其實都只是同一個定理套用在兩個不同 martingale 上的結果。

4. 什麼時候 optional stopping 會失效

Optional stopping theorem 的條件不是形式上的贅述。考慮一個沒有邊界的簡單對稱隨機遊走，τ1=inf⁡{t:Xt=1}\tau_1=\inf\{t:X_t=1\}：可以證明 τ1\tau_1 幾乎必然有限（一維隨機遊走是常返的，見隨機過程 7），但 E[Xτ1]=1≠E[X0]=0E[X_{\tau_1}]=1\neq E[X_0]=0——optional stopping theorem 的結論在這裡不成立，因為 E[τ1]E[\tau_1] 本身是無限大，破壞了定理所需的正則條件。這正是「加倍下注」一類賭博策略看似能穩賺不賠的數學根源：策略本身沒有錯，錯的是忽略了達成目標所需的期望時間（甚至所需的期望本金）可能是無限大，而現實中的賭本和時間永遠有限。

5. 為什麼 martingale 重要

Martingale 是現代機率論裡處理「條件期望隨資訊演化」的基礎語言，出現在 stopping time 理論、集中不等式（concentration inequality）、隨機微積分、金融定價、布朗運動與序貫分析中。最值得記住的不是「公平賭博」這個入門例子，而是：在當前資訊條件下，未來沒有可預測的平均漂移——第 3 節展示了這個看似抽象的性質，如何直接推導出兩個原本只能靠其他方法才能算出的具體公式。