經典動力系統通常寫成確定性的微分方程 dxdt=f(x,t)\frac{dx}{dt}=f(x,t)，給定初始條件以後，未來軌跡原則上唯一確定。但現實系統常常持續受到不可預測的隨機擾動，把這種擾動直接放入連續時間動力系統，就得到 stochastic differential equation（隨機微分方程，SDE）。

1. 從 ODE 到 SDE

1.1 從確定性 ODE 到隨機動力系統

最簡單的思想是：下一小段變化 = 確定性趨勢 + 隨機擾動，連續時間下通常寫成 dXt=μ(Xt,t) dt+σ(Xt,t) dBtdX_t=\mu(X_t,t)\,dt+\sigma(X_t,t)\,dB_t，其中 μ\mu 稱為 drift，σ\sigma 控制 diffusion 強度，BtB_t 是布朗運動。

1.2 Drift 與 diffusion

μ(Xt,t) dt\mu(X_t,t)\,dt 表示系統在沒有隨機噪聲時的平均演化方向：在 dXt=μ dt+σ dBtdX_t=\mu\,dt+\sigma\,dB_t 中，μ>0\mu>0 代表過程整體向上漂移，μ<0\mu<0 則整體向下。σ(Xt,t)dBt\sigma(X_t,t)dB_t 表示隨機擾動；由於 Brownian increment 的尺度是 dt\sqrt{dt}，跟普通微分 dtdt 有完全不同的數量級，這也是為什麼不能簡單把 dBtdB_t 當作普通導數意義下的「小變化」。

2. Itô calculus

2.1 為什麼普通微積分不夠

布朗運動幾乎處處不可導，所以不能把 dBt/dtdB_t/dt 當作普通函數使用，因此需要發展新的積分理論，最經典的是 Itô integral 和 Stratonovich integral，這進一步產生 stochastic calculus。

2.2 Itô formula

普通微積分的 chain rule 是 df(Xt)=f′(Xt)dXtdf(X_t)=f'(X_t)dX_t，但在 Itô calculus 中，由於 (dBt)2(dB_t)^2 會留下 dtdt 量級的貢獻，會多出一個二階項：一維 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+\frac12f''(X_t)\sigma^2(X_t,t)dt。這個額外項看似只是一個修正，卻是隨機微積分與普通微積分之間最核心的區別，第 3.2 節會直接用它推導出一個重要模型的解析解。

3. 兩個經典模型：具體算一次

3.1 Ornstein–Uhlenbeck process：均值回歸的具體數字

經典 SDE dXt=θ(μ−Xt)dt+σdBtdX_t=\theta(\mu-X_t)dt+\sigma dB_t（θ>0\theta>0）描述 mean reversion（均值回歸）：當 Xt>μX_t>\mu 時 drift 把它往下拉，當 Xt<μX_t<\mu 時往上推。這個方程有解析解，E[Xt]=μ+(X0−μ)e−θtE[X_t]=\mu+(X_0-\mu)e^{-\theta t}，Var⁡(Xt)=σ22θ(1−e−2θt)\operatorname{Var}(X_t)=\frac{\sigma^2}{2\theta}(1-e^{-2\theta t})，隨著 t→∞t\to\infty，變異數趨近穩定值 σ2/(2θ)\sigma^2/(2\theta)。取 θ=2\theta=2、μ=5\mu=5、σ=1\sigma=1、X0=10X_0=10，一年後（t=1t=1）的期望值是 E[X1]=5+5e−2≈5.68E[X_1]=5+5e^{-2}\approx5.68：已經從初始的 10 明顯往均值 5 拉近；變異數是 Var⁡(X1)=14(1−e−4)≈0.245\operatorname{Var}(X_1)=\frac14(1-e^{-4})\approx0.245，非常接近長期穩定變異數 σ2/(2θ)=0.25\sigma^2/(2\theta)=0.25。OU process 廣泛用於物理中的速度模型、金融利率與各種需要「偏離均值後會被拉回」的噪聲過程。

3.2 幾何布朗運動：用 Itô formula 推導解析解

金融數學中經典的模型 dSt=μSt dt+σSt dBtdS_t=\mu S_t\,dt+\sigma S_t\,dB_t 叫 geometric Brownian motion（GBM），隨機擾動大小與當前 StS_t 成比例，適合描述正值的乘法型隨機增長，是 Black–Scholes 模型的基礎。對 f(x)=ln⁡xf(x)=\ln x 套用 Itô formula：f′(x)=1/xf'(x)=1/x、f′′(x)=−1/x2f''(x)=-1/x^2，代入 d(ln⁡St)=f′(St)dSt+12f′′(St)σ2St2dt=(μ−σ22)dt+σdBtd(\ln S_t)=f'(S_t)dS_t+\frac12f''(S_t)\sigma^2S_t^2dt=\big(\mu-\frac{\sigma^2}2\big)dt+\sigma dB_t，這個多出來的 −σ2/2-\sigma^2/2 正是 2.2 節那個二階修正項的直接後果，若照普通微積分的 chain rule 硬套，會漏掉這一項。積分後可得解析解 St=S0exp⁡((μ−σ22)t+σBt)S_t=S_0\exp\big((\mu-\frac{\sigma^2}2)t+\sigma B_t\big)，ln⁡(St/S0)∼N((μ−σ2/2)t, σ2t)\ln(S_t/S_0)\sim N\big((\mu-\sigma^2/2)t,\ \sigma^2t\big)。取 S0=100S_0=100、μ=0.1\mu=0.1、σ=0.2\sigma=0.2、t=1t=1：S1S_1 的中位數是 100 e(0.1−0.02)≈108.33100\,e^{(0.1-0.02)}\approx108.33，但期望值卻是 E[S1]=S0eμt≈110.52E[S_1]=S_0e^{\mu t}\approx110.52——中位數和期望值不相等，是對數常態分佈右偏的直接結果，實務上常把兩者混為一談：把「典型情境」（中位數）誤當成「平均報酬」（期望值），會系統性低估長期平均增長率。

4. 分佈演化與概念聯繫

4.1 Fokker–Planck equation

SDE 描述的是 sample path 如何隨機運動，同一個隨機系統也可以從「機率密度如何演化」的角度描述，這會得到 Fokker–Planck equation。隨機動力系統因此有兩個互補視角：SDE 看單條隨機軌跡，Fokker–Planck 看整個機率分佈隨時間演化。

4.2 SDE 和前面概念的關係

到這裡，前面的內容都匯合了：布朗運動提供連續隨機噪聲，Markov 性質描述狀態演化，鞅提供條件期望工具，高斯過程提供重要隨機過程類別，平穩性與遍歷性描述長期統計性質——SDE 相當於把這些概念全部放進一個連續時間動力系統中，是整個系列的匯流點。

5. 小結

隨機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，可以理解成確定性動力學加上連續隨機擾動。Ornstein–Uhlenbeck process 展示了均值回歸如何用解析解具體算出來，幾何布朗運動則展示了 Itô formula 的二階修正項如何直接決定「中位數」和「期望值」這兩個看似相近、實際上系統性不同的量。從這裡繼續往後，就會進入更完整的 stochastic calculus、Fokker–Planck equation、隨機控制和更一般的 diffusion process。