前面的随机过程主要研究”状态是什么”和”状态怎么变化”，但很多实际问题关心的不是固定时间点，而是”某件事情第一次什么时候发生”：随机游走什么时候第一次回到原点、股票价格什么时候第一次超过阈值、排队系统什么时候第一次清空、赌徒什么时候破产。这些问题引出了 hitting time、first passage time 和 stopping time 三个概念。

1. 首次到达时间

1.1 到达时间本身也是随机变量

设 {Xt}\{X_t\} 是随机过程，给定目标集合 AA，定义 τA=inf⁡{t≥0:Xt∈A}\tau_A=\inf\{t\ge0:X_t\in A\} 为第一次进入 AA 的时间；若 A={a}A=\{a\} 是单一状态，记成 τa\tau_a。例如一维随机游走第一次到达位置 10 就是 τ10=inf⁡{t≥0:Xt=10}\tau_{10}=\inf\{t\ge0:X_t=10\}。τA\tau_A 不是固定时间，而是随机变量：不同的 sample path 可能第 20 步到达、第 300 步到达，甚至永远到不了，因此可以研究 P(τA<∞)P(\tau_A<\infty)（最终能否到达）、P(τA≤t)P(\tau_A\le t)（在时间 tt 之前到达的概率）与 E[τA]E[\tau_A]（平均要多久）。随机过程不只产生随机的状态，也产生随机的时间。

1.2 First passage time 与 return time

如果目标是第一次穿过某个阈值，通常称为 first passage time，例如 τ=inf⁡{t:Xt≥b}\tau=\inf\{t:X_t\ge b\} 表示第一次达到或超过阈值 bb。如果研究的是第一次回到初始状态，则称为 return time，例如随机游走从原点出发、第一次再次回到原点的 τ0+=inf⁡{t≥1:Xt=0}\tau_0^+=\inf\{t\ge1:X_t=0\}——这正是随机过程 7里 recurrent／transient 判断所依赖的那个时间本身。

2. Stopping time

2.1 不能偷看未来

并不是所有”随机时间”都叫 stopping time。Stopping time 的核心要求是：到达时间 tt 时，只根据目前已经观察到的信息，就能判断”是否应该停止”。设 Ft\mathcal F_t 表示到时间 tt 为止掌握的全部信息，若事件 {τ≤t}\{\tau\le t\} 可以只凭 Ft\mathcal F_t 判断，τ\tau 就是一个 stopping time；直觉上就是”不能偷看未来”。

2.2 一个不是 stopping time 的反例

“随机游走最后一次访问原点的时间”通常不是 stopping time：当你现在位于原点时，无法只凭目前的信息判断”这是不是最后一次”，要确认这件事必须先看到未来所有时刻是否还会再回来。它是一个定义明确的随机时间，却不满足”只根据当下信息就能判断是否停止”这个条件，因此不是 stopping time。

3. 应用：赌徒破产的停止时间

3.1 停止规则本身就是一个 stopping time

设赌徒资产为 XtX_t，每局以相同概率赢 1 元或输 1 元，游戏在资产到达 0 或 NN 时结束，对应的停止时间是 τ=inf⁡{t:Xt∈{0,N}}\tau=\inf\{t:X_t\in\{0,N\}\}。判断”现在该不该停”只需要看当前资产是否落在 {0,N}\{0,N\}，完全不需要偷看未来，所以 τ\tau 是一个合法的 stopping time。围绕这个 τ\tau 可以研究先到 NN 的概率、先到 0 的概率，以及平均要玩多少局才会结束。

3.2 具体算一次：平均要玩多少局

延续随机过程 7里 k=30k=30、N=100N=100 的例子：对公平硬币的赌徒破产问题，平均结束时间有一个简洁公式 E[τ]=k(N−k)E[\tau]=k(N-k)。代入 k=30k=30、N=100N=100，E[τ]=30×70=2100E[\tau]=30\times70=2100——平均要玩 2100 局才会分出胜负，远比”先到 100 元的概率是 0.3”这个结果给人的直觉长得多。把 kk 移到中间（k=50k=50）时，E[τ]=50×50=2500E[\tau]=50\times50=2500 达到最大值：起点离两个边界都远，平均要花更久才会撞到任何一边；起点越靠近某一个边界（kk 越接近 0 或 NN），E[τ]E[\tau] 越小，因为很快就会撞上离得近的那个边界。

4. Stopping time 与强马尔可夫性

很多现实决策本身就是”看到某种状态以后停止”：价格达到目标后卖出、机器故障后维修、检验统计量超过阈值后停止实验、排队长度降到 0 时结束忙期——它们都不是固定时刻，而是由随机过程自己决定的随机时刻，这也是 stopping time 在金融数学、可靠性分析和统计检验里反复出现的原因。对 Markov process 而言，到达某个状态以后，未来通常只需要从当前状态重新开始分析，这个性质延伸到随机时间就是强马尔可夫性（strong Markov property）：不只在固定时间点成立 Markov 性，在任何合法的 stopping time 处重新开始，未来也只依赖停止时的当前状态，不依赖到达这个状态的路径。这正是第 3.2 节能够把”到达 0 或 NN 之后”直接视为新起点分析的理论依据，也让 hitting time 分析可以用递归的方式拆解。

5. 常见误解与小结

最容易混淆的一点是把”随机时间”和”stopping time”当成同义词：两者的差别完全在于能不能只用当下信息判断，2.2 节的反例就是提醒——只要判断需要偷看未来，不管这个时间点定义得多么自然，都不是 stopping time。另一个常见误解是以为 hitting time 的概率结果（例如先到达哪个边界）已经完整回答了问题，却忽略平均需要多久：3.2 节的例子说明，达成目标的概率和达成目标所需的时间是两个独立的问题，不能只看其中一个就下结论。

Hitting time 把问题从”某个固定时间是什么状态”变成”某个随机事件第一次什么时候发生”，stopping time 进一步要求停止与否只能依据当前及过去的信息决定，两者合在一起，是随机游走、Markov chain、排队论、金融数学和随机控制共用的基础工具。