**鞅（martingale）**是现代概率论中最核心的概念之一，最直观的解释是：在已经知道当前全部信息的情况下，未来的条件期望等于现在——这常被称为”公平游戏”的数学表达。

1. Filtration 与 Martingale 的定义

1.1 为什么需要 filtration

随机过程执行到时间 tt 时，掌握的信息会不断增加。用 Ft\mathcal F_t 表示”截至时间 tt 已知的全部信息”，这一族随时间递增的信息集合 F0⊆F1⊆⋯\mathcal F_0\subseteq\mathcal F_1\subseteq\cdots 称为 filtration（滤过），描述的正是信息随时间不断积累这件事。

1.2 Martingale 的定义：公平游戏的数学表达

如果随机过程 {Xt}\{X_t\} 满足适当可积条件，并且 E[Xt+1∣Ft]=XtE[X_{t+1}\mid\mathcal F_t]=X_t，就称 XtX_t 是一个 martingale：已知当前所有信息后，对下一步最好的平均预测就是当前值。假设一个公平游戏每轮赢 1 元或输 1 元、概率各半，XtX_t 表示第 tt 局之后的财富，则 E[Xt+1∣Ft]=XtE[X_{t+1}\mid\mathcal F_t]=X_t 成立，财富过程是 martingale。注意 martingale 不代表财富不会变化——sample path 完全可以剧烈上下波动，只是没有条件期望意义上的正向或负向漂移。

2. 相关概念与典型例子

2.1 Martingale 和 Markov 的区别

Markov 性质讨论”预测未来需要多少历史信息”，martingale 讨论”给定现有信息后，未来的条件期望是多少”，两者回答的是不同问题：一个过程可以是 Markov 但不是 martingale（例如有明显漂移的随机游走），也可以是 martingale 但具有比简单 Markov chain 更复杂的状态结构。

2.2 Submartingale 与 supermartingale

若 E[Xt+1∣Ft]≥XtE[X_{t+1}\mid\mathcal F_t]\ge X_t，称为 submartingale，直觉上具有非负的条件期望趋势；若 E[Xt+1∣Ft]≤XtE[X_{t+1}\mid\mathcal F_t]\le X_t，称为 supermartingale。公平游戏是 martingale，有利于玩家的游戏是 submartingale，有利于庄家的游戏则是 supermartingale。

2.3 对称随机游走是两个 martingale 的来源

简单对称随机游走 Xt+1=Xt+ϵt+1X_{t+1}=X_t+\epsilon_{t+1}（E[ϵt+1]=0E[\epsilon_{t+1}]=0）满足 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，是最经典的 martingale。更进一步，Mt=Xt2−tM_t=X_t^2-t 也是一个 martingale：利用 ϵt+1\epsilon_{t+1} 独立于 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。这两个 martingale 正是第 3 节要用来推导随机过程 7和随机过程 8里两个公式的工具。

3. Optional Stopping Theorem：具体推导赌徒破产的两个公式

3.1 定理陈述

一个有名的问题是：如果一个公平游戏在某个随机时刻停止，停止时的期望财富还是初始财富吗？在满足适当条件时（例如停止时间几乎必然有限、过程有界，或期望停止时间本身有限），optional stopping theorem 给出 E[Xτ]=E[X0]E[X_\tau]=E[X_0]。这个结论需要条件，不能简单理解成”任何停止策略都无法改变期望”——第 4 节会给出一个条件不满足时结论失效的例子。

3.2 推导两个公式

延续前两篇 k=30k=30、N=100N=100 的赌徒破产例子，令 τ=inf⁡{t:Xt∈{0,N}}\tau=\inf\{t:X_t\in\{0,N\}\}。可以验证 τ\tau 满足 optional stopping theorem 的条件（XtX_t 在停止前有界，且随机过程 8已经算出 E[τ]E[\tau] 有限），因此可以放心对两个 martingale 套用 E[Xτ]=E[X0]E[X_\tau]=E[X_0]。

对 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，记 p=P(Xτ=N)p=P(X_\tau=N)，则 E[Xτ]=N⋅pE[X_\tau]=N\cdot p，于是 Np=kNp=k，解得 p=k/Np=k/N——这正是随机过程 7里直接给出、没有证明的 k/Nk/N 公式，现在有了完整推导。代入 k=30k=30、N=100N=100：p=0.3p=0.3，与之前的结果一致。

对 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)——这正是随机过程 8里的平均结束时间公式。代入 k=30k=30、N=100N=100：E[τ]=30×100−302=3000−900=2100E[\tau]=30\times100-30^2=3000-900=2100，与之前算出的 2100 局完全吻合。两个看似独立算出的公式，其实都只是同一个定理套用在两个不同 martingale 上的结果。

4. 什么时候 optional stopping 会失效

Optional stopping theorem 的条件不是形式上的赘述。考虑一个没有边界的简单对称随机游走，τ1=inf⁡{t:Xt=1}\tau_1=\inf\{t:X_t=1\}：可以证明 τ1\tau_1 几乎必然有限（一维随机游走是常返的，见随机过程 7），但 E[Xτ1]=1≠E[X0]=0E[X_{\tau_1}]=1\neq E[X_0]=0——optional stopping theorem 的结论在这个例子中不成立，因为 E[τ1]E[\tau_1] 本身是无限大，破坏了定理所需的正则条件。这正是”加倍下注”一类赌博策略看似能稳赚不赔的数学根源：策略本身没有错，错的是忽略了达成目标所需的期望时间（甚至所需的期望本金）可能是无限大，而现实中的赌本和时间永远有限。

5. 为什么 martingale 重要

Martingale 是现代概率论里处理”条件期望随信息演化”的基础语言，出现在 stopping time 理论、集中不等式（concentration inequality）、随机微积分、金融定价、布朗运动与序贯分析中。最值得记住的不是”公平赌博”这个入门例子，而是：在当前信息条件下，未来没有可预测的平均漂移——第 3 节展示了这个看似抽象的性质，如何直接推导出两个原本只能靠其他方法才能算出的具体公式。