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，连续时间下通常写成 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 称为 drift，σ\sigma 控制 diffusion 强度，BtB_t 是布朗运动。

1.2 Drift 与 diffusion

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：在 dXt=μ dt+σ dBtdX_t=\mu\,dt+\sigma\,dB_t 中，μ>0\mu>0 代表过程整体向上漂移，μ<0\mu<0 则整体向下。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}，跟普通微分 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

布朗运动几乎处处不可导，所以不能把 dBt/dtdB_t/dt 当作普通函数使用，因此需要发展新的积分理论，最经典的是 Itô integral 和 Stratonovich integral，这进一步产生 stochastic calculus。

2.2 Itô formula

普通微积分的 chain rule 是 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 量级的贡献，会多出一个二阶项：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+\frac12f''(X_t)\sigma^2(X_t,t)dt。这个额外项看似只是一个修正，却是随机微积分与普通微积分之间最核心的区别，第 3.2 节会直接用它推导出一个重要模型的解析解。

3. 两个经典模型：具体算一次

3.1 Ornstein–Uhlenbeck process：均值回归的具体数字

经典 SDE dXt=θ(μ−Xt)dt+σdBtdX_t=\theta(\mu-X_t)dt+\sigma dB_t（θ>0\theta>0）描述 mean reversion（均值回归）：当 Xt>μX_t>\mu 时 drift 把它往下拉，当 Xt<μX_t<\mu 时往上推。这个方程有解析解，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})，随着 t→∞t\to\infty，方差趋近稳定值 σ2/(2θ)\sigma^2/(2\theta)。取 θ=2\theta=2、μ=5\mu=5、σ=1\sigma=1、X0=10X_0=10，一年后（t=1t=1）的期望值是 E[X1]=5+5e−2≈5.68E[X_1]=5+5e^{-2}\approx5.68：已经从初始的 10 明显往均值 5 拉近；方差是 Var⁡(X1)=14(1−e−4)≈0.245\operatorname{Var}(X_1)=\frac14(1-e^{-4})\approx0.245，非常接近长期稳定方差 σ2/(2θ)=0.25\sigma^2/(2\theta)=0.25。OU process 广泛用于物理中的速度模型、金融利率与各种需要”偏离均值后会被拉回”的噪声过程。

3.2 几何布朗运动：用 Itô formula 推导解析解

金融数学中经典的模型 dSt=μSt dt+σSt dBtdS_t=\mu S_t\,dt+\sigma S_t\,dB_t 叫 geometric Brownian motion（GBM），随机扰动大小与当前 StS_t 成比例，适合描述正值的乘法型随机增长，是 Black–Scholes 模型的基础。对 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，这个多出来的 −σ2/2-\sigma^2/2 正是 2.2 节那个二阶修正项的直接后果，若照普通微积分的 chain rule 硬套，会漏掉这一项。积分后可得解析解 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 的中位数是 100 e(0.1−0.02)≈108.33100\,e^{(0.1-0.02)}\approx108.33，但期望值却是 E[S1]=S0eμt≈110.52E[S_1]=S_0e^{\mu t}\approx110.52——中位数和期望值不相等，是对数正态分布右偏的直接结果，实务上常把两者混为一谈：把”典型情境”（中位数）误当成”平均回报”（期望值），会系统性低估长期平均增长率。

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。随机动力系统因此有两个互补视角：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

随机微分方程把前面的内容都汇合了：布朗运动提供连续随机噪声，Markov 性质描述状态演化，鞅提供条件期望工具，高斯过程提供重要随机过程类别，平稳性与遍历性描述长期统计性质——SDE 相当于把这些概念全部放进一个连续时间动力系统中，是整个系列的汇流点。

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，可以理解成确定性动力学加上连续随机扰动。Ornstein–Uhlenbeck process 展示了均值回归如何用解析解具体算出来，几何布朗运动则展示了 Itô formula 的二阶修正项如何直接决定”中位数”和”期望值”这两个看似相近、实际上系统性不同的量。后续可以继续深入更完整的 stochastic calculus、Fokker–Planck equation、随机控制和更一般的 diffusion process。