伊滕引理：由傳統微積分到隨機微積分的修正項｜Quant Math 第 1 講筆記
第 1 課・共 14 課
目錄
這是 Roman Paolucci 量化金融數學系列按發佈時序的第 1 講。衍生工具的收益由相關資產驅動，而相關資產價格通常建模為隨機微分方程 Stochastic Differential Equation（SDE）——價格路徑隨時間隨機演化。處理這類方程需要的微積分工具，與傳統微積分有本質分別。本講由傳統導數與泰勒展開出發，逐步說明隨機性為何令高階項「消不去」，最後推導出整套衍生工具定價的基石——伊滕引理 Ito’s Lemma。
學習重點
- 微分不是零：微分 $dx$ 代表無窮小但非零的變化；把 $\Delta x$ 直接代入零，得到的就不是微分概念。
- 傳統導數中，高階項自動消失：把泰勒展開代入導數的極限定義，$(dx)^2$ 以上的項在 $dx \to 0$ 時全部消失，只剩一階導數這個「線性近似」。
- 隨機微積分的關鍵差異：$(dt)^2 \to 0$、$dt\,dW_t \to 0$ 與傳統情況一樣，但布朗運動微分的平方 $(dW_t)^2 \to dt$，不是零——這源於布朗運動的二次變差。
- 伊滕引理：時間相關的布朗運動函數 $f(t, W_t)$，其微分比傳統鏈式法則多出一項二階修正（伊滕修正項）。
- 模擬驗證：單一路徑上伊滕微分與實際微分並不重合，但一千條路徑的平均微分與伊滕引理幾乎完美吻合；不做修正的泰勒微分則明顯偏離。
詳細筆記
傳統微積分重溫：微分與泰勒展開
講者先回到傳統微積分的起點。導數 Derivative 以極限定義，可由此證明冪法則、積法則等各種定理；我們初學時理解為切線斜率、瞬時變化率。但講者強調：一旦引入隨機性，「導數」的整套假設就開始崩解——隨機變量服從某個具期望與方差的分佈，不能當成確定函數處理。
進入隨機微積分前，要先釐清微分 Differential 的概念。微分 $dx$ 是非常小但非零的變化：
$$dx = (x + \Delta x) - x, \qquad \Delta x \to 0 \;\Rightarrow\; dx \to 0$$若把 $\Delta x$ 代入零，結果是 $x - x = 0$——那不是微分，只是零。微分是「趨向零但不等於零」的無窮小量，否則整套機制無法運作。
接着是泰勒級數展開 Taylor Series Expansion：
$$f(x + dx) = f(x) + f'(x)\,dx + \frac{1}{2}f''(x)(dx)^2 + \cdots$$講者特別提醒一個常見誤讀：他不是說高階項在描述函數真實變化時可以忽略——若要捕捉函數值的精確變化，二階、三階項（曲率、拐點）都很重要。他說的是另一回事：我們關心的是導數，即切線斜率這個一階線性近似。把泰勒展開代入導數定義：
$$f'(x) = \lim_{dx \to 0} \frac{f(x + dx) - f(x)}{dx} = \lim_{dx \to 0} \frac{f'(x)\,dx + \frac{1}{2}f''(x)(dx)^2 + \cdots}{dx} = \lim_{dx \to 0} \left[ f'(x) + \frac{1}{2}f''(x)\,dx + \cdots \right] = f'(x)$$取極限後，所有高階項都因乘以 $dx$ 而消失，只剩 $f'(x)$ 本身。影片以 $x^2$ 為例繪圖示範：當 $dx$ 由 0.5 縮到 0.01，二階、三階項的絕對值以數量級速度縮小；紅色虛線（一階導數）在 $dx$ 很小時已非常貼近真實變化，綠色虛線（三階近似）則緊貼原曲線——但記住，我們要的是導數，不是真實變化。
進入隨機世界：微分規則的改寫
現在把對象換成「時間相關的隨機過程函數」$f(t, W_t)$，其中 $W_t$ 是布朗運動 Brownian Motion。此時有兩個微分：時間微分 $dt$ 與隨機微分 $dW_t$。逐項檢查：
- $(dt)^2 \to 0$：與上面傳統情況相同，$dt$ 的作用與高階微分無異。
- $dt\,dW_t \to 0$：$dt$ 趨零時會把 $dW_t$ 一併拖向零。
- $(dW_t)^2 \to dt$：這裏完全不同。它不趨零，而是趨向 $dt$——這句話說的是布朗運動的二次變差 Quadratic Variation，即其方差特性。
為何 $(dW_t)^2$ 不能是零？講者給出兩層解釋。
直觀層面：布朗運動的增量服從正態分佈，$W_{t+\Delta t} - W_t \sim N(0, \Delta t)$——均值零、方差等於時間步長。當 $\Delta t \to 0$，增量成為微分 $dW_t \sim N(0, dt)$。若 $dW_t$ 趨零，其方差也會是零，便完全無法刻劃隨時間累積的隨機性——二次變差必須被保留。
較正式層面：把區間 $[0, T]$ 離散分割為 $N$ 份，按定義 $W_T - W_0 \sim N(0, T)$。其方差用方差公式拆開：
$$\mathrm{Var}(W_T - W_0) = \mathbb{E}\left[\sum_{i=1}^{N} (dW_{t_i})^2\right] - \big(\mathbb{E}[dW_{t_i}]\big)^2$$布朗運動均值為零，期望項是零；若 $(dW_{t_i})^2 = 0$（像傳統微分那樣），則 $\mathrm{Var}(W_T - W_0) = 0 + 0 = 0$，與該過程在區間上應有的方差 $T$ 矛盾。唯有 $(dW_t)^2 = dt$，把 $N$ 份 $dt$ 加總才得到 $T$，滿足布朗運動的構造定義。
伊滕引理的推導
有了傳統泰勒展開的處理手法，加上隨機微積分的三條規則，便可推導伊滕引理 Ito’s Lemma。對時間相關的布朗運動函數 $f(t, W_t)$ 作泰勒展開：
$$df = \frac{\partial f}{\partial t}\,dt + \frac{\partial f}{\partial W_t}\,dW_t + \frac{1}{2}\frac{\partial^2 f}{\partial t^2}(dt)^2 + \frac{1}{2}\frac{\partial^2 f}{\partial W_t^2}(dW_t)^2 + \frac{1}{2}\frac{\partial^2 f}{\partial t\,\partial W_t}\,dt\,dW_t + \cdots$$逐項套用規則：
- $(dt)^2 \to 0 \;\Rightarrow\;$ 含 $(dt)^2$ 的項消失；
- $(dW_t)^2 \to dt \;\Rightarrow\;$ 二階項保留，變成 $\frac{1}{2}\frac{\partial^2 f}{\partial W_t^2}\,dt$；
- $dt\,dW_t \to 0 \;\Rightarrow\;$ 交叉項消失。
更高階的項必然還帶一個 $dt$（來自交叉項或 $(dW_t)^2$ 的替換），故此二階以上全部為零。提取 $dt$ 因子後得到伊滕引理的最終形式：
$$\boxed{\,df = \left( \frac{\partial f}{\partial t} + \frac{1}{2}\frac{\partial^2 f}{\partial W_t^2} \right) dt + \frac{\partial f}{\partial W_t}\,dW_t\,}$$
截圖出自原片（Roman Paolucci，2025）：伊滕引理的完整推導——白板上列出泰勒展開、三條微分規則與化簡後的最終公式。
與傳統鏈式法則相比，多出的就是 $\frac{1}{2}\frac{\partial^2 f}{\partial W_t^2}\,dt$ 這項伊滕修正項 Ito Correction Term。它不來自任何技巧，純粹是因為 $(dW_t)^2 = dt$ 這個布朗運動的內在性質。
模擬驗證：平均意義下才成立
講者以一條布朗運動樣本路徑放大觀察：伊滕引理給出的微分與傳統泰勒微分（無修正項）彼此接近但不完全重合，且兩者都對不上該路徑的實際微分。這不是理論出錯——隨機性下我們本來就不預測單一路徑或單個增量，而是刻劃分佈的期望與方差。
把實驗擴大到一千多次模擬，計算平均微分：紅線（實際平均微分）與綠色虛線（伊滕引理微分）幾乎完全重疊，而無修正項的泰勒微分（藍色點線）明顯偏離、根本不在正確水平——差距正是伊滕修正項把結果「上移」的部分。平均結果不與理論完美重合，是因為大數法則下的收斂是漸進的；模擬次數越多越貼近。
截圖出自原片（Roman Paolucci，2025）：超過一千次布朗運動模擬的平均微分比較——伊滕引理幾乎完美追蹤實際平均值，理論期望為 dt（黑色虛線），未加修正項的傳統泰勒微分則嚴重偏離。
講者以此收結：伊滕引理告訴我們的，是隨機過程函數的微分在平均意義上如何表現。掌握它之後，便可進入更複雜的隨機微分方程課題。
🙏 覺得內容有用？本站所有內容免費提供，使用推薦碼開戶就是支持我們繼續營運的最大鼓勵：
ZA Bank 邀請碼 P20923
—— 你享 HKD 2,000 迎新獎賞，本站獲得營運支持。
立即開戶 →
（聯盟連結｜投資涉及風險，受條款及細則約束，此資料僅可於香港境內分發）
欣利克的看法
- 「$(dW)^2 = dt$ 是假設還是定理？」 講者的處理是由布朗運動的定義（增量方差等於時間步長）反推這條規則，屬教科書標準的啟發式推導。嚴格版本要動用二次變差的均方收斂證明，對學習定價應用而言，記住「布朗運動的二次變差非零，所以二階項消不去」已足夠。
- 模擬驗證的是期望，不是路徑。 影片示範中，伊滕微分與單一路徑的實際微分並不重合，要平均一千條路徑才吻合。這正是隨機微積分最容易誤解的地方：它刻劃分佈的矩，不保證單次實現。本站在 Quant Theory 第 1 講 談模型以「輸入—輸出」配對學習時，同樣強調用樣本平均逼近真實規律，思路相通。
- 修正項後面還有整條定價鏈。 本講只推到 $f(t, W_t)$ 的形式；實務上股價建模為幾何布朗運動，伊滕引理要作用在 $\ln S_t$ 上，才推出 Black-Scholes 世界裏股價的對數正態分佈（本系列第 5 講會完整走一遍）。讀者不妨把本講當成「工具課」，後續課次才是「應用課」。
- 資料時效提醒： 影片於 2025 年 7 月上載，內容屬長期有效的數學基礎，不存在時效問題；但影片提及的配套 Jupyter notebook 與外部連結以原片描述欄為準。
名詞解釋
- 伊滕引理 Ito’s Lemma：隨機微積分的鏈式法則，因 $(dW_t)^2 = dt$ 而比傳統微積分多出一項二階修正項。
- 布朗運動 Brownian Motion：增量獨立且服從 $N(0, \Delta t)$ 的連續隨機過程，是金融模型隨機性的基本建構塊。
- 隨機微分方程 Stochastic Differential Equation：含隨機衝擊項的微分方程，解是一個分佈而非單一數值。
- 波動率 Volatility：回報的標準差，量度回報偏離平均值的程度，金融上最常用的風險量化指標。
- Monte Carlo 模擬 Monte Carlo Simulation：以大量隨機抽樣逼近統計量的數值方法，本講用以驗證伊滕引理的平均性質。
常見問題 FAQ
為甚麼傳統微積分不能直接用在股價模型上？
傳統導數假設函數是確定的，高階微分在極限下消失；但股價模型含有布朗運動這類隨機項，其增量的方差等於時間步長，令 $(dW_t)^2$ 在極限下等於 $dt$ 而非零。二階項消不去，傳統鏈式法則就會給出錯誤結果，必須改用伊滕引理。
伊滕修正項的直觀意義是甚麼？
函數若有曲率（二階導數非零），隨機波動經過非線性函數後會產生不對稱的效果：向上與向下的隨機衝擊對函數值的影響不再對稱抵銷。修正項 $\frac{1}{2}f''\,dt$ 正是把這個由曲率與方差共同產生的系統性漂移補回來。
伊滕引理給出的微分，為甚麼與單條模擬路徑對不上？
因為隨機過程的微分本身是隨機變量，伊滕引理刻劃的是它的分佈特性（期望與方差），而非單次實現的數值。影片示範把模擬擴大到一千條路徑後，平均微分便與伊滕引理緊密吻合——這正是大數法則下的預期行為。
原影片
本文整理自以下影片，版權屬原創作者所有，建議配合原片觀看：