1951 年 Itô 公式：鏈鎖律之死#

探案代號：二階兇手

一句話案情：牛頓的鏈鎖律在布朗世界離奇死亡，現場多出一具二階屍體。

案件檔案

項目	內容
案發時間	1951 年， Memoirs of the American Mathematical Society
案發地點	美國， Itô 將戰時研究集結為英文巨著
主角	Itô Kiyosi ，從積分走向微分的集大成者
核心證物	隨機鏈鎖律， Itô 表，幾何布朗運動顯解
涉案人物	Newton ， Leibniz ， Wiener ， Itô ， Stratonovich
案件狀態	已破案，隨機微積分的王冠
關聯案件	1942 年 Itô 積分， 1931 年 Kolmogorov 方程， 1973 年 Black–Scholes 公式

案發現場#

1951 年的分析教室，黑板上還寫著牛頓的鏈鎖律。

若 \(x(t)\) 光滑，則 \(df = f^{\prime} dx\) ，一階即可，乾淨俐落。

可是布朗運動 \(W_t\) 根本不光滑，二次變差不為零，反而等於時間本身。

學生拿 \(f(W_t) = W_t^2\) 做實驗，用普通微分去算，結果期望對不上模擬。

模擬顯示 \(E[W_t^2] = t\) ，普通鏈鎖律卻預言均值為零，屍體就是這樣被發現的。

更離奇的是股市，幾何布朗運動的對數漂移總是少一塊，少的正是二分之一波動平方。

物理學家懷疑是計算錯誤，數學家懷疑是模型錯誤，偵探 Itô 說是微分錯誤。

他宣告，在隨機世界， Taylor 必須展到二階，因為 \(dW^2 = dt\) 。

鏈鎖律沒有失蹤，它是被二階項謀殺的，兇手就藏在二次變差裡。

偵查過程#

偵探先亮出兇器，即二次變差 \(\langle X \rangle\) 。

對布朗運動，在分割加細時平方和收斂至時間。

\[ \sum_i (W_{t_{i+1}} - W_{t_i})^2 \to T \]

其中收斂為依機率收斂，記為 \(\langle W \rangle_t = t\) 。

白話是，布朗運動走得太抖，一階小量平方後仍是一階，不可忽略。

接著對光滑函數 \(f\) 作 Taylor 展開至二階。

\[ \Delta f \approx f^{\prime} \Delta X + \frac{1}{2} f^{\prime\prime} (\Delta X)^2 \]

其中 \(\Delta X\) 為小增量，第二項在普通微積分中可丟，在此不可丟。

取極限即得 Itô 公式，一維版本如下。

\[ df = f^{\prime} dX + \frac{1}{2} f^{\prime\prime} d\langle X \rangle \]

其中 \(X\) 為 Itô 過程， \(f\) 為二次可微函數， \(d\langle X \rangle\) 為二次變差微元。

若 \(X\) 滿足 \(dX = b dt + \sigma dW\) ，則公式展開為實戰版。

\[ df(X_t) = ( b f^{\prime} + \frac{1}{2} \sigma^2 f^{\prime\prime} ) dt + \sigma f^{\prime} dW_t \]

其中 \(b\) 為漂移， \(\sigma\) 為擴散， \(W\) 為布朗運動。

偵探將乘法規則濃縮為 Itô 表，如下。

乘積	結果	說明
\(dt \cdot dt\)	\(0\)	高階無窮小，忽略
\(dt \cdot dW\)	\(0\)	階數為 \(dt^{3/2}\) ，忽略
\(dW \cdot dW\)	\(dt\)	核心，二次變差現形
\(dW \cdot dt\)	\(0\)	同第二列

有了此表，隨機微分可如代數般運算，偵探示範經典命案 \(W_t^2\) 。

設 \(f(x) = x^2\) ，則 \(f^{\prime} = 2x\) ， \(f^{\prime\prime} = 2\) 。

\[ d(W_t^2) = 2 W_t dW_t + dt \]

取期望後鞅項消失，得 \(E[W_t^2] = t\) ，與模擬吻合，冤案昭雪。

壓軸證據是幾何布朗運動，股市模型的核心。

設股價滿足 \(dS = \mu S dt + \sigma S dW\) ，其中 \(\mu\) 為報酬率， \(\sigma\) 為波動率。

對 \(f(S) = \ln S\) 施用 Itô 公式，得 \(d \ln S = (\mu - \sigma^2/2) dt + \sigma dW\) 。

積分即得顯解， Itô 修正項 \(-\sigma^2/2\) 現形。

\[ S_t = S_0 e^{ (\mu - \sigma^2/2) t + \sigma W_t } \]

其中 \(S_0\) 為初值，指數中多出的負項即鏈鎖律之死的代價。

偵探最後整理普通與隨機鏈鎖律的驗屍報告。

特徵	普通鏈鎖律	Itô 公式
對象	光滑路徑 \(x(t)\)	半鞅 \(X_t\)
展開階數	一階 \(f^{\prime} dx\)	二階，多 \(\frac{1}{2}f^{\prime\prime}d\langle X\rangle\)
二次變差	零	非零，如 \(dW^2 = dt\)
期望	無修正	鞅項期望為零，漂移多修正
幾何布朗	指數無修正	指數多 \(-\sigma^2/2\)

結案報告#

真兇確認：二次變差，它讓二階項死而復生，謀殺了普通鏈鎖律。

Itô 公式重建了隨機世界的微分法，從此 SDE 可以像 ODE 一樣變換與求解。

本案遺產有四件，第一是 SDE 理論正式完工，強解弱解與存在唯一皆以此公式為工具。

第二，生成元與 Itô 公式互證， 1931 年 Kolmogorov 後向方程有了軌道證明。

第三，金融工程直接封神， Black–Scholes 偏微分方程的推導全靠此公式。

第四，數值格式得以驗屍， Milstein 格式多出的一項正是二階 Taylor 的遺腹子。

當然， Stratonovich 派仍在抗議，他們的對稱積分保留了普通鏈鎖律，但代價是失去鞅性，金融學家不買帳。

1951 年之後，學隨機微積分的人第一課就是背誦 \(dW^2 = dt\) ，如同學武先蹲馬步。

證據與工具#

證物一號： Itô 公式本體，一維版。

\[ df = f^{\prime} dX + \frac{1}{2} f^{\prime\prime} d\langle X \rangle \]

其中 \(f\) 須二次連續可微， \(X\) 為 Itô 過程。

證物二號：布朗表的核心，二次變差。

\[ dW^2 = dt \]

其中 \(dW^2\) 理解為二次變差微元，非逐點乘法。

證物三號：幾何布朗運動顯解，修正項的鐵證。

\[ S_t = S_0 e^{ (\mu - \sigma^2/2) t + \sigma W_t } \]

其中 \(\mu\) 為漂移， \(\sigma\) 為波動， \(W_t\) 為布朗運動。

偵探工具： Taylor 二階展開，局部化與停時，單調收斂與控制收斂，鞅的可選停時。

數值呼應可參考程式 _code/1951-ito_gbm.py ，對數均值還原出 \(-\sigma^2/2\) 修正。

符號速查表如下。

符號	意義	備註
\(f^{\prime}\)	一階導數	普通微分部分
\(f^{\prime\prime}\)	二階導數	隨機修正係數
\(\langle X \rangle\)	二次變差	抖動的累積能量
\(S_t\)	股價	幾何布朗運動
\(\mu\)	漂移率	平均報酬
\(\sigma\)	波動率	抖動強度

補充：程式實作#

對應程式#

本節對應 1951-ito_gbm.py ，以幾何布朗運動驗證 Itô 修正項。

理論呼應#

本文核心是幾何布朗運動顯解 \(S_t = S_0e^{(\mu-\sigma^2/2)t+\sigma W_t}\) ，修正項 \(-\sigma^2/2\) 來自 \(dW^2 = dt\) 。取期望後鞅項消失，得 \(E[S_T] = S_0e^{\mu T}\) ，普通鏈鎖律漏掉二階項則系統性偏高 \(e^{\sigma^2T/2}\) 倍。程式以三十萬條 \(W_T\) 同時模擬正確解與錯誤解，前者還原均值，後者暴露 \(+4.60\%\) 理論偏誤。實測正確誤差僅 \(0.0176\%\) ，錯誤偏誤 \(+4.62\%\) ，與 \(f^{\prime\prime}\) 修正的預言吻合。

執行方式#

python3 _code/1951-ito_gbm.py

實測輸出#

exact E[S_T]=110.5171 ， correct MC mean=110.5365 rel_err=0.0176% ， wrong MC mean=115.6243 bias=+4.62% (theory +4.60%) ， VERIFY ... PASS 。

讀者實驗#

將 \(\sigma\) 改為 \(0.5\) 再重跑一次，觀察錯誤解的理論偏誤如何隨波動率平方放大。

完整程式如下：

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""1951 Ito GBM 對應 wiki 說明
對應 wiki：1951 年 Ito 引理，GBM dS = mu*S dt + sigma*S dW。
Ito 公式給精確解 S_T = S0*exp((mu-sigma^2/2)T + sigma*W_T)，故 E[S_T]=S0*exp(mu*T)。
若誤用常微分鏈鎖律（漏掉 -sigma^2/2）則 S_wrong = S0*exp(mu*T+sigma*W_T)，期望系統性偏高 e^{sigma^2 T/2} 倍。
規範：只用 numpy，固定種子，不畫圖只印數字，結尾印 VERIFY 並用 assert 把關。
"""
import numpy as np

np.random.seed(5)

S0 = 100.0
mu = 0.1
sigma = 0.3
T = 1.0
N = 300000

W = np.sqrt(T) * np.random.randn(N)
S_correct = S0 * np.exp((mu - 0.5 * sigma ** 2) * T + sigma * W)
S_wrong = S0 * np.exp(mu * T + sigma * W)  # 誤用常微分鏈鎖律：少了 -sigma^2/2

mean_correct = float(np.mean(S_correct))
mean_wrong = float(np.mean(S_wrong))
exact = S0 * np.exp(mu * T)
rel_err = abs(mean_correct - exact) / exact
wrong_bias = (mean_wrong - exact) / exact
theory_wrong_factor = np.exp(0.5 * sigma ** 2 * T) - 1.0

print(f"GBM S0={S0} mu={mu} sigma={sigma} T={T} N={N}")
print(f"exact E[S_T]={exact:.4f}")
print(f"correct MC mean={mean_correct:.4f} rel_err={rel_err:.4%}")
print(f"wrong   MC mean={mean_wrong:.4f} bias=+{wrong_bias:.2%} (theory +{theory_wrong_factor:.2%})")

assert rel_err < 0.01, f"correct rel err {rel_err} >= 1%"
assert wrong_bias > 0.03, f"wrong bias {wrong_bias} not systematically high"
print(f"VERIFY 1951 Ito GBM: correct_err={rel_err:.4%}<1% wrong_bias=+{wrong_bias:.2%}>3% PASS")