1998・Lyons 粗糙路徑：Hölder 指數小於二分之一的世界#

「布朗運動已經夠粗糙了，Lyons 卻說：還能更粗。」本案時間：1998 年，地點：英國牛津與倫敦，報案人：被 \(p\) 變差難住的分析學家。

案件檔案	內容
案號	RP-1998-Lyons
年份	1998 年
主角	Terry Lyons
關鍵文獻	Differential Equations Driven by Rough Signals（1998）
涉案對象	\(p\) 變差、signature、Hölder 指數 \(\alpha < 1/2\)
核心證物	signature 提升、Itô–Lyons 連續性定理、 Universal Limit 定理
關聯舊案	1923 年 Wiener 過程、1951 年 Itô 公式、2014 年 Hairer 正則結構
遺產	粗糙波動、機器學習 signature 特徵、隨機偏微分方程新解法

案發現場#

1990 年代末，隨機分析撞上了一面看不見的牆。

Itô 積分要求被積函數適應、積分路徑是半鞅。布朗運動的 Hölder 指數恰為 \(1/2\) 以下，勉強還能用 Itô 機制馴服。可一旦噪聲比布朗更粗——分數布朗 \(H < 1/2\) 、物理近似的光滑逼近取極限結果飄移——Itô 機制當場失效。Wong–Zakai 近似告訴大家：用光滑路徑逼近布朗，極限未必是 Itô 解，可能是 Stratonovich 解。極限依賴逼近方式，這在古典分析裡是不可饒恕的醜聞。

更深的病灶是「路徑」本身。Itô 解映射 \(W \mapsto X\) 在一致拓撲下不連續：兩條肉眼難分的布朗路徑，可以解出差很遠的 \(X\) 。這意味著隨機微分方程的解不是路徑的連續函數，數值逼近與穩定性都站在流沙上。

Lyons 是研究 perurbation 與大偏差出身的分析學家。他盯著 Chen 在 1950 年代留下的 signature（路徑的迭代積分序列），心裡浮現一個大膽的猜想：與其抱怨路徑太粗，不如給路徑「升級」——把高階迭代積分一起打包， head 進一個更大的空間，解映射在那裡恢復連續。

1998 年，粗糙路徑理論橫空出世。

偵查過程#

偵探的第一步，是給「粗糙」定罪量刑。對路徑 \(x\) ，定義 \(p\) 變差度量， \(p\) 越大容忍越粗：

\[ \|x\|_{p} = \sup_{\mathcal{P}}\left(\sum \lvert x_{t_{i+1}} - x_{t_i}\rvert^p\right)^{1/p} \]

布朗運動的 \(p\) 變差有限當且僅當 \(p > 2\) 。這正是本案的立案標準： \(p > 2\) 的世界，Young 積分（要求 \(p < 2\) ）已死，Itô 機制岌岌可危，新理論必須接管。

第二步是關鍵證物：signature 提升。對光滑路徑，定義其截斷 signature 為迭代積分全家桶：

\[ S(x) = \left(1, \int dx, \iint dx \otimes dx, \dots\right) \]

粗糙路徑就是「帶著高階積分一起出庭的路徑」。一條 \(p\) 粗糙路徑，攜帶 \(\lfloor p \rfloor\) 層迭代積分： \(2 < p < 3\) 時帶一階增量與二階「面積」， \(p\) 更大則帶更多層。Lévy 面積不再是數值惡夢，而是路徑身分證的一部分。

下表是粗糙度與裝備的對照，供探員按圖索驥：

粗糙度	例子	所需層數	積分機制
\(p < 2\)	有限變差、光滑	一層	Young／Riemann–Stieltjes
\(2 < p < 3\)	布朗運動	兩層（含面積）	Itô／Stratonovich 皆可嵌入
\(3 \le p < 4\)	分數布朗 \(H \in (1/4, 1/3]\)	三層	必須粗糙積分
\(p \ge 4\)	更粗噪聲	更多層	Lyons 層級逐層加碼

第三步是全案高潮：Itô–Lyons 連續性（Universal Limit 定理）。設驅動信號為粗糙路徑 \(\mathbf{x}\) ，考慮受控微分方程：

\[ dY = V(Y)\,d\mathbf{x} \]

則解映射 \(\mathbf{x} \mapsto Y\) 在粗糙路徑拓撲下連續且可延拓。白話翻譯：只要把面積等高階資訊一起比較，解就不再亂跳；光滑逼近的極限由提升後的極限唯一決定，Wong–Zakai 的歧義一次性澄清——Itô 與 Stratonovich 只是同一粗糙路徑的不同提升。

一個具體的驗屍：布朗運動提升為 Itô 型或 Stratonovich 型粗糙路徑，兩者差一個確定的漂移修正 \(\tfrac{1}{2}I\) 。Lyons 框架下，這不再是哲學爭論，而是同一個 signature 空間裡的兩個點。

本案還埋下一條 2014 年的伏筆。當 \(p\) 大到連 Lyons 層級都吃力、噪聲成為時空分佈（如 KPZ 的白噪聲），signature 得換成 Hairer 的正則結構模型。粗糙路徑是前傳，正則結構是續集。

結案報告#

1998 年一案，把「對路徑連續依賴」還給了隨機分析。

從此，SDE 的穩定性、數值格式的收斂、大偏差與支撐定理，都可以在確定性的粗糙拓撲裡重證一遍，不必每次都回頭求助機率。Friz 與 Hairer、Friz 與 Wik 的教科書隨後把這套語言標準化，機器學習更把截斷 signature 拿去當時間序列特徵，在手寫辨識與金融預測上大放異彩。

在歷史年表裡，本案上承 1923 年 Wiener 的嚴格構造，下啟 2014 年 Hairer 與 Rough Volatility。Wiener 證明布朗路徑連續卻無處可微，Lyons 證明即使 Hölder 指數 \(\alpha < 1/2\) ，微分方程依然可以有條不紊地被驅動。

案件狀態：已破案，粗糙之路已鋪平，歡迎攜帶面積上路。

證據與工具#

證物一，Hölder 與 \(p\) 變差換算。 \(\alpha\) -Hölder 路徑具有有限 \(p\) 變差對一切 \(p > 1/\alpha\) ：

\[ \alpha < \frac{1}{2} \;\Longleftrightarrow\; p > 2 \]

布朗運動 \(\alpha = 1/2^-\) ，分數布朗 \(\alpha = H^-\) 。看到 \(H = 0.1\) 的粗糙波動，就知道它住在 \(p \approx 10\) 的深粗區。

證物二，粗糙積分速寫。對受控粗糙路徑 \((Y, Y')\) ，積分由補償 Riemann 和定義：

\[ \int Y\,d\mathbf{x} = \lim_{\lvert\mathcal{P}\rvert \to 0}\sum \left(Y_i\,\delta x_i + Y'_i\,\mathbb{X}_i\right) \]

其中 \(\mathbb{X}\) 為二階提升。记住：少了面積項，和就不收斂。

證物三，工具與實驗對照表：

工具	用途	備註
signature 截斷特徵	時間序列分類	階數越高表達力越強，維度指數膨脹
Lyons 提升	判定 Itô／Stratonovich	差一個 \(1/2\) 修正
分形標度檢驗	估 Hölder／Hurst	對應程式 `_code/1998-fbm_hurst.py` 驗 \(t^{2H}\)

探員格言：路徑不帶面積出庭，證詞一律視為不完整。先問 \(p\) ，再問層數，最後才寫方程。

補充：程式實作#

對應程式#

本節對應程式為 1998-fbm_hurst.py ，以 Cholesky 分解生成分數布朗運動路徑，並用變異數標度迴歸估計 Hurst 指數。

理論呼應#

本文以 \(p\) 變差與 Hölder 指數 \(\alpha\) 刻畫粗糙度，判準為 \(\alpha < 1/2\) 對應 \(p > 2\) 之情形。程式直接驗證分數布朗運動的自相似律 \(Var B(t) = t^{2H}\) 關係，並以對數迴歸斜率還原 \(2H\) 數值。當 \(H = 0.1\) 路徑落在深粗區，Young 積分失效，正是 Lyons 要求攜帶面積 \(\mathbb{X}\) 出庭的情形。而 \(H = 0.7\) 對照組回到較光滑一側，呼應文中粗糙度與層數對照表及 \(t^{2H}\) 標度檢驗。

執行方式#

在 隨機微積分 目錄下執行 python3 _code/1998-fbm_hurst.py 即可重現結果，只需 numpy。

實測輸出#

H = 0.1: slope = 0.2264, target 2H = 0.2000, err = 0.0264
H = 0.7: slope = 1.4560, target 2H = 1.4000, err = 0.0560
VERIFY slope_H01=0.2264 slope_H07=1.4560

兩組斜率誤差皆小於容忍值 \(0.15\) ，確認標度律成立。

讀者實驗#

將 Hs = (0.1, 0.7) 改為 (0.3, 0.5) 並重跑，觀察斜率是否仍緊貼 \(2H\) 目標值。

完整程式如下：

"""1998 分數布朗運動 Hurst 估計（Cholesky 生成）。
對應 wiki：Mandelbrot–Van Ness (1968) fBM 定義；此處驗證自相似性
  Var B(t) = t^{2H}，即 log Var 對 log t 斜率 = 2H。
生成：時格 t_i = i/N (N=256，含 0 共 257 點)，
  共變異 C(s,t) = (s^{2H}+t^{2H}-|t-s|^{2H})/2，Cholesky L，路徑 = L z。
實驗：H = 0.1 與 0.7，各 500 條；逐 t 樣本變異數，
  線性迴歸 log Var ~ log t 得斜率，容忍 |slope - 2H| < 0.15。
只用 numpy，固定種子，不畫圖。
"""
import numpy as np

rng = np.random.default_rng(3)
N = 256
M = 500
Hs = (0.1, 0.7)
t = np.arange(N + 1) / N  # 含 0

slopes = {}
for H in Hs:
    p = 2.0 * H
    ti = t[:, None]
    tj = t[None, :]
    C = 0.5 * (ti ** p + tj ** p - np.abs(ti - tj) ** p)
    C += 1e-12 * np.eye(N + 1)  # 數值 jitter（H=0.1 時近奇異）
    L = np.linalg.cholesky(C)
    Z = rng.standard_normal((N + 1, M))
    paths = L @ Z  # (257, 500)
    var_t = np.var(paths[1:, :], axis=1, ddof=1)  # 去掉 t=0
    logt = np.log(t[1:])
    logv = np.log(var_t)
    slope, intercept = np.polyfit(logt, logv, 1)
    slopes[H] = float(slope)
    print(f"H = {H}: slope = {slope:.4f}, target 2H = {p:.4f}, err = {abs(slope - p):.4f}")

print(f"VERIFY slope_H01={slopes[0.1]:.4f} slope_H07={slopes[0.7]:.4f}")
assert abs(slopes[0.1] - 0.2) < 0.15, f"H=0.1 斜率偏差過大: {slopes[0.1]}"
assert abs(slopes[0.7] - 1.4) < 0.15, f"H=0.7 斜率偏差過大: {slopes[0.7]}"