KNOWECON WIKI

ARTICLE

几何布朗运动

几何布朗运动 (Geometric Brownian Motion) 几何布朗运动 (Geometric Brownian Motion, GBM)，也常缩写为 GBM，是金融数学和随机过程理论中一个至关重要的连续时间随机过程。它被广泛用于模拟那些不能取负值的变量的动态演化，最著名的应用是作为金融资产（尤其是股票）价格随时间变化的经典模型。GBM是Black

浏览 64 更新 2025-10-26

几何布朗运动 (Geometric Brownian Motion)

几何布朗运动 (Geometric Brownian Motion, GBM)，也常缩写为 GBM，是金融数学和随机过程理论中一个至关重要的连续时间随机过程。它被广泛用于模拟那些不能取负值的变量的动态演化，最著名的应用是作为金融资产（尤其是股票）价格随时间变化的经典模型。GBM是Black-Scholes-Merton模型的基石，该模型彻底改变了期权定价理论。

从本质上讲，几何布朗运动描述了一个过程，其对数（logarithm）遵循一个带有漂移的布朗运动（也称为维纳过程）。

随机微分方程 (SDE)

几何布朗运动由以下的随机微分方程（Stochastic Differential Equation, SDE）定义：

dSt=μStdt+σStdWtdS_t = \mu S_t dt + \sigma S_t dW_t

其中：

  • St S_t 代表在时间 t t 的资产价格。
  • dSt dS_t 代表在极小时间间隔 dt dt 内资产价格 St S_t 的微小变化。
  • μ \mu (mu) 是一个常数，被称为 漂移率 (drift)。它代表了资产价格增长率的确定性部分，即资产的平均对数回报率的期望值。
  • σ \sigma (sigma) 是一个常数，被称为 波动率 (volatility)。它代表了资产价格增长率的随机性部分，衡量了资产回报的标准差。
  • dt dt 代表一个极小的时间增量。
  • dWt dW_t 是一个维纳过程（或布朗运动）的增量。它代表了随机冲击的来源，具有 E[dWt]=0 E[dW_t] = 0 和 Var(dWt)=dt \text{Var}(dW_t) = dt 的性质。这意味着 dWt dW_t 可以被看作是 εdt \varepsilon\sqrt{dt} ，其中 ε \varepsilon 是一个服从标准正态分布 N(0,1) N(0, 1) 的随机变量。

理解 SDE 的两个组成部分

这个SDE可以被分解为两个部分来理解：

  1. 确定性部分（漂移项）：μStdt \mu S_t dt

这个项表明，在没有随机性的情况下，资产价格会以连续复利的形式按比率 μ \mu 增长。价格的变化量与当前价格 St S_t 成正比。这类似于银行存款的利息，利息的产生取决于当前的本金。

  1. 随机性部分（扩散项）：σStdWt \sigma S_t dW_t

这个项引入了不确定性。资产价格的随机波动也与当前价格 St S_t 成正比。这意味着价格越高的股票，其价格的绝对波动（以货币单位计）通常也越大。而其回报率的波动性由 σ \sigma 决定。dWt dW_t 作为随机源，捕捉了由新信息、市场情绪变化等不可预测因素引起的价格波动。

求解几何布朗运动的 SDE

为了从上述SDE中得到任意时刻 T T 的资产价格 ST S_T 的显式解，我们不能使用普通的微积分方法，因为 Wt W_t 是一个不可微的随机过程。我们需要使用随机微积分中的核心工具——伊藤引理 (Itô's Lemma)。

我们的目标是找到一个函数 f(St) f(S_t) ，其微分形式不包含 St S_t 本身，从而简化方程。一个自然的选择是对数函数 f(St)=ln⁡(St) f(S_t) = \ln(S_t) 。

根据伊藤引理，对于一个函数 f(t,x) f(t, x) ，其关于随机过程 Xt X_t 的微分是：

df(t,Xt)=(∂f∂t+∂f∂xa(t,x)+12∂2f∂x2b(t,x)2)dt+∂f∂xb(t,x)dWtdf(t, X_t) = \left( \frac{\partial f}{\partial t} + \frac{\partial f}{\partial x} a(t, x) + \frac{1}{2} \frac{\partial^2 f}{\partial x^2} b(t, x)^2 \right) dt + \frac{\partial f}{\partial x} b(t, x) dW_t

在我们的案例中，Xt=St X_t = S_t ， f(St)=ln⁡(St) f(S_t) = \ln(S_t) ，漂移函数 a(t,St)=μSt a(t, S_t) = \mu S_t ，扩散函数 b(t,St)=σSt b(t, S_t) = \sigma S_t 。

我们计算 f(St)=ln⁡(St) f(S_t) = \ln(S_t) 的偏导数：

  • ∂f∂St=1St \frac{\partial f}{\partial S_t} = \frac{1}{S_t}
  • ∂2f∂St2=−1St2 \frac{\partial^2 f}{\partial S_t^2} = -\frac{1}{S_t^2}
  • ∂f∂t=0 \frac{\partial f}{\partial t} = 0

将这些偏导数代入伊藤引理的公式：

d(ln⁡St)=(0+1St(μSt)+12(−1St2)(σSt)2)dt+1St(σSt)dWtd(\ln S_t) = \left( 0 + \frac{1}{S_t}(\mu S_t) + \frac{1}{2} \left(-\frac{1}{S_t^2}\right) (\sigma S_t)^2 \right) dt + \frac{1}{S_t}(\sigma S_t) dW_t

简化后得到：

d(ln⁡St)=(μ−12σ2)dt+σdWtd(\ln S_t) = \left( \mu - \frac{1}{2}\sigma^2 \right) dt + \sigma dW_t

这个方程描述了资产对数价格的变化。与原始SDE不同，这个方程的系数是常数。我们可以对两边从时间 0 到 T T 进行积分：

∫0Td(ln⁡St)=∫0T(μ−12σ2)dt+∫0TσdWt\int_0^T d(\ln S_t) = \int_0^T \left( \mu - \frac{1}{2}\sigma^2 \right) dt + \int_0^T \sigma dW_t
ln⁡ST−ln⁡S0=(μ−12σ2)T+σ(WT−W0)\ln S_T - \ln S_0 = \left( \mu - \frac{1}{2}\sigma^2 \right) T + \sigma (W_T - W_0)

假设维纳过程从0开始，即 W0=0 W_0 = 0 。于是 WT W_T 本身就代表了从0到T的累积随机冲击。我们可以重新整理上式：

ln⁡(STS0)=(μ−12σ2)T+σWT\ln\left(\frac{S_T}{S_0}\right) = \left( \mu - \frac{1}{2}\sigma^2 \right) T + \sigma W_T

最后，对两边取指数，我们得到 ST S_T 的显式解：

ST=S0exp⁡((μ−12σ2)T+σWT)S_T = S_0 \exp\left( \left(\mu - \frac{1}{2}\sigma^2\right)T + \sigma W_T \right)

这个公式是现代金融中最重要的公式之一。

核心性质

  1. 对数正态分布 (Log-normal Distribution)

从解的表达式可以看出，ln⁡ST \ln S_T 是一个正态分布的随机变量，因为它是一个常数加上一个正态分布变量 WT W_T 的倍数（回忆 WT∼N(0,T) W_T \sim N(0, T) ）。

  • 均值: E[ln⁡ST]=ln⁡S0+(μ−12σ2)T E[\ln S_T] = \ln S_0 + (\mu - \frac{1}{2}\sigma^2)T
  • 方差: Var[ln⁡ST]=Var[σWT]=σ2Var[WT]=σ2T \text{Var}[\ln S_T] = \text{Var}[\sigma W_T] = \sigma^2 \text{Var}[W_T] = \sigma^2 T

因此，ln⁡ST∼N(ln⁡S0+(μ−12σ2)T,σ2T) \ln S_T \sim N(\ln S_0 + (\mu - \frac{1}{2}\sigma^2)T, \sigma^2 T) 。 由于 ST S_T 的对数服从正态分布，我们称 ST S_T 服从 对数正态分布。

  1. 价格非负性

由于指数函数 exp⁡(x) \exp(x) 的值恒为正，所以无论随机项 σWT \sigma W_T 取何值，ST S_T 总是大于零。这与股票、商品等资产价格不能为负的现实情况相符，是GBM优于算术布朗运动的一个关键原因。

  1. 期望价格

虽然对数价格的期望是 ln⁡S0+(μ−12σ2)T \ln S_0 + (\mu - \frac{1}{2}\sigma^2)T ，但价格 ST S_T 本身的期望值是多少呢？我们可以利用对数正态分布的性质来计算。

E[ST]=E[S0exp⁡((μ−12σ2)T+σWT)] E[S_T] = E\left[S_0 \exp\left( \left(\mu - \frac{1}{2}\sigma^2\right)T + \sigma W_T \right)\right]
E[ST]=S0exp⁡((μ−12σ2)T)E[exp⁡(σWT)] E[S_T] = S_0 \exp\left( \left(\mu - \frac{1}{2}\sigma^2\right)T \right) E[\exp(\sigma W_T)]

对于一个正态变量 X∼N(m,v2) X \sim N(m, v^2) ，有 E[eX]=em+v2/2 E[e^X] = e^{m + v^2/2} 。在我们的例子中，随机变量是 σWT \sigma W_T ，其服从 N(0,σ2T) N(0, \sigma^2 T) 。因此，m=0 m=0 , v2=σ2T v^2=\sigma^2 T 。

E[exp⁡(σWT)]=exp⁡(0+σ2T2)=exp⁡(12σ2T) E[\exp(\sigma W_T)] = \exp\left(0 + \frac{\sigma^2 T}{2}\right) = \exp\left(\frac{1}{2}\sigma^2 T\right)

代入期望公式：

E[ST]=S0exp⁡((μ−12σ2)T)exp⁡(12σ2T)=S0eμT E[S_T] = S_0 \exp\left( \left(\mu - \frac{1}{2}\sigma^2\right)T \right) \exp\left(\frac{1}{2}\sigma^2 T\right) = S_0 e^{\mu T}

这表明，资产价格的期望值以连续复利的形式按漂移率 μ \mu 增长。

在金融中的应用

  • 蒙特卡洛模拟：GBM的离散化形式被广泛用于金融工程中的蒙特卡洛模拟，以预测资产价格的未来路径。离散形式为：
St+Δt=Stexp⁡((μ−12σ2)Δt+σΔtZ)S_{t+\Delta t} = S_t \exp\left( \left(\mu - \frac{1}{2}\sigma^2\right)\Delta t + \sigma \sqrt{\Delta t} Z \right)

其中 Z Z 是从标准正态分布中抽取的一个随机数。通过模拟成千上万条可能的价格路径，可以为复杂的奇异期权定价，或计算风险价值 (Value at Risk, VaR) 等风险管理指标。

模型的局限性

尽管GBM模型非常强大且应用广泛，但它也有一些与现实市场不符的简化假设：

  • 连续路径（无跳跃）：GBM假设价格路径是连续的，没有中断。但在现实中，由于重大新闻（如财报发布、并购公告、政治事件）的冲击，资产价格常常会出现剧烈的“跳跃”。为了捕捉这一现象，学者们提出了跳跃扩散模型。
  • 正态对数回报：模型隐含资产的对数回报服从正态分布。而实际的金融时间序列数据往往显示出“肥尾”（即极端事件的发生概率高于正态分布的预测）和偏度。