随机过程

随机过程 (Stochastic Process)

随机过程 (Stochastic Process)，亦称随机函数 (Random Function)，是概率论和统计学中描述随时间演化的随机现象的数学工具。它由一个由随机变量构成的集合 $\{X_t\}_{t \in T}$ 形式化定义，其中指标集 $T$ 通常表示时间，每个 $X_t$ 是定义在同一个概率空间 $(\Omega, \mathcal{F}, P)$ 上的随机变量。与确定性过程（如牛顿力学中的轨道运动）不同，随机过程的未来状态包含本质上的不确定性——股票价格的波动、每日气温的起伏、花粉颗粒在水中的无规则运动轨迹，均是随机过程的典型实例。给定一个特定结果 $\omega\in\Omega$，映射 $t\mapsto X_t(\omega)$ 称为该过程的一条样本路径 (Sample Path) 或一次实现。

基本分类体系

根据指标集 $T$ 和状态空间 $S$ 的数学性质，随机过程可分为四种基本类型，每类对应不同的应用场景与数学工具。

离散时间、离散状态

指标集为可数集（如 $T=\{0,1,2,\dots\}$），状态空间亦为可数集。此类过程常用于建模状态的离散跳跃。马尔可夫链 (Markov Chain) 是最典型的代表，例如一个双状态天气模型（晴天/雨天）的每日转换，或网页浏览中的页面跳转。伯努利过程 (Bernoulli Process) 由独立同分布的二值随机变量序列构成，是抛硬币试验的数学模型。此类过程的分析工具包括转移概率矩阵和Chapman-Kolmogorov方程。

离散时间、连续状态

指标集离散而状态空间为连续区间（如 $\mathbb{R}$）。此类过程在时间序列分析中占据核心地位。例如，股票每日收盘价、月度通货膨胀率等经济数据均可视为离散时间连续状态过程的观测值。自回归模型 (AR) 将当前值表示为过去值的线性组合加随机扰动，移动平均模型 (MA) 用过去随机冲击的加权和来刻画当前值，二者结合的 ARMA 模型 是经典建模工具。此类过程的统计推断依赖于平稳性假设和自相关函数的识别。

连续时间、离散状态

时间连续但状态离散。典型代表是泊松过程 (Poisson Process)，它描述在连续时间内随机独立发生的事件个数——如电话交换机在一天内收到的呼叫次数、网站服务器的请求到达过程。泊松过程的关键性质包括：不相交时间段内的计数相互独立，计数增量服从泊松分布，且事件间间隔服从指数分布。连续时间马尔可夫链 (CTMC) 是其更一般的推广，其转移速率由生成元矩阵 (Generator Matrix) 描述。

连续时间、连续状态

时间和状态均连续，是刻画物理和金融现象的最强大工具。布朗运动 (Brownian Motion)，亦称维纳过程 (Wiener Process)，满足：$W_0=0$，路径几乎必然连续，增量 $W_t-W_s$ 服从均值为 0、方差为 $t-s$ 的正态分布，且不重叠区间增量相互独立。它是随机分析的基石，也是金融工程中几乎所有连续时间模型的基础。几何布朗运动 (Geometric Brownian Motion) 的对数服从布朗运动，因保证取正值而被广泛应用于股票价格建模，并构成了布莱克-斯科尔斯模型 (Black-Scholes Model) 的核心假设。

描述统计量

分析随机过程的行为需借助若干统计函数。均值函数 $\mu_X(t)=E[X_t]$ 刻画过程在每个时刻的平均水平。自协方差函数 $\gamma_X(t_1,t_2)=\text{Cov}(X_{t_1},X_{t_2})$ 衡量过程在两个不同时刻的线性依赖关系；当 $t_1=t_2$ 时退化为方差函数 $\text{Var}(X_t)$。自相关函数 (ACF) 是自协方差的标准化版本 $\rho(t_1,t_2)=\gamma(t_1,t_2)/\sqrt{\gamma(t_1,t_1)\gamma(t_2,t_2)}$，取值于 $[-1,1]$，在模型识别中至关重要。

关键性质

平稳性 (Stationarity)

平稳性极大简化了随机过程的数学处理。严平稳 (Strict Stationarity) 要求过程的任意有限维概率分布在时间平移下保持不变，是极强的条件。宽平稳 (Weak Stationarity) 仅需均值恒为常数、自协方差仅依赖于时间差 $\tau=t_2-t_1$ 且方差有限，是时间序列分析的常用假设。对于宽平稳过程，谱分析可通过将过程分解为不同频率的正弦波成分来揭示其周期性结构。

马尔可夫性质

马尔可夫性质体现"无记忆性"：给定过程的当前状态，其未来条件分布与过去状态独立。满足该性质的过程称为马尔可夫过程。这一特性使概率推断和计算大幅简化，是隐马尔可夫模型 (HMM) 和许多强化学习算法的理论支柱。蒙特卡洛方法中的马尔可夫链蒙特卡洛 (MCMC) 也从该性质出发实现高维分布的采样。

鞅 (Martingale)

鞅刻画"公平赌局"：给定截至 $s$ 的全部信息（即过滤 $\mathcal{F}_s$），未来 $t>s$ 的条件期望等于当前值 $X_s$。鞅性质是金融数学中无套利定价理论的数学基础，也是随机积分理论的出发点。Doob 鞅不等式和鞅收敛定理是鞅理论中最重要的分析工具。

应用领域

随机过程理论是现代科学和工程的支柱之一。在金融与经济学中，它支撑着资产定价、风险管理、保险精算和期权定价；在物理学中用于统计力学和量子场论；在生物学中用于种群动态和流行病传播建模；在工程学中应用于信号处理、排队论和控制理论；在计算机科学中渗透于算法分析、网络流量建模和机器学习的贝叶斯方法之中。随机过程的普适性使其成为连接数学理论与现实世界随机现象的核心桥梁，为理解和预测不确定性提供了坚实的数学语言。