数学与统计基础

从零讲起：分母 $P(B)$ 是怎么来的。全概率公式把"证据 $B$ 出现的总概率"拆成在各种假设下出现的加权和：

$$P(B) = P(B \mid A)P(A) + P(B \mid \bar A)P(\bar A)$$

所以贝叶斯的完整形式是：

$$P(A \mid B) = \frac{P(B \mid A)P(A)}{P(B \mid A)P(A) + P(B \mid \bar A)P(\bar A)}$$

经典数值例子（疾病检测，量化里同构于"信号真伪"判断）。设某病在人群中患病率 $P(D)=1\%$；检测的灵敏度 $P(+\mid D)=99\%$，但假阳性率 $P(+\mid \bar D)=5\%$。某人检测呈阳性，他真患病的概率是多少？

$$P(D \mid +) = \frac{0.99 \times 0.01}{0.99 \times 0.01 + 0.05 \times 0.99} = \frac{0.0099}{0.0099 + 0.0495} \approx 16.7\%$$

结论反直觉：哪怕检测"99% 准确"，阳性者真患病的概率也只有约 17%。原因是先验 $P(D)$ 太低，海量健康人贡献的假阳性淹没了真阳性。

	真患病 (1%)	健康 (99%)
检测阳性	$0.99\times0.01=0.0099$	$0.05\times0.99=0.0495$
检测阴性	$0.0001$	$0.9405$

映射到量化：把 $D$ 换成"这个 alpha 信号是真的"，把 $+$ 换成"它在样本内回测亮眼"。如果你从 1000 个噪声里筛出的信号，先验本就极低，那么"回测好看"远不足以让后验变高——这正是过拟合与 Q6 多重检验问题的概率本质。

两条定理的精确陈述。设 $X_1,\dots,X_n$ iid，均值 $\mu$、方差 $\sigma^2\lt\infty$，记 $\bar X_n=\frac1n\sum X_i$。

弱大数定律（依概率收敛）：对任意 $\varepsilon\gt 0$，

$$P\big(|\bar X_n - \mu| \gt \varepsilon\big) \to 0 \quad (n\to\infty)$$

中心极限定理（依分布收敛）：

$$\sqrt{n}\,(\bar X_n - \mu) \xrightarrow{d} N(0,\sigma^2),\qquad \text{即}\quad \frac{\bar X_n-\mu}{\sigma/\sqrt n}\xrightarrow{d} N(0,1)$$

为什么一个讲"收敛到点"，一个讲"形状"？LLN 说 $\bar X_n$ 这个随机变量塌缩成常数 $\mu$（方差 $\sigma^2/n\to0$）。但如果把这个塌缩"放大 $\sqrt n$ 倍"再看，剩下的涨落不会消失，而是稳定成一个钟形——这就是 CLT。$\sqrt n$ 这个放大倍率本身就是 LLN 收敛速率的体现：误差以 $1/\sqrt n$ 的速度缩小。

直接的量化后果：要把标准误减半，样本量要变 4 倍。这就是为什么"再多跑几天数据"对显著性的提升越来越慢。

iid 假设破裂时（金融收益率几乎总是如此）。当存在自相关时，$n$ 个观测的"有效信息量"远小于 $n$。普通方差估计会低估真实方差，t 统计量被人为放大。Newey-West（HAC）估计对长期方差做修正：

$$\hat\sigma^2_{NW} = \hat\gamma_0 + 2\sum_{k=1}^{L}\Big(1-\frac{k}{L+1}\Big)\hat\gamma_k$$

其中 $\hat\gamma_k$ 是滞后 $k$ 阶自协方差，Bartlett 权重 $1-\frac{k}{L+1}$ 保证估计半正定，$L$ 是滞后截断阶数。直觉：正自相关让相邻观测"重复计票"，必须把这些协方差加回方差里，t 值才不会虚高。

先把定义说全。一个过程 $X_t$ 关于信息流 $\mathcal F_t$ 是鞅，需满足三条：(i) $E[\,|X_t|\,]\lt\infty$（可积）；(ii) $X_t$ 关于 $\mathcal F_t$ 可测（适应）；(iii) $E[X_{t+1}\mid\mathcal F_t]=X_t$。比鞅大的叫上鞅（趋于下降），比鞅小的叫下鞅。

真实世界里股价不是鞅。因为投资者要求风险补偿，$E[S_{t+1}\mid\mathcal F_t]\gt S_t$（带正漂移），它是个下鞅。鞅性质出现在风险中性测度 $\mathbb Q$ 下，并且要先用无风险利率折现：

$$\tilde S_t = \frac{S_t}{(1+r)^t},\qquad E^{\mathbb Q}\!\big[\tilde S_{t+1}\mid \mathcal F_t\big] = \tilde S_t$$

为什么折现后才是鞅？风险中性测度是一种"重新加权概率"的技巧：把高风险情形的概率调整到让所有资产的期望收益都等于无风险利率。这样一来，持有股票和持有现金的预期增长一样，折现后漂移恰好被抵消，剩下纯粹的随机涨落——即鞅。

资产定价基本定理（直觉版）。

• 第一基本定理：市场无套利 ⇔ 存在一个等价鞅测度 $\mathbb Q$，使折现价格是鞅。
• 第二基本定理：市场完备（每个衍生品都可复制）⇔ 该测度 $\mathbb Q$ 唯一。

由此，任何衍生品的无套利价格就是其折现 payoff 在 $\mathbb Q$ 下的期望：

$$V_0 = E^{\mathbb Q}\!\Big[\frac{\text{Payoff}_T}{(1+r)^T}\Big]$$

这正是 Black-Scholes、二叉树、蒙特卡洛定价的统一根基。

为什么"是鞅 ⇒ 无可预测利润"？若 $\tilde S$ 是鞅，则任意"自融资"交易策略的财富过程也是鞅，其期望增量为零——你无法靠择时系统性地赚到超额收益。这与弱式有效市场（价格已反映历史信息）一致。

峰度（kurtosis）量化"尖峰厚尾"。定义为标准化四阶矩：

$$\text{Kurt}(X) = \frac{E[(X-\mu)^4]}{\sigma^4}$$

正态分布峰度恰为 $3$；"超额峰度" $=\text{Kurt}-3$。日度股指收益的超额峰度常在 $3\sim10$ 之间，远大于 0，即leptokurtic（尖峰厚尾）：中间比正态更尖、两侧尾巴更肥。

正态为什么低估尾部风险？正态密度尾部以 $e^{-x^2/2}$ 衰减，极快；而真实收益的尾部更接近幂律/指数衰减。举例：正态下 $5\sigma$ 事件的概率约 $2.9\times10^{-7}$（约百万年一遇），但 1987 年黑色星期一、2008、2020 这类"$5\sigma$+ 单日"在几十年里反复出现。用正态算 VaR/ES，会系统性地低估极端亏损的发生频率和幅度。

t 分布如何救场。自由度为 $\nu$ 的 Student-t，峰度为 $3+\frac{6}{\nu-4}$（$\nu\gt4$），$\nu$ 越小尾越肥；$\nu\to\infty$ 退化为正态。拟合收益时常得到 $\nu\approx 4\sim 6$，对应明显厚尾。

QQ 图（分位数-分位数图）怎么读。横轴是正态理论分位数，纵轴是样本经验分位数。

• 若数据近似正态 → 点落在 45° 直线上。
• 若两端点向上/向下偏离直线、呈"S 形上翘下翘" → 厚尾（极端值比正态更极端），这是收益率的典型特征。
• 若一端系统偏离 → 偏度（非对称），如股票下行尾更肥。

直觉：QQ 图的尾部点"飞出"直线，就是在用图形告诉你"正态低估了这里的概率质量"。

手推 MLE（正态分布的均值与方差）。样本 $x_1,\dots,x_n$ iid $\sim N(\mu,\sigma^2)$。似然与对数似然：

$$L(\mu,\sigma^2)=\prod_{i=1}^n \frac{1}{\sqrt{2\pi\sigma^2}}\exp\!\Big(-\frac{(x_i-\mu)^2}{2\sigma^2}\Big)$$ $$\ell(\mu,\sigma^2)=-\frac n2\ln(2\pi)-\frac n2\ln\sigma^2-\frac{1}{2\sigma^2}\sum_{i=1}^n (x_i-\mu)^2$$

对 $\mu$ 求偏导置零：

$$\frac{\partial\ell}{\partial\mu}=\frac{1}{\sigma^2}\sum(x_i-\mu)=0\ \Rightarrow\ \hat\mu=\bar x$$

对 $\sigma^2$ 求偏导置零：

$$\frac{\partial\ell}{\partial\sigma^2}=-\frac{n}{2\sigma^2}+\frac{1}{2\sigma^4}\sum(x_i-\mu)^2=0\ \Rightarrow\ \hat\sigma^2=\frac1n\sum(x_i-\bar x)^2$$

注意 MLE 的方差估计除以 $n$（有偏，低估），而样本方差除以 $n-1$（无偏）——这是面试常考的细节。

GMM 的核心：矩条件。设理论模型给出一组"在真参数下期望为零"的矩函数 $g(x_t,\theta)$：

$$E[\,g(x_t,\theta_0)\,]=0$$

例如线性资产定价里，定价误差与因子正交就是一条矩条件。GMM 用样本矩 $\bar g(\theta)=\frac1T\sum_t g(x_t,\theta)$ 逼近 0，最小化加权二次型：

$$\hat\theta_{GMM}=\arg\min_\theta\ \bar g(\theta)^\top W\, \bar g(\theta)$$

最优权重 $W$ 取矩条件协方差矩阵的逆（Hansen 1982），此时估计最有效；当矩条件数 $\gt$ 参数数时，目标函数的最小值还能做 $J$ 检验（过度识别检验），判断模型设定是否被数据拒绝。

	MLE	GMM
需要的假设	完整分布	仅若干矩条件
效率	正确设定时达到 Cramér-Rao 下界	一般略低，但更稳健
误设风险	分布错则估计有偏	对分布形态不敏感
典型场景	GARCH、logistic	资产定价、IV 估计

事实上 OLS、IV 都可看作 GMM 的特例；MLE 的一阶条件 $\frac{\partial\ell}{\partial\theta}=0$ 也是一种"得分为零"的矩条件，所以 MLE 可视为选了特定矩的 GMM。

推导"family-wise error"为什么爆炸。设每个检验在 $H_0$ 下犯第一类错误的概率是 $\alpha=0.05$，且各检验独立。做 $m$ 个检验时，至少一个误判为显著的概率（族错误率 FWER）是：

$$\text{FWER}=1-(1-\alpha)^m$$

代数：$m=10$ 时约 $40\%$；$m=100$ 时约 $99.4\%$；$m=1000$ 时实际上必然出现假阳性。所以"从 1000 个策略里挑出 $p\lt0.05$ 的那个"几乎一定能挑到，但它很可能只是噪声里运气最好的一个——这就是数据窥探 / 选择偏差。

期望假阳性个数：纯噪声下显著结果的期望个数是 $m\alpha$。$m=1000,\alpha=0.05$ 意味着平均 50 个"显著"策略全是假的。

三类修正。

• Bonferroni：把阈值压到 $\alpha/m$。控制 FWER，最保守，$m$ 大时几乎拒绝一切（功效低）。
• Benjamini-Hochberg（BH，控 FDR）：把 $m$ 个 p 值升序排 $p_{(1)}\le\dots\le p_{(m)}$，找最大的 $k$ 使 $p_{(k)}\le \frac{k}{m}\alpha$，拒绝前 $k$ 个。它控制的是"被拒中假阳性的比例"而非"是否有一个假阳性"，更适合海量信号筛选。
• Deflated Sharpe / Haircut（López de Prado）：针对回测，把试验次数、收益的偏度峰度、序列相关都纳入，给夏普比率"打折"，得到考虑选择偏差后的真实显著性。

问题的数学核心：取逆放大噪声。均值-方差最优权重 $w^\star\propto \Sigma^{-1}\mu$。把 $\Sigma$ 做特征分解 $\Sigma=\sum_i \lambda_i v_i v_i^\top$，则

$$\Sigma^{-1}=\sum_i \frac{1}{\lambda_i} v_i v_i^\top$$

小特征值 $\lambda_i$ 出现在分母——它们恰恰是被噪声污染最严重、最不可靠的方向，取逆后 $1/\lambda_i$ 把噪声放大成天文数字，导致优化器在这些"虚假低风险"方向上下重注，权重极端、换手爆炸、样本外崩盘。这就是 Markowitz 优化"error maximizer"的恶名来源。

维度灾难的量化。$N$ 个资产、$T$ 个观测，需估 $N(N+1)/2$ 个数。当 $q=N/T$ 不可忽略，样本协方差的特征值谱被系统性拉宽：真实相等的特征值在样本里被"劈开"，最大的被高估、最小的被低估甚至压到接近 0。$N\gt T$ 时矩阵直接奇异、不可逆。

随机矩阵理论（Marchenko-Pastur）。若收益本是纯噪声（真实协方差为单位阵），样本相关矩阵的特征值在 $N,T\to\infty,\ q=N/T$ 固定下落在区间：

$$\lambda_{\pm}=\big(1\pm\sqrt{q}\,\big)^2$$

落在 $[\lambda_-,\lambda_+]$ 内的特征值无法与噪声区分，应当"清洗"（如替换为其均值）；只有显著大于 $\lambda_+$ 的特征值才是真实信号（市场/行业因子）。这给了"哪些主成分是真的"一把客观尺子。

Ledoit-Wolf 收缩。把样本矩阵 $S$ 向结构化目标 $F$（如 $\bar\rho$ 等相关的常相关模型或对角阵）做凸组合：

$$\hat\Sigma=\delta F+(1-\delta)S,\qquad \delta\in[0,1]$$

$\delta$ 由最小化期望 Frobenius 误差解析给出。直觉：样本矩阵无偏但高方差，目标矩阵有偏但低方差，收缩在偏差-方差间取最优折中，顺带把小特征值抬离 0、保证可逆与良条件数。

因子模型分解。$\Sigma=BFB^\top+D$ 把 $N\times N$ 的估计问题降到"$K$ 个因子载荷 + 对角特异方差"，参数量从 $O(N^2)$ 降到 $O(NK)$，天然非奇异、可解释（$B$ 是 beta，$F$ 是因子协方差）。Barra 风险模型即此思路。

PCA 与协方差 EVD 的精确关系。对去均值的收益矩阵 $R$（$T\times N$），样本协方差 $\Sigma=\frac1T R^\top R$。对 $\Sigma$ 做 EVD：$\Sigma=V\Lambda V^\top$，特征向量 $v_k$ 是第 $k$ 主成分方向，特征值 $\lambda_k$ 是该方向解释的方差。主成分得分（因子收益）$f_k=Rv_k$。这与对 $R$ 直接做 SVD $R=U\Sigma_{sv}V^\top$ 是同一件事：$\Sigma$ 的特征值 $=\Sigma_{sv}$ 奇异值的平方除以 $T$。

为什么前几个主成分像市场/规模/价值？

• PC1（最大特征值）：载荷在所有股票上几乎同号、量级接近 → 它就是"大盘一起涨跌"的市场因子，通常解释 30%~50% 的总方差。
• PC2、PC3：载荷出现符号分化（一组正、一组负）→ 表现为"大盘股 vs 小盘股""价值 vs 成长"的对冲组合，对应规模、价值等风格因子。

直觉：PCA 在找"最大方差方向"，而股票收益里最大的共同波动来源天然就是系统性风险，所以无监督的 PCA 会自动浮现出经济学里命名的那些因子（统计因子 vs 基本面因子的对应）。

岭回归 = 对奇异值收缩（用 SVD 看最清楚）。设 $X=U\Sigma_{sv}V^\top$，OLS 与岭的解：

$$\hat\beta_{OLS}=\sum_i \frac{u_i^\top y}{\sigma_i}\,v_i,\qquad \hat\beta_{ridge}=\sum_i \frac{\sigma_i}{\sigma_i^2+\lambda}\,(u_i^\top y)\,v_i$$

OLS 在小奇异值 $\sigma_i$ 方向上 $1/\sigma_i$ 爆炸（与 Q7 同病）；岭把因子 $\frac{1}{\sigma_i}$ 换成 $\frac{\sigma_i}{\sigma_i^2+\lambda}$：大 $\sigma_i$ 几乎不变，小 $\sigma_i$ 被强烈压制。所以岭回归本质是对病态方向（多重共线性）做奇异值收缩，牺牲一点偏差换取大幅降低方差。

从定义推出半正定。组合收益 $R_p=\sum_i w_i R_i=w^\top R$。其方差：

$$\text{Var}(R_p)=\text{Var}(w^\top R)=w^\top \text{Cov}(R)\, w=w^\top \Sigma w$$

方差是平方期望，恒 $\ge 0$，且对任意权重 $w$ 都成立 → $\Sigma$ 必须半正定。等价刻画：所有特征值 $\ge 0$。出现负特征值就意味着存在某个组合"方差为负"，物理上不可能，是估计出错的信号。

什么时候会estimat出非半正定？① 用不同长度/不同时间窗拼接各资产的相关系数（pairwise，缺失数据各算各的）；② 对相关矩阵手工覆盖某些元素（如把某对相关强行设为 0.9）；③ $N\gt T$ 导致秩亏。

Higham 最近相关矩阵投影（修复思路）。对坏矩阵 $A$ 做特征分解 $A=Q\Lambda Q^\top$，把负特征值截断为 0（或一个小正数 $\epsilon$）：$\tilde\Lambda=\max(\Lambda,0)$，重构 $\tilde A=Q\tilde\Lambda Q^\top$，再把对角线归一回 1。Higham 用交替投影法在 Frobenius 范数下求"最接近原矩阵的合法相关矩阵"，保证半正定。

伪回归（Granger-Newbold 1974）的机制。取两条完全独立的随机游走 $x_t=x_{t-1}+u_t,\ y_t=y_{t-1}+v_t$（$u,v$ 互不相关），把 $y$ 对 $x$ 回归。理论上斜率应为 0、$R^2\approx0$。但实际上你会经常得到很高的 $R^2$、巨大的 t 值。

为什么？随机游走的方差随时间发散（$\text{Var}(x_t)=t\sigma^2$），两条游走在有限样本里都带着持续的"趋势状物"，OLS 误把"两者都在漂移"当成相关。更要命的是回归残差本身非平稳，违反 OLS 的基本假设，标准误公式失效、t 分布不再适用——t 值不收敛而是随样本发散，所以"越多数据越显著"，全是假象。判别信号：$R^2$ 高但 Durbin-Watson 极低（强残差自相关），$R^2\gt DW$ 是经典警报。

ADF vs KPSS：零假设方向相反，要配合用。

	ADF（增广 Dickey-Fuller）	KPSS
$H_0$ 零假设	有单位根（非平稳）	序列平稳
$H_1$ 备择	平稳	有单位根
拒绝 $H_0$ 意味着	判为平稳	判为非平稳

ADF 回归形式 $\Delta y_t=\alpha+\beta t+\gamma y_{t-1}+\sum\delta_i\Delta y_{t-i}+\varepsilon_t$，检验 $\gamma=0$（即 $\rho=1$ 单位根）。配合结论：ADF 拒绝且 KPSS 不拒绝 → 较可信地平稳；两者都拒绝或都不拒绝 → 证据矛盾，可能是分数阶整合或结构突变，需谨慎。

把完整模型逐层写清。第一层均值方程（ARMA(1,1) 为例）：

$$r_t=\mu+\phi\, r_{t-1}+\theta\,\epsilon_{t-1}+\epsilon_t$$

第二层残差结构：$\epsilon_t=\sigma_t z_t,\quad z_t\overset{iid}{\sim}(0,1)$（标准正态或 t）。第三层方差方程（GARCH(1,1)）：

$$\sigma_t^2=\omega+\alpha\,\epsilon_{t-1}^2+\beta\,\sigma_{t-1}^2,\qquad \omega\gt0,\ \alpha,\beta\ge0$$

参数含义与平稳条件。$\alpha$ 是对"上期冲击大小"的反应（新息），$\beta$ 是"波动率的记忆/惯性"。平稳（方差有限）要求 $\alpha+\beta\lt1$，此时长期（无条件）方差为：

$$\bar\sigma^2=\frac{\omega}{1-\alpha-\beta}$$

$\alpha+\beta$ 越接近 1，波动率冲击衰减越慢、记忆越长（金融数据常见 $\approx0.95\sim0.99$）。

波动率聚集（volatility clustering）为何被它捕捉。市场现象："大波动后面常跟大波动，小波动后面跟小波动"（Mandelbrot 观察）。GARCH 里 $\sigma_t^2$ 显式依赖 $\epsilon_{t-1}^2$ 和 $\sigma_{t-1}^2$——昨天剧烈，今天的条件方差就被抬高，从而再现聚集。注意收益本身近似不可预测（均值是鞅差分），但收益的平方/绝对值有强自相关，这正是 GARCH 的用武之地。

EGARCH 与杠杆效应。标准 GARCH 用 $\epsilon_{t-1}^2$，对正负冲击对称；但股市有杠杆效应：同样幅度的下跌比上涨更推高波动率。EGARCH（Nelson 1991）建模对数方差并引入非对称项：

$$\ln\sigma_t^2=\omega+\beta\ln\sigma_{t-1}^2+\alpha\Big(|z_{t-1}|-E|z_{t-1}|\Big)+\gamma\, z_{t-1}$$

$\gamma\lt0$ 时，负的 $z_{t-1}$（下跌）会额外推高 $\sigma_t^2$，刻画杠杆效应；用对数形式还自动保证 $\sigma_t^2\gt0$，无需对参数加非负约束。GJR-GARCH 则用一个示性项 $\mathbf 1\{\epsilon_{t-1}\lt0\}\,\epsilon_{t-1}^2$ 达到类似目的。

醉汉与狗，讲透。醉汉的位置 $X_t$ 是随机游走（非平稳，方差发散），狗的位置 $Y_t$ 也是随机游走。但狗被绳子拴着，不会离醉汉太远——它们的差 $Y_t-X_t$ 是平稳的、围绕绳长均值波动。各自不可预测其绝对位置，但"相对距离"会均值回复，这就是协整：单看每个是 $I(1)$，存在一个线性组合是 $I(0)$。配对交易赚的就是"距离拉大后会收回"这口钱。

Engle-Granger 两步法。

1. 第一步（估均衡）：对两条 $I(1)$ 序列做 OLS 回归 $Y_t=\alpha+\beta X_t+u_t$，得到对冲比率 $\hat\beta$ 和残差 $\hat u_t=Y_t-\hat\alpha-\hat\beta X_t$（即价差）。
2. 第二步（检残差平稳）：对残差 $\hat u_t$ 做 ADF 检验。若残差平稳 → 两序列协整，$\hat\beta$ 是长期均衡的对冲比率；若残差仍非平稳 → 不协整，回归是伪回归。

有了协整还可写误差修正模型（ECM）：$\Delta Y_t=\gamma(\,Y_{t-1}-\beta X_{t-1})+\dots+\varepsilon_t$，$\gamma\lt0$ 表示偏离均衡后以速度 $|\gamma|$ 拉回——这正是建仓/平仓的统计依据。多资产时用 Johansen 检验（基于 VECM，可识别多个协整向量，且对方向对称）。

为什么高相关 ≠ 协整（也不互相蕴含）。

• 高相关但不协整：两条同向漂移的独立随机游走在样本内可呈现高相关（伪相关，见 Q10），但价差仍非平稳、会无限拉大，价差交易必爆仓。
• 协整但不高相关：两序列长期被同一均衡锚定（价差平稳），但短期日度变动的相关可以很低。

关键：相关性看的是同期变动方向（短期、静态），协整看的是水平是否被长期均衡绑定（长期、动态）。配对交易必须用协整而非相关来选标的。

核心反常识：为什么会冒出一个二阶项。普通微积分里 $df=f'\,dx$，因为 $dx$ 的高阶项可忽略。但布朗运动太"毛糙"——它处处不可微，增量量级是 $dW\sim\sqrt{dt}$（因为 $\text{Var}(dW)=dt$），于是 $(dW)^2\sim dt$ 与一阶项同阶，不能丢。这就是多出 $\frac12\sigma^2 f''$ 的根源。

启发式推导（面试白板版）。对 $f(X_t,t)$ 做二阶泰勒展开：

$$df=\frac{\partial f}{\partial t}dt+\frac{\partial f}{\partial x}dX+\frac12\frac{\partial^2 f}{\partial x^2}(dX)^2+\dots$$

代入 $dX=\mu\,dt+\sigma\,dW$，计算 $(dX)^2$，并使用 Itô 的"乘法表"：

$$(dW)^2=dt,\qquad dt\cdot dW=0,\qquad (dt)^2=0$$

于是

$$(dX)^2=\mu^2(dt)^2+2\mu\sigma\,dt\,dW+\sigma^2(dW)^2=\sigma^2\,dt$$

（前两项是高阶小量，归零；只有 $\sigma^2(dW)^2=\sigma^2 dt$ 存活。）代回：

$$df=\Big(\frac{\partial f}{\partial t}+\mu\frac{\partial f}{\partial x}+\tfrac12\sigma^2\frac{\partial^2 f}{\partial x^2}\Big)dt+\sigma\frac{\partial f}{\partial x}\,dW$$

为什么 $(dW)^2=dt$？把 $[0,t]$ 切成 $n$ 份，$\sum(\Delta W_i)^2$ 的期望是 $\sum\Delta t_i=t$，且其方差随 $n\to\infty$ 趋于 0（二次变差收敛到 $t$）。所以在极限意义下 $(dW)^2$ 不是随机的小量，而确定地等于 $dt$——这是 Itô 微积分区别于普通微积分的命门。

用 Itô 引理推闭式解（衔接 Q13）。设 $Y_t=\ln S_t$，由上一题结果：

$$dY_t=\Big(\mu-\tfrac12\sigma^2\Big)dt+\sigma\,dW_t$$

右边漂移和扩散都是常数，可直接积分 $0\to t$：

$$Y_t-Y_0=\Big(\mu-\tfrac12\sigma^2\Big)t+\sigma W_t$$

指数还原（$S_t=e^{Y_t}$）：

$$S_t=S_0\exp\!\Big[\Big(\mu-\tfrac12\sigma^2\Big)t+\sigma W_t\Big]$$

读懂这个解。(i) 指数保证 $S_t\gt0$（股价不会变负）；(ii) $\ln S_t\sim N\big(\ln S_0+(\mu-\tfrac12\sigma^2)t,\ \sigma^2 t\big)$，故 $S_t$ 服从对数正态（呼应 Q4）；(iii) 漂移里的 $-\tfrac12\sigma^2$ 是波动率拖累（volatility drag）——这就是为什么 $E[S_t]=S_0 e^{\mu t}$（期望按 $\mu$ 增长），但中位数/几何平均增长率只有 $\mu-\tfrac12\sigma^2$。波动越大，复利路径的典型增长越被侵蚀，这对杠杆 ETF 长持衰减有直接含义。

三个假设 → 三个被现实证伪的地方 → 三个修复模型。

GBM 假设	现实反例	修复模型
波动率 $\sigma$ 恒定	波动率微笑/偏斜：不同行权价/到期日隐含波动率不同	Heston（随机波动率，$\sigma$ 自己服从 CIR 过程）；Dupire（局部波动率 $\sigma(S,t)$ 完美拟合当前波动率曲面）
路径连续、无跳跃	财报、政策、危机造成隔夜跳空	Merton 跳跃扩散：GBM 叠加泊松跳（呼应 Q4 泊松分布）
对数收益 iid 正态	厚尾 + 波动率聚集（自相关在平方上）	Heston/Merton 自带厚尾；离散世界用 ARMA-GARCH（Q11）

一句话串起来：Black-Scholes 假设单一常数 $\sigma$，于是模型隐含波动率应该是一条水平线；但市场报价反推出来的是"微笑/偏斜"曲面，正是市场在告诉你"我不相信 GBM 的常波动率与正态尾"。Heston/Merton/Dupire 就是分别从"波动率随机""有跳跃""波动率随状态变化"三个方向去拟合这张曲面。