几何布朗运动是什么？Black-Scholes为什么假设股价连续波动？

几何布朗运动（Geometric Brownian Motion，GBM）用连续漂移和随机扰动描述资产价格，是 Black-Scholes 模型的核心数学假设。它能产生始终为正的价格并给出易处理的对数正态分布，但现实市场的跳空、厚尾、波动率聚集和交易中断都超出这一简化模型。

怎样用 GBM 做一次可复核的模拟？

先记录初始价格 S0、年化漂移 μ、年化波动率 σ、期限 T 和时间步长。每一步可按 S(t+Δt)=S(t)×exp[(μ-0.5σ²)Δt+σ√Δt×Z] 生成，其中 Z 为标准正态随机数。

至少运行数千条路径，并用固定随机种子保证结果可复核。随后检查终值均值、对数收益方差和负价格是否符合模型性质，再加入跳空或波动率变化做对照。GBM 的实际用途是建立基准模型；若真实数据存在厚尾和波动聚集，就应把模拟误差写进结论，而不是继续增加小数位。

定义

GBM 的随机微分形式为 dS_t/S_t=μdt+σdW_t。S 是价格，μ 是单位时间漂移率，σ 是恒定波动率，W 是标准布朗运动。dW 在极短时间内均值为零、方差为 dt，代表无法预测的随机冲击。价格变化与当前价格成比例，因此同样 1% 的变动在 10 元和 100 元资产上对应不同金额。

该方程的解为 S_t=S_0 exp[(μ−σ²/2)t+σW_t]。因此对数收益 ln(S_t/S_0) 服从均值 (μ−σ²/2)t、方差 σ²t 的正态分布，而价格 S_t 服从对数正态分布。指数函数永远为正，所以模型价格不会穿过零。

原理

布朗运动具有独立、平稳的增量：不重叠时间段的随机冲击相互独立，同长度区间具有相同分布。波动尺度按时间平方根增长，半年标准差约为年化波动率乘 √0.5。连续路径意味着价格可以非常粗糙，却不会瞬间从一个值跳到另一个值。

解中出现 −σ²/2 是伊藤引理带来的修正。若直接写成 S_0exp(μt+σW_t)，价格期望会因指数的凸性多出一项。加入修正后，在真实世界测度下 E[S_t]=S₀e^μt。这也说明“价格期望增长率 μ”和“对数收益平均增长率 μ−σ²/2”不是同一个量。

在风险中性定价中，模型将漂移 μ 换为无风险利率减连续股息率 r−q。原因不是认为现实股票只赚无风险利率，而是通过可复制和无套利，把风险偏好从定价期望中移除。期权价格对波动率非常敏感，却通常不需要估计难以稳定观测的真实漂移。

GBM 便于模拟。把一年分成 N 步，每步 Δt，可用 S_t+Δt=S_t exp[(μ−σ²/2)Δt+σ√Δt Z] 更新，其中 Z 为独立标准正态随机数。使用指数离散式能保持价格为正；简单欧拉式 S_t+Δt=S_t(1+μΔt+σ√ΔtZ) 在大冲击下可能产生负价。

模型局限非常具体。财报能造成隔夜跳空，违反连续路径；市场收益常见负偏和厚尾，极端变动比正态分布预测更频繁；波动率会随时间聚集并在危机中上升；不同期限和行权价的隐含波动率不恒定，形成波动率曲面。因此 GBM 更适合作为基准与教学起点，而不是现实的完整生成机制。

举例

假设股票现价 100 元，真实世界年化漂移 μ=8%，波动率 σ=20%，观察期一年。模型下对数收益均值为 8%−20%²/2=6%，标准差为 20%。价格中位数为 100e^0.06≈106.18 元，而期望价格为 100e^0.08≈108.33 元。期望高于中位数，是右偏价格分布的结果。

若抽到标准正态冲击 Z=−1，一年末模拟价约为 100e^0.06−0.20=86.94 元；Z=1 时约为 129.69 元。两条路径都只是可能样本，不代表上下边界。Z 超过正负一的概率并不为零，且真实市场尾部可能远重于模型。

进行日步长模拟时，Δt=1/252，随机项标准差为 20%/√252≈1.26%。若某日 Z=1.5，随机贡献约 1.89%，再叠加很小的日漂移。模拟 10,000 条路径可以估算模型内分布，但若所有路径都使用恒定 20% 波动率，结果不会自动包含危机时 60% 波动率或停牌后 25% 跳空。

期权定价情景中，现价 100、无风险利率 4%、股息率 1%、波动率 25%、期限半年。风险中性模拟应使用 3% 漂移而非主观预期 10%。这并不预测股票实际平均回报为 3%，而是为贴现后的可交易资产建立鞅条件。混淆两种测度会把投资观点误塞进无套利价格。

检验模型时，可比较标准化日对数收益是否近似独立正态，查看直方图、QQ 图、自相关和平方收益自相关。若平方收益显著相关，说明存在波动率聚集；若极端分位远离直线，说明厚尾；若财报日异常集中，则可考虑跳跃扩散或事件波动模型。

参数估计应与时间单位一致。用 252 个日收益估计日均值与日标准差后，年化漂移常近似乘 252，年化波动率乘 √252。若数据包含周末连续交易的加密资产，直接沿用 252 可能不合适；若 μ、σ 已是年化参数，模拟 Δt 就应以年为单位。单位混用会让路径分散程度出现数量级错误。

有限样本对漂移估计尤其不利。真实年漂移 8%、年波动率 25% 时，一年收益噪声标准差约 25%，远大于 8% 信号。即使观察十年，平均收益标准误仍约 25%/√10=7.9%，估计区间很宽。相比之下，高频数据能较快估计波动率，但微观结构噪声又会污染分钟级收益。

相关资产模拟不能各自独立抽 Z。若两只股票波动率均为 20%、相关性 0.6，可令第二个冲击 Z_2=0.6Z_1+√(1−0.6²)ε，其中 ε 独立正态。这样保留边际 GBM 与目标相关性。多资产则需相关矩阵和 Cholesky 分解；若估计矩阵非正定，还要先修正，否则无法生成一致冲击。

障碍期权展示了连续路径假设的敏感性。某向下敲出期权障碍为 80 元，模型模拟每日收盘都高于 80 元，并不代表盘中未触碰。若合约连续监测，粗时间步会漏掉两点之间的穿越，应使用更细步长或布朗桥修正。即便数值误差消除，现实隔夜直接跳过障碍的处理仍由合同条款决定。

模型比较不应只看样本内拟合。恒定波动 GBM 参数少、解释清楚，复杂随机波动模型可能更贴合历史，却增加校准不稳定和计算成本。应按用途选择：短期平值欧式期权的基准估值可能从 GBM 开始；深度虚值、长期、障碍或事件衍生品则更需要曲面、跳跃和状态变化。

风险报告可并列三组结果：GBM 基准、波动率从 20% 升到 40% 的状态情景，以及单日向下跳空 15% 的压力情景。这样既保留可复现基准，又不会让“模型中概率极低”变成忽略风险的理由。压力值不是概率预测，而是检验资本和对冲在假设失效时是否仍可承受。

随机数质量也会影响模拟。应记录种子以便复现，用足够独立的正态样本，并报告蒙特卡洛标准误。估值 10.00 元、标准误 0.08 元与估值 10.00 元、标准误 0.50 元的可信度不同；增加路径数只能降低抽样误差，无法降低模型结构误差。

使用反变量、控制变量或准随机序列可以提高数值效率，但这些技巧只让同一模型更快收敛。若输入波动率错误或遗漏跳跃，再小的标准误也只是更精确地计算了错误假设。

常见误区

把漂移当成短期预测

日频随机项通常远大于日漂移，估计出的长期均值无法可靠预测下一天方向。

忘记伊藤修正

对数价格漂移是 μ−σ²/2，不是 μ。忽略修正会使期望关系和模拟结果偏离设定。

认为连续模型覆盖跳空

缩小时间步不会生成真正不连续的跳跃。财报和危机跳空需要额外过程或压力情景。

把风险中性概率当成真实概率

风险中性分布服务于无套利定价，包含风险价格，不等于投资者对现实事件频率的最佳预测。

常见问题 FAQ

布朗运动和几何布朗运动有什么区别？

布朗运动本身可取任意实数；GBM 将布朗运动放入指数并乘以初始价格，因此价格保持为正且变动按比例发生。

为什么波动率按时间平方根缩放？

独立增量的方差随时间相加，标准差是方差平方根，所以标准差按 √t 缩放。存在自相关或状态切换时该规则可能失准。

μ 能否用历史平均收益准确估计？

很难。收益漂移相对波动噪声很小，短样本估计误差很大。风险中性期权定价通常不依赖真实 μ。

GBM 是否意味着股价永远不会归零？

有限时间内模型价格严格为正，但可以无限接近零。现实公司可能破产、停牌或证券被注销，这些机制不在标准 GBM 中。

模拟步数越多是否越真实？

更多步数只减少离散化误差，不会修复恒定波动率、无跳跃和独立增量等结构假设。