从 Taylor 展开到伊藤引理

这是一个很有意思的学习体验：很多抽象的数学概念，如果只是在课本里学，很容易学完就忘；但一旦把它放回一个具体问题里，它反而会突然变得清楚起来。比如数学分析里那些关于导数、微分、Taylor 展开、积分的定义，我之前其实已经忘得差不多了。但最近在学随机过程和伊藤引理时，这些概念又重新串了起来。

事情的入口是：我看到有人说，可以从 Taylor 展开的角度去“证明”伊藤引理。这个说法一开始很自然，因为伊藤引理的公式确实很像二阶 Taylor 展开。但继续追问就会发现，这里面有很多值得拆开的地方：Taylor 展开为什么能在某个点展开？它需要什么假设？至少这个点附近要能定义导数，那么导数本身又是怎么定义的？

更有意思的是，到了随机过程这里，问题变得不一样了。普通 Taylor 展开里的自变量通常是确定的数；但伊藤引理里的 \(S_t\) 是随机过程，在每个时刻 \(t\) 上都是随机变量。于是问题就变成：我们到底是在对什么东西求导？伊藤引理里的偏导数，和普通函数上的偏导数是什么关系？为什么公式形式几乎一样，但背后的定义又并不一样？

这个过程让我对“分析”这类抽象工具突然有了一种更具体的理解。数学工具不是凭空设计出来的，它往往是为了描述某类问题而逐步抽象出来的。问题越复杂，原来的定义就越不够用，于是需要新的定义。但奇妙的是，新的定义常常会尽量保留旧理论里的符号形式和运算规则。

比如在物理直觉里，微元 \(dx\) 有时好像可以被当成一个很小的量，在公式里像普通代数量一样移动、约掉、代换。后来数学分析用极限重新定义导数和积分，使这些操作有了更严格的基础。再往后，当我们要处理随机过程时，普通微积分又不够用了，于是出现了随机积分、二次变差和伊藤引理。符号看起来仍然像 \(df=f'(x)\,dx\)，但对象、定义和成立条件已经变了。

所以这篇笔记真正想记录的 insight 是：从普通函数上用极限定义导数，到随机过程上定义类似“微分”的对象，它们的本质并不完全相同；但它们构造出来的形式结构却高度统一。问题变了，定义变了，但很多符号运算和形式推导仍然能保留下来。这种“形式相似、定义不同、结构兼容”的感觉，正是这次重新理解 Taylor 展开、伊藤引理和分析概念时最有意思的地方。

1. 从 Taylor 展开到伊藤引理：问题的入口

在 Black-Scholes-Merton 模型中，股票价格过程通常写成几何布朗运动：

\[ dS = \mu S\,dt + \sigma S\,dz. \]

其中：

• \(S\)：股票价格；
• \(t\)：时间；
• \(\mu\)：股票价格的年化期望收益率；
• \(\sigma\)：股票价格的年化波动率；
• \(z\)：标准维纳过程，也常记作 \(W_t\)；
• \(dz\)：标准维纳过程在微小时间内的变化。

如果某个衍生品价格可以写成股票价格和时间的函数：

\[ V = V(S,t), \]

那么普通多元微积分的链式法则会让人自然想到：

\[ dV = \frac{\partial V}{\partial S}\,dS + \frac{\partial V}{\partial t}\,dt. \]

但伊藤引理给出的结果是：

\[ dV = \left( \frac{\partial V}{\partial S}\mu S + \frac{\partial V}{\partial t} + \frac{1}{2} \frac{\partial^2 V}{\partial S^2} \sigma^2 S^2 \right)dt + \frac{\partial V}{\partial S} \sigma S\,dz. \]

这里最关键的差异是多出来了一个二阶项：

\[ \frac{1}{2} \frac{\partial^2 V}{\partial S^2} \sigma^2 S^2\,dt. \]

这个二阶项从哪里来？直觉上，它来自 Taylor 展开中的：

\[ \frac{1}{2} \frac{\partial^2 V}{\partial S^2} (dS)^2. \]

在普通微积分中，如果 \(dS\) 是一个足够小的确定性变化，那么 \((dS)^2\) 通常被看成比 \(dS\) 更高阶的小量，可以在一阶近似中忽略。但在随机微积分中，\(dS\) 里面包含 \(dz\)，而维纳过程满足特殊的量级关系：

\[ (dz)^2 = dt. \]

所以，\((dS)^2\) 中包含的 \(\sigma^2S^2(dz)^2\) 不是可以忽略的高阶小量，而是一个 \(dt\) 量级的项。这就是伊藤引理看起来像二阶 Taylor 展开的原因。

不过需要强调：这不是严格证明，而是形式上的推导。严格的伊藤引理属于随机微积分，它依赖随机积分、二次变差和半鞅等概念。Taylor 展开提供的是一个很好的入口，但不是全部。

2. 一元 Taylor 公式：用局部多项式近似函数

我发现我已经把泰勒公式忘光了,所以先从最普通的一元函数开始。设 \(f:\mathbb{R}\to\mathbb{R}\) 是一个实值函数，\(x_0\) 是我们关心的展开点，\(\Delta x\) 是一个有限但很小的增量。我们希望用 \(f\) 在 \(x_0\) 附近的信息来近似：

\[ f(x_0+\Delta x). \]

如果 \(f\) 在 \(x_0\) 附近足够光滑，那么一元 Taylor 展开可以写成：

\[ f(x_0+\Delta x) = f(x_0) + f'(x_0)\Delta x + \frac{1}{2}f''(x_0)(\Delta x)^2 + R_2(\Delta x). \]

其中：

• \(f'(x_0)\)：函数 \(f\) 在 \(x_0\) 处的一阶导数，描述局部线性变化；
• \(f''(x_0)\)：函数 \(f\) 在 \(x_0\) 处的二阶导数，描述局部弯曲程度；
• \(R_2(\Delta x)\)：二阶展开后的余项，表示二阶多项式没有捕捉到的剩余误差。

更一般地，如果 \(f\) 在 \(x_0\) 附近具有足够高阶的导数，那么可以写出 \(n\) 阶 Taylor 公式：

\[ f(x_0+\Delta x) = \sum_{k=0}^{n} \frac{f^{(k)}(x_0)}{k!} (\Delta x)^k + R_n(\Delta x). \]

展开写就是：

\[ f(x_0+\Delta x) = f(x_0) + f'(x_0)\Delta x + \frac{f''(x_0)}{2!}(\Delta x)^2 + \frac{f^{(3)}(x_0)}{3!}(\Delta x)^3 + \cdots + \frac{f^{(n)}(x_0)}{n!}(\Delta x)^n + R_n(\Delta x). \]

这里 \(f^{(k)}(x_0)\) 表示 \(f\) 在 \(x_0\) 处的 \(k\) 阶导数，\(k!\) 是阶乘：

\[ k! = k(k-1)(k-2)\cdots 2\cdot 1. \]

如果 \(f\) 在 \(x_0\) 附近有 \(n+1\) 阶连续导数，常见的一种余项写法是 Lagrange 余项：

\[ R_n(\Delta x) = \frac{f^{(n+1)}(\xi)}{(n+1)!} (\Delta x)^{n+1}, \]

其中 \(\xi\) 位于 \(x_0\) 和 \(x_0+\Delta x\) 之间。这个余项告诉我们：Taylor 多项式不是凭空近似，它的误差也可以被高一阶导数控制。

如果只保留一阶项，就得到线性近似：

\[ \Delta f := f(x_0+\Delta x)-f(x_0) \approx f'(x_0)\Delta x. \]

这就是很多时候我们写：

\[ df = f'(x)\,dx \]

的来源。它表达的是：当自变量发生一个非常小的变化时，函数值的主要变化由导数和自变量变化的乘积决定。

如果进一步保留到二阶项，则有：

\[ \Delta f \approx f'(x_0)\Delta x + \frac{1}{2}f''(x_0)(\Delta x)^2. \]

这个公式的核心思想是：在一个足够小的邻域里，一个复杂函数可以被一个低阶多项式近似。导数提供局部信息，Taylor 展开把这些局部信息组织成一个多项式。

3. 多元 Taylor 公式：梯度、Hessian 与向量形式

伊藤引理中常见的函数不是一元函数，而是类似 \(V(S,t)\) 这样的多元函数。为了理解它，需要先把 Taylor 展开推广到多元情形。

设：

\[ f:\mathbb{R}^n\to\mathbb{R}, \qquad \mathbf{x} = (x_1,x_2,\dots,x_n)^\top. \]

这里 \(\mathbf{x}\) 是一个 \(n\) 维列向量。给定展开点 \(\mathbf{x}_0\) 和增量 \(\Delta \mathbf{x}\)，我们先看显式的多项式写法。

如果先不用向量记号，而是把每一项都写出来，那么二元函数 \(f=f(x,y)\) 的二阶 Taylor 展开是：

\[ \begin{aligned} f(x_0+\Delta x,y_0+\Delta y) \approx\;& f(x_0,y_0) + f_x(x_0,y_0)\Delta x + f_y(x_0,y_0)\Delta y\\ & + \frac{1}{2}f_{xx}(x_0,y_0)(\Delta x)^2 + f_{xy}(x_0,y_0)\Delta x\Delta y + \frac{1}{2}f_{yy}(x_0,y_0)(\Delta y)^2. \end{aligned} \]

这里的一阶项是两个方向上的线性变化，二阶项则包括三个部分：\(x\) 方向的弯曲、\(y\) 方向的弯曲，以及 \(x\) 和 \(y\) 同时变化时的交叉项。这个交叉项 \(f_{xy}\Delta x\Delta y\) 是多元 Taylor 公式相对于一元 Taylor 公式最直观的新内容。

如果把二元函数保留到三阶，形式会继续出现所有次数为三的组合：

\[ \begin{aligned} f(x_0+\Delta x,y_0+\Delta y) \approx\;& f(x_0,y_0) + f_x\Delta x + f_y\Delta y\\ & + \frac{1}{2} \left( f_{xx}(\Delta x)^2 + 2f_{xy}\Delta x\Delta y + f_{yy}(\Delta y)^2 \right)\\ & + \frac{1}{3!} \left( f_{xxx}(\Delta x)^3 + 3f_{xxy}(\Delta x)^2\Delta y + 3f_{xyy}\Delta x(\Delta y)^2 + f_{yyy}(\Delta y)^3 \right). \end{aligned} \]

上式中的所有偏导数都在展开点 \((x_0,y_0)\) 处取值。这里出现的系数 \(1,3,3,1\) 和二项式展开类似，因为多元 Taylor 本质上也是把不同方向上的增量组合成多项式。

对一般 \(n\) 维变量，更紧凑的高阶写法需要用多重指标。设：

\[ \alpha = (\alpha_1,\alpha_2,\dots,\alpha_n), \qquad |\alpha| = \alpha_1+\alpha_2+\cdots+\alpha_n. \]

定义：

\[ \alpha! = \alpha_1!\alpha_2!\cdots\alpha_n!, \qquad (\Delta\mathbf{x})^\alpha = (\Delta x_1)^{\alpha_1} (\Delta x_2)^{\alpha_2} \cdots (\Delta x_n)^{\alpha_n}, \]

以及：

\[ D^\alpha f = \frac{ \partial^{|\alpha|} f }{ \partial x_1^{\alpha_1} \partial x_2^{\alpha_2} \cdots \partial x_n^{\alpha_n} }. \]

那么 \(m\) 阶多元 Taylor 公式可以写成：

\[ f(\mathbf{x}_0+\Delta\mathbf{x}) = \sum_{|\alpha|\le m} \frac{ D^\alpha f(\mathbf{x}_0) }{ \alpha! } (\Delta\mathbf{x})^\alpha + R_m(\Delta\mathbf{x}). \]

这个式子就是多元 Taylor 的“多项式形式”：它把所有总次数不超过 \(m\) 的增量单项式都列出来，并用相应阶数的偏导数作为系数。

如果只关心二阶项，那么可以把它压缩成向量形式：

\[ f(\mathbf{x}_0+\Delta \mathbf{x}) = f(\mathbf{x}_0) + \nabla f(\mathbf{x}_0)^\top \Delta \mathbf{x} + \frac{1}{2} \Delta \mathbf{x}^\top H_f(\mathbf{x}_0) \Delta \mathbf{x} + R_2(\Delta \mathbf{x}). \]

其中：

• \(\nabla f(\mathbf{x}_0)\) 是梯度向量；
• \(H_f(\mathbf{x}_0)\) 是 Hessian 矩阵；
• \(R_2(\Delta \mathbf{x})\) 是二阶余项。

梯度定义为：

\[ \nabla f(\mathbf{x}_0) = \begin{pmatrix} \frac{\partial f}{\partial x_1}(\mathbf{x}_0)\\ \frac{\partial f}{\partial x_2}(\mathbf{x}_0)\\ \vdots\\ \frac{\partial f}{\partial x_n}(\mathbf{x}_0) \end{pmatrix}. \]

Hessian 矩阵定义为：

\[ H_f(\mathbf{x}_0) = \begin{pmatrix} \frac{\partial^2 f}{\partial x_1^2} & \frac{\partial^2 f}{\partial x_1\partial x_2} & \cdots & \frac{\partial^2 f}{\partial x_1\partial x_n}\\ \frac{\partial^2 f}{\partial x_2\partial x_1} & \frac{\partial^2 f}{\partial x_2^2} & \cdots & \frac{\partial^2 f}{\partial x_2\partial x_n}\\ \vdots & \vdots & \ddots & \vdots\\ \frac{\partial^2 f}{\partial x_n\partial x_1} & \frac{\partial^2 f}{\partial x_n\partial x_2} & \cdots & \frac{\partial^2 f}{\partial x_n^2} \end{pmatrix}. \]

如果 \(f\) 有两个自变量，比如 \(f=f(x,t)\)，那么二阶 Taylor 展开就是：

\[ \Delta f \approx f_x\,\Delta x + f_t\,\Delta t + \frac{1}{2}f_{xx}(\Delta x)^2 + f_{xt}\Delta x\Delta t + \frac{1}{2}f_{tt}(\Delta t)^2. \]

这里下标表示偏导数，例如：

\[ f_x = \frac{\partial f}{\partial x}, \qquad f_{xx} = \frac{\partial^2 f}{\partial x^2}, \qquad f_{xt} = \frac{\partial^2 f}{\partial x\partial t}. \]

这个公式非常重要，因为伊藤引理的形式正是从这种二阶展开中显现出来的。

4. 用 Taylor 展开“证明”伊藤引理

现在回到 BSM 的 notation。设股票价格过程满足：

\[ dS = \mu S\,dt + \sigma S\,dz. \]

设衍生品价格是 \(S\) 和 \(t\) 的函数：

\[ V = V(S,t). \]

对 \(V(S,t)\) 做二阶 Taylor 展开：

\[ dV \approx V_S\,dS + V_t\,dt + \frac{1}{2}V_{SS}(dS)^2 + V_{St}\,dS\,dt + \frac{1}{2}V_{tt}(dt)^2. \]

其中：

\[ V_S = \frac{\partial V}{\partial S}, \quad V_t = \frac{\partial V}{\partial t}, \quad V_{SS} = \frac{\partial^2 V}{\partial S^2}. \]

随机微积分中的量级规则是：

\[ dt^2 = 0, \qquad dt\,dz = 0, \qquad (dz)^2 = dt. \]

接下来计算 \((dS)^2\)。由于：

\[ dS = \mu S\,dt + \sigma S\,dz, \]

所以：

\[ (dS)^2 = (\mu S\,dt+\sigma S\,dz)^2. \]

展开得：

\[ (dS)^2 = \mu^2S^2(dt)^2 + 2\mu\sigma S^2\,dt\,dz + \sigma^2S^2(dz)^2. \]

根据量级规则，前两项消失，最后一项保留：

\[ (dS)^2 = \sigma^2S^2\,dt. \]

同时，\(dS\,dt\) 和 \((dt)^2\) 都是更高阶小量，在伊藤规则下为零。于是 Taylor 展开变成：

\[ dV = V_S\,dS + V_t\,dt + \frac{1}{2}V_{SS}\sigma^2S^2\,dt. \]

再代入 \(dS=\mu S\,dt+\sigma S\,dz\)，得到：

\[ dV = V_S(\mu S\,dt+\sigma S\,dz) + V_t\,dt + \frac{1}{2}V_{SS}\sigma^2S^2\,dt. \]

整理 \(dt\) 项和 \(dz\) 项：

\[ dV = \left( V_S\mu S + V_t + \frac{1}{2}V_{SS}\sigma^2S^2 \right)dt + V_S\sigma S\,dz. \]

这就是 BSM 模型中常用的伊藤引理形式。

这个推导最重要的直觉是：随机扰动 \(dz\) 的量级不是 \(dt\)，而是 \(\sqrt{dt}\)。因此 \((dz)^2\) 是 \(dt\) 量级，不应该被忽略。

但是，后文会提到，这只是形式推导，并不是严格证明。

5. \(dx\) 与 \(\Delta x\)：微元直觉和严格符号之间的关系

这时候我忽然意识到一个很容易被混淆的问题：\(dx\)、\(\Delta x\)、\(dy\)、\(\Delta y\) 到底是什么关系？

5.1 \(\Delta x\) 和 \(\Delta y\)：有限增量

在初等微积分里，\(\Delta x\) 通常表示一个有限增量：

\[ \Delta x = x_1-x_0. \]

它可以很小，但仍然是一个具体的数。对应地：

\[ \Delta y = f(x_0+\Delta x)-f(x_0). \]

所以：

• \(\Delta x\) 是输入变量真实发生的有限变化；
• \(\Delta y\) 是函数值真实发生的有限变化；
• 它们可以很小，但仍然是普通实数。

如果 \(f\) 是非线性的，那么通常：

\[ \Delta y \ne f'(x_0)\Delta x. \]

因为 \(f'(x_0)\Delta x\) 只是一阶线性近似，真实变化量还包含二阶、三阶以及更高阶项。

5.2 第一种含义：\(\frac{dy}{dx}\) 作为导数记号

导数首先被定义为差商的极限：

\[ f'(x_0) = \lim_{\Delta x\to 0} \frac{f(x_0+\Delta x)-f(x_0)}{\Delta x}. \]

也可以写成：

\[ \frac{dy}{dx} = f'(x) \]

在这个语境里，\(\frac{dy}{dx}\) 是一个整体符号，表示变化率，也就是上面那个极限。此时：

• \(dy\) 不是独立对象；
• \(dx\) 也不是独立对象；
• \(\frac{dy}{dx}\) 不是普通分数；
• 把 \(dy\) 和 \(dx\) 拆开做代数运算，并不属于这个定义本身。

这也是最标准的初等数学分析语境：导数是极限，而不是两个“无穷小量”的商。

5.3 第二种含义：\(dy=f'(x)\,dx\) 作为微分

但在实际计算中，我们又经常把它写成：

\[ dy = f'(x)\,dx. \]

这个式子并不只是胡乱拆分 \(\frac{dy}{dx}\)。如果引入“微分”的定义，它可以成为严格表达。

设 \(y=f(x)\)，并且 \(f\) 在点 \(x\) 处可微。对于一个输入增量 \(h\)，函数真实变化量是：

\[ \Delta y = f(x+h)-f(x). \]

如果 \(f\) 可微，那么它满足：

\[ f(x+h)-f(x) = f'(x)h + o(h), \]

其中 \(o(h)\) 表示比 \(h\) 更小的误差：

\[ \lim_{h\to 0} \frac{o(h)}{h} = 0. \]

这里的线性主部：

\[ f'(x)h = \text{真实变化量的一阶近似} \]

就被称为微分。更严谨地说，\(df_x\) 是一个线性映射：

\[ df_x(h) = f'(x)h. \]

如果把输入变量 \(x\) 本身看成恒等函数，那么它的微分 \(dx\) 满足：

\[ dx(h) = h. \]

于是：

\[ dy = df = f'(x)\,dx. \]

在这个意义下，\(dy=f'(x)\,dx\) 是严格的。但这里的 \(dy\) 不是 \(\Delta y\)，它不是完整的真实变化量，而是真实变化量的线性主部。这里的 \(dx\) 也不是一个普通实数，而是一个线性映射，作用在输入方向 \(h\) 上返回 \(h\)。

所以第二种语境的核心是：

• \(dy\) 是微分，也就是线性近似项；
• \(dx\) 是输入方向上的线性函数；
• \(dy=f'(x)\,dx\) 是线性映射之间的等式；
• 它不是说真实变化量 \(\Delta y\) 永远等于 \(f'(x)\Delta x\)。

5.4 第三种含义：物理直觉中的 \(dy\) 作为真实变化量

物理学和工程里经常更大胆地使用微元。例如可能会写：

\[ dy = f'(x)\,dx + \frac{1}{2}f''(x)(dx)^2 + \cdots. \]

如果按严格分析的语言，这个式子里的 \(dy\) 更接近于真实变化量：

\[ \Delta y = f(x+\Delta x)-f(x), \]

而不是上一节定义的微分。它对应的是 Taylor 展开：

\[ f(x+\Delta x)-f(x) = f'(x)\Delta x + \frac{1}{2}f''(x)(\Delta x)^2 + \cdots. \]

这里容易混淆的点是：

• 如果 \(dy\) 表示微分，那么它只是一阶线性主部；
• 如果 \(dy\) 表示真实变化量，那么它应该包含高阶项；
• 同一个符号 \(dy\)，在不同语境下含义变了。

所以从严格角度看，最好把真实变化量写成 \(\Delta y\)，把微分写成 \(dy\) 或 \(df\)。这样就不会把“一阶近似”和“真实变化”混在一起。

不过物理直觉并不是没用。很多时候高阶项可以忽略，于是：

\[ \Delta y \approx dy = f'(x)\,dx. \]

这就是微元直觉有效的原因。它不是每一步都严格等于，而是在小量极限下保留主要项。

这里忽然有一种恍然大悟的感觉：据说在微积分被严格化之前，物理学家/数学家们就是用直觉处理这种微元。就像这个式子，\(dx\) 似乎完全可以被当成一个很小的量，然后像普通代数量一样移动、约掉、代换(数学俺寻思之力)。后来数学家们发现，这种描述需要更严格的基础，于是用极限重新定义导数和积分。但是呢,这个直觉确实非常有用,因为它让我们可以在很多问题上快速地得到结果.数学的发展都是有具体而明确的应用目标的(有时候寻思也不是不行)

5.5 第四种含义：微分形式中的 \(dy\)

在微分几何里，\(dy\) 又有一个更现代的含义：它是一个 1-形式。

粗略地说，1-形式就是一种线性函数，它吃进去一个切向量，吐出一个数。比如在一维空间中，\(dx\) 作用在方向 \(h\) 上，得到：

\[ dx(h) = h. \]

如果 \(y=f(x)\)，那么 \(dy=df\) 也是一个 1-形式，并且：

\[ dy = f'(x)\,dx. \]

这个式子和前面“微分作为线性主部”的式子非常像。区别在于，微分几何会把 \(dx,dy,df\) 系统地放进 1-形式、外微分、切空间、余切空间这些结构中去理解。此时 \(dy\) 不是小量，不是变化量，也不是 Taylor 展开剩余项，而是一个作用在向量上的线性函数。

5.6 积分中的 \(dx\)：不是孤立的小量

积分中的 \(dx\) 又有另一层含义。例如：

\[ \int_a^b f(x)\,dx. \]

在 Riemann 积分里，它来自把区间 \([a,b]\) 分割成小段：

\[ \sum_i f(x_i^*)\Delta x_i. \]

当分割越来越细时，如果这个和式收敛，就定义为积分：

\[ \int_a^b f(x)\,dx = \lim_{\max \Delta x_i\to 0} \sum_i f(x_i^*)\Delta x_i. \]

所以，\(dx\) 在积分中不是一个孤立的小量，而是极限过程和测度结构的一部分。到了 Lebesgue 积分里，\(dx\) 更接近于“相对于 Lebesgue 测度积分”的记号。

5.6.1 那积分里能不能把 \(f'(x)\,dx\) 换成 \(dy\)？

那么新的问题,根据刚才微分的定义：在积分里面，能不能把 \(f'(x)\,dx\) 直接换成 \(dy\)？

答案是：可以，但不能理解成随手做代数替换。它严格依赖换元定理。

假设：

\[ y = f(x). \]

如果 \(f\) 足够光滑，并且满足换元所需条件，那么：

\[ dy = f'(x)\,dx. \]

于是：

\[ \int_a^b g(f(x))f'(x)\,dx = \int_{f(a)}^{f(b)} g(y)\,dy. \]

这里看起来像是把 \(f'(x)\,dx\) 换成了 \(dy\)，但严格来说，真正起作用的是整个换元公式。也就是说，替换时必须同时完成三件事：

1. 把 \(f'(x)\,dx\) 替换成 \(dy\)；
2. 把 \(g(f(x))\) 替换成 \(g(y)\)；
3. 把积分上下限 \(a,b\) 替换成 \(f(a),f(b)\)。

一个最简单的例子是：

\[ \int_a^b f'(x)\,dx = f(b)-f(a). \]

如果令 \(y=f(x)\)，那么它也可以写成：

\[ \int_{f(a)}^{f(b)} 1\,dy = f(b)-f(a). \]

所以“把 \(f'(x)\,dx\) 换成 \(dy\)”是一个有严格依据的压缩写法，但它不是孤立的符号代数游戏。只替换一部分、不处理变量和上下限，通常是不严谨的。

5.7 为什么 \(dy\) 会这么混乱？

原因在于，\(dy\) 是一个历史遗留下来的强力符号。莱布尼茨把导数写成 \(\frac{dy}{dx}\)，本来就带有“像分数一样操作”的直觉。这个符号太好用了，所以后来不同领域都继续使用它，但每个领域赋予它的严格含义不完全一样：

• 初等微积分里，\(\frac{dy}{dx}\) 是导数整体记号；
• 数学分析里，\(dy=f'(x)\,dx\) 可以表示微分，也就是线性主部；
• 物理学里，\(dy\) 经常被当作真实变化量或微小变化量；
• 微分几何里，\(dy\) 是 1-形式；
• 积分换元里，\(dy\) 是换元公式中的微分记号。

现代数学在严肃场合通常会尽量使用更明确的记号：

• 用 \(f'(x)\) 或 \(Df(x)\) 表示导数；
• 用 \(df_x\) 表示点 \(x\) 处的微分；
• 用 \(f(x+h)-f(x)\) 表示真实变化量；
• 用 \(\Delta x,\Delta y\) 表示有限增量；
• 用 \(dx\) 或 \(dy\) 表示积分变量、测度或微分形式时，会依赖具体上下文说明。

因此可以这样总结：

1. \(\Delta x\) 是有限增量；
2. \(\Delta y=f(x+\Delta x)-f(x)\) 是真实变化量；
3. \(\frac{dy}{dx}\) 在初等分析里首先是导数整体记号，不是普通分数；
4. \(dy=f'(x)\,dx\) 可以作为微分等式严格成立，但此时 \(dy\) 是线性主部，不是完整变化量；
5. 物理学里的 \(dy\) 有时表示真实微小变化量，常常默认忽略高阶项；
6. 微分几何里的 \(dy\) 是 1-形式，是作用在向量上的线性函数；
7. 在换元积分中，把 \(f'(x)\,dx\) 换成 \(dy\) 是合法的，但严格依据是换元定理；
8. \(dx\) 在积分中常作为积分变量和测度记号，背后是和式极限或测度积分；
9. 在随机微积分中，\(dz\)、\(dW_t\)、\(dt\) 又有新的严格含义，背后是随机积分和二次变差。

所以我现在对 \(dy\) 的理解是：它不是一个单一概念，而是一个符号族。它的含义取决于语境。物理直觉里的“微元操作”不是完全错误；更准确地说，它是一种高度压缩的表达方式。在某些严格框架下，它可以被解释为合法操作；在另一些框架下，它只是帮助我们猜出正确公式的形式直觉。关键是要知道自己当前使用的是哪一套定义。

6. Taylor 展开为什么成立：导数、可微性与分析条件

这时我们会意识到一个更基本的问题：什么时候可以 Taylor 展开？或者说，Taylor 展开里用到的导数是怎么定义的？在什么条件下才存在导数？

最弱的一阶问题是：函数什么时候有导数？对一元函数 \(f:\mathbb{R}\to\mathbb{R}\)，如果极限：

\[ \lim_{h\to 0} \frac{f(x+h)-f(x)}{h} \]

存在，就说 \(f\) 在 \(x\) 处可导。这个极限存在时，记为 \(f'(x)\)。

在一元函数里，“可导”和“可微”基本是同一件事。因为只要上面的极限存在，就可以推出：

\[ f(x+h) = f(x) + f'(x)h + o(h), \]

其中 \(o(h)\) 表示比 \(h\) 更小的误差，即：

\[ \lim_{h\to 0} \frac{o(h)}{h} = 0. \]

这个式子就是可微性的表达：函数在 \(x\) 附近可以被一个线性函数 \(h\mapsto f'(x)h\) 近似，剩下的误差比 \(h\) 更小。

但到多元函数时，“可导”和“可微”就需要拆开说。设：

\[ f:\mathbb{R}^n\to\mathbb{R}. \]

我们可以讨论至少三种不同概念：

1. 偏导数存在：只沿某一个坐标轴方向变化；
2. 方向导数存在：沿某一个给定方向变化；
3. 可微：存在一个统一的线性映射，可以同时近似所有方向上的变化。

偏导数只检查坐标方向。例如二维函数 \(f(x,y)\) 在 \((x_0,y_0)\) 处的偏导数是：

\[ \frac{\partial f}{\partial x}(x_0,y_0) = \lim_{h\to 0} \frac{ f(x_0+h,y_0)-f(x_0,y_0) }{h}, \]\[ \frac{\partial f}{\partial y}(x_0,y_0) = \lim_{h\to 0} \frac{ f(x_0,y_0+h)-f(x_0,y_0) }{h}. \]

但这只说明函数沿 \(x\) 轴和 \(y\) 轴方向的变化率存在，不说明它在所有方向上都有一致的线性近似。

多元可微要求更强：函数在局部可以被一个线性映射很好地近似：

\[ f(\mathbf{x}+\mathbf{h}) = f(\mathbf{x}) + Df(\mathbf{x})[\mathbf{h}] + o(\|\mathbf{h}\|). \]

其中：

• \(\mathbf{h}\) 是输入向量的增量；
• \(\|\mathbf{h}\|\) 是增量向量的长度；
• \(Df(\mathbf{x})\) 是 \(f\) 在 \(\mathbf{x}\) 处的导数，也叫 Fréchet 导数；
• \(Df(\mathbf{x})[\mathbf{h}]\) 表示这个线性映射作用在方向 \(\mathbf{h}\) 上。

这里的关键是：同一个线性映射 \(Df(\mathbf{x})\) 必须能同时处理所有方向 \(\mathbf{h}\)。这比“每个坐标方向上的偏导数存在”强得多。

例如定义：

\[ f(x,y) = \begin{cases} \frac{xy}{x^2+y^2}, & (x,y)\ne (0,0),\\ 0, & (x,y)=(0,0). \end{cases} \]

在原点沿 \(x\) 轴看，\(y=0\)，所以 \(f(x,0)=0\)；沿 \(y\) 轴看，\(x=0\)，所以 \(f(0,y)=0\)。因此两个偏导数都存在，并且都等于 \(0\)。但沿直线 \(y=x\) 看：

\[ f(x,x) = \frac{x^2}{2x^2} = \frac{1}{2}. \]

当 \((x,y)\to(0,0)\) 时，函数沿不同路径的极限不同，所以它在原点甚至不连续，更不可能可微。这个例子说明：偏导数存在只是局部坐标方向的信息，可微性要求的是整体方向上的一致线性近似。

如果 \(f\) 有连续的一阶偏导数，通常记为 \(f\in C^1\)，那么 \(f\) 可微。如果 \(f\) 有连续的二阶偏导数，记为 \(f\in C^2\)，那么可以写出二阶 Taylor 展开：

\[ f(\mathbf{x}+\mathbf{h}) = f(\mathbf{x}) + \nabla f(\mathbf{x})^\top\mathbf{h} + \frac{1}{2} \mathbf{h}^\top H_f(\mathbf{x})\mathbf{h} + o(\|\mathbf{h}\|^2). \]

这说明 Taylor 展开不是一个形式游戏。它成立的基础是函数具有足够好的局部光滑性。

这里还要区分两个概念。有限阶 Taylor 公式只要求有限阶可导，并且带有余项；但如果要把函数完全写成无限 Taylor 级数：

\[ f(x) = \sum_{k=0}^{\infty} \frac{f^{(k)}(x_0)}{k!}(x-x_0)^k, \]

则需要更强的条件。一个函数即使无限次可导，也不一定等于自己的 Taylor 级数。能在某个邻域内等于其 Taylor 级数的函数，称为解析函数。因此，在伊藤引理里真正需要的是有限阶 Taylor 公式背后的局部二阶展开，而不是要求价格函数是解析函数。

7. 为什么伊藤引理不只是普通 Taylor：随机变量、自变量与随机积分

这时候我们会忽然意识到：之前我们说伊藤引理的形式很像 Taylor 展开，但严格来说，我们真的使用 Taylor 展开证明了 Ito 引理吗？

答案是：形式上很像，但严格来说不是。

Ito引理是定义在一个随机过程上的,也就是说并不是普通的函数自变量,而是随机变量,我们怎么定义它的"导数",虽然我们写的形式类似导数,后面的形式也类似Taylor展开,但我们到底做了什么?

在普通 Taylor 展开里，\(f(x,t)\) 的自变量 \(x\) 和 \(t\) 是确定变量。给定一个点 \((x,t)\)，函数值 \(f(x,t)\) 是确定的。

但在伊藤引理中，我们考虑的是：

\[ V(S_t,t), \]

其中 \(S_t\) 是随机过程。对每一个时间 \(t\)，\(S_t\) 是一个随机变量。它的值依赖随机路径。

这里要小心一句话：我们通常不是“对随机变量本身求普通导数”。更准确地说，\(V(S,t)\) 仍然是定义在状态变量 \(S\) 和时间 \(t\) 上的普通函数；\(V_S\)、\(V_{SS}\)、\(V_t\) 是这个普通函数的偏导数。只不过在伊藤引理里，我们把这些偏导数评价在随机位置 \((S_t,t)\) 上。

也就是说：

\[ V_S(S_t,t) \]

本身变成了一个随机过程。

如果真的要问“能不能对随机变量本身定义导数”，那会进入另一套更高级的理论，例如 Malliavin calculus。它研究的是随机变量对底层噪声路径的敏感性，和这里 \(V_S\) 这种普通偏导不是同一个概念。伊藤引理暂时不需要走到这一步；它只要求 \(V\) 作为状态空间上的函数具有足够光滑性。

真正让伊藤引理区别于普通链式法则的，是维纳过程的二次变差。先从一般定义说起。设 \(X_t\) 是定义在时间区间 \([0,T]\) 上的过程。取一个分割：

\[ \Pi = \{0=t_0这个分割的网格大小定义为：

\[ |\Pi| = \max_i(t_{i+1}-t_i). \]

沿着这个分割，过程 \(X_t\) 的平方增量和为：

\[ \sum_{i=0}^{n-1} \left( X_{t_{i+1}}-X_{t_i} \right)^2. \]

如果当 \(|\Pi|\to 0\) 时，这个平方增量和在适当意义下收敛，就把极限称为 \(X\) 在 \([0,T]\) 上的二次变差，记为：

\[ [X]_T = \lim_{|\Pi|\to 0} \sum_{i=0}^{n-1} \left( X_{t_{i+1}}-X_{t_i} \right)^2. \]

对普通光滑函数来说，二次变差通常为 \(0\)。直觉上，如果路径足够平滑，那么每一小段增量大约是 \(\Delta t\) 量级，平方后是 \((\Delta t)^2\)，所有小段加起来仍然会趋于 \(0\)。

但标准维纳过程 \(W_t\) 完全不同。它的增量满足：

\[ W_{t_{i+1}}-W_{t_i} \sim N(0,t_{i+1}-t_i). \]

因此一个典型增量的量级是 \(\sqrt{\Delta t}\)，平方后是 \(\Delta t\) 量级。把这些平方增量加起来，极限不是 \(0\)，而是：

\[ [W]_T = T. \]

更局部地写，就是：

\[ d[W]_t = dt. \]

这正是形式规则：

\[ (dW_t)^2 = dt \]

背后的严格来源。类似地，时间过程 \(t\) 本身是光滑的，所以：

\[ (dt)^2 = 0, \qquad dt\,dW_t = 0. \]

这些不是普通实数代数中的等式，而是二次变差规则在微分记号下的压缩表达。

伊藤引理真正处理的是复合过程：

\[ Y_t = V(S_t,t). \]

当 \(S_t\) 满足：

\[ dS_t = \mu S_t\,dt + \sigma S_t\,dW_t, \]

并且 \(V\) 对 \(S\) 二阶连续可导、对 \(t\) 一阶连续可导，也就是 \(V\in C^{2,1}\) 时，伊藤引理严格给出：

\[ dV(S_t,t) = \left( V_t(S_t,t) + \mu S_t V_S(S_t,t) + \frac{1}{2}\sigma^2S_t^2 V_{SS}(S_t,t) \right)dt + \sigma S_t V_S(S_t,t)\,dW_t. \]

这里的 \(dW_t\) 不是普通微分，而是伊藤积分中的积分符号。严格地说，上面的微分形式对应积分形式：

\[ V(S_T,T)-V(S_0,0) = \int_0^T \left( V_t + \mu S_t V_S + \frac{1}{2}\sigma^2S_t^2 V_{SS} \right)dt + \int_0^T \sigma S_t V_S\,dW_t. \]

第一个积分是普通时间积分，第二个积分是伊藤积分。伊藤积分的定义不是普通 Riemann 积分，而是随机和式的极限。例如：

\[ \int_0^T X_t\,dW_t \]

可以由如下和式定义：

\[ \sum_i X_{t_i} \left( W_{t_{i+1}}-W_{t_i} \right), \]

当分割越来越细时，在适当的概率意义下收敛。注意这里用的是左端点 \(X_{t_i}\)，这和伊藤积分的非预见性有关：积分时只能使用当前和过去的信息，不能使用未来的信息。

所以，伊藤引理和 Taylor 展开之间的关系可以理解为：

1. Taylor 展开解释了公式为什么长这样；
2. 二次变差解释了为什么 \((dW_t)^2=dt\)；
3. 随机积分给出了 \(dW_t\) 的严格含义；
4. 伊藤引理则是这些概念组合后的严格定理。

8. 同一个符号，不同的定义：从微积分到随机微积分再到泛函分析

前面的讨论揭示了一个很有意思的Insight：数学中经常复用同一套符号和运算形式，但在不同理论里，这些符号背后的对象和定义会发生变化。复杂的数学理论往往是对简单直觉的抽象和推广:它的本质定义复杂了,但是在符号形式上的运算,却论依然兼容简单理论(有时候就可以简单俺寻思一下,然后再仔细证明)。

例如，普通微积分里有：

\[ df = f'(x)\,dx. \]

随机微积分里有：

\[ df(X_t,t) = \left( f_t + a f_x + \frac{1}{2}b^2 f_{xx} \right)dt + b f_x\,dW_t, \]

其中随机过程 \(X_t\) 满足：

\[ dX_t = a(X_t,t)\,dt + b(X_t,t)\,dW_t. \]

这两个公式都像是在描述“函数值如何随输入变化”，但它们的输入对象不同：一个是确定变量，一个是随机过程。它们的积分概念也不同：一个是普通积分，一个是随机积分。

更进一步，在偏微分方程和泛函分析中，我们还会把导数理解为算子。例如定义一个二阶微分算子：

\[ \mathcal{L} = a(x,t)\frac{\partial}{\partial x} + \frac{1}{2}b^2(x,t)\frac{\partial^2}{\partial x^2}. \]

那么伊藤引理可以写得更抽象：

\[ df(X_t,t) = \left( \frac{\partial f}{\partial t} + \mathcal{L}f \right)dt + b\frac{\partial f}{\partial x}\,dW_t. \]

这里 \(\mathcal{L}\) 被称为扩散过程的生成元。它把一个函数 \(f\) 变成另一个函数 \(\mathcal{L}f\)。这已经有一点泛函分析的味道：研究对象不只是数，而是函数；操作对象也不只是普通代数运算，而是作用在函数空间上的算子。

举一个简单例子。若：

\[ dX_t = \mu\,dt + \sigma\,dW_t, \]

则生成元为：

\[ \mathcal{L} = \mu\frac{\partial}{\partial x} + \frac{1}{2}\sigma^2\frac{\partial^2}{\partial x^2}. \]

它说明这个随机过程对函数 \(f\) 的平均变化趋势，不仅由漂移 \(\mu\) 作用在一阶导数上决定，也由扩散强度 \(\sigma^2\) 作用在二阶导数上决定。

这种思想还会继续推广。比如在经典分析里，导数要求函数足够光滑。但很多重要函数并不光滑。例如绝对值函数：

\[ f(x) = |x| \]

在 \(x=0\) 处没有普通导数。但在更广义的理论中，我们可以讨论弱导数、分布导数和 Sobolev 空间。它们允许我们在更大的函数空间里继续使用“导数”这个概念。

例如在分布意义下，阶跃函数的导数可以理解为 Dirac delta：

\[ \frac{d}{dx}\mathbf{1}_{x>0} = \delta_0. \]

这不是普通函数意义下的导数，但它在积分和测试函数的框架下是严格定义的。

所以，从普通微积分到随机微积分，再到泛函分析，有一条很自然的主线：

1. 普通微积分研究确定变量上的函数变化；
2. 随机微积分研究随机过程上的函数变化；
3. 泛函分析研究函数空间以及作用在函数空间上的算子(导数似乎可以对各种函数求导,并且求导规律还差不多,我们研究研究它本身?)；
4. 更广义的分析理论会重新定义导数、积分和解的概念，使它们能处理更复杂、更不光滑的对象。

这里最核心的 insight 是：符号可以保持一致，运算形式也可以保持相似，但严格定义会随着研究对象的变化而变化。数学的高级化，并不只是引入更复杂的符号，而是把原本依赖直觉的操作，放到更大的、更稳定的结构中重新定义。(即不同系统中的统一结构)

9. 小结：形式相似性背后的数学结构

这篇笔记从一个很朴素的观察开始：伊藤引理看起来像 Taylor 展开。沿着这个观察继续追问，会发现它连接了几个层次的数学概念。

第一层是 Taylor 展开,它是最基本的分析工具,很多工程上的分析问题用泰勒展开都可以解决。它的核心思想也很直接:用局部线性,或者二次来近似函数,并且给出误差项的估计。(工程里很多时候都是线性近似,似乎一切都是线性的)

第二层是微元直觉。我们常写 \(dy=f'(x)\,dx\)，也常把 \(dx\) 当成一个变量,来直接使用代数运算操作。这种直觉非常有用，但严格来说，它背后对应的是极限、线性映射、积分和测度等不同定义。

第三层是随机微积分。我们发现 \(dx\)并不是普通的变量,它的定义需要有类似导数,微积分之类的概念,但是这些概念在随机过程中又是怎么定义的呢? 这就引出了伊藤引理以及随机微积分的定义体系.

第四层是更抽象的分析视角。忽然有了一种更高的视角,就是虽然定义不同,对象变得越来越复杂,但是否写东西却是统一的,并且依然满足最简单的形式推演逻辑,这其实揭示了这些不同体系之间统一的结构,进而我们可以把这种结构做进一步的抽象,比如导数可以被看成线性映射，也可以被看成作用在函数空间上的算子,把操作本身也当作对象来研究.

所以，这个 insight 最有价值的地方不只是帮助理解伊藤引理，而是帮助建立一种更一般的数学直觉：

很多高级数学概念并不是推翻初等直觉，而是在更复杂的对象上重新定义这些直觉，使原来的运算规则在新的结构中继续成立。

这也是为什么 Taylor 展开、伊藤引理、偏微分方程和泛函分析之间会有一种深层的相似感。它们都在研究同一个问题：当对象发生变化时，函数、过程或算子如何随之变化。