第 2 章数学预备知识（Some Mathematical Preliminaries）

作者

Bernt Øksendal（奥斯陆大学）。本章无单独作者署名，由全书作者本人撰写。Øksendal 在本章以"快速回顾 + 关键例证"的方式，把后续 10 章需要用到的全部概率论工具——概率空间、随机变量、独立性、随机过程、布朗运动——重新陈述一遍。这种"工具集"章节在数学教材中通常要么极简（让读者去翻 Williams/Karatzas）、要么极详（自成一个 mini 教材），Øksendal 走了中间路线：给出严格定义和关键定理，对证明只给思路，最关键的几个（如 Kolmogorov 连续性、Brownian 构造）用 Brownian motion 作为"motivation"完整推导一遍。

内容概述

本章为后续 10 章搭建严格概率论框架，是"工具章"。

本章中心任务：把 Ch 1 用直觉语言描述的 7 个 Problem 中的"随机量"——噪声项 $dB_t$、观测 $Z_t$、状态 $X_t$——翻译成严格的数学对象，并给出后续会反复调用的最关键的几个定理。

主要内容： 1. 概率空间 $(\Omega, \mathcal F, P)$：$\mathcal F$ 是 $\sigma$-代数（Def 2.1.1），$P$ 是完备概率测度。 2. 随机变量 $X: \Omega \to \mathbb R^n$：$\mathcal F$-可测函数；诱导分布 $\mu_X(B) = P(X^{-1}(B))$。 3. Doob-Dynkin 引理 2.1.2：$Y$ 关于 $X$ 生成的 $\sigma$-代数可测当且仅当 $Y = g(X)$。这是后续"条件期望"和"基于 $\sigma$-代数的估计"（Ch 6 Kalman-Bucy）的引理基础。 4. $L^p$ 空间：$L^2$ 是 Hilbert 空间，内积 $\langle X, Y\rangle = E[XY]$。$L^2$ 完备性（即将在 Ch 3 用来定义 Itô 积分的等距同构）。 5. 独立性（Def 2.1.3）。 6. 随机过程（Def 2.1.4）：$\{X_t\}_{t\in T}$ 是参数化随机变量族；强调 $(t,\omega) \mapsto X_t(\omega)$ 的联合可测性。 7. Kolmogorov 扩张定理 2.1.5：给定兼容的有限维分布族 $\nu_{t_1,\ldots,t_k}$，可构造概率空间与过程具有这些分布。这是"任意随机过程的存在性"的基础定理。 8. Brownian motion（Def 2.2.1）：用 Gaussian heat kernel $p(t,x,y) = (2\pi t)^{-n/2} e^{-|x-y|^2/2t}$ 显式构造；建立基本性质：$E[B_t] = x$，$E[(B_t-x)^2] = nt$，独立增量。 9. Kolmogorov 连续性定理 2.2.3：用 $E[|X_t - X_s|^\alpha] \le D|t-s|^{1+\beta}$ 条件可构造连续版本；对 BM 取 $\alpha=4, \beta=1$（因 $E[|B_t-B_s|^4] = n(n+2)|t-s|^2$）。

关键预览（为后续章节铺垫）：Exercise 2.17 证明 Brownian motion 的二次变差 $= t$ a.s.，且总变差 $=\infty$ a.s.——这正是 Ch 3 Itô 积分 $\int H\,dB$ 不是 Riemann-Stieltjes 积分的根因，也正是 Itô 公式 $d(B_t^2) = 2B_t\,dB_t + dt$ 中"$\tfrac12 dt$"修正项的来源。

在全书中位置：工具章。Ch 3–Ch 12 所有"严格"推导都基于本章定义。本章不需要 Itô 积分知识，但后面的 Ch 3–Ch 12 都需要本章的 Doob-Dynkin 引理、Kolmogorov 定理、Brownian motion 三大块。

前置知识：本科测度论（$\sigma$-代数、Lebesgue 积分、$L^p$ 空间完备性）、本科概率论（期望、方差、独立性、特征函数）。若读者无测度论背景，建议先读 Williams (1991)《Probability with Martingales》前 4 章。

核心方程与概念

本章理论密度高、定义多，是全书"概念密度"的峰值章节。下面按"定义—定理—概念"的逻辑分组列出最重要的 8 个对象。

2.1 概率空间三元组（Def 2.1.1）

\[(\Omega, \mathcal F, P), \quad \mathcal F \subseteq 2^\Omega \text{ 是 } \sigma\text{-代数}, \quad P: \mathcal F \to [0,1] \text{ 概率测度}.\]

$\sigma$-代数三公理：(i) $\emptyset \in \mathcal F$，(ii) $A \in \mathcal F \Rightarrow A^c \in \mathcal F$，(iii) $\sigma$-可数并封闭。
完备性（completeness）：$\mathcal F$ 包含所有 $P$-外测度为 0 的集。本书假设所有概率空间完备——这条假设把"零测集上的任意函数都自动 $\mathcal F$-可测"，简化后续所有条件期望的定义。

2.2 随机变量与分布

\[X: \Omega \to \mathbb R^n \text{ 是 } \mathcal F\text{-可测的, 即 } X^{-1}(B) \in \mathcal F \;\; \forall B \in \mathcal B(\mathbb R^n).\]

分布 $\mu_X(B) := P(X^{-1}(B))$，期望 $E[X] = \int_\Omega X\,dP = \int_{\mathbb R^n} x\,d\mu_X(x)$，$E[f(X)] = \int_{\mathbb R^n} f\,d\mu_X$。

2.3 Doob-Dynkin 引理（Lemma 2.1.2）— Ch 6 的引理基础

\[Y \text{ 关于 } \mathcal H^X \text{ 可测} \iff \exists g: \mathbb R^n \to \mathbb R^n \text{ Borel 可测使 } Y = g(X).\]

$\mathcal H^X := \sigma(X) = \{X^{-1}(B): B \in \mathcal B(\mathbb R^n)\}$ 是 $X$ 生成的最小 $\sigma$-代数。
意义：Ch 6 滤波问题中，最优估计 $\hat X_t = E[X_t \mid \mathcal F^Z_t]$ 是 $\mathcal F^Z_t$-可测随机变量；Doob-Dynkin 引理保证 $\hat X_t = g_t(\{Z_s: s\le t\})$——即估计是观测历史的确定性函数，这正是 Kalman-Bucy 滤波能写成 ODE 的根本原因。

2.4 $L^p$ 空间与 Hilbert 结构

\[L^p(P) = \{X: \Omega \to \mathbb R^n, \|X\|_p < \infty\}, \quad \|X\|_p = \left(\int_\Omega |X|^p dP\right)^{1/p}.\]

$L^2(P)$ 是 Hilbert 空间，内积 $\langle X, Y\rangle_{L^2} = E[XY]$。

$L^2$ 完备性（即 Riesz-Fischer 定理）是 Ch 3 Itô 积分定义的关键：$L^2$ 是完备的，因此可定义等距映射 $I: \mathcal V \to L^2$，$\mathcal V$ 是简单过程类（再闭化到 $L^2$ 等价类）。

2.5 独立性（Def 2.1.3）

\[A, B \in \mathcal F \text{ 独立} \iff P(A\cap B) = P(A)P(B).\]

推广：$\{X_i\}_{i\in I}$ 独立 $\iff$ 它们生成的 $\sigma$-代数 $\mathcal H^{X_i}$ 独立。

关键事实（Exercise 2.5）：若 $X, Y$ 独立且 $E[|X|], E[|Y|] < \infty$，则 $E[XY] = E[X]E[Y]$。
本书使用模式：Ch 3 中布朗运动 $B_t$ 的独立增量性质 + $L^2$ 正交性 = Itô 等距；Ch 6 中信号噪声 $B_t$ 与观测噪声 $\tilde B_t$ 独立；Ch 8 中 Girsanov 变换（与独立 $\sigma$-代数的正交分解）。

2.6 随机过程（Def 2.1.4）

\[\{X_t\}_{t\in T} \text{ 是参数化随机变量族, } T \text{ 一般是 } [0,\infty).\]

两种观点： 1. 固定 $t$：$X_t(\omega)$ 是随机变量（"看横向切片"）。 2. 固定 $\omega$：$t \mapsto X_t(\omega)$ 是路径（"看纵向切片"，"particle $\omega$ 在时刻 $t$ 的位置"）。

强调 $(t,\omega) \mapsto X_t(\omega)$ 联合可测——这在 Ch 3 Itô 积分的 Fubini 类论证中是关键技术条件。

2.7 Kolmogorov 扩张定理（Thm 2.1.5）

\[\text{给定兼容族 } \{\nu_{t_1,\ldots,t_k}\} \text{ 满足 (K1) 对称 + (K2) 边缘},$$ $$\exists (\Omega, \mathcal F, P) \text{ 与过程 } X \text{ 使 } \mu_{t_1,\ldots,t_k} = \nu_{t_1,\ldots,t_k}.\]

(K1)：$\nu_{t_{\sigma(1)},\ldots,t_{\sigma(k)}}(F_1 \times \cdots \times F_k) = \nu_{t_1,\ldots,t_k}(F_{\sigma^{-1}(1)} \times \cdots \times F_{\sigma^{-1}(k)})$。
(K2)：$\nu_{t_1,\ldots,t_k}(F_1 \times \cdots \times F_k) = \nu_{t_1,\ldots,t_{k+m}}(F_1 \times \cdots \times F_k \times \mathbb R^n \times \cdots \times \mathbb R^n)$。
意义：从此"任意指定兼容的有限维分布"就存在实现的过程——Brownian motion 的存在性就是直接应用此定理。

2.8 Brownian Motion 的构造（Def 2.2.1）— 全书主角

\[p(t,x,y) := (2\pi t)^{-n/2} \exp\!\left(-\frac{|x-y|^2}{2t}\right), \quad t>0, y\in\mathbb R^n.\]

用 $p$ 构造兼容的有限维分布族：对 $0 \le t_1 \le \cdots \le t_k$，

\[P^x(B_{t_1} \in F_1, \ldots, B_{t_k} \in F_k) = \int_{F_1 \times \cdots \times F_k} p(t_1, x, x_1) \cdots p(t_k-t_{k-1}, x_{k-1}, x_k)\,dx_1\cdots dx_k.\]

这本质上是 "Markov 核的卷积结构"——每个增量 $B_{t_{i+1}} - B_{t_i}$ 是均值为 0、方差为 $n(t_{i+1}-t_i)$ 的正态，与 $X$ 独立——这是 Ch 5 Itô SDE $dX_t = b\,dt + \sigma\,dB_t$ 显式解的概率结构。

基本性质：

\[E^x[B_t] = x, \quad E^x[(B_t-x)^2] = nt, \quad E^x[(B_t-x)(B_s-x)] = n\min(s,t).\]

独立增量：$B_{t_1}, B_{t_2} - B_{t_1}, \ldots, B_{t_k} - B_{t_{k-1}}$ 独立。

2.9 Kolmogorov 连续性定理（Thm 2.2.3）— 关键工具

\[\exists \alpha, \beta, D > 0 \text{ 使 } E[|X_t - X_s|^\alpha] \le D |t-s|^{1+\beta} \;\Rightarrow\; \exists \text{ 连续版本}.\]

对 BM：$E[|B_t - B_s|^4] = n(n+2)|t-s|^2$，故 $\alpha=4, \beta=1, D=n(n+2)$，可选取连续版本。

关键洞察：这里 $\alpha, \beta$ 满足 $\alpha > 2(1+\beta)/\beta$（实际上是 $\alpha = 4 > 2(1+1)/1 = 4$ 取等），给出 Hölder 连续指数 $\gamma = (\alpha-1-\beta)/\alpha = (4-1-1)/4 = 1/2$——故 BM 路径是 a.s. $\gamma$-Hölder 对任意 $\gamma < 1/2$（但不是 $1/2$-Hölder）。
后续使用：Ch 7 证明扩散的强 Markov 性需要路径右连续左极限存在（càdlàg），而 BM 路径连续（比 càdlàg 强），所以扩散可在 BM 的驱动下逐点分析。

2.10 二次变差 = t（Exercise 2.17 预览）

\[\langle B, B\rangle_t := \lim_{\Delta t_k \to 0} \sum_{t_k \le t} (B_{t_{k+1}} - B_{t_k})^2 = t \quad \text{a.s.}\]

且 $\langle B\rangle^{(1)}_t = \infty$ a.s. ——BM 无界变差。

意义：Itô 积分 $\int_0^t H_s\,dB_s$ 的定义必须用 $L^2$ 等距（利用 $\sum H^2 \Delta t$ 收敛到 $\int H^2\,ds$），不能用 Riemann-Stieltjes 定义（后者要求被积函数有界变差）。
Itô 公式 $d(B_t^2) = 2B_t\,dB_t + dt$ 中的 "$+dt$" 项正是此 $\langle B\rangle_t = t$ 的微元形式。

关键结论

概率空间是所有随机分析的"舞台"。一旦固定 $(\Omega, \mathcal F, P)$，所有随机变量、过程、期望、条件期望都是相对于 $\mathcal F$ 和 $P$ 的对象。本书的 $\mathcal F$ 总是完备的——这条假设在 Ch 3–Ch 8 的等距论证中避免了测度论技术细节。
Doob-Dynkin 引理是条件期望"可计算性"的基础。Ch 6 滤波中 $E[X_t \mid \mathcal F^Z_s] = g(Z_{s_1}, \ldots, Z_{s_k})$，这正是 Kalman-Bucy 滤波器能写成确定性 ODE 的根据。少了这个引理，Ch 6 寸步难行。
Kolmogorov 扩张定理是"任意随机过程的存在性保证"。理论上给定任一族兼容的有限维分布，都可构造实现它的概率空间与过程——这一看似抽象的结果是 Brownian motion 构造、Lévy 过程构造、随机域构造的统一基础。
Brownian motion 是"高斯-独立增量-连续"三位一体的唯一对象。三性质合一方有非平凡样本路径；缺一就退化为更简单的过程（白噪声、退化过程、Poisson 过程）。
Kolmogorov 连续性定理的微妙之处：用四阶矩条件 $\alpha=4$ 得到 $\gamma=1/2$-Hölder（实际只对 $\gamma<1/2$ 成立），这个 "比预期低 1/2 阶" 正是 Itô 微分比 Riemann 微分 "奇异" 的根源。Ch 3 Itô 公式的 $\tfrac12 \sigma^2 \partial_{xx}$ 项正是这种 $\gamma=1/2$ 路径粗糙性的代数反映。
Brownian motion 二次变差 $= t$ 是 Itô 积分的"度量"。对确定性的 $f$ 而言，$\int_0^t f(B_s)\,dB_s$ 是关于 $L^2$ 范数收敛的鞅——Ch 3 Itô 等距 $\| \int_0^t H\,dB\|_2^2 = E[\int_0^t H_s^2\,ds]$ 就是用 $\langle B\rangle_t = t$ 作 "长度度量" 推出来的。
第 2 章的"$\sigma$-代数精细结构"贯穿全书。Ch 6 滤波中 $\mathcal F^Z_t$（观测历史）与 $\mathcal F^B_t$（噪声历史）的独立性；Ch 7 强 Markov 性中 $\mathcal F_{T+}$ 的一致可测性；Ch 8 Girsanov 变换中 $\mathcal F_t$ 的完备化——所有这些都依赖本章的 $\sigma$-代数基础。

挑战和开放性问题

Kolmogorov 扩张定理的"非唯一性"：给定一族兼容的有限维分布，可构造多个不同过程实现这些分布（Def 2.2.2 "version"）。本书假设可"自由选择"对所有应用方便的版本，但对具体应用（如数值模拟），选择哪一版对算法效率有显著影响——这点 Ch 12 数值定价并未详述。
Kolmogorov 连续性定理中的 $\alpha, \beta$ 选取：本书用 $\alpha=4$ 是因为 BM 矩容易算。但对其他过程（如 Lévy 过程没有有限阶矩），连续性 / 右连续性的证明需要 Lévy-Itô 分解，本书 Ch 8 仅简述。
Doob-Dynkin 引理的"非显式函数 $g$"问题：引理保证 $g$ 存在但不给出构造。对连续随机变量 Radon-Nikodym 定理给出 $g$ 的积分表示；对一般情形需要 $\mathcal L^2$ 投影的存在性证明——本书直接用 $L^2$ 完备性回避。
Brownian motion 在 $n=1$ 维以外的几何特殊性：$n \ge 2$ 时 BM 是递归（recurrent）的（任意开集被无穷次访问），$n=3$ 时 BM 是逃逸（transient）的（很快离开任何紧集）。这一拓扑差异在 Ch 7 扩散的稳定性、Ch 9 Dirichlet 边值问题中起决定作用——本书 Ch 7-9 会隐式用到但没有强调"$n=1$ vs $n=2$ vs $n \ge 3$"的几何分类。
二次变差 $= t$ 的"非光滑性"如何精确化：Exercise 2.17 只证了二次变差的 $L^2$ 收敛，未证 a.s. 收敛（需 Lévy 给出的鞅收敛 + Kolmogorov 0-1 律）。对工程应用，"二次变差是鞅"的事实比"二次变差等于 $t$"更关键，但本书把这一论证推迟到 Ch 3 鞅论部分。
完备化 (completeness) 假设的代价：所有概率空间都假设完备（Ch 2 末尾）简化了条件期望定义，但隐藏了"为什么 $\Omega$ 上有那么多零测集"的几何直觉。在金融应用中，完备化常常让条件期望的"几何解释"（如 Merton 问题的对偶状态）变得不够透明。

个人反思与批判性分析

本章是全书的"地图颜色"——它给每一个后续对象（鞅、Itô 积分、扩散、鞅表示、鞅问题）一个清晰的"在概率论谱系中位于何处"的标记。读后续章节时如果觉得"突然出现一个新概念"，回头查本章对应的 $\sigma$-代数 / 期望 / 独立性定义，几乎都能找到根源。

Doob-Dynkin 引理被严重低估——Ch 2.1.2 只用了 3 行证明，但在 Ch 6（Kalman-Bucy 滤波器写成 ODE）、Ch 8（Girsanov 变换中 $\mathcal F^B$ 可测过程的 $\mathcal L^2$ 投影）、Ch 11（HJB 解是 $\mathcal H^X$-可测的）都反复被调用。如果第一次读到没太在意，建议重读时在引理旁标注"它将用于 Ch X.Y"。

Brownian motion 构造的"数学严密性 vs 应用直觉"的张力——本章用 Kolmogorov 扩张定理 + heat kernel 严格构造了 BM，但在应用上我们更愿意把 BM 想象成"真实物理过程"（Ch 1.1 Robert Brown 观察的"花粉颗粒运动"）。两种观点不能完全兼容：物理 BM 路径几乎处处不可微（这一点 Ch 3 Itô 微分会让我们痛苦地接受），但物理学家直觉上认为"任何连续运动都有瞬时速度"。这是 Itô SDE vs Stratonovich SDE 区别的物理根源，Ch 5 / Ch 8 会深入讨论。

Kolmogorov 连续性定理的"工程意义"——表面看它是纯分析工具（"四阶矩控制 → 连续版本"），但工程意义在于：BM 路径的 $\gamma=1/2$-Hölder 性是所有"BM 驱动的数值算法"的精度上界。Ch 12 模拟 BM 时，用 Euler-Maruyama 取 $\Delta t = 2^{-k}$ 步长，得到的强误差 $\|X_T - X_T^{(\Delta t)}\|_2 = O(\Delta t^{1/2})$——这个 $1/2$ 次方正是路径粗糙度 $\gamma=1/2$ 的直接体现。

与同类教材比较——相比 Karatzas & Shreve (1998)《Brownian Motion and Stochastic Calculus》的 Ch 1-2，Øksendal 的本章更应用导向：直接用 BM 构造作为例子把所有概念串起来（其他教材常常把 BM 构造放在 Ch 2 末或 Ch 3）；相比 Shreve (2004)《Stochastic Calculus for Finance I》的 Ch 1-2，本章有更严格的 $\sigma$-代数和 $L^p$ 论述（Shreve 假设读者已知测度论）。结论：有测度论背景的研究者可直接从本章入手；无测度论背景但目标在金融的读者建议先读 Williams (1991) Ch 1-4 或 Shreve (2004) Ch 1-2。

对初学者的建议——本章的习题是真正理解后续章节的"门槛"：Exercise 2.6 Borel-Cantelli 引理（Ch 3 Itô 积分零集讨论）、Exercise 2.8 BM 矩的计算（Ch 3 Itô 等距验证）、Exercise 2.17 二次变差 $=t$（Ch 3 Itô 公式的"几何原因"）是三个最关键的。如果只想做一遍，下一轮读书时请把这三题亲手算一遍再继续 Ch 3。

重要参考文献

注：Ch 2 是工具章，原始引用较少；以下列本章明确引用 + 后续章节反复调用的经典来源。

[X1] D. Williams. Probability with Martingales. Cambridge University Press, 1991. ISBN 978-0521406055. — 本章推荐的概率论快速参考。Doob-Dynkin 引理、Borel-Cantelli、鞅收敛定理均能找到严格证明。

[X2] M. M. Rao. Probability Measures with Given Marginals and Conditional Probabilities. The Annals of Probability 12(2): 367–376, 1984. — Doob-Dynkin 引理一般化形式来源（Prop. 3, p. 7）。

[X3] A. N. Kolmogorov. Foundations of the Theory of Probability (original: Grundbegriffe der Wahrscheinlichkeitsrechnung, 1933). English translation: Chelsea, 1956. — 现代概率论公理化基础，扩张定理的原始论文。

[X4] A. N. Kolmogorov. On the continuity of conditional Markov processes (Russian). Izvestiya Akad. Nauk SSSR. Ser. Mat. 1: 1–10, 1937. — Kolmogorov 连续性定理的原始论文。

[X5] D. W. Stroock, S. R. S. Varadhan. Multidimensional Diffusion Processes. Springer Grundlehren 233, 1979. ISBN 978-3540902983. — 本章反复引用的"进一步阅读"，BM 路径的 Polish 空间结构、连续性定理证明均在此。

[X6] O. Kallenberg. Foundations of Modern Probability, 2nd ed. Springer, 2002. ISBN 978-0387953137. — 现代概率论参考书，Kolmogorov 定理的最新形式（Thm 3.23）。

[X7] P. Lévy. Processus stochastiques et mouvement brownien. Gauthier-Villars, 1948. — 二次变差 $\langle B\rangle_t = t$ 几乎必然成立的原始论证（Lévy 连续模定理）。

[X8] R. Brown. A brief account of microscopical observations made in the months of June, July, and August, 1827, on the particles contained in the pollen of plants. Philosophical Magazine 4: 161–173, 1828. — BM 物理起源的历史论文（"Brownian motion" 名称的来源）。

[X9] S. Kakutani. On Brownian motions in n-space. Proceedings of the Imperial Academy of Tokyo 20: 648–652, 1944. — 多维 BM 递归 / 逃逸性（recurrent / transient）的首次分析（Ch 7 / Ch 9 用到）。

[X10] D. Revuz, M. Yor. Continuous Martingales and Brownian Motion, 3rd ed. Springer Grundlehren 293, 1999. ISBN 978-3540643253. — 本书 Ch 3–Ch 8 所有鞅论 / BM 性质的"完整百科"。

第 2 章 数学预备知识（Some Mathematical Preliminaries）

作者