1 基本概念
二次变差是描述函数或随机过程在区间内累计波动强度的量。它关注的不是函数值本身的变化幅度，而是增量平方在细分区间上的总和及其极限行为。对于平滑函数，这一量往往消失；对于具有明显抖动的随机路径，则可能收敛到非零极限，因此在随机分析中具有基础地位。
1.1 定义
二次变差通常通过对区间作划分，并考察相邻点之间增量平方和的极限来定义。其核心思想是：将整体区间切分得足够细后，观察局部波动的平方是否形成稳定的累积量。
1.1.1 划分上的平方增量和
设 \(X_t\) 为定义在区间上的函数或过程，取划分 \[ \pi=\{t_0,t_1,\dots,t_n\}, \quad t_0<\cdots<t_n, \] 则平方增量和通常写为 \[ \sum_{i=0}^{n-1}\bigl(X_{t_{i+1}}-X_{t_i}\bigr)^2. \] 该表达式把每一小段的变化平方后再求和，用来衡量路径在该划分下的波动积累。
1.1.2 极限存在性
当划分不断细化时，如果上述平方增量和趋于某个确定极限，则称该函数或过程具有二次变差。极限的存在与否，通常取决于路径的正则性、划分方式以及收敛意义。对随机过程而言，极限常在概率意义下、几乎处处意义下或依赖于更弱的收敛方式讨论。
1.2 直观理解
二次变差可以理解为“抖动的累计强度”。如果一个对象只做缓慢、规则的变化，那么细分后每段增量都很小，平方后更小，总和往往消失；若路径在每个小区间都频繁摆动，累积后的平方增量则可能保持非平凡大小。
1.2.1 路径波动的累积
从直觉上看，二次变差类似于把一路上的“颠簸”记账。普通的一阶变化会正负抵消，而平方后消除了符号影响，因此更能反映波动本身，而非位移方向。它强调的是“有多少波动”，而不是“最终走了多远”。
1.2.2 与长度和面积的区别
二次变差并不等同于曲线长度，也不是几何面积。长度关注的是增量绝对值的累积，面积则依赖于平面区域的几何结构；二次变差则是平方增量的极限，主要体现随机分析中波动累积的统计性质。三者虽都涉及“累积”，但刻画对象不同。
1.3 记号与常用表示
在文献中，二次变差常使用若干约定俗成的记号表示。不同记号在连续过程、半鞅理论以及随机积分框架中分别承担不同角色。
1.3.1 [X]t 表示法
\([X]_t\) 常用于表示过程 \(X\) 到时刻 \(t\) 的二次变差。若讨论的是某个时间区间上的累计波动，这种写法简洁明了，便于与增量公式配合使用。
1.3.2 ⟨X⟩t 表示法
\(\langle X\rangle_t\) 常用于表示可预测二次变差，尤其见于连续局部鞅理论。它与 \([X]_t\) 相关，但更强调可预测结构，常在随机积分和鞅分解中出现。
2 确定性函数中的二次变差
对确定性函数而言，二次变差主要反映其曲线的粗糙程度。光滑函数的波动过于平缓，平方增量和通常在细分后消失；而某些振荡剧烈的函数则可能表现出非平凡的二次变差。
2.1 光滑函数的情形
光滑函数具有较强的局部可控性，因此其增量可以通过导数近似，导致平方增量和在细分时迅速衰减。
2.1.1 可微函数的二次变差为零
若函数在区间内可微且导数有界，则每个小区间增量约为长度的一阶量，平方后是二阶小量。随着划分网格趋于零，总和通常收敛到 0。这说明平滑函数的二次变差一般为零。
2.1.2 分段光滑函数的处理
对于分段光滑函数，除有限多个拐点或跳变点外，其余部分仍与光滑情形类似。若仅含有限个跳跃，则二次变差往往由这些跳跃贡献，表现为跳跃幅度平方的累加；若连续且分段可微，则通常仍为零。
2.2 不规则函数的情形
不规则函数往往具有高频振荡或局部粗糙性，因此在细分下可能累积出非零二次变差。
2.2.1 振荡函数的示例
一些构造性的振荡函数，如在局部不断快速摆动的例子，可能使平方增量和不再趋于零。这类函数常用于说明“路径粗糙”并不只来自随机性，确定性对象也可能呈现复杂的二次变差结构。
2.2.2 分形路径的比较
分形型曲线通常在任意尺度下都保持不规则特征，其局部结构反复自相似，因此可能具有与光滑曲线完全不同的变差行为。与普通函数相比，它们更接近随机过程路径的粗糙感，但二次变差是否存在仍需具体分析。
2.3 二次变差存在性的判别
判别二次变差是否存在，往往要结合划分方式、收敛模式以及函数本身的正则性特征。
2.3.1 依赖划分方式的问题
在某些函数上，不同划分序列可能导致平方增量和的极限不同，甚至一部分划分下收敛而另一部分下发散。这说明二次变差并非对所有路径都具有完全内在的、与划分无关的性质。
2.3.2 网格细化下的收敛
常见的判别方法是考察网格逐渐细化时平方增量和的稳定性。若随着最大网格长度趋于零，该和趋近于同一极限，则可认为二次变差存在并具有良好定义。
3 随机过程中的二次变差
在随机过程理论中，二次变差尤为重要，因为许多典型样本路径都具有非光滑性。它不仅能刻画路径本身，还直接进入随机积分、鞅分解与随机微分方程的公式中。
3.1 布朗运动
布朗运动是二次变差最经典的例子。其样本路径几乎处处连续，却极度粗糙，正因如此，其二次变差呈现出非零极限。
3.1.1 标准布朗运动的二次变差
对标准布朗运动 \(B_t\)，在区间 \([0,t]\) 上沿细分划分计算平方增量和，可得到该和在适当意义下收敛到 \(t\)。这一本质性质构成了伊藤计算中的关键基础。
3.1.2 概率收敛与几乎处处收敛
布朗运动的二次变差常通过概率收敛来表述，即平方增量和在概率意义下逼近 \(t\)。在更精细的结果中，也可讨论几乎处处收敛，但具体结论依赖所采用的划分序列和证明框架。
3.2 鞅过程
鞅过程在随机分析中是一类重要对象，连续局部鞅尤其具有清晰的二次变差结构。
3.2.1 连续局部鞅的二次变差
对连续局部鞅 \(M_t\)，存在一个随时间增长的随机过程来描述其二次变差。这个过程记录了鞅在波动层面的累计强度，是研究其性质与分解的重要工具。
3.2.2 可预测二次变差
可预测二次变差通常记为 \(\langle M\rangle_t\)，它是与 \([M]_t\) 紧密相关的可预测过程。对连续局部鞅而言，二者常满足一致的增长关系，只是在技术上分别服务于不同理论环节。
3.3 半鞅
半鞅是随机积分理论中的核心过程类别，既包含鞅型波动，也包含有限变差成分，因此其二次变差结构最适合用于建立一般化的随机微积分。
3.3.1 有限变差部分
半鞅通常可分解为局部鞅部分与有限变差部分。有限变差部分在细分极限下对二次变差的贡献往往为零，因此真正决定二次变差的通常是随机波动部分。
3.3.2 随机积分中的作用
在对半鞅进行随机积分时，二次变差提供了“二阶修正项”，使得积分不再遵循经典链式法则，而要采用伊藤公式。由此，二次变差成为随机微积分区别于普通微积分的关键原因。
4 协变差与相关概念
二次变差并非孤立概念，它与协变差、有限变差和 p-变差共同构成路径分析中的重要工具组。
4.1 协变差
协变差用于衡量两个过程增量之间的联动波动，是二次变差的自然推广。
4.1.1 定义与公式
对两个过程 \(X\) 与 \(Y\)，其协变差通常由增量乘积和的极限给出： \[ \sum (X_{t_{i+1}}-X_{t_i})(Y_{t_{i+1}}-Y_{t_i}). \] 它反映两个对象在同一划分下的同步波动程度。
4.1.2 与二次变差的关系
当 \(X=Y\) 时，协变差退化为二次变差。因此，二次变差可以看作协变差在同一过程上的特例。两者在布朗运动、鞅理论和向量值随机过程的处理中都十分常见。
4.2 有限变差
有限变差刻画函数在区间内总变动量是否有限，是与二次变差密切相关但性质不同的概念。
4.2.1 有限变差函数的二次变差
若函数具有有限变差且不含过强振荡，则其二次变差通常为零。这表明一阶总变动有限并不意味着二次层面的波动会累积，反而常常因局部变化过于平缓而消失。
4.2.2 分解与结构
在半鞅分解中，有限变差部分与鞅部分分别承担不同角色：前者描述可积、规则的趋势项，后者描述随机波动项。二次变差主要由后者决定，因此常借助这种结构进行分析。
4.3 p-变差
p-变差是二次变差的推广，用不同的幂次衡量路径粗糙度。
4.3.1 二次变差作为 2-变差
当幂次取 2 时，p-变差便退化为二次变差。因此，二次变差可视为最重要的一类幂变差，也是随机分析中最常用的情形。
4.3.2 更一般的路径粗糙度刻画
当 \(p\neq 2\) 时，p-变差可用于描述更细或更粗的路径特征。它在粗糙路径理论中尤为重要，能够处理超出经典半鞅框架的高度不规则路径。
5 主要性质
二次变差具有若干稳定而实用的性质，这些性质使其在理论推导和实际计算中都十分便利。
5.1 加法性质
二次变差在区间拼接和过程分解中通常表现出良好的可加性。
5.1.1 区间可加性
若将时间区间分成若干段，则总二次变差可看作各子区间二次变差之和。这种性质使其能够按时间局部分析，再整合为整体结论。
5.1.2 过程分解下的行为
当过程写成多个部分之和时，二次变差会出现交叉项。若各部分满足特殊正交或独立结构，交叉项可能消失，从而简化计算。此类分解在鞅和半鞅处理中尤为常见。
5.2 缩放性质
二次变差对常数倍和时间变换具有明确的反应规律。
5.2.1 常数倍变换
若将过程乘以常数 \(c\)，则二次变差通常按 \(c^2\) 缩放。这与平方增量的定义直接一致，也说明二次变差本质上是二阶量。
5.2.2 时间变换下的影响
当进行时间重参数化时，二次变差的增长速度会随时间变换而改变。若时间变换平滑且单调，则其影响可通过链式式样的关系描述；若时间变换较为剧烈，则需要谨慎处理。
5.3 极限定理
二次变差最核心的内容之一，就是在划分不断细化时的极限规律。
5.3.1 划分细化极限
通过观察一系列越来越细的划分，可以研究平方增量和是否稳定收敛。此类极限定理是定义和计算二次变差的基础，也是许多随机分析定理的入口。
5.3.2 收敛模式比较
常见收敛方式包括点态收敛、概率收敛、均方收敛与几乎处处收敛等。不同场景下适用的收敛模式不同，结论强度也随之变化。
6 计算方法
二次变差的计算既有理论表达，也常借助离散近似和数值模拟完成，尤其在随机过程场景中更为重要。
6.1 离散近似
离散近似是估计二次变差最直接的方法，即将连续区间离散化后累加平方增量。
6.1.1 等距划分
等距划分便于书写和实现。将区间平均分成若干段后，直接计算每段增量平方和，常用于理论推导和计算机模拟。
6.1.2 非等距划分
在非等距划分下，网格长度不一，但只要最大网格足够小，仍可用于逼近二次变差。该方法更灵活，适合处理数据采样不均匀的情形。
6.2 典型过程的计算
一些经典过程的二次变差有明确结果，因此常被用作示范模型。
6.2.1 布朗运动的样本路径
对布朗运动样本路径，按照细分划分计算平方增量和，可观察到其趋向时间长度本身。这一结果是随机分析中最常被验证和引用的实例之一。
6.2.2 随机游走极限
离散随机游走在适当缩放并取极限后，可逼近布朗运动，因此其平方步长累积也体现出与二次变差相同的极限结构。这为布朗运动的性质提供了直观离散模型。
6.3 数值模拟
数值方法常用于验证理论结论或展示样本路径的二次变差行为。
6.3.1 计算机实验
通过生成随机样本路径并计算不同网格下的平方增量和，可以直观看到二次变差的收敛趋势。此类实验常用于教学、演示和模型检验。
6.3.2 误差与稳定性
数值计算会受到采样频率、离散误差和随机波动的影响。网格过粗可能导致估计偏差，而过细则可能放大数值噪声，因此通常需要在精度与稳定性之间权衡。
7 应用
二次变差在随机分析、金融建模和信号处理等领域中都有直接用途。
7.1 伊藤计算
伊藤计算以二次变差为基础，建立了适用于随机路径的微分法则。
7.1.1 伊藤公式中的二次项
与经典微积分不同，随机过程的函数变换公式中会出现由二次变差引出的额外二阶项。正是这一项，使得随机微分方程的运算规则具有鲜明特色。
7.1.2 随机微分方程
在随机微分方程中，二次变差决定了噪声项对系统演化的长期影响。它不仅参与方程写法，也影响解的存在性、唯一性和性质分析。
7.2 金融数学
在金融数学中，二次变差常被用来描述资产价格波动的总体强度。
7.2.1 波动率刻画
二次变差与波动率估计关系密切，能够把高频价格变化累积成一个总体波动指标。这一思路在资产定价、风险度量和统计推断中都很常见。
7.2.2 资产价格模型
许多资产价格模型将价格过程视为半鞅或其变体，而二次变差则帮助刻画其随机扰动部分。由此，模型的动态分析和衍生品定价都可借助这一工具展开。
7.3 粗糙路径与信号分析
二次变差也是研究粗糙路径和复杂信号的重要指标。
7.3.1 路径正则性
通过考察二次变差及其推广，可以判断路径是否足够平滑，或是否需要使用更高阶的路径积分理论。它在研究非光滑驱动信号时尤为有用。
7.3.2 噪声建模
在信号分析中，噪声常表现为高频微扰。二次变差能够概括这些微扰的总体能量，因而适合用于随机噪声建模和滤波分析。
8 历史与发展
二次变差的形成经历了从经典分析到随机分析，再到现代粗糙路径理论的演进过程。
8.1 早期思想
在随机分析成熟之前，数学家已注意到曲线“累计摆动”的现象，并尝试用极限和变差语言进行描述。
8.1.1 经典分析中的萌芽
经典分析中关于函数可积性、曲线长度和振荡行为的研究，为二次变差概念提供了思想土壤。虽然当时尚未形成现代随机过程语言，但对路径粗糙性的观察已隐约出现。
8.1.2 对“面积累积”的理解
早期直觉常将波动的平方和理解为某种“面积式”的累积量。虽然这不是严格几何面积，但这种想法帮助人们认识到：高频小波动也可能产生显著的整体效应。
8.2 随机分析的形成
随着布朗运动理论和随机积分的发展，二次变差从直观概念转化为严密的数学工具。
8.2.1 布朗运动研究
布朗运动样本路径的非光滑性促使数学家寻找新的微积分框架。二次变差的引入解释了为何随机路径虽然连续，却无法用普通导数直接处理。
8.2.2 伊藤理论的发展
伊藤在构建随机积分时，系统使用了二次变差来补足经典链式法则，从而形成伊藤公式与随机微分方程理论。此后，二次变差成为该领域的核心概念之一。
8.3 现代扩展
现代研究不断将二次变差推广到更广泛的路径和更高阶的结构。
8.3.1 粗糙路径理论
粗糙路径理论处理远比半鞅更不规则的驱动信号，需要借助更一般的变差与迭代积分结构。二次变差在其中仍占据重要位置，但常与更高阶信息一同使用。
8.3.2 高阶变差的推广
在二次变差之外，研究者还引入三次变差、更高阶幂变差以及其他广义路径不变量，以描述更复杂的局部结构。这些推广丰富了路径分析的层次，也拓展了其应用范围。