1 基本概念
1.1 适应过程的定义
适应过程是指一族随机变量随着时间演化，并且在每一个时刻都只依赖于截至该时刻已经获得的信息。换言之，过程在时刻 \(t\) 的取值应当能够由“过去和现在”的信息确定，而不能使用未来信息。
这一概念强调的是信息约束下的随机演化。若一个过程在某个信息系统下是适应的，则它的当前状态与该信息系统在对应时刻所能观测到的内容相一致。
1.2 相关信息流与过滤
在概率论中，信息通常用一族随时间增长的 σ-代数来描述，称为过滤。过滤表示随着时间推进，已知信息不断增加，形成一个动态的信息流。
适应过程必须相对于某个给定过滤来讨论，因为“是否适应”并不是过程自身单独决定的，而是过程与信息系统共同决定的性质。
1.2.1 过滤的基本性质
过滤通常满足单调增长性，即较早时刻的信息包含于较晚时刻的信息之中。这样可以形式化地表达“未来信息不会减少已知内容”的直观事实。
在实际建模中，过滤也可能经过增广处理，例如加入零概率事件或完成化，以便获得更好的数学性质。
1.2.2 过程与信息集的对应关系
一个随机过程如果在每个时刻都对相应信息集可测，就说明它的取值能够由该时刻已知信息决定。此时，过程与信息集之间形成一致对应。
这种对应关系是许多随机分析结论的基础，例如条件期望、停止时刻以及鞅理论中的相关命题，均依赖这种信息结构。
1.3 与随机过程的关系
适应过程本质上是随机过程的一种附加性质。并非所有随机过程都必然适应于某个给定过滤，但在恰当选择过滤后，许多过程都可以成为适应过程。
因此，随机过程描述的是“随机变化本身”，而适应性则进一步刻画该变化是否符合既定的信息约束。
2 数学表述
2.1 概率空间上的定义
在形式化框架中，适应过程建立在概率空间之上。随机变量族 \(\{X_t\}_{t\in T}\) 若对每个时刻 \(t\) 都与对应的 σ-代数相容，则称其对该过滤是适应的。
这里的关键在于，每个时刻的随机变量都必须是该时刻信息的可测函数。
2.1.1 样本空间与事件集
概率空间由样本空间、事件集与概率测度组成。样本空间表示所有可能结果的集合，事件集则刻画可讨论的随机事件。
适应性判断通常不是直接在样本空间层面完成，而是通过随机变量对事件集所诱导的可测结构来表达。
2.1.2 随机变量族的适应性
若对每个时刻 \(t\)，随机变量 \(X_t\) 都是关于过滤 \(\mathcal{F}_t\) 可测的，则过程 \(\{X_t\}\) 被称为适应于 \(\{\mathcal{F}_t\}\)。
这一定义体现了“当前值不能超前于当前信息”的原则，也是后续理论构造的起点。
2.2 离散时间适应过程
离散时间情形中，时间只取整数或有限步数，适应过程的含义更容易理解。每一步的状态都由此前观测信息决定，常用于序贯决策和离散随机系统。
2.2.1 按时刻逐步观测
在离散模型中，系统通常以一步一步的方式更新。第 \(n\) 步的状态只能依据前 \(n\) 步已经观测到的信息生成。
这类结构与许多递推模型天然契合，例如随机游走、马尔可夫链以及某些动态预测算法。
2.2.2 离散过滤下的可测性
离散时间过滤由一串递增 σ-代数组成。若 \(X_n\) 对 \(\mathcal{F}_n\) 可测，则第 \(n\) 步的值已经被第 \(n\) 步信息完全刻画。
因此，在离散场景中，适应性往往可以理解为“每一步都不偷看下一步”。
2.3 连续时间适应过程
连续时间适应过程用于描述更精细的动态系统。此时要求过程在任意时刻都与相应信息集相容，理论上比离散情形更严格。
2.3.1 每个时刻的可测性要求
连续时间中，适应性要求对每个 \(t\) 都成立，而不是仅在离散点上成立。也就是说，过程在任一瞬间都不能依赖未来信息。
这一条件在随机微分方程和连续金融模型中尤为重要，因为它保证了模型在“实时”意义上的合理性。
2.3.2 连续时间下的路径性质
连续时间适应过程常与路径连续性、右连续性或有左极限等性质结合研究。适应性本身并不直接保证路径连续，但在具体模型中常与这些正则性条件同时出现。
这些性质有助于定义积分、停止时刻及进一步的随机分析工具。
3 主要性质
3.1 可测性特征
适应过程最显著的特征是可测性，即当前随机变量必须属于当前过滤所允许的可识别范围。可测性使得过程能够被纳入概率论的严格框架中处理。
3.1.1 与历史信息的一致性
若一个过程是适应的，那么其当前值必须与截至当前时刻的历史信息保持一致。它不能包含尚未观测到的未来事件。
这种一致性使得适应过程在建模时具有明确的因果顺序。
3.1.2 条件可预测性
适应性并不等同于完全可预测，但它意味着过程的当前状态可以在给定已有信息后进行条件分析。许多统计量和条件分布的讨论都建立在这一基础之上。
因此，适应过程常被视为“可根据历史进行分析”的随机对象。
3.2 与非预见性的关系
适应过程通常与非预见性相联系，即过程不能使用未来信息提前确定当前取值。它体现的是随机系统中的“信息守恒”原则。
3.2.1 不可预知部分的刻画
在适应过程中，真正不可预知的部分通常表现为未来增量或尚未到来的随机波动。当前状态只反映已经出现的信息，而未发生的变化仍保持随机性。
这一特征在金融价格、排队等待时间和噪声模型中都十分常见。
3.2.2 预测与适应的区别
预测是根据现有信息估计未来，而适应则要求当前值本身不得超出当前信息。前者是一种推断行为，后者是一种结构约束。
因此，一个过程可以是适应的，但其未来演化仍可能难以准确预测。
3.3 稳定性与封闭性
适应过程在许多常见运算下保持稳定，这使其在理论与应用中都较为方便。
3.3.1 线性组合
若若干过程都对同一过滤适应，则在适当条件下，它们的线性组合通常仍然适应。这个性质便于构造更复杂的模型。
例如，在多个观测量叠加时，合成过程仍可维持原有的信息约束。
3.3.2 极限与收敛情形
在一定的收敛条件下，适应过程的极限过程也可能保持适应性。具体结果取决于收敛方式以及相关可测结构是否保留。
这类结论在证明存在性、逼近以及数值方法中具有重要作用。
4 相关概念
4.1 过滤与自然过滤
过滤是适应过程的基础背景，而自然过滤则是由过程本身生成的信息系统。两者共同构成随机过程的“信息环境”。
4.1.1 自然过滤的构造
自然过滤通常由某个过程在各时刻所产生的信息逐步生成，即把截至时刻 \(t\) 为止的所有过程值所携带的信息集合起来。
这种构造方式最能体现“过程知道了自己到目前为止的一切”。
4.1.2 过滤的扩张与收缩
过滤可以通过加入额外信息而扩张，也可以通过保留较少信息而收缩。不同过滤会改变过程是否适应的判断。
在建模时，常会根据需要选择最小的自然过滤，或选择包含外部信息的更大过滤。
4.2 渐进可测与预可测
渐进可测和预可测是与适应性密切相关的更精细概念，常用于积分理论与随机分析。
4.2.1 渐进可测过程
渐进可测过程是指其在时间与样本空间的联合结构下满足某种可测性条件。它比单纯的逐时刻适应性更强，常用于处理连续时间问题。
这类过程在随机积分和路径分析中非常实用。
4.2.2 预可测过程
预可测过程要求信息使用更谨慎，通常强调在“刚到达某时刻之前”的信息基础上进行定义。它是构造伊藤积分时的重要对象。
与适应过程相比，预可测过程在信息时点上要求更严格。
4.3 停止时刻
停止时刻是随机时间的一类特殊对象，与适应过程之间有紧密联系。它表示某个事件首次被当前信息判断出来的时刻。
4.3.1 停止时刻的定义
若某随机时刻是否小于等于 \(t\) 只取决于时刻 \(t\) 的信息，则该随机时刻称为停止时刻。它体现了“到点即知”的判定方式。
停止时刻广泛用于首次到达、破产时刻和终止规则等模型。
4.3.2 停止时刻与适应过程的联系
适应过程为停止时刻提供信息基础，而停止时刻又常用于对适应过程进行截断或观察。两者共同构成动态随机系统中的核心工具。
许多结论要求过程与停止规则之间保持兼容，以保证数学操作的合法性。
5 常见类型
5.1 离散适应过程
离散适应过程在一步一步的时间框架中定义，结构清晰，便于计算。
5.1.1 随机游走模型
随机游走是典型的离散适应过程。每一步的位移只依赖当前时刻之前的随机抛掷或观测结果，因此天然适应于逐步生成的过滤。
它常被用来说明随机累积效应与信息递增的关系。
5.1.2 马尔可夫链中的适应性
马尔可夫链通常在其自然过滤下是适应的，因为下一状态的生成依赖当前状态及已知历史，而当前状态本身显然属于当前信息。
这使得马尔可夫链成为研究适应过程的重要样本。
5.2 连续适应过程
连续时间适应过程更适合描述噪声驱动和微分型随机系统。
5.2.1 布朗运动相关过程
布朗运动及其变换在自然过滤下通常是适应的。由于其路径随时间连续展开，每一时刻的值都属于相应的历史信息。
围绕布朗运动构造的许多过程，如漂移项、随机积分项，也通常要求保持适应性。
5.2.2 伊藤过程中的适应项
伊藤过程由漂移项和扩散项组成，其中系数通常需要是适应的，以确保增量只依赖当前及过去信息。
这一要求是随机微分方程可解性与模型因果性的关键条件。
5.3 有界与可积适应过程
除了按时间结构分类，适应过程也常按大小性质区分。
5.3.1 有界过程
有界适应过程在理论证明中较为方便，因为其数值不会无控制增长。很多收敛定理和估计方法在有界条件下更容易成立。
在实际应用里，有界性也常代表系统状态受到物理或制度约束。
5.3.2 可积过程
可积适应过程指其期望或相关积分存在。可积性使得条件期望、鞅性质和风险度量等概念可以被合理定义。
这类过程在概率分析中占有重要位置，因为它们兼具可操作性与理论完整性。
6 理论结果
6.1 适应过程的基本定理
围绕适应过程，存在一系列与可测构造和极限行为有关的基本结论。
6.1.1 可测函数构造
若一个随机变量能表示为已知信息的可测函数，则它自然对应某种适应结构。许多过程可由逐时刻可测函数拼接而成。
这类构造结果说明，适应性并非抽象附加条件，而是可由信息依赖方式直接生成。
6.1.2 极限定理中的适应性
在若干极限定理中，适应性会在逼近和极限过程中被保留下来，前提是收敛方式与可测结构满足要求。
这使得许多复杂过程可以通过简单适应过程的极限来建立。
6.2 条件期望与鞅理论
条件期望是适应过程研究中的核心工具，而鞅理论则是其最重要的理论分支之一。
6.2.1 鞅、次鞅与上鞅
鞅、次鞅与上鞅都需要建立在过滤之上，并通常要求过程是适应的。它们分别描述在给定信息下未来均值保持不变、倾向上升或倾向下降的情形。
适应性保证了这些“给定当前信息后再比较未来”的定义有意义。
6.2.2 条件期望的适应性
条件期望本身是对已有信息的最优平均意义表述。若一个随机变量对当前过滤求条件期望，其结果通常是当前信息下的可测量。
因此，条件期望常被视为从随机性中提取适应部分的工具。
6.3 停止与采样
停止时刻与适应过程结合后，能够形成一套关于截断、抽样和终止的理论。
6.3.1 可选停止定理
可选停止定理说明，在一定条件下，对鞅在停止时刻处取值与在初始时刻或一般时刻比较之间存在稳定关系。它是鞅理论中的经典结果。
该定理依赖过程的适应性以及停止时刻的合法性。
6.3.2 停止后的过程性质
将适应过程在某个停止时刻处截断后，得到的新过程通常仍保留适应结构。这样可以用于描述“到某一事件发生为止”的演化。
这种处理在破产模型、首次命中问题和序贯实验中非常常见。
7 应用领域
7.1 金融数学
金融建模中，适应过程用于刻画价格、收益和信息流之间的关系。
7.1.1 资产价格建模
资产价格常被假定为适应过程，以反映市场价格只能基于已公开信息形成。模型中的漂移、波动率等参数也常要求适应，以保证实时可解释性。
这类设定使价格过程与可观测市场信息相匹配。
7.1.2 风险管理中的信息更新
风险管理依赖持续更新的市场与账户信息。适应过程能够描述风险指标如何随着新信息逐步调整。
因此，它在定价、对冲和风险暴露分析中都有基础地位。
7.2 随机控制
随机控制关注在随机环境中如何根据已知信息选择控制策略。
7.2.1 控制策略的适应性
控制策略必须是适应的，才能确保决策只使用当前可得信息，而不借助未来结果。否则模型在逻辑上就失去现实意义。
这是一类典型的“先观察、后行动”规则。
7.2.2 动态决策模型
在动态决策中，每一步选择都依赖最新观测，因此控制变量通常构成适应过程。该结构可用于库存、调度、工程调节等问题。
适应性使决策过程与随机系统的演化同步。
7.3 统计推断
统计推断中，适应过程常用于描述逐步收集数据后的估计和检验。
7.3.1 在线估计
在线估计要求参数或状态随着新数据不断修正。对应的估计序列通常是适应的，因为每一步更新只依据已观察到的信息。
这在传感器网络、推荐系统和实时监测中尤为常见。
7.3.2 序贯分析
序贯分析强调在数据到达时逐步做出判断，适应过程为其提供了自然框架。停止规则、检验统计量和决策边界都依赖信息递增结构。
它能够减少不必要的等待，并提高实时判断效率。
8 典型例子
8.1 常数过程
常数过程在任意时刻都取同一个固定值。由于该值不依赖未来信息，因此在任何过滤下通常都是适应的。
这是最简单也最稳定的适应过程之一。
8.2 随机游走
随机游走由一系列独立增量累积而成，每一步的当前位置都由过去步数决定。若过滤取为由历史增量生成的自然过滤，则它显然是适应的。
该例子直观展示了“当前状态只看得到过去”的思想。
8.3 布朗运动的自然过滤
布朗运动在其自然过滤下是适应的，因为每个时刻的值都包含在截至该时刻的路径信息中。其后续增量则仍保持随机性。
这一例子在连续时间随机分析中极具代表性。
8.4 鞅过程作为适应过程
鞅过程不仅是适应的，而且满足给定当前信息后的条件平均稳定性质。它体现了“无额外可预测收益”的随机演化模式。
因此，鞅常被视为适应过程中的核心类型。
9 扩展与相关主题
9.1 进阶随机分析中的角色
适应过程在更高级的随机分析中是基础前提之一，许多构造都离不开它。
9.1.1 伊藤积分的前提
伊藤积分通常要求被积过程具有适应性，或者至少满足预可测性等更强条件。这样才能保证积分仅依赖当前及过去信息。
这也是随机积分区别于普通积分的重要地方。
9.1.2 随机微分方程中的适应项
随机微分方程的解过程及其系数通常需要适应，以确保方程的演化符合因果顺序。若系数不适应，模型就可能出现“先知式”依赖。
因此，适应项是建立合理随机动力系统的基本元素。
9.2 与可预测过程的比较
可预测过程与适应过程相关，但并不完全相同，两者在信息使用的时间点上有细微差别。
9.2.1 概念差异
适应过程允许在当前时刻使用当前信息，而可预测过程通常更严格，倾向于使用当前时刻之前的可获得信息。两者都强调不使用未来信息，但要求强弱不同。
这种区别在连续时间理论中尤为明显。
9.2.2 使用场景差异
适应过程适用于一般的信息约束建模，而可预测过程更常出现在积分、强制控制和更精细的随机分析构造中。前者侧重“可随信息同步”，后者侧重“提前可知的结构”。
因此，在具体问题中需要根据理论目标选择合适概念。