1 基本概念
随机微分方程是一类把随机扰动引入微分关系中的数学模型。它用来描述系统状态随时间演化时，既受确定性规律支配，又受到不可预测因素影响的情形。与普通微分方程相比，它不仅关心解的变化趋势，还关注随机性如何进入方程以及如何改变系统行为。
1.1 随机微分方程的定义
随机微分方程通常写成含有随机过程的微分形式，常见做法是在确定性项之外加入随机积分项。其未知量往往是一个随时间变化的随机过程，方程的意义一般不是逐点求导，而是通过积分形式来理解。由于随机项的存在，解本身也变成了概率意义下的对象。
1.2 随机扰动与噪声项
随机扰动指外部或内部不可精确预测的影响，常被统称为噪声项。根据建模需要，噪声可以表现为连续波动，也可以表现为更复杂的随机输入。它的作用是模拟现实中测量误差、环境波动、热运动、市场波动等不确定因素。
1.3 解的基本形式
随机微分方程的解通常表示为初值、漂移项和随机积分项共同决定的过程。形式上，它往往由一个确定性累积部分和一个随机波动部分构成。这样的表达方式便于分析系统在平均趋势与随机波动之间的平衡关系。
1.4 与常微分方程的区别
常微分方程描述的是确定性演化，给定初值后通常得到唯一的轨道。随机微分方程则在演化过程中持续受到随机影响，因此同一初值下可能产生多条不同样本路径。前者强调函数解，后者强调随机过程解，并需要借助概率工具进行研究。
2 数学基础
随机微分方程的研究建立在概率论、随机过程与随机积分的基础之上。相关理论共同提供了描述随机变化、定义随机积分以及分析样本路径性质的工具。
2.1 概率论基础
概率论为随机微分方程提供了处理不确定性的语言。它通过概率空间、随机变量和条件信息等概念，使随机演化能够被严格表述。
2.1.1 随机变量与随机过程
随机变量是把不确定结果映射为数值的基本对象。随机过程则是按时间或其他参数组织起来的一族随机变量，用于刻画系统随时间变化的随机行为。随机微分方程中的解通常就是某种随机过程。
2.1.2 概率空间与过滤
概率空间由样本空间、事件集合与概率测度构成，是随机模型的基础框架。过滤则表示随着时间推进逐步获得的信息集合，用于描述“此时刻能知道什么”。在随机微分方程中，过滤常用于保证解只依赖过去和当前的信息，而不依赖未来。
2.2 布朗运动
布朗运动是随机微分方程中最重要的驱动过程之一。它具有连续路径和极强的随机性，常被视为理想化噪声的数学模型。
2.2.1 独立增量与正态分布
布朗运动的增量在不重叠时间区间上相互独立，并且服从正态分布，方差与时间长度成正比。这种性质使它既便于理论分析，也适合作为连续随机扰动的标准模型。
2.2.2 路径性质
布朗运动的样本路径几乎处处连续，但几乎处处不可导。这个特点解释了为什么随机微分方程不能直接套用经典微积分方法，而必须借助随机积分与专门的极限理论。
2.3 随机积分
随机积分是随机微分方程得以严格定义的关键工具。它用来处理积分中的随机增量，并由此建立起方程的正确解释方式。
2.3.1 伊藤积分
伊藤积分是随机分析中最常用的积分形式之一。它采用非预知式的取样方式，积分值只依赖当前时刻之前的信息，因此与随机过程的适应性要求相匹配。伊藤积分具有独特的计算规则，尤其适用于金融与扩散模型。
2.3.2 斯特拉托诺维奇积分
斯特拉托诺维奇积分在形式上更接近经典积分，常用于物理建模。它保留了较自然的链式法则，因此在变量变换和连续极限推导中较为方便。与伊藤积分相比，它在应用解释上往往更贴近“平滑极限下的噪声”。
3 方程类型
随机微分方程依据积分解释和建模方式，可以分为多种类型。不同类型之间在计算规则、应用背景和理论性质上存在明显差异。
3.1 伊藤随机微分方程
伊藤随机微分方程是研究最广泛的一类随机微分方程，通常以伊藤积分来定义解。它在理论上严谨，在概率建模中具有很强的通用性。
3.1.1 标准形式
其标准形式一般写为漂移项加上扩散项乘以布朗运动增量。漂移项反映平均趋势，扩散项刻画随机波动强度。该形式简洁而典型，是许多具体模型的基础模板。
3.1.2 漂移项与扩散项
漂移项决定系统在平均意义下的演化方向，类似确定性动力学中的驱动力。扩散项则控制随机扰动的幅度，常与噪声强度相关。二者共同决定解的长期行为和波动结构。
3.2 斯特拉托诺维奇随机微分方程
斯特拉托诺维奇随机微分方程采用另一种积分解释，常见于从物理极限过程导出的模型。它在形式操作上更接近普通微积分，因此在变量替换时常显得更自然。
3.2.1 链式法则
斯特拉托诺维奇形式满足与经典微积分相似的链式法则。这一点使得它在坐标变换和模型重写中更便于处理，也减少了某些额外修正项的出现。
3.2.2 与物理建模的关系
在许多物理系统中，噪声并非瞬时突变，而是具有有限相关时间的微小扰动。斯特拉托诺维奇积分往往更适合描述这类由平滑极限逼近得到的随机输入，因此在实验物理和工程建模中较常见。
3.3 多维随机微分方程
多维随机微分方程用于描述多个相互耦合状态变量同时受随机影响的系统。它能更完整地刻画复杂动态，适合多元过程与耦合网络模型。
3.3.1 向量形式
向量形式下，系统状态由多个分量组成，方程可写成向量随机过程的演化关系。不同分量之间可能存在耦合项，使一个变量的波动影响其他变量的变化。
3.3.2 矩阵扩散模型
在多维情形中，扩散项常用矩阵表示，以刻画不同噪声源对各个分量的作用方式。矩阵结构能够反映相关性、方向性以及噪声在系统中的传播路径。
4 解的理论
随机微分方程的解理论关注方程是否可解、解是否唯一以及解在何种意义下成立。这些问题决定了模型是否具有可解释性和可计算性。
4.1 存在性与唯一性
存在性与唯一性是随机微分方程理论中的基础问题。它回答在给定初值和系数条件下，是否能找到解，以及该解是否唯一。
4.1.1 局部条件
局部条件通常指在某个有限范围内满足连续性、局部Lipschitz等要求。若系数在局部区域内行为良好，便可能得到局部解，即在短时间内成立的解。
4.1.2 全局条件
全局条件要求系数在整个定义域内都满足更强的约束，如线性增长和全局Lipschitz条件。满足这类条件时，解往往可延拓到整个时间区间，并具有更稳定的理论保证。
4.2 强解与弱解
强解与弱解是随机微分方程中两种重要的解概念，反映了随机性与方程结构的结合方式。
4.2.1 定义与区别
强解通常要求在给定的概率空间和布朗运动上构造，并且解过程对驱动噪声具有明确依赖关系。弱解则允许同时调整概率空间、噪声和解本身，只要求方程在分布意义上成立。前者更严格，后者更灵活。
4.2.2 适用场景
当需要精确模拟或进行路径级分析时，强解更为合适。若研究重点是分布性质、存在性或模型等价性，弱解往往更有用。某些复杂方程可能只有弱解而没有容易构造的强解。
4.3 解的连续性与适应性
随机微分方程的解一般要求在时间上具有适当的连续性，并且对已有信息保持适应性。连续性保证样本路径不会出现不合理的跳跃，而适应性则确保解不会“提前知道未来”。这两点是随机建模中保持因果性的基本要求。
5 重要性质
随机微分方程不仅关心单个解的存在，还研究解所诱导的整体统计性质。这些性质有助于判断系统的长期行为和随机结构。
5.1 马尔可夫性质
许多随机微分方程的解具有马尔可夫性质，即未来演化只依赖当前状态，而与更早历史无关。这个性质使系统分析大为简化，也便于构造转移概率与生成元。对于扩散型模型而言，马尔可夫性尤为重要。
5.2 平稳分布
平稳分布描述系统长期运行后可能达到的统计稳定状态。若一个随机过程存在平稳分布，则其概率分布在时间推进下保持不变。它常被用来衡量系统是否趋于稳态，以及稳态周围的波动特征。
5.3 稳定性分析
稳定性分析研究在扰动或初值变化下，系统是否保持有限偏离或最终回到某种稳定状态。随机环境下的稳定性比确定性情形更复杂，因为波动本身就是系统的一部分。
5.3.1 轨道稳定性
轨道稳定性关注不同样本路径之间的相对接近程度，以及在随机影响下轨道是否会保持有界或趋于一致。它反映的是路径层面的行为特征，常用于判断系统在随机扰动下是否仍可预测。
5.3.2 均方稳定性
均方稳定性从平方期望的角度描述解的稳定程度。若解的二阶矩随时间衰减或保持受控，则可认为系统在统计意义上稳定。这种判据在控制与数值分析中较常见。
5.4 首达时间与击中问题
首达时间指随机过程首次到达某一状态或区域所需的时间。击中问题则研究过程是否会碰到特定边界，以及何时碰到。它们在退出机制、阈值事件和风险评估中具有重要意义。
6 数值方法
许多随机微分方程没有解析解，因此需要依赖数值方法进行近似求解。数值算法的目标是在控制误差的同时，尽可能保留随机结构和统计性质。
6.1 欧拉-马鲁雅马方法
欧拉-马鲁雅马方法是最基础的随机数值算法之一，常被视为随机微分方程的直接离散化。它结构简单，适合实现，也便于作为其他方法的比较基准。
6.1.1 基本思想
该方法将连续时间区间划分为多个小步长，在每一步中用当前状态近似漂移项和扩散项。随机增量则由对应时间步上的随机样本模拟，从而生成离散近似轨道。
6.1.2 收敛性
欧拉-马鲁雅马方法在适当条件下具有一定的收敛阶。一般来说，步长越小，近似结果越接近真实解，但计算成本也随之增加。其收敛分析通常区分强收敛与弱收敛两种意义。
6.2 米尔斯坦方法
米尔斯坦方法是在欧拉-马鲁雅马基础上加入高阶修正项的数值算法。它考虑了更细致的随机效应，因此在某些情形下能提供更高精度。
6.2.1 高阶修正
该方法通过引入与扩散系数导数相关的修正项，改善对随机增量非线性影响的刻画。相比基础方法，它更能反映噪声与状态之间的耦合效应。
6.2.2 误差分析
米尔斯坦方法的误差通常比基础离散法更小，但实现也更复杂。误差分析需要同时考虑截断误差、随机采样误差和系数光滑性等因素，因此在实际应用中常需权衡精度与计算量。
6.3 随机模拟与蒙特卡洛方法
随机模拟通过大量生成样本路径来估计解的统计特征。蒙特卡洛方法则利用重复试验的平均结果近似期望、分布或概率量。它们特别适合处理复杂模型、评估风险指标以及验证理论结论。
7 应用领域
随机微分方程的应用范围很广，尤其适合那些不可避免地受到随机波动影响的系统。它为不同学科提供了统一的动态建模框架。
7.1 物理中的随机动力学
在物理学中，随机微分方程常用于描述粒子受热噪声或外界扰动时的运动。典型对象包括扩散、涨落、布朗粒子等。它们帮助研究微观随机性如何影响宏观行为。
7.2 金融数学中的资产定价
金融模型中，资产价格、利率和波动率常表现出明显的不确定性。随机微分方程可用于刻画价格随时间的随机演化，并为衍生品定价、风险管理和对冲分析提供基础。其优势在于能够把趋势和波动统一到同一框架中。
7.3 生物数学中的种群波动
在生物数学里，随机微分方程可用于模拟种群数量在环境变化、资源波动和随机繁殖中的起伏。与确定性模型相比，它更能反映小样本种群和外界扰动下的真实波动。该方法也常用于生态稳定性分析。
7.4 工程中的噪声控制
工程系统往往受到测量误差、机械抖动和外部干扰的影响。随机微分方程可用于分析控制器在噪声环境中的性能，帮助设计更稳健的滤波和反馈方案。它在信号处理、自动控制和可靠性评估中都有应用。
8 相关理论
随机微分方程与若干相邻理论密切相关。这些理论从更高维、更复杂控制或更一般动力学结构的角度扩展了随机分析的应用范围。
8.1 随机偏微分方程
随机偏微分方程把随机扰动引入偏微分方程，适用于空间与时间共同变化的系统。它们可看作随机微分方程在无限维情形下的推广，常见于流体、场论和材料随机性研究。
8.2 随机控制理论
随机控制理论研究在随机环境中如何选择控制策略，以优化某一目标函数。它结合随机微分方程、动态规划和最优化方法，在工程决策与金融配置中都具有重要作用。
8.3 扩散过程理论
扩散过程理论研究连续状态空间中的随机演化过程。许多扩散过程都可以由随机微分方程表示，因此两者在概念和方法上高度对应。该理论关注转移概率、生成元及边界行为等问题。
8.4 随机动力系统
随机动力系统研究随机影响下整体动力学结构的演化。它不仅关注单条轨道，还关注吸引子、稳定集合和长期统计特征。与随机微分方程相比，它更强调系统级的几何和动力学描述。