1 基本概念
随机积分是随机分析中的基本工具，用来描述随机过程驱动下的累积量。它可以理解为“沿着随机路径做积分”，但由于路径本身往往不光滑，传统积分方法需要作出专门调整。随机积分的研究重点包括如何定义积分、怎样保证收敛，以及如何处理随机性带来的额外复杂性。
1.1 随机积分的定义
随机积分通常指对随机过程进行积分的运算结果。与普通积分不同，被积函数和积分变量都可能随随机事件而变化，因此积分值本身也是随机变量或随机过程。常见定义方式依赖于积分器的类型，例如布朗运动、鞅或半鞅，并通过极限过程建立严格的数学意义。
1.2 随机过程与积分变量
随机积分中，积分对象一般是随时间变化的随机过程。积分变量通常表示时间，但积分的累积方式并不完全等同于确定性情形，因为每一时刻的增量都可能受到随机扰动影响。由此，随机积分不仅反映时间演化，也反映噪声传播。
1.2.1 被积函数与积分器
在随机积分中，被积函数相当于“权重”或“响应系数”，积分器则表示驱动系统变化的随机源。前者可能描述系统状态、控制强度或敏感度，后者则常由布朗运动、跳跃过程等充当。两者的相互作用决定了积分结果的随机结构。
1.2.2 路径依赖性
随机积分具有明显的路径依赖特征，即其值不仅取决于当前时刻，还取决于此前整条样本路径的累积影响。这种性质使得随机积分能够刻画记忆效应、滞后效应以及历史状态对未来演化的影响。
1.3 随机积分与经典积分的区别
经典积分通常处理连续、可测或黎曼可积的确定性函数，而随机积分则面对更强的不规则性。前者强调函数值的几何累积，后者则要兼顾随机波动、非光滑路径和概率意义下的收敛。特别是在布朗运动驱动下，积分定义往往需要借助均方收敛、鞅性质或分割极限来完成。
2 理论基础
随机积分的严谨建立依赖概率论的若干基本结构，包括概率空间、滤过、可测性以及鞅理论。与此同时，路径的不规则性使得二次变差等概念成为随机积分理论中的关键工具。
2.1 概率空间与滤过
概率空间提供了随机现象的数学背景，而滤过则刻画信息随时间增长的方式。随机积分通常要求积分过程在给定滤过下满足适当的可测性和适应性，以保证积分在概率意义上可定义。
2.1.1 随机过程的可测性
随机过程要参与积分运算，通常需要满足联合可测性或逐时可测性等条件。可测性确保积分对象与概率结构兼容，从而可以使用期望、条件期望和极限等概率工具进行分析。
2.1.2 适应过程与非预知性
适应过程指过程在任一时刻的取值只依赖于该时刻及以前的信息。所谓非预知性，就是不能利用未来信息来构造当前积分值。这个要求在随机积分中非常重要，因为它避免了“提前知道随机增量”的不合理情形。
2.2 二次变差
二次变差用于衡量随机路径的累积波动强度。对于不具有限总变差的随机过程，尤其是布朗运动，二次变差成为描述其极限行为和构造随机积分的重要指标。
2.2.1 布朗运动的二次变差
布朗运动沿分割序列的平方增量和在极限意义下收敛到时间长度，这一性质是随机积分理论的基础之一。它说明布朗路径虽然连续，却极其粗糙，无法用经典微积分直观处理。
2.2.2 随机积分的极限性质
随机积分常通过简单过程的极限构造而得。二次变差控制了极限中的误差传播，也影响积分的稳定性与收敛方式。许多重要恒等式和公式，实质上都建立在这一极限结构之上。
2.3 鞅理论基础
鞅是随机过程中的核心对象之一，具有“条件期望不变”的特征。很多随机积分在适当条件下仍保持鞅性质，因此鞅理论不仅提供了积分的结构支撑，也帮助分析其期望、方差及停时行为。
3 伊藤积分
伊藤积分是最经典、最常用的随机积分形式，广泛用于随机微分方程、金融数学和现代概率论。它以非预知过程为被积函数，以布朗运动或鞅为积分器，具有良好的理论性质和应用可操作性。
3.1 伊藤积分的构造
伊藤积分通常先对简单过程定义，再通过极限扩展到更一般的可积过程。其构造过程强调适应性、平方可积性和均方收敛，从而使积分定义既严格又便于计算。
3.1.1 简单过程的积分定义
对分段常数且适应的简单过程，可以将伊藤积分表示为各段函数值乘以对应的随机增量之和。由于每一段的系数只依赖于过去信息，这一定义符合随机积分的非预知原则。
3.1.2 一般可积过程的逼近
更复杂的过程通常通过简单过程序列逼近，再利用均方收敛或其他适当收敛方式定义积分极限。这个逼近步骤保证了伊藤积分能够覆盖广泛的随机过程，而不局限于极少数规则情形。
3.2 伊藤等距
伊藤等距是伊藤积分最重要的性质之一，它把积分的二阶矩与被积函数的平方积分联系起来。该性质使随机积分的分析方法类似于某种“能量守恒”关系。
3.2.1 二阶矩性质
伊藤等距表明，在适当条件下，伊藤积分的平方期望等于被积函数平方的时间积分。由此可以直接估计积分的大小，并判断其是否属于平方可积随机变量。
3.2.2 收敛与稳定性
由于伊藤等距提供了强有力的范数控制，许多随机积分的收敛问题可以转化为被积函数的收敛问题。这种稳定性对于建立随机微分方程解的存在性和数值逼近都十分关键。
3.3 伊藤公式
伊藤公式是随机分析中的“链式法则”，用于求解随机过程经过光滑函数变换后的微分形式。它是伊藤积分理论的核心成果之一，也是随机微分方程运算的基础。
3.3.1 一维情形
在一维情况下，伊藤公式说明随机过程经过二次可微函数变换时，除了普通微分项外，还会额外出现由二次变差带来的修正项。这一附加项体现了随机路径粗糙性对微分法则的影响。
3.3.2 多维推广
在多维情形中，伊藤公式需要考虑多个随机分量之间的交叉变差。公式结构更复杂，但基本思想不变，即函数变化率不仅由一阶导数决定，还受随机波动的二阶信息影响。
3.4 伊藤积分的性质
伊藤积分兼具代数运算上的简洁性和概率结构上的良好性质，因此在理论与应用中都十分重要。
3.4.1 线性性
伊藤积分对被积函数保持线性，这使得多个随机驱动项可以叠加分析。线性结构简化了复杂模型的拆分与组合。
3.4.2 鞅性质
在适当条件下，伊藤积分过程通常是鞅。也就是说，其条件期望在未来时刻保持一致。这一性质使它在随机控制、金融对冲和停时分析中具有重要价值。
3.4.3 期望与方差
伊藤积分的期望常为零，而方差则由被积函数的平方积分决定。通过这些性质，可以较方便地评估随机波动的大小，并对模型输出作统计分析。
4 斯特拉托诺维奇积分
斯特拉托诺维奇积分是另一种重要的随机积分定义，在形式上更接近经典微积分中的链式法则。它常用于物理建模和几何描述，尤其在需要保持坐标变换一致性的场景中较为自然。
4.1 定义与直观解释
斯特拉托诺维奇积分通常采用对称取样方式来定义，直观上相当于在每个小区间内同时参考起点和终点的信息。与伊藤积分相比，它更像“平滑化后的随机积分”，因此在某些应用里更符合工程与物理直觉。
4.2 与伊藤积分的关系
这两类积分描述的是同一类随机系统的不同表达方式，但计算规则并不相同。二者之间可以通过转换公式互相联系，从而在分析和应用时灵活选择。
4.2.1 计算规则比较
伊藤积分强调非预知性，计算时以左端点值为准；斯特拉托诺维奇积分则采用更对称的处理，因而在形式上更接近常规微积分。前者在概率论中更自然，后者在物理建模中更直观。
4.2.2 转换公式
伊藤积分与斯特拉托诺维奇积分之间通常存在修正项差异，这个修正项来自随机过程的二次变差。借助转换公式，可以在两种框架之间来回切换，并统一不同文献中的写法。
4.3 几何意义
斯特拉托诺维奇积分在几何上更适合描述坐标变换下的协变结构。它在流形、控制系统和路径积分相关问题中常被采用，因为其表达方式更容易与几何对象相容。
4.4 在物理中的应用
在物理学中，斯特拉托诺维奇积分常用于描述受随机扰动的连续系统，如受噪声影响的粒子运动、随机力驱动的动力学方程等。由于其形式接近经典微分方程，它在建模时往往更便于与物理定律直接对应。
5 更一般的随机积分框架
除伊藤积分和斯特拉托诺维奇积分外，随机积分还可以在更广阔的半鞅理论和跳跃过程框架下建立。这些扩展形式能够处理更复杂的随机结构，例如不连续路径、多重随机扰动和高阶相关性。
5.1 半鞅积分
半鞅积分是现代随机分析中最一般、最核心的积分框架之一。它统一了鞅、有限变差过程以及带跳过程的积分处理方式，是建立广义随机微分方程的重要工具。
5.1.1 局部鞅与有限变差过程
半鞅通常可分解为局部鞅部分和有限变差部分。前者代表纯随机波动，后者表示较平滑的累积趋势。对这两部分分别积分，再组合起来，就得到半鞅积分的基本结构。
5.1.2 可积性条件
并非任意过程都能对半鞅积分，通常需要满足适当的可积性和适应性要求。判断条件涉及过程的有界性、局部化技巧以及概率收敛性质，以确保积分定义良好。
5.2 跳跃过程的积分
当随机过程存在突发跳变时，连续型积分理论已不足以刻画其行为，需要引入跳跃过程积分。此类积分适合描述事件驱动系统、突发冲击以及离散到达机制。
5.2.1 泊松随机测度
泊松随机测度用于描述随机事件在时间和空间中的离散分布。它是跳跃积分的重要工具，可用来表示随机到达、计数变化以及大小随机的冲击项。
5.2.2 带跳随机微分方程
带跳随机微分方程将连续扰动与离散跳变结合起来，适合模拟金融价格突变、机械冲击或系统故障等现象。其解的分析往往同时依赖连续随机积分和跳跃项的处理。
5.3 多重随机积分
多重随机积分是单重随机积分的进一步推广，用于研究更高阶的随机相关结构。它在随机展开、混沌分解和高阶统计分析中具有重要作用。
5.3.1 二重积分
二重随机积分涉及两个随机积分变量，常用于表示更复杂的相互作用项。它与单重积分相比，结构更丰富，也更容易出现对称性和正交性问题。
5.3.2 高阶混沌展开
高阶混沌展开将随机变量表示为不同阶随机积分的组合，是研究复杂随机系统分布结构的一种方法。它能够揭示随机波动在不同阶层上的贡献，并为近似计算提供基础。
6 随机微分方程
随机微分方程是随机积分最重要的应用领域之一。它将确定性微分方程与随机积分结合，用以描述受噪声影响的动态系统。
6.1 随机积分方程的形式
随机微分方程通常写成含有随机积分项的形式，其中漂移项描述平均趋势，扩散项描述随机扰动，必要时还可加入跳跃项。通过积分形式表达后，方程更便于定义和分析。
6.2 解的存在唯一性
随机微分方程的理论重点之一是判断解是否存在且是否唯一。相关结论通常依赖系数的正则性条件，以及积分映射的收缩或稳定性质。
6.2.1 强解与弱解
强解要求在给定概率空间和驱动过程上构造解，而弱解则允许同时改变概率空间或随机结构。两者的区别体现了随机方程解概念的灵活性与层次性。
6.2.2 Lipschitz条件与增长条件
在许多经典结果中，Lipschitz条件和线性增长条件是保证存在唯一性的常用假设。前者控制系数变化速率，后者限制解的发散趋势，从而使迭代与逼近方法可行。
6.3 数值方法
由于随机微分方程往往难以解析求解，数值方法成为重要工具。随机积分的离散近似构成了这些算法的核心部分。
6.3.1 欧拉-马鲁雅玛法
欧拉-马鲁雅玛法是随机微分方程最基础的数值方案，可视为欧拉法在随机情形下的推广。它实现简单，适用于初步模拟和误差分析。
6.3.2 Milstein方法
Milstein方法在欧拉-马鲁雅玛法的基础上加入额外修正项，能够提高对扩散项的近似精度。它在需要较高数值稳定性和更好收敛阶时常被采用。
7 应用
随机积分的应用范围十分广泛，几乎覆盖所有涉及噪声、波动和随机演化的学科。它不仅是理论工具，也是建模语言。
7.1 金融数学
金融数学中，随机积分常用于描述价格变化、收益累积和风险暴露。资产价格模型、衍生品定价及风险管理都离不开这一框架。
7.1.1 资产定价模型
资产定价模型常将价格过程表示为随机微分方程，其核心部分便是随机积分。通过这种方式，可以刻画资产在不确定市场环境中的连续波动与瞬时冲击。
7.1.2 风险对冲与套利分析
在风险对冲中，随机积分用于表示头寸随时间调整的累积效果；在套利分析中，则常借助鞅方法判断是否存在无风险收益机会。二者都依赖随机积分的严密结构。
7.2 物理与工程
在物理与工程领域，随机积分主要用于模拟外部扰动、热噪声和环境不确定性对系统的影响。它能够将复杂波动纳入统一数学模型。
7.2.1 随机振动
随机振动研究机械或结构系统在随机激励下的响应，常用随机积分描述外力作用的累积效应。该方法对于评估疲劳、稳定性和失效风险十分重要。
7.2.2 扩散与噪声建模
扩散现象和噪声传播常可借助随机积分来表达。无论是粒子在流体中的运动，还是信号中的随机干扰，都可以通过这类模型进行分析。
7.3 生物与生态
生物与生态系统常受到环境波动、随机繁殖和外部冲击影响，因此随机积分模型也很常见。它们有助于刻画个体数量、群体演化和神经活动中的随机性。
7.3.1 随机种群模型
随机种群模型用随机积分描述出生、死亡、迁移和环境扰动对种群规模的影响。与确定性模型相比，它更能反映自然系统中的波动与不确定性。
7.3.2 神经动力学中的噪声项
在神经动力学研究中，噪声项常通过随机积分引入，以模拟神经元放电、突触波动或外界刺激的不规则性。这类模型有助于解释节律变化和随机共振等现象。
8 相关概念
随机积分与多个数学分支密切相关，尤其是随机微分、随机测度、马尔可夫过程以及泛函分析中的积分理论。理解这些相关概念，有助于把握随机积分的理论位置与应用范围。
8.1 随机微分
随机微分研究随机过程增量的表达方式，常与随机积分成对出现。二者分别对应“微分形式”和“积分形式”的描述，是随机微分方程的两个侧面。
8.2 随机测度
随机测度是把测度理论推广到随机环境中的对象，常用于描述跳跃事件、点过程和随机到达结构。它为更复杂的随机积分提供了自然框架。
8.3 马尔可夫过程
马尔可夫过程具有无记忆性，其未来演化只依赖当前状态而不依赖更早历史。很多随机积分模型都可导出或对应于马尔可夫过程，从而便于使用概率转移和生成元工具分析。
8.4 泛函分析中的积分思想
泛函分析中的积分思想强调在函数空间上处理积分与极限。随机积分的构造常借鉴这类方法，例如利用范数、完备性和连续算子来建立存在性与收敛性结果。