1 基本概念
鞅是概率论中用来描述“在已知过去信息的前提下，未来的条件期望不偏离当前值”的随机过程。它强调的是一种预测上的平衡：过程虽然可能上下波动，但从信息更新的角度看，并不存在系统性的上升或下降趋势。鞅理论的基础建立在随机变量、条件期望、滤过以及可积性等概念之上。
1.1 鞅的定义
鞅通常是在一个带有信息逐步增长的概率空间上定义的随机过程。其核心要求是：在每个时刻，过程的当前值都等于下一时刻在已知当前信息下的条件期望。
1.1.1 离散时间鞅
离散时间鞅是指按整数时刻变化的随机过程。设随机过程 \(X_0,X_1,X_2,\dots\) 与一族递增的σ-代数相配合，若满足当前时刻的值等于下一时刻的条件期望，则称其为离散时间鞅。此类过程常用于随机游走、赌博模型和序列估计问题中。
1.1.2 连续时间鞅
连续时间鞅是将上述思想推广到连续时刻的随机过程，例如 \(X_t\) 随时间 \(t\ge 0\) 变化。此时要求对任意 \(s<t\)，在已知时刻 \(s\) 的信息下，\(X_t\) 的条件期望等于 \(X_s\)。连续时间鞅是布朗运动、随机积分和随机微分方程中的重要对象。
1.2 滤过与适应性
鞅的定义离不开“信息随时间增长”的结构。滤过用于刻画在不同时间点上可获得的信息集合，而适应性则表示随机过程不会使用未来信息。
1.2.1 滤过的定义
滤过是一族随时间递增的σ-代数，记作 \((\mathcal{F}_t)\)。当 \(t\) 增大时，\(\mathcal{F}_t\) 中包含的信息不减少，反映出观察者对系统认知的逐步完善。滤过常被理解为“到时刻 \(t\) 为止所知道的一切”。
1.2.2 适应过程
若随机过程在每个时刻的取值都只依赖于该时刻及以前的信息，则称该过程对滤过是适应的。适应性保证过程不会“偷看未来”，因此是鞅、次鞅和上鞅等概念成立的基本前提之一。
1.3 条件期望与可积性
条件期望是鞅理论中的关键运算，它描述在给定信息下的平均预期。可积性则确保这些期望具有良好的数学意义。
1.3.1 条件期望的性质
条件期望保留了普通期望的线性结构，并且具有塔式性质：先对较小信息集合取条件期望，再对较大信息集合取条件期望，结果与直接对较大集合取条件期望一致。它还满足“已知量可提出”的性质，即与当前信息相关的随机变量可以被视为常数。
1.3.2 可积条件
为了保证条件期望存在，通常要求随机变量具有有限期望，即满足可积性。若过程在各时刻都可积，便可讨论其鞅性质。很多重要定理还会进一步要求一致可积、平方可积等更强条件。
1.4 相关随机过程
鞅理论中有一组密切相关的过程类型，它们在方向性上与鞅略有不同，但共享类似的分析工具。
1.4.1 次鞅
次鞅是指在已知过去信息的条件下，未来的条件期望不小于当前值的过程。它对应一种“平均上不下降”的趋势，常用于研究增长性对象与上界估计。
1.4.2 上鞅
上鞅与次鞅相反，其条件期望不大于当前值。它通常反映某种平均上的衰减或保守性，在极限定理和停止问题中经常出现。
1.4.3 鞅差序列
鞅差序列是离散随机序列中相邻项的增量部分，若其条件期望为零，则称为鞅差。许多随机过程都可以看作若干鞅差项的累加，这使得其波动结构更便于分析。
2 核心性质
鞅的核心性质体现了其“公平性”“稳定性”和“可停止分析”的特点。这些性质使其成为研究随机演化的重要工具。
2.1 公平游戏解释
鞅最常见的直观解释是公平游戏。若把过程的数值理解为游戏中的资产或收益，则在不作弊、信息公开且规则固定的情况下，下一步的平均收益不会系统性地偏向参与者一方。
2.1.1 条件期望不变性
鞅的定义本质上体现了条件期望不变性：已知过去时，未来的平均值等于现在。这个性质使得鞅可被视为“最佳预测不变”的过程，也解释了其在预测问题中的重要地位。
2.1.2 无套利直观
在金融语境下，鞅常与无套利思想联系在一起。若某个价格过程在合理的风险调整后可视为鞅，则意味着仅凭过去信息不能构造出稳定的无风险超额收益。这一思想构成现代资产定价的重要基础。
2.2 线性与稳定性
鞅在运算上具有良好的封闭性和稳定性，便于构造复杂模型并进行分解分析。
2.2.1 线性组合
若若干鞅具有适当的可积条件，则其线性组合通常仍保持鞅性质。这一性质使得鞅分析能够与代数操作相结合，方便构造新过程和证明相关结果。
2.2.2 截断与局部性质
通过对过程进行截断或在有限时间区间内观察，往往可以获得更易处理的局部结果。许多全局结论正是借助局部分析逐步拼接而成，这种思想在局部鞅理论中尤为重要。
2.3 收敛性质
鞅具有一系列收敛结果，这些结果揭示了随机过程在长期演化中的极限行为。
2.3.1 鞅收敛定理
在适当条件下，鞅会几乎处处收敛到某个极限随机变量。该定理说明，虽然鞅可以不断波动，但若满足足够的边界条件，其长期走势仍可能稳定下来。
2.3.2 逼近极限
鞅极限常可通过有限时刻的过程值逼近得到。借助一致可积性或有界性等条件，可进一步讨论期望与极限交换、极限分布与路径收敛等问题。
2.4 停时与可选停止
停时是随机时刻的一类特殊对象，它允许我们在“某个随机时刻”观察或终止过程。可选停止原理则说明，若停止方式合理，鞅的公平性在停止后仍能保持。
2.4.1 停时定义
停时指的是其发生与否只依赖于当前及过去信息的随机时间。例如“第一次达到某个阈值的时刻”通常就是停时。停时概念在赌博策略、排队系统和统计决策中非常常见。
2.4.2 停时定理
停时定理表明，在满足一定条件时，对鞅在停时处取值，其期望性质可以得到保留。这类定理是鞅理论中最具应用价值的结果之一，但其适用范围通常需要检查停时是否有界以及过程是否满足额外条件。
3 重要定理
鞅理论中的若干核心定理，构成了从结构分解到极限定理的主要框架。
3.1 Doob分解
Doob分解说明，一个适应且可积的过程可以拆解为一个鞅部分和一个可预测的趋势部分。该分解为研究随机波动与确定性漂移提供了统一工具。
3.1.1 分解思想
分解思想的核心是将“不可预测的随机成分”与“可累积的平均趋势”分离开来。这样一来，复杂过程就能拆解成易于分析的两部分，分别对应随机扰动和系统性变化。
3.1.2 唯一性
在适当条件下，Doob分解具有唯一性。这意味着同一个过程对应的鞅部分和可预测部分不会因分解方式不同而改变，从而保证了分析结果的稳定可靠。
3.2 Doob最大不等式
Doob最大不等式给出了鞅或次鞅在整个时间区间内最大值的控制方法，是估计路径波动的重要工具。
3.2.1 最大值控制
该不等式将过程的最大值与其终值或期望联系起来，从而可以推导出路径越界概率的上界。这种控制在证明收敛、紧性和极值行为时十分有用。
3.2.2 应用场景
最大不等式广泛用于证明鞅收敛、随机积分估计以及随机过程的尾部界限。它在概率论与分析中的作用类似于一种“全程风险监测器”。
3.3 选停定理
选停定理研究在随机时刻停止观察鞅时，哪些期望关系仍然成立。它是鞅理论中最著名、也最容易被误用的结果之一。
3.3.1 有界停时情形
当停时有界时，鞅的停止值通常仍保持原有期望结构。此时由于停止时间不会无限延后，相关交换和取极限操作通常较为稳妥。
3.3.2 条件放宽情形
在更一般的情况下，若过程满足一致可积、增量可控或其他附加条件，也可能得到选停结论。但这些条件必须仔细核验，否则结论可能失效。
3.4 一致可积性定理
一致可积性提供了交换极限与期望的关键条件，是处理鞅极限的重要工具。
3.4.1 一致可积鞅
若一个鞅族在整体上不会把概率质量过度“推向无穷远处”，则称其具有一致可积性。这样的鞅通常更容易得到良好极限性质。
3.4.2 极限与交换次序
在一致可积条件下，常可将极限与期望运算交换，从而更可靠地分析收敛后的平均行为。这在证明最终状态的期望、极限分布性质时非常关键。
4 构造与例子
鞅并非抽象地“凭空出现”，它可以由具体随机模型自然构造出来。
4.1 基本示例
最经典的例子往往来自独立随机增量和对称随机游走，这些模型直观地体现了鞅的公平性。
4.1.1 独立增量和
若一列独立随机变量的和经过适当中心化，并以自然滤过观察，则常可得到鞅。其本质是每一步增量在已知过去时没有偏向。
4.1.2 对称随机游走
对称随机游走每一步向左或向右的概率相同，因此当前位置的条件期望等于当前点。它是鞅理论中最常被用来讲解直观的例子之一。
4.2 经典构造
许多重要鞅不是直接设定的，而是通过条件期望或变换方法构造出来的。
4.2.1 条件期望构造
若给定一个终端随机变量，可通过对其作条件期望构造一族过程。随着信息逐步增加，这个过程自然满足鞅性质，因此在理论与应用中都很常见。
4.2.2 鞅变换
对已知鞅施加某些线性或指数型变换，有时可获得新的鞅。此类构造常用于推导指数鞅、似然比过程和风险调整过程。
4.3 反例与边界情况
理解鞅也需要知道哪些过程并不满足鞅条件，以及不同类型过程之间的边界在哪里。
4.3.1 非鞅过程
带有系统漂移的过程通常不是鞅，因为其条件期望会偏离当前值。单调增长或单调衰减的确定性过程也一般不符合鞅定义。
4.3.2 次鞅与上鞅的区别
次鞅和上鞅分别对应平均上升与平均下降的趋势。二者与鞅的区别在于条件期望的不等式方向，这一点决定了它们适用的估计工具和收敛结论。
5 表示与分解
表示理论研究鞅能否写成某种更基本过程的函数或积分形式，而分解理论则揭示其内部结构。
5.1 鞅表示定理
鞅表示定理说明，在某些概率空间中，鞅可以由更基础的噪声过程表示出来。这为构造解和分析动力学提供了统一语言。
5.1.1 离散情形表示
在离散时间中，鞅常可表示为鞅差项的累加。只要增量满足适当的正交或条件期望性质，就能把复杂过程分解成一步一步的随机贡献。
5.1.2 布朗运动表示
在连续时间模型中，某些鞅可以表示为关于布朗运动的随机积分。该表示在金融工程和随机微分方程中尤为重要，因为它把随机演化与连续噪声联系起来。
5.2 分解理论
分解理论研究随机过程如何拆成具有不同性质的组成部分，以便分别处理。
5.2.1 有界变差分解
若一个过程可写成鞅部分加上有界变差部分，则前者负责随机波动，后者负责平滑漂移。这种分解对半鞅分析和随机积分理论尤其关键。
5.2.2 正则性分析
分解后的各部分往往具有不同的正则性，例如路径连续性、变差性质或可预测性。通过研究这些性质，可以判断过程是否适合进行进一步的微分或积分操作。
5.3 补偿过程
补偿过程用于将计数型或跳跃型随机过程中的平均趋势剥离出来，从而恢复鞅结构。
5.3.1 预测补偿
预测补偿是指从原过程减去其可预测的平均增长部分后得到的修正过程。修正后的对象往往更接近“纯随机噪声”，便于应用鞅工具分析。
5.3.2 随机积分联系
补偿过程与随机积分之间联系紧密。很多积分型过程的鞅性质，正是通过引入补偿项后才得以建立。
6 应用
鞅理论之所以重要，部分原因在于它连接了纯数学与多种应用领域。
6.1 金融数学
在金融数学中，鞅用于刻画合理定价、风险调整和市场均衡的核心思想。
6.1.1 资产定价
资产价格在风险中性度量下常被建模为鞅或贴现鞅。这样可以把未来价格的现值理解为当前价格，从而为定价公式提供理论基础。
6.1.2 套利与风险中性测度
若市场不存在套利机会，通常可找到某种风险中性测度，使得贴现资产价格成为鞅。该观点构成衍生品定价和对冲策略分析的基础框架。
6.2 统计与推断
鞅方法在统计中常用于构造检验统计量、估计量和顺序推断程序。
6.2.1 序贯检验
在序贯检验中，样本并非固定取满，而是在观察到足够证据时提前停止。鞅工具可用于控制错误概率并分析停止规则的性质。
6.2.2 估计量构造
某些估计量可以通过鞅方程或鞅差结构构造出来。利用这些结构，能较容易证明估计量的无偏性、收敛性与渐近正态性。
6.3 随机过程分析
鞅在随机过程理论内部也扮演着基础角色，尤其在随机积分和随机微分方程中。
6.3.1 随机积分
随机积分的许多核心性质都依赖于被积过程的鞅结构。通过鞅估计，可以控制积分过程的波动大小和二阶矩行为。
6.3.2 随机微分方程
随机微分方程中的解往往包含鞅项与漂移项。鞅理论帮助分析解的存在性、唯一性以及长期行为，是该领域的重要工具。
6.4 算法与理论计算机科学
在算法分析中，鞅常被用来研究随机化过程的平均行为与偏差界限。
6.4.1 随机算法分析
随机算法的运行时间、误差传播和性能波动，常可借助鞅不等式进行估计。这样可以得到比朴素平均分析更精确的概率界。
6.4.2 在线学习中的鞅方法
在线学习中，模型在每一步根据新数据更新参数。鞅工具可用于分析累积损失、遗憾界和自适应更新的稳定性，从而提供理论保证。
7 相关概念与扩展
鞅理论向外延伸后，形成了更广泛的随机分析体系。
7.1 局部鞅
局部鞅是指经过某些停止或局部化处理后表现得像鞅的过程。它在现代随机分析中比真鞅更常见，也更灵活。
7.1.1 局部化方法
局部化方法通过引入一列逐渐增大的停时，把复杂过程限制在有限范围内分析。若每个局部截断版本都是鞅，则原过程可被视为局部鞅。
7.1.2 真鞅与严格局部鞅
真鞅在整体上满足鞅条件，而严格局部鞅虽然局部上像鞅，但全局上可能失去某些期望性质。两者的区分在理论和应用中都十分重要。
7.2 半鞅
半鞅是随机积分理论中最基本的过程类别之一，包含了大多数可以合理积分的随机过程。
7.2.1 半鞅分解
半鞅通常可分解为局部鞅部分与有限变差部分。这一结构揭示了其既有随机震荡也有平滑趋势的双重特征。
7.2.2 随机积分框架
现代随机积分理论大多以半鞅为积分对象或被积对象的基础框架。它保证积分运算在广泛条件下仍可定义并保持良好性质。
7.3 鞅测度
鞅测度是将概率结构重新调整后，使某些过程成为鞅的测度。它在金融和随机控制中具有核心地位。
7.3.1 等价鞅测度
等价鞅测度与原测度在零概率事件上保持一致，同时使相关资产价格过程呈现鞅性质。这种测度转换是无套利定价理论的重要组成部分。
7.3.2 风险中性表示
在风险中性表示下，资产价格的期望增长被调整为无风险利率水平，超额收益体现在概率权重的重新分配中。这样可将复杂市场问题转化为较标准的条件期望计算。
7.4 多维与向量值鞅
鞅理论不仅适用于一维标量过程，也适用于多维系统和向量值随机过程。
7.4.1 向量鞅定义
向量值鞅是每个分量都满足鞅条件的随机向量过程，或在适当意义下整体满足鞅结构的过程。它常见于多资产模型和随机系统状态分析。
7.4.2 协方差结构
多维鞅的各分量之间可能存在相关性，这种关系通常由协方差或二次变差结构描述。研究协方差结构有助于理解不同随机分量之间的联动与传导。