【北京大學】《金融經濟學》北大最受歡迎的課程!經濟學必修! P98 - 98.第18講-01準備知識:正態分布與對數正態分布

財富的面容
119粉絲
24 次觀看·2026年5月16日
今天我們要講一個非常重要的
其實對我們課程來說可能沒那麼重要
因為今天這講的內容我不準備在考試裡面考
可能不會考計算題 可能會考一個問答題
這個它的重要性我們一開始就講過了
這是掀起第二次金融革命的一個東西
我們無套利定價也講了四講
你可以看到無套利定價的理論其實非常美妙
從資產定價的基本定義出發
找出存在的風險中性價值或者等價央測度
然後把資產的定價問題歸結到風險中性價值下面的一個期望
就很簡單
今天我們把這套理論運用到延續時間裡面
推到Black-Scholes 系統定價的東西
但事實上在歷史的發展裡面它是反過來的
我們前面看到這些美妙的無套利定價理論底下
它是在Black-Scholes 系統定價出來之後纔有的東西
在Black-Scholes 系統定價出來之前
大家其實對衍生定價是不知道的
都憑感覺
當這兩個人 Black-Scholes 這兩個人
第一次給出了期權定價公式的時候
我們可以想見當時人們的內心是震驚的
非常震驚
大家可能會想
我猜測當時可能覺得
怎麼可能呢
題目這麼多你不要騙我
期權這種東西怎麼能夠用一個數學公式來給它價值呢
但是確實就給出來
給出來之後
Black-Scholes 如果我們把它寫成
還有一個 Merton 這個公式裡面
如果我們就他們三個人
對期權定價做出巨大的貢獻
而且主要是在 Merton 的這麼一個工作人員下
我們現在的這套期權定價理論建立起來
也就是我們衍生平定價理論建立起來
它是開啟我們所看到的這些無套利分析的理論的
這個鑰匙
或者說觸發因素
它是開啟一切的東西
今天我們雖然是把它作為一個我們無套利定價的應用
但是它的重要性
在整個金融發展史上的重要性應該是不言而喻的
所以今天我們就來推導它
我知道我們這個班裡面很多同學
他可能是數理技術沒有那麼強
所以這個 Black-Scholes 公式的推導過程
我會在期末考試裡面要求大家
我會考察大家
但是就像我之前說過的
沒跟你們說過
這個 Black-Scholes 公式
如果以後你想吃金融這碗飯
尤其是做礦
那麼這只是你的起點
當年我學衍生平定價的時候
當時是一個從美國華爾街回來的一個
他在華州做礦主的老師
他跟我們講說
他是當年去面試一個礦主的時候
就給他戳兩道題
第一道題就是給他一個題
讓他推導 Black-Scholes 公式
第二道題就是問他一個有關 C++ 編程的問題
那如果以後同學們想去
比如說去做礦主
畢竟在華爾街或者在國內做礦主
那麼這個公式肯定是你必須要知道
這是你的起點
教室裡面還有很多同學可能是來自於文學者的
有學哲學的
有學文學的
那你接觸一下 Black-Scholes 公式也是有好處的
這個以後你就至少就你人生裡面
估計就你們人生裡面
唯一一次近距離接觸這公式的機會
所以這個也是非常重要的
大家講講這個
以後你都會記得
碰見那些以後理科的同學跟你轉什麼轉
就跟他說
你會不會推 Black-Scholes 公式
百分之九十有人都被你打倒了
所以今天要推一下它
所以今天會有很多的數學推導
但是數學推導我先說都不難
沒有特別複雜的
但是你需要有耐心
慢慢跟著我的思路來推
為了讓大家清楚我們要做什麼
我先把今天我要做的東西寫出來
我今天要做五個事情
第一個事情呢
我要來
也叫復習
給大家介紹一下正態分佈
以及在我們金融定價裡面用到的
對數正態分佈
我們要推導它的一些性質
這是我們要做的
這是我們的準備工作
然後呢
我們會進入第二個
我們來回憶一下
我們在二超速定價的時候
我們是怎麼給資產定價的
我們首先要給出標的資產
就是股票
它的運動的一種數學的描述
然後再基於這個數學描述去給出
與這種資產相關的衍生品的價格
所以在這我們一樣
我們要給出期權定價的公式
這個期權我們說是股
是標的物是股票的這種期權
股票期權
那麼你就必須要給出股票的
在連續時間下
這是我們的連續
在連續時間下的數學的模型
數學的描述
所以就要做第二個事情
這個數學描述叫做
就是布朗運動
Brownian motion
也叫做
也叫維納過程
這樣一回事
Wiener process
就用這個東西
來給出股票運動
股價運動的一個數學
在連續時間下的數學模型
然後再往下
我們就要研究它的一個運動
研究這個運動
研究股票的運動
股票價格運動
那麼我們在高等數學裏面
我假設大家都學過高等數學的
在高等數學裏面
我們去研究一個運動是怎麼研究的
反正從兩個角度去研究
第一我們要去看在
非常非常短的時間裏面
這個運動是像什麼樣的性質
這就是微分
然後再要看這些非常短的時間的運動
累積起來的總的效果是怎麼樣
這是極分
所以我們要通過微極分來
用微極分來研究運動
在這個地方呢
我們同樣要通過微極分來研究運動
只不過現在是在隨機的過程下面
所以我們用的是隨機的微分和隨機的極分
所以這個要給大家介紹一下
Stochastic differentiation
微分
隨機微分
隨機微分裏面有一個非常重要的結論
叫伊藤引理
非常重要
Ito's lemma
還有就是我們的隨機的極分
Integration
這三個介紹完之後呢
我們去分析Black-Scholes公式
推導Black-Scholes公式的數學工具就齊備了
然後我們再會介紹
當年Black-Scholes
這兩個人他推導這個公式他用的方法
他們是去推出來了一個偏微分方程
然後解這個偏微分方程
所以這個偏微分方程就有個名字叫Black-Scholes
Black-Scholes partial differential equation
解這個方程
就把這個Black-Scholes公式解出來了
但這個偏微分方程很難解
我也不會解
但我知道在哪可以查到解的方法
這個夠了
但是我們在黑板上我們要推它
所以我們最後要用一個比這個要簡單的方法來推Black-Scholes公式
就把這個公式形式給它推出來
我們就要用我們的央方法
就是我們以前這套Martingale to Black-Scholes
這是我們今天要做的
今天就做這五個事情
所以如果中間大家
比如說我講著講著你睡著了
這個醒了之後
你還應該大概知道我們在什麼地方
先把這個地圖給大家弄清楚
好 今天我們先來做第一件事情
就是這個正態分佈和對數正態分佈
這個正態分佈Normal distribution
大家學過概率論
學過計量
應該都知道
它是非常常見的一種分佈
它為什麼是常見的分佈呢
因為在概率論裡面一個定理保證你會經常見到它
就是我的中心極限定理
就是我們的Central Limit Theorem
這個中心極限定理講什麼意思呢
如果一個事情
它受到大量的因素的影響
一個隨機的事情
它受到大量因素的影響
而且大量因素裡面
每一個因素沒有一個因素是佔主導性的影響
如果這樣子
就這個東西受到多種因素的共同影響
那麼它的分佈就是正態分佈
所以這就是概率論裡面中心極限定理來保證的
所以我們其實在到處都會看到正態分佈
甚至在我們的考試成績裡面
如果我們班裡麪人數足夠多的話
最後的成績
比如我們期中考試期末考試成績
分佈就應該像一個正態分佈
一個中心的曲線
正態分佈就變得非常重要
正態分佈我們就把它記為
Normal Distribution
我們就把它記為一個隨機變量x
它服從正態分佈就記為這個
φ
我用φ來表示正態分佈
正態分佈它的特點就是
你用它的均值和它的方差
就完全可以確定這個分佈的
就包含了這個分佈的所有信息
這個正態分佈它的密度函數
就這麼寫的
fx等於根號2πσ²
甚至1
e的負的2πσ²
x減去它的均值μ的平方
這是密度函數
密度函數就這樣
這個數出現在
每一個位置上的概率有多高
這就是這麼一個中心曲線
Bell curve
這麼一個中心曲線
我們還可以做一下
可以把它劃為標準正態分佈
就如果定義
t等於x減μ除以σ
這就把它做一個正規化
如果這樣的話
那麼t就會屬於一個標準正態分佈
也就是說它的均值為0
方差為1
那麼這個t的密度函數
就會變成ft
因為這個σ就變成1了
所以根號2π分之1
e的負的2分之t平方
就很簡單
所以這是標準正態分佈
然後標準正態分佈
它是以0為均值的
所以它分佈曲線的對稱軸在0
所以我們可以定義一個
它的分佈函數
分佈函數就用nu來定義
nu
nu是什麼呢
它是個分佈函數
它就等於你拿到的這個概率
就是你拿到這個數
小於你給的這個域值U大U的概率
這就是我們的分佈函數的定義
現在比如說這個U在這
U在這
大U在這
那麼這個分佈函數
它的這個曲值
就是這一點往左的這塊陰影區域的面積
密度函數大家應該知道
整個密度函數下面的面積加起來是等於1的
然後這個就是nu
這個陰影部分的面積就是nu
然後又因為
所以這個n
一看到這個n就應該知道
我們就定義為
這就是標準正態分佈的分佈函數
因為它以0為對稱軸
以這個為對稱軸
所以它有這麼一個性質
nu
或者說n-u
我們來看
n-u
n-u在哪裡
u在這
n-u就在它這個地方對過來
-u
n-u是什麼呢
n-u就是
就是這
用黃粉筆
就黃粉筆所描繪的這個面積
這塊區域的面積
這是n-u
但是我們來看
因為它是對稱的
所以這塊白的和這塊
畫的不太對稱
這個畫的有點歪
這樣看起來好點
所以這兩塊白的陰影是一樣的面積
所以黃的面積等於什麼呢
黃的面積就等於1-白的面積
所以它應該等於
1-nu
這是對標準正態分佈的分佈函數成立的
這就是我們的正態分佈
正態分佈
可能你會覺得說
我們就拿正態分佈來描述骨架就好
但是不行
在一百多年前
1900年
我們金融學的祖師爺巴什裏耶
他假設資產價格最後分佈是正態分佈
這個是錯
是有問題的
為什麼有問題呢
因為正態分佈可以取值是負的
正態分佈能取到負數
但是資產價格顯然不能是為負的
所以我們為了保證資產價格總是為正的
我們就不是假設股票價格是服從正態分佈
而是股票價格的對數服從正態分佈
所以這方面要引入一個概念叫對數正態分佈
Lognormal
這個對數正態分佈什麼意思
像它是假設這個東西
就股票價格的對數的變化
這個玩意兒
它服從正態分佈
就μσ平方
那這個玩意兒是什麼
這個log再說
這個log就是以自然常數為底的對數
我們都一般寫log
那麼這個東西
這個log
像我可以把這個log可以稍微寫一寫
這個log st-log s0就應該等於log
st除以s0
就等於
我稍微做一下變換
就等於1加上st-s0除以s0
這都是恆等變換
然後由這個小量進次
這個對數1加這麼多東西
就約等於
在這坨比較小的時候就約等於這坨
st-s0除以s0
所以股票價格的對數的
叫對數差分
這個對數的差是什麼意思呢
就是股票價格的變化率
就股票價格的變化除以股票原本價格
所以這是股票價格的變化率
所以我們是把股票價格的變化率
把它設定為
把它描述為一個正態分佈
所以不是股票價格是正態分佈
而是股票價格的對數變化率是正態分佈
所以有這麼一個東西之後
我們應該知道
如果我假設
假設這個東西等於x
如果假設這個東西等於x
就它們的對數的差分等於x
那麼我們就應該有
就應該有st就等於
s0乘以e的x²
所以這個x
所以現在是x
服從正態分佈
而不是st
然後未來我們就是要對這個
我們都說最後資產定價就是要去求期望
現在我們來看
這個期望裏面
我現在也就對股票價格要求期望
這個期望的話
它就包含了一個自然常數為底的指數
對這個玩意兒怎麼求期望
我們就必須要知道
因為待會我們就要用到
所以我們來推導一下
這個東西怎麼來算它的期望
所以我們現在來算這麼一個東西
e
ex
x是服從正態分佈的
但它在指數上面
所以這個期望是多少
這個期望我們就按照期望的定義來寫
按期望定義來寫
它是一個積分
它從負無窮積到正無窮
然後它ex
然後再乘上密度函數
乘上分佈的密度函數
密度函數在這兒
我們都給出來了
就乘上它
那等於
√2πσ²
分之1
e的負的2σ²
x-μ²
然後dx
積分
這個積起來就是期望
然後把它做一下變化
因為
我定義一個東西
定義這個t等於
我寫在哪兒
我前面就定義了
t等於x-μ除以σ
那麼就應該推出
這個x就應該等於σt加μ
我要做一下變量代換
我做一下變量代換
就要做的變量代換
把這個變量代進去
負無窮到正無窮
根號
我這個有e
我就把這個寫到前面了
2πσ²
分之1
然後這個e
這個x就變成它了
x就變成它了
e的σt再加上μ
再乘上e的
這個東西
直接變成負的2分之t平方了
然後再乘上dt
這邊應該是x
所以x應該變成σt加μ
在d裏面
微分符號裏面
然後
把它提出來
把這個e的μ次方是個常數
提到這個積分號的外面來
等於e的μ次方
負無窮到正無窮
負窮到正無窮
然後這邊是σ平方
然後
在這兒
同學們
我們來往下寫
這兒
根號2π分之1
本來這地方
分母上面應該有一個σ
它的σ平方在根號裏面
開出根號來
它就有σ
這裏有個σ
但這個分母上面有個σ
我們來看這兒有個σ
在這個積分的微分符號裏面有個σ
這個σ從微分符號裏面提出來
所以這個σ和這個σ就約掉了
就沒有那個σ了
σ就沒了
所以就只剩這個了
所以變成了這個e的σt減去2分之t平方
然後這個μ是個常數
可以不要了
所以等於dt乘以dt
對吧
對了
所以再往下
馬上就出來了
別著急
無窮極到正無窮
然後我們來配個方
來個配方
待會兒
2π
根號2π分之1
然後e
這個指數上面
我把它變成這麼一個東西
等於2的負的2分之t減σ的平方
再減去σ的平方
大家看
我把它配了一個t減σ的平方
所以這個t減σ的平方就是t平方
再減去2倍σt
就是t平方
2倍σt都有了
但是我這邊會多出來一個σ平方
所以要把這個σ平方減回去
減掉
所以就變成這個東西了
然後在這邊再變成dt
然後我們來注意一下
同學們
事實上我可以做這麼一個東西
馬上就出來了
e的μ
然後這個
這個負負就得正了
就是這個2e的再加2分之1的σ平方
這都是常數
所以提到積分號外面去
積分號裏面變成負無窮到正無窮
根號2π分之1
e的負的2分之t減σ的平方
然後dt
然後在這有個常數
可以把這個常數加進去
減去σ
變成這樣
做變換
所以我們來看右邊這個積分號裏面
它其實是一個標準正態分佈的密度函數的積分
只不過這個變源是t減σ
所以這個積分積出來是等於1的
所以積分積出來等於1的
所以這個期望等於什麼呢
期望就等於前面這個東西
所以這個
就等於前面
我就把我拿黃粉筆給它框出來
這就是我們要求的這個期望
這我們要求的期望
所以我們可以把它寫得更清晰一點
就如果一個x
如果一個x
如果logx是服從這個正態分佈
μσ平方的話
那麼ex就應該等於這個e的μ加1 2σ平方
這就是我們以後會
待會會用到一個結論
所以這是對數正態分佈
為我們後面做了一些準備
