数理金融：传统量化的理论基石
模块总时长：10-12 小时
前置要求：微积分（求导、积分）、基础概率论（随机变量、期望、方差）、基础线性代数
核心问题：为什么传统量化必须懂这套数学？它和 ML 量化有什么根本区别？
一、为什么传统量化必须懂数理金融
先说一个残酷的事实：
ML 量化可以完全不懂随机微积分，但传统量化通常不行。
这不是能力高低的问题，而是两个方向根本不在用同一套语言。
1.1 两套完全不同的思维范式
| 维度 | ML 量化 | 传统量化 |
|---|---|---|
| 核心问题 | ”数据里有什么模式？" | "无套利条件下，价格应该是什么？“ |
| 建模思路 | 数据驱动，拟合历史 | 理论驱动，从公理出发推导 |
| 验证方式 | 样本外表现 | 是否违反无套利条件 |
| 对数学的要求 | 线性代数、优化、概率统计 | 随机微积分、测度论、PDE |
| 模型解释性 | 弱（黑箱） | 强（每个参数有金融含义） |
| 典型工具 | LightGBM、LSTM、Transformer | 伊藤引理、Girsanov 定理、Monte Carlo |
1.2 数理金融解决的根本问题
数理金融不是一堆花哨的公式，它回答的是一个非常具体的问题：
在一个充满不确定性的世界里，金融资产”应该”值多少钱？
注意”应该”两个字。这不是预测未来涨跌，而是：
- 给期权定价（Black-Scholes）
- 给利率产品定价（Vasicek、HJM）
- 给信用产品定价（CDS、CDO）
- 验证你的交易策略是否存在套利机会
1.3 什么时候你必须学数理金融
如果你只做以下工作，数理金融不是最高优先级：
- 中低频股票因子研究
- 截面多空策略
- Crypto 永续合约时序策略
- CTA 趋势跟踪
但如果你要做以下工作，数理金融是硬门槛：
- 期权定价与波动率交易
- 利率衍生品定价
- 信用结构化产品
- 做市定价引擎
- 复制组合与对冲策略
- 风险中性测度下的蒙特卡洛模拟
二、模块导航
第一部分：随机微积分（4-5 小时）
文件：01-随机微积分.md
这是整个模块中最难的部分，也是数理金融的地基。
| 小节 | 核心内容 | 难度 | 建议时长 |
|---|---|---|---|
| 从随机游走到布朗运动 | 抛硬币实验、路径模拟、布朗运动性质 | ⭐⭐⭐ | 1h |
| 伊藤积分与伊藤引理 | 普通积分 vs 随机积分、乘法表、推导 | ⭐⭐⭐⭐⭐ | 2h |
| 随机微分方程（SDE） | GBM、OU 过程、参数含义 | ⭐⭐⭐⭐ | 1.5h |
| 进阶概念 | Girsanov 定理、Feynman-Kac、停时 | ⭐⭐⭐⭐ | 0.5h |
学完你将能够：
- 理解”随机过程”在数学上到底意味着什么
- 用 Python 模拟股价路径
- 看懂 GBM（几何布朗运动）的完整推导
- 为后续的期权定价和资产价格模型打下基础
第二部分：无套利定价理论（3-4 小时）
这是传统量化区别于 ML 量化的核心思想。
| 小节 | 核心内容 | 难度 | 建议时长 |
|---|---|---|---|
| 无免费午餐 | 套利定义、无套利条件 | ⭐⭐ | 0.5h |
| 风险中性定价 | Q 测度、等价鞅测度、FTAP | ⭐⭐⭐⭐⭐ | 2h |
| 复制组合 | Delta 对冲、完备市场 | ⭐⭐⭐⭐ | 1h |
| 具体定价 | 远期合约、BS 框架推导 | ⭐⭐⭐⭐ | 0.5h |
学完你将能够：
- 理解”风险中性定价”这个核心思想（很多人学了好久都不懂）
- 明白为什么可以用”假想的概率”给衍生品定价
- 理解复制组合为什么是定价的基石
- 为 Black-Scholes 模型的推导做好准备
第三部分：资产价格模型（3-4 小时）
文件：03-资产价格模型.md
把前两部分的理论落地到具体的资产价格模型。
| 小节 | 核心内容 | 难度 | 建议时长 |
|---|---|---|---|
| 股票价格模型 | GBM 的假设与局限 | ⭐⭐⭐ | 0.5h |
| 随机波动率模型 | Heston 模型、SABR 模型 | ⭐⭐⭐⭐ | 1h |
| 跳跃扩散模型 | Merton 模型、跳跃的影响 | ⭐⭐⭐⭐ | 0.5h |
| 利率模型 | Vasicek、CIR、与股票模型的区别 | ⭐⭐⭐⭐ | 1h |
| 综合对比 | 不同模型的适用场景 | ⭐⭐⭐ | 0.5h |
学完你将能够：
- 理解 GBM 为什么不够用（波动率微笑、厚尾）
- 理解 Heston 模型每个参数的金融含义
- 理解利率模型和股票模型的本质区别
- 根据实际问题选择合适的模型
三、适合与不适合的学习者画像
3.1 适合的学习者
- 期权/衍生品方向：这是你的必修课，没有商量余地
- 利率/固收方向：Vasicek、HJM 框架是你每天的面包
- 做市定价方向：风险中性定价是你定价引擎的理论基础
- 想理解”为什么”的人：不只是想调包，而是想理解公式背后的金融逻辑
- 有微积分基础的人：知道什么是导数、积分、微分方程
3.2 暂时不适合的学习者
- 刚入门量化的人：建议先学概率统计、计量经济学
- 只做因子研究的人：数理金融对因子挖掘的直接帮助有限
- 数学基础薄弱的人：建议先补微积分和概率论，否则会非常痛苦
- 只关心”能不能赚钱”的人：这个模块讲的是定价理论，不是交易策略
3.3 前置知识清单
在开始之前，确保你具备以下基础：
| 知识点 | 需要掌握的程度 | 自测方法 |
|---|---|---|
| 导数和链式法则 | 能求 的导数 | 求导 |
| 偏导数 | 知道什么是 | 求偏导 |
| 积分 | 理解定积分的几何含义 | 计算 |
| 微分方程 | 知道什么是 | 求解 |
| 随机变量 | 知道期望、方差、正态分布 | 计算 如果 |
| 大数定律 | 直觉理解即可 | 能解释”为什么抛硬币次数越多，比例越接近 50%“ |
四、学习建议
4.1 学习顺序
严格按顺序学：随机微积分 → 无套利定价 → 资产价格模型
这三部分是层层递进的：
随机微积分（工具）
↓
无套利定价理论（思想）
↓
资产价格模型（应用）
跳过任何一环，后面的部分都会看不懂。
4.2 学习策略
- 先直觉，后数学：每个概念都先用大白话理解”是什么”和”为什么需要”
- 动手模拟：每个 Python 代码都亲自跑一遍，改改参数看看效果
- 不要死磕证明：除非你是数学系，否则理解直觉比记住证明步骤更重要
- 接受”暂时不懂”：很多概念需要反复接触才能真正理解，第一遍能有个大概印象就很好了
4.3 推荐参考书
| 书名 | 作者 | 特点 | 建议用法 |
|---|---|---|---|
| Stochastic Calculus for Finance I | Shreve | 离散时间入门，最友好 | 配合第一部分一起读 |
| Stochastic Calculus for Finance II | Shreve | 连续时间，标准教材 | 作为深入参考 |
| Options, Futures, and Other Derivatives | Hull | 实务导向，公式多 | 期权定价的权威参考 |
| The Concepts and Practice of Mathematical Finance | Joshi | 直觉解释好，适合入门 | 不懂某个概念时翻阅 |
五、这个模块在整个知识体系中的位置
┌──────────────────┐
│ 衍生品定价 │
│ (BSM、蒙特卡洛) │
└────────┬─────────┘
│ 依赖
┌────────┴─────────┐
│ 数理金融 │ ← 你在这里
│ (当前模块) │
└────────┬─────────┘
│ 被依赖
┌────────────────────┼────────────────────┐
│ │ │
┌────────┴───────┐ ┌───────┴────────┐ ┌──────┴─────────┐
│ 统计套利理论 │ │ 因子投资理论 │ │ 组合管理理论 │
│ (OU、配对交易) │ │ (Fama-MacBeth) │ │ (Markowitz) │
└────────────────┘ └────────────────┘ └────────────────┘
数理金融是”底层基建”，尤其是衍生品定价和统计套利的直接前置依赖。如果你不做衍生品，它和因子投资、组合管理的直接关联相对较弱，但理解它会让你的整个量化知识体系更加完整。
一句话总结：数理金融是传统量化的”操作系统”。你不一定要深入理解操作系统内核（除非做衍生品），但如果你理解了它，你对”价格是什么”这个问题的认识会完全不同。