問題所在：對一條沒有斜率的路徑做積分
上一篇指南留給我們一個悖論。我們想替「f(t) dB(t) 的積分」這樣的式子賦予意義——把一筆筆微小的收益加起來，其中每一步都以布朗運動的增量 dB(t) 來加權。在普通微積分裡，我們會把 dB(t) 改寫成 B'(t) dt，再照常積分。但 B 擁有處處不可微的路徑：B'(t) 根本不存在於任何一點。那座從「和」通往「積分」的古典橋梁已被燒毀，我們得另架一座新的。
為什麼有人會想要這個積分？想像一位交易員在時刻 t 持有 f(t) 股某檔股票，而股價像布朗運動一樣抖動。在一段極短的區間裡股價移動 dB(t)，所以交易員在這一小片上的收益就是 f(t) dB(t)，而總利潤就是所有這些小片之和——正是我們要找的那個積分。金融上的意義才是重點所在：被積函數 f(t) 是一套押注策略，而這個積分就是它所產生、不斷累積的財富。
黎曼積分用一堆矩形的和去逼近面積，並讓網格不斷縮小；它的答案不在乎你是在每個矩形的左緣、右緣還是正中取高度，因為當矩形變窄時，這些選擇都收斂到同一個數。對布朗運動而言，這份安心煙消雲散。由於它的路徑擁有正的二次變差——它在任何區間上都抖動得無窮多——左端點的和與中點的和會收斂到截然不同的極限。取樣點的選擇不再是無傷大雅的慣例；它會改變答案。
伊藤的規矩：永遠回顧過去，絕不偷看未來
伊藤清（Kiyosi Ito）的解法漂亮而果決：當你建立逼近的和時，永遠在每個小區間的左端點、也就是增量 dB 發生之前，去取被積函數 f 的值。把 [0, T] 切成節點 0 = t(0) < t(1) < ... < t(n) = T，並組成 f(t(k)) * (B(t(k+1)) - B(t(k))) 之和。被積函數用的是在 t(k) 的值；而布朗增量 B(t(k+1)) - B(t(k)) 則伸進下一個區間。當網格縮小時，這個和（在均方意義下）收斂到**伊藤積分**。
左端點規則並非隨手挑的解套辦法；它是唯一尊重因果律的選擇。被積函數 f(t(k)) 是用時刻 t(k) 當下可得的資訊決定的——你的持股數在股價跳動之前就已定下——而增量 B(t(k+1)) - B(t(k)) 是未來的驚奇，與截至 t(k) 的一切獨立。一套會偷看下一次價格變動的押注策略就是作弊，而中點或右端點規則悄悄地讓它得以偷看。伊藤的規矩把這條誠實的原則編了進去：你必須先下注，然後才看硬幣落地。
光這一條規則就買到一份巨大的獎賞：伊藤積分是個鞅。因為每個增量 B(t(k+1)) - B(t(k)) 期望為零，又與早已定下的權重 f(t(k)) 獨立，所以每一個新項平均上都添加零——這個不斷累積的積分是一場沒有漂移的公平賭局。於是交易員由「無法預見未來」的策略所累積的利潤，在每一個時間視界上期望值都是零。這正是讓這個積分成為定價之利器的「天下沒有白吃的午餐」之脈動，也是你方才攀過的那一階「鞅」直接傳承下來的遺產。
那個額外項：為何 (dB)^2 表現得像 dt
現在輪到那個讓隨機微積分自成一門學科的轉折。在普通微積分裡，當你展開一個微小變化時，你保留一階項，把 (dx)^2、(dx)^3、…… 當作可忽略而丟棄。對布朗運動你不能丟掉 (dB)^2。原因恰恰是第三篇的二次變差結果：在一段長度為 dt 的微小步伐上，增量 dB 的大小約略是 dt 的平方根，所以 (dB)^2 的大小約略就是 dt——和你必須保留的那些項同階。雜訊的平方並非可忽略；它是堂堂正正的一等公民。
那條好用的規則，也是接下來一切的引擎，是 (dB)^2 = dt，連同 dt * dB = 0 與 (dt)^2 = 0。把它們讀成一份記帳摘要：標示哪些項在極限中存活。誠實地說：(dB)^2 本身是個隨機量，僅僅是平均起來等於 dt；這條恆等式所記錄的是，當你把這些平方增量在一段區間上加總時，隨機的起伏會互相抵消，總和（在均方意義下）收斂到該區間那個確定性的長度。所以 (dB)^2 = dt 是關於「累積的和」的陳述，而非關於某一次隨機抖動的字面方程——這個微妙之處值得記住，哪怕你只是機械地套用這條規則。
伊藤引理：被修正過的連鎖法則
假設你持有的不是布朗路徑本身，而是它的一個光滑函數，比方說 Y(t) = f(B(t))。Y 如何變化？在普通微積分裡連鎖法則說 dY = f'(B) dB，然後就停了。但一個謹慎的泰勒展開會保留二階項：dY = f'(B) dB + (1/2) f''(B) (dB)^2 + …… 。通常 (dB)^2 那一項會被丟棄——在此卻不會，因為 (dB)^2 = dt。代入之後，便得到此情形下的**伊藤引理**：dY = f'(B) dB + (1/2) f''(B) dt。
Ordinary chain rule: dY = f'(B) dB
Ito's lemma: dY = f'(B) dB + (1/2) f''(B) dt
\______________/
the Ito correction
(born from (dB)^2 = dt)
General form, X driven by dX = a dt + b dB :
dY = ( f'(X) a + (1/2) f''(X) b^2 ) dt + f'(X) b dB讓我們用一個小小的演算實例，看看這個修正項咬下去：Y = B(t)^2，所以 f(x) = x^2、f'(x) = 2x、f''(x) = 2。伊藤引理給出 dY = 2B dB + (1/2)(2) dt = 2B dB + dt。從 0 積到 T（用 B(0) = 0）：B(T)^2 =（2B dB 的伊藤積分）+ T。取期望；伊藤積分是個從 0 出發的鞅，所以它的期望為 0，於是我們回收得 E[B(T)^2] = T——布朗運動的變異數，這是我們早已知道的。這份安心是貨真價實的：丟掉那個 +dt 修正項，你就會得到荒謬的 E[B(T)^2] = 0。這個額外項不是裝飾；它扛著變異數。
讓它上工：幾何布朗運動
最受矚目的應用是股價模型——幾何布朗運動，你在下一篇講布萊克–休斯（Black-Scholes）時會用到它。它由隨機微分方程 dS = mu * S dt + sigma * S dB 所定義，讀作：在每一瞬間，股價以平均速率 mu 成長，外加一個大小為 sigma 的隨機踢擊，兩者都按當前價格 S 縮放。它的解，自然的猜測是「帶雜訊的指數成長」，而伊藤引理恰恰是確認此事、並釘住那個常數的工具。
- 試取 Y = log(S)，並用 f(x) = log(x) 套用伊藤引理，於是 f'(x) = 1/x、f''(x) = -1/x^2。一般形式給出 dY = ( (1/S)(mu S) + (1/2)(-1/S^2)(sigma S)^2 ) dt + (1/S)(sigma S) dB。
- 把每一塊化簡：漂移項變成 (mu - sigma^2 / 2) dt，雜訊項變成 sigma dB。於是 d(log S) = (mu - sigma^2 / 2) dt + sigma dB——一個常數漂移加上固定尺度的雜訊，這很容易積分。
- 從 0 積到 t 再取指數：S(t) = S(0) * exp( (mu - sigma^2 / 2) t + sigma B(t) )。股價是一個帶漂移之布朗運動的指數——永遠為正，且在每個時刻服從對數常態分配。
盯著這個解實際攜帶的漂移看：不是 mu，而是 mu - sigma^2 / 2。被減掉的那個 sigma^2 / 2 正是伊藤修正項在真實世界裡現身，而它確實違反直覺。天真的直覺說，一檔以平均速率 mu 成長的股價，其對數價格也該以速率 mu 成長——但波動率從對數的成長率裡偷走了 sigma^2 / 2。這就是「同樣平均報酬之下，雜訊更大的資產複利更慢」的誠實原因，而忘掉這個 -sigma^2 / 2，是人們初次建模報酬時最常犯的錯誤之一。微積分想丟掉的那個額外項，在這裡，就是錢。