從鋸齒階梯到連續曲線
你已經認識簡單隨機漫步：從 0 出發，每一秒正面加 +1、反面減 -1。它的路徑是一段鋸齒階梯，每一拍跳整整一個單位。布朗運動，就是當你拒絕接受「時鐘非得每秒跳一次、步幅非得是整整一個單位」時所得到的東西。改為每隔一個長度為 dt 的極小時間間隔走一步，並把每一步也縮小。問題是：要怎麼縮？步幅太大，漫步會在任何有限時間內飛向無窮；步幅太小，它會凍結而永遠不動。恰好只有一種平衡能給出活生生的東西。
正確的法則，是讓步幅與 dt 的平方根成正比，而不是與 dt 成正比——每一步大約是 sqrt(dt) 的大小。為什麼是平方根？這裡有一個貫穿後續一切的核心想法。在固定的一段時間 T 內，你大約走 N = T / dt 個獨立步，每步的變異數約為 dt。因為各步獨立，相加的是它們的變異數，而不是它們的標準差。所以走過時間 T 後總和的變異數約為 N 乘以 dt，等於 (T / dt) 乘以 dt，等於 T。dt 完美地約掉了。因此無論你把時間格子分得多細，總位移的變異數都是 T——有限而穩定，既不爆炸也不消失。
定義：什麼樣的曲線才算布朗
與其沒完沒了地描述那套取極限的程序，數學家乾脆列出這個極限所擁有的性質，並把任何具備這些性質的過程都叫作布朗運動。一個過程 { B_t : t >= 0 } 若滿足四件事，便是（標準）布朗運動。第一，B_0 = 0——它從原點出發。第二，它有獨立增量：對不相交的時間段，各段的變化是彼此獨立的隨機變數。第三，它有平穩且常態分配的增量：對任意 s < t，增量 B_t - B_s 服從 Normal(0, t - s)——均值為零，且變異數等於經過的時間。第四，它的樣本路徑是連續的：每一條都能一筆不離紙地畫出來。
A standard Brownian motion { B_t , t >= 0 } satisfies:
(1) B_0 = 0 start at the origin
(2) independent increments disjoint stretches are independent
(3) B_t - B_s ~ Normal(0, t - s) for s < t (stationary, Gaussian)
(4) t -> B_t is continuous paths drawn without lifting the pen
Consequences read off (3):
E[B_t] = 0
Var(B_t) = t (so standard deviation = sqrt(t))
Cov(B_s, B_t) = min(s, t)兩個立即的推論能把定義變得具體。由於 B_t = B_t - B_0 本身就是 [0, t] 上的一個增量，我們直接得到 B_t ~ Normal(0, t)：E[B_t] = 0、Var(B_t) = t，正好對上我們剛論證的縮放。至於共變異數，把較晚的值 B_t 寫成 B_s 加上不相交的增量 B_t - B_s；該增量與 B_s 獨立且均值為零，所以當 s < t 時 Cov(B_s, B_t) = Var(B_s) = s——也就是 Cov(B_s, B_t) = min(s, t)。這些並非額外假設，而是被那四條規則所強制。也請留意：這裡沒有任何一處真的用到隨機漫步的極限——那個極限是一種誠實的建構，但定義這個物件的，是那四條性質。
為什麼這個極限真的成立：Donsker 定理
對「縮小步幅」揮揮手是一回事；證明那段階梯確實收斂到某個真實的東西又是另一回事。提供保證的是Donsker 定理，常被稱為泛函中央極限定理或不變原理。取簡單隨機漫步 S_1, S_2, ..., S_n，把空間除以 sqrt(n) 縮放、把時間除以 n 縮放，再用直線把這些點連成一條連續曲線。Donsker 定理說：當 n 增大時，這條重新縮放的漫步會收斂——是作為一整條隨機曲線收斂，而不只是在某一瞬間——到 [0, 1] 上的標準布朗運動。
把 Donsker 定理當作長大成熟的普通中央極限定理來讀。樸素的中央極限定理說：漫步的一張快照——終點時刻重新縮放後的值——近似常態分配。Donsker 把「一張快照是常態」升級成「整條路徑近似一條布朗路徑」。不變一詞點出了關鍵：這個極限不在乎你的步幅是擲幣、是 +-1、是 +-7，還是任何均值為 0、變異數有限的其他跳躍——它們全都洗成同一個布朗運動。這正是布朗運動像鐘形曲線一樣無所不在的原因：它是累積眾多微小獨立衝擊的普適極限。
一個你能拿來計算的高斯過程
還有第二種非常乾淨的方式看布朗運動：把它看成一個高斯過程。高斯過程，是指它的有限維分配全都是多元常態——任取一組有限的時刻 t_1, ..., t_k，向量 (B_{t_1}, ..., B_{t_k}) 都是聯合常態。一個多元常態完全由它的均值函數與共變異數函數所確定，而這兩者我們剛剛都算出來了：處處 E[B_t] = 0 的均值，以及 Cov(B_s, B_t) = min(s, t) 的共變異數。所以布朗運動就是「均值為零、共變異數為 min(s, t)」的高斯過程。出乎意料地，這短短一行就是一份完整的描述。
讓我們用它算一個小數字。B_4 落在 3 以上的機率是多少？由於 B_4 ~ Normal(0, 4)，它的標準差是 sqrt(4) = 2，所以值 3 在均值之上 3 / 2 = 1.5 個標準差。查標準常態表，P(B_4 > 3) = P(Z > 1.5) 約為 0.067，大約十五分之一的機會。請留意整個計算化成了一個 z 分數與你早已熟悉的常態分配——這正是性質（3）帶來的紅利。從隨機變數那一階沿用過來的一句誠實提醒：像「B_4 在點 3 的密度」這種數值並不是機率，而任何單一精確值如 P(B_4 = 3) 恰恰是 0；對連續變數而言，只有區間才帶有正機率。
馬可夫與鞅：兩份結構性的禮物
布朗運動繼承了讓隨機漫步好處理的那兩種結構型態，如今搬到了連續時間。第一是馬可夫性質：在已知現值 B_t 的條件下，過程的未來與其整段過去條件獨立。因為時刻 t 之後的增量與 t 之前的一切獨立，把粒子帶到當前位置的那條路徑，對它接下來往哪走不提供任何額外資訊——只有它的現在位置要緊。這正是你在鏈中見過的同一種遺忘，只是被移植到連續的時鐘與連續的狀態空間上。
第二，布朗運動是一個鞅：它為一場完全公平的賭局建模。鞅條件是：在已知至今一切的條件下，對未來某個值的最佳預測，就只是今天的值：當 s < t 時 E[B_t given 到時刻 s 為止的過去] = B_s。這只需一行便能推出——未來的增量 B_t - B_s 均值為零且與過去獨立，所以在期望意義下毫無貢獻。鞅並不預測路徑會漂回零或漂向其他地方；它預測的是「完全沒有系統性漂移」，朝任一方向都沒有。這正是「公平」一詞精確的數學內涵，也是下一章節的最佳停止與定價論證所立足的根基。
這一章節將往何處去
我們現在握有一條連續的隨機曲線，它既馬可夫、又是鞅、還是高斯的——一個結構優美的物件。但讓它存活下來的那同一個平方根縮放，尾巴上帶著一根刺。在短間隔 dt 上，典型的抖動約為 sqrt(dt)，當 dt 很小時，這遠大於 dt 本身。把這些過大的抖動疊起來，路徑竟成了處處連續卻處處不可微：它在任何單一瞬間都沒有良好定義的斜率。下一篇指南將直接審視布朗路徑這種奇異的幾何。
那種不可微性，正是普通微積分無法對著布朗路徑做積分的原因，也正是這一章節其餘部分所要解決的問題。累積的粗糙程度由二次變差來度量，對布朗運動而言它等於 t 而非零——這是「微積分的尋常規則必須改變」的標記。由這個事實長出伊藤積分與伊藤引理（隨機微積分中那條被修正過的連鎖律），最後是隨機微分方程：作為股價模型的幾何布朗運動，以及由它導出的 Black-Scholes 方程式。今天這四條性質，是這一切的種子。