期权交易台上有一句话我印象很深定价误差从来不是算错了而是模型里少了一样东西。我真正被莱维过程磨过一遍是在校准一组带偏斜的隐含波动率曲面的时候——纯扩散模型怎么调都只能给出一条对称的微笑而市场上那条曲线是歪的虚值看跌明显比虚值看涨贵。把跳跃项加进去之后同一条曲线第一次被压到了两三个波动率点以内。莱维过程就是这一类允许过程在任意时刻突然跳一下的随机模型的统一框架它把布朗运动、泊松过程、复合泊松过程、伽马过程、稳定过程全部装进了同一个篮子里。这篇东西写给两类人一类是做量化建模、风险度量、精算定价已经会用布朗运动但被尾部问题卡住的从业者另一类是学随机过程时被莱维测度无限活动这些词绕晕的学生。我会把定义、莱维-辛钦公式、家族谱系、模拟方法、参数估计和落地场景从上到下捋一遍尽量用能直接跑的代码和能直接抄的参数来说明问题。1. 高斯假设漏掉尾巴之后莱维过程补的是哪块拼图1.1 三个把布朗运动逼到墙角的真实场景第一个场景是权益类衍生品的波动率偏斜。布朗运动的增量服从正态分布正态分布对称、尾部按指数平方衰减这意味着深度虚值的看跌和看涨价格应该差不多。但真实市场里同一到期日的看跌比看涨贵出一截而且越是短期期权偏斜越陡。这个现象的成因很多但最直接的建模手段就是给价格过程加上向下跳跃。第二个场景是财产险的大额理赔。一家公司一年可能报上来几千笔小额索赔偏偏某个月来一笔数额是均值几十倍的巨灾赔款。用复合泊松刻画索赔次数和大小的经典模型Cramér-Lundberg 模型本质上就是一个有限活动的莱维过程而重尾的赔付分布会直接改变破产概率的量级——轻尾情形下破产概率按指数衰减重尾情形下它只按幂律衰减两者差了几个数量级。第三个场景是高流动性合约的盘口数据。价格不是连续爬行的它在一秒内可能纹丝不动然后在下一毫秒被一笔大单直接打穿好几个价位。用扩散过程去拟合这种数据你会被迫把波动率调得极高结果把中间那段本该平滑的部分也一起搞坏了。这三个场景的共同点是正态假设在尾部失效。莱维过程的价值就在于它允许你在大幅跳跃和微小抖动之间自由分配随机性预算而不是被迫把随机性全部塞进一个方差参数里。1.2 定义其实只有三条约束很多教材一上来就堆记号反而把直觉盖住了。莱维过程的定义就是三条约束加一个起点条件独立增量任意不相交时间段上的增量相互独立。平稳增量增量的分布只依赖时间长度不依赖起点位置。也就是 $X_{ts}-X_t$ 与 $X_s - X_0$ 同分布。随机连续对任意 $\epsilon0$$P(|X_t - X_s|\epsilon)\to 0$ 当 $s\to t$。注意这不是要求路径连续只要求跳得很突然的概率很小。起点归一$X_0 0$。满足这四条的过程一定存在一个版本使得样本轨道是右连续、左极限存在的也就是所谓的càdlàg路径。这个结论不是我编的它是莱维过程理论里最基础的结果之一好处是你讨论跳跃时刻、左右极限、二次变差时不会有技术上的麻烦。这里有个初学者最容易混的点平稳增量和平稳过程是两回事。平稳过程说的是 $X_t$ 本身的分布不随时间变而平稳增量说的是增量的分布只和时间差有关——布朗运动本身显然不是平稳过程它的方差随时间线性增长但它的增量是平稳的。1.3 它和马尔可夫、鞅、半鞅的从属关系把这些概念理一遍能省很多翻阅文献的时间。莱维过程一定是时齐马尔可夫过程因为独立增量决定了给定当前值之后未来只依赖当前值和时间差不依赖历史。莱维过程在有界时间上期望有限时减去它的均值就是一个鞅。莱维过程也一定是半鞅因此可以放心地用它做随机积分、写随机微分方程。但反过来都不成立。马尔可夫过程不一定是莱维过程因为增量可能不独立鞅也不一定是莱维过程因为增量可能不平稳。我见过有人把带跳跃的马尔可夫链直接叫成莱维过程这在写论文的时候会被审稿人抓日常沟通里也容易造成理解错位。2. 莱维-辛钦公式无穷多自由度怎么被压成三个参数2.1 为什么要从特征函数下手一个莱维过程在任意固定时刻 $t$ 的分布是无限可分分布。这类分布有一个非常好的性质它的特征函数一定可以写成 $\phi_t(u) e^{t\psi(u)}$ 的形式其中 $\psi$ 与 $t$ 无关。为什么因为无限可分意味着对任意 $n$这个随机变量可以拆成 $n$ 个独立同分布随机变量之和特征函数自然就是那 $n$ 个的 $n$ 次方——指数形式是唯一能满足这个自洽要求的形式。相比之下密度函数就麻烦得多。伽马过程、稳定过程在多数参数下都没有初等闭式的密度但它们的特征函数写出来只有一行。做傅里叶反演、做特征函数匹配估计、做期权定价的 COS 方法全部建立在这个基础上。这是我在实际工作里的一个硬经验只要是莱维框架下的计算先把特征函数写出来能省掉后面一半的工作量。2.2 三元组 $(b,\sigma,\nu)$ 各管什么莱维-辛钦公式的标准形式是$$ \mathbb{E}\left[e^{iuX_t}\right] \exp\left{t\left(iub - \frac{1}{2}\sigma^2u^2 \int_{\mathbb{R}\setminus{0}}\left(e^{iux}-1-iux\mathbf{1}_{|x|1}\right)\nu(dx)\right)\right} $$三个参数的含义拆开看参数取值范围管什么直觉$b$实数漂移确定性推着走的部分$\sigma$非负实数扩散连续抖动的强度$\nu$满足 $\nu({0})0$ 且 $\int\min(1,x^2)\nu(dx)\infty$ 的测度跳跃跳跃的强度和幅度分布其中 $\nu$ 就是莱维测度。它不是概率测度总质量可以等于无穷大这一点是它和普通分布函数最本质的差别也是无限活动的来源。注意公式里的 $b$ 不是期望漂移。它依赖截断函数的选择——用 $\mathbf{1}{|x|1}$ 还是 $\mathbf{1}{|x|\le1}$$b$ 的数值会变。如果你从一篇文献里抄了一个 $b$又用另一篇文献的公式去算期望结果对不上是正常的。我踩过这个坑排查了半天才发现是截断约定不一致。真正和期望有关的是 $b \int_{|x|\ge1}x,\nu(dx)$前提是大跳的一阶矩存在。2.3 莱维测度的直觉一份跳跃价目表我更愿意把 $\nu$ 理解成跳跃的价目表。对任意集合 $A$ 远离原点$\nu(A)$ 就是单位时间内跳跃幅度落在 $A$ 里的期望次数。如果 $\nu$ 有密度 $w(x)$那么 $w(x)dx$ 近似等于单位时间内跳跃幅度落在 $[x, xdx]$ 里的平均次数。这带来一个非常实用的判断方法看 $\nu$ 在 0 附近的积分是否收敛。如果 $\int_{|x|1}\nu(dx)\infty$说明小跳的次数是有限的整个测度质量有限过程在任意有限时间段内只跳有限次叫有限活动如果积分发散说明小到任意程度的小跳在任意时间段内都会发生无穷多次叫无限活动。2.4 有限活动与无限活动小跳为什么数不清有限活动的典型代表是复合泊松过程$\nu(dx) \lambda F(dx)$$\lambda$ 是跳跃到达强度$F$ 是跳跃幅度的分布。单位时间跳跃次数服从参数为 $\lambda$ 的泊松分布思路清爽模拟也简单。无限活动就绕多了。典型代表是伽马过程和稳定过程。它们的路径在小尺度上密密麻麻地跳版面上看像是一根毛刺线。数学上能处理靠的是补偿机制把无穷多的小跳减去它的期望强度得到一个鞅即补偿泊松随机测度 $\tilde N(t,dx) N(t,dx) - t\nu(dx)$。莱维-伊藤分解就是干这件事的$$ X_t bt \sigma W_t \int_{|x|1} x,\tilde N(t,dx) \int_{|x|\ge1} x,N(t,dx) $$四项分别是漂移、扩散、被补偿的小跳、留着不动的大跳。只要截断函数前后一致$b$ 和莱维-辛钦公式里那个 $b$ 是同一个数。理解无限活动的另一个角度是生成元。莱维过程的生成元是一个伪微分算子$$ \mathcal{L}f(x) b f(x) \frac{\sigma^2}{2}f(x) \int_{\mathbb{R}\setminus{0}}\left[f(xy)-f(x)-f(x)y\mathbf{1}_{|y|1}\right]\nu(dy) $$对 $\alpha$-稳定过程做傅里叶变换这个算子会变成分数阶拉普拉斯算子系数直接由 $\nu$ 的幂律指数决定。这条线在偏微分方程数值解那边被用得很广做异常扩散建模的人基本绕不开。从属过程subordinator需要单独提一句因为它有一个不一样的约束条件。从属过程是单调不减的莱维过程没有扩散项、没有负跳、漂移非负它的莱维测度支撑在 $(0,\infty)$ 上。关键在于从属过程只要求 $\int\min(1,x)\nu(dx)\infty$而不是通用的 $\int\min(1,x^2)\nu(dx)\infty$。这个差别看起来细但它决定了哪些分布算是合法的从属子——比如伽马过程和逆高斯过程合格$\alpha1$ 的对称稳定过程就不行因为它的负跳没法保证单调性。3. 家族谱系从复合泊松到稳定过程该怎么挑3.1 有限活动家族简单但别小看它最朴素的是泊松过程$\nu \lambda\delta_1$跳跃幅度恒为 1通常用来数到达次数。再往上一层是复合泊松$\nu(dx) \lambda F(dx)$跳跃幅度可以是双峰、可以是重尾、可以是一个混合分布只要 $F$ 是概率分布就行。这个家族的实战价值被低估了。很多人在建模初期就被无限活动更真实的说法带着跑上来就上 CGMY结果参数估不出来、模拟跑不动。我的建议是先做一个有限活动的模型当基线跳跃强度 $\lambda$ 能直接从数据里数出来幅度分布用经验分布拟合参数解释清楚业务方也听得懂。跑通之后再考虑要不要加复杂度因为加复杂度的收益必须能被验证出来否则就是给自己找麻烦。3.2 从属化把布朗运动套上一个跳跃时钟这是整个莱维过程理论里最漂亮的一个构造也是我日常用得最多的一招。做法是取一个从属过程 $G_t$单调不减再取一个独立的布朗运动 $W$令 $X_t \theta G_t \sigma W_{G_t}$。直观理解是布朗运动照常跑但它的时间轴不再是我们墙上的时钟而是一个走得忽快忽慢、只前进不后退的业务时钟。伽马过程作为时钟得到的是方差伽马过程VG逆高斯过程作为时钟得到的是NIG 过程把这些时钟的尾部指数和布朗运动的漂移、波动率一起调就能同时控制偏斜和超额峰度。从属化有几个实打实的好处。第一能分别控制左右尾时钟参数管跳跃节奏漂移 $\theta$ 管偏斜方向。第二模拟简单先模拟时钟 $G_T$再按时间 $G_T$ 模拟布朗运动终点几乎不用处理无限活动的细碎跳跃。第三能自然和随机波动率嫁接——从属过程可以换成积分型时钟 $\int_0^t v_s,ds$这就变成了波动的波动。3.3 稳定过程重尾的威力与代价$\alpha$-稳定过程的莱维测度是两条幂律尾巴$$ \nu(dx) \left(c_ x^{-1-\alpha}\mathbf{1}{x0} c- |x|^{-1-\alpha}\mathbf{1}_{x0}\right)dx,\quad \alpha\in(0,2) $$$\alpha$ 越小尾巴越厚$\alpha2$ 退化成布朗运动$\alpha1$ 且对称时是柯西过程。它的尾巴按幂律衰减所以方差在 $\alpha2$ 时是无穷大的均值在 $\alpha\le1$ 时也可能不存在。这个性质带来一个很现实的麻烦你用样本方差去估计稳定过程的波动率估计量本身不收敛样本越大数值越飘。我见过有人拿这类模型去算风险敞口然后直接用 $2\sigma$ 当阈值结果在小样本上看着还行样本一变大阈值就被极端值顶到天上去了。用稳定过程就必须放弃矩方法走分位数、尾部指数估计或者特征函数匹配的路子。3.4 常见模型横向对比过程莱维测度 $\nu(dx)/dx$活动度尾部行为典型用途布朗运动$0$$\sigma0$无跳高斯连续扩散基线泊松过程$\lambda\delta_1$有限指数计数、到达复合泊松$\lambda F(dx)$有限由 $F$ 决定保险理赔、Merton 跳扩散伽马过程$a,x^{-1}e^{-\lambda x},\ x0$无限指数从属子、信用风险累积损失逆高斯正比于 $x^{-3/2}e^{-\gamma^2x/2},\ x0$无限指数NIG 的时钟$\alpha$-稳定$c_\pmx^{-1-\alpha}$无限NIG$\dfrac{\delta\alpha}{\pix}e^{\beta x}K_1(\alphaxCGMY$Y\in(0,2)$$C\dfrac{e^{-Gx}}{x方差伽马过程可以看作 CGMY 在 $Y0$ 时的特例这个对应关系在做参数互换时很有用但要注意不同文献对 $C,G,M$ 的定义有缩放差异导入导出参数前最好先拿特征函数在几个特定点验一遍数值别信纸面换算。4. 模拟与离散化怎么保证没有把跳跃漏掉4.1 先算 ν 的积分再决定模拟路线动手写代码之前我固定会做一件事把 $\nu$ 在 $|x|\epsilon$ 上的总质量和各阶矩算一遍数值积分就行看看能不能解析或者半解析地采样。这一步决定了你是走精确模拟还是走近似模拟。判断标准很简单$\int_{\mathbb{R}}\nu(dx) \infty$有限活动跳跃次数可以直接抽泊松精确模拟。$\int\nu(dx) \infty$ 但 $\int_{|x|\epsilon}x^2\nu(dx)\infty$无限活动需要截断加补偿。如果连二阶矩在小跳上都发散比如 $\alpha\le1$ 的稳定过程在某个区间那说明补偿项本身要小心处理得回到特征函数或者级数表示。4.2 复合泊松的精确模拟几十行就能跑复合泊松在 $[0,T]$ 上的模拟完全可以精确做先抽跳跃总次数再抽每次跳跃的时间点最后抽跳跃幅度并累加。import numpy as np rng np.random.default_rng(20240501) def simulate_compound_poisson(T, lam, jump_sampler, n_paths10000): T: 时间长度; lam: 跳跃强度; jump_sampler(n) - 长度为 n 的跳跃幅度 n rng.poisson(lam * T, sizen_paths) total np.zeros(n_paths) for i in range(n_paths): if n[i] 0: continue times np.sort(rng.uniform(0, T, n[i])) jumps jump_sampler(n[i]) total[i] jumps.sum() return total # 双指数跳跃跌和涨的强度、均值分别不同 def double_exp_jumps(n): p, eta1, eta2 0.4, 12.0, 25.0 sign rng.random(n) p mag np.where(sign, rng.exponential(1/eta1, n), rng.exponential(1/eta2, n)) return np.where(sign, mag, -mag)这段代码最容易被忽略的是跳跃时间点其实不需要——如果你只关心终点分布只需要跳跃次数和幅度之和。我早期做蒙特卡洛的时候老老实实把每条路径都逐段累加跑了几十万条之后才发现时间点对终点没有贡献白白浪费了大半算力。当然如果你要算路径相关产品障碍、回望时间点就绕不过去了。4.3 无限活动截断、补偿、再把小跳近似成布朗无限活动的标准做法是三段拆分定一个阈值 $\epsilon$。大跳$|x|\ge\epsilon$用复合泊松精确模拟强度是 $\lambda_\epsilon \nu(|x|\ge\epsilon)$。中等跳如果 $\nu$ 在这个区间上质量仍然很大可以继续往下分层做多级截断。小跳$|x|\epsilon$把这部分近似成布朗运动方差取 $\sigma_\epsilon^2 \int_{|x|\epsilon}x^2\nu(dx)$同时加一个补偿漂移 $b_\epsilon -\int_{|x|\epsilon}x,\nu(dx)$符号取决于你保留的是哪部分。这里有一个练手时必踩的坑补偿漂移的符号写反了路径肉眼看着也挺像但整体均值偏了一个量级。我的检查习惯是模拟一万条路径把样本均值和你用特征函数在 $u$ 接近 0 处求导算出来的解析均值对一下对不上就先查符号。$\epsilon$ 怎么定我一般按截断掉的小跳对二阶矩的贡献不超过总方差的 1%来反解。对 $\alpha$-稳定过程$\int_{0}^{\epsilon}x^2x^{-1-\alpha}dx \propto \epsilon^{2-\alpha}$所以 $\epsilon$ 大约按 $0.01^{1/(2-\alpha)}$ 缩放$\alpha$ 越接近 2$\epsilon$ 可以取得越大收敛也越快。4.4 从属化的三步模拟如果你的模型是从属型模拟可以简化成三步不需要碰无限活动的细碎跳跃def simulate_variance_gamma(T, theta, sigma, nu, n_paths10000): VG 参数化时钟为均值 T、方差 nu*T 的伽马过程 shape T / nu scale nu G rng.gamma(shape, scale, sizen_paths) # 时钟 W rng.standard_normal(n_paths) * np.sqrt(G) # 条件布朗运动 return theta * G sigma * W注意伽马时钟的参数化方式差异很大有的文献用形状 $T/\nu$、尺度 $\nu$有的用速率 $1/\nu$两者的数值在 $\nu$ 上互为倒数。参数从一个代码库搬到另一个代码库之前先模拟一万条路径看看样本均值和方差对不对比读文档快。4.5 稳定过程的采样Chambers-Mallows-Stuck$\alpha$-稳定分布的随机数有专门算法别自己硬编def sample_stable(alpha, beta, n): alpha ! 1 的情形beta 为偏斜参数 U np.pi * (rng.random(n) - 0.5) W rng.exponential(1.0, n) zeta beta * np.tan(np.pi * alpha / 2) xi np.arctan(-zeta) / alpha return (1 zeta**2) ** (1 / (2 * alpha)) \ * np.sin(alpha * (U xi)) / np.cos(U) ** (1 / alpha) \ * (np.cos(U - alpha * (U xi)) / W) ** ((1 - alpha) / alpha)$\alpha1$ 要单独写一个分支因为 $\tan(\pi\alpha/2)$ 在那个点发散。这个细节我在第一次实现时漏了结果 $\alpha$ 取到 1.0001 时输出全是无穷大查了很久才发现是数值极限问题。4.6 三个离散化层面的常见错误第一个错误是把无限活动当成有限活动处理直接用一个小阈值截断后完全不补偿。短期看结果差不多但把时间步长拉长或者把 $\epsilon$ 调大偏差会迅速累积尤其在尾部概率上。第二个错误是用欧拉离散化处理跳跃时把跳跃时刻吸附到网格点上且同一个网格内允许多次跳跃但只取一次。这相当于人为降低了小跳的频率会低估尾部。正确做法是跳跃部分单独用泊松到达时间生成和扩散部分的网格解耦。第三个错误是步长选择只看扩散项。跳跃过程的误差主项来自小跳截断和步长不是同一个量级关系用扩散的收敛阶去推断跳跃的收敛阶没有依据。我一般直接做步长对半的三次实验看目标统计量比如 99% 分位数是否稳定。5. 参数估计与校准数据里那些看不见的小跳5.1 特征函数匹配为什么比极大似然更常用莱维模型里能写出闭式密度的极少极大似然通常要靠傅里叶反演一层套一层数值上又慢又不稳。特征函数匹配ECF走的路线不一样样本特征函数 $\hat\phi_n(u) \frac{1}{n}\sum_k e^{iux_k}$ 在任意固定 $u$ 上是无偏且渐近正态的把它和理论特征函数 $\exp(t\psi(u;\theta))$ 在若干个 $u$ 上做加权最小二乘就行。权重通常选 $\exp(-u^2)$ 之类的高斯核目的是压低 $u$ 很大时样本特征函数的噪声。这条路的好处是无论模型多复杂特征函数总是能写出来的计算量可控对跳跃部分的小幅度噪声不敏感。代价是它没有极大似然的效率参数的标准误通常更大所以在做假设检验时要更保守。5.2 离散采样下的识别难题如果你拿到的数据是按固定间隔采样的比如日频或分钟频那你会遇到一个根本性的识别问题单位时间内大量的小跳和一段扩散在离散观测下几乎无法区分。两者都表现为相邻观测之间的高斯型扰动只能通过在多个时间尺度上观察累积分布的缩放行为来分辨——扩散的方差随间隔线性增长稳定型小跳的累积尺度按 $\Delta^{1/\alpha}$ 增长。我的实际处理方式是先在最大可用的采样频率上做一次估计再在重采样到更粗间隔的数据上重复一遍看参数是否稳定。如果 $\sigma$ 和 $\nu$ 在小跳区的划分在两个尺度上剧烈变化说明数据不足以分别识别这两部分此时应该合并成一个参数而不是硬估。能被识别的参数数量永远不超过数据信息量能支撑的数量这一点在做模型对比的时候尤其重要。5.3 校准到市场报价时最容易过拟合莱维模型参数多CGMY 有四个$C,G,M,Y$加上漂移和期限结构能到六七个。参数一多校准到当天的期权链上必然漂亮但第二天的参数就完全跳了。我见过的典型症状是 $Y$ 在 0.2 到 1.3 之间来回摆动参数在时间上毫无连续性。几个应对办法固定一部分参数比如把 $Y$ 锁在 0.5 附近只调 $C,G,M$。损失一些拟合精度换来参数的时间稳定性。在不同到期日上做联合校准要求参数随期限平滑变化加一个惩罚项约束相邻期限的参数差。用噪声较大的远月合约做正则化而不是只用最贵的近月合约。提示校准完成之后一定要拿样本外的报价验一遍比如用当周参数去给下一周的链做预测。只看样本内残差平方和任何模型都能调得很好看。5.4 一条务实的排查链路当模型拟合明显变差时我按这个顺序查先确认是尾部变差还是中间变差。中间变差通常是 $\sigma$ 或 $\theta$ 的问题尾部变差是 $\nu$ 的尾部指数问题。把跳跃强度的估计值画成时间序列看是不是有跳变。如果有可能是市场结构变化不是模型问题。检查左右尾是否被分别捕捉。把 $\nu$ 的负半轴和正半轴参数分开估计看哪一侧失真更严重。最后再考虑换模型家族。多数时候是参数约束或数据频率的问题不是模型本身不够强。6. 落地场景这套工具在不同行业怎么用6.1 保险精算从复合泊松到破产概率Cramér-Lundberg 模型里盈余过程写成 $U_t u ct - S_t$其中 $S_t$ 是复合泊松型的总赔付$c$ 是保费率。破产概率 $\psi(u)$ 的渐近行为完全由赔付分布的尾部决定轻尾时按 $e^{-Ru}$ 指数衰减$R$ 是调节系数重尾时按 $\int_u^\infty \bar F(y)dy$ 幂律衰减。这个差异对再保险定价是决定性的。如果实际数据是重尾的但你用轻尾模型去估会严重低估巨额赔付的资本占用。我在做承保能力测算时会同时用伽马型和帕累托型两种跳跃幅度分布跑一遍看破产概率的量级差多少——如果差两个数量级以上就必须先做尾部检验再定模型。6.2 金融定价Merton 跳扩散与纯跳模型的取舍Merton 跳扩散是最容易上手的跳模型扩散项加一个复合泊松跳跃且跳跃幅度取对数正态这样期权价格可以写成 Black-Scholes 价格的泊松加权和每一项都有闭式实现成本极低。它的短板是对短期微笑的拟合一般因为跳跃幅度分布是对称可控的很难同时压住左尾的陡峭度和右尾的平坦度。纯跳模型VG、NIG、CGMY在短期微笑上通常更贴近代价是定价要靠傅里叶变换或者偏微分方程数值解实现复杂度上一个台阶。我做技术选型时的判断标准是产品期限三个月以上、偏斜不极端的品种先用 Merton 跳扩散把框架搭起来一个月以内的短期产品直接上 CGMY 或 VG。还有一层不能忽略从真实测度换到风险中性测度时跳跃风险的市场价格怎么定。扩散部分用 Girsanov 定理改漂移就行跳跃部分需要改强度或者改幅度分布常用的有 Esscher 变换和均值修正法。两种方法给出的风险中性测度不同期权价格也不同。这不是技术细节这是模型风险的一部分必须在文档里写清楚用了哪一种。6.3 排队与流量批量到达与重尾服务排队系统里到达过程的莱维建模主要用来处理批量到达和自相似流量。M/G/1 队列的等待时间满足 Lindley 递推这个递推的解在数学上和反射莱维过程是同一个对象。当服务时间是重尾的时候队列长度的尾部也按幂律增长排队延迟的均值和方差可能发散——这解释了为什么某些系统在负载接近 1 的时候延迟会突然失控而不是平滑地上升。网络流量那边$\alpha$-稳定自相似模型长期被用来刻画聚合流量的长程相关性。用这套模型做容量规划的经验是平均速率和峰值速率两个指标都不足以描述需求因为长程相关让平均这个概念本身在有限时间窗里变得不可靠。必须把时间尺度一起纳入考虑用多尺度分析。6.4 物理与生物异常扩散标准扩散的均方位移是 $\langle x^2\rangle \propto t$而莱维飞行给出的是超扩散$\langle x^2\rangle \propto t^{2/\alpha}$或者在某些截断情形下是对数修正的形式。生物觅食、湍流输运、等离子体中的粒子运动里都能观察到这种尺度关系。做实验数据分析时有个容易出错的点直接对位移平方做时间回归得到的指数在小样本下偏差很大。更稳的做法是对多个时间间隔 $\Delta t$ 分别计算位移分布的特征函数或者分位数再拟合对数斜率。因为位移分布本身可能是无限方差的用均方位移这个统计量本身就不合法。从属化在这里也很自然把扩散方程的时间导数换成分数阶导数等价于把布朗运动换成从属过程。这条路线把随机过程和分数阶偏微分方程连起来是近几年跨学科合作里最常被引用的桥梁之一。最后分享一个我自己反复体会到的经验莱维过程最大的价值不是它的复杂性而是它把随机性这件事拆成了连续抖动和离散跳跃两块可以分别谈判的量。我见过太多项目在跳模型和扩散模型之间来回摇摆真正问题往往不在模型家族而在于有没有先把跳跃和扩散的边界想清楚——那个边界定在哪里取决于你的数据频率、业务时间尺度和你真正关心的分位点跟别人用什么模型没有关系。