金融仿真不翻车：CIR弱收敛到O(1/N)

金融模型里最烦的事之一，不是公式长，而是数值一跑就把“正数”跑没了。CIR 这篇就专门盯着这个老问题，把隐式离散方案的弱收敛率补上了严格证明。

龙哥读论文发布于 2026-09-05 00:31:12 阅读 3 查看原文

#AI金融 #预测模型 #AI应用

原论文信息如下：

论文标题:
Weak convergence rate for the Cox–Ingersoll–Ross process

发表日期:
2026年07月发表单位:
Department of Statistics, London School of Economics and Political Science 原文链接:
https://arxiv.org/pdf/2607.07552v1.pdf

CIR过程隐式离散方案弱收敛率获严格证明

金融数值计算里有个很现实的尴尬：模型本身明明要求“正数”，离散一上机器就可能把它算成负数。CIR 过程就是典型代表，利率、波动率这类量一旦掉到负区间，后面的公式就像踩空楼梯，直接失去物理意义。

这篇论文做的事不花哨，但很关键：它把一个保持严格正性的隐式离散方案，在弱收敛率上补上了严格证明，而且结论是标准的一阶，也就是 O(1/N)。对做金融仿真、定价和风险计算的人来说，这种“能算、算得稳、还算得准”的方法，往往比一堆漂亮但不落地的技巧更值钱。

先看原论文里最核心的模型和离散方式，后面很多推导其实都围绕它展开。

图1：CIR 过程的随机微分方程。这里 k 是均值回归速度，μ 是长期均值，θ 控制随机扰动强度，Wt 是布朗运动。这个模型最麻烦的地方，就是扩散项里有 √Xt，它天然要求状态保持非负。

为何弱收敛率研究至关重要？

很多人第一次听“强收敛”“弱收敛”会以为只是数学家在换说法，其实它们关心的对象完全不同。强收敛看的是路径本身像不像，适合研究模拟轨迹是否贴近真实轨迹；弱收敛看的是期望、定价、风险指标这些“统计量”准不准，恰好对应金融里最常见的任务：算一个 payoff 的期望值。

CIR 过程不是冷门玩具。它最早用来建模短期利率，后来又成了 Heston 随机波动率模型里的方差过程。只要涉及期权定价、信用风险、利率曲线、波动率仿真，CIR 都会反复出场。问题在于，虽然它的转移密度有解析形式，但对一般 payoff E[f(XT)] 往往没有闭式解，最后还是得靠数值近似。

最直接的欧拉法虽然简单，但有个老毛病：高斯增量可能一脚把状态踢成负数。对于 CIR 这种“正数才有意义”的模型，这就不是小瑕疵，而是逻辑崩塌。于是工程上常见的做法，是改用隐式方案、截断方案或取正部方案；其中隐式方案的吸引力很强，因为它不是事后补救，而是从结构上把正性锁住。

图2：最朴素的欧拉-马鲁雅马离散格式。它实现简单，但无法保证下一步仍然非负，所以在 CIR 这种场景里很容易“算着算着就翻车”。

原论文选择的是 Alfonsi 提出的一个隐式方案，也就是文中重点研究的 scheme (4)。它的优点很朴素：每一步都能得到唯一的正根，数值上不容易把系统带进非法区域。更关键的是，作者不是只说“这个方法看起来不错”，而是要证明它在弱意义上确实有一阶收敛，这才是金融仿真里真正能放心用的证据。

方法核心：连续时间SDE表示与PDE估计

这篇工作的思路并不靠花哨技巧，反而有点“老老实实做数学”的味道。核心操作是把离散方案重新写成一个连续时间随机微分方程，然后把弱误差拆成若干可控项，再借助 PDE 方法估计这些项的量级。听起来像在绕路，实际上是把“离散误差长什么样”看得更清楚。

为了让读者少被符号淹没，先把这个方法的逻辑拆开：第一步，把隐式离散式重写成一个能在区间 (tn, tn+1] 上运行的连续过程；第二步，证明这个过程仍然保持正性，并且它的倒数矩、幂矩都不会炸掉；第三步，引入期望函数 v(x,t)=Ex[f(XT-t)]，把弱误差变成 PDE 里的差分项；最后再证明每个差分项都是二阶小量，累加后得到一阶收敛。

图3：Alfonsi 的隐式离散形式之一。它把下一步状态放进右侧方程里求解，乍看比显式法麻烦一点，但换来的好处是严格正性。

图4：作者真正采用的思路，是先对 √Xt 做 drift-implicit Euler 步，再平方回去。这样做的好处是，求出来的每一步天然是正根，不用事后修正。

这里有个很值得注意的缩写：Feller 条件，也就是 2α ≥ θ²。它来自 Feller 的边界分类思想，中文里通常可理解为“过程不碰到 0 的充分条件”。在本文里，这个条件不是装饰品，而是整个证明能成立的门槛：没有它，正性、倒数矩、边界控制这些关键步骤都会变得非常难看。

图5：作者把离散过程写成连续时间 SDE 后，误差项就不再是黑箱。漂移项和扩散项分别被拆成含有 F(x,t;tn) 和 g(x,t;tn) 的结构，后面所有估计都围绕这两个函数展开。

图6：F 和 g 的显式表达式。别看式子长，它们真正承担的工作其实很简单：一个负责把扩散项做“缩放”，一个负责把额外误差项的大小钉住。

更妙的是，作者不只给出了表达式，还证明了两个非常实用的上界：1/F ≤ 1，以及 g 的增长不会失控，最多就是若干个关于 1/x 和 1/x² 的项。这个控制非常关键，因为 CIR 的麻烦恰恰来自接近 0 时的奇异性。

图7：这组上界是后面证明的“保险绳”。如果没有它们，误差估计很容易在边界附近失控，最终变成一堆看起来很努力、实际上没法收尾的积分。

证明关键：两个积分项的O(1/N²)控制

真正把结论顶上去的，不是某个神秘大招，而是把误差拆成两个积分项，然后逐个打掉。作者先构造了一个 PDE 解 v(x,t)，它满足 backward Kolmogorov 方程。直白点说，就是把“未来 payoff 的期望”写成一个偏微分方程问题，随后用 Ito 公式把离散误差映射到 PDE 的导数上。

图8：PDE 形式的弱误差分析入口。这个方程把随机过程问题转成了可微函数问题，后续只要控制导数增长，就能控制期望误差。

接下来，作者把总误差写成一个 telescoping identity，也就是逐步相减的形式。每个时间步上，误差都分解成两项：I1n 和 I2n。前者主要来自 F 引起的时间离散偏差，后者主要来自 g 带来的额外漂移修正。

图9：总误差被拆成逐步差分之和。这个操作看上去平平无奇，但在弱收敛证明里非常好用，因为它把“一大坨误差”变成了“每一步误差都能单独管”的结构。

图10：每个时间步上的误差被拆成 I1n、I2n 和一个鞅项。鞅项期望为零，真正需要打的就是前两个积分。

为什么这一步重要？因为只要能证明每个 Ijn 都是 O(1/N²)，那么把 N 个时间步加起来，总误差自然就是 O(1/N)。这就是典型的“局部二阶、全局一阶”。

作者在估计这两个项时，主要靠三件事：第一，v 的导数有多项式增长上界；第二，隐式方案的 F、g 有显式控制；第三，离散过程的倒数矩和幂矩都有限，且不爆炸。三者合起来，才让那些看起来很吓人的双重积分真正落到 1/N² 的量级上。

图11：离散过程的倒数矩控制。它的意义非常现实：过程即使靠近 0，也不会因为奇异项把估计彻底拖垮。

图12：幂矩有界说明离散过程不会“越算越飞”。这对金融模型非常重要，因为一旦高阶矩失控，很多关于风险和偏度的量就没法安心算了。

图13：通过比较定理，作者把离散过程和一个辅助 CIR 型过程比较，从而把难处理的量转移到更容易控制的对象上。这个套路很朴素，但非常有效。

论文里还有一个很值得点赞的地方：它没有依赖半精确模拟那套重武器。以前一些结果要借助更复杂的模拟结构，理论上能做，但实现和解释都不够轻便。本文用的是更基础的 PDE + Itô + 比较定理路线，虽然看起来“数学味”更浓，但工程可解释性更好，扩展到别的非 Lipschitz 扩散过程也更有希望。

图14：最终得到的连续时间表示，是后续误差分析的统一入口。把离散方法“翻译”成 SDE 后，数值误差就能在随机分析框架里被系统处理。

😏 这类证明最怕的不是公式长，而是长完以后还没结论；这篇至少把“能用的隐式方案”对应的理论账算清了。

结论与展望

这篇论文的结论很明确：在 Feller 条件 2α ≥ θ² 下，Alfonsi 的这个隐式方案对于 CIR 过程的弱收敛率确实可以达到 O(1/N)。更难得的是，作者把证明做得相对基础，不依赖太重的半精确模拟工具，也把 payoff 的光滑性要求放得比较宽，只要二阶导满足多项式增长即可。

从应用角度看，这意味着一个很实在的信号：“保持正性” 和 “一阶弱精度” 并不是互相打架的目标。只要离散结构设计得足够聪明，两者可以同时成立。对金融工程来说，这比单纯追求某个漂亮的局部公式更有价值，因为最终落地时，稳定性、速度和理论保证往往要一起看。

不过，这篇工作也有边界。首先，它的主结论建立在 Feller 条件之上；一旦过程更容易碰到 0，很多估计会明显变难。其次，论文证明的是弱收敛率，不是路径级别的强误差控制；如果任务需要模拟整条轨迹的精细形状，仍然要看强收敛和稳定性。最后，虽然作者说方法有望推广到更广的扩散模型，但这一步还需要后续工作真正把“可推广”写成“已推广”。

如果把这篇论文放到更大的图景里看，它的意义不在于又多了一个“对 CIR 有效”的收敛证明，而在于给非 Lipschitz、带奇异边界的扩散模型提供了一种更朴素的分析范式：先把离散方案连续化，再用 PDE 和矩估计拆解误差。这个思路对很多金融 SDE、随机波动率模型，甚至更广义的正值扩散系统，都有参考价值。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

这篇论文到底解决了什么问题？它解决的是：CIR 过程的一个保持正性的隐式离散方案，弱收敛率到底是不是一阶。原论文给出的答案是肯定的，而且是在 Feller 条件和较弱 payoff 正则性下完成的严格证明。

Feller 条件是什么意思？这里的 Feller 条件是 2α ≥ θ²。它保证 CIR 过程从正初值出发后始终保持严格正值，不会碰到 0；这对含有 √X 的模型非常关键，因为一旦到 0，很多分析都会变麻烦。

为什么要先把离散过程写成连续时间 SDE？因为这样能把离散误差变成标准随机分析对象，后面可以直接用 Ito 公式、比较定理和 PDE 导数估计来处理。说白了，就是把“数值算法的误差”翻译成“数学上可控的积分项”，这样更容易证明收敛率。

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★☆☆

创新点不在于发明了全新的 CIR 近似器，而在于把一个自然但此前缺少严格证明的隐式方案，补上了完整的弱收敛理论。属于“不是最炫，但很补位”的工作。

实验合理度：★★★★☆

这篇是理论论文，不靠大规模实验堆结论，而是靠证明链条闭合。对比对象和结论目标明确，理论假设也写得比较清楚，整体是严谨路线。

学术研究价值：★★★★☆

对金融数值分析很有价值，尤其是正值扩散、弱误差、隐式离散这些方向。它给后续推广到更一般扩散模型提供了可复用的证明模板。

稳定性：★★★★☆

隐式方案本身比显式法稳得多，正性也有保证；但结论依赖 Feller 条件，边界更“凶”的场景还得额外小心。

适应性以及泛化能力：★★★☆☆

对 CIR 及类似正值扩散过程很适合，但不是“拿来就能通吃所有 SDE”的万能模板。作者也明确表示了向更广扩散类推广的可能性，但还需要后续验证。

硬件需求及成本：★★★★★

理论证明本身几乎没有额外硬件成本；从算法角度看，隐式步比显式步略重，但仍属于可接受的数值计算范畴，不会把部署门槛拉得很高。

复现难度：★★★☆☆

证明细节比较多，尤其是边界估计和积分控制部分不算轻松；不过论文路线清晰，数学基础扎实的人还是可以顺着推出来。

产品化成熟度：★★★☆☆

在金融仿真、定价引擎、风险分析里有现实意义，但要真正上生产，还得结合具体 payoff、参数区间和数值稳定性做工程验证。

可能的问题：证明依赖 Feller 条件和一定的光滑性假设，适用边界不算特别宽；更重要的是，它证明了“能到一阶”，但没有解决所有实际定价场景里的模型偏差和参数不确定性问题。

主要参考文献

[1] Cox, Ingersoll and Ross. A Theory of the Term Structure of Interest Rates.

[2] Feller. Boundary classification for one-dimensional diffusion processes.

[4] Cetin and Hok. Continuous-time representation for discretised diffusions.

[8] Alfonsi. High order discretisation schemes for the CIR process.

[9] Dereich, Neuenkirch and Szpruch. First-order strong convergence for CIR-type schemes.

*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～想了解更多原文细节的小伙伴，可以点击"阅读原文"，查看更多原论文细节哦！

欢迎加入龙哥读论文粉丝群，扫描下方二维码或者添加龙哥助手微信号加群：kangjinlonghelper。一定要备注：研究方向+地点+学校/公司+昵称（如图像处理+上海+清华+龙哥），根据格式备注，可更快被通过且邀请进群。
『龙哥读论文』微信群目前包含：图像处理、大模型及智能体、自动驾驶及机器人、AI医疗及AI金融5个群
金融数值、隐式离散、弱收敛、期权定价，论文看懂了，群里还能继续掰开揉碎聊。📈