关于由泊松过程相关命题推导随机积分形式的Levy-Khintchine公式的疑问

阿华AIGC实验室

2026-4-21

嗨，我来帮你捋清楚这个推导逻辑，其实核心是借助复合泊松过程的结构、独立增量性，再通过离散近似过渡到积分形式，一步步来就清晰了：

首先先明确已知的核心命题：

对于复合泊松过程 $Y_t = \sum_{k=1}^{N_t}Z_k$（其中 $N_t$ 是强度为 $\lambda$ 的泊松过程，$Z_k$ 独立同分布且分布为 $\nu(dy)$），其增量的特征函数满足：
$$\mathbb E[e^{\alpha(Y_T -Y_t)}] = \exp ((T-t)\lambda (\mathbb E[e^{\alpha Z_1}]-1)).$$

接下来我们要推导的是带随机积分的期望：$\mathbb E\left[\exp\left(\int_0^T f(t) dY_t\right) \right]$，首先得明白这个随机积分对于复合泊松过程的意义——这类跳跃过程的随机积分本质是跳跃时刻的加权求和：
设 $Y_t$ 的跳跃时刻为 $\tau_1, \tau_2, ..., \tau_{N_T}$，那么积分 $\int_0^T f(t) dY_t$ 可以精确表示为 $\sum_{k=1}^{N_T} f(\tau_k) Z_k$，因为$Y_t$只有在跳跃时刻才会发生变化，积分就是每个跳跃时刻的函数值乘以对应跳跃幅度的总和。

接下来用「离散分割+极限」的思路推导：

分割区间：把 $[0,T]$ 拆成 $n$ 个等长小区间 $0 = t_0 < t_1 < ... < t_n = T$，每个区间长度 $\Delta t = T/n$。此时积分可以近似为：
$$\int_0^T f(t) dY_t \approx \sum_{i=1}^n f(t_i)(Y_{t_i} - Y_{t_{i-1}})$$
当 $n \to \infty$ 时，这个近似就会收敛到精确的积分值。
拆分期望：由于泊松过程具有独立增量性，每个区间的增量 $(Y_{t_i} - Y_{t_{i-1}})$ 都是相互独立的，因此期望可以拆成乘积形式：
$$\mathbb E\left[\exp\left(\sum_{i=1}^n f(t_i)(Y_{t_i} - Y_{t_{i-1}})\right)\right] = \prod_{i=1}^n \mathbb E\left[\exp\left(f(t_i)(Y_{t_i} - Y_{t_{i-1}})\right)\right]$$
代入已知命题：对每个小区间 $[t_{i-1}, t_i]$，令 $\alpha = f(t_i)$，代入给定的特征函数命题，可得：
$$\mathbb E\left[\exp\left(f(t_i)(Y_{t_i} - Y_{t_{i-1}})\right)\right] = \exp\left( \Delta t \cdot \lambda \cdot (\mathbb E[e^{f(t_i) Z_1}] - 1) \right)$$
乘积转指数和：把所有项的乘积转换成指数的求和（因为 $\exp(a)\exp(b)=\exp(a+b)$）：
$$\prod_{i=1}^n \exp\left( \Delta t \cdot \lambda \cdot (\mathbb E[e^{f(t_i) Z_1}] - 1) \right) = \exp\left( \lambda \sum_{i=1}^n (\mathbb E[e^{f(t_i) Z_1}] - 1) \Delta t \right)$$
取极限得到积分：当 $n \to \infty$ 时，右边的求和式就是黎曼积分的定义，即：
$$\sum_{i=1}^n (\mathbb E[e^{f(t_i) Z_1}] - 1) \Delta t \to \int_0^T (\mathbb E[e^{f(t) Z_1}] - 1) dt$$
而根据分布 $\nu(dy)$ 的定义，$\mathbb E[e^{f(t) Z_1}] = \int_{-\infty}^\infty e^{y f(t)} \nu(dy)$，把这个代入进去，就得到了目标公式：
$$\mathbb E\left[\exp\left(\int_0^T f(t) dY_t\right) \right] = \exp\left(\lambda \int_0^T \int_{-\infty}^{\infty}(e{yf(t)}-1)\nu(dy)dt\right)$$