確率微分方程式入門〜伊藤の公式まで〜ノイマン・ファインマン・田中さんの特別講義

本記事は、ルベーグ積分対話（第1弾）に続く第2弾です。Claude Code のサブエージェント機能を使い、3つのキャラクターAIエージェントが対話しながら作り上げた実験的な教育コンテンツです。

制作について

この対話を作るにあたり、以下のキャラクターを用いました：

ノイマンエージェント：ヨハン・フォン・ノイマンとして、測度論・確率論の厳密な定義を担当。定義の省略を許さず、押されると完璧な説明を返す。
ファインマンエージェント：リチャード・ファインマンとして、直感と比喩でノイマンの説明を変換。「酔っぱらいの歩行」「海岸線のフラクタル」「ピタゴラスの定理」などで橋渡しする。
田中さんエージェント（初心者）：高校数学は得意だが大学数学は未経験の社会人として、「なぜ $\frac{1}{\sqrt{n}}$ をかけるのか」「極限で本当に等号になるのか」と食い下がり、対話全体を読みやすくする役。

さらに paper_reader セッション（実際に対話しながら理解を深めた記録）を反映し、⌊nt⌋の具体テーブル・微分不可能の数値テーブル・ $f(x)=x^2$ の具体例・年収アナロジーによる $\sigma^2/2$ の説明などを加えて改訂しています。

高校数学（数Ⅱまで）の知識があれば読めるように設計しています。

登場人物

ヨハン・フォン・ノイマン（講師） ゲーム理論・量子力学の数学的基礎・コンピュータ科学の父。測度論と関数解析に精通。頭の回転が桁違いに速く、他者の理解が追いつかないことを当たり前と思っている。定義の厳密さに命をかける。ぶっきらぼうだが嘘をつかない。押されると完璧な説明ができる。

リチャード・ファインマン（聴講） 量子電磁力学でノーベル賞。ファインマン図・経路積分法の発明者。直感と比喩の天才。難しい概念を「当たり前のこと」に見せるのが得意。ノイマンの説明が堅すぎると思っていて、横から割り込む。「これ、面白いでしょ？」が口癖。

田中さん（社会人・初心者） 高校数学は得意だが大学数学は未経験の社会人。遠慮なく「わかりません」と言える正直さと、「なんとなくわかった気がするけど本当は？」と食い下がる粘り強さが特徴。ノイマンの省略や専門用語に対して、高校生レベルで具体的に突っ込む。

いずみ（秘書） 文系出身の秘書。数学は苦手だが、理解できたときの喜びを正直に表現する。田中さんほど深く突っ込まないが、感情的な反応で読者の共感を引き出す。

序章：なぜ確率微分方程式が必要か

ノイマン： 今日の前置きとして一点だけ。普通の微分方程式（ODE）は決定論的だ——同じ初期条件なら必ず同じ結果になる：

$\frac{dx}{dt} = f(x, t)$

バネの振動や人口増加モデルのように、「ランダム性のない世界」を記述する。

田中さん： 現実の株価はランダムに動きますよね。それをODEで表すのは無理ということですか？

ファインマン： そう！だからSDEが必要だ。「決定論的な流れ」に「ランダムなノイズ」を足した式：

$dX = f(X, t)\,dt + g(X, t)\,dW$

酔っぱらいが歩くようなもの——「前進する方向（ドリフト）」があっても、ふらふらしながら進む。

記号	名前	意味
`f(X,t) dt`	ドリフト項	平均的な変化の向き・速さ
`g(X,t) dW`	拡散項	ランダムなゆらぎの大きさ
`dW`	ウィーナー過程の増分	純粋なランダムノイズ

いずみ： 株価も「上がろうとする力」と「ランダムな揺れ」の組み合わせ、という感じですね。

ノイマン： 今日の流れはこうだ：

① 確率過程・ブラウン運動の定義
② ブラウン運動のパスがなぜ「微分できない」か
③ 確率積分（伊藤積分）の定義
④ 伊藤の公式の導出
⑤ 応用：株価モデル

第1幕：確率過程とブラウン運動

ノイマン： まず確率変数は「コインを投げた結果（表=1、裏=0）」や「サイコロの目」のように、試行ごとにランダムな値をとる変数だ。高校で習った「期待値」「分散」を持つ。

確率過程は「時間 $t$ ごとに確率変数が一つ定まる」もの——確率変数の「時系列」だ：

$\{X_t\}_{t \geq 0}$

ファインマン： 映画のコマ送りで考えると：

確率変数 = 一枚の写真（ある瞬間のランダムな状態）
確率過程 = 映画（時間とともに変化する確率変数の連続）

確率過程のイメージ：

  t=0   t=1   t=2   t=3   ...
   |     |     |     |
  X_0   X_1   X_2   X_3      ← 各時刻に確率変数
  (=0)  (+1)  (-1)  (+2)     ← 試行ごとに異なる「軌跡（パス）」が生まれる

田中さん： 「パス」という言葉もよく出てきますが、何ですか？

ノイマン： 一回の試行で出来上がる「 $t$ に対する $X_t$ の軌跡」がパスだ。

3つの試行（3本のパス）の例：

  値
  2│    ─── パスA
  1│   /
  0│──/──────── パスB
 -1│          ＼
 -2│             ─── パスC
   └──────────────▶ 時間 t

いずみ： 株価の時系列グラフ——あれが現実世界で起きた「一本のパス」ということですか？時間を巻き戻してやり直せば、別のパスが生まれるんですね。

ノイマン： 正確だ。

ノイマン： 正規分布の記法を確認する。 $N(\mu, \sigma^2)$ とは「平均 $\mu$ 、分散 $\sigma^2$ 」の正規分布を意味する。

記号	名前	意味
$\mu$ （ミュー）	平均	分布の中心
$\sigma^2$ （シグマ二乗）	分散	ばらつきの大きさ（二乗単位）
$\sigma$	標準偏差	ばらつきの大きさ（元の単位）

田中さん： 「分散 $t-s$ 」なら「標準偏差 $\sqrt{t-s}$ 」ということですか？

ノイマン： 正確だ。これは後で非常に重要になる。

ノイマン： ランダムウォークから始める。 $\xi_1, \xi_2, \ldots$ を独立な確率変数で、各 $\xi_i$ は $+1$ または $-1$ を等確率でとるとする。

ファインマン： 「独立」というのは「前の結果が次の結果に影響しない」こと。コイン投げで1回目が表でも裏でも、2回目の確率はどちらも $\frac{1}{2}$ ——過去を記憶しないのが独立の本質。

ノイマン： $n$ ステップ後の位置を $S_n = \xi_1 + \xi_2 + \cdots + \xi_n$ とする。これを時間軸でスケールする。時刻 $t \in [0,1]$ での位置を：

$W^{(n)}_t = \frac{1}{\sqrt{n}} S_{\lfloor nt \rfloor}$

田中さん： $\lfloor nt \rfloor$ は何ですか？具体的にどう計算するんですか？

ファインマン： $n=4$ （4回のコイン投げを1秒間に詰め込む）で具体的に見よう。時刻 $t$ での「何回目まで投げたか」が $\lfloor nt \rfloor$ ：

時刻 $t$	$nt = 4t$	$\lfloor nt \rfloor$ （切り捨て）	意味
$t = 0.1$	$0.4$	0	まだ0回
$t = 0.3$	$1.2$	1	1回目まで完了
$t = 0.6$	$2.4$	2	2回目まで完了
$t = 1.0$	$4.0$	4	4回全部完了

例えば結果が $+1, -1, +1, +1$ のとき： $S_1=1, S_2=0, S_3=1, S_4=2$ 。だから $t=0.6$ のとき $W^{(4)}_{0.6} = S_2/\sqrt{4} = 0/2 = 0$ 。

田中さん： $\frac{1}{\sqrt{n}}$ をかけているのはなぜですか？

ファインマン： 割らないと、 $n$ を大きくするたびに値が無限に飛んでいってしまうから：

もし 1/√n をかけなかったら...

  t=1 での標準偏差：
    n=4    → √4  = 2
    n=100  → √100 = 10
    n=10000 → √10000 = 100  ← どんどん大きくなる！

1/√n をかけると...

  t=1 での標準偏差：
    n=4    → (1/√4)  × √4  = 1  ✓
    n=100  → (1/√100) × √100 = 1  ✓
    n→∞   → 常に 1  ✓  （収束する！）

テストの点数を「偏差値」に変換するのと同じ発想——学校によって平均が違っても比べられるように正規化している。

田中さん： なるほど。でも $t=1$ では標準偏差を 1 にしても、 $t=0.5$ では違うんですよね？

ファインマン： 鋭い！実は時間によって変わる—— $\sqrt{t}$ になるように揃えている：

$W^{(n)}_t \text{ の標準偏差} \approx \frac{1}{\sqrt{n}} \times \sqrt{nt} = \sqrt{t}$

時刻 $t$	標準偏差 $\sqrt{t}$
$t = 0.25$	$\sqrt{0.25} = 0.5$
$t = 1.0$	$\sqrt{1.0} = 1.0$
$t = 4.0$	$\sqrt{4.0} = 2.0$
$t = 9.0$	$\sqrt{9.0} = 3.0$

「時間の平方根でしか広がらない」——これがブラウン運動の本質だ。

いずみ： コイン投げを繰り返して、表なら右に1歩、裏なら左に1歩……その軌跡を細かくしていくイメージですか？

ファインマン： 完璧なイメージ！

ランダムウォークの「細かくする」イメージ：

n=4（粗い）:
 W
 1|      /\
  |    /    \
 0|──/────────\──▶ t
  | /            \
-1|               \/

n=100（細かい）:
 W
 1|   /\/\  /
  |  /     \/\
 0|─/──────────\──▶ t

n→∞ の極限：ブラウン運動 W_t（連続だが、ずっとギザギザのまま）

ノイマン： $n \to \infty$ の極限として得られるのがブラウン運動（またはウィーナー過程） $W_t$ だ。中心極限定理により、和の分布が正規分布に収束する。

ブラウン運動 W_t の定義：

  (1) W_0 = 0           始点は必ずゼロ

  (2) W_t - W_s ∼ N(0, t-s)  （s < t）
      時間 (t-s) の間の変化は正規分布
      時間が長いほどばらつきが大きい（∝ √(t-s)）

  (3) 独立増分：重ならない時間区間の変化は独立
      [s, t] の変化  ⊥  [t, u] の変化

  (4) t ↦ W_t は連続
      パスは「瞬間移動」しない（途切れない）

田中さん： 「独立増分」の「独立」は、さっきのコインと同じ意味ですか？

ノイマン： そうだ。過去に何が起きたかは、未来の変化の分布に影響しない。

ファインマン： 物理的には「花粉粒子が水分子に不規則に弾かれて動く」現象。

年	人物	出来事
1827年	ロバート・ブラウン	顕微鏡で花粉の不規則運動を発見
1905年	アインシュタイン	熱運動（水分子の衝突）で理論的に説明
1923年	ウィーナー	数学的に厳密な確率過程として定式化

だからウィーナー過程とも呼ぶ。

【第1幕のまとめ】

確率変数 → 確率過程（確率変数の時系列）
                │
          パス = 一回の試行で生まれる軌跡
                │
        ランダムウォーク（離散的）
                │ n→∞ で細かくする（1/√n でスケール調整）
                ↓
        ブラウン運動（連続的・正規分布の増分）
                │
        時間 Δt での広がり = √(Δt)  ← 核心！

第2幕：ブラウン運動のパスは「至る所微分不可能」

ノイマン： ブラウン運動の最も重要な性質を述べる。パスは連続だが、ほぼすべての点で微分不可能だ。

$\frac{dW_t}{dt} = \lim_{\varepsilon \to 0} \frac{W_{t+\varepsilon} - W_t}{\varepsilon}$

がほぼすべての $t$ で存在しない、ということだ。

ファインマン： 海岸線のフラクタルと同じ構造——地図を拡大するほどギザギザが出てくる。ブラウン運動のパスも、どこを拡大してもギザギザが消えない。

田中さん： 「ほぼすべての」というのは曖昧に聞こえます。どういう意味ですか？

ノイマン： 「微分できる時刻の集合が測度ゼロ」——確率の言葉では「確率1で微分不可能」と表現する。数直線上の「有理数の集合」と同じイメージ——無数にあるけど、長さを測るとゼロ。

田中さん： なぜ微分できないんですか？

ファインマン： 数字で追ってみよう。 $W_{t+\varepsilon} - W_t \sim N(0, \varepsilon)$ だから、この差の標準偏差は $\sqrt{\varepsilon}$ 。微分を作るために $\varepsilon$ で割ると：

$\frac{W_{t+\varepsilon} - W_t}{\varepsilon} \quad \text{の標準偏差} = \frac{\sqrt{\varepsilon}}{\varepsilon} = \frac{1}{\sqrt{\varepsilon}}$

$\varepsilon$	$1/\sqrt{\varepsilon}$
$0.1$	$3.16$
$0.01$	$10$
$0.001$	$31.6$
$0.0001$	$100$
$\varepsilon \to 0$	$\to \infty$

田中さん： $\varepsilon \to 0$ にすると値が無限に散らばって「極限」が定まらない、ということですか？

ファインマン： そう！

微分の試み（うまくいかない理由）：

  通常の関数 g(t) の場合：
    変化量 ≈ |g'(t)| · ε   （εに比例）
    ε で割れば → |g'(t)|    （有限に収束）

  ブラウン運動の場合：
    変化量 ≈ √ε             （εの平方根）
    ε で割れば → 1/√ε → ∞   （発散！）

  「εに比例」 vs 「√εに比例」——この違いが本質。

いずみ： 「 $dW_t/dt$ 」が存在しないなら、「 $dW_t$ 」って何なんですか？

ノイマン： 鋭い。「 $dW_t$ 」は単体では意味を持たない記号だ。 $\infty$ という記号が単体では数ではないが $\lim_{n\to\infty}$ という文脈の中で意味を持つのと同じ——常に積分の形 $\int_0^T f(t) \, dW_t$ の中に入って初めて意味を持つ。これが確率積分だ。

ノイマン： 確率積分を定義する前に、**二次変分（quadratic variation）**を押さえる。

時間区間 $[0, T]$ を細かく分割し、「ステップごとの変化量の二乗の合計」を計算する：

$\text{二次変分の近似} = \sum_{i=0}^{n-1} (g(t_{i+1}) - g(t_i))^2$

通常の滑らかな関数では：

$(g(t_{i+1}) - g(t_i))^2 \approx (g'(t_i))^2 \cdot (\Delta t)^2$

合計しても $\sum \leq \max|g'|^2 \cdot T \cdot \Delta t \to 0$ 。

ブラウン運動では：

各増分 $\Delta W_i \sim N(0, \Delta t)$ なので $E[(\Delta W_i)^2] = \Delta t$ 。

$\sum_{i=0}^{n-1} E[(\Delta W_i)^2] = \sum_{i=0}^{n-1} \Delta t_i = T$

田中さん： え！ゼロにならないんですか？

ファインマン： これが核心！

二次変分の比較：

                  各変化の大きさ      二乗           全部足す
  通常の関数 g : ≈ |g'| · Δt    ≈ (Δt)²      → 0   （消える）
  ブラウン運動 W: ≈ √(Δt)       ≈ Δt          = T   （消えない！）

  形式的な表記：
    通常の関数:  (dg)² = 0   （無視できる）
    ブラウン運動: (dW_t)² = dt （無視できない！）

ノイマン： これが「伊藤の公式」に現れる余分な項の正体だ。

【第2幕のまとめ】

ブラウン運動の変化 ≈ √(Δt)
       ↓
  Δt で割ると → 1/√(Δt) → ∞   【微分不可能の理由】
       ↓
  二乗して足すと → Σ Δt = T     【二次変分がゼロにならない理由】
       ↓
  (dW_t)² = dt という「消えない項」が生まれる
       ↓
  これが伊藤の公式の「修正項」の正体！（次の幕へ）

第3幕：なぜリーマン積分が壊れるか——確率積分の定義

ノイマン： 高校で習ったリーマン積分の拡張「リーマン＝スティルチェス積分」：

$\int_0^T f(t) \, dg(t) = \lim \sum_{i} f(t_i)(g(t_{i+1}) - g(t_i))$

が定義できるための条件のひとつが、 $g$ の**全変動（total variation）**が有限であることだ。

$V(g) = \sup_{\text{あらゆる分割}} \sum_{i} |g(t_{i+1}) - g(t_i)|$

田中さん： 「sup（上限）」というのは何ですか？

ノイマン： 「届かなくても限りなく近づける限界の値」だ。例えば「 $1, 1.9, 1.99, 1.999, \ldots$ 」という数列は最大値を持たないが、上限は $2$ —— $2$ には届かないが限りなく近づける。

ファインマン： 全変動の直感：「総走行距離」。車が東へ100km走って、西へ80km戻ったとする。変位（ネット移動）は20kmだが、走行距離（全変動）は180km。

ノイマン： ブラウン運動の全変動は無限大だ（確率1で）。各ステップの変化量は典型的に $\sqrt{\Delta t}$ 。それを $n = T/\Delta t$ 個足すと：

$\sum |\Delta W_i| \approx \frac{T}{\Delta t} \cdot \sqrt{\Delta t} = \frac{T}{\sqrt{\Delta t}} \to \infty$

$\Delta t$	ステップ数 $n$	各変化 $\sqrt{\Delta t}$	全変動 $\approx$
$0.1$	10	$0.316$	$3.16$
$0.01$	100	$0.1$	$10$
$0.001$	1000	$0.032$	$32$
$\to 0$	$\to \infty$	$\to 0$	$\to \infty$

  滑らかな関数 g:   全変動 < ∞  → スティルチェス積分できる ✓
  ブラウン運動 W:   全変動 = ∞  → スティルチェス積分できない ✗

  → 新しい積分の定義が必要！それが伊藤積分。

ノイマン： ルベーグ積分が「単関数による近似」から出発したように、伊藤積分も単純な関数から出発する。

単純過程 H_t のイメージ：

  H
  │ h₀      h₂
  │────  h₁────  h₃────
  └──┬────┬────┬────┬── t
    t₀   t₁   t₂   t₃

  各区間 [tᵢ, tᵢ₊₁) の間はずっと同じ値 hᵢ をとる

この場合の伊藤積分を：

$\int_0^T H_t \, dW_t \;=\; \sum_{i=0}^{n-1} h_i \cdot (W_{t_{i+1}} - W_{t_i})$

と定義する。形はリーマン和と似ているが、決定的な制約がある。

田中さん： 何が違うんですか？

ファインマン： 「未来の株価を知ってから今日の投資量を決める」のを禁止するため！ $h_i$ は「時刻 $t_i$ までの $W$ の値だけ」を使って決める。

「適合過程」の条件：

  時刻 t₀: W₀ だけ知っている → h₀ を決める
  時刻 t₁: W₀, W₁ を知っている → h₁ を決める

  ○ 正当：hᵢ は「時刻 tᵢ まで」の情報だけで決める
  ✗ 反則：hᵢ を決めるのに「時刻 tᵢ₊₁ 以降」の値を使う

  適合過程 = 「普通の人（未来を知らない人）の戦略」

いずみ： 「適合過程」というのは「未来のことを知らずに行動する、普通の人」のことですね！

ノイマン： 伊藤積分の最重要性質——伊藤の等長性（Itô isometry）：

$E\left[\left(\int_0^T H_t \, dW_t\right)^2\right] = E\left[\int_0^T H_t^2 \, dt\right]$

ファインマン： ピタゴラスの定理と同じ発想——斜辺の長さ（難しい）を、縦・横の長さ（簡単）から求める。等長性も「確率積分の大きさ（難しい）」を「通常積分（簡単）」に変換する橋だ。これのおかげで伊藤積分を一般の適合過程へ拡張できる。

ノイマン： 証明の概略：独立増分の性質から、異なる区間の交差項が消える（ $i \neq j$ のとき $E[h_i \Delta W_i \cdot h_j \Delta W_j] = 0$ ）。残った対角項から：

$\sum_i E[h_i^2] \cdot E[(\Delta W_i)^2] = \sum_i E[h_i^2] \cdot \Delta t_i = E\left[\int_0^T H_t^2 \, dt\right]$

田中さん： 「適合過程」と「独立増分」が組み合わさって交差項が消えるんですね。

【第3幕のまとめ】

リーマン＝スティルチェス積分
  条件：全変動が有限
  ブラウン運動：全変動 = ∞  → 使えない ✗
        ↓
伊藤積分（新しい定義）
  1. 単純過程で定義（階段関数）
  2. 適合過程の条件（未来を使わない）
  3. 等長性（確率積分 ↔ 通常積分の橋）
  4. 等長性を使って一般関数へ拡張

第4幕：伊藤の公式の導出

ノイマン： この幕のゴール：

普通の連鎖律：  df = f'(g) dg        ← これだけ
伊藤の公式：   df = f'(W) dW  +  (1/2) f''(W) dt  ← 余分な項が出る！

分割 $0 = t_0 < \cdots < t_n = T$ を取り、各区間で $h = \Delta W_i$ としてテイラー展開する：

$f(W_{t_{i+1}}) - f(W_{t_i}) = f'(W_{t_i}) \Delta W_i + \frac{1}{2} f''(W_{t_i}) (\Delta W_i)^2 + \text{（3次以上）}$

田中さん： 通常の微積分なら2次以上の項は無視できると習いましたが、ここでは無視できないんですか？

ノイマン： それが今日の核心だ。

	変化の大きさ	2乗	全区間の合計
通常の関数 $g$	$\sim \Delta t$	$\sim (\Delta t)^2$	$\to 0$ （消える）
ブラウン運動 $W$	$\sim \sqrt{\Delta t}$	$\sim \Delta t$	$\to T$ （消えない！）

通常の関数では $(\Delta g)^2 \approx (\Delta t)^2$ でゼロに消える。しかしブラウン運動では $(\Delta W)^2 \approx \Delta t$ ——1次のオーダーなので無視できない。

全区間で足し合わせ、分割を無限に細かくすると：

（A）1次項の極限： $\sum f'(W_{t_i}) \Delta W_i \to \int_0^T f'(W_t) \, dW_t$ （伊藤積分）

（B）2次項の極限： $(\Delta W_i)^2 \approx \Delta t_i$ と置き換えると $\frac{1}{2}\sum f''(W_{t_i}) \Delta t_i \to \frac{1}{2}\int_0^T f''(W_t) \, dt$ （通常の積分）

田中さん： （B）で「 $(\Delta W_i)^2 \approx \Delta t_i$ 」と置き換えていますが、極限で本当に等号になるんですか？

ノイマン： 各 $(\Delta W_i)^2 - \Delta t_i$ は平均ゼロのランダムな誤差であり、独立増分の性質から「お互いに打ち消し合って」、合計の二乗平均が $\max_i \Delta t_i \to 0$ でゼロに収束する。世論調査で1000人に聞くと誤差が消えるのと同じ仕組みだ。

いずみ： まとめると、どんな式になるんですか？

ノイマン：

$\boxed{df(W_t) = f'(W_t) \, dW_t + \frac{1}{2} f''(W_t) \, dt}$

これが伊藤の公式だ。

【余分な項の出所】

ブラウン運動のギザギザ
    → 変化が √(Δt) に比例
        → (ΔW)² ≈ Δt  （2乗しても消えない）
            → テイラー展開の2次項が残る
                → (1/2) f''(W_t) dt という項が出現
                    → これが「伊藤修正項」

ファインマン： 具体例で確認しよう。 $f(x) = x^2$ に伊藤の公式を適用する。

$f'(x) = 2x$ 、 $f''(x) = 2$ を代入：

$d(W_t^2) = 2W_t \, dW_t + \frac{1}{2} \cdot 2 \cdot dt = 2W_t \, dW_t + dt$

積分形式にすると：

$\boxed{\int_0^T W_t \, dW_t = \frac{W_T^2 - T}{2}}$

通常の微積分：
  ∫₀ᵀ g dg = g²/2  （シンプル）

伊藤積分：
  ∫₀ᵀ Wₜ dWₜ = W_T²/2  -  T/2
                           ↑
                         「-T/2」という補正がつく！

この「 $-T/2$ 」が伊藤修正項の具体的な現れだ。ブラウン運動は「ランダムに動き続けている分だけ、積分の結果がずれる」。

田中さん： ところで $W_T$ や $W_T^2$ はどんな確率分布なんですか？

ファインマン： ブラウン運動の定義から $W_T \sim N(0, T)$ ——平均ゼロ、分散 $T$ の正規分布。 $W_T^2$ は $N(0,T)$ の二乗なのでガンマ分布になる：

	$W_T$	$W_T^2$
定義域	$(-\infty, +\infty)$	$(0, +\infty)$
分布	正規分布 $N(0,T)$	ガンマ分布
平均	$0$	$T$
形	左右対称の山	0付近で急峻、右に長い裾

ノイマン： $E[W_T^2] = T$ の理由：分散の定義より $E[W_T^2] - (E[W_T])^2 = T$ 、 $E[W_T]=0$ なので $E[W_T^2] = T$ 。

【第4幕のまとめ】

  ① テイラー展開を各小区間に適用（h = ΔWᵢ）
  ② 通常の関数：(Δg)² ≈ (Δt)² → 無視できる
     ブラウン運動：(ΔW)² ≈ Δt  → 無視できない！
  ③ 1次項 → 伊藤積分 ∫ f'(W) dW
     2次項 → 通常積分 (1/2)∫ f''(W) dt
  ④ df(W_t) = f'(W_t) dW_t  +  (1/2) f''(W_t) dt
  ⑤ 具体例 f(x)=x²：
     ∫₀ᵀ Wₜ dWₜ = (W_T² - T) / 2  （通常の ∫g dg = g²/2 から「-T/2」のズレ）

第5幕：一般化と応用

ノイマン： より一般の伊藤過程に公式を拡張する：

$dX_t = \mu_t \, dt + \sigma_t \, dW_t$

記号	名前	意味
$\mu_t$	ドリフト	平均的な変化の方向・速さ
$\sigma_t$	ボラティリティ	ランダムな揺れの大きさ

いずみ： 川の流れに例えると、 $\mu_t$ が「川の流れの方向と速さ」で、 $\sigma_t \, dW_t$ が「波の揺れ」ですか？

ファインマン： 完璧な比喩！

ノイマン： $f(t, x)$ を $t$ に1階、 $x$ に2階連続微分可能な関数とする。 $(dX_t)^2$ を計算するために乗算則を使う：

Δt → 0 のときの「消えるスピード」比較：

  (Δt)²    ～ Δt × Δt    → 2次で消える   → dt · dt = 0
  Δt·√(Δt) ～ Δt^(3/2)  → 3/2次で消える → dt · dW_t = 0
  (√Δt)²   ～ Δt          → 1次で残る！   → dW_t · dW_t = dt

\begin{aligned} (dX_t)^2 &= (\mu_t \, dt + \sigma_t \, dW_t)^2 \\ &= \mu_t^2 \underbrace{(dt)^2}_{=0} + 2\mu_t \sigma_t \underbrace{dt \cdot dW_t}_{=0} + \sigma_t^2 \underbrace{(dW_t)^2}_{=dt} \\ &= \sigma_t^2 \, dt \end{aligned}

代入すると：

$\boxed{df(t, X_t) = \left(\partial_t f + \mu_t \, \partial_x f + \frac{1}{2} \sigma_t^2 \, \partial_{xx} f\right) dt + \sigma_t \, \partial_x f \, dW_t}$

これが一般の伊藤の公式だ。

項	意味
$\partial_t f$	時間が経つだけで $f$ が変わる分
$\mu_t \partial_x f$	流れで押される分
$\frac{1}{2}\sigma_t^2 \partial_{xx} f$	伊藤修正項（揺れの「二次変分の遺産」）
$\sigma_t \partial_x f \, dW_t$	波に揺られる分（ランダム）

ファインマン： 応用——株価モデル（幾何ブラウン運動）：

$dS_t = \mu S_t \, dt + \sigma S_t \, dW_t$

$f(x) = \ln x$ に伊藤の公式を適用すると：

$d(\ln S_t) = \left(\mu - \frac{\sigma^2}{2}\right) dt + \sigma \, dW_t$

積分して：

$\boxed{S_t = S_0 \exp\!\left(\left(\mu - \frac{\sigma^2}{2}\right)t + \sigma W_t\right)}$

田中さん： なぜ $\mu$ ではなく $\mu - \frac{\sigma^2}{2}$ になるんですか？

ファインマン： 「波打つと、平均的に損する」という話だ。具体的な数字で：

株価が1日目 +50%、2日目 -50% を繰り返す場合：

  0日目 → 1.00万円
  1日目 → 1.50万円  （×1.5）
  2日目 → 0.75万円  （×0.5）  ← 元に戻らない！
  4日目 → 0.5625万円         ← 徐々に減っていく

  算術平均リターン = (+50% - 50%) / 2 = 0%  ← 「損益ゼロ」に見える
  実際の変化      = 1.0 × 1.5 × 0.5 = 0.75  ← 25%の損！

ノイマン： 数学的に整理すると： $E[S_t] = S_0 e^{\mu t}$ （平均株価）だが、「典型的な一本のパス（中央値）」は：

E[S_t]         = S_0 · e^{μt}            ← 平均（上に飛ぶパスに引き上げられる）
中央値（典型値） = S_0 · e^{(μ - σ²/2)t}  ← 半数のパスはこれより下

年収の例で言えば——億万長者が数人いると「平均年収」は高く見えるが、「普通の人の年収」は中央値に近い。株価も同じ——右に飛ぶ少数のパスが「平均」を引き上げるが、典型的な（過半数の）パスは $\sigma^2/2$ だけ低い成長率を示す。

田中さん： 「伊藤修正項 $-\sigma^2/2$ 」は「ランダムな揺れがある分だけ、典型的な成長率が下がる」という補正なんですね。

ノイマン： 正確だ。伊藤の公式なしでは、この補正を導くことができない。ブラック＝ショールズのオプション価格公式はこのモデルから出発している。

【第5幕のまとめ】

  乗算則：(dW)²=dt, (dt)²=0, dt·dW=0
       ↓
  (dX)² = σ²dt
       ↓
  一般の伊藤の公式：
  df = (∂_t f + μ∂_x f + σ²/2 · ∂_xx f)dt + σ∂_x f dW

  応用（幾何ブラウン運動）：
  S_t = S_0 · exp((μ - σ²/2)t + σW_t)

  「σ²/2 の修正」= 揺れによる「平均と中央値のズレ」
  → 典型的なパスは期待値より小さい！

まとめ

	通常の微積分	伊藤の確率微積分
パスの性質	微分可能・全変動有限	微分不可能・全変動無限大
二次変分	$\to 0$ （消える）	$\to t$ （消えない）
$(dg)^2$ の扱い	$= 0$ （無視）	$(dW)^2 = dt$ （残る）
積分の定義	リーマン=スティルチェス	伊藤積分（左端評価）
連鎖律	$df = f'(g)\,dg$	$df = f'(g)\,dg + \frac{1}{2}f''(g)(dg)^2$
応用	決定論的システム	株価・オプション・フィルタリング

【講義全体のエッセンス】

1. ブラウン運動：変化の大きさ ∝ √(Δt)

2. (dW_t)² = dt  ← 「消えない」ことが全ての出発点

3. 伊藤の公式：
   df(W_t) = f'(W_t) dW_t  +  (1/2) f''(W_t) dt

   具体例（f=x²）：
   ∫₀ᵀ Wₜ dWₜ = (W_T² - T) / 2  （通常の g²/2 から「-T/2」のズレ）

4. 一般形：
   df(t,X_t) = (∂_t f + μ ∂_x f + σ²/2 ∂_xx f) dt  +  σ ∂_x f dW_t

5. 応用：
   S_t = S_0 · exp((μ - σ²/2)t + σW_t)
   「-σ²/2」= 算術平均と幾何平均のズレ = 「年収の平均と中央値のズレ」