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 $X_{t+s}-X_t$ 与 $X_s - X_0$ 同分布。
- 随机连续：对任意 $\epsilon>0$，$P(|X_t - X_s|>\epsilon)\to 0$ 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 $[x, x+dx]$ 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：
$$ \mathcal{L}f(x) = b f'(x) + \frac{\sigma^2}{2}f''(x) + \int_{\mathbb{R}\setminus{0}}\left[f(x+y)-f(x)-f'(x)y\mathbf{1}_{|y|<1}\right]\nu(dy) $$
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，$\alpha=1$ 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：
$$ \nu(dx) = \left(c_+ x^{-1-\alpha}\mathbf{1}{x>0} + c- |x|^{-1-\alpha}\mathbf{1}_{x<0}\right)dx,\quad \alpha\in(0,2) $$
$\alpha$ 越小尾巴越厚，$\alpha=2$ 退化成布朗运动，$\alpha=1$ 且对称时是柯西过程。它的尾巴按幂律衰减，所以方差在 $\alpha<2$ 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 | $0$（$\sigma>0$） | 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 | $a,x^{-1}e^{-\lambda x},\ x>0$ | 无限 | 指数 | 从属子、信用风险累积损失 |
| 逆高斯 | 正比于 $x^{-3/2}e^{-\gamma^2x/2},\ x>0$ | 无限 | 指数 | NIG 的时钟 |
| $\alpha$-稳定 | $c_\pm | x | ^{-1-\alpha}$ | 无限 |
| NIG | $\dfrac{\delta\alpha}{\pi | x | }e^{\beta x}K_1(\alpha | x |
| CGMY（$Y\in(0,2)$） | $C\dfrac{e^{-G | x | }}{ | x |
方差伽马过程可以看作 CGMY 在 $Y=0$ 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_paths=10000): """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, size=n_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_paths=10000): """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, size=n_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)$\alpha=1$ 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。
