この記事のゴール ― 一本の道でつなげる
はじめに：この記事の想定読者と読むメリット
- 想定読者
- この記事を読むメリット
1. そもそも「測度論（そくどろん）」って何？ ― 長さ・面積・確率を統一的に扱う道具
2. なぜ「ふつうの微分」じゃダメ？ ― 確率微分のキモチ
3. ルベーグ積分 ― 高校の積分と何が違う？「縦切り」と「横切り」
ここで重要な注意があります。
- ここがルベーグ積分との決定的な違い
- 伊藤積分がとった解決策（アプローチ）
- 工夫① 「1本ずつ」ではなく「みんなで平均」で考える
  - 工夫①と統計力学の対応
  - さらに深いつながり：フォッカー＝プランク方程式
  - ランジュバン方程式との対応
  - まとめ
- 工夫② 「未来を覗き見しない」ルールを最初に決める
- 工夫③ まず「階段」で考えて、その先に進む
- まとめ
  - 問題①：ブラウン運動の軌跡は"有界変動"でない
  - 問題②：そもそも"パスごとに積分する"ことができない
補足：なぜ「評価点」で答えが変わるのか ―― もう少し丁寧に
- - 角度①：そもそも「評価点で答えが変わる」って、何が起きてるの？
  - 角度②：簡単な例で実際に計算してみる
- ちょっと待った：「二次変分」って何？　「T」って何が突然出てきたの？
  - まず「T」とは何か
  - 次に「二次変分」とは何か
- そもそも、なんで2乗するの？
  - 理由①：ふつうの「動いた距離の合計」（=1次変分）ではブラウン運動を区別できない
  - 理由②：2乗すると「ちょうどよい有限値」が見える
  - 理由③：分散・標準偏差で2乗するのと同じ理由
  - 理由④：「2乗の期待値が分散」だから、ブラウン運動と相性が抜群
  - ブラウン運動の二次変分の驚くべき性質
- なぜ二次変分が $T$ になるのか
- じゃあ、これが何の役に立つの？
- まとめると
- 決断①：左端で評価することにする（=適合過程に限定する）
- 決断②：「2乗の意味で」収束させる
- 決断③：単純な関数から段階的に拡張する
- (4) 結果：何が手に入ったのか
- 3-6. なぜ「伊藤積分」が必要なのか
- 3-7. Pythonでルベーグ積分っぽい計算を体感
4. 伊藤の補題 ― 確率版の「合成関数の微分」
5. ブラックショールズ方程式は何をやっているのか？
6. ブラックショールズ以外の金融時系列確率微分モデル
- 6-1. キモチ：何が違うのか
- 6-2. なぜHestonモデルが生まれたか ― 「IVスマイル」とは何か
7. 金融以外：社会経済・自然科学での確率微分方程式
8. 学習ロードマップ：ここから何を、どの順で学ぶか
9. 利用シーン別：Python実装ライブラリと実装例
10. まとめ ― この記事で得たもの
11. 伊藤清の後 ―― 確率微分方程式は、どう進化してきたか
📖 コラム：「観測するまで値が決まらない」 ―― 確率微分方程式は量子力学でも使われる？
Appendix：直感的説明と厳密な数学的議論との橋渡し ― 専門書に進む読者のために