经济学家们所使用的连续时间随机模型通常适用于两种类型中的一种；这些模型不是组成随机微分方程系统，就是组成随机最优控制模型。随机微分方程系统明确地说明了一个或者更多经济变量的变化率，其中经济变量的变化率是这些变量现存水平的函数，也是一种或者更多随机扰动的函数。例如，A.R.伯格斯特龙（A.R.Bergstrom）和C.R.怀默（C.R.Wymer）就提出了一种随机微分方程系统，这个系统将英国8个宏观经济变量的变化率定义成这8个变量的水平值与许多随机扰动的函数。
由经济学家构建的随机微分方程模型可以分为两个子类:理论模型和经验模型。在不使用统计数据决定模型中的参数取值的情况下，经济学家会在经验的指导下构建随机微分方程理论模型。另一方面，通过使用统计数据决定模型中的参数的取值，经济学家构建了经验模型。在20世纪70年代中期之前构建的所有随机微分方程模型都是理论模型，因为构建并使用连续时间随机微分方程系统所需要的统计技术一直到20世纪70年代中期才被开发出来。
早期的理论模型被用于决定随机微分方程模型的一般性质。例如，早期的研究者们发现每个正确构建的随机微分方程模型都有一个"解"，也是随机过程。另外，这些早期研究者们还发现，与这个解相联系，还存在一个表明模型中变量随时间变化的速率的“漂移向量“，以及可以用来决定变量变化率之间预期关系的扩散矩阵。
由于其恰当的定义，漂移向一量可以被用于执行寻找稳态的任务。特别是，如果与随机微分方程系统相联系的漂移向量会随着时间的流逝而趋向于一个恒量（也就是说，如果系统中变量的预期变化率趋于一个常数），模型中的变量就会趋于稳态增长率。
除了发现漂移向量可以用于执行寻找稳态的任务之外，随机微分方程的早期研究者们还发现，对应于随机微分方程系统的解的漂移向量和扩散矩阵可以被用来决定一种概率，即模型所描述的变量在某个特定时间区间以及在提前确定的时间区间中某个时点上取一组值的概率。例如，考虑一个为描述GNP、就业和银行最低利率而设计的模型。随机微分方程的早期研究者们的发现可以用于决定下面这种状况出现的概率，即在某个时点上，就业人口在1.04亿到1.1亿之间，同时银行最低利率在9.5%-10%之间时，GNP在5.2万亿美元到5.4万忆美元之间的概率。
总而言之，在20世纪70年代中期之前，研究者们主要的工作对象是“理论的”随机微分方程模型，因为构建“经验的”模型所需要的统计方法还没有被发展出来。由早期研究者们发现的漂移向量使得寻找稳态成为可能。漂移向量和扩散矩阵使得经济学家们能够决定模型所描述的变量在某个特定的时间区间以及在提前确定的时间区间中的某个时点上取一组值的概率。
由于20世纪70年代统计技术的进展可被应用于连续时间随机微分方程模型，许多经验的随机微分方程模型也被发展出来。一旦经验的随机微分方程模型的创建者开始用统计数据去估计模型的参数，创建者们就会进行“定性分析”（也就是说寻找稳态并执行比较动态学的任务）。这个分析的目标是双方面的:建立一个尽可能接近真实世界数据的模型以及发现这个模型对于经济行为的一般原理而言的意义。经验的随机微分方程模型的一个例子就是伯格斯特龙和怀默的工作成果，他们发展了英国经济的非均衡模型。他们的模型描述了8个宏观经济变量（英国的实际消费、实际产出、实物资本存量的大小、实际出口、实际进口、就业、价格水平及利率）的行为。经验的随机微分方程模型的第二个例子是P.C.帕顿（P.C.Padoan）的工作成果，他构建了一个欧洲汇率决定模型。第三个例子是行为资产定价模型，它使得投资者可以决定这样一种资产组合，这种资产组合能最大化在投资者所确定的一定时间区间内命中投资目标的概率。
实践中的经济学家们应用的第二种连续时间随机方程模型是最优控制随机模型。一个最优控制随机模型会告诉一个决策者当经济变量的最大化受到某些经济关系的限制（比如一个竞争者对决策者行为的反应或者是用来详细说明企业是如何使用投入来生产出其要出售的产出的生产函数）时，如何确定他或她控制下的变量（也就是控制变量）的价值，以便最大化某些经济变量（比如资产组合的利润或者增长率）在决策者确定的时间区间内所取的值。
