Professional Documents
Culture Documents
ISSN: 1988-1878
28- Procesos estocsticos: Procesos de Wiener e Ito
PROCESOS ESTOCSTICO S:
PROCESO S DE WIENER E ITO
Juan Mascareas
Universidad Complutense de Madrid
Versin inicial: marzo 2008 - ltima versin: enero 2016
- El proceso de Wiener, 1
- Proceso de Wiener generalizado: Movimiento Browniano con
tendencia, 4
- El comportamiento de los precios burstiles, 9
- Revisin del modelo, 13
- Modelizando los sucesos raros, 14
- El lema de Ito, 16
- Bibliografa, 26
ttulo, lo que implica que la evolucin histrica de los precios no tiene ningn inters de cara a predecir su comportamiento futuro (esta es la base de la denominada forma dbil de eficiencia del mercado).
El hecho de que un proceso de Wiener tenga incrementos independientes implica
que podemos considerarlo como una versin en tiempo continuo de un recorrido
aleatorio. A fin de cuentas el proceso de Wiener se obtiene como el lmite de la
suma de variables aleatorias independientes distribuidas idnticamente; por ello,
tiene una distribucin normal3.
Cuando nos referimos a los precios de las acciones no parece razonable suponer
que las variaciones en los precios sigan una distribucin normal, entre otras cosas, porque el precio nunca podr ser inferior a cero4. Parece ms lgico suponer
que los cambios en los precios (los rendimientos) siguen una distribucin logartmico-normal o lognormal, es decir, que los cambios en los logaritmos de los precios se distribuyen segn una normal. Lo que significa modelizar el logaritmo del
precio como un proceso de Wiener en lugar del propio precio. De esta manera el
proceso de Wiener se convierte en una pieza bsica del rompecabezas que nos
va a servir para modelizar un gran nmero de variables estocsticas que varan
continuamente a travs del tiempo.
Vamos a ver las propiedades del proceso de Wiener ms formalmente. Si z(t) sigue un proceso de Wiener, entonces cualquier variacin en z es decir, z- que
tenga lugar durante un intervalo temporal t, satisfar las condiciones siguientes:
1. La relacin entre z y t viene dada por: z = t t donde t es una
variable aleatoria normalmente distribuida con una media nula y una desviacin tpica igual a la unidad.
2. La variable aleatoria t no est autocorrelacionada,
esto es, E[ t s] = 0 para
Tambin se puede aproximar el proceso de Wiener a una martingala continua cuadrado integrable. Segn el
teorema de Levy, al caracterizarse por ser un proceso continuo, con varianza finita e incrementos impredecibles, stos se distribuyen normalmente con una media nula y desviacin tpica t .
4
Este fue uno de los fallos de la tesis de Louis Bachellier (1900), l trabajaba con precios y no con rendimientos, como propuso medio siglo despus Paul Samuelson para evitar el problema de que surgieran precios de las acciones negativos; lo que es imposible al tratarse de sociedades
annimas donde el accionista
slo puede perder el dinero que invirti en la compra de la accin pero no ms.
lo tanto, tendremos que n = T / t. Entonces la variacin en el valor de z a lo largo de este intervalo viene dada por:
n
Como los i son independientes entre s, podemos aplicar el Teorema del Lmite
Central a su
suma y decir que la variacin z(s + T) z(s) est distribuida normalmente con una media nula y una varianza igual a T (porque la varianza5 es igual
a n t = T). Obsrvese que la varianza de los cambios en un proceso de Wiener
crece linealmente con el horizonte temporal (porque z depende de
y no de
t).
Ejemplo: Supongamos que la variable z, que sigue un proceso de Wiener,
toma un valor de 20, lo que significa que dentro de un ao su valor estar
normalmente distribuido con una media de 20 y una desviacin tpica de 1.
Transcurridos cinco aos su valor medio esperado seguir siendo 20 pero su
desviacin tpica ser 1 x
o 2,236.
El proceso de Wiener no es estacionario porque a largo plazo su varianza tender
a infinito.
Si t tiende a ser infinitamente pequeo (t ! 0), el incremento en el proceso de
Wiener, dz, en tiempo continuo es igual a:
(2) dz = t dt
Como t tiene una media nula y una desviacin tpica unitaria, entonces E[dz] ser igual a cero y su varianza ser 2[dz] = 1 x dt = dt. El proceso de Wiener no
tiene una derivada convencional con respecto al tiempo: z/t = t (t)-1/2, que
tiende a infinito conforme t se aproxime a cero6.
Si tuvisemos que trabajar con dos o ms procesos de Wiener deberamos tener
en cuenta sus covarianzas. As, por ejemplo, si tenemos los procesos estocsticos
z1(t) y z2(t), E(dz1 dz2) = 12dt, donde 12 es el coeficiente de correlacin entre
ambos procesos. Debido a que el proceso de Wiener tiene una varianza y una
desviacin tpica iguales a 1 por unidad de tiempo, dicho coeficiente de correla-
La varianza de un producto formado por una variable aleatoria (i) y una constante (
) es igual a la varianza de la variable aleatoria (1) por el cuadrado de la constante (t). Como hay n subperodos la varianza
del perodo T es igual a n t que, a su vez, es igual a T.
Si
z = t t ! z/t = t
t /t = t/ t
3
cin tambin ser el valor de la covarianza por unidad de tiempo para ambos
procesos7.
2. PR OCESO DE WIENER GENE RALIZADO: MOVIMIENTO
BROWNIANO CON TENDEN CIA
Este tipo de proceso de Wiener es la generalizacin ms simple de la ecuacin 2:
(3) dx = a dt + b dz
donde a y b son constantes.
Para comprender la ecuacin 3 comencemos centrndonos en el componente a
dt, que implica que x tiene una tasa de tendencia esperada a por unidad de tiempo. As que la ecuacin 3, sin el segundo sumando, sera8
dx = a dt ! a = dx / dt " xt = x0 + a t
as que si x0 = 10 y a = 3 el valor esperado de x5 = 10 + 3 x 5 = 25. Generalizando para t = 1, 2, 3, 4 y 5 tendramos los valores mostrados en la tabla 1.
t
1
2
3
4
5
xt-1
10
13
16
19
22
a
3
3
3
3
3
xt
13
16
19
22
25
Tabla 1
Si z (t) y z (t) son variables aleatorias; su coeficiente de correlacin ser igual a 12 = Cov(z1, z2) / (z1 z2) y
como, en este caso, z1 = z2 = 1 entonces 12 = Cov(z1, z2). A su vez, Cov(z1, z2) = z1 z2 12 = 1 . 1 . 12 = 12.
8
Recuerde, la integral (o antiderivada) de una constante - a - con respecto al tiempo es igual a at ms una
constante x ! a dt = at + x 0
1
Para un intervalo de tiempo muy pequeo (t), la variacin de x (x) ser igual a:
(4) x = a t + b
Por tanto x tiene una distribucin normal cuya media es igual a: a t, una desviacin tpica igual a: b
, y una varianza igual a: b2 t. O para un intervalo de
longitud T, que est normalmente distribuido, su media sera igual a: a T, su desviacin tpica es: b
y su varianza b2T.
En resumen, el proceso de Wiener generalizado mostrado en la ecuacin 3 tiene
una tendencia por unidad de tiempo de a y una varianza por unidad de tiempo de
b2.
En la figura 1 se muestran tres ejemplos de la ecuacin 3 con una tendencia anual
de a = 0,2 y una desviacin tpica anual b = 1. El grfico abarca los aos que van
desde 1950 al 2000 aunque la simulacin se ha realizado con intervalos t
equivalentes a un mes; por eso los parmetros a y b han sido expresados en trminos mensuales (0,2/12 y (1/12), respectivamente). La ecuacin que gobierna la
evolucin de x(t) es (el valor de x1950 = 0):
(5) xt = xt-1 + a dt + b dz = xt-1 +
+ 1
Fig. 1 Ejemplos de proceso de Wiener con tendencia
En la ecuacin 5, en cada instante del tiempo t, t viene caracterizado por una
distribucin normal de media nula y desviacin tpica igual a 1. La recta inclina-
Fig. 2 Previsin ptima del proceso de Wiener con tendencia
0,2
T
12
Las figura 3a y 3b son similares a la anterior pero en ella se muestra un slo ejemplo de proceso de
Wiener. Se ha calculado la previsin ptima al final de 1974
pero, adems, se han incluido dos intervalos de confianza para la trayectoria prevista de x(t) del 68,26% (1 desviacin tpica) y del 95% (1,96 desviaciones
tpicas). Recurdese que la varianza de un proceso de Wiener crece linealmente
con el horizonte temporal (T), la desviacin tpica crece con la raz cuadrada del
horizonte temporal (
). Por tanto, el intervalo de confianza del 68,26% para T
meses en el futuro viene dado por:
x 1974 +T = x1974 +
0,2
T
12
1
T
12
Fig. 3a Previsin ptima del proceso de Wiener con tendencia e intervalos de confianza del
68,26% y del 95%
En las figuras 1, 2 y 3 se puede observar como a largo plazo la tendencia es la variable determinante del proceso de Wiener, mientras que a corto plazo lo es la
volatilidad del proceso. Lo que proviene del hecho de que la media de la diferencia (xt xo) es igual a: a t, y la desviacin tpica es: b
; si t es grande
<< t,
mientras que si es pequea ocurre lo contrario. Otra forma de ver esto es considerar la probabilidad de que xt < xo cuando a > 0. La probabilidad es muy pequea
para tamaos grandes de t, pero slo el 50% para valores pequeos.
Fig. 3b Previsin ptima del proceso de Wiener con tendencia e intervalos de confianza del
68,26% y del 95%
Ejemplo. El saldo de tesorera de una empresa, medido en miles de euros, sigue un proceso de Wiener con una tendencia de 20 por ao y una varianza
de 900 por ao. El saldo inicial es de 100. Al final del ao el saldo de teso7
rera tendr un valor medio esperado de 120 sujeto a una desviacin tpica
de 30. Al final del segundo ao el valor medio esperado ser de 140 y su
desviacin tpica ser de 42,43 (= 30 2 ). Mientras que al final de los prximos tres meses tendr un valor esperado de 105 con una desviacin tpica
de 30
= 15. Como se aprecia en el ejemplo y en la figura 4, cuando t
es ms grande (un ao, dos aos) y la tendencia es positiva (a>0), entonces
P[xt < xo] es ms pequea que cuando t es pequeo (tres meses); a partir del
ao 3 xt es siempre superior a x0.
Fig.4 Evolucin temporal de Xt ( 1 desviacin tpica)
Fig. 5 Proceso de Ito
Por tanto, el supuesto de la tendencia constante debe ser sustituido por la tasa de
rendimiento esperada (es decir, la tendencia esperada en valor absoluto dividida
por el precio de la accin). As, si St es el precio en el momento t, la tendencia esperada para St debera ser St; donde indica la tasa de rendimiento esperada del
activo. Por tanto, para un corto intervalo de tiempo (t), el incremento esperado
ser Stt.
Si la volatilidad del precio de la accin fuese cero, entonces el incremento en el
valor del precio (St) sera igual a Stt; y si t ! 0 entonces:
19
18
17
Precio
16
15
14
13
12
11
10
1
11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53
Semanas
Es necesario hacer un pequeo comentario sobre la expresin 10. Como ya se
dijo anteriormente indica la tasa de rendimiento esperada del activo para el
prximo ao sin tener en cuenta el pago de dividendos. A esto se le conoce en finanzas corporativas como g, es decir, el rendimiento esperado por ganancias de
capital. ste es igual al producto del ROE9 por la tasa de retencin de beneficios
b. Si suponemos que sta ltima es constante entonces es el ROE el que es una
variable aleatoria. Por tanto, teniendo en cuenta que la varianza del producto de
una constante por una variable aleatoria es igual a la constante al cuadrado por la
varianza de la variable aleatoria, la volatilidad de g medida por su desviacin tpica ser igual a:
(11) (g) = b x (ROE) # Este producto es la de la ecuacin 8
9
El ROE, rendimiento sobre fondos propios, es igual a dividir el beneficio despus de intereses e impuestos
(BN) entre el valor contable medio de los fondos propios a lo largo del ltimo ao (E).
11
Por otra parte la desviacin tpica del ROE es igual a (los intereses de las deudas
se suponen constantes, por lo que su riesgo es nulo):
ROE =
donde tipo indica el tipo impostivo, E es el valor medio de los fondos propios y
BAIT indica el beneficio antes de intereses e impuestos. En resumen, que el rendimiento medio esperado es funcin de la volatilidad de los beneficios antes de intereses e impuestos10:
(12) (g) = [b x (1-tipo) E] x (BAIT)
Ahora imaginemos un nuevo escenario. Deseamos modelizar la tasa de crecimiento de los ingresos de una empresa a lo largo de los prximos diez aos. Para
ello utilizaremos una tasa de crecimiento que ir decreciendo con respecto al
tiempo segn la ecuacin siguiente: gt = 12 1,5 t + 0,7 t2 hasta alcanzar un valor
igual 1,5 que se mantendr constante. La racionalidad de que la tasa de crecimiento de los ingresos tienda hacia un valor de crecimiento bajo a largo plazo estriba en que se supone que la competencia se encargar de reducir dicha tasa de
crecimiento hasta un valor de equilibrio que ser menor que la tasa media de crecimiento del PIB hasta el infinito. En nuestro ejemplo, el valor de g tiene una desviacin tpica anual del 30%. La ecuacin que modeliza la tasa de crecimiento
es:
(13) I/I = gt = Max (12 1,5 t + 0,7 t2; 1,5) t + 0,30
Otra forma de modelizar lo anterior es a travs de un modelo de reversin a la
media11 en la que sta tome como base la ecuacin de gt vista en el prrafo anterior, es decir, la media va descendiendo de valor segn la ecuacin mencionada:
(14) I/I = gt = Max [It-1 b x (I t-1 (12 1,5 t + 0,7 t2)) ; 1,5] t + 0,30
donde b es la velocidad del ajuste (aqu b = 0,5), e I t-1 es el valor de los ingresos
del perodo anterior (I0 = 12)
10
Sabemos que BAIT = EBITDA Amortizaciones, luego podemos suponer que (BAIT) = (EBITDA) asumiendo que las amortizaciones no varan. A su vez el EBITDA viene a coincidir con el flujo de caja bruto generado por el activo operativo de la empresa. Por tanto, el rendimiento esperado de una empresa es funcin
del riesgo del flujo de caja bruto que se espera va a generar.
Vase Mascareas, Juan (2015): Procesos estocsticos: Introduccin. Monografas de Juan Mascareas
sobre Finanzas Corporativas n 27. Disponible en: http://ssrn.com/abstract=2316024
11
12
Fig. 7 La ecuacin (14) modeliza la lnea roja (la superior) mientras que la inferior azul- es el
resultado de la ecuacin (13).
o, tambin
(16) S = S t + S
El Movimiento Browniano Geomtrico expresa las variaciones en los precios como porcentajes, es decir,
en trminos relativos; mientras que el Aritmtico lo hace en valor absoluto.
13
13
Si los cambios se calculan mediante el logaritmo natural, las variaciones de x en trminos absolutos -xestarn lognormalmente distribuidas.
14
Sin embargo, las probabilidades de ocurrencia de los posibles valores de los sucesos se mantendrn constantes porque no dependen del tamao de t.
14
Figura 8. Comportamiento diario del precio de una accin modelizado mediante una
combinacin del los proceso de Wiener y Poisson
6 . EL LEMA DE ITO
Una vez que disponemos de la ecuacin diferencial estocstica que modeliza el
comportamiento de una variable aleatoria -tanto si no tiene saltos (ec. 10) como
si los tiene (ec. 18)- que depende de dos variables (tiempo y valor de la propia variable aleatoria en el instante anterior, es decir, es un proceso de Ito -vase el
subepgrafe 2.1-) lo siguiente que deseamos hacer es averiguar qu valor tendr
dicha variable en un momento futuro determinado del tiempo. Esto se consigue
integrando la ecuacin anterior, pero para ello primero debemos saber cmo derivarla apropiadamente15 y ello implica conocer el lema de Ito.
15
No se puede derivar una ecuacin estocstica de tiempo continuo que depende de una o dos variables utilizando la denominada regla de cadena (porque en cualquier punto de la funcin a derivar el comportamiento puede ser creciente o decreciente) si no que debemos utilizar otro mtodo: el lema de Ito, que es la
16
x
x
dx
dx
dG
1 d2 G
1 d3G
2
3
x +
(x)
+
+ ...
2
3 (x)
dx
2! dx
3! dx
Si repetimos esta misma idea para una funcin G(x,t), que depende de dos variables -como la mostrada en el proceso de Ito- veremos que la ecuacin equivalente a la (19) es:
(21) G
G
G
x +
t
x
t
(22)
G =
G
G
1 2 G
2G
2G
2
2
x +
t +
(x)
+
2
xt
+
2
2 (t) + ...
x
t
2! x
xt
t
(23) dG =
G
G
dx +
dt
x
t
porque (x)2, xt, (t)2 son despreciables al ser prcticamente cero (y no digamos (x)3, (x)4, etc.). Sin embargo, hay una importante excepcin desde el ins-
versin estocstica de la regla de cadena; Ito, K (1951): On Stochastic Differential Equations Memoirs,
American Mathematical Society 4. Pp: 1-51
17
tante en que, segn la representacin del proceso de Ito en su forma discreta (ec.
6), x es igual a:
x = a(x,t) t + b(x,t)
G
G
1 2 G 2
dx +
dt +
b dt
(24) dG =
x
t
2 x2
Recordemos que la ecuacin del proceso de Ito era: dx = a dt + b dz; sustituyendo dx por la ecuacin del proceso de Ito en la ecuacin (24):
G
G
1 2 G 2
(a dt + b dz) +
dt +
b dt
x
t
2 x2
G
G
G
1 2 G 2
dG
=
a
dt
+
b
dz
+
dt
+
b dt
x
x
t
2 x2
(25) dG =
Recurdese que el parmetro a -realmente es a(x,t)- indica la tendencia de la variable aleatoria x y el parmetro b -realmente b(x,t)- indica la volatilidad y es igual
a s. La funcin G tambin sigue un proceso de Ito cuya tendencia viene indicada
por:
16
Cuando t!0 ! 1 porque aunque E() = 0 al distribuirse como una N(0,1), resulta que su varianza es
2
18
G
G
1 2 G 2
a +
+
b
t
2 x2
x
y la volatilidad por:
G
b
x
La frmula desarrollada por Ito es un instrumento muy til para tratar con la valoracin de los derivados financieros,
es decir, con contratos emitidos sobre activos
financieros subyacentes. A travs de dicha frmula podemos determinar la ecuacin diferencial estocstica del derivado financiero una vez que conocemos la
ecuacin diferencial estocstica del activo subyacente. Es decir, si la ecuacin
que modeliza el comportamiento del precio de un activo financiero (S) es:
(27) dS = S dt + S dz
y suponiendo constantes y ; podemos aplicar el proceso de Ito para modelizar
el comportamiento de otro activo financiero G que depende -o deriva- del valor
de S y del valor del tiempo. Sustituyendo la variable a por S y la variable b por
S:
G
G
1 2 G 2 2
G
(28) dG =
S +
+
S dz
2 S dt +
t
2 S
S
S
F
= - rf S e rf ( Tt ) ;
t
2 F
= 0
S2
Si el precio (S) del activo financiero sigue un proceso de Wiener con un rendimientoesperado y una volatilidad tendremos que el proceso de F ser segn
la ecuacin (30):
19
r (Tt)
S - rf Se rf (Tt ) dt + e rf (Tt )S dz
(30) dF = e f
sustituyendo S erf(T-t) por F en los tres trminos en los que aparece (vase la ecuacin 31) y agrupando trminos:
(31) dF = ( F - rf F) dt + F dz = ( rf) F dt + F dz
cuya tendencia vendr expresada por ( rf) y su volatilidad por .
Como ejemplo, supongamos que el precio inicial del subyacente es 10 euros, que
la tendencia () de crecimiento de ste es del 6% anual, qu su volatilidad es del
30% anual, que el tipo de inters sin riesgo es del 2% anual (es decir, la tendencia del valor del contrato a plazo es: 6% - 2% = 4%) y que el plazo mximo es de
25 meses. En la figura 9 se muestran dos grficas de las muchas simulaciones que
se pueden realizar (si la volatilidad fuese nula ambas grficas seran dos lneas
rectas que coincidiran al final de su vida para un valor de 11,27).
Fig. 9
G
= 0 ;
t
2 G
1
= - 2
S2
S
Si el precio (S) del activo financiero sigue un proceso de Wiener con un rendi y una volatilidad tendremos que el proceso de G ser segn
miento esperado
la ecuacin (28):
20
1
S
(33) dG = S -
1 1 2 2
1
S dz
2 S dt +
2S
S
2
dG = dt + dz
2
la tendencia de este proceso de Wiener vendr expresada por ( 2/2) y su volatilidad por . Los cambios en G entre la actualidad y un momento futuro del
tiempo T siguen una distribucin normal con media ( 2/2) T y desviacin tpica T.
Como ejemplo, supongamos los mismos datos del ejemplo anterior en el que el
precio inicial del subyacente es de 10 euros, que la tendencia () de crecimiento
de ste es del 6% anual, que su volatilidad es del 30% anual y que el plazo mximo es de 25 meses. En la figura 10 se muestran dos grficas de las muchas simulaciones que se pueden realizar
Fig. 10
6.3 Ejemplo
Supongamos ahora que tenemos la funcin:
(34) G = 3 + t + e
St
G
= eS t ;
S
G
= 1 ;
t
2 G
= eS t
S2
Si el precio (S) del activo financiero sigue un proceso de Wiener con un rendi = 0 y una volatilidad = 1 tendremos que el proceso de G semiento esperado
r segn la ecuacin (28):
S
(35) dG = e t S + 1 +
1 St 2 2
e S dt + eSt S dz
2
21
1 St 2 2
e S 1 dt + eSt 1S dz
1 St 2
S
dG = 1 + e S dt + e t S dz
2
S
dG = e t 0 S + 1 +
dr =
1
1
1
1
dp + dq - 2 dp2 dq2
p
q
2p
2q2
1
1
1
1
( pdt + ppdzp) + ( qqdt + qqdzq ) - 2 ( ppdt + ppdzp)2 ( qdt + qqdzq)2
p p
q
2p
2q2 q
dr = pdt + pdzp + qdt + qdzq -
1
1
( pdt + pdzp)2 ( dt + qdzq)2
2
2 q
dado que los trminos (dt)2 y dtdz -que viene a ser igual a (dt)3/2- son despreciables; y que al ser dz = dt, entonces (dz)2 = dt:
dr = pdt + pdzp + qdt + qdzq -
1 2
1
pdt - 2qdt
2
2
22
(39)
dr = ( p + q -
1 2
1
p - 2q) dt + pdzp + qdzq
2
2
Por tanto, r = Ln(R) sigue un proceso de Wiener de tal manera que dr se distribuye en un intervalo de tiempo T segn una Normal cuya media, o tendencia del
proceso, es igual a r = ( p + q - 1 2p - 1 2q) T y una varianza, o volatilidad, del
2
proceso igual17 a r2 = (p2 + q2 + 2pqpq)T, donde pq indica el coeficiente de correlacin entre el precio del producto y la cantidad vendida.
Como sabemos que r = Ln (R) entonces tomando logaritmos y despejando R obtendremos que R = er. Y, por tanto R1 = er+dr = er.edr = R.edr. As podemos construir
la variacin de los ingresos (ver figura 11 en la que p0 = 6 euros, q0 = 10.000 litros, p = 4,2%, q = 1,6%, p = 16,8%, q = 21%, pq = -0,2).
Fig.11
6.5 Ejemplo: La ecuacin diferencial estocstica de Black y Scholes18
En su bsqueda de la frmula que permitiera valorar las opciones financieras y
como paso necesario para conseguirla Black y Scholes19 se encontraron con una
ecuacin diferencial estocstica que, una vez resuelta les permiti obtener la que
posiblemente es la expresin matemtica ms importante de las finanzas20. Vemosla.
Denominemos por M al nmero de acciones emitidas de una empresa, siendo S
su precio. Por otra parte, disponemos de N opciones de compra cuyo precio actual es C. El valor de nuestra cartera ser igual a:
17
p + q indica la volatilidad del proceso; para calcular su varianza hay que elevar la suma al cuadrado (p +
2
2
2
q) cuyo desarrollo es: p + q + 2pqpq.
18
Se sigue a Szpiro (2011, 259-260)
19
Black, F y Scholes, M. (1973): The Pricing of Options and Corporate Liabilities, Journal of Political
Economy 81. Pp: 637-654
20
Se la ha comparado con la Ley de Gravitacin Universal de Isaac Newton.
23
(40) V = M . S + N . C
Obviamente el valor de la cartera (V) vara al variar los precios de las acciones y
de las opciones:
(41) dV = M . dS + N . dC
Resulta que dC depende de dS (es decir, el valor de la opcin depende del valor
de la accin subyacente, y si sta ltima vara aquella tambin lo har) y del tiempo. Si aplicamos el lema de Ito y desarrollamos el valor de dC a travs del desarrollo en serie de Taylor obtendremos:
(42) dC =
C
C
1 2C 2 2
dS +
dt +
S dt
S
t
2 S 2
C
C
1 2C 2 2
dS +
dt +
S dt
(43) dV = M . dS + N .
t
2 S 2
S
M
C
= N
S
S
C
24
S C
C
1 2C 2 2
.
dS +
dt +
S dt
C S
t
2 S 2
S C
S C
1C 2 2
dV = dS dS
dt +
S dt
C S
C t
2 S 2
S C
1C 2 2
dV = dS - dS
+
S dt
C t
2 S 2
2
S C
1 C 2 2
dV =
+
S dt
C t
2 S 2
(46) dV = 1 . dS -
S
(48) dV = rf dt V = rf dt (1 . S + N . C) = S - C
r dt
C f
S C
1 2C 2 2
S
+
r dt
2 S dt = S - C
C t
2 S
C f
C
1 2C 2 2
C
S
+
S - C
r
2 S = 2 S
S
C f
t
C
C
S
1 2C 2 2
= S - C
r
S
t
S
C f
2 S 2
C
C
S C
1 2C 2 2
= S rf + C
rf S
t
S
C S
2 S 2
C
C
1 2C 2 2
= C rf S rf S
t
S
2 S 2
(49) -
BIBLIOGRAF A
CHANCE, Don (2005): A Non-Technical Introduction To Brownian Motion. Financial
Engineering
News.
Marzo-abril
42.
Disponible
en:
http://www.fenews.com/fen42/teach_notes/teaching-notes.html
DIXIT, Avinash y PINDYCK, Robert (1994): Investment under Uncertainty. Princeton University
Press. Princeton (NJ). Pp.: 60-63
FINNEGAN, Jim (2005): Geometric Brownian Motion: Using Excel to Understand the Math
Behind the Random Walk of Stock Prices. Financial Engineering News. Marzo-abril n 42.
http://www.fenews.com/fen42/back_to_basics/back_to_basics.htm
HULL, John (2000): Options, Futures, & Other Derivatives. Prentice Hall. Englewood Cliffs (NJ) (4
ed.)
NEFTCI, Salih (1996): An Introduction to the Mathematics of Financial Derivatives. Academic
Press. San Diego. California.
SEYOUM, Emayenesh y CHAN, Chris (2012): A real-options analysis of wine grape farming in
north west Victoria. Research Paper 2012.4. Department of Primary Industries, Victoria
SZPIRO, George (2011): Pricing the Future. Basic Books. Nueva York
26