SSRN Id2316025

Monografas de Juan Mascareas sobre Finanzas Corporativas
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

ISSN: 1988-1878
1. EL PROCESO DE WIE NER 1

El proceso de Wiener es un proceso estocstico de tiempo continuo2 que se caracteriza por tener tres propiedades importantes:
1. Es un proceso de Markov. Lo que significa que la distribucin de probabilidad de todos los valores futuros del proceso depende nicamente de su valor actual, no siendo afectada por sus valores pasados, ni por ninguna otra
informacin actual. Por tanto, el valor actual del proceso es la nica informacin necesaria para realizar la mejor estimacin de su valor futuro (por
ejemplo, si el precio de una accin sigue este tipo de proceso su actual valor en Bolsa es la mejor estimacin de su valor futuro). El proceso de Wiener es un tipo de proceso de Markov con una media nula y una varianza
anual igual a la unidad ! (0,1)
2. Tiene incrementos independientes. Lo que significa que la distribucin de
probabilidad de los cambios en el proceso en cualquier intervalo temporal
es independiente de la de cualquier otro intervalo. As pues, si la variable
aleatoria z sigue un proceso de Wiener sus variaciones (z) para cualesquiera dos pequeos intervalos de tiempo (t) son independientes. Por
ejemplo, volviendo a nuestra accin, la variacin en el precio que puede
tener cada da -su rendimiento diario- es independiente de la que puede
tomar al da siguiente o de la del da anterior.
3. Las variaciones en el proceso (z) los rendimientos- producidas en un intervalo finito de tiempo (t) se distribuyen normalmente, con una varianza
que aumenta linealmente con el tamao del intervalo temporal. Por tanto,
z =
(donde es una variable aleatoria del tipo [0,1]).
El proceso de Markov implica que slo la informacin actual es importante a la
hora de establecer los valores futuros esperados del proceso (es decir, los rendimientos futuros del activo). As, como ya hemos sealado, los precios de las acciones se pueden modelizar como un proceso de Markov desde el momento en
que la informacin pblica es incorporada rpidamente en el precio actual del
Segn Finnegan (2005) y Szpiro (2011): En 1827 el botnico escocs Robert Brown observ a travs de un
microscopio el movimiento aleatorio de las partculas de polen en el agua. Aunque no fue el primero en
observar este fenmeno (el holands Jan Ingenhousz lo describi en 1.785) se le denomina Movimiento
Browniano en su honor. Cuando en el siglo XX se descubri que el proceso de Wiener era un instrumento
matemtico til no slo para modelizar el comportamiento de las partculas de polen sino tambin los
movimientos de los precios burstiles se le denomin Movimiento Browniano Geomtrico -implica que los
cambios en los precios se expresan como ratios, o en trminos porcentuales; si los cambios fuesen en
trminos absolutos se llamara aritmtico-. De esta manera Movimiento Browniano se utiliza como expresin coloquial que se aplica a cualquier tipo de fenmeno aleatorio. Tcnicamente hablando el modelo
de recorrido aleatorio de los precios de las acciones se basa en el proceso de Wiener, que es un caso particular de los procesos aleatorios.
Sobre los procesos estocsticos vase la monografa que precede a esta: Mascareas, Juan (2015): Procesos
estocsticos: Una introduccin. Monografas de Juan Mascareas sobre Finanzas Corporativas 27.
Disponible en http://ssrn.com/abstract=2316024

ISSN: 1988-1878
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
t s. De tal manera que los valores de z para dos intervalos diferentes de

tiempo son independientes entre s (por tanto, z(t) sigue un proceso de
Markov con incrementos independientes).
Ahora vamos a ver qu implican estas dos condiciones con relacin a los posibles
cambios esperados en el valor de z a lo largo de un intervalo finito de tiempo T.
Subdividiremos el intervalo T en n unidades temporales cuya longitud es t y, por
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.

ISSN: 1988-1878
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
(1) z(s + T) z(s) = i t

i=1

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

ISSN: 1988-1878
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
Por otro lado, el segundo componente b dz puede contemplarse como el ruido

aadido al primer componente, es decir, la variabilidad del sendero seguido por
los valores de la variable x. La cantidad de ruido o variabilidad es b veces un proceso de Wiener. Un proceso de este tipo tiene una desviacin tpica igual a la
unidad, por lo que b veces un proceso de Wiener tendr una desviacin tpica
igual a b.

7
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

ISSN: 1988-1878
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-

ISSN: 1988-1878
da que aparece en la figura 1 es una lnea de tendencia que se obtiene aplicando

la ecuacin 5 con un valor de t = 0.

Fig. 2 Previsin ptima del proceso de Wiener con tendencia
En la figura 2 se muestra la misma ecuacin 5 pero slo hasta el final del ao

1974, a partir del cual se calcula la previsin ptima de dicho proceso estocstico
desde 1975 hasta 2000. Dicha previsin se basa en el ltimo valor alcanzado,
porque segn la propiedad de Markov slo el valor de x(t) para diciembre de
1974 es necesario para construir la previsin. El valor previsto de x para T meses
ms all de diciembre de 1974 viene dado por la ecuacin:
x 1974 +T = x1974 +
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

ISSN: 1988-1878
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

ISSN: 1988-1878
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)
2.1 El proceso de Ito

El proceso de Ito es un proceso de Wiener generalizado en el que los parmetros
a y b son, a su vez, funciones del valor de la propia variable y del tiempo, es decir, de x y de t.
(6) dx = a(x,t) dt + b(x,t) dz
La media de este proceso -E(dx)-, teniendo en cuenta que E(dz) = 0, es igual a:
(7) E(dx) = a(x,t) dt
La varianza del proceso es igual a E[dx2)-(E[dx])2, que contiene trminos en dt,
(dt)2 y (dt)(dz) o lo que es lo mismo (dt)3/2 -recurdese que dz = (dt)1/2-. Si dt es infinitamente pequeos podemos ignorar (dt)2 y (dt)3/2 por lo que la varianza del proceso tasa de varianza instantnea- es igual a:
(8) 2(dx) = b2(x,t) dt

ISSN: 1988-1878
De hecho, la tendencia esperada y la varianza del proceso de Ito varan a lo largo

del tiempo. Para pequeas variaciones temporales (t) el valor de la variable pasa
de x a x+x, donde:
x = a(x,t) t + b(x,t)
Ejemplo: En la figura 5 se pueden ver tres grficas generadas por un proceso

de Ito. Para ello se ha supuesto que en el instante t:
a) El parmetro a es: at = 0,1 xt-1 (0,1 xt-1 1) Min (t/xt-1 ; 0,5)
b) El parmetro b es: (xt-1/t) 0,1
c) x0 = 10
d) xt = xt-1 + a dt + b dz (donde dz es del tipo [0,1])

Fig. 5 Proceso de Ito
3. EL COMPORTAMIENTO DE LOS PRECIOS BURS TI LES

Vamos a modelizar el movimiento de los precios burstiles de las acciones (sin
dividendos) suponiendo que los precios siguen un proceso de Wiener generalizado, es decir, que tienen una tendencia y una varianza constantes. Sin embargo, el
modelo no contiene un aspecto clave: la tasa de rendimiento mnima exigida por
los inversores para un activo cualquiera; tasa que no depende de su precio. Es decir, si exigen un rendimiento mnimo del 12% anual a una accin cuyo precio es
10 tambin se lo exigiran, si todo lo dems no vara, en el caso de que su precio fuese, por ejemplo, de 20.
9

ISSN: 1988-1878
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:

dS = St dt o tambin dS/St = dt " ST = S0 e T

donde S0 y ST indican el precio de la accin en el momento 0 y en el T. As, pues,
si la varianza es nula el precio de la accin crecer continuamente a una tasa
compuesta por unidad de tiempo.
En la prctica, la volatilidad no es nula. Un supuesto razonable es que la variabilidad del rendimiento esperado en un corto plazo de tiempo (t) es la misma sin
importar el precio del activo. Dicho de otra manera, desde el punto de vista del
inversor, la incertidumbre sobre el rendimiento esperado es la misma tanto si el
precio es de 10 como de 20. Esto implica que la variacin del precio (dS), en
un corto plazo de tiempo (dt), debe ser proporcional al propio precio de la accin. Luego el modelo puede expresarse as:
(9) dS = S dt + S dz = S[ dt + dz]
O tambin:
(10) dS/S = dt + dz
Esta ltima ecuacin es habitualmente empleada para modelizar el comportamiento esperado del precio de las acciones.
Ejemplo: Un ttulo que no paga dividendos tiene una volatilidad del 30%
anual proporcionando una rentabilidad anual esperada del 15%. El comportamiento futuro de su precio viene dado por:
dS/S = 0,15 dt + 0,30 dz
Si St es el precio del activo en el instante t y S es el aumento del precio
durante el intervalo t:
10

ISSN: 1988-1878
S/S = 0,15 t + 0,30
Si el intervalo de tiempo fuese de una semana 0,01923 aos y el precio en

el momento t es de 10:
S/10 = 0,15 x 0,01923 + 0,30 0,01923
S = 0,0288 + 0,04149
O lo que es lo mismo, el
aumento del precio en una semana es una variable
aleatoria distribuida segn una normal de media 0,0288 y de 0,04149 de
desviacin tpica (vase en la figura 6 tres simulaciones).
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
Fig.6 Tres ejemplos del comportamiento del precio de la accin durante un ao

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

ISSN: 1988-1878
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 =
(BAIT - Intereses) (1 - tipo)

1 - tipo
(ROE) =
(BAIT)
E
E
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

ISSN: 1988-1878
En la figura 7 se ve una simulacin de ambas ecuaciones (la 13 es la lnea azul y

la 14 es la roja). Ambas ecuaciones coinciden si la velocidad del ajuste toma un
valor de b = 1.
Fig. 7 La ecuacin (14) modeliza la lnea roja (la superior) mientras que la inferior azul- es el
resultado de la ecuacin (13).
4. REVISIN DEL MODE LO

Al modelo mostrado en el epgrafe anterior se le denomina, a veces, movimiento
browniano geomtrico12. Su versin en tiempo discreto es:
(15) S/S = t +
o, tambin
(16) S = S t + S
dnde la variable S indica la variacin en el precio del activo (S) en un intervalo

de tiempo (t) y es una variable aleatoria que se distribuye segn una normal
(0,1). La tasa de rendimiento esperada por unidad de tiempo del activo es y la
volatilidad del activo viene representada por . Se supone que estos dos ltimos
parmetros son constantes.
El lado izquierdo de la ecuacin 15 muestra el rendimiento proporcionado por el
activo en un corto intervalo temporal (t). El trmino t indica el valor espera12
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

ISSN: 1988-1878
do de este rendimiento, y el trmino

es su componente estocstico. La varianza del componente estocstico (y, por ende, del rendimiento) es 2t; y, por
tanto,
es la desviacin tpica del rendimiento en un corto plazo de tiempo
(t).
En conclusin, S/S est normalmente distribuida13 con una media t y una
desviacin tpica
:
(17) S/S ! f( t ;
5. MODELIZANDO LOS S UCESOS RAROS.

El proceso de Wiener es un proceso estocstico continuo que no puede reflejar
comportamientos raros porque stos implican una discontinuidad y no dependen del tamao del intervalo temporal tomado como base.
Los sucesos normales se caracterizan porque siguen un proceso estocstico
continuo de tal manera que cuanto ms se reduzca el valor del mnimo intervalo
temporal (t) ms se reducir el tamao de dichos sucesos14 (S); as, en un mes
podemos ver muchos cambios normales, en un da veremos menos cambios y
en un segundo muchsimos menos. Por tanto, si t ! 0 el S ! 0. El proceso de
Wiener, como hemos visto, es la herramienta que nos permite modelizar este tipo
de procesos.
Los sucesos raros son diferentes porque ocurren de forma muy poco frecuente es decir, siguen un proceso discontinuo o a saltos-. Por supuesto, si se reduce el
intervalo temporal de observacin (t), la probabilidad de ocurrencia del suceso
raro se reducir pero su tamao no variar. Es decir, en un segundo se puede producir un salto del mismo tamao que el observado en un periodo de un mes; lo
que s vara es la probabilidad de ocurrencia porque, en un mes se podrn producir muchos ms saltos que en un segundo. Para modelizar estos procesos se utiliza el proceso de Poisson.
Si necesitamos modelizar un proceso estocstico continuo que adolece de tener
espordicas discontinuidades (saltos) necesitamos combinar ambos procesos.
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

ISSN: 1988-1878
Ya conocemos el proceso de Wiener as que vamos a ver las caractersticas del de

Poisson.
5.1 El proceso de Poisson
Imagine que Nt indica el nmero de saltos que pueden ocurrir en un proceso
aleatorio de manera imprevista hasta el momento t. Los incrementos de Nt pueden tomar slo dos posibles valores: a) 0, es decir, no hay salto y este valor tiene
una gran probabilidad de ocurrencia, y b) 1, es decir, hay un salto pero su probabilidad de ocurrencia es muy pequea.
Si tomamos un intervalo temporal infinitesimal (dt) la variacin Nt que se produce
en l (dNt) tendr las siguientes caractersticas:
1 con probabilidad dt
0 con probabilidad 1- dt
donde es la tasa de ocurrencia de los saltos en el periodo dt. El proceso de
Poisson tiene las siguientes propiedades:
a) Durante un pequeo intervalo de tiempo (t), en el mejor de los casos
puede ocurrir un suceso con probabilidad cercana a 1.
b) La informacin existente en el momento t no sirve para predecir si se va a
producir un suceso en el siguiente instante (t+t), es decir, el proceso
carece de memoria
c) Los sucesos ocurren a una tasa constante .
Sin embargo, para poder utilizarlo en la modelizacin de discontinuidades necesitamos realizarle dos modificaciones. La primera es que pueda variar a lo largo
del tiempo y la segunda es que los incrementos de Nt deben tener una media unla, lo que no ocurre en el proceso de Poisson.
La ecuacin diferencial estocstica que modeliza este proceso que combina sucesos normales y raros quedar de la siguiente forma:
(18) dSt = S dt + 1 S dz + 2 S dJ
dSt/S = dt + 1 dz + 2 dJ
donde dt es la tendencia o deriva del proceso (por ejemplo, el rendimiento medio esperado por unidad de tiempo); 1 dz indica la variacin estocstica de dicha tendencia que es proporcional al tiempo (recuerde dz =
, donde se
distribuye segn una normal (0,1)); y, 2 dJ modeliza los impredecibles saltos
del proceso (Jt = Nt t ; de tal manera que dJ tendr una media nula y, adems,
15

ISSN: 1988-1878
ser impredecible). Por otra parte, dz y dJ son estadsticamente independientes

entre s en cada instante t, de tal manera que conforme los intervalos temporales
sean ms pequeos, el tamao de los sucesos normales se reduce mientras se
mantiene el de los raros (por eso su correlacin debe ser nula).
En la figura 8 se muestra un ejemplo de los dos procesos trabajando conjuntamente. Se puede apreciar el comportamiento continuo y aleatorio del proceso de
Wiener y los saltos del proceso de Poisson. En el ejemplo se ha modelizado el
comportamiento diario del precio de una accin a lo largo de un ao. El precio
inicial es 15 euros, el rendimiento anual esperado es el 10% sujeto a una desviacin tpica del 30% anual, mientras que el tamao del salto se ha fijado en el
20% con una desviacin tpica del 20% y una tasa de ocurrencia por periodo ()
del 1%.
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

ISSN: 1988-1878
Supongamos que tenemos una funcin G(x) que es continua y diferenciable en

cualquiera de sus puntos. Si x representa una pequea variacin de la variable
independiente y siendo G la variacin inducida en la funcin G (variable dependiente) se puede decir que la relacin entre ambas variaciones es prcticamente
igual a la relacin entre las variaciones infinitesimales de ambas:

G
dG
dG
(19)
! G
x
x
dx
dx
es decir, que la pequea variacin en G es aproximadamente igual a la tasa de

cambio de
G en funcin de x (es decir, dG/dx) multiplicada por la pequea variacin en x. Sin embargo, se comete un pequeo error al suponer dicha igualdad;
as que si deseamos ms precisin deberemos acudir al desarrollo en serie de
Taylor:
(20) G =
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
mientras que la serie de Taylor comenzara de la siguiente forma:
(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
Si hacemos que x y t tiendan a cero, es decir, sean infinitamente pequeos

convirtindose en dx y dt, la ecuacin (22) debera ser:
(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

ISSN: 1988-1878
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)
o algo ms sencillamente expresada x = a t + b
Y, por tanto, (x)2 ser igual a:

(x)2 = [a t + b
]2 = a2 (t)2 + b22t + 2 a b (t)3/2 b22t

es decir, podemos considerar despreciables (t)2 e incluso (t)3/2 pero no b22t. Si
t tiende a cero entonces en el lmite b22t tiende16 a b2dt, que es un trmino no
estocstico.
Si ahora calculamos el lmite de la ecuacin (22) cuando x ! 0 y t ! 0 y tenemos en cuenta la importante excepcin que acabamos de sealar, obtendremos
una ecuacin similar a la (23) pero con ese importante aadido del desarrollo de
Taylor que no podemos despreciar:
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 =
reordenando y sacando factor comn dt obtendremos la expresin del lema de

Ito:
G
G
1 2G 2
G
(26) dG =
a +
+
b dt +
b dz
2
t
2 x
x
x
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
igual a E( ) [E()] = 1 y despejando E( ) = 1 + [E()] = 1 + 0 = 1

2
18

ISSN: 1988-1878
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
6.1 Ejemplo: Contratos a plazo

Supongamos que queremos valorar un contrato a plazo (forward) sobre un activo
financiero (S) que no paga dividendos siendo rf el tipo de inters sin riesgo. Su
precio (F) viene dado en todo momento por la ecuacin siguiente (T indica la fecha de vencimiento y t el momento actual):
(29) F = S erf(T-t)
Derivando parcialmente F con respecto a S, a t y a S2 tendremos:
F
= e rf ( Tt ) ;
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

ISSN: 1988-1878
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
6.2 Ejemplo: Logaritmo del precio de la accin

Vamos a utilizar el lema de Ito para derivar el proceso seguido por el logaritmo
del precio de la accin:
(32) G = Ln S
Derivando parcialmente G con respecto a S, a t y a S2 tendremos:
G
1
=
;
S
S
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

ISSN: 1988-1878
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
Derivando parcialmente G con respecto a S, a t y a S2 tendremos:
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

ISSN: 1988-1878
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 +
6.4 Ejemplo: Ingresos por ventas

Los ingresos por ventas (R) de una empresa con relacin a un producto dependen
del precio de mercado (p) y de la cantidad de producto vendida (q). Tanto p como q son variables aleatorias que siguen un proceso de Wiener (ecuaciones 35 y
36); R se distribuye segn una lognormal, de tal manera que la variacin del valor
de los ingresos -r- es igual a Ln (R) o Ln (p.q) ver ec. 37-:
(35) dp = p p dt + p p dzp
(36) dq = q q dt + q q dzq
(37) r = Ln (p.q)
Aplicando el lema de Ito (desarrollo de Taylor (ec.22)):

r
r
1 2r 2
1 2r 2
1 2r
dr =
dp +
dq +
dp +
dq +
dpdq
p
q
2 p2
2 q2
2 pq

1
1
1 1
1 1 2
1
2
+
0 dpdq
(38) dr = dp + dq 2 dp
2 dq
p
q
2p
2q
2
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
Sustituyendo en esta ltima ecuacin los valores de dp y dq mostrados en (35) y

(36) obtendremos:
dr =

ISSN: 1988-1878

(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

ISSN: 1988-1878
(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
Al trmino C/S se le conoce como delta de la opcin (indica cunto vara el

precio de la opcin al variar el precio del activo subyacente), al trmino C/t se
le conoce como theta de la opcin (indica cunto vara el precio de la opcin
al variar el tiempo) y, por ltimo, al trmino 2C/S2 se le conoce como gamma
de la opcin (indica cuanto vara la delta de la opcin al variar el precio del subyacente). 2 indica la volatilidad del precio del activo subyacente calculada como
la varianza de su rendimiento. Si ahora reemplazamos en (41) la expresin de dC
obtenida en (42):
C
C
1 2C 2 2
dS +
dt +
S dt
(43) dV = M . dS + N .
t
2 S 2
S
Ahora buscaremos la relacin entre el nmero de acciones (M) y el nmero de

opciones (N) que cubra totalmente la cartera, es decir, que oscile como oscile el
precio de la accin (S) el valor de la cartera (V) se mantenga inalterado. Esta relacin debe ser la inversa de la variacin del precio de la opcin en funcin de los
cambios en el precio de la accin subyacente:
(44)
M
C
= N
S
Por ejemplo, si el precio de la accin sube 1 euro y como consecuencia de ello el

de la opcin sube 0,5 euros (C/S = 0,5), ser necesario vender (el signo menos) dos opciones para cubrir la cartera. Supongamos ahora que M = 1 entonces
la ecuacin (44) se convertir en:
(45) N = -
S
C
24

ISSN: 1988-1878
Tomando este valor de N y sustituyndolo en la ecuacin (43):
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 -
Como la cartera est completamente cubierta su rendimiento durante un periodo

cualquiera debe ser igual al tipo de inters sin riesgo de dicho periodo (rf), es decir:
(47) dV/V = rf dt
Despejando dV y sustituyendo V por su valor en la ecuacin (40), sabiendo que
M =1 y que el valor de N se obtiene en (45):
S
(48) dV = rf dt V = rf dt (1 . S + N . C) = S - C
r dt
C f
Igualando las expresiones (46) y (48) y operando convenientemente hasta llegar a

la ecuacin diferencial estocstica
de segundo orden.
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) -
A esta ecuacin diferencial hay que aadirle la condicin frontera indicativa de

que en la fecha de ejercicio, el precio de la opcin (C) debe ser igual o mayor
que cero. Obsrvese que la ecuacin diferencial hace depender la theta de la
opcin (cmo su precio oscila en funcin de la variacin del tiempo) de la delta
25

ISSN: 1988-1878
y de la gamma de la opcin. S es una variable estocstica, que sigue un proceso

de Wiener, mientras que rf y 2 son constantes.
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

SSRN Id2316025

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

SSRN Id2316025

Uploaded by

Copyright:

Available Formats

Monografas de Juan Mascareas sobre Finanzas Corporativas

Monografas de Juan Mascareas sobre Finanzas Corporativas

1. EL PROCESO DE WIE NER 1

Monografas de Juan Mascareas sobre Finanzas Corporativas

t s. De tal manera que los valores de z para dos intervalos diferentes de

Monografas de Juan Mascareas sobre Finanzas Corporativas

(1) z(s + T) z(s) = i t

Monografas de Juan Mascareas sobre Finanzas Corporativas

Por otro lado, el segundo componente b dz puede contemplarse como el ruido

Monografas de Juan Mascareas sobre Finanzas Corporativas

Monografas de Juan Mascareas sobre Finanzas Corporativas

da que aparece en la figura 1 es una lnea de tendencia que se obtiene aplicando

En la figura 2 se muestra la misma ecuacin 5 pero slo hasta el final del ao

Monografas de Juan Mascareas sobre Finanzas Corporativas

Monografas de Juan Mascareas sobre Finanzas Corporativas

2.1 El proceso de Ito

Monografas de Juan Mascareas sobre Finanzas Corporativas

De hecho, la tendencia esperada y la varianza del proceso de Ito varan a lo largo

Ejemplo: En la figura 5 se pueden ver tres grficas generadas por un proceso

3. EL COMPORTAMIENTO DE LOS PRECIOS BURS TI LES

Monografas de Juan Mascareas sobre Finanzas Corporativas

dS = St dt o tambin dS/St = dt " ST = S0 e T

Monografas de Juan Mascareas sobre Finanzas Corporativas

S/S = 0,15 t + 0,30

Si el intervalo de tiempo fuese de una semana 0,01923 aos y el precio en

Fig.6 Tres ejemplos del comportamiento del precio de la accin durante un ao

Monografas de Juan Mascareas sobre Finanzas Corporativas

(BAIT - Intereses) (1 - tipo)

Monografas de Juan Mascareas sobre Finanzas Corporativas

En la figura 7 se ve una simulacin de ambas ecuaciones (la 13 es la lnea azul y

4. REVISIN DEL MODE LO

dnde la variable S indica la variacin en el precio del activo (S) en un intervalo

Monografas de Juan Mascareas sobre Finanzas Corporativas

do de este rendimiento, y el trmino

5. MODELIZANDO LOS S UCESOS RAROS.

Monografas de Juan Mascareas sobre Finanzas Corporativas

Ya conocemos el proceso de Wiener as que vamos a ver las caractersticas del de

Monografas de Juan Mascareas sobre Finanzas Corporativas

ser impredecible). Por otra parte, dz y dJ son estadsticamente independientes

Monografas de Juan Mascareas sobre Finanzas Corporativas

Supongamos que tenemos una funcin G(x) que es continua y diferenciable en

es decir, que la pequea variacin en G es aproximadamente igual a la tasa de

mientras que la serie de Taylor comenzara de la siguiente forma:

Si hacemos que x y t tiendan a cero, es decir, sean infinitamente pequeos

Monografas de Juan Mascareas sobre Finanzas Corporativas

o algo ms sencillamente expresada x = a t + b

Y, por tanto, (x)2 ser igual a:

reordenando y sacando factor comn dt obtendremos la expresin del lema de

igual a E( ) [E()] = 1 y despejando E( ) = 1 + [E()] = 1 + 0 = 1

Monografas de Juan Mascareas sobre Finanzas Corporativas

6.1 Ejemplo: Contratos a plazo

Monografas de Juan Mascareas sobre Finanzas Corporativas

6.2 Ejemplo: Logaritmo del precio de la accin

Monografas de Juan Mascareas sobre Finanzas Corporativas

Derivando parcialmente G con respecto a S, a t y a S2 tendremos:

Monografas de Juan Mascareas sobre Finanzas Corporativas

6.4 Ejemplo: Ingresos por ventas

Sustituyendo en esta ltima ecuacin los valores de dp y dq mostrados en (35) y

Monografas de Juan Mascareas sobre Finanzas Corporativas

Monografas de Juan Mascareas sobre Finanzas Corporativas

Al trmino C/S se le conoce como delta de la opcin (indica cunto vara el

Ahora buscaremos la relacin entre el nmero de acciones (M) y el nmero de

Por ejemplo, si el precio de la accin sube 1 euro y como consecuencia de ello el