Captulo 17

Las Expectativas y precios Kernels (de los ncleos de una funcin)

17.1 Introduccin

En el captulo 6 se demostr que la fijacin de precios de pago -y tambin su extensin, la

valoracin funcional- puede ser representada por los precios estatales o por probabilidades de riesgo
neutro. En este captulo derivamos otra representacin de la funcionalidad de precios de pago, el
ncleo de una funcin de precios. La existencia del Kernel o ncleo de una funcin de precios es
una consecuencia del Teorema de Representacin de Riesz, que dice que cualquier funcional lineal
en un espacio vectorial puede ser representado por un vector en ese espacio.

Comenzamos introduciendo los conceptos de producto interior, ortogonalidad y proyeccin

ortogonal. Estos conceptos estn asociados con una importante clase de espacios vectoriales, los
espacios de Hilbert, a los que se aplica el Teorema de Representacin de Riesz. En el contexto de
las finanzas, el teorema de la representacin de Riesz implica que cualquier funcional lineal en la
extensin del activo se puede representar por un payoff (liquidacin de una deuda). Dos funcionales
lineales son de particular inters: La fijacin de precios de pago y las expectativas funcionales que
asigna cada pago en su expectativa. Sus representaciones son el Kernel de precios y el kernel de
expectativas, respectivamente.
Los mtodos espaciales de Hilbert son importantes para el estudio del modelo de fijacin de precios
de activos de capital y de fijacin de precios de factores en los siguientes captulos. Nuestro
tratamiento de estos mtodos aqu es matemticamente superficial, ya que nuestro inters est en
llegar rpidamente a los resultados que son aplicables en las finanzas. En particular, el espacio de
reclamos contingentes de dimensin finita Rs es para nosotros el ejemplo primario de un
espacio de Hilbert. Las aplicaciones ms importantes de los mtodos espaciales de Hilbert vienen
cuando el espacio de recompensa es infinito-dimensional. Los lectores que planean estudiar el caso
de dimensin infinita se animan a leer las fuentes citadas al final de este captulo.

17.2 Espacios de Hilbert y Productos Internos

Un producto interno en un espacio vectorial H es una funcin H H a R usualmente
indicada por un punto, que obedece las siguientes propiedades para todo x ; y H y todos
a,bR:
Simetra: x y= y x ,
Linealidad: x ( ay +bz )=a ( x y )+ b( x z ) ,
Estricta posibilidad: x x> 0 when x 0 .

El producto interior tambin se denomina producto escalar o como producto final.

El producto interno define una norma de un vector en el espacio vectorial H

x ( x x ) . (17.1)
La norma satisface las siguientes propiedades importantes para todo x, y H :
Desigualdad triangular: x + yx+ y ,
Desigualdad de Cauchy-Schwarz: |x y|x y .

Adems, la norma define la convergencia de una secuencia de vectores en H , y por lo tanto la

continuidad de funcionales sobre H .

Un espacio de Hilbert es un espacio vectorial H que est equipado con un producto interno y
est completo con respecto a la norma inducida por su producto. En este contexto, la completitud
significa que cualquier secuencia de Cauchy de elementos del espacio vectorial H converge a
un elemento de ese espacio.

17.3 El Producto Interno y sus Expectativas

s
El espacio de los planes de consumo de fecha 1 del estado-contingente es un espacio de
R
Hilbert. El producto interno ms familiar en ese espacio es el producto interior euclidiano:

x y= x s y s . (17.2)
s

Otro producto interno, importante en la derivacin del Modelo de Precios de Activos de Capital, es
el expectativo producto interior:
x y=E ( xy) (17.3)

Donde, como de costumbre, E ( xy )= s x s y s Para una medida de probabilidad en

s

S . La norma inducida por el producto interno de las expectativas es

x= E (x 2)= var ( x ) +(E ( x ) ) .

2
(17.4)

17.4 Vectores ortogonales

Dos vectores x, y H son ortogonales, denotados por x y , si su producto interno es
cero:
x y iff x y=0 . (17.5)

Una coleccin de vectores { z1 , , zn } en un espacio de Hilbert H es un sistema ortogonal

si zi z j para todo i j . Si ademas z i=1 para cada i , entonces la
coleccin o sucesin { z 1 , , z n } es un sistema ortonormal. Un conjunto de vectores es
ortonormal si es a la vez un conjunto ortogonal y la norma de cada uno de sus vectores es igual a 1.

17.4.1 Teorema de Pitgoras

Si { z1 , , zn } es un sistema ortogonal en un espacio de Hilbert H , entonces

 2

n n
2
z i = z i . (17.6)
i=1 i=1
Prueba: Escriba el lado izquierdo usando el producto interno y aplique la definicin de ortogonalidad.

Una implicacin til del Teorema de Pitgoras es la siguiente:

17.4.2 Corolario

Cualquier sistema ortogonal de vectores no nulos es linealmente

independiente.

Prueba: Sea { z1 , , zn } sea un sistema ortogonal con zi 0 para cada i . Suponer que

i z i=0 (17.7)
i=1

Para algunos i R . Como { 1 z 1 , , n z n } es tambin un sistema ortogonal, se sigue de 17.6 y

17.7 que

n n

z i= i z i
2
i =0 (17.8)
i=1 i=1

Esto implica que i=0 para cada i y, por tanto, que los vectores z 1 , , z n son linealmente
independientes.

17.5 Proyecciones ortogonales

Un vector xH es ortogonal a un sub espacio lineal ZH si es ortogonal a cada vector en
zZ :

xZ iff x z=0 z Z . (17.9)

Si el sub espacio Z z 1 , , z n , entonces un vector x es

es el intervalo lineal de los vectores
ortogonal a Z si es ortogonal a cada z i para
i=1, , n . El conjunto de todos los vectores
ortogonales a un subespacio Z es el complemento ortogonal de Z y se denomina Z . Es un
subespacio lineal de H .

17.5.1 Teorema de proyeccin

Para cualquier subespacio de dimensin finita Z de un espacio de Hilbert H y cualquier vector

x H , existen vectores nicos x z Z y tal que
y z
z 1
x=x + y .
Prueba: Sea { z1 , , zn } sea un sistema ortogonal que abarca Z , y define
 n
x zi
x z = z , (17.10)
i=1 zi zi i
y
z
y=xx (17.11)

El vector x z asi definido est en Z . Tenemos

x zi
z
zi zi i
n
x (17.12)
i=1

y z j =
x zi
(
x )
z z =0 .
zi zi j j
(17.13)

Por lo tanto, y z j para cada j=1, , n . Por tanto y Z .

Para ver que x z es nico, supongamos que x=x z2+ y 1=x z2+ y 2 para algunos
x z1 , x z2 Z y y 1 ; y 2 Z . El teorema de Pitgoras implica

2 2 2
y 2 =x z1x z2 + y 1 , (17.14)

2 2 2
y 1 =x z1x z2 + y 2 . (17.15)

Las ecuaciones 17.14 y 17.15 implica que

2
x z1x z2 =0 (17.16)

As, por la estricta positividad de los productos internos

z z
, x 1=x 2 .

Si Z es un subespacio (finito-dimensional) de un espacio de Hilbert H , entonces el teorema

17.5.1 implica que H se puede descomponer como H=Z+ Z , con Z Z = {0 } .

El vector x z de la descomposicin nica del Teorema 17.5.1 es la proyeccin ortogonal de x

sobre Z . Si la proyeccin se toma con respecto a las expectativas del producto interno, entonces los
coeficientes de la representacin 17.10 de la proyeccin ortogonal son

x z i E (x z i )
= , (17.17)
z i z i E(z 2i )
y tenemos

n
E (x z i)
x =
z
zi . (17.18)
i=1 E (z 2i )

As, la proyeccin con respecto a las expectativas del producto interno es la misma que la regresin lineal. La
ecuacin 17.18 es la ecuacin para el valor predicho de la variable dependiente para valores dados de las
variables independientes.

17.5.2 Ejemplo
2
En el espacio de Hilbert
R con el producto interno de las expectativas dado por probabilidades
(1/4, 3/4 ) , deje Z = span {(1,1) } y x=(1 , 2) . La proyeccin ortogonal x z es

( 1,2 ) ( 1,1 ) 7
xz = (1,1 )= ( 1,1 )=(7/4 ,7 /4) (17.19)
( 1,1 ) ( 1,1 ) 4

17.6 Mtodos Diagramaticos en los Espacios de Hilbert

Una de las caractersticas ms atractivas de los espacios de Hilbert es que se prestan bien a las
representaciones diagramticas. Para ver esto, considere un espacio bidireccional de Hilbert en el que las
coordenadas se expresan en trminos de una base ortonormal 1 , 2 . T El producto interno de dos
vectores x e y es dado por

x y=(x1 1 + x 2 2 )( y1 1 + y 2 2) (17.20)

Como 1 y 2 son ortonormales, tenemos

x y=x 1 y 1 + x 2 y 2 , (17.21)

Por lo que podemos representar el espacio de Hilbert por el plano euclidiano de pares ordenados de
nmeros reales con la "base natural" ( 1 ,0 ) , (0 ,1) y en el que el producto interno es el producto
interior euclidiano. Por lo tanto x e y son ortogonales si son perpendiculares, es decir, si
x 1 y 1 + x 2 y 2=0.
En aplicaciones financieras, los vectores base son afirmaciones de estado {e s } Aunque stas son
ortogonales bajo el producto interno de las expectativas, no constituyen una base ortonormal porque no
tienen una norma unitaria:

e s e s =E ( e 2s )= s 1 17.22

Si usamos reivindicaciones de estado como base en una representacin diagramtica, entonces los pagos
ortogonales no tienen que ser perpendiculares (a menos que las probabilidades de todos los estados sean
iguales). Las proyecciones ortogonales son sesgadas. Por ejemplo, la proyeccin ortogonal
x z =(7 /4 , 7/ 4) del vector x=(1 , 2) en Z =span {(1 ,1) } en el ejemplo 17.5.2 difiere
de la proyeccin perpendicular (3/2, 3/2) . Por supuesto, es fcil eliminar esta asimetra
reescalonando los vectores de base.

17.7 Teorema de representacin de Riesz

Un funcional lineal y (norma) continuo en un espacio de Hilbert tiene una forma simple; Es el producto
interior con un vector en ese espacio.

17.7.1 Teorema (Riesz-Frechet)

si F : H R es un funcional lineal continuo en un espacio de Hilbert H , entonces existe un

vector nico k f en H tal que

F ( x )=k f x x H (17.23)

Demostracin: Si F k f =0 . Supongamos que F es

es el cero funcional, entonces tomamos
una funcin no nula. Sea N= { x H : F ( x )=0 } el espacio nulo de F y N el complemento
ortogonal de N . Tenemos H=N + N , y N {0 } .

Elija un vector no nulo z en N Mediante la multiplicacin de z por un escalar

podemos tener F(z )=1 . Cualquier vector xH puede escribirse como:

x=( xF ( x ) z ) + F ( x ) z (17.24)

Tenga en cuenta que (xF (x) z) N . Como zN , se sigue que

z x=z ( F ( x ) z) (17.25)
Ahora puesto

z
k f= (17.26)
(z z )

Entonces 17.25 implica

F ( x )( z z )
k f x= =F (x) , (17.27)
( z z)

De modo que kf satisface 17.23.

Queda por demostrar que k f es unico. Si hay kf y kf se satisface 17.23,
entonces
( k f k f ) x=0 (17.28)

Tiene para todo x H, por lo tanto ( k f k f )=0 .

El vector k f en la representacion 17.23 es llamado el nucleo Riesz
correspondiente a F .
17.8 Construccin del ncleo de Riesz

Encontrar el ncleo de Riesz para una funcion lineal en el espacio de Hilbert Rs con el producto interior
euclidiano es fcil. El kernel se obtiene de k f =F (e s ) , lo que implica por linealidad que
F( x )= k fs x s . Obtener el ncleo con el producto interno de las expectativas es igualmente fcil. El
s

F puede escribirse primero F( x )= k s x s . Entonces kfs k =k s / da la

fs
s
representacin deseada
F ( x )= s k s x s =E( k f x)
s

Cualquier subespacio completo de un espacio de Hilbert es un espacio de Hilbert en su propio

derecho bajo el mismo producto interior. El teorema de representacin de Riesz puede aplicarse, por lo
tanto, a funcionales lineales en subespacios completos de un espacio de Hilbert. As, si Z es un
subespacio completo de un espacio de Hilbert H y F es un funcional lineal continuo sobre Z ,
entonces existe un ncleo nico k f en Z tal que F( z )=k f z se cumple para cada
zZ .

Si el subespacio Z es un intervalo lineal de una coleccin finita de vectores { z1 , , zn } , entonces

el ncleo kf de una funcin lineal F: ZR puede ser construido como sigue.
Permitir
w i=F(z i ) (17.29)

para i=1 , ,n los valores de F sobre los vectores de base de Z . El ncleo k f tiene
que satisface n ecuaciones
w i=k f z i i=1 , ,n (17.30)

n
Puesto que k f Z , tenemos k f = a j z j . Sustituyendo en 17.30, obtenemos n
j=1
ecuaciones

n
w i = a j z j z i i=1 , ,n (17.31)
j=1

with n unknowns a j which can be solved using standard methods.

The following example illustrates the above construction:

17.8.1 Example

Let Z = span {(1,1) } R 2 , and let the inner product be the expectations
inner product given by probabilities (1/4,3 /4) . Let F : R Z be given by

F ( z )=2 z 1 (17.32)
 z
For z=( 1, z 2) Z

Vector (1 ,1) constitutes a basis of Z . The kernel kf has to satisfy

k f =a(1 ,1) for some scalar a . Since F(1 , 1)=2 we can solve for a
from the single equation

2=a ( 1,1 ) ( 1,1 )=a(1/4 +3/4 ) (17.33)

Thus a=2

k f =a(2 ,2) (17.34)

17.9 The Expectations Kernel

The asset span is a subspace of the Hilbert space Rs with the expectations
inner product, and hence is a Hilbert space in its own right. Consequently the
Riesz Representation Theorem applies to linear functionals defined on the asset
span. Two linear functionals on the asset span M are of particular interest:
the expectations functional, discussed in this section, and the payoff pricing
functional, discussed in Section 17.10. The probability measure defining
the expectations inner product is taken to be agents' subjective probability
measure. If agents' preferences have expected utility representations, then
is the probability measure (assumed common to all agents) of the
expected utility.

The expectations functional E maps every payoff z M into its

expectation E( z ) . The Riesz kernel k e associated with the expectations
functional is the unique payoff that satisfies

E ( z )=E ( k e , z ) , zM (17.35)

We emphasize that 17.35 is valid only when z is in the asset span and need
not be valid for contingent claims outside the asset span. The expectations
kernel can be constructed using the method of Section 17.8 with security
payoffs x 1 , , x n as the basis of M .

If the risk-free payoff is in the asset span M , then the expectations kernel
k e is risk-free and equal to one in every state. If the risk-free payoff is not in
the asset span, then the kernel k e is the orthogonal projection of the risk-free
payoff on M . To see this, observe that

E [ ( ek e ) z ]=0 (17.32)
for every z in M , where e denotes the payoff of one in every state.
Therefore ek e is ortogonal to M . Since e=( ek e ) +k e , it follows that
k e is the projection of e onto M .

17.9.1 Example

Assume that there are three states and two securities with payoffs
x 1=(1 , 1 ,0) and x 2=(0 , 1 ,1) . The probability of each state is 1/3 .
To find the expectations kernel we consider the following two equations for
expected payoffs:

2
=E(k e , x1 ) (17.37)
3
And
2
=E(k e , x2 ) (17.38)
3
Since the expectations kernel k e lies in the asset span, we have

k e =h1 x 1+h2 x 2=(h1 , h1+ h2 ,h 2) (17.39)

for some portfolio (h1 , h2) . Substituting 17.39 in 17.37 and 17.38 we obtain

2 1 1
= h1 + (h 1 +h2 ) (17.40)
3 3 3
And
2 1 1
= ( h1 +h2 ) + h2 (17.41)
3 3 3

2
The solution is h1 h2= which gives
3
( 23 , 43 , 23 ) . (17.42)

Note that k e is not the risk-free payoff since the the risk-free payoff is not in
the asset span.

17.10 The Pricing Kernel

The Riesz kernel associated with the payoff pricing functional q on the asset
span M is the pricing kernel k q . It is the unique payoff in M that
satisfies.

q ( z )=E (k q z) , zM (17.43)

The pricing kernel can be constructed using the method of Section 17.8 with
security payoffs x 1 , , x n as the basis of M .
The expectation E(k q z ) is well-defined for contingent claims z not in the
asset span, but it
does not in general define a positive valuation functional on Rs . This is so
because the pricing kernel need not be positive (or strictly positive) even if
there is no strong arbitrage (arbitrage). For example, if there is no portfolio with
strictly positive payoff, then the pricing kernel cannot be strictly positive.

If there is no arbitrage (strong arbitrage), then there exists a strictly positive

(positive) state
price vector q=( q1 , ,q s ) such that

q ( z )= qs z s (17.44)
s

for every z M . Consider the vector of state prices rescaled by the

probabilities of states, denoted by q / =(q 1 / 1 , , q s / s) . We can rewrite
17.44 as

q
q ( z )=E ( z ) (17.45)

Eqs. 17.43 and 17.45 imply that

E
[( ) ]
q

k q z =0 (17.46)

for every z M , and hence that q / k q is orthogonal to M . Since

q
q / =( k q )+k q , it

follows that the pricing kernel k q is the projection of q / on M .

The pricing kernel is unique regardless of whether markets are complete or

incomplete. If
markets are incomplete, then there exist multiple state price vectors. When
rescaled by probabilities all these vectors have the same projection on the
asset span, and that projection is the pricing kernel k q . If markets are
complete, then there exists a unique state price vector q and the pricing
kernel k q equals q / .

If q is an equilibrium payoff pricing functional, then

1 v
q ( z )=E ( z) (17.47)
2 v
1 v
for every z M (see 14.1), where is the vector of marginal rates of
0 v
substitution of an
agent whose utility function has an expected utility representation E[v ( c)]
and whose equilibrium consumption is interior. The projection of the vector
1 v
on the asset span M equals the pricing kernel k q . If markets are
0 v
complete, the vector of marginal rates of substitution equals k q , and this
holds for all agents with interior consumption.

Substituting z=k e in 17.46 we obtain

E ( q )=E (k )
q . (17.48)

It follows that if the state price vector q is positive and nonzero, then the
expectation of the pricing kernel is strictly positive. If the risk-free payoff is in
the asset span, then

1
E ( k q )=E ( k q k e )= , (17.49)
r^
which is used in the following chapter.

17.10.1 Example
In Example 17.9.1, assume that security prices are p1=1, p 2=4 /3 . To find the
pricing kernel, we consider the equations for prices of securities

1=E(k q x 1) (17.50)
And
4 /3=E (k q x 2) (17.51)

The pricing kernel k q lies in the asset span, so we have

k q =h1 x1 +h 2 x 2=(h1 , h1 +h 2 , h2 ) (17.52)

for some portfolio (h1 , h2) . The solution is h1=2 /3, h2=5 /3 , which gives

2 7 5
k q =( , , ) (17.53)
3 3 3

Notes
Comprehensive treatments of the theory of Hilbert spaces can be found in
Luenberger [5 ] , Dudley [3 ] , and Young [6 ] . Hilbert space methods were
introduced in nancial economics by Harrison and Kreps [4] , Chamberlain
[1] and Chamberlain and Rothschild [2]

In Section 17.2 we noted without discussion that a space on which an inner

product has been defined must be complete to be a Hilbert spaces. This
requirement is innocuous in finite-dimensional spaces with the Euclidean or the
expectations inner product, but not in infinite-dimensional spaces. For example,
let be the space of finitely nonzero sequences of real numbers, i.e.,
sequences with only a finite number of nonzero terms. The expectations inner
product defined by probabilities 1/2,1/ 4,1/8, has all the properties of
Section 17.2, but the space is not complete and hence is not a Hilbert space. To
see this, consider the sequence { z n } of elements of where z n is a
sequence of ones in the first n places and zeros thereafter. Sequence { z n }
converges in the norm to (1,1, )
(and hence is a Cauchy sequence), but the limit is not an element of .