INSTITUTO POLITÉCNICO NACIONAL

Escuela Superior de Fı́sica y Matemáticas

Aplicación de la Transformada de Fourier a la Valoración de

Opciones Financieras

T E S I S
QUE PARA OBTENER EL TÍTULO DE
LICENCIADO EN FÍSICA Y MATEMÁTICAS

P R E S E N T A
Guadalupe Nayeli Pérez Domı́nguez

DIRECTOR DE TESIS
Dr. Roberto Segundo Acosta Abreu

México, D. F. JUNIO de 2009

 A mi mamá:
Teresa Domı́nguez Grajales
Y a mi hijo:
Jorge Eduardo.

Agradecimiento especial al:

Dr. Roberto S. Acosta Abreu

por todo el apoyo brindado para la realización de este trabajo.

Índice general

Índice general III

Introducción V

1. Conceptos Básicos 1
1.1. Modelos de mercados financieros. . . . . . . . . . . . . . . . . . . . . . 1

2. Valoración de opciones mediante modelos binomiales. 3

2.1. Modelo de un perı́odo. . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2. Valoración neutra al riesgo . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.3. Modelo de varios perı́odos. . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.4. Opciones americanas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

3. La Transformada de Fourier 11
3.1. Caso discreto. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.1.1. Convolución de vectores. . . . . . . . . . . . . . . . . . . . . . . 11
3.1.2. La transformada de Fourier discreta. . . . . . . . . . . . . . . . 11
3.1.3. Propiedades de la tranformada de Fourier discreta. . . . . . . . 12
3.2. Caso continuo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.2.1. La transformada de Fourier continua. . . . . . . . . . . . . . . . 13
3.2.2. Propiedades básicas de la transformada de Fourier
continua. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

4. La transformada de Fourier y el modelo binomial 15

4.1. El modelo binomial usando la transformada de
Fourier discreta. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
4.2. Uso de la transformada rápida de Fourier (F F T ) . . . . . . . . . . . . 16

iii
iv ÍNDICE GENERAL

4.2.1. Ejemplo Numérico. . . . . . . . . . . . . . . . . . . . . . . . . . 17

5. Ecuación diferencial estocástica. 19

5.1. Proceso de Wiener. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
5.1.1. Modelo en tiempo discreto. . . . . . . . . . . . . . . . . . . . . . 20
5.2. Integral estocástica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
5.3. Ecuación diferencial estocástica. . . . . . . . . . . . . . . . . . . . . . . 23
5.3.1. Proceso de Itô. . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
5.4. Lema de Itô e implicaciones. . . . . . . . . . . . . . . . . . . . . . . . . 25
5.4.1. Aplicación a Opciones. . . . . . . . . . . . . . . . . . . . . . . . 28

6. Valoración de opciones por la ecuación de Black-Scholes. 31

6.1. La ecuación de Black-Scholes. . . . . . . . . . . . . . . . . . . . . . . . 31
6.2. Modelos continuos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
6.3. Valoración de opciones con la transformada rápida de Fourier. . . . . . 38
6.4. Ejemplo Numérico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

Conclusiones 42

A. Códigos del algoritmo de la FFT 43

A.1. Código FFT binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
A.2. Código FFT continuo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

Bibliografı́a 49
INTRODUCCIÓN v

Introducción

La valoración de opciones es una de las áreas más importantes en matemáticas financie-

ras e incorpora diferentes disciplinas de las matemáticas. Una herramienta importante
para la valoración es el uso de la transformada de Fourier. Para opciones simples de
tipo europeo tenemos lo siguiente. Si se usa el modelo binomial, y el valor de la opción
se expresa mediante las probabilidades de no arbitraje, se puede usar la transformada
de Fourier discreta. En el caso de modelos continuos, si se conoce la función carac-
terı́stica del logaritmo del precio del bien subyacente, se puede encontrar el valor de
la opción usando la transformada de Fourier continua. Esto se cumple para el modelo
de Black-Scholes y otros modelos importantes. En ambos casos, se usa con ventaja el
algoritmo de la transformada rápida de Fourier (F F T ).

El propósito de este trabajo es usar la transformada de Fourier para evaluar numérica-

mente los precios de las opciones. En el caso de la aproximación binomial del modelo
de Black Scholes, se procede directamente a obtener una expresión del valor de una
opción, usando las propiedades básicas de la F F T y la fórmula del valor expresada en
términos de las probabilidades de no arbitraje. Para modelos financieros continuos, se
necesita conocer fórmulas explı́citas para la función caracterı́stica, es decir la transfor-
mada de Fourier, del logaritmo del precio del bien subyacente. Los resultados que se
consiguen mediante el uso de la transformada de Fourier nos dan fórmulas de valuación
más rápidas, y éstas dan el precio de la opción para varios valores del precio inicial
del bien, en un mismo cálculo. Usamos como referencias básicas [1] y [2].

En este trabajo se ha procurado hacer una exposición clara y lo más completa posible,
tanto de los aspectos financieros básicos, asi como de los modelos matemáticos usados
en el problema de la valuación de opciones simples. En el modelo binomial para la
valuación de opciones desarrollamos primero el esquema tradicional básico para ex-
presar su valor en terminos de las probabilidades neutras al riesgo. Luego vemos como
se puede adaptar este modelo para poner el valor en terminos de la transformada de
Fourier discreta. Para el modelo de Black-Scholes se da un capı́tulo previo sobre los as-
pectos básicos de la integral estocástica, incluyendo la fórmula de Itô. Se dan también
las definiciones y propiedades básicas de la transformada de Fourier.
vi INTRODUCCIÓN

En el aspecto del cálculo numérico en el que se usa la F F T para valuar opciones se

dan ejemplos para el modelo binomial y para el modelo de Black-Scholes y se hace una
comparación breve con los métodos usuales de cálculo de estas opciones y se agregan
en el apéndice los programas usados.

El trabajo se desarrolla de la siguiente forma. En el capı́tulo uno, introducimos al-

gunos conceptos básicos para entender las caracterı́sticas principales de un mercado
financiero; aquı́ se introducen los conceptos de opciones de varios tipos. En el capı́tulo
dos, desarrollamos el modelo binomial para valoración de opciones con uno y varios
perı́odos, para opciones europeas y americanas. En el tercer capı́tulo, damos la de-
finición y las propiedades fundamentales de la transformada de Fourier para el caso
discreto y continuo.

En el capı́tulo cuatro hacemos un breve análisis entre el modelo binomial y la trans-

formada de Fourier discreta, y ası́ aplicamos la transformada de Fourier discreta para
obtener el valor de la opción. También usamos el algoritmo de la F F T para encontrar
el valor de la opción y se dan algunos ejemplos. En el capı́tulo cinco, introducimos al-
gunas definiciones y lemas del cálculo estócastico partiendo desde el proceso de Wiener
hasta el lema de Itô y alguna de sus implicaciones.

En el capı́tulo seis, primero aplicamos el lema de Itô para obtener la ecuación de

Black-Scholes. Después obtenemos la transformada de Fourier del logaritmo del precio
del bien. Para obtener el valor de la opción mediante el uso de la transformada de
Fourier tomamos como base la fórmula del valor de la opción dada por la ecuación de
Black-Scholes, de esta manera se obtiene una fórmula para el valor en la que aparece
la transformada de Fourier continua. Luego se aproxima mediante una fórmula de
integración numérica la cual permite finalmente el uso de la F F T . Por último damos
algunos ejemplos.
Capı́tulo 1
Conceptos Básicos
1.1. Modelos de mercados financieros.
Existen diferentes tipos de mercados financieros, cada uno tiene caracterı́sticas propias
por el tipo de objetos financieros intercambiados, entre estos mercados financieros se
encuentran los mercados de futuros y los mercados de opciones.

Cada artı́culo intercambiado, u objeto de transacción, puede ser un valor primario,

tal como una acción, un bono o una unidad de divisa. O el valor del mismo se puede
derivar en forma indirecta del valor de otro instrumento intercambiado. Si es ası́, su
precio futuro está ligado al precio de otro valor en una fecha futura. En este caso, el
artı́culo es un derivado financiero, cuyo valor se denomina activo subyacente.

Un contrato de futuros es un acuerdo para comprar o vender un activo en la fecha

futura a un cierto precio. Los mercados de futuros fueron establecidos originalmente
para cubrir las necesidades de quienes deseaban cubrirse frente al riesgo. Los dos
mercados de cambios principales son el Chicago Board of Traide (CBOT) y el Chicago
Mercantile Exchange(CME).

Una opción puede ser de dos tipos: de compra o de venta (call y put). Una opcion de
compra da a su titular el derecho a comprar una activo a un precio determinado en una
fecha establecida. Una opción de venta proporciona a su poseedor el derecho a vender
un activo en una fecha determinada a un precio establecido. El precio contractual se
llama precio de ejercicio (strike price) y la fecha de finalización del contrato, fecha
de ejercicio o vencimiento. Una opción europea sólo puede ser ejercida en la fecha
de vencimiento, mientras que una opción americana, puede ser ejercida en cualquier
momento hasta su fecha de vencimiento.
2 Conceptos Básicos

Una opción otorga a su titular el derecho de hacer algo, sin estar obligado a ejercer ese
derecho. Es en este punto donde se diferencian las opciones de los contratos futuros. El
titular de un contrato de futuros a largo plazo, se compromete a comprar un activo, a
un cierto precio y en una fecha dada. En cambio, el titular de una opción de compra,
tiene opcion a decidir sobre la compra de un activo, a un cierto precio, en una fecha
dada, en el futuro. El mayor mercado de opciones sobre acciones, es el Chicago Board
Options Exchange (CBOE).

Existen cuatro tipos de participantes en los mercados de opciones:

1. Compradores de opciones de compra.

2. Vendedores de opciones de compra.

3. Compradores de opciones de venta.

4. Vendedores de opciones de venta.

Se considera que los compradores tienen posiciones largas y los vendedores posiciones
cortas. La venta de una opción en primera instancia también puede llamarse emisión
de la opción.
Capı́tulo 2
Valoración de opciones mediante
modelos binomiales.
2.1. Modelo de un perı́odo.
Consideremos una opción europea de tipo call sobre un activo financiero cuyo precio
sigue un movimiento browniano geométrico. Sea S0 el valor inicial conocido del activo.
Sea f el valor de la opción al tiempo inicial, el cual queremos determinar. Suponemos
que la opción tiene un tiempo de vencimiento T que su precio de ejercicio es K y
que durante la vida de la opción el precio del activo puede subir a partir de S0 hasta
el nivel S0 u o puede bajar de S0 hasta S0 d donde u > 1 y d < 1. Este modelo se
representa con un diagrama del siguiente tipo.

S0 u

1
S0 P
q
P
S0 d

Figura 2.1: Modelo Binomial de un perı́odo

Si el precio del activo sube a S0 u el valor de la opción en T fT es:

fT = fu = max(S0 u − K, 0);

si el precio del activo baja a S0 d el valor de la opción es

fT = fd = max(S0 d − K, 0).
4 Valoración de opciones mediante modelos binomiales.

Consideremos un portafolio formado por ∆ unidades del activo y la venta en corto

(o sea la venta de una opción que tendremos que redimir a su vencimiento) de una
opción. El valor de ∆ que hace que el portafolio no tenga riesgo está dado por:

fu − fd
∆= (2.1.1)
S0 u − S0 d

Un portafolio sin riesgo debe tener una ganancia dada por la tasa de interés libre de
riesgo r. El valor presente del portafolio es (S0 u∆ − fu )e−rT . El costo de formar el
portafolio es S0 ∆ − f .

Luego se sigue que:

S0 ∆ − f = (S0 u∆ − fu )e−rT ,

de donde
f = S0 ∆ − (S0 u∆ − fu )e−rT .

Sustituyendo ∆ de la ecuación (2.1.1) resulta que el valor de la opción está dado por:

f = e−rT [pu fu + pd fd ], (2.1.2)

donde

erT −d
pu = u−d
(2.1.3)
pu + pd = 1

2.2. Valoración neutra al riesgo

A pesar de que no necesitamos hacer ningún supuesto sobre las probabilidades de los
movimientos de subida y bajada al obtener la ecuación (2.1.2), es natural interpretar
a la variable pu como la probabilidad de una subida en el precio del activo. La variable
pd es la probabilidad de bajada y la expresión pu fu + pd fd es el valor esperado de
la opción. Con esta interpretación de pu , la ecuación (2.1.2) establece que un flujo
financiero en un futuro de la opción se puede valuar descontando su valor esperado a
la tasa de interés libre de riesgo.
2.3. Modelo de varios perı́odos. 5

El precio esperado de los activos en el momento T , E(ST ), está dado por:

E(ST ) = pu S0 u + pd S0 d

Sustituyendo (2.1.3) en la ecuación obtenemos

E(ST ) = S0 erT

demostrando que el precio de los activos crece en promedio a la tasa de interés libre de
riesgo. Establecer la probabilidad de una subida igual a pu es, por lo tanto, equivalente
a asumir que la ganancia esperada de los activos es igual a la tasa de interés libre de
riesgo.

Nos referimos a un mundo donde los individuos son neutrales al riesgo como mundo
neutral al riesgo. En este mundo los inversores no necesitan compensaciones por el
riesgo y la ganancia esperada sobre todos los valores es la tasa de interés libre de
riesgo. Un principio importante en la valuación de opciones se conoce como la valuación
neutral al riesgo. éste establece que para valuar opciones podemos, sin pérdida de
exactitud, suponer que el mundo es neutral al riesgo. Los valores que obtenemos son
correctos no sólo en un mundo neutral al riesgo, sino también en otros mundos.

2.3. Modelo de varios perı́odos.

T
Consideremos ahora un modelo binomial de dos pasos cada uno con una longitud de 2
años. Sea S0 el precio inicial del activo. Durante cada paso este se mueve hacia arriba
u veces su valor inicial o se mueve hacia abajo d veces su valor inicial, este modelo se
ilustra en la figura ??.

1
S0 u2

1

S0 u PP
 q
S0 P So ud
PP
q 
1
S0 d PP
q
S 0 d2

Figura 2.2: Modelo Binomial de dos perı́odos

6 Valoración de opciones mediante modelos binomiales.

Después de dos movimientos hacia arriba el valor de la opción es fT = fuu = max(S0 u2 −

K, 0). Supongamos que la tasa de interés libre de riesgo es r. Aplicando la fórmula
(2.1.2) en cada perı́odo obtenemos que el precio de la opción es
T
f = e−2r 2 [pu 2 fuu + 2pu pd fu d + pd 2 fdd ] (2.3.1)

De nuevo vemos que el precio de la opción es la ganancia esperada descontada usando

las probabilidades de riesgo neutro y la tasa de interés libre de riesgo.

Los parámetros u, d y pu en un modelo binomial para cualquier valor de N perı́odos

T
iguales, cada uno de longitud δt = N
se escogen de modo que se tome en cuenta la
media y la varianza del activo durante cualquier intervalo. Igualando las varianzas del
activo en el modelo discreto y en el modelo continuo y tomando en cuenta la siguiente
condición
1
u= ,
d
obtenemos que:
erδt − d
pu = ,
u−d
√
u = eσ δt
, (2.3.2)
√
d = e−σ δt
,

cuando se ignoran términos de orden superior a δt.

Consideremos un modelo binomial (árbol) con N pasos (Figura 2.3). Al instante inicial
el precio del activo S0 es conocido; tenemos una opción europea de tipo call con precio
de ejercicio K y con valor f00 que queremos determinar, y N δt = T es el tiempo de
vencimiento de la opción.

El modelo binomial que obtenemos de esta forma representa los movimientos de precio
del activo de la forma llamada de riesgo neutro, o que no tiene oportunidades de
arbitraje.

En el perı́odo iδt, 0 ≤ i ≤ N hay i + 1 valores posibles del activo que son S0 uj di−j ,
j = 0, ..., i. Sea fij el valor de la opción en el nodo (i, j) donde i se refiere al perı́odo
iδt, (i = 0, ..., N ) y j es el nodo, j en el perı́odo iδt para j = 0, ..., i (el número del nodo
crece al subir en el árbol binomial). El precio del activo en el nodo (i, j) es S0 uj di−j .
2.3. Modelo de varios perı́odos. 7

pp S0 uN
3 p
ppp:
S
 0 u p ppppp
: z
2 
S0 u XX pp S0 uN −1 d
p p p:
:

 X
z
X 2
:
 S0 u XXX : 0S u d p pzpp
 


S0 XX
z
X
So ud X ..
XX :
 XX pp: pp .
z
X  z
X 2
S0 d XX :
 S 0 ud p p pz
pp
XX 
S 0 d2 X X S0 uN −1 d
z
pp
p p p:
3 p
XXz
S0 d p p p p p p
zp
S0 dN

Figura 2.3: Modelo Binomial de N perı́odos

En el perı́odo de vencimiento tenemos que:

fN,j = max(S0 uj di−j − K, 0), j = 0, ..., N. (2.3.3)

Podemos como en el caso de dos perı́odos ir ahora hacia atrás en el tiempo (con i
decreciendo) y obtenemos

fij = e−rδt [pu fi+1,j+1 + pd fi+1,j ], i = N − 1, N − 2, ..., 0, j = 0, ..., i. (2.3.4)

De esta forma obtenemos el valor de la opción f00 al instante inicial 0. Esta forma de
evaluar la opción es muy conveniente desde el punto de vista computacional. Usando
las fórmulas anteriores podemos expresar f00 en terminos de los valores de la opción
al tiempo de vencimiento en la forma siguiente:

f00 = e−N rδt [pu N fN,N + N pu N −1 pd fN,N −1 + · · · + pd N fN,0 ]

‚ Œ
X N
−N rδt
= e j fN,N −j pu N −j pd j . (2.3.5)

Veamos ahora otra forma de expresar el valor de la opción al instante cero. El valor
del activo al perı́odo N δt es

SN j = S0 uj dN −j , j = 0, 1, ..., N.

Este valor se puede escribir en forma

SN j = S0 uY dN −Y ,
8 Valoración de opciones mediante modelos binomiales.

donde Y en una variable aleatoria binomial con parámetros N y p. El valor de la

opción en el perı́odo N δt es

fT = max(SN j − K, 0) = max(S0 uY dN −Y , 0)

El valor actual de poseer la opción es eN δt fT y el valor esperado presente de la opción

es
eN δt Ep [fT ] = eN δt Ep [max(S0 uY dN −Y − K, 0)]
Por tanto, como en los casos N = 1, y N = 2 obtenemos que el valor de la opción se
puede escribir en la forma

c = f00 = eN δt Ep [fT ] = eN δt Ep [max(S0 uY dN −Y − K, 0)]. (2.3.6)

2.4. Opciones americanas

Hasta ahora las opciones que hemos considerado han sido europeas. Ahora considera-
remos cómo pueden valorarse las opciones americanas utilizando árboles binomiales.
El procedimiento es el de trabajar hacia atrás en el árbol, desde el final hasta el prin-
cipio, estudiando cada nodo para ver si lo mejor es el ejercicio antes del vencimiento.
El valor de los nodos finales es el mismo que para la opción europea. En los nodos
iniciales el valor de la opción es el mayor de:

1. El valor dado por (2.1.2); y

2. El resultado del ejercicio antes del vencimiento

Supongamos que la vida de una opción americana está dividida en N subintervalos de

duración ∆t. Definimos fij como el valor de la opción en el momento i∆t cuando el
precio de las acciones es Suj di−j para 0≤i≤N , 0≤j≤i. Nos referimos a éste como el
valor de la opción en el nodo (i, j). Si el valor de la opción americana en su fecha de
vencimiento es max(K − ST , 0), sabemos que

” —
fN j = max K − Suj dN −j , 0 , j = 0, 1, ..., N

Hay una probabilidad p de moverse del nodo (i, j) en el momento i∆t hasta el nodo
(i + 1, j + 1) en el momento (i + 1)∆t. Suponiendo que no se produce el ejercicio antes
del vencimiento, la valoración neutral al riesgo nos dará:
2.4. Opciones americanas 9

fij = e−r∆t [pfi+1,j+1 + (1 − p)fi+1,j ]

para 0≤i≤N − 1, 0≤j≤i. Cuando se tiene en cuenta el ejercicio antes del vencimiento,
este valor para fij debe compararse con el valor intrı́nseco de la opción, y obtendremos:

¦ ©
fij = max K − Suj di−j , e−r∆t [pfi+1,j+1 + (1 − p)fi+1,j ]

Nótese que debido a que los cálculos empiezan en el momento T y funcionan hacia
atrás, el valor en el tiempo i∆t no sólo toma el efecto de las posibilidades de ejercicio
antes del vencimiento en el momento i∆t, sino también el efecto del ejercicio antes
del vencimiento en subsecuentes momentos. En el lı́mite, cuando ∆t tiende a cero se
obtiene un valor exacto para la opción americana.
10 Valoración de opciones mediante modelos binomiales.
Capı́tulo 3
La Transformada de Fourier
3.1. Caso discreto.

3.1.1. Convolución de vectores.

Consideremos dos vectores de dimensión n, a = [a0 , a1 , ..., an−1 ] y b = [b0 , b1 , ..., bn−1 ].
Definimos la convulución de a y b denotada por a⊗b, como el vector c con componentes
n−1
X
cj = aj−k bk , j = 0, 1, ..., n − 1.
k=0

Si un indice es negativo, le sumamos n para obtener el resultado entre 0 y n − 1.

Si a = [a0 , a1 , ..., an−1 ] definimos rev(a) como a tomada en orden inverso, es decir,
como el vector dado por
rev(a) = [a0 , an−1 , ..., a1 ].

3.1.2. La transformada de Fourier discreta.

2π
Sea zn el número complejo zn = ei n . Sea a0 , a1 , ..., an−1 una sucesión de núme-
ros complejos. La transformada de Fourier discreta de a0 , a1 , ..., an−1 es la sucesión
b0 , b1 , ..., bn−1 definida para k = 0, ..., n − 1 por

a0 (zn k )0 +a1 (zn k )√

1 +···+a k n−1
n−1 (zn )
bk = n
(3.1.1)
Pn−1 Pn−1
√1 √1 i 2π jk
= n j=0 aj zn jk = n j=0 aj e n

Usamos la notación

F(a) = b
12 La Transformada de Fourier

La ecuación (3.1.1) representa la transformada directa, la transformada inversa para

l = 0, ..., n − 1 es

b˜0 (zn −l )0 +b˜1 (zn −l )√

1 +···+b ˜ (z −l )n−1
n−1 n
ãl = n
(3.1.2)
Pn−1 Pn−1
= √1 ˜ −kl √1 ˜ −i 2π kl
k=0 bk zn = k=0 bk e
n
n n

y usamos la notación

ã = F −1 (b̃).

3.1.3. Propiedades de la tranformada de Fourier discreta.

La transformada de Fourier discreta inversa de la sucesión b˜0 , b˜1 , ..., bn−1
˜ es la
misma que la tranformada directa de la misma sucesión en orden inverso

F −1 (b̃) = F(rev(b̃)), (3.1.3)

y recı́procamente

F −1 (rev(b̃)) = F(b̃), (3.1.4)

F −1 es la inversa de F, es decir

F −1 (F(a)) = F(F −1 (a)) = a (3.1.5)

√
F(a ⊗ b) = nF(a)F(b) (3.1.6)

√ −1
F −1 (a ⊗ b) = nF (a)F −1 (b) (3.1.7)
3.2. Caso continuo. 13

3.2. Caso continuo.

3.2.1. La transformada de Fourier continua.

Sea f una función Lebesgue integrable:

f ∈ L1 (R)of ∈ L1 (C)

La transformada de Fourier de f es la función

Z ∞

F{f } : ξ 7→ fˆ(ξ) := f (x) e−2πiξx dx,

−∞

Esta integral tiene sentido, pues el integrando es una función integrable. Una estimativa
simple demuestra que la transformada de Fourier F(f ) es una función acotada. Además
por medio del teorema de convergencia dominada puede demostrarse que F(f ) es
continua.

La transformada de Fourier inversa de una función integrable f está definida por:

Z ∞

F −1 {fˆ} = f (x) = fˆ(ξ) e2πiξx dξ,

−∞

Nótese que la única diferencia entre la transformada de Fourier y la transformada de

Fourier inversa es el signo negativo en el exponente del integrando.

3.2.2. Propiedades básicas de la transformada de Fourier

continua.
La transformada de Fourier es una aplicación lineal:

F{a · f + b · g} = a F{f } + b F{g}.

Valen las siguientes propiedades para una función absolutamente integrable f :

Cambio de escala:

‚ Œ
1 ξ
F{f (at)}(ξ) = · F{f }
|a| a
14 La Transformada de Fourier

Traslación:

F{f (t − a)}(ξ) = e−iξa · F{f }(ξ)

Traslación en la variable transformada:

F{f }(ξ − a) = F{eiat f (t)}(ξ)

Transformada de la derivada: Si f y su derivada son integrables,

F{f 0 }(ξ) = iξ · F{f }(ξ)

Derivada de la transformada: Si f y t → f (t) son integrables, la transformada

de Fourier F(f ) es diferenciable

F{f }0 (ξ) = F{(−it) · f (t)}(ξ)

En lo que sigue, definimos la convolución de dos funciones f , g en la recta se define

da la manera siguiente:

1 Z +∞
(f ∗ g)(x) = √ f (y) · g(x − y) dy.
2π −∞
Nuevamente la presencia del factor delante de la integral simplifica el enunciado de
los resultados como el que sigue: Si f y g son funciones absolutamente integrables, la
convolución también es integrable, y vale la igualdad:

F{f ∗ g} = F{f } · F{g}

También puede enunciarse un teorema análogo para la convolución en la variable

transformada,

F{f · g} = F{f } ∗ F{g}.

pero este exige cierto cuidado con el dominio de definición de la transformada de

Fourier.
Capı́tulo 4
La transformada de Fourier y el
modelo binomial
4.1. El modelo binomial usando la transformada de
Fourier discreta.
Sea p = [pu , pd , ..., 0] con pu y pd dados en (2.1.3). Denotemos por GN al vector de
ganancias de la opción en el perı́odo N , en un modelo binomial de N perı́odos cuyas
T
componentes están dadas en (2.3.3). Sea δt = N
la longitud de cada perı́odo. En
términos de convoluciones podemos expresar, usando la fórmula (2.3.4), el vector de
ganancias en el perı́odo N − 1 por

GN −1 = GN ⊗rev(pe−rδt ) (4.1.1)

Aplicando las fórmulas (2.3.4) y (2.1.3) podemos encontrar, hacia atrás los valores
sucesivos de los vectores de ganancia de la opción:

(N −j) veces
z }| {
Gj = GN ⊗ rev(p)⊗ · · · ⊗rev(p) e−jrδt (4.1.2)

Los vectores Gj calculados de esta forma tienen más entradas de las necesarias. Las
entradas útiles son las j + 1 de la parte superior de cada vector. Podemos usar ahora
las propiedades (3.1.6) y (3.1.7) para la valoración de opciones.

El valor de la opción está dado por G0 , y de (4.1.2) tenemos:

(N veces)
z }| {
f00 = G0 = GN ⊗ rev(p)⊗ · · · ⊗rev(p) eN rδt
16 La transformada de Fourier y el modelo binomial

Aplicando primero F −1 , usando las propiedades (3.1.7) y (3.1.4) y luego aplicando F

obtenemos que el precio de la opción está dado por el primer elemento de G0 :

√
f00 = G0 = F(F −1 (GN )×( N + 1F(p)e−rδt )N ). (4.1.3)
Además como los papeles de la transformada y su inversa son simétricos, también
tenemos
√
f00 = G0 = F −1 (F(GN )×( N + 1F −1 (p)e−rδt )N ). (4.1.4)

4.2. Uso de la transformada rápida de Fourier (F F T )

La tranformada rápida de Fourier es un algoritmo alternante eficiente para el cálculo
de la transformada de Fourier discreta. Un cálculo directo de la TDF requiere n2
multiplicaciones complejas. El algoritmo de la transformada rápida de Fourier F F T
requiere sólo de K n ln(n) operaciones, pero el valor de n se tiene que escoger como
una potencia de dos. Por ejemplo en MATLAB la transformada rápida de Fourier y su
inversa se denotan por fft e ifft respectivamente, y su relación con (3.1.1) y (3.1.2)
es:
√
fft(a)≡ nF −1 (a) (4.2.1)

F(a)
fft(a)≡ √ , (4.2.2)
n
Donde n es la dimensión del vector a. La formula (4.1.4) para la valoración de opciones
es, suponiendo que ya se han definido los vectores GN y b:

G0 = ifft(fft(GN )×((N + 1)×ifft(b))N ),

lo cual en MATLAB se escribe:

G_0=ifft(fft(G_N).*(((N+1)*ifft(b)).^N)); (4.2.3)
sprintf ’precio de no arbitraje en t=0 es %0.2f’ G_0(1);
4.2. Uso de la transformada rápida de Fourier (F F T ) 17

4.2.1. Ejemplo Numérico.

Valuaremos las siguientes opciones call de tipo europeo usando el algoritmo de la
F F T descrito en (4.2.3) y el modelo binomial, con N = 100 perı́odos. En todas las
valuaciones utilizamos los siguientes datos r = 0.02, σ = 0.7, T = 1 y S0 = 1. Los
resultados obtenidos se presentan en la siguiente tabla:

Precio de Ejercicio K Valor call por F F T discreto Valor call por M. binomial
K = 0.1 0.9020 0.9020
K = 0.2 0.8049 0.8049
K = 0.3 0.7118 0.7118
K = 0.4 0.6256 0.6255
K = 0.5 0.5475 0.5475
K = 0.6 0.4791 0.4791
K = 0.7 0.4189 0.4189
K = 0.8 0.3664 0.3664
K = 0.9 0.3206 0.3206
K = 1.0 0.2802 0.2802
K = 1.1 0.2473 0.2472
K = 1.2 0.2177 0.2177
K = 1.3 0.1915 0.1916
K = 1.4 0.1700 0.1700
K = 1.5 0.1498 0.1498
K = 1.6 0.1336 0.1336
K = 1.7 0.1186 0.1186
K = 1.8 0.1056 0.1057
K = 1.9 0.0947 0.0947
K = 2.0 0.0839 0.0839
K = 2.1 0.0758 0.0758
18 La transformada de Fourier y el modelo binomial

La figura (4.1) muestra la gráfica de comparación de los valores de la call, obtenidos

por el algoritmo de la F F T y el modelo binomial.

Figura 4.1: Comparación de resultados del algoritmo de la F F T con el modelo

binomial.
Capı́tulo 5
Ecuación diferencial estocástica.
5.1. Proceso de Wiener.
Definición 5.1.1 Un proceso de Wiener o movimiento browniano Wt es un proceso
de tiempo continuo con las siguientes propiedades:

(a) W0 = 0 (con probabilidad uno)

(b) Wt ∼ N (0, t) para todo t ≥ 0.

(c) Todos los incrementos ∆Wt = Wt+∆t − Wt sobre intervalos de tiempo que no
se superponen son independientes. Es decir, los desplazamientos Wt2 − Wt1 y
Wt4 − Wt3 son independientes para todo 0≤t1 < t2 ≤t3 < t4 .

(d) Wt depende continuamente de t.

En general para 0≤s < t la propiedad Wt − Ws ∼ N (0, t − s) tiene,

E(Wt − Ws ) = 0, (5.1.1)

V ar(Wt − Ws ) = E((Wt − Ws )2 ) = t − s. (5.1.2)

Notamos que (5.1.1) y (5.1.2) se puede derivar de la definición 5.1.1. Tenemos que
(5.1.2) también se conoce como:

E((∆Wt )2 ) = ∆t. (5.1.3)

La independencia de los incrementos de acuerdo a la definición 5.1.1(c) implica para

tj+1 > tj la independencia de Wtj y (Wtj+1 − Wtj ), pero no de Wtj+1 y (Wtj+1 − Wtj ).
20 Ecuación diferencial estocástica.

5.1.1. Modelo en tiempo discreto.

Sea ∆t > 0 un incremento de tiempo constante. Para los casos discretos tj = j∆t el
valor Wt puede escribirse como la suma de incrementos ∆Wk ,

X
j
Wj∆t = (Wk∆t − W(k−1)∆t ) .
| {z }
k=1
=∆Wk

Los ∆Wk son independientes y por (5.1.1) y (5.1.3) normalmente distribuidos con
V ar(∆Wk ) = ∆t. Los incrementos ∆W con tal distribución pueden ser calculados de
la distribución normal estándar de números aleatorios Z. La implicación

√
Z ∼ N (0, 1) ⇒ Z ∆t ∼ N (0, ∆t)

conduce al modelo discreto de un proceso de Wiener

√
∆Wt = Z ∆t para Z ∼ N (0, 1) para cada k. (5.1.4)

5.2. Integral estocástica.

Supongamos que el cambio de precios de un activo es descrito por un proceso de

Wiener Wt . Sea b(t) el número de unidades del activo en un portafolio en tiempo t.
Comenzamos con la suposición de que el mercadeo (compra o venta de activos) es
posible sólo en casos de tiempo discretos tj , lo cual define una partición del intervalo
0≤t≤T . Entonces la estrategia de mercadeo de b es constante a pedazos,

b(t) = b(tj−1 ) para tj−1 ≤t < tj y 0 = t0 < t1 < ... < tN = T. (5.2.1)

Una función como b(t) es llamada función escalonada. La ganancia comercial para el
subintervalo tj−1 ≤t < tj está dada por b(tj−1 )(Wtj − Wtj−1 ), y

N
X
b(tj−1 )(Wtj − Wtj−1 ) (5.2.2)
j=1

representa la ganancia comercial durante el perı́odo 0≤t≤T . La ganancia comercial

(posiblemente < 0) es determinado por la estrategia b(t) y los precios del proceso Wt .
5.2. Integral estocástica. 21

Ahora quitemos la suposición de tiempos de mercadeo fijos y permitamos a b ser una

función continua arbitraria. Esto nos lleva a la pregunta sobre cuando (5.2.2) tiene un
lı́mite cuando N → ∞ y el tamaño de los subintervalos tiende a cero. Si Wt fuera de
variación acotada el lı́mite existe y es llamado la integral de Riemann-Stieltjes
Z T

b(t)dWt .
0

En general esta integral no existe porque el proceso de Wiener no es de variación

acotada. La primera variación de Wt es el lı́mite de

N
X
|Wtj − Wtj−1 |
j=1

el cual es no acotado aun cuando la longitud de los subintervalos sea cero para N → ∞.

Lema 5.2.1 (Segunda variación: la convergencia en media)

(N ) (N ) (N )
Sea t0 = t0 < t1 < ... < tN = T una sucesión de particiones de el intervalo
t0 ≤t≤T con

(N ) (N )
δN = maxj (tj − tj−1 ) (5.2.3)

entonces

N
X
lı́m (Wtj − Wtj−1 )2 = T − t0 . (5.2.4)
δN →0
j=1

Demostración.
P
La afirmación (5.2.4) significa convergencia en media. Porque de ∆tj = T − t0
tenemos que mostrar
„ Ž2
X
E ((∆Wt )2 − ∆tj ) → 0 para δN → 0.
j

Llevando acabo las multiplicaciones y tomando la media tenemos

X
2 (∆tj )2
j

Esto puede ser acotado por 2(T − t0 )δN , con lo cual se completa la prueba. 2
22 Ecuación diferencial estocástica.

De este lema se deduce que:

E((∆Wt )2 − ∆t) = 0 V ar((∆Wt )2 − ∆t) = 2(∆t)2 ,

Entonces (∆Wt )2 ≈ ∆t. Esta propiedad de el proceso de Wiener se escribe simbolica-

mente
(dWt )2 = dt. (5.2.5)

Nuestro objetivo es construir una integral estocástica

Z t

f (s)dWs
t0

en general para integrandos estocásticos f (t). Para nuestros propósitos es suficiente

esbozar brevemente la integral de Itô, que es el prototipo de una integral estocástica.

Para una función escalonada b de (5.2.1) puede ser definida una integral a través de
la sumatorı́a (5.2.2),

Z t N
X
b(s)dWs = b(tj−1 )(Wtj − Wtj−1 ). (5.2.6)
t0 j=1

Esta es la integral de Itô de una función escalonada b. En el caso que b(tj−1 ) sean
variables aleatorias, se dice que b es un proceso simple. Entonces la integral de Itô
nuevamente es definida por (5.2.6). Integrales estocásticas de funciones f pueden ob-
tenerse de procesos simples bn en el sentido
Z t

E[ (f (s) − bn (s))2 ds] → 0 n → ∞. (5.2.7)

t0
R R
La convergencia en términos de integrales ds lleva a integrales dWt . Esto se da por
R
2
la convergencia de Cauchy E (bn − bm ) ds → 0 y la isometrı́a
Z t Z t

E[( b(s)dWs )2 ] = E[ b(s)2 ds].

t0 t0
R
Por lo tanto las integrales bn (s)dWs forman una sucesión con respecto a la conver-
gencia en media. En consecuencia la integral de Itô de f se define como
Z t Z t

f (s)dWs = lı́m bn (s)dWs ,

t0 n→∞ t0

para los procesos simples bn definidos por (5.2.7). El valor de la integral es indepen-
diente de la elección de bn en (5.2.7).
5.3. Ecuación diferencial estocástica. 23

Si un integrando a(x, t) depende de un proceso estocástico Xt , la función f es dada

por f (t) = a(Xt , t). Para el caso más simple de un integrando constante a(Xt , t) = a0
la integral de Itô puede reducirse a una integral de Riemann-Stieltjes
Z t

dWs = Wt − Wt0 .
t0

5.3. Ecuación diferencial estocástica.

5.3.1. Proceso de Itô.
Muchos fenómenos de la naturaleza, tecnologı́a y economı́a son modelados por medio
d
de ecuaciones diferenciales deterministas ẋ = dt
x = a(x, t). Este tipo de modelación
descuida las fluctuaciones y no es apropiado para los precios del activo.

La manera más facil de considerar movimientos estocásticos es através de un término

aditivo,

dx
= a(x, t) + b(x, t)ξt .
dt
Donde

a es la parte determinista,

bξt es la parte estocástica, ξt denota un proceso estocástico generalizado.

24 Ecuación diferencial estocástica.

Definición 5.3.1 Ecuación diferencial estocástica de Itô.

Una ecuación diferencial estocástica de Itô es

dXt = a(Xt , t)dt + b(Xt , t)Wt ; (5.3.1)

esto junto con Xt0 = X0 es una forma simbólica de la ecuación integral

Z t Z t

Xt = X 0 + a(Xs , s)ds + b(Xs , s)dWs . (5.3.2)

t0 t0

Los terminos en la definición (5.3.1) son nombrados de la siguiente forma:

a(Xt , t): término de tendencia o coeficiente de tendencia.

b(Xt , t): término de difusión.

La solución Xt : proceso de Itô

Un proceso de Wiener es un caso especial de un proceso de Itô, porque de Xt = Wt la

ecuación diferencial estocástica trivial dXt = dWt se sigue, por consiguiente a = 0 y
b = 1 en (5.3.1). Si b = 0 y X0 es constante, entonces la ecuación diferencial estocástica
se convierte en determinista.

Una aproximación experimental puede ayudar a desarrollar una comprensión intuitiva

del proceso de Itô. A continuación veamos una breve introducción del movimiento
browniano geométrico.
dSt = µSt dt + σSt dWt . (5.3.3)

Esta ecuación diferencial estocástica es lineal en Xt = St , a(St , t) = µSt es la tasa de

tendencia con esperanza µ que es la tasa de ganancia, b(St , t) = σSt , donde σ es la
volatilidad. El movimiento browniano geométrico de (5.3.3) es el modelo de referencia
sobre el cual la aproximación de Black-Scholes-Merton está basado, donde µ y σ son
constantes.

Una solución teórica de (5.3.3) se da en la siguiente sección. La parte deterministica

de (5.3.3) es la ecuación diferencial ordinaria

Ṡ = µS
5.4. Lema de Itô e implicaciones. 25

con solución St = S0 eµ(t−t0 ) . Para la ecuación diferencial estocástica lineal (5.3.3) la

esperanza E(St ) satisface Ṡ = µS. Por lo tanto S0 eµ(t−t0 ) es la esperanza del proceso
estocástico y µ es la ganancia continuamente compuesta esperada por un inversionista
por año. La tasa de ganancia µ también es llamada tasa de crecimiento. La función
S0 eµ(t−t0 ) puede verse como un centro alrededor del cual el proceso fluctua.

5.4. Lema de Itô e implicaciones.

Lema 5.4.1 Itô

Supongamos que Xt sigue un proceso de Itô (5.3.1), dXt = a(Xt , t)dt + b(Xt , t)dWt ,
∂g ∂ 2 g ∂g
y sea g(x, t) una función con , ,
∂x ∂x2 ∂t
continuas. Entonces Yt = g(Xt , t) sigue un
proceso de Itô con el mismo proceso de Wiener Wt :

∂g ∂g 1 ∂ 2 g 2 ∂g
a+
dYt = ( + 2
b )dt + b dWt (5.4.1)
∂x ∂t 2 ∂x ∂x
donde las derivadas de g y las funciones coeficientes a y b dependen en general de los
argumentos (Xt , t).

Demostración.

∂g ∂ 2 g
Podemos considerar que g, ,
∂x ∂x2
y ∂g
∂t
son acotadas, si aproximamos por una suce-
∂gn ∂ 2 gn
sión de funciones {gn } tal que gn , ∂x , ∂x2 y ∂g∂tn son acotadas para cada n y converge
∂g ∂ 2 g
uniformemente en los subconjuntos compactos de [0, ∞) × R a g, ∂x , ∂x2 y ∂g
∂t
, respec-
tivamente. Usando el teorema de Taylor tenemos

X
g(Xt , t) = g(X0 , 0) + ∆g(Xj , tj )
j
X ∂g X ∂g 1 X ∂ 2g
= g(X0 , 0) + ∆tj + ∆Xj + 2
(∆tj )2
j ∂t j ∂x 2 j ∂t
2
X ∂ g 1 X ∂ 2g 2
X
+ (∆tj )(∆Xj ) + (∆X j ) + Rj ,
j ∂t∂x 2 j ∂x2

∂g ∂g
donde , ,
∂t ∂x
etc. son evaluadas en los puntos (Xtj , tj ),
26 Ecuación diferencial estocástica.

∆tj = tj+1 − tj , ∆Xj = Xtj +1 − Xtj ,

∆g(Xj , tj ) = g(Xtj+1 , tj+1 ) − g(Xtj , tj ) y Rj = o(|∆tj |2 + |∆Xj |2 ) para todo j.

Si ∆tj → 0 entonces
Z t
X ∂g ∂g
∆tj → ds (5.4.2)
j ∂t 0 ∂t

Z t
X ∂g ∂g
∆Xj → dXs . (5.4.3)
j ∂x 0 ∂x

Por otra parte,

X ∂ 2g X ∂ 2g X ∂ 2g X ∂ 2g
(∆X j )2
= a j
2
(∆tj )2
+ 2 aj b j (∆tj )(∆W j ) + b 2 (∆Wj )2 .
2 j
j ∂x2 j ∂x 2
j ∂x 2
j ∂x
(5.4.4)
Los primeros dos términos tienden a 0 cuando ∆tj → 0. (Por ejemplo,

X ∂ 2g 2
X ∂ 2g
E[( a b
j j (∆tj )(∆Wj )) ] = E[( aj bj )2 ](∆tj )3 → 0 cuando ∆tj → 0).
j ∂x2 ∂x2

Afirmamos que el último término tiende a

Z t
∂ 2g 2
2
b ds en L2 (Ω), cuando ∆tj → 0.
0 ∂x
∂2g
Para probar esto, denotemos u = ∂x2
(Xt , t)b2 (w, t), uj = u(tj ) y consideremos

X X
E[( uj (∆Wj )2 − uj ∆tj )2 ]
j j

X
E[ui uj ((∆Wi )2 − ∆ti )((∆Wj )2 − ∆tj )]
i,j

Si i < j entonces ui uj ((∆Wi )2 −∆ti ) y ((∆Wj )2 −∆tj ) son independientes, los términos
en este caso también desaparecen, y similarmente si i > j. Ası́ que nos quedamos con

X X
E[u2j ((∆Wj )2 − ∆tj )2 ] = E[uj 2 ] · E[(∆Wj )4 − 2(∆Wj )2 ∆tj + (∆tj )2 ]
j j
5.4. Lema de Itô e implicaciones. 27

X X
= E[uj 2 ] · (3(∆tj )2 − 2(∆tj )2 + (∆tj )2 ) = 2 E[uj 2 ] · (∆tj )2 → 0 cuando ∆tj → 0.
j j

En otras palabras, hemos establecido que

Z t
X
2
uj (∆Wt ) → u(s)ds en L2 (Ω) cuando ∆tj → 0
j 0

Y esto a menudo es expresado cortamente por la fórmula

(dWt )2 = dt.
P
El argumento anterior también demuestra que Rj → 0 cuando ∆tj → 0. Con esto
se completa la prueba de el lema de Itô.
2
Veamos algunos ejemplos de el lema de Itô.

Ejemplo 5.4.1 Sea

Z t

I= Ws dWs
0
donde Xt = Wt y g(x, t) = 21 x2 . Luego

1
Yt = g(Wt , t) = (Wt )2 .
2
Entonces, por el lema de Itô,

∂g ∂g 1 ∂ 2g
dYt = dt + dWt + (dWt )2
∂t ∂x 2 ∂x2
1
= 0 + Wt dWt + (dWt )2
2
1
= Wt dWt + dt.
2
Donde

1 1
d( Wt 2 ) = Wt dWt + dt.
2 2
En otras palabras,

1 2 Zt 1
Wt = Ws dWs + t.
2 0 2
28 Ecuación diferencial estocástica.

Ejemplo 5.4.2 Encontremos la siguiente integral

Z t

sdWs .
0
Denotemos como

g(x, t) = tWt .

Yt = g(Wt , t) = tWt .

Entonces por el lema de Itô,

dYt = Wt dt + tdWt + 0

es decir

d(tWt ) = Wt dt + tdWt

o
Z t Z t

tWt = Ws ds + sdWs
0 0
Luego
Z t Z t

sdWs = tWt − Ws ds.

0 0

5.4.1. Aplicación a Opciones.

Supongamos que el precio del activo sigue un movimiento browniano geométrico, luego
Xt = St , a = µSt , b = σSt . El valor de Vt de una opción depende de St . Asumiendo
que Vt es una función en S y t de clase C 2 , aplicamos el lema de Itô.

∂V ∂V 1 ∂ 2V 2 2 ∂V
dVt = ( µSt + + 2
σ St )dt + σSt dWt . (5.4.5)
∂S ∂t 2 ∂S ∂S

Esta ecuación diferencial es usada para derivar la ecuación de Black-Scholes.

5.4. Lema de Itô e implicaciones. 29

Como segunda aplicación de el lema de Itô consideremos Yt = log(St ),

g(x, t) = log(x). Esto nos lleva a la ecuación diferencial estocástica lineal.

1
d(log(St )) = (µ − σ 2 )dt + σdWt .
2

Para esta ecuación diferencial estocástica lineal la esperanza E(Yt ) satisface la parte
determinista

d σ2
E(Yt ) = µ − .
dt 2
σ2
La solución de ẏ = µ − 2
con la condición inicial y(t0 ) = y0 es:

σ2
y(t) = y0 + (µ −
)(t − t0 ).
2
En otras palabras, la esperanza de el proceso de Itô Yt es:

σ2
)(t − t0 ).
E(log(St )) = log(S0 ) + (µ −
2
Análogamente, veamos de la ecuación diferencial estocástica E(Yt2 ) que la varianza
de Yt es σ 2 (t − t0 ). En vista de (5.3.2) la ecuación diferencial estocástica simple de Yt
implica que la fluctuación estocástica de Yt es σWt . Ası́ Yt está distribuida normalmente
con densidad
8 9
2
1 <
(Yt − y0 − (µ − σ2 )(t − t0 ))2 =
fˆ(Yt ) = È exp : .
σ 2π(t − t0 ) 2σ 2 (t − t0 ) ;

Luego usando la transformación Y = log(S) y considerando dY = 1

S
dS y fˆ(Y ) =
1 ˆ
S
f (log(S))dS = f (S)dS los rendimientos de la densidad de St :

8 9
< σ2 2=
1 (log(S/S0 ) − (µ − 2
)(t − t0 ))
f (S; t − t0 , S0 ) = È exp : (5.4.6)
Sσ 2π(t − t0 ) 2σ 2 (t − t0 ) ;

Esta es la densidad de la distribución lognormal. El precio del activo St está distribuido

lognormalmente bajo el supuesto de un movimiento browniano geométrico (5.3.3).
30 Ecuación diferencial estocástica.

Concluiremos esta parte derivando la solución analı́tica de la ecuación diferencial es-

tocástica lineal (5.3.3)

dSt = µSt dt + σSt dWt

Nuevamente aplicando el lema de Itô. Para un proceso de Wiener Wt arbitrario, fijando

Xt = Wt y

σ2
Yt = g(Xt , t) = S0 exp((µ −
)t + σXt ).
2
De Xt = Wt se sigue la ecuación diferencial estocástica trivial con a = 0 y b = 1. Por
el lema de Itô

σ2 σ2
dYt = (µ − 2
)Yt dt + 2 t
Y dt + σYt dWt
(5.4.7)
= µYt dt + σYt dW.
Por consiguiente, el proceso

σ2
St = S0 exp((µ − )t + σWt ) (5.4.8)
2
resuelve la ecuación diferencial estocástica lineal (5.3.3).
Capı́tulo 6
Valoración de opciones por la
ecuación de Black-Scholes.
A principios de los setentas, Fisher Black y Myron Scholes realizaron un descubrimiento
cientı́fico de gran importancia en la valoración de opciones. Esto ha tenido una enorme
influencia en la manera en la que los participantes en el mercado fijan precios y cubren
con opciones.

6.1. La ecuación de Black-Scholes.

Aplicamos el lema de Itô para obtener la ecuación de Black-Scholes. La primera hipóte-
sis básica es que el precio de la acción sigue un movimiento browniano geométrico. El
precio S = S(t) satisface la ecuación diferencial estocástica

dS = S(µdt + σdW ) (6.1.1)

con µ y σ constantes. Esta ecuación no incluye un producto de dividendos. Por el lema

de Itô el valor de una opción V (S, t) satisface

∂V ∂V 1 ∂ 2V ∂V
dV = (µS + + σ2S 2 2
)dt + σS dW.
∂S ∂t 2 ∂S ∂S

Como los dos procesos estocásticos S y V tienen asociado el mismo movimiento brow-
niano W , el término estocástico se puede eliminar tomando una combinación lineal de
dS y dV .
32 Valoración de opciones por la ecuación de Black-Scholes.

Para esto formamos el portafolio que consiste de una posición en corto de la opción
(se vende o se suscribe la opción) y se compra ∆ unidades del bien subyacente con
precio S. El valor del portafolio es

Π = −V + ∆ · S. (6.1.2)

Sustituyendo dV y dS obtenemos

dΠ = −dV + Π · dS
(6.1.3)
∂V ∂V ∂2V
= (µS(∆ − ∂S
) + ∂t
+ 21 σ 2 S 2 ∂S 2 )dt + (− ∂V
∂S
+ ∆)σSdW.
Para

∂V
∆= (6.1.4)
∂S
El cambio en dΠ en el portafolio ocurrido en dt es el determinı́stico puro:

∂V 1 ∂ 2V
dΠ = −( + σ 2 S 2 2 )dt. (6.1.5)
∂t 2 ∂S
En esta ecuación ya no aparece el coeficiente µ.

La ecuación (6.1.5) es consecuencia del modelo estocástico (6.1.1). Veamos como se

desarrolla la cantidad Π cuando se invierte en bonos a la tasa libre de riesgo. En un
mercado sin fricciones con r constante el interés pagado es

dΠ = rΠdt,

y sustituyendo (6.1.2)

∂V
dΠ = (−rV + rS )dt. (6.1.6)
∂S
El principio de que no existe oportunidades de arbitraje requiere que la ganancia sin
riesgo de la ecuación (6.1.6) no puede ser mayor que la ganancia del portafolio dada
en (6.1.5)

∂V ∂V 1 ∂ 2V
−rV + rS ≤ −( + σ 2 S 2 2 ).
∂S ∂t 2 ∂S
6.1. La ecuación de Black-Scholes. 33

Consecuentemente se debe cumplir la desigualdad

∂V 1 ∂ 2V ∂V
+ σ 2 S 2 2 + rS − rV ≤ 0.
∂t 2 ∂S ∂S
Si la opción no se puede ejercer antes de su vencimiento, podemos ver mediante ar-
gumentos de no arbitraje que las dos versiones de dΠ en (6.1.5) y (6.1.6) deben ser
iguales. Por lo tanto para opciones europeas las hipótesis del modelo resultan en la
famosa ecuación de Black-Scholes

∂V 1 ∂ 2V ∂V
+ σ 2 S 2 2 + rS − rV = 0. (6.1.7)
∂t 2 ∂S ∂S

∂V
Notemos que la ecuación de ∆ = ∂S
dá una estrategia para eliminar el riesgo en el
portafolio (6.1.2) que se encuentra en las fluctuaciones estocásticas y en el coeficiente µ
del activo subyacente. En este sentido la modelación de V es de riesgo neutro. El único
parámetro que refleja el comportamiento estocástico en la ecuación de Black-Scholes
es la volatilidad σ.

∂V
La delta ∆ = ∂S
juega un papel crucial en la cobertura de portafolios, siendo el
número de unidades del activo que hace que el portafolio (6.1.2) no tenga riesgo. En
el análisis anterior, delta fue constante en el intervalo dt. En el perı́odo de tiempo
siguiente, ∆ puede tomar valores diferentes. Se trata de una estrategia dinámica de
cobertura, ∆ = ∆(S, t).

La ecuación de B-S tiene solución mediante la fórmula cerrada. Para una call europea
con una tasa continua de dividendos δ las fórmulas son:

VC (S, t) = Se−δ(T −t) Φ(a) − Ke−r(T −t) Φ(b), (6.1.8)

S 2
log( K ) + (r − δ + σ2 )(T − t)
a = √ ,
σ T −t
√
b = a − σ T − t,

donde Φ es la distribución normal estándar (acumulada). El valor de una put VP (t, S)

se obtiene aplicando la ecuación llamada de paridad put-call para opciones europeas
34 Valoración de opciones por la ecuación de Black-Scholes.

VP = VC − Se−δ(T −t) + Ke−r(T −t) .

∂V
Derivando la fórmula de Black-Scholes se encuentra el valor de la delta, ∆ = ∂S

∆ = Φ(a) para una call europea,

∆ = Φ(a) − 1 para una put europea,

La delta de (6.1.4) es un ejemplo de las griegas. Otras cantidades que se pueden obtener
apartir de V son

∂ 2V ∂V ∂V ∂V
gamma = 2
, theta = , vega = , rho = .
∂S ∂t ∂σ ∂r
Se puede encontrar expresiones analı́tica para estas derivando (6.1.8). Las griegas son

importantes en el análisis de sensitividad.

6.2. Modelos continuos.

Consideremos el problema de valuar una opción europea de tipo call con tiempo de
maduración T , y precio de ejercicio K.

Sea k el logaritmo de K, y sea CT (k) el valor de la opción. Sea ST el precio en la

fecha T del bien subyacente, y sT = ln(ST ). Sea qT (s) es la densidad de sT . La función
caracterı́stica φT de sT está definida por:
Z ∞

φT (u) = E[eiusT ] = eius qT (s)ds, (6.2.1)

−∞

En muchos casos esta función caracterı́stica se conoce analı́ticamente. Por ejemplo,

consideremos el modelo de Black-Scholes en el proceso {ST } satisface la siguiente
ecuación diferencial estocástica:

dST = ST (µdT + σdWT ) (6.2.2)

donde µ y σ son constantes y {WT } es un movimiento browniano estándar. Hay una

medida de probabilidad, con respecto a la cual la solución de (6.2.2) es de la forma
6.2. Modelos continuos. 35

σ2
ST = S0 e((r− 2
)T +σWT )
(6.2.3)

Donde r es la tasa de interés libre de riesgo y {WT } es un movimiento browniano

estándar. De (6.2.3) vemos que

σ2
ln(ST ) = ln(S0 ) + (r − )T + σWT
2
Entonces tenemos que la distribución de sT = ln(ST ) es normal, es decir

σ2
ln(ST ) ∼ N (ln(S0 ) + (r − )T, σ 2 T ).
2
Ahora bien, usando la definición (6.2.1) obtenemos que φT está dada en este caso por:

σ2 2 2
)T )− σ T2 u
φT (u) = E[eiu(ln(S0 )+(r− 2 ]

El valor inicial de una opción call europea está relacionada con la densidad qT (s) por:
Z ∞

CT (k) = e−rT (es − ek )qT (s)ds.

k

Notemos que CT tiende a S0 cuando k → −∞ y por tanto no es cuadrado integrable.

Para obtener una función cuadrado integrable, consideramos la función cT (k) definida
por:

cT (k) = e(αk) CT (k). (6.2.4)

para α > 0. Para ciertos valores de α > 0, cT (k) será cuadrado integrable en R. Se
puede tomar α = 1· 65 para satisfacer la condición de que cT (k) sea cuadrado integrable.

Consideremos ahora la transformada de Fourier de cT (k) definida por:

Z ∞

ψT (v) = eivk cT (k)dk. (6.2.5)

−∞

Ahora obtengamos la función analı́tica de la integral (6.2.5) en términos de la función

caracterı́stica φT de qT (s):
36 Valoración de opciones por la ecuación de Black-Scholes.

R∞ R∞
ψT (v) = −∞ eivk k e−rT (es − ek )qT (s)dsdk

R∞ R∞
= −∞ e−rT qT (s) s (es+αk − e(1+α)k )eivk dkds

(6.2.6)
R∞ (α+1+iv)s e(α+1+iv)s
= −∞ e−rT qT (s)[ e α+iv
− α+1+iv
]ds

e−rT φT (v−(α+1)i)
= α2 +α−v 2 +i(2α+1)v
.

Entonces el cálculo de la transformada inversa de ψT (v) nos da:

Z ∞ Z ∞
e−αk e−αk
CT (k) = e−ivk ψT (v)dv = e−ivk ψT (v)dv. (6.2.7)
2π −∞ π 0

La segunda igualdad se cumple porque CT es real, lo que implica que la función ψT (v)
es impar en su parte imaginaria y par en su parte real. Los valores de la opción call
se determinan sustituyendo (6.2.6) en (6.2.7) y realizando la integración requerida. La
integración de (6.2.7) es una transformada directa de Fourier, y esto nos lleva a una
aplicación de la tranformada F F T .

Ahora aproximamos la integral en (6.2.7) por:

Z a
e−αk
e−ivk ψT (v)dv.
π 0

y tenemos que:
   
R ∞ Ra  R ∞ 
 0 e−ivk ψT (v)dv − 0 e−ivk ψT (v)dv  =  a e−ivk ψT (v)dv 

R∞
≤ a |ψT (v)| dv.
6.2. Modelos continuos. 37

Además:
 
R ∞
|φT (v − (α + 1)i)| =  −∞ eisv e(α+1)s qT (s)ds

 
R∞  (α+1)s
≤ −∞ e T q (s) ds

= E[e(α+1)sT ]

= E[STα+1 ].

Como E[STα+1 ] < ∞, veamos de (6.2.6) que para alguna contante A:

A
|ψT (v)dv|2 = .
v4
Por lo tanto

Z ∞
√
A
|ψT (v)| dv ≤ ,
a a

y el error de truncamiento está acotado por

√
e−αk A
π a
Si  > 0 es el máximo error del error de truncamiento, se debe elegir a de modo que:
√
e−αk A
a> .
π 
38 Valoración de opciones por la ecuación de Black-Scholes.

6.3. Valoración de opciones con la transformada

rápida de Fourier.

Veamos una forma de calcular numéricamente el valor de una opción call. Aproxima-
mos el lado derecho de (6.2.7) usando la regla trapezoidal con vj = η(j − 1):

e−αk N
X
CT (k) ≈ e−ivj k ψT (vj )η. (6.3.1)
π j=1

El lı́mite superior de la integración es ahora:

a = Nη (6.3.2)

Nos interesa principalmente valores de CT (k) en el dinero, lo cual corresponde a k

cerca de cero, o sea S0 = 1. Consideremos un rango de valores de logaritmo del precio
de ejercicio K alrededor del logaritmo del precio inicial S0 = 1 con espaciamiento
λ > 0:

ku = −b + λ(u − 1), para u = 1, ..., N. (6.3.3)

Esto nos da un rango de valores de logaritmo de K de −b a b − λ donde:

Nλ
b= (6.3.4)
2

Sustituyendo (6.3.3) en (6.3.1) tenemos:

e−αku N
X
CT (ku ) ≈ e−ivj (−b+λ(u−1)) ψT (vj )η, para u = 1, ..., N. (6.3.5)
π j=1

Con vj = (j − 1)η obtenemos:

e−αku N
X
CT (ku ) ≈ e−iλη(j−1)(u−1) eibvj ψT (vj )η. (6.3.6)
π j=1
6.3. Valoración de opciones con la transformada rápida de Fourier. 39

Para aplicar la transformada rápida de Fourier, notamos que:

2π
λη = . (6.3.7)
N

Si escogemos η pequeño para obtener un paso pequeño en la integración, observamos

que el espaciamiento λ entre los valores de logaritmo K es grande y tendrı́amos pocos
valores cerca del precio deseado. Para obtener una región de integración apropiada
con valores grandes de η. Usando la regla de Simpson de integración y la restricción
(6.3.7) podemos escribir el valor de la call como:

e−αku N
X 2π η
CT (ku ) = e−i N (j−1)(u−1) eibvj ψT (vj ) (3 + (−1)j − δj−1 ), (6.3.8)
π j=1 3

donde δn es la delta de Kronecker que vale uno si n = 0 y cero en otro caso. La suma
en (6.3.8) permite una aplicación exacta de la F F T a la sucesión

η
xj = (−1)j−1 ψT (vj ) (3 + (−1)j − δj−1 ), para j = 1, ..., N. (6.3.9)
3
40 Valoración de opciones por la ecuación de Black-Scholes.

6.4. Ejemplo Numérico

Valuaremos las siguientes opciones call de tipo europeo aplicando el algoritmo de la
F F T con N = 4096 y α = 1.65 (utilizamos este α porque nos da resultados más
precisos), para el modelo descrito en (6.3.8). Los resultados obtenidos con el algoritmo
de la F F T los vamos a comparar con la solución de la ecuación de Black-Scholes.

En todas las valuaciones utilizamos los siguientes datos r = 0.02, σ = 0.7, T = 1. Los
resultados obtenidos se presentan en la siguiente tabla:

Precio de Ejercicio K Valor call por F F T continuo Valor call por Ec. B-S
K = 0.1 0.8237 0.9020
K = 0.2 0.7528 0.8049
K = 0.3 0.6767 0.7118
K = 0.4 0.6009 0.6255
K = 0.5 0.5299 0.5477
K = 0.6 0.4655 0.4788
K = 0.7 0.4083 0.4185
K = 0.8 0.3581 0.3659
K = 0.9 0.3142 0.3204
K = 1.0 0.2761 0.2809
K = 1.1 0.2429 0.2468
K = 1.2 0.2141 0.2172
K = 1.3 0.1891 0.1916
K = 1.4 0.1673 0.1694
K = 1.5 0.1484 0.1501
K = 1.6 0.1318 0.1332
K = 1.7 0.1174 0.1185
K = 1.8 0.1047 0.1057
K = 1.9 0.0935 0.0944
K = 2.0 0.0838 0.0845
K = 2.1 0.0751 0.0757
6.4. Ejemplo Numérico 41

La figura (6.1) muestra la gráfica de comparación de los valores de la call, obtenidos

por el algoritmo de la F F T y la ecuación de Black-Scholes.

Figura 6.1: Comparación del algoritmo de la F F T y la Ec. de B − S.

42 CONCLUSIONES

Conclusiones

En este trabajo se uso la transformada de Fourier para evaluar numéricamente los

precios de las opciones. Para el caso de la aproximación binomial del modelo de Bla-
ck Scholes, obtuvimos una expresión del valor de la opción, usando las propiedades
básicas de la F F T y la fórmula del valor expresada en términos de las probabilida-
des de no arbitraje. También partiendo de la fórmula del valor de la opción dada por
la ecuación de Black-Scholes obtuvimos la fórmula para el valor en donde aparece
la transformada de Fourier continua; la cual aproximamos mediante una fórmula de
integración numérica que nos permitió el uso de la F F T .

Nos podemos dar cuenta que el uso de la transformada rápida de Fourier para evaluar
opciones presenta ventajas debido a su gran rapidez, y porque en una sola aplicación
se obtienen valores simultáneos del precio de la opción para varios valores del precio de
ejercicio. El método se puede aplicar también a modelos más generales, como son los de
volatilidad estocástica, y modelos que incluyen un proceso estocástico de saltos en el
proceso de precios. En general para modelos financieros continuos, necesitamos conocer
fórmulas explı́citas para la función caracterı́stica, es decir la transformada de Fourier,
del logaritmo del precio del bien subyacente. El uso de transformadas de Fourier es
actualmente una herramienta muy usada para el cálculo numérico de valoración de
opciones.
Apéndice A
Códigos del algoritmo de la FFT
Los códigos del algoritmo de la FFT presentados a continuación están realizados en
MATLAB 7.0.

A.1. Código FFT binomial

%---------------------------------------------------------
%Cálculo del valor de la opción por el algoritmo de la FFT
%---------------------------------------------------------

resultado=zeros(21,1);
resultado1=zeros(21,1);
X=0;%precio de ejercicio
X1=zeros(21,1);

r=0.02; %Tasa anual libre de riesgo

T=1; %Tiempo en a~
nos
S=1; %Precio inicial de la opción
v=0.7; %Volatilidad anual
CallPutFlag=’c’;
N=100; %No. de pasos

deltaT=T/N;
u=exp(v*sqrt(deltaT));
d=1/u;
p=(exp(r*deltaT)-d)/(u-d);
44 Códigos del algoritmo de la FFT

for k=1:21,
X=X+0.1;
X1(k)=X

%Método binomial usual.

binanalytic_option_price=LatticeEurCall(S,X,r,T,v,N);
resultado1(k)=binanalytic_option_price;

qu=p;
qd=1-p;

Cmat=zeros(N+1,N+1);
Cmat(1,1)=S;
for i=1:N,
for j=1:i,
parentprice=Cmat(j,i);
Cmat(j,i+1)=u*parentprice;
Cmat(j+1,i+1)=d*parentprice;
end
end
Cmat;

if CallPutFlag==’c’,
CN=max(Cmat(:,N+1)-X,0);
else
CN=max(X-Cmat(:,N+1),0);
end

q=CN*0;
q(1)=qu;
q(2)=qd;
A.1. Código FFT binomial 45

q=q/exp(r*deltaT);
C0 = ifft( fft(CN).*(((N+1)*ifft(q)).^N) );
option_price=real(C0(1));
resultado(k)=option_price;
end

%------------------------------------------------------------------
%Función para cálculo del valor de la opción por el modelo binomial
%------------------------------------------------------------------

function [price,lattice]=LatticeEurCall(S,X,r,T,v,N)
deltaT=T/N;
u=exp(v*sqrt(deltaT));%v=sigma
d=1/u;
p=(exp(r*deltaT)-d)/(u-d);
lattice=zeros(N+1,N+1);
for j=0:N
lattice(N+1,j+1)=max(0,S*(u^j)*(d^(N-j))-X);
end
for i=N-1:-1:0
for j=0:i
lattice(i+1,j+1)=exp(-r*deltaT)*...
(p*lattice(i+2,j+2)+(1-p)*lattice(i+2,j+1));
end
end
price=lattice(1,1);
46 Códigos del algoritmo de la FFT

A.2. Código FFT continuo

%------------------------------------------------------------------
%Cálculo del valor de la opción usando la FFT para el caso continuo
%------------------------------------------------------------------

%T: vencimiento
%sigma: volatilidad
%r: tasa de interés libre de riesgo
%S: precio inicial del bien o acción
resultado=zeros(21,1);
resultado1=zeros(21,1);
X1=zeros(21,1);

X=0;%Precio de ejercicio
S=1;
alpha=1.65;
T=1;
sigma=0.7;
r=0.02;
CallPutFlag=’c’; %c para call y p para put

for i=1:21,
X=X+0.1;
X1(i)=X;

%Método de B-S usual.

bsanalytic_option_price=BlackScholesPrice(CallPutFlag,S,X,T,r,sigma);
resultado1(i)=bsanalytic_option_price;
A.2. Código FFT continuo 47

K=X/S;
N=2^12;
eta=0.005;
lambda=(2*pi)/(N*eta);
v=0 : eta : ((N-1)*eta);
b=(N*lambda)/2;
tmp=zhi(v).*exp(1i*v*b)*eta;
jvec=1:N; %Aplicando la regla de Simpson.
tmp=(tmp/3).*(3+(-1).^jvec+ ((jvec-1)==0));
ft=fft(tmp);
ft=ft’;
ku=-b : lambda : ((N-1)*lambda-b);
ku=ku’;
cpvec=(exp(-alpha*ku).*ft)/pi;

x=ku;
y=cpvec;
xi=log(K);

tmpmat = [ku exp(ku) real(cpvec)];

tmpindex=ceil(N/2);
idxcounts=10;
tmpx=tmpmat(tmpindex-idxcounts:tmpindex+idxcounts,1);
tmpy=tmpmat(tmpindex-idxcounts:tmpindex+idxcounts,3);
yi=spline(tmpx,tmpy,xi);
call_price_fft=real(yi)*S;

if CallPutFlag==’p’,
option_price_fft=call_price_fft+X*exp(-r*T)-S;
else
option_price_fft=call_price_fft;
end
resultado(i)=option_price_fft;
end
48 Códigos del algoritmo de la FFT

%------------
%Función zhi
%------------

function ret = zhi(v)

ret=(exp(-r*T)*kar(v-(alpha+1)*1i) )./(alpha^2*+alpha-v.^2+1i*(2*alpha+1)*v);

%------------
%Función kar
%------------

function ret = kar(u)

ret=exp(-0.5*u.*(u+1i)*sigma^2*T + T*u*r*1i);

%----------------------------------------------------------
%Fórmula para cálculo del valor de la opción por la Ec. B-S
%-----------------------------------------------------------

function [ret]=BlackScholesPrice(CallPutFlag,S,X,T,r,sigma)
b=r;
d1 = (log(S / X) + (b + sigma ^ 2 / 2) * T) / (sigma * T^0.5);
d2 = d1 - sigma * T^0.5;
if CallPutFlag == ’c’ ,
ret = S * normcdf(d1) - X * exp(-r * T) * normcdf(d2);
else
ret = X * exp(-r * T) * normal_cdf(-d2) - S * normcdf(-d1);
Bibliografı́a

[1] Carr, P. and Madan, D.,Option valuation using the fast Fourier trans-
form, Journal of Computational Finance, 2, 1999.

[2] Cerný, A., Introduction to Fast Fourier Transform in Finance, Journal

of Derivatives, 12(1), 2004, pp. 73-88.

[3] Cohn, Donald L., Measure Theory, Birkhäuser, New York, 1980.

[4] Hull, John C., Options, Futures and Other Derivatives. Prentice Hall,
New Jersey, 2003.

[5] Matlab 7.0, The MathWorks, Inc., Natick, Massachusetts, 1994–2007.

[6] Oksendal, Bernt, Stochastic Differential Equations. Springer, New York,

2003.

[7] Ross, Sheldon M., An Introduction to Mathematical Finance. Cambridge

University Press, New York, 1999.

[8] Ross, Sheldon M., Introduction to Probability Models. Academic Press,

New York, 1989.

[9] Seydel, R., Tools Computational Finance, Springer, New York, 2001.

[10] Sneddon, Ian N., Fourier Transforms, McGraw-Hill, New York, 1995.

49