Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
20
Integrales de Trayectoria y Mercados Financieros
Una aplicacion importante de las integrales de trayectoria se encuentra en los mercados nancieros. El precio de los valores uct
ua como funcion del tiempo y si el
n
umero de participantes en el mercado es alto, las uctuaciones son muy azarosas.
Luego, la dependencia temporal de los precios puede modelarse mediante las uctuaciones de las trayectorias.
20.1
1508
10000
5000
2000
1000
500
200
100
1940
1960
1980
2000
Figure 20.1 Gr
afica logartmica del ndice industrial Dow Jones en los u
ltimos 80 a
nos.
Hay cuatro secciones aproximadamente lineales, dos con crecimiento exponencial y dos
con estancamiento [1].
a
500
S&P 500
100
b
Volatility 103
5.0
1.0
1984
1986
1988
1990
1992
1994
1996
20.1.1
Aproximaci
on Arm
onica a las Fluctuaciones
S(t)
= rS + (t),
(20.1)
S(t)
1509
Probability distribution x 10
-3
1.0
Empirical volatility
Gauss distr. fit
Log-normal distr. fit
Gamma distr. fit
0.8
0.6
0.4
0.2
0.0
0.000
0.001
0.002
0.003
Normalized volatility
Figure 20.3 Comparacion del ajuste Gaussiano, logartmico normal y distribucion Gama
de la volatilidad en un intervalo de 300 minutos (tomado de la Ref. [80]). La distribucion
2
2
log-normal normalizada tiene la forma D lognormal (z) = (2 2 z 2 )1/2 e(log z) /2 . La
distribucion Gama ser
a discutida m
as tarde en la Subseccion 20.1.5.
h(t)(t )i = 2 (t t ).
(20.2)
(20.3)
esto implica una ecuacion diferencial estocastica con crecimiento lineal [14, 15, 16, 17]
x(t)
S
1
2 = rx + (t),
S 2
(20.4)
1
rx rS 2
2
(20.5)
donde
En la construcci
on del logaritmo, se supone que el precio de las acciones o activos S(t) no tiene
dimensiones, i.e., usamos solo el valor numerico del precio en la moneda relevante.
1510
S()
[sec1 ]
es el termino de deriva del proceso [comparemos con la Ec. (18.405)]. En la Fig. 20.5
se muestra un conjunto tpico de soluciones de la Ec. (20.4).
6
5
4
3
2
1
-1
10
Las diferencias nitas x(tn ) = x(tn+1 ) x(tn ) y los diferenciales correspondientes dx se conocen como el logaritmo de la renta.
En las funciones de la variable estocastica x(t), el termino extra 2 /2 hallado en
la Ec. (20.5), se obtiene del Lema de Ito, Ec. (18.413). Recordemos que el desarrollo
formal en terminos de potencias de dt:
dx
1 d2 x 2
dS(t) +
dS (t) + . . .
dS
2 dS 2
"
#2
1 S(t)
S(t)
dt
dt2 + . . .
=
S(t)
2 S(t)
dx(t) =
(20.6)
S(t)
S(t)
#2
dt x 2 (t)dt = 2 .
(20.7)
1511
2
2
Rt
0
dt (t )
i = S(0) e(rx +
2 /2)t
(20.8)
20.1.2
Distribuciones de L
evy
dp ipz
e L2 (p),
2
(20.9)
1512
donde
h
(20.10)
D(z)
=
dp ipz
e D(p)
2
(20.11)
(20.12)
D(z)
= eH(z) .
(20.13)
P (z)
P (z)
1 + 2.7
1+4
1/x1+
z/
z/
Figure 20.6 Izquierda: decrecimiento de Levy del ndice S&P 500 (logaritmo de la renta
al minuto) graficado en funci
on de z/. Derecha: Gr
afica logaritmo-logaritmo mostrando
un decrecimiento siguiendo una ley de potencias del ndice S&P 500 (logaritmo de la renta
al minuto) (tomado de la Ref. [23])
eH(p) heipz i.
(20.14)
(20.15)
1513
Para valores grandes de z, la distribucion de Levy dada por la Ec. (20.9) decrece
siguiendo la ley de potencias caracterstica
2 (z) A2
L
.
|z|1+
(20.16)
Este comportamiento, es el decrecimiento abrupto de la distribucion discutido anteriormente. Tambien se le conoce como ley de potencias del decrecimiento (decrecimiento Paretiano o decrecimiento de Levy). La magnitud del decrecimiento se
encuentra aproximando la integral de la Ec. (20.9) en el lmite de valores grandes
de z, donde solo contribuyen los valores peque
nos de los momenta en la forma:
2 (z)
L
dp ipz
1
1 ( 2 p2 )/2
e
2
2
A2
,
|z|1+
(20.17)
donde
A2
=
2
dp
p cos p =
sin(/2) (1 + ).
(20.18)
Los datos obtenidos en el mercado de las acciones se ajustan mejor con un valor
de entre 1.2 y 1.5 [13], por simplicidad, la mayor parte del tiempo usaremos el
valor = 3/2, de donde obtenemos
3/2
A2
1 3/2
= .
4 2
(20.19)
X
sin
(1)n Z dp n pn
(1)n+1 n
2
cos pz =
(1 + n) 1+
. (20.20)
n
n
n!
2
n!
2
|z|
0
n=0
n=0
(20.21)
tan(/2)
(1/) log p2
para 6= 1,
para = 1.
(20.22)
El comportamiento para valores grandes de |z| de esta distribucion esta dado una vez
mas por la Ec. (20.17), con la excepcion de que el prefactor dado por la Ec. (20.18)
estara multiplicado por el termino (1 + ).
1514
20.1.3
Distribuciones Truncadas de L
evy
= hz i
dz z
2 (z)
L
d2
= 2 L2 (p)
dp
p=0
(20.23)
dp ipz (,)
e L2 (p) =
2
dp ipzH(p)
e
,
2
(20.24)
H(p)
(20.25)
io
h
dp ipz n
1 s ( + ip) + ( ip)
e
2
sin() e|z|
e2s (1 + )
s 1+ ,
|z|
e2s
(20.26)
donde
s
2 2
.
2 (1 )
(20.27)
dp ipz
(z) ez
e ( + ip) =
,
2
() z 1+
dp ipz
(z) e|z|
e ( ip) =
,(20.28)
2
() |z|1+
1515
(20.29)
dp ipz
e ( + ip) ( ip)
2
= (2)/2+/2
|z|1+/2+/2
1
W()/2,(1++)/2 (2z)
z > 0,
()
para
z < 0,
W()/2,(1++)/2 (2z)
()
(20.30)
W, (x) =
(20.31)
como puede verse de las Ecs. (9.39), (9.46) y la Ref. [27]. Para = 0, solo el caso
z > 0 en las Ecs. (20.30) dara una integral diferente de cero, la cual, con ayuda de
la expresion W/2,1/2+/2 (z) = z /2 ez/2 , se reduce a la relacion del lado izquierdo
de la Ec. (20.28). Usando el valor = encontramos
dp ipz 2
1
1
e ( + p2 ) = (2)/2 1+
W0,1/2+ (2|z|).
2
|z|
()
(20.32)
Usando la sustitucion
W0,1/2+ (x) =
2z
K1/2+ (x/2),
(20.33)
tendremos
Z
dp ipz 2
e ( + p2 ) =
2
2
|z|
!1/2+
1
K1/2+ (|z|).
()
(20.34)
dp ipz
1 |z|
1
e
=
e
.
2
2
2
+p
2
(20.35)
1516
in
X
dp
(s)n h
eipz (20.36)
1+
( + ip) + ( ip)
2
n!
n=1
(22 )s
sin() e|z|
s 1+ ,
(1 + )
|z|
(20.37)
(,)
2 (z ),
dz L
P> (z) =
(,)
(20.39)
(20.40)
Los n
umeros c2n = (1)n H (2n) (0) son los cumulantes de la distribucion truncada
de Levy [comparemos con la Ec. (3.587)], denotados tambien como hz n ic . Aqu,
tenemos los siguientes valores
hz 2 ic = c2 = 2 ,
hz 4 ic = c4 = 2 (2 )(3 )2 ,
hz 6 ic = c6 = 2 (2 )(3 )(4 )(5 )4 ,
..
.
(2n ) 22n
hz 2n ic = c2n = 2
.
(2 )
(20.41)
1517
P > (z)
P > (z)
<
<
dz
(,)
z2 L
2 (z)
d2
= 2 eH(p)
= c2 = 2 ,
dp
p=0
(20.42)
hz i
y as sucesivamente:
dz z
(,)
L
2 (z)
d4
= c4 + 3c22 ,
= 4 eH(p)
dp
p=0
(20.43)
1518
(2 )(3 )
.
2 2
(20.46)
(2 )(3 )
.
(20.47)
,
L
2 (z)
0.3
0.2
0.1
-3
-2
-1
Figure 20.8 Cambio en la forma de las distribuciones truncadas de Levy para un ancho
= 1, donde incrementamos el valor de las kurtoses = 0, 1, 2 , 5, 10, (la curva s
olida
corresponde a la Gaussiana).
c4 = ,
c6 = 2
..
.
cn = n/21
(5 )(4 )
,
(3 )(2 )
c8 = 2
(n )/(4 )
.
(3 )n/22 (2 )n/22
(20.48)
3
,
2
(20.49)
c6 =
57 2
,
3
c8 = 5 7 11 2 ,
(n 3/2)/(5/2) n/21
.
3n/22 /2n4
(20.50)
1519
Para una kurtosis cero, la distribucion truncada de Levy se reduce a una distribucion
Gaussiana con ancho . El cambio en la forma de la distribucion para un ancho jo
y kurtosis creciente se muestra en la Fig. 20.8.
De los datos S&P y DM/Dolar EUA para los intervalos temporales t =
15 min obtenemos 2 = 0.280 y 0.0163 y las kurtoses = 12.7 y 20.5, respectivamente. Este resultado implica que 0.46 y 1.50, respectivamente. Se obtiene tambien que los otros cumulantes normalizados (
c6 , c8 , . . .) son
6
(1881.72, 788627.46, . . .) y (4902.92, 3.316810 , . . .), respectivamente. Los cumulantes aumentan rapidamente mostrando que el desarrollo necesita una resumacion.
Los cumulantes normalizados de orden superior estan dados por los siguientes
cocientes de valores esperados
hz 6 i
hz 4 i
15
+ 30,
hz 2 i3
hz 2 i2
hz 8 i
hz 6 i
hz 4 i2
hz 4 i
=
28 2 3 35 2 4 + 420 2 2 630, . . . .
hz 2 i4
hz i
hz i
hz i
c6 =
c8
(20.51)
20.1.4
Distribuciones Asim
etricas Truncadas de L
evy
En los datos de la Fig. 20.7 hemos visto que las uctuaciones de los precios tienen
una ligera asimetra: la caida de los precios es ligeramente mayor que el aumento.
Esto se puede tener en cuenta mediante una distribucion asimetrica truncada de
Levy. La cual tiene la forma general [24]
(,,)
L2
(p) eH(p) ,
(20.52)
H(p)
(20.54)
Donde ahora tenemos cumulantes, cn = in H (n) (0), pares e impares cuyos valores
son
2 (n
) 2n 1
n = par,
cn =
para
(2 )
n = impar.
(20.55)
1520
Los cumulantes pares son los mismos hallados en la Ec. (20.41). En forma similar, los
valores esperados pares de las Ecs. (20.42)(20.44) se pueden expresar en terminos
de los valores esperados impares:
hzi
hz 2 i
hz 3 i
hz 4 i
..
.
dz z
(,,)
L
(z)
2
dz
(,,)
z2 L
(z)
2
dz
(,,)
z3 L
(z)
2
dz
(,,)
z4 L
(z)
2
d
= c1 ,
= i eH(p)
dp
p=0
d2
= c2 + c21 ,
= 2 eH(p)
d p
p=0
d3
= i 3 eH(p) = c3 + 3c2 c1 + c31 ,
d p
p=0
d4
= 4 eH(p) = c4 + 4c3 c1 + 3c22 + 6c2 c21 + c41 ,
d p
p=0
(20.56)
(20.57)
Por supuesto, estas expresiones son una version simple de los desarrollos en terminos
de cumulantes dados en las Ecs. (3.585) y (3.587).
Ahora la distribucion estara localizada alrededor de un valor promedio distinto
de cero:
hzi = c1 .
(20.58)
(20.59)
dp ipz
e
2
i
2 2 h
( + ip) (1+) + ( ip) (1) 2
1
2 (1)
sin() e|z|
s 1+ [1 + sgn(z)].
|z|
(20.60)
c3
h(z hzi)3 i
= c3 = 3/2 .
3
c2
(20.61)
2 e2s (1 + )
1521
,,
L
(z)
2
0.1
-4
-2
z hzi
Figure 20.9 Cambio en la forma de las distribuciones truncadas de Levy con ancho
= 1 y kurtosis = 1 y con aumento en la distorsion s = 0 (curva continua), 0.4, 0.8 .
Las curvas est
an centradas alrededor de hzi.
(2 )
.
(20.62)
(20.63)
De los datos nancieros podemos obtener tres parametros: la volatidad , la distorsion s y la kurtosis , lo cual determina completamente la distribucion truncada
de Levy asimetrica. Los datos nancieros se gracan como funcion de zhzi = z,
de tal forma que estaran centrados en la posicion promedio. La distribucion centrada
(,,)
sera denotada por L
(z), i.e.
2
(,,)
(,,)
L
(z) L
(z ).
2
2
(20.64)
H(p)
H(p) H (0)p,
(20.65)
n/21
1
(n )/(4 )
para
q
(3 )n/22 (2 )n/22
(3 )/(2 ) s
n = par,
(20.66)
n = impar.
1522
H(p)
H(p) H (0)p = c2 p2 i c3 p3 c4 p4 + i c5 p5 + . . . .
2
3!
4!
5!
20.1.5
(20.67)
Distribuci
on Gama
(20.68)
obtenemos la distribuci
on Gama normalizada de la matematica estadstica:
Gama
,
D
(z) =
1 1 z
z e ,
()
Gama
,
dz D
(z) = 1,
(20.69)
(20.70)
z = /, 2 = /2 , s = 2/ ,
= 6/.
(20.71)
(20.72)
Chi () = 1.
d D
,
(20.73)
(20.74)
1523
(20.75)
1 1 |z|
|z| e
,
()
z 0.
(20.76)
20.1.6
Distribuci
on de Boltzmann
-1
-2
-1
log P (z)
-2
-3
-3
-4
-4
-5
-1
-0.5
0.5
-5
-4
z in %
log P (z)
-2
z in %
1 |z|/T
B(z)
=
e
.
2T
(20.77)
1524
(20.79)
n = 1, 2, . . . .
(20.80)
1500 Index
Index
4000
1000
2000
500
0
1990
6000
1995
2000
2005
0
1990
2000
2005
2000
2005
4
104 T
104 T
1
0
1990
1995
1995
a
no
2000
2005
0
1990
1995
a
no
Figure 20.11 Temperatura financiera de los ndices S&P 500 y NASDAQ 100 desde 1990
hasta 2006. El derrumbe financiero del a
no 2000 ocurrio en las temperaturas m
aximas
TS&P500 2 104 y TNASDAQ 4 104 .
1525
10000
1000
100
41
1930
1940
1950
1960
1970
1980
1990
2000
4
Temperatura Financiera
104 T
1987
2
1
0
1930
1940
1950
1960
1970
1980
1990
2000
a
no
Esto implica que la distribucion de Boltzmann se puede obtener como una superposicion de distribuciones Gaussianas. De hecho, el prefactor de p2 es igual al doble
de la varianza, v = 2 , de la distribucion Gaussiana. De esta forma, cambiamos la
variables de integracion de a 2 , utilizando la sustitucion = 2 /2T 2 , y obtenemos
1 Z 2 2 /2T 2 2 p2 /2
H(p)
B(p) = e
=
d e
e
.
(20.82)
2T 2 0
La transformada de Fourier de esta expresion es la buscada representacion de la
distribucion de Boltzmann en terminos de una integral sobre la volatilidad de distribuciones Gaussianas de diferente ancho:
Z
1
1
2 2 /2T 2
z 2 /22
d
e
B(z)
=
e
.
(20.83)
2T 2 0
2 2
Se sabe que la funcion de distribucion de la volatilidad es un caso especial de la
distribucion Gama, dada en la Ec. (20.69), donde los valores de los parametros son
= 1/2T 2 y = 1.
1526
20.1.7
Distribuci
on Student o Tsallis
22
2 /2 2
(1/)
,
N =
(1/ 1/2)
(20.84)
(20.85)
(20.86)
"
N Z
Y
n=1 0
(20.87)
Z
N Z W
d Y
d (eiW 1)N eiW
i(w1 +...+wN ) iW
dwn e
e
=
,
2 n=1 0
(i + )N
2
(20.88)
#
"
donde es un n
umero innitesimal positivo, y donde usamos el desarrollo binomial
de (eiW 1)N eiW , podemos evaluar la integral sobre si utilizamos la formula4
Z
1
p1 p
d
ipx
e
=
e (p),
2 (i + )
()
(20.89)
Ver la Formula 3.382.7 en I.S. Gradshteyn and I.M. Ryzhik, op. cit..
(20.90)
1527
W N 1
.
(N)
(20.91)
Si reemplazamos W por W wn , esta funcion de particion nos dara la probabilidad no normalizada de que un individuo posea una parte wn de la riqueza total.
Luego, la probabilidad normalizada sera
PN (wn ) = ZN1
wn
N 1
(W wn )N 2
1
=
(N 1)
W
E
N 2
(20.92)
N 1
wn
PN (wn ) =
1
W
(N 2)w
#N 2
N 1 wn /w
e
.
W 1/(N 2)
(20.93)
En el lmite de un n
umero muy grande de individuos, obtenemos la distribucion
normalizada de Boltzmann w 1 ewn /w .
La distribuci
on Student-Tsallis dada en la Ec. (20.84) es simplemente una exponencial normalizada. En lugar del parametro con frecuencia se utiliza el
parametro de Tsallis q = + 1. Un graco de estas funciones, para diferentes valores de , se muestra en el lado izquierdo de la Fig. 20.13. De la Ec. (20.86) vemos
que para > 0 la distribucion Student-Tsallis tiene decrecimientos abruptos que
obedecen la ley 1/z 1/ = 1/z 1/(q1) . Un ajuste al logaritmo de la renta para las
acciones 10 NYSE se muestra en la Fig. 20.13.
Es de notar que la exponencial dada en la Ec. (20.84) se puede escribir como
una superposicion de distribuciones Gaussianas. Con ayuda de la formula integral
dada en la Ec. (2.499) encontramos
z 2 /22
e
1 Z ds 1/ s s z 2 /22
.
=
s e e
(1/) 0 s
(20.94)
1/
(1/)
dv 1/ v vz 2 /2
v e e
,
v
= 2 /.
2
(20.95)
Ver la Formula 0.154.6, en I.S. Gradshteyn and I.M. Ryzhik, op. cit..
1528
Probability
(z)
log D
-2
= 0.41
-4
-6
= 0.44
-8
= 0.43
- 10
-4
-2
20.1.8
Distribuci
on de Tsallis en el Espacio del Momentum
eH, (p) e
= 1 + p2 /2
1/
(20.97)
1 Z ds 1/ s s p2 /2
s e e
,
=
(1/) 0 s
/ = 1/,
(20.98)
=
()
dv v vp2 /2
v e e
,
v
= 1/, = / = 1/.
(20.99)
Gama
dv D,
(v)evp
2 /2
= 1/, = / = 1/.
(20.100)
v p2 /2
de tal forma que el lado izquierdo se puede escribir como e
.
1529
7!!
5!!
c2 = , c4 = 3 2 , c6 = 3 2+3 2 2 3 , c8 = 3 2+ 3 2 + 3 +nu4 .(20.101)
1/
(1/)
dv 1/ v 1
2
v e
ez /2v ,
v
2v
= 1/.
(20.102)
2 1/21/4
q
1
z
, (z) =
D
2K1/1/2 ( 2z),
= 1/.(20.103)
(1/) 2
2
Si = 1 y = 1/2T 2 , utilizando la Ec. (1.349) recobramos la distribucion de
Boltzmann dada en la Ec. (20.83).
El comportamiento de K (z) para valores peque
nos de z es (1/2)() (z/2) ,
donde Re > 0 [recordemos la Ec. (1.351)]. Si suponemos que < 2, de la
Ec. (20.103) obtenemos el valor de la funcion de distribucion en el origen:
(1/ 1/2)
.
(20.104)
D, (0) =
(1/)
Se puede obtener el mismo resultado directamente de la Ec. (20.102). Este valor
diverge en = 2/(1 2n) (n = 0, 1, 2, . . .).
20.1.9
Distribuci
on de Boltzmann para Partculas Relativistas
Una distribucion importante, desde el punto de vista fsico, en el espacio del momentum es ladistribucion de Boltzmann eE(p) para partculas con energas relativistas,
E(p) = p2 + M 2 , donde es el inverso de la temperatura 1/kB T . La exponencial
se puede expresar como una superposicion de distribuciones Gaussianas
Z
2
2
2
2
e p +M =
dv (v)ev(p +M )/2
(20.105)
0
/2v
e
.
2v 3
(20.106)
1530
b
b
xa1 ex ,
(a/b)
(20.107)
20.1.10
(20.108)
Distribuciones de Meixner
Se pueden obtener ajustes muy razonables a los datos financieros mediante las distribuciones de
Meixner [34, 35], las cuales en el espacio del momentum estar
an dadas por:
2d
(z) =
M
M (p) =
[2 cos(b/2)]
| (d + iz/a) |2 exp [bz/a] ,
2a(2d)
2d
cos(b/2)
.
cosh [(ap ib)/2]
(20.109)
(20.110)
para z ,
(20.111)
(20.112)
donde
2d
C =
[2 cos(b/2)]
2a(2d)
2
a2d1
d=
1
,
s2
p
b = 2 arcsin s d/2 .
(20.114)
(20.115)
se obtiene un buen ajuste a los datos diarios del ndice Nikkei-225. La curva tiene que desplazarse
la cantidad z en el eje z para que z + sea igual a hzi. Esta distribuci
on de Meixner se ha
utilizado como una valoraci
on de las opciones en la Ref. [35].
Las distribuciones de Meixner se pueden ajustar muy bien a la distribuci
on truncada de Levy en
el intervalo de valores grandes de la probabilidad. En el ajuste observamos que tanto la varianza
2 como la kurtosis no son los mejores par
ametros que ayudan a que ambas distribuciones
coincidan. En el caso simetrico, las distribuciones coincidiran si en el intervalo de valores grandes
de la probabilidad utilizamos el mismo valor y curvatura al origen para ambas curvas, tal como
puede verse en la Fig. 20.14.
1531
En el caso asimetrico tambien necesitamos que tanto la primera como la tercera derivada
coincidan. Las derivadas de la distribuci
on de Meixner son:
(0) =
M
22d1 2 (d)
,
a(2d)
(0) =
M
(0) =
M
(3) (0) =
M
(4) (0) =
M
a3 (2d)
b 22d 2 (d) 6(d) 6d 2 (d) d (3) (d)
,
2
a4 (2d)
22d 2 (d) 6 2 (d) + (3) (d)
,
a5 (2d)
(20.116)
donde (n) (z) dn+1 log (z)/dz n+1 , son las funciones Poli-gama.
1.75
1.5
1.25
1
(z)
M
0.75
0.5
0.25
0
0.25
0.5
0.75
1.25
1.5
1.75
z/
1532
20.1.11
Distribuciones Hiperb
olicas Generalizadas
Otra distribuci
on no Gaussiana propuesta en la literatura es la llamada distribuci
on hiperb
olica
generalizada.6 Lo mismo que la distribuci
on truncada de Levy y la distribuci
on Meixner, esta
distribuci
on tiene una forma analtica simple tanto en el espacio z como en el espacio p:
G (z) =
H
y
2 + z 2
e z 2
2 /21/4 K1/2
p
+z
1/2 2
K 2 2
2 2
/2
q
p
2
2
K ( + ip)
2 2
p
q
G(p) =
,
K 2 2
2
2
( + ip)
(20.117)
(20.118)
la u
ltima expresion define al Hamiltoniano
HG (p) log G(p).
(20.119)
/2 z
e
1
2 2
p
z 1 ez .
1/2
2 K 2 2
(20.120)
p
Utilizando la variable 2 2 , podemos hallar un nuevo desarrollo en una serie de
potencias de p tal como el hallado en la Ec. (20.54), de donde obtenemos los primeros dos cumulantes:
c1
c2
=
=
2 K1+ ()
;
K ()
2 K1+ () 2 4
+ 2
K ()
(20.121)
(
K1+ ()
K2+ ()
K ()
K ()
2 )
(20.122)
2
K (z),
z
(20.123)
1533
el u
ltimo resultado se puede expresar totalmente en terminos de
K1+ ()
(20.124)
= () =
K ()
en la forma
2
2 4
c2 =
+ 3 + 2 (1 + ) 2 .
(20.125)
(20.126)
c2 = 2 = s2 + 2
2
4
2
+
2
(1
+
)
s
s .
2
2
(20.127)
6
4 2
2 4
2
6
3
6 (1 + ) 2 s + 2s
(20.128)
+ 2 (2+) 4 + 4 (1+) (2+) 2
4 s
y
3 4
6 2
c4 = 4 = 2 + 2 (1 + ) s2 3s4
4
6
2
+ 6 2 2 (2+) 4 + 4 (1+) (2+) 2 2 4 s2 6 (1 + ) 2 s4 + 2s6
8
6
4
2
2 (1 + ) (11 + 7) 2 2 4 s4 + 12 (1 + ) 2 s6 3s8 .
(20.129)
3 4
6 2
+ 2 2 (1 + ) 3.
2
4
s
s
(20.130)
1534
s
.
s s
(20.133)
1/2
k ,
(20.134)
G(0),
1/2
3/2
k+ +
2 1 2 2 2 k ,
#
"
1/2
3/2
2 2
k ,
3
3 6
k+ +
2
(20.135)
(20.136)
(20.137)
La distribuciones hiperb
olicas generalizadas donde = 1, se conocen como distribuciones
hiperb
olicas. Los precios de las opciones de estas distribuciones se pueden calcular utilizando los
par
ametros apropiados en forma interactiva en una p
agina electronica (ver la Ref. [51]). Otro
caso especial utilizado frecuentemente en la literatura es = 1/2, en cuyo caso hablamos de la
distribuci
on Gaussiana normal inversa, abreviada normalemte NIGs.
20.1.12
dz
1
2
2
ez /2 eP z =
2
2
dz
dp 2 p2 /2 ipz+P z
2 2
e
e
= e P /2 .(20.138)
2
1535
20.1.13
dz
dp H(p) ipz+P z
e
e
= eH(iP ) .
2
(20.139)
Calculemos las propiedades del proceso mas simple, cuyas uctuaciones obedecen
una distribucion general no Gaussiana. Consideremos la ecuacion diferencial estocastica del logaritmo del precio de los valores
x(t)
= rx + (t),
(20.140)
+ irx p
H(p) Hrx (p) H(p) H (0)p + irx p H(p)
1
1
1
1
irx p + c2 p2 i c3 p3 c4 p4 + i c5 p5 + . . . . (20.141)
2
3!
4!
5!
As podemos trabajar simplemente con el desarrollo original dado en la Ec. (20.54)
y al nal hacemos el reemplazo
c1 rx .
(20.142)
Podemos suponer que la ecuacion diferencial estocastica dada por la Ec.(20.140) es
x(t)
= (t).
(20.143)
x(tb )=xb
x(ta )=xa
Dx exp
tb
ta
dt H((t))
[x ].
(20.144)
La funcion H()
es el negativo del logaritmo de la distribucion de la renta [recordemos la Ec. (20.13)]
H()
= log D().
(20.145)
1536
log B().
En la literatura matematica y en la integral de trayectoria, la norma sobre el
ruido
Rt
b dt H((t))
(20.146)
D D P [] = D e ta
x(tb )=xb
x(ta )=xa
Dx [x ]
(20.147)
b dt H((t)r)
(20.148)
D = D P [ r] = D e ta
es llamada norma equivalente. El cociente
R tb
D /D = e
ta
()]
H
[H(r)
(20.149)
D /D = e
ta
[r(t)r2 t/2] .
(20.150)
x(tb )=xb
x(t)=x
Dx [x ]
"Z
x(t)=x
x(ta )=xa
Dx [x ] ,
(20.151)
y evaluar una integral sobre f (x) con este ltro en la integral de trayectoria de la
Ec. (20.146). Usando las probabilidades P (xb tb |xa ta ), obtenemos la integral
hf (x(t))i =
(20.152)
Las funciones de correlacion de la variable de ruido (t), en la integral de trayectoria de la Ec. (20.144), estan dadas por una generalizacion funcional directa de las
formulas dadas en las
(20.56). Para
este proposito, expresamos la distribucion
i
h Ecs.
R tb
de ruido P [] exp ta dt H((t)) en la Ec. (20.144) como una integral de trayectoria de Fourier
P [] =
Dp
exp
2
Z
tb
ta
dt [ip(t)(t) H(p(t))] ,
(20.153)
1537
"
Rt
Rt
Dp
b dt H(p(t))
i b dt p(t)(t)
.
e ta
e ta
2 p(t1 )
p(tn )
b dt H(p(t))
e a
e ta
2
p(t1 )
p(tn )
"
#
R tb
dt H(p(t))
.
(20.154)
= in
e ta
p(t1 )
p(tn )
p(t)0
h(t1 ) (tn )i = in
R tb
dt H(p(t))
Desarrollando la exponencial e ta
en una serie de potencias, utilizando la
Ec. (20.54), encontramos inmediatamente las funciones de correlacion de menor
orden
h(t1 )i Z
h(t1 )(t2 )i Z 1
D (t1 ) exp
tb
ta
dt H((t))
= 0,
= c2 (t1 t2 ) + c21 ,
Z
tb
ta
dt H((t))
tb
ta
dt H((t))
= c3 (t1 t2 )(t1 t3 )
+ c2 c1 [(t1 t2 ) + (t2 t3 )+(t1 t3 )] + c31 ,
D (t1 )(t2 )(t3 )(t4 ) exp
tb
ta
(20.155)
(20.156)
(20.157)
dt H((t))
donde
Z
D exp
tb
ta
dt H((t))
.
(20.159)
1538
20.1.14
Evoluci
on Temporal de la Distribuci
on
P (xb tb |xa ta ) = D
Dx
Z t
h
i
b
Dp
exp
dt ip(t)x(t)ip(t)(t)
H((t)) . (20.160)
2
ta
Dx
Z t
b
Dp
exp
dt [ip(t)x(t)
H(p(t))] .
2
ta
(20.161)
La integracion sobre todos los x(t) con puntos extremos jos impone la condicion de
que el momentum sea constante a lo largo de la trayectoria, con lo cual obtenemos
una sola integral sobre el momentum
P (xb tb |xa ta ) =
dp
exp [ip(xb xa ) (tb ta )H(p)] .
2
(20.162)
D(z)
=
e
,
(20.163)
2
luego, para hallar la dependencia temporal de la distribucion sustituimos H(p) en
la Ec. (20.162). El tiempo se medira entonces en unidades del intervalo t.
Para una distribucion truncada de Levy, el resultado sera
(,)
P (xb tb |xa ta ) = L
2 (tb ta ) (xb xa ).
(20.164)
20.1.15
dp
exp [ipx tH(p)] .
2
(20.165)
Para valores grandes de t, la distribucion P (x, t) se parece cada vez mas a una
distribucion Gaussiana (ver la Fig. 20.18 para la distribucion de Boltzmann). Este
efecto es una consecuencia del teorema del lmite central de la mecanica estadstica,
el cual arma que la convolucion de un n
umero ininitamente grande de funciones
de distribucion con ancho nito tiene como lmite una distribucion Gaussiana. Este
1539
dp ipz tH(p)
e e
.
2
(20.166)
t grande
eipz ztH(pz )
e
2 p2 /2tH(p )
z
z
2 2
2p
2
2
z ) /2t
(20.167)
-1
-2
-1
log P (z)
-2
-1
log P (z)
log P (z)
-2
-3
-3
-3
-4
-5
z in %
-4
-5
z in %
-5
x in %
Figure 20.15 Ajuste mediante una distribucion Gaussiana al logaritmo de la renta S&P
500, los datos se han almacenado en intervalos de 60 min, 240 min y 1 da.
1540
(20.168)
20.1.16
= rx + 1 (t) + 2 (t)
(20.169)
Z
tb
ta
1 (1 (t))+ H
2(2 (t)) [xr
dt[H
x 1 2 ].
Dp1
exp
Dp2
tb
ta
D1
D2
Dx
Dpe
R tb
ta
dt [ip(xr
x 1 2 )]
Dp
Dx exp
Z
tb
ta
P (xb tb |xa ta ) =
(20.172)
20.1.17
1541
F
ormula de L
evy-Khintchine
La primer sustracci
on asegura la propiedad Hr (0) = 0, la cual garantiza la normalizaci
on unitaria
de la distribuci
on. Esta representacion sustraida se conoce como la f
ormula de Levy-Khintchine,
mientras que la funci
on F (z) es llamada el peso de Levy de la distribuci
on. Algunos autores
eliminan tambien el termino cuadratico, con lo cual
Z
2 2
Hr (p) = irp +
(20.175)
p + dz eipz 1 F (z).
2
la funci
on de peso F (z), la cual no tiene ni primer ni segundo momento, i.e.,
REstos autores utilizan
R
dz F (z)z = 0, dz F (z)z 2 = 0, para evitar la redundancia en la representacion.
N
otese que de acuerdo con el teorema del lmite central, dado en la Ec. (20.167), para tiempos
muy grandes la distribuci
on de probabilidad para x sera una Gaussiana. As, en la descomposicion
de Levy-Khintchine dada en la Ec. (20.175) para el Hamiltoniano H(p) y para valores grandes de
t, solo los primeros dos terminos contribuyen a la distribuci
on:
2
e(xtr) /2t
.
P (x, t)
t grande
2 2
(20.176)
)
( Z
2
ez
1
e y+ |z|
dy
|z|
F (z) =
,
(20.177)
+ e
|z| 2 0 y J2 ( y) + Y2 ( y)
donde J (z) y Y (z) son las funciones est
andar de Bessel.
La descomposicion del Hamiltoniano de acuerdo a la formula de Levy-Khintchine y la aditividad
del ruido asociado forman la base del teorema de Levy-Ito, el cual asegura que una ecuaci
on
diferencial estoc
astica arbitraria con Hamiltoniano dado por la Ec. (20.175) puede descomponerse
en la forma
x = rx t + G + 1 + >1 ,
(20.178)
donde G es un ruido Gaussiano
1 =
|x|1
dz eipz 1 F (z)
(20.179)
i.e., es una superposicion de ruidos discretos llamado proceso puntual de Poisson, con discontinuidades menores o iguales a la unidad, y
Z
(20.180)
>1 =
dz eipz 1 F (z)
|x|1
1542
Consideremos el ruido mas simple del tipo 1 , el cual se obtiene usando la funci
on de peso de
Levy FZ (z) = Z (z + Z), donde 0 < Z 1, en la Ec. (20.179), de tal forma que el Hamiltoniano
Z (z),
es HZ (p) = Z (eiZp 1). De acuerdo a la Ec. (20.11), la funci
on de distribuci
on asociada D
sera
Z
dp ipz Z (eipZ 1)
Z (z) =
e e
.
(20.181)
D
2
Usando el desarrollo en potencias de eipZ de la segunda exponencial, obtenemos
Z
dp ipz X Z Zn n ipnZ X Z Zn
DZ (z) =
e
Z e
=
e
(z nZ).
e
2
n!
n!
n=0
n=0
(20.182)
Esta funci
on posee discontinuidades en nZ (n = 0, 1, 2, 3, . . .), cuya probabilidad obedece la distribuci
on de Poisson
n
P (n, Z ) = eZ Z ,
(20.183)
n!
P
la cual estar
a apropiamente normalizada a la unidad:
n=0 P (n, Z ) = 1. Los valores esperados
de las potencias del n
umero asociado a la discontinuidad son
(Z + k)
.
(Z )
n=0
n=0
(20.184)
As, hni = Z , hn2 i = Z (Z + 1),hn3 i = Z (Z + 1)(Z + 2), hn4 i = Z (Z + 1)(Z + 2)(Z + 3),
de tal forma que 2 = Z , s = 2/ Z y = 6/Z .
En la Fig. 20.16 se muestra una curva tpica del ruido. Una funci
on de peso arbitraria de Levy
hnk i =
nk P (n, Z ) = eZ (Z z )k eZ
P (n, Z ) = eZ (Z z )k eZ =
X
n
D(z)
=
dZ F (Z)
eZ Z (z nZ).
(20.185)
n!
1
n=0
20.1.18
(20.186)
1543
En el contexto estocastico esta propiedad se conoce como la ecuacion de ChapmanKolmogorov o ecuacion de Smoluchowski . Es una propiedad general de un proceso
que no tiene memoria. Estos procesos son llamados Markovianos [12]. Notese que
la propiedad de semigrupo de la Ec. (20.186) implica la condicion inicial
P (xc ta |xa ta ) = (xb xa ).
(20.187)
En la Fig. 20.17 mostramos que la propiedad dada por la Ec. (20.186) se cumple
razonablemente bien para las distribuciones experimentales de los activos, excepto
por peque
nas desviaciones en la zona de baja probabilidad.
P > (z)
<
dx
(20.188)
1544
(20.190)
(20.191)
20.1.19
(20.192)
Evoluci
on Temporal de los Momentos de la Distribuci
on
hx i(t)
dx xn P (x, t)
(20.193)
Z
dp tH(p) Z
dpetH(p) (ip )n (p). (20.194)
dx xn eipx =
e
2
p=0
(20.195)
Todos los coecientes cn del desarrollo de H(p) hallados en la Ec. (20.141) contienen
el mismo factor t, de tal forma que los cumulantes de los momentos crecen de forma
lineal con el tiempo:
hxn ic (t) = tH (n) (0) = thxn ic (1) = tcn .
-1
(20.196)
-1
log P (z)
log P (z)
-2
-2
-3
-10
Figure 20.18
NASDAQ 100.
-5
z in %
10
-3
-50
z in %
50
20.1.20
1545
Distribuci
on de Boltzmann
(t) =
c4
3
= .
2
tc2
t
(20.197)
1.2
S&P500 2004-2005
10
2 (t)
desviaci
on en %
5
0.8
0
0.4
-5
0
10
15
20
-10
NASDAQ100 2001-02
18
10
15
20
NASDAQ100 2001-02
10
2 (t)
desviaci
on en %
5
12
0
6
-5
0
10
15
20
-10
10
15
20
Figure 20.19 Varianza de los ndices S&P 500 y NASDAQ 100 como funcion del tiempo.
En forma aproximada, las pendientes hx2 ic (t)/t son 1.1/201/60 min y 18.1/201/60 min,
respectivamente, de tal forma que de la Ec. (20.198) obtenemos las temperaturas TSP500
0.075 y TNASDAQ100 0.15. El lado derecho muestra, en porcentaje, la desviacion respecto
de una lnea.
Notese que si no se dispone de los datos al minuto y en su lugar usamos los datos
de frecuencia 1/t0 (en unidades de 1/min) y el valor esperado de hx2 ic (t0 ), entonces
podemos hallar la temperatura de la distribucion al minuto usando la formula
T =
(20.198)
Dado que tiende a cero en la forma 1/t, a medida que el tiempo avanza la
distribucion sera cada vez mas Gaussiana, este comportamiento es una manifestacion
1546
S&P500 2004-2005
20
desviaci
on en %
10
2
(t)
0
1
-10
0
10
15
20
-20
10
15
20
NASDAQ100 2001-02
600
NASDAQ100 2001-02
10
desviaci
on en %
5
400
(t)
0
200
-5
0
0
10
15
20
-10
10
15
20
Figure 20.20 Kurtosis de los ndices S&P 500 y NASDAQ 100 como funcion del tiempo.
El lado derecho muestra, en porcentaje, la desviacion respecto al comportamiento 1/t.
del teorema del lmite central, Ec. (20.167), de la mecanica estadstica de acuerdo
con el cual la convolucion de un n
umero muy grande de funciones de distribucion con
ancho nito se aproxima a una distribucion Gaussiana. Este resultado contradice el
caso de la distribucion pura de Levy descrito en la Subseccion 20.1.2, donde < 2,
la cual no tiene ancho nito y por lo tanto tiene su comportamiento de caida abrupta
a grandes distancias.
Si, por brevedad, omitimos el argumento temporal de los cumulantes hxn ic (1) y
sustituimos este resultado en las descomposiciones de las Ecs. (20.56), obtenemos la
dependencia temporal de los momentos:
hxi(t) = thxic ,
hx2 i(t) = thx2 ic + t2 hxi2c ,
hx3 i(t) = thx3 ic + 3t2 hxic hx2 ic + t3 hxi3c ,
hx4 i(t) = thx4 ic + 3t2 hx2 i2c 4t2 hxic hx3 ic + 6t3 hxi2c hx2 ic + t4 hxi4c ,
..
.
.
(20.199)
1
.
[1 + (T p)2 ]t
(20.200)
1547
dp ipxtH(p)
e
=
2
1
dp
eipx .
2
2
t
2 (1 + T p )
(20.201)
1
1
=
=
2
t
[1 + (T p) ]
(t)
d t (1+T 2 p2 )
e
.
(20.202)
etH(p) =
t
P (x, t) =
2T 2
t
1
(t)
dv t tv/2T 2 1
2
ve
ex /2tv .
v
2tv
(20.204)
dp ipxtH(p)
1
e
=
2
T (t)
|x|
2T
!t1/2
Kt1/2 (|x|/T ),
(20.205)
v t1 etv/2T = 2T 2 (1 1/t)
it1
e(t1) etv
2 /2[2T 2 (11/t)]2
1 + O(v 3 ) , (20.206)
1548
Este resultado se puede corroborar facilmente multiplicando ambos lados por f (z) =
f (0)+zf (0)+z 2 f (0)/2+. . . e integrando sobre z. De donde hallamos que a primer
orden
tv2 /2[2T 2 (11/t)]2
2
2T 2 (1 1/t) (v).
t
(20.208)
t1
tv/2T 2
2
[2T 2 (1 1/t)]2
(2T 2 )t et (v) +
(v) + . . . . (20.209)
t
2t
(
2
de la Ec. (20.204) converge hacia la distribucion Gaussiana ex /2tvm / 2tvm , donde
la varianza en el punto de inexion es vm 2T 2 .
El comportamiento cerca del maximo de la distribucion se puede calcular del
desarrollo para valores peque
nos de z 7
z
2
(1 ) z 2
1+
+ O(z 4 , z 2 ) .
K (z) =
2 sin (1 )
1!(2 ) 4
"
(20.210)
z
2
K (z)
() z 2 /4(t3/2)
e
.
2
(20.211)
Usamos ahora la formula de Stirling dada en la Ec. (17.286) para hallar el lmite de
valores grandes de t de la expresion (t 1/2)/(t) 1, de donde obtenemos el
comportamiento Gaussiano cerca del maximo:
P (x, t)
|x| peque
no
1
2
2
ex /2 2T (t3/2) .
2
2 2T t
(20.212)
2 2
mediante la expresion etT p . La forma Gaussiana se obtiene para el caso x T t.
Para valores muy grandes de t, este resultado es siempre valido, como debe de
esperarse del teorema del lmite central dado en la Ec. (20.167).
20.1.21
Para el Hamiltoniano denido en la Ec. (20.97), la evolucion temporal esta dada por
la transformada de Fourier
Z
h
it/
ds t/ s s p2 /2
1
1
tH, (p)
2
s e e
, =
,(20.213)
e
= 1 p /2
=
(t/) 0 s
M. Abramowitz and I. Stegun, op. cit., ver las Formulas 9.6.2 y 9.6.10.
1549
t/
=
(t/)
dv t/ v vp2 /2
v e e
,
v
= 1/.
(20.214)
= 1/,
(20.215)
1
t/
P, (x, t) =
(t/) 2
!t/21/4
2Kt/1/2 ( 2x),
1
.
(20.216)
20.1.22
Superposici
on de Distribuciones Gaussianas
dv w(v)evp
2 /2
(20.218)
v p2 /2
dv wt (v )e
dv t (v)etvp
2 /2
(20.219)
(20.220)
En las Ecs. (20.202), (20.214) y (20.105) pueden verse los tres casos anteriores.
1550
v12 p2 /2
v2 p2 /2
(20.221)
dv epv v wt (v)
(20.222)
(20.223)
(20.224)
con Hamiltoniano Hv (pv ). Dado que en la Ec. (20.222) la integral sobre v es solo
para valores positivos del eje v, el Hamiltoniano Hv (pv ) es analtico en el plano
superior de pv .
Es facil hallar la relacion entre Hv (pv ) y H(p). Para ello construimos la transformada inversa de Laplace, la llamada integral de Bromwich [53]
wt (v) =
+i
(20.225)
en la cual es un n
umero real mayor que la parte real de todas las singularidades de
pv vtHv (pv )
e
. Sustituyendo este resultado en la Ec. (20.219) y hallando la integral
sobre v, obtenemos
tH(p)
+i
dpv
1
etHv (pv ) .
2
2i p /2 pv
(20.226)
Si utilizamos la relacion Hv (pv ) = H( 2pv ), con ayuda de la Ec. (20.219) encontramos que la distribucion dependiente del tiempo asociada con el Hamiltoniano
1551
H(p), mediante la integral de Fourier (20.162), puede representarse como una superposicion de distribuciones Gaussianas.
Recordando la derivacion de la representacion de Fourier hallada en la
Ec. (20.165), usando la integral de trayectoria dada por la Ec. (20.153), y la
dependencia de la integral de trayectoria de la ecuacion diferencial estocastica,
Ec. (20.140), cuyo Hamiltoniano de ruido es H(p), concluimos que el Hamiltoniano
Hv (ipv ) controla el ruido de la ecuacion diferencial estocastica para las uctuaciones
de la volatilidad.
Por ejemplo, consideremos la superposicion de Gaussianas dada por la
Ec. (20.105). La transformada de Laplace de (v) es
(pv ) =
dv evpv (v) =
dv evpv
/2v
2pv
e
=
e
.
2v 3
(20.228)
dv ev pv w (v ) = dv evpv (v) =
(pv ).
(20.229)
As obtenemos w (pv ) = e 2pv = eHv (pv ) , lo cual cumple con la relacion (20.223).
Mas a
un, Hv (p2 /2) es igual a H(p) = p2 , tal como lo requiere la Ec. (20.227) y en
acuerdo con la Ec. (20.105) para el caso M = 0.
Notese que en lugar de la integral de Bromwich (20.226), algunas veces es mas
conveniente utilizar la formula de inversion de Post-Laplace [54]
t (x)
(1)k k+1 k
x
t (v) = lim
.
k
k!
xk x=k/v
20.1.23
(20.230)
Ecuaci
on Tipo Fokker-Planck
(20.231)
De hecho, la solucion general de esta ecuacion diferencial, (x, t), donde (x, 0)
representa las condiciones iniciales, estara dada por la integral de trayectoria que
generaliza a la Ec. (20.144)
(x, t) =
D exp
tb
ta
dt H((t))
x
t
ta
dt (t ) .
(20.232)
Este resultado cumple con la ecuacion de Fokker-Planck dada por la Ec. (20.231).
1552
Para mostrar que esto es cierto, usemos la funcion (x, t) para un tiempo ligeramente
mayor t + y utilicemos el desarrollo
(x, t + ) =
=
D exp
D exp
tb
ta
Z tb
ta
t
ta
dt H((t))
x
dt H((t))
dt (t )
Z
t+
ta
dt (t )
t
ta
dt (t )
t+
t
dt (t ) .
dt (t )
t
t+
1
+ x
dt (t )
dt1 dt2 (t1 )(t2 )
(20.233)
2
ta
t
Z t+
Z t
1
dt1 dt2 dt3 (t1 )(t2 )(t3 )
dt (t )
x
3!
t
ta
Z t+
Z t
1 (4)
Z
Utilizando las funciones de correlacion dadas por las Ecs. (20.155)(20.158), obtenemos
(x, t + ) =
D exp
tb
ta
dt H((t))
1
1 2
x c3 + 32 c2 c1
3
(20.234)
2
3! x
Z t
1
+ c4 + 2 4c3 c1 + 2 3c22 + 3 c2 c21 + 4 c21
x4 + . . . x
dt (t ) .
4!
ta
c1 x + c2 + 2 c1
c2
c3
c4
c1 x + x2 x3 + x4 + . . . (x, t) .
2!
3!
4!
(20.235)
Ahora utilizamos el reemplazo c1 rx y la Ec. (20.141) para expresar los operadores diferenciales entre parentesis, como el operador Hamiltoniano Hrx (ix ),
obtenemos la ecuacion de Schrodinger [55]
t (x, t) = Hrx (ix ) (x, t) .
(20.236)
dx ex x F (x )(x, t) =
1553
dx F (x )(x x , t).
(20.238)
El termino integral puede ser tratado como una perturbacion a la ecuacion ordinaria
de Fokker-Planck.
Como una consecuencia de la propiedad de semi-grupo dada por la Ec. (20.186),
la condicion inicial de la probabilidad estara siempre dada por la Ec. (20.187).
20.1.24
Ecuaci
on de Kramers-Moyal
(20.239)
(20.240)
dx
(x xb )n
P (x tb +|xb tb ) xnb (xb xc ).
n!
n=0
(20.241)
dx (x xb )n tb P (x tb |xb tb ),
(20.242)
Z
X
n=1
dxb
Cn (xb tb ) n
[xb (xb xc )]tb P (xb tb |xa ta ) + O(2 ). (20.243)
n!
(20.244)
1554
(xb )n
n=1
Cn (xb tb )
,
n!
(20.245)
P (xb tb |xa ta ) = Te
R tb
ta
(xb xa ),
(20.246)
R tb
ta
|xa i.
(20.247)
1
Cn (x t) =
0
t+
dt1
t+
dtn hx(t
1 ) x(t
n )i, n 1.
(20.249)
(20.250)
y la relacion de Kramers-Moyal, hallada en la Ec. (20.248), se simplica a la expresion anterior de Fokker-Planck dada en la Ec. (20.231).
Para la ecuacion de Langevin
x(t)
(20.251)
20.2
1555
F
ormula de It
o para Distribuciones no Gaussianas
20.2.1
Continuidad Temporal
(20.253)
donde x(t)
= (t) es la ecuacion diferencial estocastica cuyo valor esperado es diferente de cero, h(t)i = c1 . Contrario al desarrollo de la Ec.
(18.426), el cual para
R t+
0 tiene que evaluarse solo a segundo orden en x(t) t dt x(t
), ahora tenemos
que mantener las contribuciones a todo orden. Evaluando los promedios del ruido de
las integrales multiples del lado derecho, con ayuda de las funciones de correlacion
dadas en las Ecs. (20.155)(20.158), encontramos la dependencia temporal del valor
esperado de una funcion arbitraria que depende de la uctuacion de la variable x(t)
1
hf (x(t+))i = hf (x(t))i + hf (x(t))ic1 + hf (x(t))i(c2 +2 c21 )
2
1 (3)
+ hf (x(t))i(c3 + 2 c2 c1 + 3 c31 ) + . . .
(20.254)
3!
1
1
= hf (x(t))i + c1 x + c2 x2 + c3 x3 + . . . hf (x(t))i + O(2 ).
2
3!
Luego hacer el reemplazo c1 rx , la funcion f (x(t)) cumple por lo tanto con la
siguiente relacion:
hf(x(t))i = Hrx (ix )hf (x(t))i.
(20.255)
(20.256)
Este resultado podra verse como el valor esperado de la ecuacion diferencial estocastica
rx (ix )f (x(t)),
f(x(t)) = f (x(t))x(t)
H
(20.257)
la cual, en caso de ser valido, sera una generalizacion simple y directa del lema de
Ito dado en la Ec. (18.413). Sin embargo, esta conclusion no es correcta. La razon se
encuentra en el aumento de magnitud de las uctuaciones de los terminos de orden
1556
= hx(t)i
+ (t) = c1 + (t),
(20.258)
=
=
=
=
+
..
.
c1 ,
(20.259)
c2 (t1 t2 )
(20.260)
c3 (t1 t2 )(t1 t3 ),
(20.261)
c4 (t1 t2 )(t1 t3 )(t1 t4 )
(20.262)
2
c2 [(t1 t2 )(t3 t4 )+(t1 t3 )(t2 t4 )+(t1 t4 )(t2 t3 )].
.
E Z
[z2,2 (t)]2 =
t+
t
dt1
t+
t
dt2
t+
dt3
t+
Este termino es mayor que la estimacion armonica dada en la Ec. (18.420) por el
factor 1/, el cual en general da origen a que el termino z2,2 (t) sea tan grande como
el valor de la uctuacion principal z1 (t) de x1 (t). Por lo cual no se puede ignorar.
La sustraccion del segundo termino en la varianza, hz2,2 (t)i2 = 2 c22 , no ayuda ya
que su contribucion es ignorable.
Para potencias de orden superior, obtenemos una estimacion similar. Sea por
ejemplo el caso [x(t)]3 :
[x(t)]3 = 3 c31 + 32 c21 z1 (t) + c1 [z1 (t)]2 + [z1 (t)]3 ,
(20.264)
t+
dt1
t+
dt2
t+
dt3
t+
dt4
t+
dt5
t+
t
(20.265)
1557
luego de una extension obvia de los valores esperados de las Ecs. (20.155)(20.158)
a la funcion de seis puntos, obtenemos:
h{[z1 (t)]3 }2 i = c6 + O(2 ).
(20.266)
H
dt
(20.267)
rS = rx H(i)
= rx [H(i) iH (0)] = Hrx (i),
(20.268)
misma que reemplaza la relacion simple de Ito, rS = rx + 2 /2, dada en la Ec. (20.5).
S
S
= hx(t)i
H(i)
= hx(t)i
rx Hrx (i).
(20.269)
Por lo tanto, el precio anticipado de una accion debe ser de calculado mediante la
generalizacion de la fomula (20.8), donde suponemos una vez mas que (t) uct
ua
alrededor del cero y no de rx :
hS(t)i = S(0)erS t = S(0)herx t+
Rt
dt (t )
Rt
dt (t )
i = S(0)eHrx (i)t .
(20.271)
Este resultado puede verse como una consecuencia de la siguiente generalizacion del
factor Gaussiano de Debye-Waller hallado en la Ec. (18.425):
Rt
0
dt (t )
= eHrx (iP )t .
(20.272)
1558
Notese que podemos deducir la ecuacion diferencial (20.255) de una funcion arbitraria f (x(t)) utilizando una regla nemonica simple, desarrollamos arbitrariamente
[similar a lo hecho en la Ec. (18.426), pero restringuiendonos a los valores esperados]
hf (x(t + dt))i = hf (x(t))i + hf (x(t))i hx(t)i
dt +
+
1 (3)
hf (x(t))ihx 3 (t)idt3 + . . . ,
3!
D
E
1
hf (x(t))i x 2 (t) dt2
2
(20.273)
y reemplazamos
hx(t)idt
c1 dt,
hx 2 (t)idt2 c2 dt,
hx 3 (t)idt3 c3 dt, . . . .
(20.274)
20.2.2
Discretizaci
on Temporal
Los precios de los bienes nancieros se almacenan como una serie temporal discreta,
x(tn ), para ciertos intervalos t = tn+1 tn y no como una funcion x(t) continua.
Para acciones con un gran volumen, o para los ndices nancieros, el intervalo temporal mnimo es tpicamente t = 1 minuto. Al nal de la Seccion 18.13.3 vimos
que este lmite es la razon por la cual el Lema de Ito es una estimacion aproximada.
Fuera del lmite t 0, las uctuaciones de los terminos de orden
superior de la
Ec. (20.253) no desaparecen sino que se eliminan por el factor tn . En tiempos
economicos tranquilos estas uctuaciones generalmente son muy peque
nas, por lo
que para los intervalos t = 1 minuto las uctuaciones de orden superior se pueden
ignorar.
Mientras que esta aproximacion es una desventaja para la serie temporal discreta,
comparada con la continua, es tambien una ventaja en los procesos con ruido no
Gaussiano, al menos cuando los mercados nancieros no estan agitados. Luego, en
el desarrollo de la Ec. (20.253),las uctuaciones no Gaussianas de orden superior
se cancelan por los terminos t del mismo orden, tal como las correcciones a
la regla de Ito en el caso Gaussiano [recordemos la Ec. (18.432)]. Como un caso
tpico, consideremos la distribucion de Boltzmann hallada por la Ec. (20.77). Los
cumulantes cn de la distribucion tienen el factor T n [ver la Ec. (20.80)], donde
la temperatura T del mercado es un n
umero peque
no, cuyo orden es apenas un
cierto porcentaje del tiempo, en las unidades naturales de un minuto usadas en este
contexto [ver la Fig. (20.11)]. Por supuesto, lo peque
no de T es una consecuencia
de que los datos al minuto no poseen una volatilidad grande, excepto cerca de una
crisis economica. En las unidades naturales de minutos, el intervalo temporal en
los calculos posteriores a la Ec. (20.257) es la unidad, de tal manera que las potencias
de no pueden ser usadas para estimar la magnitud. Ahora el parametro importante
20.3 Martingalas
1559
(20.275)
20.3
Martingalas
1560
20.3.1
Martingalas Gaussianas
Para
una variable de ruido armonica, debido a la Ec. (20.8), la exponencial m(t) =
R
t
H(p) = irx p +
(20.277)
h
i
dp
exp ip(xb xa ) t irx p + 2 p2 /2
2
(20.278)
xb
rx
rS tb
xb
dxb e
h
i
dp
exp ip(xb xa )t 2 p2 /2 ,
2
de donde obtenemos
erS tb
dp
2 2
2
(p i)eipxa et p /2 = erS t exa e(rx /2)t = erS ta exa , (20.279)
2
donde hemos usado la relacion de Ito rS = rx + 2 /2, dada en la Ec. (20.5). Este
resultado implica que
herS tb S(tb )irx = herS tb ex(tb ) irx = erS ta S(ta ).
(20.280)
Dado que es valido para todo tb podemos eliminar los subndices b, de donde obtenemos la independencia temporal y de esa forma la naturaleza martingala de la expresion erS t S(t).
En matematicas nancieras, donde el valor esperado de la Ec. (20.280) se obtiene
de acuerdo con la denicion dada por la Ec. (20.189) como EE[erS (tb ta ) exb |xa ta ], la
propiedad martingala de erS (tb ta ) S(t) se expresa como
EE[erS (tb ta ) S(tb )|xa ta ] = S(ta )
(20.281)
1561
20.3 Martingalas
(20.282)
(20.283)
rx
(20.284)
Podemos incorporar el factor de descuento erS (tb ta ) en la distribucion de probabilidad dada en la Ec. (20.284) y denir la distribucion martingala para el precio de
las acciones como
P (M,rx ) (xb tb |xa ta ) = erS (tb ta ) P rx (xb tb |xa ta ),
(20.285)
cuya normalizacion decae en la forma erS (tb ta ) . Si denimos los valores esperados
con respecto a P M,rx (xb tb |xa ta ) mediante la integral (sin normalizacion)
hf (xb )i
(M,rx )
(20.286)
(20.287)
dp
exp [ip(xb xa ) t Hr (p)] ,
2
(20.288)
(M,r)
1562
20.3.2
En el caso S(t) = ex(t) y para un ruido arbitrario no Gaussiano (t), tenemos muchas
formas de construir una distribucion que transforme el precio de las acciones en una
martingala.
Distribuci
on Martingala Natural
La relacion (20.268) nos permite escribir inmediatamente la distribucion martingala
mas simple. Esta distribucion esta dada por una generalizacion de la expresion
Gaussiana hallada en la Ec. (20.276):
erS t S(t) = erS t erx t+
Rt
0
dt (t )
(20.290)
P (xb tb |xa ta ) =
Dx exp
tb
ta
P (xb tb |xa ta ) =
dp
exp [ip(xb xa ) t Hrx (p)] .
2
(20.292)
(M, r)
rt
(xb tb |xa ta ) = e
dp
exp [ip(xb xa ) t Hrx (p)] ,
2
(20.293)
1563
20.3 Martingalas
Martingales de Esscher
En la literatura matematica nanciera se pone mucha atencion a otra familia equivalente de distribuciones martingalas, la cual se ha usado desde hace mucho tiempo
para estimar los riesgos de los inversionistas [67] e introducida recientemente en la
teora del precio de las opciones [68, 69], donde se utiliza ampliamente [70][76]. Este
D(z)
=
dp H(p) ipz
e
e ,
2
(20.294)
(20.295)
dp H (p) ipz
e
e ,
2
(20.296)
(20.297)
hF (z)i
(20.298)
(20.299)
(i)
eH
(i)
he(+1)z i = eH
(i)H (i+i)
(20.300)
rS t Hrx (i)t
P (xb tb |xa ta ) = e
Dx exp
Z
tb
ta
rx ((t))
dt (t) H
i
[x ],
(20.301)
1564
rS t Hrx (i)t
P (xb tb |xa ta ) = e
dp
exp [ip(xb xa ) t Hrx (p + i)] . (20.302)
2
(20.303)
Esta ecuacion muestra que la exponencial de una variable estocastica x(t), puede
convertirse en una martingala, con respecto a una distribucion transformada de
Esscher, si eliminamos el factor de crecimiento exponencial exp(r t), mediante
r Hrx (i) = Hrx (i + i) + Hrx (i).
(20.304)
(20.305)
20.4
1565
una diversidad de distribuciones no Gaussianas como una superposicion de distribuciones Gaussianas. Ademas, hemos visto que podemos hallar la transformada de
Laplace de las funciones de peso wt (v) con ayuda de la cual podemos encontrar el
Hamiltoniano Hv (pv ) con el cual deduciremos la distribucion de ruido que controla
la ecuacion diferencial estocastica de la volatilidad.
Tenemos un modelo con una solucion simple, debido a Heston [78], que muestra
explcitamente este hecho.8
20.4.1
v(t) q
+ v(t)(t),
2
(20.306)
donde la variable de ruido (t) tiene un promedio igual a cero y volatilidad unitaria
h(t)i = 0,
h(t)(t )i = (t t ).
(20.307)
Suponemos que la varianza cumple con una ecuacion estocastica para la variable de
ruido v (t) [7]
q
v(t)
= [v(t) v] + v(t)v (t).
(20.308)
1 2 (t).
(20.309)
La discusi
on de esta secci
on se sigue del artculo de Dr
agulescu and Yakovenko [79].
1566
20.4.2
Ecuaci
on de Fokker-Planck
(20.311)
La evolucion temporal de esta probabilidad se calcula utilizando la regla de diferenciacion dada en la Ec. (18.381),
t P (x v t |xa va ta ) = [x x (t) + v v v (t)] P (x v t |xa va ta ),
(20.312)
o mas explcitamente
(
t P (x v t |xa va ta )= x
"
v(t) q
v(t)(t)
2
P (x v t |xa va ta ). (20.313)
dt (t)+ (t)
i
1
= exp
12
dt
(t)+v2(t)2 v
)
i
(20.314)
hallamos el promedio del ruido dado en la Ec. (18.325). Utilizando las reglas (18.385)
y (18.386), podemos reemplazar (t) y v (t) en el lado derecho de la Ec. (20.313):
(t) /(t) /v (t)
v (t) /(t) /v (t).
(20.315)
(20.316)
vv (t)
x (t)
(x (t) x)(vv (t) v) =
x +
v (x (t) x)(vv (t) v),
(t )
(t )
(t )
(20.317)
con una ecuacion similar para /v (t). Con la hipotesis de que
que v (t), hallamos la ecuacion de evolucion
P (x v t |xa va ta ),
t P (x v t |xa va ta ) = H
(20.318)
es el operador Hamiltoniano
donde H
2
= 1 2 v 1 x v 2 v v (v v) x v v.
H
2 x
2
2 v
(20.319)
1567
P (xb vb tb |xa va ta ) =
Dx
ta
(20.320)
con Hamiltoniano
H(p, pv , v) =
p2
1
p2
32
i
vi pv +2 v vipv (v v)+ ppv v
ipv p. (20.321)
2
2
2
4
2 2
(20.322)
De tal forma que si v(t) es inicialmente positiva, siempre sera positiva. De hecho,
consideremos la ecuacion diferencial parcial (20.318) para el caso v = 0:
(t + v ) P (x v t |xa va ta ) = ( + x ) P (x v t |xa va ta ),
(20.323)
donde
v 2 /2. La cual tendra como solucion la funcion
P (x v t |xa va ta ) = f (v t, x),
(20.324)
este resultado muestra que para valores positivos de v una funcion f distinta de cero
nunca se propagara a valores negativos de v.9
9
Ver tambien la p
ag. 67 del Texto [8].
1568
dx P (x v t |xa va ta ),
(20.325)
2 2
P (v t |va ta ) =
v + v (v v) P (v t |va ta ),
t
2 v
"
(20.326)
donde
2
,
2
v.
(20.327)
2
v
1.
2
(20.328)
20.4.3
Soluci
on a la Ecuaci
on de Fokker-Planck
dp ip(xxa )
e
Pp (v t |va ta ).
2
(20.329)
p2 ip
2 2
t Pp (v t |va ta ) = (v
v)
v ip v
v Pp (v t |va ta ). (20.330)
v
2
v
2 v 2
"
1569
P (v)
0.3
0.2
0.1
0
v/
v
Esta expresion es una ecuacion diferencial parcial de segundo orden y es lineal para
la variable v. Por lo que resulta conveniente trabajar en el espacio de Fourier de v,
con lo cual
Pp (v t |va ta ) =
dpv ipv v
e
Pp (pv t |va ta ),
2
(20.331)
i2 2 ip2 + p
+ pv +
p +
t
2 v
2
Pp (pv t |va ta ) = i
v pv Pp (pv t |va ta ), (20.332)
pv
(20.333)
Dado que la condicion inicial para Pp (v t |va ta ) esta dada por la funcion (v va ),
la transformada de Fourier tendra la condicion inicial
Pp (pv ta |va ta ) = eipv va .
(20.334)
ta
dt pv (t ) ,
(20.335)
(20.336)
1570
2(p)
(p) (p)
1
+i
,
2
(p)(t
t)
b
(p, pv )e
1
2
(20.337)
(20.338)
2 p
2(p)
.
v i[(p) (p)]
(20.339)
Hallando la transformada de Fourier, obtenemos la solucion de la ecuacion de FokkerPlanck original, Ec. (20.318):
dp dpv ipx+ipv v
e
2 2
)
(
v [(p)(p)]
2
v (p, pv )e(p)t
, (20.340)
exp i
pv (ta )va +
t 2 ln
2
(p, pv ) 1
P (x v t |xa va ta ) =
ZZ
20.4.4
Distribuci
on Dependiente de x
dv P (x v t |xa va ta ),
(20.341)
p2 ip
v
dp ipx + coth
t 22v ln(cosh t
v +
+
sinh t
(t/2) a
2
2 ), (20.342)
2
e
2
donde, por brevedad, hemos omitido los argumentos de (p) y (p). Como una
prueba de este resultado consideremos el caso especial = 0, donde la evolucion
temporal de la varianza es determinista:
v(t) = v + (va v)et .
(20.343)
1571
(20.344)
ta
dt v(t ).
(20.345)
(20.346)
dp ipxtH(p,t)
e
,
2
(20.347)
t
2
2(p)
2
(20.348)
"
(20.349)
Hemos agregado el argumento t para enfatizar la dependencia temporal. Agregando el termino ic1 (t)p al Hamiltoniano H(p, t), obtenemos que el primer
10
La determinaci
on de la distribuci
on de probabilidad emprica de las volatilidades para el ndice
S&P 500 puede verse en la Ref. [2].
1572
10
10
250 days
P (x t |xa ta )
40 days
10
100
20 days
10
10
5 days
10
-0.4
-0.4
-0.2
-0.3
1 day
0.2
-0.2
-0.1
0.1
t = tta
0.2
0.3
x = x xa
Figure 20.22 Distribucion de probabilidad del logaritmo del precio de las acciones para
diferentes escalas temporales (tomado de la Ref. [79]). Para fines de comparacion, en
funcion del incremento temporal t, los datos de han desplazado en unidades de 10 hacia
arriba. Los valores no desplazados se muestran en el recuadro.
20.4.5
1573
v
[(p) (p)].
2
(20.351)
(20.352)
donde
0
,
C
1 2
2 + 2 (1 2 )p20 , p0
2
.
2(1 2 )
(20.353)
d
p cos(A
p)eB
1+
p2
(20.354)
donde
v
A = C x + t ,
B=
v 0
t,
2
(20.355)
v 2
.
(20.356)
22 1 2
F (y) = K1 (y)/y,
(20.357)
A2
B2
v
u
v t/)2
0 u
t (x +
1 2
v t
+
2
(20.358)
02
v
t et .
3 1 2
(20.359)
As, salvo los factores N(t) y ep0 x , la relacion entre P (x t |xa ta ) y los argumentos
x y t esta contenida en el argumento de escala y de la funcion F (y). En una
1574
10
10
10
10
10 days
20 days
30 days
40 days
80 days
100 days
150 days
200 days
250 days
Renormalized
Distribution
0
-2
-4
-6
-10
-8
-6
-4
-2
10
P (x t |xa ta )
p0 x y.
N(t)
(20.360)
v
t/
y
de
la
Ec.
(20.358)
hallamos y
2
0 |x|/ 1 , de tal forma que de la Ec. (20.360) obtenemos
ln
P (x t |xa ta )
p0 x c|x|.
N(t)
(20.361)
Ver I.S. Gradshteyn and I.M. Ryzhik, op. cit., Formula 3.914.
1575
180
160
140
120
100
80
60
40
20
0
0
10
20
30
40
50
60
70
80
Figure 20.24 La curva continua muestra la pendiente, d log P (x t |xa ta )/dx, del decrecimiento exponencial de la distribuci
on en funcion del tiempo. Los puntos indican la aproximaci
on analtica para tiempos cortos obtenida de la Ec. (20.369) (tomado de la Ref. [79]).
0 (x +
v t/)2
P (x t |xa ta )
p
x
,
0
N (t)
2(1 2 )
v t
(20.362)
(1 2 )
v
t
0
(20.363)
"
v
(0 )
donde rS
1+2
.
20
(20.364)
Este maximo se mueve con razon constante rS , el cual se adiciona a la tasa promedio de crecimiento rS de S(t), mismo que se haba omitido desde el inicio de la
discusion. Por lo tanto, la razon nal de crecimiento de S(t) es rS = rS + rS .
1576
10
11
f ()
0.8
0.7
100
0.6
0.5
10
0.4
P (xm t |xa ta )
0.3
0.2
0.1
0
0
40
10
80
120
t
160
100
200
240
20.4.6
1577
Im p
p
+
3
+
p2
p1
p
iq+
Re p
0
-
iq
p
1
tH(p, t). Para determinar su posicion notemos que, en el plano complejo p las
singularidades de la funcion H(p, t), hallada en la Ec. (20.348), seran cuando el
argumento del logaritmo se anula. Estos puntos estan localizados en el eje imaginario p y se muestran en la Fig. 20.26. Las singularidades relevantes son aquellas
que estan cerca del eje real. Estas singularidades estan localizadas en los puntos p+
1
y p
1 , donde encontramos que el argumento del segundo logaritmo de la Ec. (20.348)
se anula. Cerca de estos ceros podemos aproximar la funcion H(p, t) mediante el
termino singular:
v
t) 2
H(p,
log(p p
1 ).
2
t
(20.365)
ix =
dH(p, t)
t
dp
p=ps
1
,
2
v
p+
1
2 ps
1
ps p
1
x > 0,
(20.366)
x < 0.
Las soluciones se indican mediante cruces en la Fig. 20.26. Puede verse que la aproximacion dada por la Ec. (20.366) puede utilizarse dado que para valores grandes de
|x| se cumple la condicion |xp
v /2 , i.e., el punto de inexion ps esta muy
1 |
1578
ex qt ,
e|x| qt ,
x > 0,
x < 0,
(20.367)
donde qt ip
1 (t) son reales y positivos. Luego, el decrecimiento de la distribucion de probabilidad P (x t |xa ta ) para valores grandes de |x| es exponencial para todo valor de t. Las pendientes de los gracos logartmicos, para
q d log(x t |xa ta )/dx, estan determinadas por las posiciones p
1 de las singularidades cercanas al eje real.
Las posiciones p
1 dependen del intervalo temporal t. Para tiempos mucho
menores que el tiempo de relajacion (t 1), las singularidades estan lejos del eje
real. Cuando aumenta el tiempo, las singularidades se acercan al eje real. Para
tiempos mucho mayores que el tiempo de relajacion (t 1), las singularidades
para t 1.
(20.368)
p20 +
2 (1
4
2 )t
para t 1.
(20.369)
20.4.7
C
alculo de la Integral de Trayectoria
En lugar de resolver la ecuacion (20.330) de Fokker-Planck, podemos estudiar directamente la integral de trayectoria de la distribucion de probabilidad utilizando
el Hamiltoniano dado en la Ec. (20.321). Comparando con el operador dado en la
Ec. (20.319) notemos que ahora tenemos dos terminos extra. Estos terminos tienen
en cuenta el operador de orden simetrico implicado en la integral de trayectoria. La
distribucion Pp (vb , tb |va ta ) introducida en la Ec. (20.329), para el momentum jo,
tiene la siguiente representacion en terminos de la integral de trayectoria
Dpv Ap [pv ,v]
e
,
Pp (vb , tb |va ta ) = Dv
2
Z
(20.370)
1579
donde la accion es
Ap [pv , v] =
tb
ta
(20.371)
La integral de trayectoria de la Ec. (20.370) es una suma sobre todas las trayectorias
pv (t) y v(t), cuyas condiciones de frontera son v(ta ) = va y v(tb ) = vb .
Conviene integrar por partes el primer termino en la Ec. (20.371) y separar el
operador H (p, pv , v) en una parte independiente de v i
v pv i/2 ip/2 y un
termino lineal [H (p, pv , v) /v]v, con lo cual tenemos
Ap [pv , v] = i[pv (tb )vb pv (ta )va ] i
v
Z
tb
ta
"
tb
ta
dt pv (t)(tb ta )
H
v(t).
dt ip v (t) +
v(t)
(20.372)
Dado que en esta expresion la trayectoria v(t) aparece linealmente, podemos evaluar
la integral y obtener la funcional [pv (t) pv (t)], donde pv (t) es la solucion para la
ecuacion del Hamiltoniano p v (t) = iH/v(t). Sin embargo, este resultado coincide exactamente con la ecuacion diferencial caracterstica (20.336), misma que fue
resuelta mediante la Ec. (20.337), donde utilizamos la condicion de frontera pv (tb ) =
pv . Evaluando la integral de trayectoria sobre Dpv eliminamos la funcional delta y
hallamos
Pp (vb , tb |va ta ) =
+
Z
Rt
dpv
dt pv (t)+(ip)(tb ta )/2
i[pv v
pv (ta )va ]i
0
,
Je
2
(20.373)
2 H(p, pv , v)
it +
.
pv v
!
(20.374)
(20.375)
(20.376)
1580
20.4.8
Distribuci
on Martingala Natural
(20.377)
Para construir la martingala de acuerdo a la regla de la Subseccion 20.1.11, necesi t) para el momentum p = i. La expresion es algo
tamos conocer el valor de H(p,
complicada, pero el analisis de los datos Dow-Jones del Apendice 20C muestra que
el parametro , que determina la magnitud de las correlaciones entre las funciones
de ruido (t) y v (t) [ver la Ec. (20.310)], es peque
no. Por lo tanto basta con hallar
solo los primeros dos terminos de la serie en potencias de del desarrollo de Taylor
de H(i, t):
H(i, t)
i
v h
v
1et +
3 2et (1+2t) e2t 2 . (20.378)
t
4t
De lo cual obtenemos
t) = H(i, t) + c1 (t).
H(i,
(20.379)
(M, rS )
r(t)t
(xb tb |xa ta ) = e
h
i
dp
exp ip(xb xa ) t Hrtot
(p,
t)
.(20.380)
(t)
x
2
(20.381)
(20.382)
En analoga con la Ec. (20.293), hay una familia entera de martingalas naturales las
cuales se obtienen reemplazando rS por una razon de crecimiento r arbirtraria, en
cuyo caso r(t) sera igual a r + c1 (t).
20.5
Series Temporales
Los verdaderos precios del mercado no son una funcion temporal continua, sino que
se almacenan en intervalos temporales discretos. Para las acciones que tienen un
20.6 Descomposici
on Espectral del Comportamiento del Rendimiento
1581
bajo volumen, solo se almacenan los precios al da. Mientras que las acciones que se
comercializan en grandes cantidades, los precios cambian por minuto. Estos casos
se almacenan en una serie temporal S(tn ). En el a
no 2003, Robert Engle recibio
el premio Nobel por su descripcion de la serie temporal con ayuda de los llamados
modelos ARCH (del ingles autoregressive conditional heteroskedasticity model ) y la
generalizacion propuesta por Tim Bollerslev [85], los modelos GARCH. El primer
modelo contiene un parametro entero q y se dene por una modicacion discreta
de la pareja de ecuaciones diferenciales estocasticas (20.306) y (20.308), para el
logaritmo de la renta y la varianza, respectivamente
x(tn ) =
v(tn1 )(tn ),
v(tn ) = v0 +
q
X
(20.383)
k=1
q
X
k (tnk )x (tnk ) +
k=1
p
X
k (tnk )v(tnk ).
(20.384)
k=1
v0
,
1 1
612
hx4 (tn )ic
=
.
hx2 (tn )i2c
1 312
(20.385)
20.6
v0
,
1 1 1
612
hx4 (tn )ic
=
.
hx2 (tn )i2c
1 312 21 1 12
(20.386)
Descomposici
on Espectral del Comportamiento
del Rendimiento
La representacion graca de la curva del logaritmo de la renta para el caso de intervalos temporales cortos revela mayor estructura que los modelos simples discutidos
hasta ahora. De hecho, suena razonable distinguir diferentes tipos de acciones de
acuerdo al caracter de los inversionistas. Por ejemplo, la burbuja de las acciones de
las computadoras fue causado parcialmente por gente inexperta que no estaba interesada en el desarrollo de la industria, sino que deseaba ganar dinero facil. Por otro
lado, hubo tambien una parte substancial de inversionistas institucionales quienes
invirtieron en forma mas estable. As, debemos distingir las fuentes del ruido, las
cuales provienen de diferentes grupos de inversionistas.
1582
10
log10 P (x)
10
10
10
Gaussian
Real data
GARCH process
Heston model
P (x)
-1
-2
10 -0.2
-0.1
0.1
0.2
x/
Figure 20.27 Izquierda: Comparacion del proceso GARCH(1,1), donde v0 = 2.3 105 ,
1 = 0.091 y = 0.9, con el ndice S&P 500 (datos al minuto). Derecha: Comparacion
de los modelos GARCH(1,1), Heston y Gaussiano, para un mismo valor de , con los
datos diarios del mercado. Los par
ametros del proceso GARCH son v0 = 7.7 106 ,
1 = 0.07906 y 1 = 0.90501 y los del modelo Heston son = 4.5 102 , v = 8.62 108 ,
rS = 5.67 104 y = 10.3 103 [79, 81, 82].
Por lo tanto, mejoramos la ecuacion diferencial estocastica dada por la Ec. (20.4)
extendiendola en la forma
x(t)
= rx +
(t),
(20.387)
donde la suma se calcula sobre los diferentes grupos de inversionistas, cada uno de
los cuales produce un ruido (t), cuya distribucion de Levy decae con diferente
potencia |x|1i . Su distribucion de probabilidad asociada sera
P [ ] = exp
tb
ta
( (t)) =
dt H
Dp
exp
2
Z
tb
ta
(20.388)
2 |p|
.
2
(20.389)
Y Z
Dx exp
tb
ta
( (t))
dt H
[x
]. (20.390)
Dp Y
2
Z
Z
R tb
Dx e
ta
( (t))] i
dt [ip(t)x(t)
P R
dt p(t) (t)
(20.391)
1583
20.7 Valorizaci
on de las Opciones
Dp
2
R tb
Dx e
ta
dt [ip(t)x(t)H
(p)]
(20.392)
H (p).
(20.393)
d 2 |p|.
(20.394)
20.7
d log |p|
p H(p).
2i
(20.395)
Valorizaci
on de las Opciones
Historicamente, el uso mas importante de las integrales de trayectoria en los mercados nacieros se ha hecho en el contexto de determinar un precio justo de los
derivados nancieros, en particular las opciones.12 Las opciones son herramientas
nancieras antiqusimas. Se han utilizado con nes especulativos o para prevenir
transacciones mayores que puedan afectar al mercado por cambios inesperados del
ambiente bursatil. En el ambiente bursatil algunas veces pueden observarse cambios dramaticos en los precios o erosiones y se espera que las opciones eviten la
destruccion de grandes cantidades de capital. Los antiguos Romanos, Griegos y
Fenicios manejaron opciones contra cargos de exportacion de sus puertos locales. En
los mercados nancieros, las opciones son contratos entre dos partes, en los cuales
una de ellas tiene el derecho pero no la obligacion de hacer algo, generalmente de
comprar o vender alg
un activo subyacente. Tener derechos sin obligaciones es un
valor, de tal forma que el poseedor de las opciones debe pagar un precio por su
adquisicion. El precio depende del valor del bien asociado, por lo cual se les llama
activos derivados o brevemente derivados. La opcion de compra son contratos que
dan al poseedor de la opcion el derecho de comprar algo, mientras que la opcion de
venta autoriza al poseedor a vender algo. El precio de una opcion se llama prima.
Generalmente, las opciones estan asociadas a las acciones, almacenes o mercancas
tal como el petroleo, metales o algunos otros materiales escasos. En lo que sigue y
para ser especcos, consideraremos los derechos de venta sobre las acciones.
Las tecnicas modernas de la valorizacion de las opciones tienen su origen en
el trabajo inicial de Charles Castelli, quien en 1877 publico el libro titulado The
12
1584
Theory of Options in Stocks and Shares. Este libro presenta una introduccion a
los aspectos de la prevencion y especulacion de las opciones. Veinte y tres a
nos
mas tarde Louis Bachelier, en su disertacion en la Sorbonna [86], ofrecio la primera
evaluacion analtica conocida de las opciones. Es de notar que Bachelier descrubrio
el tratamiento del fenomeno estocastico cinco a
nos antes del famoso trabajo sobre
el movimiento Browniano presentado por Einstein [87] y veinte y tres a
nos antes
del desarrollo matematico de Wiener [88]. Las ecuaciones diferenciales estocasticas
consideradas por el tienen el defecto importante de permitir valores negativos de
los precios de seguridad de los valores, lo mismo que permiten que la opcion de
los precios excedan el valor de los bienes subyacentes. El trabajo de Bachelier fue
continuado por Paul Samuelson, quien en 1955 escribio un artculo, no publicado,
titulado Brownian Motion in the Stock Market. En aquel mismo a
no, Richard
Kruizenga, estudiante de Samuelson, cito el trabajo de Bachelier en su disertacion
titulada Put and Call Options: A Theoretical and Market Analysis. En 1962, A.
James Boness en su disertacion titulada A Theory and Measurement of Stock Option Value, desarrollo un modelo de precios mas satisfactorio, el cual fue mejorado
mas tarde por Fischer Black y Myron Scholes. En 1973 estos autores publicaron el
famoso Modelo Black y Scholes [89] el cual, junto con las mejoras introducidas
por Robert Merton, les merecio el premio Nobel en 1997.13
Como se ha discutido anteriormente, la distribucion Gaussiana subestima seriamente la probabilidad en el caso de cambios importantes en el precio de los bienes y
esta fue la principal razon del error catastroco, en el invierno de 1998, del fondo de
inversion libre Long Term Capital Management, el cual tena a Scholes y Merton
en la junta directiva (as como accionistas). El fondo contena derivados con valor
de referencia de 1,250 miles14 de Millones de dolares Norteamericanos. El fondo
desconto el 2% por gastos administrativos y 25% de ganancias, e inicialmente fue
muy lucrativo. En 1995 ofrecio a sus accionistas ganancias del 42.8%, 40.8% en 1996
y a
un en el a
no desastrozo de la crisis Asiatica de 1997 ofrecio el 17.1% en ganancias.
Pero en Septiembre de 1998, luego de apostar erroneamente a una convergencia de
tasas de interes, se fue casi a la bancarrota. Diversos bancos internacionales e
instituciones de Wall Street tuvieron que apoyar al fondo con 3.5 miles de Millones
de dolares Norteamericanos. para evitar una reaccion en cadena de incumplimientos
crediticios.
Apesar de este error, el modelo se usa a
un como una orientacion aproximada de
lo razonable del precio de una opcion.
20.7.1
Al inicio de los a
nos setentas, Fischer Black estaba trabajando en un modelo de
valoracion de garanta de las acciones y observo que sus formulas se parecan a las
ecuaciones de transferencia de calor. Luego de esto, Myron Scholes se unio a Black
13
14
20.7 Valorizaci
on de las Opciones
1585
1586
20.7.2
Ecuaciones de Evoluci
on de la Cartera de Valores
con Opciones
(20.396)
La meta es hacer crecer W (t) como una curva exponencial suave sin fluctuaciones
(t) rW W (t).
W
(20.397)
1587
20.7 Valorizaci
on de las Opciones
Como una idealizacion, se supone que los bonos de corto plazo crecen determisticamente sin uctuaciones:
B(t)
rB B(t).
(20.398)
(20.399)
NS (t)S(t)
t) + NB (t)B(t)
+ N S (t)S(t) + N O (t)O(S, t) + N B (t)B(t)
= rW [NS (t)S(t) + NO (t)O(S, t) + NB (t)B(t)] .
(20.400)
Debido a las Ecs. (20.398) y (20.399), los cantidades NB (t) sin devirada temporal,
se eliminan. Mas a
un, si no se introduce o extrae dinero del sistema, i.e., si las
acciones, las opciones y los bonos solo se intercambian unos por otros, esto no
cambia la riqueza total, ademas suponemos que no hay comosiones. Esto se conoce
como la estrategia del auto-financiamiento, la cual se expresa por la ecuacion
N S (t)S(t) + N O (t)O(S, t) + N B (t)B(t) = 0.
(20.401)
(20.402)
(20.403)
Es importante notar ahora que existe una razon optima entre el numero de acciones
NS y el n
umero de opciones NO , la cual es igual a la pendiente negativa de (S(t), t):
NS (t)
O(S(t), t)
= (S(t), t) =
.
NO (t)
S(t)
(20.404)
O
NS S + NO O = NO rW
+O .
x
(20.405)
1588
(20.406)
dt
+
x dt + . . . .
t
x
2 x2
3! x3
(20.407)
Aqu hemos usado la variable logartmica del precio de las acciones x(t) en lugar de
S(t). En matematicas nancieras, las derivadas de menor orden del lado derecho
se denotan mediante letras Griegas especiales. Ya hemos utilizado la varible Delta
para la pendiente O/S. La curvatura 2 O/S 2 = ( 2 O/x2 O/x)/S 2
se conoce como la Gama de una opcion. Otra derivada con un nombre estandar
es la Vega V O/. La derivada temporal parcial O/t se denota por . El
conjunto de estas cantidades se conoce normalmente como las Griegas [94].
En general, el desarrollo dado por la Ec. (20.407) se calcula hasta potencias
arbitrarias de x,
tal como en la Ec. (20.273). Es claro que se trata de una notacion
abreviada del mismo desarrollo hallado en la Ec. (20.273), pero ahora en potencias
de la variable estocastica. Luego de sustituir en el lado izquierdo de la Ec. (20.405)
las Ecs. (20.407) y (20.406), obtenemos
O S
NS S + NO O = NO
x S
!
O O
1 2O 2
1 O 3
+ NO
+
x +
x dt +
x dt + . . .
(20.408)
t
x
2 x2
3! x
"
!
#
O
S O 1 2 O 2
1 3O 3
= NO
+ x
+
x dt +
x dt + . . . .
t
S x
2 x2
3! x3
Sustituyendo luego en el lado izquierdo el resultado obtenido anteriormente en el
lado derecho de la Ec. (20.405), tendremos
O
S
= rW O x + rW
t
S
1 3O 3
O 1 2 O 2
dt
x dt + . . . = 0. (20.409)
x
2 x2
3! x3
Lo que llevo a Black y Scholes a hacerse merecedores del premio Nobel fue el
notar la sencillez de la Ec. (20.409), cuando las uctuaciones Gaussinas obedecen
un Hamiltoniano de la forma H(p) = 2 p2 /2. En primer lugar de la relacion de Ito
(20.4), el prefactor del termino O/x sera una constante
rW
2
rx W ,
2
(20.410)
1589
20.7 Valorizaci
on de las Opciones
donde la notacion rxW se escoge para establecer una analoga con el termino rx
obtenido en la relacion de Ito (20.5). Con lo cual, no hay mas uctuaciones en el
prefactor de O/x.
Mas a
un, las uctuaciones de todos los terminos restantes
1 3O 3 2
1 2O 2
x
dt
x dt +. . .
2 x2
6 x3
(20.411)
se pueden ignorar debido al resultado dado por la Ec.(18.429) y a las estimaciones de la Ec. (18.431), lo cual permite truncar la serie (20.411) y obtenemos
( 2 /2) 2 O/x2 . Con esto la Ec. (20.409) pierde su caracter estocastico y se encuentra que el precio razonable de la opcion O(x, t) obedece la ecuacion diferencial
de the Fokker-Planck
O
O 2 2 O
= rW O rx W
,
t
x
2 x2
(20.412)
Al mismo tiempo, la riqueza total dada por la Ec. (20.402) pierde su caracter
estocastico y crece de acuerdo con la tasa libre de riesgo rW , obedeciendo la ecuacion
determinstica dada en la Ec. (20.398). La cancelacion de las uctuaciones es una
consecuencia de elegir que la tasa entre opciones y acciones este en acuerdo con la
Ec. (20.404). La cartera de valores esta ahora protegida contra uctuaciones.
La ecuacion de Fokker-Planck (20.412) se puede expresar completamente en
terminos de las Griegas de la opcion, utilizando la relacion (20.410) tendremos:
2
O
2O
= rW OrxW S
S
+S 2 2
2
S
S
= rW OrW S
2 2
S .
2
(20.413)
d 2 O(S(t), t)
t =
+
t
=
+ t.
=
dt
S(t)
t S(t)
S(t)2
S
(20.414)
De tal forma que en la Ec. (20.404) necesitamos reajustar la tasa entre las acciones
y las opciones, mediante la cantidad
"
NS
= =
+ t.
NO
S
"
(20.415)
Este proceso se conoce como proteccion -dinamica. Dado que comprar y vender
implica dinero, t no puede ser muy peque
na, de otra forma la proteccion dinamica
sera demasiado costosa.
1590
1 3O 3 2
1 2O 2
x )O.
x dt +
x dt +. . . = H(i
2 x2
6 x3
+
(20.416)
x ) hOi ,
hOi = rW rxW
+ H(i
t
x
(20.417)
donde, en analoga con las Ecs. (20.268) y (20.410), hemos denido el parametro
auxiliar
rxW rW + H(i).
(20.418)
(M,rx )
rW (tb ta )
(xb tb |xa ta ) = e
(20.419)
(M,rx )
rW (tb ta )
(xb tb |xa ta ) = e
dp ip(xb xa ) [H(p)+ir
xW p](tb ta )
,
e
e
2
(20.420)
donde H(p)
esta dado en la Ec. (20.141).
Recordando la discusion dada en la Seccion 20.3, observamos que esta funcion de
distribucion es un miembro de la familia de distribuciones martingalas equivalentes,
hallada en la Ec. (20.293), para el precio de las acciones S(t) = ex(t) . Esta es la
distribucion particular en la cual el factor de descuento r coincide con la tasa de
interes libre de riesgo rW .
1591
20.7 Valorizaci
on de las Opciones
20.7.3
Valorizaci
on de las Opciones para Fluctuaciones
Gaussianas
(M,rx )
(20.421)
(M,rx )
rW (tb ta )
(xb tb |xa ta ) = e
1
Dx exp 2
2
tb
ta
[x rxW ]
(20.422)
(20.423)
xE log E.
(20.424)
donde
(20.425)
(20.426)
donde
erW (tb ta )
OS (xa , ta ) = q
2 2 (tb ta )
xE
xb
xE
(20.428)
1592
(20.429)
y obtenemos
x2
dxb exp 2 b
.
(20.430)
OE (xa , ta ) = E q
2 (tb ta )
2 2 (tb ta ) xE x
(20.431)
"
d
1
y
2
e /2 =
1 + erf
2
2
2
!#
(20.432)
evaluada en
x xE
log[S(ta )/E] + rxW (tb ta )
q
y q
=
2 (tb ta )
2 (tb ta )
=
2 (ta tb )
(20.433)
xb
Reescribiendo
x+ xa + rxW +
(tb ta ) = xa + rW
1
+ 2 (tb ta ),
2
(20.435)
(20.436)
donde
log[S(ta )/E] + (rxW + 2 ) (tb ta )
x+ xE
q
=
y+ q
2 (ta tb )
2 (ta tb )
=
2 (ta tb )
(20.437)
20.7 Valorizaci
on de las Opciones
1593
La combinacion de resultados,
O(xa , ta ) = S(ta )N(y+ ) erW (tb ta ) E N(y ),
(20.438)
20.7.4
Valorizaci
on del Precio para una Opci
on As
atica
"
(
#)
3
xb +xa 2
1
x0
2
P (xb tb |xa ta ) = 2
(xb xa ) +12 x0
.
exp 2
(tb ta )
2 (tb ta )
2
(20.439)
Para la razon de crecimiento rW , la martingala asociada sera
3
(M,rx )
x0
rW (tb ta )
P
(xb tb |xa ta ) = e
2
(tb ta )
(
"
#)
1
xb +xa 2
2
exp 2
(xb xa rxW (tb ta )) + 12 x0
, (20.440)
2 (tb ta )
2
cuya integral sobre x0 dara como resultado la distribucion martingala hallada en la
Ec. (20.421)
Z
(20.441)
1594
40
35
30
25
20
15
10
5
35
30
25
20
15
10
5
O(S)
20
40
60
O(E)
80
40
35
30
25
20
15
10
5
20
40
60
80
100
O(S)
20
40
60
80
(20.442)
OS (xa , ta ) =
dx0
x0
(20.443)
dx0 ex0
x0
(20.444)
la cual reemplaza a la Ec. (20.430). Dado que ambas expresiones involucran integrales sobre la funcion error, resulta de utilidad representar la funcion dada en la
Ec. (20.442) en forma de una integral de Fourier, con lo cual podemos reescribir el
precio de la opcion al tiempo ta como
O(xa , ta ) =
dt ei(xb x0 )t
2i t i
dx0
(20.445)
1595
20.7 Valorizaci
on de las Opciones
(xb xa )
xb xa
Figure 20.29 Sonrisa hallada a partir de las opciones (ver la Ref. [13]).
(20.446)
donde
2
2 t2 (tb ta )
i
rW +
t(tb ta ) +
,
A(t) = rW (tb ta )
2
2
6
!
!
2
2 t2 (tb ta )
i
2 tb ta
rW
t(tb ta ) +
.
A0 (t) = rW +
6
2
2
6
6
!
(20.447)
2 2
dt ea t /2+ibt
= N[b/a].
2i t i
(20.448)
tendremos [95]
O(xa , ta ) = S(ta )[N(z+ ) e(rW +
2 /6)(t t )/2
a
b
N(z )],
(20.449)
donde
z+ =
20.7.5
2
3(tb ta )
,
r
+
W
4 2
2
!
z =
2
3(tb ta )
.
r
W
4 2
6
!
(20.450)
Valorizaci
on de las Opciones para la Distribuci
on
de Boltzmann
Los resultados anteriores se pueden aplicar facilmente al precio de las opciones para
los bienes cuya renta obedezca la distribucion de Boltzmann dada en la Ec. (20.204).
1596
Dado que esta distribucion es una superposicion de distribuciones Gaussianas, tenemos que hallar la misma superposicion en la formula de Black-Scholes (20.438). De
esta forma sustituimos la Ec. (20.438) en la integral (20.204) y obtenemos el precio
de la opcion para la distribucion de Boltzmann de los bienes, cuya varianza es 2 :
O B (xa , ta ) =
t
2
t
1
(t)
dv t tv/2 v
ve
O (xa , ta ),
v
(20.451)
20.7.6
[2T 2 (1 1/t)]2 2 v
v O (xa , ta ) + . . . .
2t
(20.452)
Valorizaci
on de las Opciones para Fluctaciones
no Gaussianas en General
+ irxW p
HrxW (p) H(p)
(20.453)
xE
rW (tb ta )
= e
xE
xb
xE
dxb (e e )
dxb
rW (tb ta )
O(xa , ta ) = e
xE
dxb
dp ip(xb xa )
e
f (p),
2
(20.456)
1597
20.7 Valorizaci
on de las Opciones
donde
f (p) exa eHrxW (p+i)(tb ta ) exE eHrxW (p)(tb ta ) .
(20.457)
dp ip(xb xa )
e
f (p)
2
(20.458)
xE
dxb f(xb xa ) =
dxb
dq i
eiq(xb xE ) f(xb xa ).
2 q + i
(20.459)
dp ip(xE xa ) i
e
f (p).
2
p + i
(20.460)
Para el caso de integraciones numericas, la singularidad en p = 0 resulta un inconveniente. Por lo tanto, empleamos la descomposicion dada en la Ec. (18.54)
1
P
= i(p),
p + i
p
(20.461)
para escribir
rW (tb ta )
O(xa , ta ) = e
"
1
f (0) + i
2
(20.462)
Hemos usado el hecho de que el valor principal de la integral dividido por p es cero,
para sustraer el factor constante f (0) del integrando eip(xE xa ) f (p). Luego de esto el
integrando es regular, por lo que no necesitamos mas la etiqueta del valor principal,
y la integracion numerica es directa.
Si xa es muy diferente de xE , podemos usar la aproximacion
Z
1
dp eip(xE xa ) f (p) f (0)
(xa xE )f (0),
2
p
2
(20.463)
erW (tb ta )
[1 + (xa xE )] f (0).
2
(20.464)
1598
Usando la Ec. (20.418) tenemos eHrxW (i) = erW , y dado que eHrxW (0) = 1 vemos
que O(xa , ta ) tiende a cero para xa , mientras que para valores grande de xa
obtenemos el comportamiento
O(xa , ta ) exa exE erW (tb ta ) = S(ta ) erW (tb ta ) E.
(20.465)
0.4
0.2
20
60
40
-0.2
-0.4
Figure 20.30 Diferencia entre el precio de rescate O(S, t), obtenido de la distribucion
truncada de Levy con kurtosis = 4, y el precio de Black-Scholes OBS (S, t), donde 2 = v,
como funcion del precio de las acciones S para diferentes tiempos antes de la fecha de
vencimiento (el tiempo cambia de acuerdo con el ancho de lnea: 1, 2, 3, 4, 5 meses). Los
par
ametros son E = 50 dolares, = 40% y rW = 6% por mes.
dp ipxH(p)
e
.
2
(20.466)
Inspeccionando la Ec. (20.53) vemos que el factor tb ta que multiplica al Hamiltoniano HrxW (p) de la Ec. (20.454) se puede absorber en los parametros , , y ,
de las distribuciones truncadas de Levy, utilizando el reemplazo
2 2 (tb ta ),
(20.467)
(,,))
Denotemos la distribucion truncada de Levy cuyo promedio es cero por L
(x).
2
H(p)
Esta expresion corresponde a la transformada de Fourier de e
:
(,,)
L
(x) =
2
dp ipxH(p)
e
.
2
(20.468)
(,,))
Entonces, la transformada de Fourier de eH(p)(tb ta ) estara dada por L
2 (tb ta ) (x).
Utilizando el termino adicional rxW dado en la Ec. (20.453) en el argumento de la
1599
20.7 Valorizaci
on de las Opciones
xW p](tb ta )
(,,))
=L
(20.469)
e
2 (tb ta ) (x rxW (tb ta )).
2
Sustituyendo este resultado en la Ec. (20.419), encontramos la distribucion martingala libre de riesgo a ser utilizada en la Ec. (20.454):
(,,)
2
P (xb tb |xa ta ) = erW (tb ta ) L
(tb ta ) (xb xa rxW (tb ta )).
(20.470)
Por lo tanto, el resultado es una distribucion truncada de Levy cuyo ancho crece y
se mueve uniformemente de la posicion promedio. Dado que todos los coecientes
cn del desarrollo de H(p) en la Ec. (20.40) tienen el mismo factor tb ta , la kurtosis
= c4 /c22 disminuye inversamente proporcional a tb ta . A medida que el tiempo
aumenta, la distribucion es cada vez mas y mas Gaussiana, efecto que es una manifestacion del teorema del lmite central de la mecanica estadstica. Este resultado
es contrario al caso de una distribucion pura de Levy, la cual no tiene ancho nito
y por lo tanto presenta un decaimiento abrupto a grandes distancias.
En forma explcita, la formula (20.454) para el precio de la opcion sera
O(xa , ta ) = erW (tb ta )
xE
(,,)
dxb (exb exE )L
2 (tb ta ) (xb xa rxW (tb ta )).(20.471)
20.7.7
Valorizaci
on de las Opciones para las Fluctuaciones de la
Varianza
dt
+
x
dt
+
v dt + . . . .(20.472)
=
t
x
v
2 x2
xv
2 v 2
El desarrollo se puede truncar luego de la segunda derivada debido a la naturaleza
Gaussiana de las uctuaciones. Utilizamos aqu la regla de Ito para reemplazar
x 2
v(t),
v 2
2 v(t),
x v
v(t),
(20.473)
(20.474)
1600
Como ya hemos obtenido anteriormente en la Ec. (20.409), el ruido x ha desaparecido. Sin embargo, contrario al tratamiento para una sola variable, en esta ecuacion
permanece la variable de ruido v . Este ruido se puede eliminar solamente si intercambiamos un bien nanciero V , cuyo precio sea igual a la varianza, directamente
en el mercado nanciero. Luego, en lugar de la Ec. (20.396), podemos construir una
cartera financiera libre de riesgo que contenga cuatro valores
W (t) = NS (t)S(t) + NO (t)O(S, t) + NV (t)V (t) + NB (t)B(t).
(20.476)
De hecho, utilizando
NV (t)
O(S(t), v(t), t)
=
,
NO (t)
v(t)
(20.477)
podramos cancelar el termino v en la Ec. (20.475). Este resutado nos dice que
necesitamos comercializar dicho bien. Sin esto, solo podemos alcanzar una libertad
de riesgo aproximada ignorando el ruido v (t) en el termino v,
reemplazando luego
v por el primer termino determinista en la ecuacion diferencial estocastica (20.308):
v(t)
[v(t) v].
(20.478)
v =
v / .
(20.479)
As, hallamos una ecuacion diferencial del tipo Fokker-Planck [comparemos con la
Ec. (20.417)]
O
v O
O v 2 O
2O
2 v 2 O
= rW O rW
+ [v(t) v ]
.
t
2 x
v
2 x2
xv
2 v 2
(20.480)
1601
20.7 Valorizaci
on de las Opciones
(20.481)
(20.482)
es de la siguiente forma:
P v (xb , vb , tb |xa va ta ) = e(rW +
)t
(20.483)
vb va vb va 2 .
(20.484)
= 0.5
0.1
0.05
0
80
90
100
120
130
140
0.05
0.1
Figure 20.31 Diferencia entre el precio de la opcion O(S, v, t), con fluctuaciones en la
volatilidad, y el precio de Black-Scholes OBS (S, t), donde 2 = v, para el precio de ejercicio
de la opcion de 100 dolares. Los par
ametros est
an dados en la Ec. (20.485). El par
ametro
de correlaci
on del ruido para un caso es = 0.5 y para el otro caso = 0.5. Para una
opcion en efectivo el valor absoluto es 2.83 dolares para el caso = 0.5 y 2.81 dolares
para = 0.5 (tomado de la Ref. [78]).
1602
= 0.1, rW = 0,
(20.485)
20.7.8
a8 = c8 + 35c24 ,
a6 3
a8 4
a4 2
+ 2
+ 2
+ . . . e p /2.
D(p) = 1 + 2
4!
2
6!
2
8!
2
(20.487)
(20.488)
a6 3
a8 4
ex /2
a4
+
+
+
.
.
.
2
2
D(x)
=
1 + 22
4!
2
6!
2
8!
2
2 2
c4
c6
35
c24
c8
x2
c6
35
c24
c8
c4
+
+
+ 2 +
=
1+
8
48
384
384
4
16
96
96
x4 c4
x6
c6
c6
35
c24
c8
35
c24
c8
+ 4
+ 6
+
+
24 48
192
192
+ 8
+ ...
+
.
(20.489)
40320 40320
2 2
En el caso de una distribuci
on truncada de Levy para las potencias n/21 , las cantidades cn
contienen la kurtosis . Si la distribuci
on es casi una Gaussiana, podemos hallar un nuevo desarrollo
de todas las expresiones anteriores en terminos de los cumulantes de orden superior. En el caso de
una distribuci
on truncada de Levy podemos conservar sistem
aticamente todos los terminos hasta
una cierta potencia maxima de y hallamos
c6
2
c24
c8
5
c4 c6
33
c34
x2 c4
+
+
+
D(x) =
1 2
2
2
8
3
48
192
256
4
2
x
c4
c6
17
c4
c8
c4 c6
239
c34
+ 4
+
+
+
24 48
96
192
288
9216
6
2
3
x
c6
7
c4
c8
c4 c6
7
c4
+ 6
20.7 Valorizaci
on de las Opciones
donde hemos introducido el ancho modificado de la distribuci
on, en la forma
c4
c6
13
c24
c8
c4 c6
31
c34
2
2
+
+ ... .
1 1
4
24
96
192
64
512
El prefactor se puede colocar dentro de la exponencial, de donde hallamos
x2
c4
2 c24
33 c34 c6
5 c4 c6
c8
D(x) = exp 2 1 +
+
+
+
2
2
3
256
8
192
48
x4 c4
7 c24
1007 c34
c6
11 c4 c6
c8
+ 4
+
+
+
24
48
9216
48
576
192
2
x6
c4
43 c34
c6
23 c4 c6
c8
+ 6 +
+
72
768
720
2880
1440
3
8
101 c4 7 c4 c6
1
c8
x
p
+ ...
+
+
.
+ 8
9216
5760
40320
212
Introduciendo un segundo ancho modificado
c6
5
c24
c8
29
c4 c6
515
c34
c4
2
2
+
+
+ ... ,
2 1
2
8
12
48
192
768
D(x)
= exp 2 + 4
+ 4+
+
2 24 48
48
192
576
9216
2
6
2
3
x
c
8
c8
29
c4 c6
59
c4
c6
+ 6
4
2 720 72 1440
2880
768
1
7
c4 c6
101
c34
c8
x8
p
+ ...
+
.
+ 8
2 40320
5760
9216
2
12
,
D(x)
= p
exp
22 (x)
2
12
(x)
22 1 + 2
+ 4
+
+
2 12
24
4608
24
288
96
2
x4
c4
217 c34 1375 c44
c6
13 c4 c6
c24 c6
c26
c8
c4 c8
+ 4
+
+
2
48
1152
27648
360
480
1728 576 720
576
6
3
4
2
2
x
359 c4 127 c4 5 c4 c6
13 c4 c6
c
c8
c4 c8
+ 6
+ ... .
+
+
6 +
2
13824
6912
1728
17280
4320 20160 4320
1603
(20.491)
(20.492)
(20.493)
(20.494)
(20.495)
(20.496)
a6 3
a8 4
a4 2
+ 2
+ 2
+ ...
(20.497)
O 1+ 2
4!
2
6!
2
8!
2
1604
a la distribuci
on Gaussiana dada en la Ec. (20.421). Para el caso = 3/2, los coeficientes son
5 7 2
5 7 11 2 5 7 2
,
a
=
,
a
=
+
,
6
8
M2
3M 3
M4
M4
52 7 11 13 4 22 5 7 17 4
+
,... .
=
3M 5
3M 5
a4 =
a10
(20.498)
El operador O se aplica a la expresion de Black-Scholes dada en la Ec. (20.438), de tal forma que
obtenemos el resultado formal
h
i
2
OL (xa , ta ) = OO(xa , ta ) = O S(ta )N (y+ ) e(rxW + /2)(tb ta ) E N (y ) ,
(20.499)
donde, en el lado derecho, hemos usado la Ec. (20.418) para mostrar la dependencia completa con
respecto a . Ahora, esta expresion se puede desarrollar en terminos de potencias de la kurtosis .
El termino proporcional a a4 sera una primera correccion, lineal en , a la formula de Black-Scholes
O1 (xa , ta ) =
12M 2
y
2
2
m
Sey+ /2 erW (tb ta ) Eey /2
2 2
e
rW (tb ta )
(tb ta )EN (y ) .
O2 (xa , ta ) =
y
y
3y
+
4
Se
b
a
+
+
3M 3 23 32 5
2
3
3y 2 2 (tb ta )y
erW (tb ta ) Eey /2 y
o
+ erW (tb ta ) (tb ta )2 EN (y ) .
i
(20.500)
2 4
(20.501)
Ap
endice 20A
(20A.1)
Apendice 20A
1605
Desarrollando el u
ltimo exponencial en una serie de Taylor, obtenemos
(,)
L
(x)
2
= e
2a
= e2a
dy iyx X an
e
[(1 iy) + (1 + iy) ]n =
2
n!
n=0
n
dy ixy X an X n
(1 iy)(nm) (1 + iy)m
e
2
n!
m
n=0
m=0
(20A.2)
n
X
an X n
dy ixy
e
(1 iy)(nm) (1 + iy)m .
n!
2
m
n=0
m=0
(20A.3)
Con ayuda de las funciones de Whittaker, dadas en la Ec. (20.30), este resultado se puede reescribir
como
n
X
an X n (x)1n/2 2n/2
2a
(,)
Wn/2m,(n+1)/2 (2x).
(20A.4)
L
(x)
=
e
2
n! m=0 m
(m)
n=0
Utilizando las funciones Gama de argumento positivo, en lugar de las de argumento negativo,
obtenemos
n
2a X n X 2n/2 (1+m) sin(m)
(,)
L2 (x) = e
Wn/2m,(n+1)/2 (2x).
a
X
Y
1
2
2
W, (x) = ex/2 x 1 +
.
j
+
1/2)
k!xk j=1
(20A.6)
k=1
j+
[ ( j + 1/2) ] =
2
2
2
j=1
j=1
=
k
Y
j=1
(m + j)(n+1 m j).
(20A.7)
Sustituyendo este resultado en la Ec. (20A.6) y luego lo ah obtenido en la Ec. (20A.5), obtenemos
el desarrollo asint
otico para valores grandes de x:
(,)
L
(x)
2
n
1
ex X n n X (1 + m) sin(m)
e2a
(2x)m
a 2
x n=1
m!(n
m)!
m=1
#
"
Qk
X
(m
+ j)(n + 1 m j)
j=1
.
1+
k!(2x)k
(20A.8)
k=1
Dado que sin(m) se anula para m = 0, en la suma hemos incrementado el valor inicial del ndice
Q0
m en una unidad. Si definimos el producto de la forma j=1 ... como la unidad, el termino en el
u
ltimo parentesis se puede escribir como
k=0
k
Y
1
(j + m)(1 m j + n).
k!(2x)k j=1
(20A.9)
1606
(,)
Rearreglando la doble suma en la Ec. (20A.8), encontramos que L
(x) tiene la expresion
2
x
1
e
(,)
L
(x) = e2a
2
k=0
X
(1 + m) sin(m) X an 2n
m!(2x)m
(n m)!
n=m
m=1
k
Y
1
(j + m)(1 m j + n),
k!(2x)k j=1
(20A.10)
ex X (1 + m) sin(m)
1
(2x)m
e2a
x m=1
m!
(2 a)n+m
n=0
k=0
x X
e
1
e2a
k
Y
1 X
1
(j + m)(1 j + n) =
n!
k!(2x)k j=1
k=0
X
(1 + m) sin(m)(2 a)m
1
k!(2x)k m=1
(2x)m m!
k
Y
(j + m)
j =1
k
X
(2 a)n Y
(n + 1 j).
n! j=1
n=0
(20A.11)
En esta expresion, la u
ltima suma sobre n se puede reexpresar en forma mas eficiente usando la
funci
on generatriz
f (k) (y )
dk y
e ,
dy k
(20A.12)
X
1 Y
dk X y n
(n j + 1)y nk ,
=
dy k n=0 n!
n!
n=0
j=1
(20A.13)
de donde hallamos
(,)
L
(x)
2
1 2a ex X ak/ 2k f (k) (2 a)
e
x
k!(2x)k
k=0
k
Y
(1 + m) sin(m)(2 a)m
(m + j).
(2x)m
m!
m=1
j=1
(20A.14)
2a
ex
X
(s)k/ f (k) (s(2) )
k=0
k!
(1 + m + k) sin(m)(s)m
.
m!x1+m+k
m=1
(20A.15)
X
ex X
(s)m
Ak
Bkm m+k ,
x
x
m=1
2a
k=0
(20A.16)
Apendice 20B
1607
Peso Gaussiano
0.1
0.08
0.06
(K)
(,)
L
(x)
2
0.04
0.02
1
1.2
1.4
1.6
1.8
donde
Ak =
Bkm =
(1 + m + k) sin(m)
.
m!
(20A.17)
(K)
(,)
Utilizamos L
(x) para denotar el termino K-esimo donde hemos truncado la suma. Para
2
obtener la potencia de orden menor en |x|, terminamos la suma sobre m luego de hallar el menor
entero mayor que (K k + )/. El termino principal es
(0)
(,)
L
(x)
2
=
=
(1 + ) sin()(s)
e2a x (0)
e
f (s(2) )
x1+
s(22 )
e
(1 + ) sin() x
s
e
.
x1+
(20A.18)
(0)
(,)
Para valores grandes de x la aproximacion de L
(x) se compara con la distribuci
on truncada
2
de Levy en la Fig. 20.32.
Ap
endice 20B
Peso Gaussiano
Por simplicidad estudiemos el caso mas simple del contenido Gaussiano de la distribuci
on final
hallada en la Ec. (20.347), donde = 0. Movamos entonces el contorno de la integral dada en la
Ec. (20.347) a la trayectoria p + i/2 y estudiemos la integral de Fourier
Z +
dp ipxH(p,t)
e
,
(20B.1)
P (x t |xa ta ) = ex/2
2
donde
2
v
t 2 + 2
t
t) = vt + 2
,
ln
cosh
+
sinh
H(p,
2
2
2
2
2
(20B.2)
y
=
p
2 + 2 (p2 + 1/4).
(20B.3)
1608
+
Z
dp H(p,t)
e
,
2
2 (t) =
+
Z
dp 2 H(p,t)
p e
.
2
(20B.5)
Dado que la integral de la Ec. (20B.6) ignora la probabilidad contenida en los decrecimientos
semi-abruptos, esta fracci
on es siempre menor que 1. La diferencia 1 f (t) es una medida de
la contribucion relativa de los decrecimientos semi-abruptos. Los par
ametros 0 (t) y 2 (t) se
calculan en forma numerica, la fracci
on f (t) resultante se grafica en la Fig. 20.25 en funci
on de
t. Para el lmite t la distribuci
on es una Gaussiana, mientras que para valores peque
nos
de t obtenemos una funci
on muy dispersa en funci
on de p.
Ap
endice 20C
Comparaci
on con los Datos Dow-Jones
Apendice 20C
1609
4.50 102
11.35
v
8.62 105
0.022
2.45 103
0.618
5.67 104
0.143
es
comparable
con
la
volatilidad
promedio de las acciones
S
ndice
de
las
acciones
es
positivo,
hay
una
probabilidad
sustancial
R0
dxP (x t |xa ta ) 17.7% de obtener un crecimiento negativo para un t = 1 de un a
no.
De acuerdo con la Ec. (20.368), la asimetra entre las pendientes del decrecimiento exponencial
para x positivo y negativo est
a dado por el par
ametro p0 , el cual es igual a 1/2 cuando = 0 [ver
tambien la discusi
on de la Ec. (20B.1) en el Apendice 20B]. El origen de esta asimetra se remonta a
la transformaci
on de S(t)/S(t)
a x(t)
utilizando la formula de It
o. Esto da origen al termino v(t)/2
en la Ec. (20.306), de donde obtenemos el primer termino del operador Hamiltoniano dado en la
Ec. (20.319). Para = 0 esta es la u
nica fuente de asimetra de la probabilidad P (x t |xa ta ) respecto
de x. En la practica, la asimetra de las pendientes p0 = 1/2 es muy peque
na (aproximadamente
2.7%), comparada con la pendiente promedio q 0 / = 18.4.
1610
Notas y Referencias
La valorizaci
on de las opciones, mas alla de Black y Scholes, usando integrales de trayectoria se
discutio en la Ref. [113], donde se revisan las estrategias para minimizar los riegos en presencia de
fluctuaciones extremas, como sucede en los mercados financieros reales. Ver tambien la Ref. [114].
Un generalizaci
on reciente de las integrales de trayectoria a las integrales funcionales sobre superficies, como una alternativa a la aproximacion de Heath-Jarrow-Morton para modelar una curva
dada (ver http://risk.ifci.ch/00011661.htm), ha sido propuesta en la Ref. [115]. Aplicaciones
de la transformaci
on Duru-Kleinert a los mercados financieros est
an descritas en la Ref. [21] del
Captulo 14.
Las citas individuales se refieren a
[1] La evoluci
on del ndice industrial de Dow-Jones hasta la fecha se puede hallar en
sitios electronicos como http://stockcharts.com/charts/historical/djia1900.html.
En forma alternativa, se puede graficar directamente utilizando el programa Mathematica de Stephen Wolfram (v.6) utilizando las siguientes instrucciones
t=FinancialData["^DJI",All];l = Length[t]
tt = Table[t[[k]][[1]][[1]]+(t[[k]][[1]][[2]]-1)/12,t[[k]][[2]], {k,1,l}]
ListLogPlot[tt]
N
otese que el u
ltimo perodo de inactividad fue predicho en la tercera edici
on de este libro,
en 2004.
[2] P. Fizeau, Y. Liu, M. Meyer, C.-K. Peng, and H.E. Stanley, Volatility Distribution in the
S&P500 Stock Index , Physica A 245, 441 (1997) (cond-mat/9708143).
[3] B.E. Baaquie, A Path Integral Approach to Option Pricing with Stochastic Volatility: Some
Exact Results, J. de Physique I 7, 1733 (1997) (cond-mat/9708178).
[4] J.P. Fouque, G. Papanicolaou, and K.R. Sircar, Derivatives in Financial Markets with
Stochastic Volatility (Cambridge University Press, Cambridge, 2000); International Journal of Theoretical and Applied Finance, 3, 101 (2000).
[5] J. Hull and A. White, Journal of Finance 42, 281 (1987); C.A. Ball and A. Roma, Journal
of Financial and Quantitative Analysis 29, 589 (1994); R. Sch
obel and J. Zhu, European
Finance Review 3, 23 (1999).
[6] E.M. Stein and J.C. Stein, Review of Financial Studies 4, 727 (1991).
[7] J.C. Cox, J.E. Ingersoll, and S.A. Ross, Econometrica 53, 385 (1985).
En la literatura matematica, esta ecuaci
on tiene el nombre de proceso Feller. Ver la Ref. [4]
y
W. Feller, Probability Theory and its Applications, sec. ed., Vol. II., John Wiley & Sons,
1971.
Ver tambien la relaci
on con turbulencia, en el trabajo de
B. Holdom, Physica A 254, 569 (1998) (cond-mat/9709141).
[8] P. Wilmott, Derivatives, John Wiley & Sons, New York, 1998.
[9] R. Courant and D. Hilbert, Methods of Mathematical Physics, vol. 2 (John Wiley & Sons,
New York, 1962).
[10] C.M. Bender and S.A. Orszag, Advanced Mathematical Methods for Scientists and Engineers,
Springer, New York, 1999.
[11] C.G. Lamoureux and W.D. Lastrapes, Forecasting Stock-Return Variance: Toward an Understanding of Stochastic Implied Volatilities, Rev. of Financial Studies 6, 293 (1993). See
also
D.T. Breeden, An Intertemporal Asset Pricing Model with Stochastic Consumption and Invertment Opportunities, Jour. of Financial Economics 7, 265 (1979).
Notas y Referencias
1611
[12] Este resultado tiene su nombre luego del matematico ruso Andrei Andrejewitsch Markov,
quien en 1912 public
o el libro, escrito en Alem
an, sobre Teora de Probabilidad citado en
la p
ag. 1141, donde se ha usado la versi
on alemana del nombre: Markoff.
[13] J.-P. Bouchaud and M. Potters, Theory of Financial Risks, From Statistical Physics to Risk
Management , Cambridge University Press, 2000.
[14] J. Hull, Options, Futures and Other Derivatives, Prentice-Hall Int., 1997.
[15] R. Rebonato, Interest-Rate Option Models, John Wiley & Sons, Chichester, 1996.
[16] M.W. Baxter and A.J.O. Rennie, Financial Calculus, Cambridge Univ. Press, Cambridge,
1996.
[17] J. Voigt, The Statistical Mechanics of Financial Markets, Springer, Berlin, 2001.
[18] V. Pareto, Giornale degli Economisti, Roma, January 1895; and Cours deconomie politique,
F. Rouge Editeur, Lausanne and Paris, 1896; reprinted in an edition of his complete works
1612
[32] El comportamiento exponencial para tiempos cortos ha sido observado en la Ref. [13], lo
mismo que por muchos otros autores:
L.C. Miranda and R. Riera, Physica A 297, 509 (2001);
J.L. McCauley and G.H. Gunaratne, Physica A 329, 178 (2003);
T. Kaizoji, Physica A 343, 662 (2004);
R. Remer and R. Mahnke, Physica A 344, 236 (2004);
D. Makowiec, Physica A 344, 36 (2004);
K. Matia, M. Pal, H. Salunkay, and H.E. Stanley, Europhys. Lett. 66, 909 (2004);
A.C. Silva, R.E. Prange, and V.M. Yakovenko, Physica A 344, 227 (2004);
R. Vicente, C.M. de Toledo, V.B.P. Leite, and N. Caticha, Physica A 361, 272 (2006);
A.C. Silva and V.M. Yakovenko, (physics/0608299).
[33] H. Kleinert and T. Xiao-Jiang a ser publicado.
[34] B. Grigelionis, Processes of Meixner Type, Lith. Math. J. 39, 33 (1999).
[35] W. Schoutens, Meixner Processes in Finance, Report 2001-002, EURANDOM, Eindhoven
(www.eurandom.tue.nl/reports/2001/002wsreport.ps).
[36] O. Barndorff-Nielsen, T. Mikosch, S. Resnick, eds., Levy Processes Theory and Applications Birkh
auser, 2001.
[37] O. Barndorff-Nielsen, Infinite Divisibility of the Hyperbolic and Generalized Inverse Gaussian Distributions, Zeitschrift f
ur Wahrscheinlichkeitstheorie und verwandte Gebiete 38,
309-312 (1977).
[38] O. Barndorff-Nielsen, Processes of Normal Inverse Gaussian Type, Finance & Stochastics,
2, No. 1, 41-68 (1998).
[39] O. Barndorff-Nielsen, Normal Inverse Gaussian Distributions and Stochastic Volatility Modeling, Scandinavian Journal of Statistics 24, 1-13 (1977).
[40] O. Barndorff-Nielsen, N. Shephard, Modeling with Levy Processes for Financial Econometrics, MaPhySto Research Report No. 16, University of Aarhus, (2000).
[41] O. Barndorff-Nielsen, N. Shephard, Incorporation of a Leverage Effect in a Stochastic
Volatility Model , MaPhySto Research Report No. 18, University of Aarhus, (1998).
[42] O. Barndorff-Nielsen, N. Shephard, Integrated Ornstein Uhlenbeck Processes, Research Report, Oxford University, (2000).
[43] J. Bertoin, (1996) Levy Processes, Cambridge University Press.
[44] J. Bretagnolle, Processus `
a increments independants, Ecole dEte de Probabilites, Lecture
Notes in Mathematics, Vol. 237, pp 1-26, Berlin, Springer, (1973).
[45] P.P. Carr, D. Madan, Option Valuation using the Fast Fourier Transform, Journal of Computational Finance 2, 61-73 (1998).
[46] P.P. Carr, H. Geman, D. Madan, M. Yor, The Fine Structure of Asset Returns: an Empirical
Investigation, Working Paper, (2000).
[47] T. Chan, Pricing Contingent Claims on Stocks Driven by Levy Processes, Annals of Applied
Probability 9, 504-528, (1999).
[48] R. Cont, Empirical Properties of Asset Returns: Stylized Facts and Statistical Issues, Quantitative Finance 1, No. 2, (2001).
[49] R. Cont, J.-P. Bouchaud, M. Potters, Scaling in Financial Data: Stable Laws and Beyond , in
B. Dubrulle, F. Graner & D. Sornette (eds.): Scale invariance and beyond, Berlin, Springer,
(1997).
Notas y Referencias
1613
1614
[74] E. Eberlein, S. Raible, Term Structure Models Driven by General Levy Processes, Mathematical Finance 9, 31-53, (1999).
[75] Ver la p
agina Wikipedia
en.wikipedia.org/wiki/Levy skew alpha-stable distribution.
[76] S. Raible, Levy Processes in Finance, Ph.D. Thesis, Univ. Freiburg,
(http://www.freidok.uni-freiburg.de/volltexte/15/pdf/51 1.pdf).
2000
[77] M.H.A. Davis, A General Option Pricing Formula, Preprint, Imperial College, London
(1994). Ver tambien la Ref. [70] y
T. Chan, Pricing Contingent Claims on Stocks Driven by Levy Processes, Ann. Appl.
Probab. 9, 504 (1999).
[78] S.L. Heston, A Closed-Form Solution for Options with Stochastic Volatility with Applications
to Bond and Currency Options, Review of Financial Studies 6, 327 (1993).
[79] A.A. Dr
agulescu and V.M. Yakovenko, Quantitative Finance 2, 443 (2002) (condmat/0203046).
[80] P. Jizba, H. Kleinert, and P. Haener, Perturbation Expansion for Option Pricing with
Stochastic Volatility, Berlin preprint 2007 (arXiv:0708.3012).
[81] S. Miccich`e, G. Bonanno, F. Lillo, R.N. Mantegna, Physica A 314, 756 (2002).
[82] D. Valenti, B. Spagnolo, and G. Bonanno, Physica A 314, 756 (2002).
[83] H. Follmer and M. Schweizer, Hedging and Contingent Claims under Incomplete Information, in Applied Stochastic Analysis, edited by M.H.A. Davis and R.J. Elliot, 389 Gordon
and Breach 1991.
[84] R.F. Engle, Autoregressive conditional heteroskedasticity with estimates of the variance
of UK inflation, Econometrica 50, 987 (1982); Dynamic conditional correlationA simple class of multivariate GARCH models, J. of Business and Econ. Stat., 20, 339 (3002)
(http://www.physik.fu-berlin.de/~kleinert/finance/engle1.pdf);
R.F. Engle and K.F. Kroner, Multivariate simultaneous generalized ARCH , Econometric
Theory 11, 122 (1995);
R.F. Engle and K. Sheppard, Theoretical and empirical properties of dynamic conditional
correlation multivariate GARCH , Nat. Bur. of Standards working paper No. 8554 (2001)
(http://www.nber.org/papers/w8554.pdf).
Ver tambien los programas GARCH para el c
aculo en http://www.kevinsheppard.com/
research/ucsd garch/ucsd garch.aspx.
[85] T. Bollerslev Generalized autoregressive conditional heteroskedasticity, J. of Econometrics
31, 307 (1986); Modelling the coherence in short-run nominal exchange rates: A multivariate
generalized ARCH model , Rev. Economics and Statistics 72, 498 (1990).
[86] L. Bachelier, Theorie de la Speculation, L. Gabay, Sceaux, 1995 (reprinted in P. Cootner
(ed.), The Random Character of Stock Market Prices, MIT Press, Cambridge, Ma, 1964,
pp. 1778.
Notas y Referencias
1615
1616
[110] Yahoo Finance http://finance.yahoo.com. Para obtener los datos, introduzca en el ventana de busqueda la instrucci
on: ^DJI, y luego utilice la liga: Download Spreadsheet .
[111] J. Masoliver and J. Perello, Physica A 308, 420 (2002) (cond-mat/0111334); Phys. Rev. E
67, 037102 (2003) (cond-mat/0202203); (physics/0609136).
[112] J.-P. Bouchaud, A. Matacz, and M. Potters, Phys. Rev. Letters 87, 228701 (2001).
[113] J.-P. Bouchaud and D. Sornette, The Black-Scholes Option Pricing Problem in mathematical
finance: Generalization and extensions for a large class of stochastic processes, J. de Phys.
4, 863 (1994); Reply to Mikheevs Comment on the Black-Scholes Pricing Problem, J. de
Phys. 5, 219 (1995);
[114] J.-P. Bouchaud, G. Iori, and D. Sornette, Real-World Options, Risk 9, 61 (1996)
(http://xxx.lanl.gov/abs/cond-mat/9509095);
J.-P. Bouchaud, D. Sornette, and M. Potters, Option Pricing in the Presence of Extreme
Fluctuations, in Mathematics of Derivative Securities, ed. by M.A.H. Dempster and S.R.
Pliska, Cambridge University Press, 1997, pp. 112-125; The Black-Scholes Option Pricing Problem in Mathematical Finance: Generalization and Extensions for a Large Class of
Stochastic Processes, J. de Phys. 4, 863 (1994).
[115] P. Santa-Clara and D. Sornette, The Dynamics of the Forward Interest Rate Curve with
Stochastic String Shocks, Rev. of Financial Studies 14, 149 (2001) (cond-mat/9801321).