Kleinert Chap20

Quandoquidem inter nos sanctissima divitiarum maiestas
Since the majesty of wealth is most sacred with us

Juvenal (55120), Sat. 1, 113
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
Propiedades de las Fluctuaciones de los Valores

Financieros
Sea que S(t) representa el precio de una accion o alg

un otro valor nanciero. Para
tiempos muy grandes, i.e., si la recopilacion de datos es lenta, el promedio sobre el
precio de las acciones tiene un comportamiento temporal que se puede aproximar por
partes mediante el uso de exponenciales. Esta es la razon por la cual, generalmente,
los precios de las acciones se gracan en una escala logartmica. Esto se ilustra
mejor con ayuda de la graca del ndice industrial Dow-Jones de los u
ltimos 60 a
nos
en la Fig. 20.1. Las uctuaciones del ndice tienen cierto ancho medio llamado la
volatilidad del mercado. Para tiempos grandes, la volatilidad no es constante sino
que cambia estocasticamente, como se muestra en la Fig. 20.2 [3] para el caso de los
datos del ndice S&P 500 en el intervalo de 1984-1997. En particular, por otro lado,
hay grandes cambios luego de un colapso mercantil.
En un principio, en la teora a desarrollar, ignoraremos estas uctuaciones y
supondremos que la volatilidad es constante. En la literatura se pueden encontrar
varias propuestas que intentan incluir estas uctuaciones [3][79], en la Seccion 20.4
discutiremos un modelo que ha llamado la atencion.
La volatilidad tiene aproximadamente la forma de una distribucion tipo Gama,
como se observa en la Fig. 20.3.
En General, una accion individual sera mas volatil que un ndice mercantil promedio, particularmente cuando la compa
na asociada es peque
na y solo se comercializan
algunas acciones diarias.
1507
1508
20 Integrales de Trayectoria y Mercados Financieros
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
Figure 20.2 (a) Indice S&P 500 para un perodo de 13 a

nos, desde el 1o. de Enero
de 1984 hasta el 14 de Diciembre de 1996, almacenado cada minuto y (b) volatilidad en
intervalos de 30 minutos (tomado de la Ref. [2]).
20.1.1
Aproximaci
on Arm
onica a las Fluctuaciones
En la aproximacion de menor orden, el precio de las acciones S(t) obedece una

ecuacion diferencial estocastica con crecimiento exponencial
S(t)
= rS + (t),
(20.1)
S(t)
1509
20.1 Propiedades de las Fluctuaciones de los Valores Financieros
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.
donde rS es la razon de crecimiento y (t) es una variable de ruido blanco denida

por las funciones de correlacion
h(t)i = 0,
h(t)(t )i = 2 (t t ).
(20.2)
La desviacion estandar es una medida exacta de la volatilidad del precio de las

acciones. El cuadrado de la volatilidad v 2 se conoce como la varianza.
La cantidad dS(t)/S(t) es la llamada la renta de los activos. De los datos nancieros, normalmente, la renta se obtiene para intervalos temporales nitos t
y no para intervalos innitesimales dt, esto en virtud de que los precios S(t) se
obtienen para intervalos temporales discretos tn = t0 + nt. Como ejemplo, hay
numerosas tablas de precios diarios S(tn ) al cierrre del mercado, de los cuales se obtiene la renta diaria S(tn )/S(tn ) = [S(tn+1 )S(tn )]/S(tn ). El conjunto disponible
de valores S(tn ) se conoce como la serie temporal de los precios.
Para una eleccion apropiada de las escalas temporales a ser estudiadas, la
hipotesis de un ruido blanco cumple muy bien con las uctuaciones actuales de
los precios de los bienes, como se ilustra en la Fig. 20.4.
Para el logaritmo del precio de las acciones o activos1
x(t) log S(t)
(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 ]
Figure 20.4 Espectro de fluctuacion de la raz

on de cambio DM/Dolar EUA como funcion
de la frecuencia, en unidades de 1/seg, mostrando que el ruido que regula la ecuaci
on
diferencial estoc
astica (20.1) es aproximadamente blanco (tomado de la Ref. [13]).
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
x(t) log S(t)
-1
10
Figure 20.5 Comportamiento logartmico del precio de las acciones de acuerdo a la

ecuaci
on diferencial estoc
astica dada por la relaci
on (20.3).
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)
puede tratarse en la misma forma que el desarrollo de la Ec. (18.426), utilizando la

regla nemotecnica dada por la Ec. (18.429), de acuerdo con la cual podemos hacer
la sustitucion x 2 dt hx 2 idt = 2 , y por lo tanto
"
S(t)
S(t)
#2
dt x 2 (t)dt = 2 .
(20.7)
1511
Las potencias de orden superior en dt no contribuyen a las uctuaciones Gaussianas

debido a que estas uctuaciones son de orden superior en dt. La razon es la misma
por la cual las tasas constantes rS y rx , halladas en las expresiones S(t)/S(t)

y x(t),
2
2
no aparecen en la relacion [S(t)/S(t)]

dt= x (t)dt.
En la lista del precio de las acciones, la relacion (20.5) implica que si hacemos
un ajuste mediante una lnea recta al logaritmo de los precios, cuya pendiente es rx ,
el crecimiento promedio del precio de las acciones sera
hS(t)i = S(0) erS t = S(0)herx t+
Rt
0
dt (t )
i = S(0) e(rx +
2 /2)t
(20.8)
Por supuesto, este resultado es una consecuencia directa de la Ec. (18.425).

La descripcion del logaritmo del precio de las acciones mediante uctuaciones
Gaussianas alrededor de una lnea es solo una aproximacion burda al precio real de
las acciones. La volatilidad depende del tiempo. Observandola a intervalos temporales peque
nos, por ejemplo cada minuto o cada hora, la volatilidad tiene una
distribucion en la cual los eventos frecuentes muestran una distribucion exponencial
[ver la Subseccion 20.1.6]. Por otro lado, los eventos excepcionales muestran una
probabilidad mucho mayor que la obtenida mediante una distribucion Gaussiana.
La distribucion de probabilidad observada tiene un decreciento abrupto comparado
con el decrecimiento suave de las distribuciones Gaussianas. Este fenomeno fue observado por primera vez por Pareto en el siglo XIX [18], retomado por Mandelbrot
en los a
nos 1960s [19] y estudiado recientemente por varios autores [20, 22]. La
teora necesita un renamiento considerable. Como una generalizacion intermedia,
ademas de los decrecimientos abruptos en terminos de alguna potencia, introduciremos los llamados decrecimientos semi-abruptos, los cuales decrecen mas rapido que
a
nos de a > 0 y
toda potencia tal como ex xb , para valores arbitrariamente peque
para todo b > 0. Veremos mas tarde, en la Seccion 20.4, que los decrecimientos
semi-abruptos de la distribucion nanciera pueden verse como una consecuencia de
las uctuaciones Gaussianas con uctuaciones en las volatilidades. Antes de esto
debemos ajustar los datos fenomenologicamente utilizando varias distribuciones no
Gaussianas y explorar las consecuencias.
20.1.2
Distribuciones de L
evy
Siguiendo a Pareto y Mandelbrot podemos intentar ajustar las distribuciones del

cambio de los precios Sn = S(tn+1 ) S(tn ), la renta Sn /S(tn ) y el logaritmo de
la renta xn = x(tn+1 ) x(tn ) para un cierto intervalo temporal t = tn+1 tn en
forma aproximada y con ayuda de las distribuciones de Levy [19, 22, 23, 24]. Por
brevedad, a partir de este momento, para representar cualquiera de las diferencias
anteriores usaremos la variable generica z. Las distribuciones de Levy se denen
mediante la transformada de Fourier
2 (z)
L
dp ipz
e L2 (p),
2
(20.9)
1512
donde
h
L2 (p) exp ( 2 p2 )/2 /2 .
(20.10)
Para una distribucion arbitraria D(z),

la descomposicion de Fourier tendra la forma
D(z)
=
dp ipz
e D(p)
2
(20.11)
donde las componentes de Fourier D(p), tendran la forma exponencial

D(p) eH(p) ,
(20.12)
aqu H(p) tiene un signicado similar al Hamiltoniano de las intregrales de trayec

toria de la estadstica cuantica. Por analoga denimos tambien H(z)
tal que
D(z)
= eH(z) .
(20.13)
Una denicion equivalente del Hamiltoniano es
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)
Para las distribuciones de Levy dadas en la Ec. (20.9), el Hamiltoniano es

1
H(p) = ( 2 p2 )/2 .
2
(20.15)
La distribucion Gaussiana se recobrara en el lmite 2 donde el Hamiltoniano

sera igual a 2 p2 /2.
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)
El desarrollo de Taylor de la transformada de Fourier de la Ec. (20.10) dara la serie

asintotica
2 (z) =
L
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
Para nes practicos esta serie no es u

til, puesto que diverge. En particular, se
encuentra que la serie no puede reproducir la distribucion Gaussiana en el lmite
2.
Hay tambien una distribucion asimetrica de Levy cuyo Hamiltoniano es
1
H,, (p) = |p| [1 i(p)F, (p)],
2
(20.21)
donde (p) es la funcion escalon denida en la Ec. (1.316), tambien

F, (p) =
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
Matematicamente una propiedad no deseable de las distribuciones de Levy es que

el ancho de las uctuaciones diverge para valores donde < 2, esto se debe al hecho
de que el segundo momento
2
= hz i
dz z
2 (z)
L

d2

= 2 L2 (p)

dp
p=0

(20.23)
es innito. Si deseamos describir datos que muestran un decrecimiento abrupto para

valores grandes del logaritmo de la renta pero que tienen un ancho nito, debemos
hacer que el comportamiento de estos datos sea al menos el de un decrecimiento
cuasi abrupto para valores grandes del logaritmo de la renta. Ejemplos de esto son
las llamadas distribuciones truncadas de Levy [22]. Las cuales se denen como
(,)
L
2 (z)
dp ipz (,)
e L2 (p) =
2
dp ipzH(p)
e
,
2
(20.24)
donde el Hamiltoniano, que generaliza al Hamiltoniano de Levy dado en la

Ec. (20.15), sera
i
2 2 h
( + ip) + ( ip) 2
2 (1 )
(2 + p2 )/2 cos[ arctan(p/)]
= 2
.
2 (1 )
H(p)
(20.25)
El comportamiento asintotico de la distribucion truncada de Levy diere de la

ley de potencias de la distribucion de Levy, dada en la Ec. (20.17), por el factor
exponencial ez , el cual garantiza que tanto el ancho como todos los momentos
son nitos. Una estimacion burda de los terminos principales se obtiene nuevamente
de la transformada de Fourier del termino de menor orden del desarrollo de la funcion
exponencial eH(p) :
(,)
L
2 (z)
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)
La integral se obtiene directamente de las formulas [25]

Z
dp ipz
(z) ez
e ( + ip) =
,
2
() z 1+
dp ipz
(z) e|z|
e ( ip) =
,(20.28)
2
() |z|1+
1515
y de la identidad de la funcion Gama2

1
= (1 + z) sin(z)/.
(z)
(20.29)
El desarrollo completo se integra con ayuda de la formula [26]

Z
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)
donde las funciones de Whittaker W()/2,(1++)/2 (2z) se pueden expresar en

terminos de la funcion hipergeometrica conuente de Kummer 1 F1 (a; b; x), dada
en la Ec. (9.45), en la forma
(2)
x+1/2 ex/2 1 F1 (1/2 + ; 2 + 1; x)
(1/2 )
(2)
x+1/2 ex/2 1 F1 (1/2 ; 2 + 1; x),
+
(1/2 + )
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|).
()
Para el caso = 1, donde K1/2 (x) = K1/2 (x) =

reduce a la expresion
Z
2
(20.34)
dp ipz
1 |z|
1
e
=
e
.
2
2
2
+p
2
M. Abramowitz and I. Stegun, op. cit., ver la Formula 6.1.17.
/2xex , este resultado se
(20.35)
1516
Sumando sobre todos los terminos en el desarrollo de la funcion exponencial eH(p) :

2s
(,)
L
2 (z) e
in
X
dp
(s)n h
eipz (20.36)
1+
( + ip) + ( ip)
2
n!
n=1
obtenemos el verdadero comportamiento asintotico

(,)
L
2 (z)
(22 )s
sin() e|z|
s 1+ ,
(1 + )
|z|
(20.37)
el cual diere de la estimacion hallada en la Ec. (20.26) por un factor constante

(para mayores detalles ver el Apendice 20A) [28]. As los decrecimientos son semiabruptos.
Contrario a las distribuciones Gaussianas, las cuales estan completamente
denidas por el ancho , las distribuciones truncadas de Levy contienen tres
parametros , y . El ajuste optimo a las uctuaciones de dos conjuntos de
precios del mercado se muestran en la Fig. 20.7. Para el ndice S&P 500 gracamos
las distribuciones acumulativas
P< (z) =
(,)
2 (z ),
dz L
P> (z) =
(,)
2 (z ) = 1 P< (z), (20.38)

dz L
de la diferencia de precios z = S, donde los intervalos temporales son para t = 15

minutos. Para la relacion de canje de la divisa DM/$, gracamos la renta z = S/S
para el mismo t. La graca muestra las ramas negativas y positivas P< (z) y
P> (z), ambas gracadas para valores positivos del eje z. Por denicion:
P< () = 0, P< (0) = 1/2, P< () = 1,
P> () = 1, P> (0) = 1/2, P> () = 0.
(20.39)
Los ajustes se comparan tambien con otras distribuciones, como se explica en el

pie de gura. Un ajuste a la mayora de datos se puede obtener con un parametro
universal, aproximadamente igual a = 3/2. Los otros dos parametros denen
todos los coecientes del desarrollo del Hamiltoniano de la Ec. (20.25):
1
1
1
1
H(p) = c2 p2 c4 p4 + c6 p6 c8 p8 + . . . .
2
4!
6!
8!
(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)
<
<
Figure 20.7 Ajuste

optimo a la versi
on acumulativa dada por la Ec. (20.38) usando la
distribucion truncada de Levy a los datos financieros. Para el ndice S&P 500, la variable
de la fluctuacion z es directamente el ndice de cambio S, para intervalos t=15 minutos
(en el ajuste se han usado los valores 2 = 0.280 y = 12.7). Para la relaci
on de canje
DM/Dolar EUA, la variable z es igual a 100S/S cada quince minutos (en el ajuste se
han usado los valores 2 = 0.0163 y = 20.5). Las fluctuaciones negativas est
an sobre
una curva ligeramente m
as alta que las fluctuaciones positivas. A menudo se ignora la
diferencia. Los par
ametros A y representan el tama
no y la truncacion de la distribucion.
El valor optimo de es 3/2 (tomado de la Ref. [13]). Las curvas a trazos cortos muestran
el ajuste optimo, obtenido usando las funciones hiperb
olicas generalizadas dadas en la
Ec. (20.117) (lado izquierdo = 1.46, = 4.93, = 0, = 0.52; lado derecho = 1.59,
= 32.1, = 0, = 0.221).
El primer cumulante c2 determina el ancho de la uctuacion cuadratica

hz 2 i
dz
(,)
z2 L
2 (z)

d2

= 2 eH(p)
= c2 = 2 ,

dp
p=0

(20.42)
el segundo, el valor esperado de la cuarta potencia de z

4
hz i
y as sucesivamente:
dz z
(,)
L
2 (z)

d4

= c4 + 3c22 ,
= 4 eH(p)

dp
p=0

(20.43)
hz 6 i = c6 + 15c4 c2 + 15c32 , hz 8 i = c8 + 28c6 c2 + 35c24 + 210c4 c22 + 105c42, . . . . (20.44)

En un primer analisis de los datos determinamos, generalmente, la llamada kurtosis,
la cual es el cumulante normalizado de cuarto orden
c4
hz 4 ic
hz 4 ic
c4 2 = 2 2 = 4 .
(20.45)
c2
hz ic
1518
La kurtosis depende de los parametros , y en la forma

=
(2 )(3 )
.
2 2
(20.46)
Dada la volatilidad y la kurtosis , obtenemos el parametro de Levy de la

relacion
1
=
(2 )(3 )
.
(20.47)
En terminos de y , los coecientes normalizados del desarrollo son
,
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
(7 )(6 )(5 )(4 )

,
(3 )2 (2 )2
(n )/(4 )
.
(3 )n/22 (2 )n/22
(20.48)
Para = 3/2, la Ec. (20.47) sera

1
=
2
3
,
2
(20.49)
y los coecientes de las relaciones (20.48) seran:

c4 = ,
..
.
cn =
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)
En la practica, los cumulantes de orden superior no se pueden obtener de los datos

nancieros ya que estos son sensitivos a eventos extremadamente extra
nos, para los
cuales la estadstica no es suciente para hallar una funcion de distribucion.
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)
donde el Hamiltoniano tiene la forma

i
2 2 h
( + ip) (1 + ) + ( ip) (1 ) 2
2 (1 )
(2 + p2 )/2 {cos[ arctan(p/)] + i sin[ arctan(p/)]}
= 2
. (20.53)
2 (1 )
H(p)
Este Hamiltoniano tiene el siguiente desarrollo en serie

1
1
1
1
H(p) = ic1 p + c2 p2 i c3 p3 c4 p4 + i c5 p5 + . . . .
2
3!
4!
5!
(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)
Las relaciones inversas son

c1 = hzic = hzi,
c2 = hz 2 ic = hz 2 i hzi2 = h(z hzic )i2 ,
c3 = hz 3 ic = hz 3 i 3hzihz 2 i + 2hzi3 = h(z hzic )i3 ,
c4 = hz 4 ic = hz 4 i 3hz 2 i2 4hzihz 3 i + 12hzi2 hz 2 i 6hzi4
= h(z hzic )i4 3hz 2 hzi2c i2 = h(z hzic )i4 3c22 .
(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)
El ancho de la uctuacion esta dado por

2 hz 2 i hzi2 = h(z hzi)2 i = c2 .
(20.59)
Para valores grandes de z, las distribuciones asimetrcas truncadas de Levy tienen

un decrecimiento semi-abrupto, el cual se puede obtener mediante una modicacion
directa de la Ec. (20.28):
(,)
L
2 (z)
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 + )
Al analizar los datos utilizamos la distorsion

s
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.
La cual depende de los parametros , , y o en la siguiente forma

s=
(2 )
.
(20.62)
La kurtosis tambien se puede denir como [comparemos con la Ec. (20.45)]3

hz 4 ic
hz 4 ic
h(z hzi)4 i
c4
3.
c4 2 = 2 2 = 4 =
c2
hz ic
(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)
El Hamiltoniano asociado con esta distribucion, cuyo promedio es cero, sera
H(p)
H(p) H (0)p,
(20.65)
y su desarrollo en terminos de potencias de los momenta tiene a p2 como termino

principal, i.e. el primer termino en la Ec. (20.54) se elimina.
En terminos de , s y , los coecientes normalizados del desarrollo seran
cn =
3
n/21
1
(n )/(4 )
para
q
(3 )n/22 (2 )n/22
(3 )/(2 ) s
n = par,
(20.66)
n = impar.
Algunos autores llaman a la raz

on h(z hzi)i4 / 4 , dada por la Ec. (20.63), la kurtosis y la
cantidad se define como el exceso en la kurtosis. Para estos autores la kurtosis es igual a 3 para
el caso de la distribuci
on Gaussiana, en nuestro caso sera cero.
1522
En la Fig. 20.9 se muestra el cambio de forma de las distribuciones con ancho

y kurtosis jos y con incremento en la distorsion. En la graca mostramos las
distribuciones centradas alrededor de la posicion promedio z = hc1 i, lo cual signica
que hemos eliminado el termino lineal ic1 p del Hamiltoniano H(p) en las Ecs. (20.52),
(20.53) y (20.54). Este Hamiltoniano sustraido, cuya serie de potencias tiene a c2 p2 /2
como el termino principal, sera denotado por
1
1
1
1
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
A partir del Hamiltoniano

H+ (p) = log (1 ip/)
(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)
la cual esta restringida a valores positivos de la variable z.

P
n
n n
Desarrollando H+ (p) en la serie de potencias
p /n
n=1 i
P n
n
n=1 i cn p /n!, identicamos los cumulantes
cn = (n 1)! /n ,
(20.70)
de tal forma que los momentos de menor orden son
z = /, 2 = /2 , s = 2/ ,
= 6/.
(20.71)
El maximo de la distribucion estara ligeramente por debajo del valor promedio z,

en el valor
zmax = ( 1)/ = z 1/.
(20.72)
La distribucion Gama se mostro en la Fig. 20.3, donde hallamos el ajuste optimo

a las uctuaciones
de la volatilidad, donde la graca representa la distribucion de la
volatilidad = z:
Chi () 2 D
Gama ( 2 ) ,
D
,
,
Chi () = 1.
d D
,
(20.73)
Si normalizamos en funcion de la volatilidad y no de la varianza v = 2 , llamamos

a esta funcion la distribucion Chi .
En el lmite , usando valores jos de z = /, la distribucion Gama sera
un funcion de Dirac:
Gama (z) z
D
,
(20.74)
1523
Si agregamos a H+ (p) el Hamiltoniano

H (p) = log(1 + ip/)
(20.75)
obtenemos la distribucion de valores negativos de z:

Gama (z) =
D
,
1 1 |z|
|z| e
,
()
z 0.
(20.76)
La combinacion de los Hamiltonianos para diferentes parametros , nos permite

construir una distribucion distorsionada a ambos lados.
20.1.6
Distribuci
on de Boltzmann
El rendimiento de maxima frecuencia S de los ndices NASDAQ 100 y S&P 500

tienen una propiedad especial: muestran un comportamiento puramente exponencial
tanto para valores positivos como negativos de z, siempre que la probabilidad sea
muy grande [32]. Los datos se ajustan mediante la distribucion de Boltzmann
S&P500 2004-05 (1min)
NASDAQ100 2001-02 (1min)
-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 %
Figure 20.10 Distribucion de Boltzmann del logaritmo de la renta de alta frecuencia de

los ndices S&P 500 y NASDAQ 100 almacenados por minuto.
1 |z|/T
B(z)
=
e
.
2T
(20.77)
Podemos ver en la Fig. 20.10 que solo un conjunto muy peque

no de eventos extra
nos
para valores grandes de |z| no obedecen la ley de Boltzmann, pero tienen un decrecimiento abrupto. Este resultado nos permite asignar una temperatura nanciera a las
acciones del mercado [33]. La temperatura depende de la volatilidad de las acciones
seleccionadas y cambia solo ligeramente como funcion del ambiente economico y
poltico. En una crisis nanciera la tempertarura tiene un valor maximo, como se
muestra en la Fig. 20.11.
Es interesante observar el desarrollo historico de la temperatura nanciera de
Dow Jones en los u
ltimos 78 a
nos, mostrado en la Fig. 20.12. Aunque en el siglo XX
el interes mundial estaba en gran confusion y haba un gran desarrollo economico, la
1524
temperatura nanciera permanecio casi constante excepto por peque

nas variaciones.
Las temperaturas mas altas se observaron en los a
nos 1930s, durante la gran depresion. Estas temperaturas no se han alcanzado nuevamente. Una variacion especial se observo durante el colapso nanciero de 1987. As, en el graco logartmico,
la temperatura nanciera no esta relacionada con el valor del ndice sino que indica
el riesgo del mercado. Solo en burbujas nancieras, las altas temperaturas van junto
con alzas en el precio de las acciones. Antes de una crisis, un aumento extraordinario en la temperatura nanciera puede ser una se
nal de alerta muy u
til para los
inversionistas.
La transformada de Fourier de la distribucion de Boltzmann es
Z
1
1
= eH(p) ,
(20.78)
B(p) =
dz eipz e|z|/T =
2
2T
1 + (T p)
donde identicamos el Hamiltoniano como

H(p) = log[1 + (T p)2 ].
(20.79)
El cual solo tiene cumulantes pares:

c2n = (1)n H (2n) (0) = 2(2n 1)! T 2n ,
n = 1, 2, . . . .
(20.80)
La distribucion de Boltzmann es un caso especial de la distribucion Gama de

doble lado, discutida en la seccion anterior. Esta distribucion tiene dos decrecimientos semi-abruptos.
Observemos ahora que la transformada de Fourier se puede reescribir como una
integral [recordemos la Ec. (2.499)]
Z
1
2 2
H(p)
B(p) = e
=
=
d e (1+T p ) .
(20.81)
2
1 + (T p)
0
Indice S&P500: 1990-2006
1500 Index
Index
4000
1000
2000
500
0
1990
Indice NASDAQ100: 1990-2006
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
Indice Dow Jones: 19292006
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
Figure 20.12 Indice Dow Jones en los u

ltimos 78 a
nos (1929-2006) y temperatura anual
del mercado financiero, misma que resulta ser muy uniforme, excepto en los a
nos 1930s,
en el inicio de la gran depresion. Otro aumento de la temperatura se observ
o en la crisis
financiera de 1987.
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
Recientemente se ha hecho muy popular otra distribucion no Gaussiana, la cual se

debe a Tsallis [58, 59, 60]. Hace tiempo Praetz [61] y Blattberg y Gonedes [62]
propusieron que la llamada distribucion Student es una buena opcion que puede
ayudar a describir los decrecimientos abruptos. La distribucion tiene la forma
(z) = N q 1 ez
D
22
2 /2 2
donde N es un factor de normalizacion
(1/)
,
N =
(1/ 1/2)
(20.84)
(20.85)
K 1 3/2 y es la volatilidad de la distribucion. La funcion e (z) es una

aproximacion a la funcion exponencial llamada exponencial :
ez (1 z)1/ .
(20.86)
En el lmite 0, esta funcion se reduce la funcion exponencial ordinaria ez .

Puede observarse que el reparto de una cierta cantidad W de dinero entre N
personas con igual capacidad de poder adquisitivo se obtiene de esta distribucion.
Aqu, las funciones de particion estan dadas por
ZN (W ) =
"
N Z
Y
n=1 0
dwn (w1 +. . .+wN W ).
(20.87)
Luego de reescribir este resultado como

ZN (W ) =
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)
donde (z) es la funcion de Heaviside dada en la Ec. (1.304), de donde obtenemos

1
W N 1 NX
N
k
ZN (W ) =
(N k 1)N 1
(1)
(N) k=0
N k
4
Ver la Formula 3.382.7 en I.S. Gradshteyn and I.M. Ryzhik, op. cit..
(20.90)
1527
De la conocida identidad de los coecientes binomiales5 , obtenemos que la suma

sobre los coecientes binomiales es igual a la unidad, de tal forma que
ZN (W ) =
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)
Si denimos w W/(N 2), la cual para valores grandes de N es la riqueza

promedio por persona, PN (wn ) se puede expresar en terminos de la exponencial ,
denida en la Ec. (20.86), como
"
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)
Luego de un cambio apropiado de variables, podemos reescribir

z 2 /22
1/
(1/)
dv 1/ v vz 2 /2
v e e
,
v
= 2 /.
2
(20.95)
Este resultado es una superposicion de funciones Gaussianas evz /2 , cuyas varianzas

inversas v = 1/ 2 tienen como funcion de peso la distribucion Gama de la variable
v, donde = 1/:
1
Gama (v) =
D
1/ v ev .
(20.96)
,1/
(1/)
5
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
Figure 20.13 Izquierda: Gr

afico logartmico de la exponencial normalizada dada en
la Ec. (20.84) (distribuci
on Student-Tsallis) para = 0 (Gaussiana), 0.2, 0.4, 0.6, para
todo = 1. Derecha: Ajuste del logartmico de la renta de las acciones 20 NYSE para
escalas temporales de 1 a 3 minutos de la distribucion (tomado de la Ref. [60]). La lnea
punteada representa la distribuci
on Gaussiana.
20.1.8
Distribuci
on de Tsallis en el Espacio del Momentum
Cuando hicimos el ajuste de la volatilidad para las distribuciones de los ndices

S&P 500 en la Fig. 20.3, observamos que el ajuste optimo se obtuvo mediante una
distribucion Gama. Siguiendo la discusion de la u
ltima seccion, observamos que en
el espacio del momentum la exponencial dada en la Ec. (20.86) es
p2 /2
eH, (p) e
= 1 + p2 /2
1/
(20.97)
misma que tiene la descomposicion de una distribucion Gama. En analoga con la

Ec. (20.94), reescribimos la expresion en la forma
p2 /2
e
1 Z ds 1/ s s p2 /2
s e e
,
=
(1/) 0 s
/ = 1/,
(20.98)
y cambiamos las variables de integracion para obtener

p2 /2
e
=
()
dv v vp2 /2
v e e
,
v
= 1/, = / = 1/.
(20.99)
Este resultado es una superposicion de distribuciones Gaussianas cuyas varianzas,

v = 2 , estan pesadas por la distribucion Gama dada en la Ec. (20.69):
p2 /2
e
Gama
dv D,
(v)evp
2 /2
= 1/, = / = 1/.
(20.100)
El promedio de la distribucion Gama es v = / = [recordemos la Ec. (20.71)],
v p2 /2
de tal forma que el lado izquierdo se puede escribir como e
.
1529
Los cumulantes de menor orden en el Hamiltoniano H, (p) = 2!1 c2 p2 4!1 c4 p4 +

. . . son

7!!
5!!
c2 = , c4 = 3 2 , c6 = 3 2+3 2 2 3 , c8 = 3 2+ 3 2 + 3 +nu4 .(20.101)
Para el caso donde = 1/2T 2 y = 1, estos cumulantes se reducen a la distribucion

de Boltzmann dada en la Ec. (20.80).
La superposicion dada en la Ec. (20.99) tiene la siguiente transformada de Fourier
, (z) =
D
1/
(1/)
dv 1/ v 1
2
v e
ez /2v ,
v
2v
= 1/.
(20.102)
la cual es una superposicion de Gaussianas cuyas varianzas, v = 2 , tienen la forma

de la distribucion Gama dada en la Ec. (20.69) centrada alrededor de v = 1/ y con
v 2 . Recordando
ancho (v v)2 = 1/2. As esta dada por la razon = (v v)2 /
la Ec. (20.71), podemos ver que determina la kurtosis de la distribucion, la cual
sera = 6.
En la Ec. (20.102), la integral sobre v se puede hallar utilizando la Formula
(2.559), de donde obtenemos
!
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
con funcion de peso

(v)
/2v
e
.
2v 3
(20.106)
1530
Este es un caso especial de la distribucion de Weibull

W (x) =
D
b
b
xa1 ex ,
(a/b)
(20.107)
la cual tiene los momentos

hxn i = ((a + n)/b)/(a/b).
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)
Estas distribuciones tienen el mismo comportamiento de decrecimiento semi-abrupto que el

mostrado por las distribuciones truncadas de Levy
(z) C |z| e |z|
M
para z ,
(20.111)
e2d tan(b/2) , = 2d 1, ( b)/a.
(20.112)
donde
2d
C =
[2 cos(b/2)]
2a(2d)
2
a2d1
Los momentos son

= ad tan(b/2),
2 = a2 d/2 cos2 (b/2), s =
2 sin(b/2)/ d, = [2 cos b]/d, (20.113)
de tal forma que, de los momentos podemos calcular los par

ametros en la siguiente forma:

a2 = 2 2 3s2 ,
d=
1
,
s2
p

b = 2 arcsin s d/2 .
(20.114)
Como un ejemplo de un conjunto de par

ametros de la distribuci
on, encontramos que utilizando
el conjunto de valores
a = 0.029828, b = 0.12716, d = 0.57295, hzi = 0.0011243.
(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
22d12 (d) [1 d(d)]

,
a2 (2d)
22d2 (d)(d)
,
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/
Figure 20.14 Comparacion del ajuste optimo de la distribucion de Meixner con la

distribucion truncada de Levy. Una de ellas (curva en trazos cortos) tiene la misma
volatilidad y kurtosis . La otra (curva en trazos largos) tiene la misma ordenada y
curvatura al origen. Los par
ametros son 2 = 0.280 y = 12.7, como en el cumulativo
del lado izquierdo de la Fig. 20.7. La distribucion de Meixner con el mismo 2 y tiene
los par
ametros a = 2.666, d = 0.079 y b = 0, los par
ametros de las distribuciones con el
mismo valor y curvatura al origen son a = 0.6145, d = 1.059 y b = 0. Sin embargo, el
intervalo de valores muy grandes de no se puede ajustar muy bien, como puede verse en
las distribuciones cumulativas para valores de z del orden de 10 graficadas en la Fig. 20.7.
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)
A diferencia de la primera distribuci

on, este conjunto de funciones no es cerrado como funci
on de la
evoluci
on temporal. Las distribuciones para un tiempo posterior t se obtienen de la transformada
de Fourier de la funci
on eH(p)t . Para la distribuci
on truncada de Levy y la distribuci
on Meixner
el factor t se puede absorver en los par
ametros de las funciones ( 2 t 2 en el primer caso y
d td en el segundo). Para las distribuciones hiperb
olicas generalizadas, esto ya no es valido, ya
que la funci
on eHG (p)t = [G(p)]t incluye potencias de orden superior de las funciones de Bessel,
para las cuales no se puede hallar analticamente la transformada de Fourier. Por lo tanto, para
describir la evoluci
on temporal completa debemos cerrar el conjunto de funciones agregando todas
las transformadas de Fourier de la funci
on eHG (p)t . En la practica, esto no es un problema serio,
simplemente nos encontramos que al calcular la transformada numerica de Fourier los c
alculos
numericos son muy lentos.
El comportamiento asint
otico de las funciones hiperb
olicas generalizadas tiene un decrecimiento
semi-abrupto.
Del
comportamiento
para
valores
grandes
de z de la funci
on de Bessel K (z)
p
/2zez , obtenemos
G (z)
H
/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)
Utilizando la identidad [50]

K+1 (z) K1 (z) =
6
Ver las Refs. [36][74].
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)
En general, la asimetra de la distribuci

on es mnima, lo cual implica que los valores de c1 son
peque
nos y a la vez obtenemos que tambien es peque
na. Por lo tanto, resulta muy u
til introducir
la varianza simetrica
s2 2 /,
(20.126)
con lo cual tendremos

c1 = s ,
c2 = 2 = s2 + 2

2
4
2
+
2
(1
+
)
s
s .
2
2
(20.127)
Los cumulantes c3 y c4 se pueden escribir en forma mas compacta en la forma

4

3
2 2
4
c3 =
+ 6 (1 + ) 2 s 3s
2

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 4 (2+) (3 + ) 2 6 + 4 (1+) (2+) (3 + ) 2 (5 + 4) 2 6 s2

4
2

2 (1 + ) (11 + 7) 2 2 4 s4 + 12 (1 + ) 2 s6 3s8 .
(20.129)
El primer termino del cumulante c4 es igual al producto de s4 por la kurtosis de la distribuci

on
simetrica
s
3 4
6 2
+ 2 2 (1 + ) 3.
2
4
s
s
(20.130)
Sustituyendo el valor de s2 hallado en la Ec. (20.126), obtenemos

6
3
+ (1 + )
3.
(20.131)
s 2
r ()
r()
Dado que para
p todas las funciones K (z) de Bessel el comportamiento para valores grandes de z
nos de z sera K (z)
es K (z) /2zez , mientras que el comportamiento para valores peque
()/2(z/2) , para = 0 la kurtosis tendra el valor inicial de 3/ y disminuye mon
otamente a
0 para . De esta forma, un valor alto para la kurtosis se puede obtener solo con un valor
peque
no del par
ametro .
4
El primer termino en el
c4
cumulante c3 es s s y los primeros dos terminos en el cumulante
4
4
on simetrica con una cierta varianza s2 y kurtosis
son s s + 6 c3 / s s . Para una distribuci
s utilizamos el par
ametro < 3/s , mientras que de la solucion de la Ec. (20.131) hallamos el
valor de . El resultado lo sutituimos en la Ec. (20.126) para hallar
s2
.
(20.132)
2 =
()
1534
Si los valores de la kurtosis son grandes, entonces esta no es un buen par

ametro para determinar la
distribuci
on hiperb
olica generalizada. Obtendremos un mejor ajuste reproduciendo correctamente
el tama
no y forma de la distribuci
on cerca del maximo y permitiendo algunas desviaciones de los
decrecimientos de la distribuci
on, de los cuales depende sensitivamente la kurtosis.
Para distribuciones que son solo ligeramente asimetricas, lo cual resulta ser normalmente el
caso, basta con resolver las ecuaciones asimetricas anteriores y determinar aproximadamente el
valor del par
ametro , usando para ello la distorsion s = c3 / 3 , de la primer lnea de la Ec. (20.128)
tenemos
s
.
s s
(20.133)
Esta aproximacion puede mejorarse interativamente reintroduciendo en la segunda ecuaci

on de
la relacion (20.127) para determinar, de la varianza 2 de los datos, un valor mejor de s2 . Luego,
con la Ec. (20.129) y con la kurtosis de los datos, determinamos un mejor valor para s , y as
de manera sucesiva.
Para el ajuste
optimo cerca del origen, donde las probabilidades son grandes, utilizamos las
derivadas
G(0) =
G (0) =
G (0) =
G(3) (0) =
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)
donde hemos usado la abreviatura

1 K1/2 ()
.
k
2 K ()
(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
Factor de Debye-Waller para Fluctuaciones

No Gaussianas
Al nal de la Seccion 3.10 calculamos el valor esperado de la funcion exponencial

heP z i de una variable Gaussiana, la cual nos permite hallar el factor de DebyeWaller de la dispersion de Bragg (3.311). Este factor fue introducido en la fsca
del estado solido para describir la intensidad de los picos de Bragg obtenidos de
las uctuaciones termicas de las posiciones atomicas. El factor se obtiene de la
representacion de Fourier
heP z i
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
Hay una generalizacion simple de esta relacion a las distribuciones no Gaussianas,

la cual tiene la forma
heP z i
20.1.13
dz
dp H(p) ipz+P z
e
e
= eH(iP ) .
2
(20.139)
Integral de Trayectoria para una Distribuci

on
No Gaussiana
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)
donde la variable de ruido (t) obedece una funcion de distribucion arbitraria. En

la Ec. (20.140), la constante de deriva rx esta denida de manera u
nica solamente si
el promedio de la variable de ruido es cero: h(t)i = 0. Las distribuciones generales
discutidas anteriormente pueden tener un promedio distinto de cero hxi = c1 , el
cual tendra que sustraerse de (t) para obtener rx . La discusion subsecuente sera
mas simple si imaginamos que en las distribuciones anteriores rx sustituye a c1 , i.e.,
si la serie de potencias del Hamiltoniano dado en la Ec. (20.54) se reescribe en la
siguiente forma:
+ 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)
Teniendo en mente el posterior reemplazo dado por la Ec. (20.142), la distribucion

de probabilidad de los puntos extremos xb = x(tb ) para las trayectorias que inician
en un cierto punto xa = x(ta ) esta dada por una integral de trayectoria de la forma
vista en la Ec. (18.342):
P (xb tb |xa ta ) =
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
Por ejemplo, para la distribucion truncada de Levy, de la Ec. (20.24) H()

estara
(,)
2 () o para la distribucion de Boltzmann, de la Ec. (20.77) sera
dado por log L
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
de la distribucion de probabilidad dada en la Ec. (20.144), se conoce como la norma

del proceso x(t)
= (t). La integral de trayectoria

Z
x(tb )=xb
x(ta )=xa
Dx [x ]
(20.147)
es llamada el filtro, el cual determina la distribucion de xb al tiempo tb para todas

las trayectorias x(t) que inician en xa al tiempo ta .
Una norma que diere por la dada en la Ec. (20.146) solo por el termino de
deriva
Rt
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)
es llamado la derivada de Radon-Nikodym. Para un ruido Gaussiano, tendremos

R tb
D /D = e
ta
[r(t)r2 t/2] .
(20.150)
Si deseamos calcular el valor esperado de una funcion arbitraria f (x(t)), tenemos

que hallar la separacion del ltro en el producto
"Z
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 =
dx P (xbtb |x t)f (x)P (x t|xa ta ).
(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
y hacemos notar que las funciones de correlacion pueden obtenerse de la derivadas

funcionales
h(t1 ) (tn )i = (i)
"
Rt
Rt
Dp
b dt H(p(t))
i b dt p(t)(t)
.
e ta
e ta
2 p(t1 )
p(tn )
Luego de n integraciones parciales, obtenemos

Rt
Dp i Rttb dt p(t)(t)
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
h(t1 )(t2 )(t3 )i Z 1
tb
ta
dt H((t))
= 0,
D (t1 )(t2 ) exp
= c2 (t1 t2 ) + c21 ,
Z
tb
ta
dt H((t))
D (t1 )(t2 )(t3 ) exp
tb
ta
h(t1 )(t2 )(t3 )(t4 )i Z

=
+
+
+
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))
c4 (t1 t2 )(t1 t3 )(t1 t4 )

c3 c1 [(t1 t2 )(t1 t3 ) + 3 permutaciones cclicas]
c22 [(t1 t2 )(t3 t4 )+(t1 t3 )(t2 t4 )+(t1 t4 )(t2 t3 )]
c2 c21 [(t1 t2 ) + 5 terminos pares] + c41 ,
(20.158)
donde
Z
D exp
tb
ta
dt H((t))
.
(20.159)
Las funciones de correlacion de orden superior son una generalizacion obvia de la

Ec. (20.44). Las diferentes contribuciones del lado derecho de las Ecs. (20.156)
(20.158) se distinguen por su estructura de interrelacion.
Notese que el termino proporcional a c3 en la funcion de correlacion de tres
puntos dada en la Ec. (20.158) y los terminos proporcionales a c3 y c4 en la funcion
de correlacion de cuatro puntos de la Ec. (20.158), no obedecen la regla de Wick
dada en la Ec. (3.305) ya que contienen contribuciones que provienen de los terminos
no Gaussianos ic3 p3 /3! c4 p4 /4! del Hamiltoniano de la Ec. (20.141).
1538
20.1.14
Evoluci
on Temporal de la Distribuci
on
La funcional en la Ec. (20.144) puede representarse por una integral de Fourier,

lo cual conduce a la integral de trayectoria
Z
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
La integracion sobre la variable de ruido (t) implica hallar la transformada inversa

de Fourier de la forma dada por la Ec. (20.24) para cada instante temporal. De
donde obtenemos
P (xb tb |xa 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)
Dada una distribucion de ruido arbitraria D(z),

obtenida de los datos nancieros
para una cierta frecuencia 1/t, identicamos el Hamiltoniano H(p) de la representacion de Fourier
Z
dp ikzH(p)
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)
Obtenemos entonces una distribucion truncada de Levy con ancho creciente. El

resultado para otras distribuciones es analogo.
Dado que la distribucion de la Ec. (20.162) depende solo de t = tb ta y x =
xb xa , podemos reescribirla brevemente usando la forma
P (x, t) =
20.1.15
dp
exp [ipx tH(p)] .
2
(20.165)
Teorema del Lmite Central
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
teorema se demuestra facilmente. Notemos simplemente que luego de un n

umero
entero t de convoluciones, la distribucion de probabilidad D(z), cuyo Hamiltoniano

es H(p), tendra las componentes de Fourier [D(p)]t = etH(p) , de tal manera que la
distribucion de probabilidad estara dada por
t) =
D(z,
dp ipz tH(p)
e e
.
2
(20.166)
Para valores grandes de t, la integral puede evaluarse en la aproximacion del punto

de inexion hallada en la Ec. (4.51). El momentum que extremiza la distribucion
lo denotamos por pz , el cual estara determinado implcitamente por tH (pz ) = iz, y
usando la notacion 2 = H (pz ) obtenemos la distribucion Gaussiana
t)
D(z,
t grande
eipz ztH(pz )
e
2 p2 /2tH(p )
z
z
2 2
dp i(ppz )zt2 (ppz )2 /2 eipz ztH(pz ) z 2 /2t2

e
=
e
2
2 2
e(zt
2p
2
2
z ) /2t
(20.167)
El mismo procedimiento se puede aplicar a la integral dada en la Ec. (20.165).

En la Fig. 20.15 se muestra la transicion de una distribucion de Boltzmann a
una Gaussiana para el ndice S&P 500.
Si una distribucion tiene un decrecimiento abrupto |z|1 , donde < 2,
de tal forma que la volatilidad es innita, el primer termino del Hamiltoniano,
para valores peque
nos de p, sera de la forma |p| y la aproximacion del punto de
inexion es regulada por este termino y no por el termino cuadratico p2 . Para una
distribucion asimetrica los terminos principales en el Hamiltoniano son los de la
distribucion asimetrica de Levy dados en la Ec. (20.21), mas un posible termino
lineal irp que tiene en cuenta la deriva, y el comportamiento asintotico respecto a z
estara dado por la Ec. (20.17) incluyendo el factor extra (1 + ) [21].
-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.
Si la distribucion no tiene segundos momentos, el teorema del lmite central no

es valido. Estas distribuciones tienden a otro lmite, llamado distribucion estable de
1540
Pareto-Levy. El Hamiltoniano tiene la forma generica dada en la Ec. (20.21), con

la excepcion de un posible termino lineal de deriva adicional [21]:
H(p) = irp + H,, (p).
(20.168)
En este contexto, el parametro de Levy se conoce como el parametro de estabilidad .

El parametro tiene que estar acotado en el intervalo (0, 2]. El parametro se
conoce como el parametro de distorsion. En la Ref. [75] pueden verse ejemplos
1).
gracos de D(z,
La convergencia de variables que obedecen una distribucion con decrecimiento
abrupto esta contenida en el teorema generalizado del lmite central .
20.1.16
Propiedad Aditiva del Ruido y del Hamiltoniano
Observemos ahora que a cada termino en el Hamiltoniano de la Ec. (20.141) le

puede corresponder un termino de ruido independiente en la ecuacion diferencial
estocastica (20.140). De hecho, si la ecuacion diferencial tiene dos terminos de ruido
x(t)
= rx + 1 (t) + 2 (t)
(20.169)
cuyas uctuaciones estan reguladas por dos Hamiltonianos diferentes, la distribucion

de probabilidad dada en la Ec. (20.144) se reemplaza por
Z
Z
P (xb tb |xa ta ) = D1 D2 Dx exp
tb
ta
1 (1 (t))+ H
2(2 (t)) [xr
dt[H
x 1 2 ].
Luego de una descomposicion de Fourier de la funcional , obtenemos

P (xb tb |xa ta ) =
Dp1

exp
Dp2
tb
ta
D1
D2
Dx
Dpe
R tb
ta
dt [ip(xr
x 1 2 )]
dt [H1 (p1 ) ip1 1 (t) + H2 (p2 ) ip2 2 (t)] ,
de donde las integrales de trayectoria sobre 1 (t) y 2 (t) dan origen a

P (xb tb |xa ta ) =
Dp
Dx exp
Z
tb
ta
dt [ipx irx pH1 (p)H2 (p)] . (20.170)
Este resultado es la representacion integral de la Ec. (20.161), donde utilizamos el

Hamiltoniano combinado H(p) = irx p + H1 (p) + H2 (p), el cual se puede reescribir
como la integral dada en la Ec. (20.162). Reescribiendo esta integral como
dp1 dp2 ip1 (xb xc )(tb ta )[irx p+H1 (p1 )] ip2 (xc xa )(tb ta )H2 (p2 )
e
e
,(20.171)
2 2
vemos que la distribucion de probabilidad asociada con la suma de los dos Hamiltonianos es la convolucion de las distribuciones de probabilidad individuales:
P (xb tb |xa ta ) =
P (xb tb |xa ta ) =
dxdxc P1 (xb tb |xc ta )P2 (xc tb |xa ta ).
(20.172)
De esta forma, podemos calcular, en forma separada, la distribucion de probabilidad

asociada con las variables de ruido 1 (p) y 2 (p) y al nal combinar los resultados
mediante una convolucion.
20.1.17
1541
F
ormula de L
evy-Khintchine
Algunas veces es de utilidad representar el Hamiltoniano en la forma integral de Fourier

Z
H(p) = dz eipz F (z).
(20.173)
Debido al significado especial del termino lineal en H(p), el cual controla la deriva, este termino
se elimina de la integral al reescribir la Ec. (20.173) como
Z

Hr (p) = irp + dz eipz 1 ipz F (z).
(20.174)
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)
La norma de Levy se ha calculado explcitamente para muchas distribuciones no Gaussianas.

Como un ejemplo observemos que el caso hiperb
olico generalizado, donde 0, tiene la norma
de Levy [76]
)
( 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
un ruido con una discontinuidad mayor que la unidad.
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 =
Figure 20.16 Ruido tpico de un proceso de Poisson.

R1
F (z) para 1 , puede verse siempre como la superposicion F (z) = 1 dZ F (Z)(z Z), de tal
forma que la funci
on de distribuci
on es una superposicion de ruidos de Poisson:
Z 1
X
n
D(z)
=
dZ F (Z)
eZ Z (z nZ).
(20.185)
n!
1
n=0
20.1.18
Propiedades de Semi-grupo de las Distribuciones de los

Bienes
Una propiedad importante de la probabilidad dada en la Ec. (20.144) es que cumple

con la ecuacion de semi-grupo
P (xc tc |xa ta ) =
dxb P (xc tc |xb tb )P (xb tb |xa ta ).
(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)
<
Figure 20.17 Distribuciones acumulativas obtenidas de repetidas integrales de convoluci

on de la distribuci
on de 15 min (tomada de la Ref. [13]). Con excepcion de los
extremos, la propiedad de semigrupo de la Ec. (20.186) se cumple razonablemente.
Podemos vericar la propiedad de semigrupo utilizando la distribucion de alta

frecuencia de los ndices S&P 500 y NASDAQ 100 de la Fig. 20.10, contabilizados
por minuto, los cuales siguen a la distribucion de Boltzmann dada por la Ec. (20.77).
Si hallamos la convolucion de la distribucion al minuto un n
umero entero t de veces,
el resultado concuerda bastante bien con la distribucion de datos de tminutos. Solo
en los decrecimientos abruptos de eventos extra
nos no se observa el mismo patron.
Notese que debido a la propiedad de semigrupo de las probabilidades dada en
la Ec. (20.186), tenemos la identidad trivial
hf (x(tb ), tb )i =
=
dxb f (xb , tb )P (xb tb |xa ta )

Z
dx
dxb f (xb , tb )P (xb tb |x t) P (x t|xa ta ).
(20.188)
En la literatura matematica, el valor esperado del lado izquierdo de la Ec. (20.188)

se escribe en la forma
Z
EE[f (x(tb ), tb )|xa ta ] dxb f (xb , tb )P (xb tb |xa ta ).
(20.189)
1544
Con esta notacion, la segunda lnea puede reescribirse en la forma

Z
dx EE[f (xb , tb )|x t]P (x t|xa ta ) = EE[EE[f (xb , tb )|x t]|xa ta ],
(20.190)
de tal forma que obtenemos la propiedad de los valores esperados

EE[f (x(tb , tb ))|xa ta ] = EE[EE[f (xb , tb )|x t]|xa ta ].
(20.191)
En matematicas nancieras esta propiedad simple, aunque de apariencia complicada,

es llamada la propiedad de encumbramiento de los valores esperados.
Notese que dado que para ta = tb , P (xb tb |xa ta ) es igual a (xb xa ), el valor
esperado de la Ec. (20.189) tiene la propiedad obvia
EE[f (x(ta ), ta )|xa ta ] = f (xa , ta )
20.1.19
(20.192)
Evoluci
on Temporal de los Momentos de la Distribuci
on
De la distribucion dependiente del tiempo dada en la Ec. (20.165) es facil calcular

la dependencia temporal de los momentos:
n
hx i(t)
dx xn P (x, t)
(20.193)
Sustituyendo la Ec. (20.165), obtenemos

hxn i(t) =
Z
dp tH(p) Z
dpetH(p) (ip )n (p). (20.194)
dx xn eipx =
e
2
Luego de n integraciones parciales, encontramos

hxn i(t) = (ip )n etH(p)
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
Distribucion Gaussiana del logaritmo de la renta semanal S&P 500 y
20.1.20
1545
Distribuci
on de Boltzmann
Como un ejemplo consideremos la distribucion de Boltzmann hallada en la

Ec. (20.77) para los datos al minuto. La varianza y kurtosis dependientes del
tiempo se encuentran sustituyendo los cumulantes hallados en la Ec. (20.80) en
la Ec. (20.196), de donde obtenemos
hx2 ic (t) = t 2T 2 ,
(t) =
c4
3
= .
2
tc2
t
(20.197)
El primer termino aumenta linealmente con el tiempo, el segundo disminuye como

uno entre el tiempo, lo que hace que la distribucion sea cada vez mas y mas Gaussiana, tal como lo requiere el teorema del lmite central dado en la Ec. (20.167).
Las dos cantidades se gracan en las Figs. 20.19 y 20.20. Puede verse que el acuerdo
con los datos es excelente.
S&P500 2004-2005
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
retraso temporal t (horas)
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 =
hx2 ic (t0 )/2t0 .
(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
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)
Calculemos ahora la evolucion temporal de la distribucion de Boltzmann dada

en la Ec. (20.77) para los datos al minuto. A partir de la Ec. (20.79) conocemos el
Hamiltoniano H(p) correspondiente, de tal forma que
etH(p) =
1
.
[1 + (T p)2 ]t
(20.200)
1547
Por lo tanto, la dependencia temporal de la distribucion estara dada por la integral

de Fourier
P (x, t) =
dp ipxtH(p)
e
=
2
1
dp
eipx .
2
2
t
2 (1 + T p )
(20.201)
El calculo puede hacerse facilmente, en analoga con la Ec. (20.81) y usando la

formula (2.499), si reescribimos la Ec. (20.200) como una integral
tH(p)
1
1
=
=
2
t
[1 + (T p) ]
(t)
d t (1+T 2 p2 )
e
.
(20.202)
El prefactor de p2 es igual al producto t 2 = tv por una distribucion Gaussiana en

el espacio x. Por lo tanto, cambiamos la variable de integracion de a v, haciendo
la sustitucion = tv/2T 2 , de donde obtenemos [comparemos con la Ec. (20.82)]
dv
t t 1
2
2
v t etv/2T etvp /2 .
(20.203)
2
2T
(t) 0 v
La transformada de Fourier de este resultado dara la evolucion temporal de la distribucion de Boltzmann como una superposicion de distribuciones Gaussianas dependientes del tiempo y de diferente ancho [comparemos con la Ec. (20.83)]:
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)
La integral se puede hallar usando la formula integral dada en la Ec. (2.559), de

donde hallamos la distribucion dependiente del tiempo
P (x, t) =
dp ipxtH(p)
1
e
=
2
T (t)
|x|
2T
!t1/2
Kt1/2 (|x|/T ),
(20.205)
donde t se mide en minutos.

Para el caso t = 1, obtenemos nuevamente la distribucion fundamental dada en
la Ec. (20.77), recordemos la forma explcita de K1/2 (z) dada en la Ec. (1.349).
En el lmite de valores grandes de t, la integral sobre v en la Ec. (20.204) se
puede hallar en la aproximacion del punto de inexion descrita en la Seccion 4.2.
Hallamos el desarrollo en serie de potencias de la funcion de peso del integrando
alrededor del maximo vm = 2T 2 (1 1/t) como
2
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)
donde v = vvm y O(v 3 ) es igual a tv 3 /3[2T 2(11/t)]3 . Observamos, entonces,

que para valores grandes de t, la Gaussiana se puede representar en terminos de las
derivadas de la funcion en la forma:

q
1
a 3
a
tz 2 /2
1 + z + . . . = 2/t (z) + (z) + 2 (z) . . . .
e
(20.207)
3
2t
t
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)
Utilizando el lmite para valores grandes de t de la expresion (1 1/t)t e1 , e

incluyendo la primera correccion de la Ec. (20.207), obtenemos
v
t1
tv/2T 2
2
[2T 2 (1 1/t)]2
(2T 2 )t et (v) +
(v) + . . . . (20.209)
t
2t
(
Si ahora, utilizamos laqformula de Stirling dada en la Ec. (17.286) para hallar la

aproximacion tt /(t) t/2et , vemos que, para valores grandes de t, la integral
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)
Para valores grandes de y valores peque

nos de z, este resultado se puede aproximar
por la expresion [recordemos la Ec. (20.29)]

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)
Este resultado se obtiene al aproximar la transformada de Fourier de la Ec. (20.200)
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
Transformada de Fourier de la Distribuci

on de Tsallis
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
la cual, en analoga con la Ec. (20.99), se puede reescribir como

tH, (p)
t/
=
(t/)
dv t/ v vp2 /2
v e e
,
v
= 1/.
(20.214)
Hallando la transformada de Fourier de este resultado obtenemos la funcion de

distribucion dependiente del tiempo
t/ Z dv t/ v 1
2
P, (x, t) =
v e
ex /2v ,
(t/) 0 v
2v
= 1/,
(20.215)
la cual, con ayuda de la formula (2.499), sera:

x2
2
1
t/
P, (x, t) =
(t/) 2
!t/21/4
2Kt/1/2 ( 2x),
1
.
(20.216)
Para el caso = 1 y = 1/2T 2 , este resultado se reduce a la distribucion de

Boltzmann dependiente del tiempo hallada en la Ec. (20.205). En el origen la
expresion tendra el valor [comparemos con la Ec. (20.104)]
P, (0, t) = (t/ 1/2)/(t/).

(20.217)
20.1.22
Superposici
on de Distribuciones Gaussianas
Toda distribucion dependiente del tiempo cuya transformada de Fourier tiene la

forma etH(p) posee una representacion en terminos de una integral de trayectoria,
como la dada por la Ec. (20.161), la cual obedece la ecuacion (20.186) del semi
grupo. En varios ejemplos hemos visto que las transformadas de Fourier eH(p)
se pueden obtener de la superposicion de distribuciones Gaussianas con diferente
2
varianza evp /2 y con una cierta funcion de peso w(v):
H(p)
dv w(v)evp
2 /2
(20.218)
Este hecho lo comprobamos con la distribucion de Boltzmann en la Ec. (20.81), para

la transformada de Fourier de la distribucion de Tsallis de la Eq. (20.100) y para
la distribucion de Boltzmann de una partcula relativista en la Ec. (20.105). En
todos estos casos fue posible hallar una superposicion similar para las distribuciones
dependientes del tiempo:
tH(p)
v p2 /2
dv wt (v )e
dv t (v)etvp
2 /2
(20.219)
donde hemos introducido la funcion de peso dependiente del tiempo

t (v) t wt (vt).
(20.220)
En las Ecs. (20.202), (20.214) y (20.105) pueden verse los tres casos anteriores.
1550
Ahora, queremos ver la propiedad general de la dependencia temporal de la

funcion de peso wt (v), la cual asegura que la transformada de Fourier de la superposicion dada por Ec. (20.219) y obtenida en la Ec. (20.164) cumple con la condicion
de semigrupo de la Ec. (20.186) [52]. Para ello veamos que la superposicion tiene
la dependencia temporal siguiente
e(t2 +t1 )H(p) = et2 H(p) et1 H(p) ,
o tambien etH(p) = [eH(p) ]t . Lo cual implica que el factor de peso wt (v) tiene la
propiedad
Z
v12 p2 /2
dv12 wt1 +t2 (v12 )e
v2 p2 /2
dv2 wt2 (v2 )e
dv1 wt1 (v1 )ev1 p /2.
(20.221)
Para la transformada de Laplace wt (v) de wt (v)

wt (pv )
dv epv v wt (v)
(20.222)
este resultado equivale a la propiedad de factorizacion

w
t1 +t2 (pv ) = wt2 (pv )wt1 (pv ),
(20.223)
la cual se cumple por la exponencial

wt (pv ) = etHv (pv ) ,
(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
dpv pv vtHv (pv )

e
,
2i
(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, en el plano complejo pv , cerramos la integral sobre pv y deformamos el contorno a

un crculo en direccion contra-reloj alrededor de pv = p2 /2, encontramos la relacion
buscada:
Hv (p2 /2) = H(p).
(20.227)
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)
La transformada de Laplace de w (v) esta relacionada con este resultado mediante

Z
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
De la representacion de Fourier hallada en la Ec. (20.162), es facil demostrar que la

probabilidad cumple con una ecuacion tipo Fokker-Planck
t P (xb tb |xa ta ) = H(ix )P (xb tb |xa ta ).
(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)
dt1 dt2 dt3 dt4 (t1 )(t2 )(t3 )(t4 ) + . . . .

dt (t )
+
x
4!
t
ta
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
En el lmite 0, solo contribuyen los terminos lineales de orden , los cuales se

obtienen de las partes conexas de las funciones de correlacion de (t). Los operadores
diferenciales entre parentesis pueden extraerse de la integral, de donde hallamos la
ecuacion diferencial
t (x, t) =
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)
Debido a las diversas derivadas presentes en H(ix ), en general, esta ecuacion

es no local. Esto puede mostrarse explcitamente con ayuda de la funcion de peso
F (x) de Levy-Khintchine en la representacion de Fourier dada por la Ec. (20.173).
En este caso, el lado derecho sera
H(ix )(x, t) =
dx ex x F (x )(x, t) =
dx F (x )(x x , t), (20.237)
1553
y la ecuacion de Fokker-Planck dada en la Ec. (20.236) tendra la forma de una

ecuacion integrodiferencial. Algunos autores preeren utilizar la forma sustraida
de la formula de Levy-Khintchine hallada en la Ec. (20.175), para obtener la ecuacion
integrodiferencial
c2
t (x, t) = c1 x x2 (x, t) +
2

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
La expresion de Fokker-Planck dada en la Ec. (20.231) es un caso especial de una

ecuacion de evolucion temporal mas general, cuya solucion es la distribucion de probabilidad P (xb , tb , |xa ta ) la cual cumple con la ecuacion de Chapman-Kolmogorov
o la ecuacion de Smoluchowski, Ec. (20.186). Para un intervalo temporal corto
tc tb = , esta ecuacion se puede escribir en la forma
P (xc tb +|xa ta ) =
dxb P (xc tb + |xb tb )P (xb tb |xa ta ).
(20.239)
Con lo cual podemos reescribir P (xc tb +|xb tb ) trivialmente como la integral

Z
P (xc tb +|xb tb ) = dx (xxb +xb xc )P (x tb +|xb tb ),
(20.240)
y usar el desarrollo, en potencias de x xb , de la funcion para obtener

P (xc tb +|xb tb ) =
dx
(x xb )n
P (x tb +|xb tb ) xnb (xb xc ).
n!
n=0
(20.241)
Utilizando los momentos

Cn (xb tb )
dx (x xb )n tb P (x tb |xb tb ),
(20.242)
y sustituyendo la Ec. (20.241) en la Ec. (20.239), observamos que el lado derecho

sera de la forma
P (xc tb |xb tb ) +
Z
X
n=1
dxb
Cn (xb tb ) n
[xb (xb xc )]tb P (xb tb |xa ta ) + O(2 ). (20.243)
n!
Sustituyendo el termino n = 0 en el lado izquierdo de la Ec. (20.239) y hallando

luego el lmite 0, obtenemos la ecuacion de Kramers-Moyal :
tb P (xb tb |xa ta ) = H(ixb , xb , tb )P (xb tb |xa ta ).
(20.244)
1554
donde el operador Hamiltoniano

H(ixb , xb , tb )
(xb )n
n=1
Cn (xb tb )
,
n!
(20.245)
sera la generalizacion del operador Hamiltoniano dado en las Ecs. (20.235) y

(20.231).
Hay una solucion simple y formal de la ecuacion de evolucion temporal (20.244),
la cual cumple la condicion inicial dada por la Ec. (20.187). Recordando la ecuacion
similar de la evolucion temporal dada por la relacion (1.233), se puede ver inmediatamente que la solucion tiene la forma:
P (xb tb |xa ta ) = Te
R tb
ta
dt H(ixb ,xb ,t)
(xb xa ),
(20.246)
donde T es el operador de ordenamiento temporal dado en la Ec. (1.241). Utilizando

los estados bra-kets de Dirac hxb | y |xa i junto con el producto escalar hxb |xa i =
(xb xa ), tal como se vio en la Ec. (18.462), y las reglas dadas en la Ec. (18.463)
podemos reescribir la Ec. (20.246) en la forma
P (xb tb |xa ta ) = hxb |Te
R tb
ta
dt H(ixb ,xb ,t)
|xa i.
(20.247)
Debido a la condicion inicial dada en la Ec. (20.187), los momentos de la

Ec. (20.242) se pueden calcular tambien en el lmite de tiempos cortos
1
1
dx (x x)n P (x t+|x t) = h[x(t+) x(t)]n i, n 1. (20.248)
Cn (x t) =
0
0
Otra forma de escribir el valor esperado del lado derecho es
Z
1
Cn (x t) =
0
t+
dt1
t+
dtn hx(t
1 ) x(t
n )i, n 1.
(20.249)
Si x(t) obedece la ecuacion de Langevin dada en la Ec. (20.169), cuyas funciones

de correlacion estan dadas por las Ecs. (20.155)(20.158), obtenemos
Cn (x t) = cn ,
(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)
= r(x, t) + (x, t)(t),
(20.251)
con variable de ruido (t), tendremos

x C2 (x t)
, C2 (x t) = b2 (x, t). (20.252)
2
De acuerdo con el teorema de Pawula [56], el caracter positivo de la probabilidad
en la expresion de Kramers-Moyal, Ec. (20.244), requiere que el desarrollo de la
Ec. (20.245) sea truncado solo despues del primer o segundo termino, de lo contrario
sera innito.
C1 (x t) = a(x, t)+b (x, t)b(x, t) = a(x, t)+
20.2 Formula de Ito para Distribuciones no Gaussianas
20.2
1555
F
ormula de It
o para Distribuciones no Gaussianas
Mediante un procedimiento similar al visto en la Subseccion 18.13.3 es posible hallar

una generalizacion de los desarrollos de Ito dados en las Ecs. (18.412) y (18.432),
para las uctuaciones de las funciones que contienen un ruido no Gaussiano.
20.2.1
Continuidad Temporal
Como en la Ec. (18.408) desarrollamos la funcion f (x(t + )):

f (x(t + )) = f (x(t)) + f (x(t))x(t)
1
1
+ f (x(t))[x(t)]2 + f (3) [x(t)]3 + . . . .
2
3!
(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)
Sustrayendo la derivada de menor orden, tendremos la forma generalizada de la

Ec. (18.412):
rx (ix )hf (x(t))i.
hf(x(t))i = hf (x(t))ihx(t)i
(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
superior [x(t)]n , para n 2. En el caso armonico, visto en la Subseccion 18.13.3,

estos terminos se pueden ignorar cuando se comparan con los terminos principales
z1 (t) de la Ec. (18.413). Veamos que sucede en el caso actual, donde todos los
cumulantes cn de orden superior en el Hamiltoniano dado en la Ec. (20.141) pueden
ser diferentes de cero. En la argumentacion seguimos el procedimiento que nos llevo
a la Ec. (18.405), y trabajamos con la ecuacion diferencial estocastica
x(t)
= hx(t)i
+ (t) = c1 + (t),
(20.258)
en lugar de utilizar la Ec. (20.169). Luego las funciones de correlacion de (t)

consisten de las partes conexas de las Ecs. (20.155)(20.158):
h(t1 )i
h(t1 )(t2 )i
h(t1 )(t2 )(t3 )i
h(t1 )(t2 )(t3 )(t4 )i
=
=
=
=
+
..
.
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 )].
.
Ahora estimaremos la magnitud de las uctuaciones zn de [x(t)]n . La primera

contribucion z2,1 a z2 , denida en la Ec. (18.415), esR a
un ignorable dado que es
t+
menor por un factor que el termino principal z1 (t) t dt (t ). Sin embargo, la
segunda contribucion z2,3 a z2 , denida en la Ec. (18.415), tiene una varianza mayor
debido al termino c4 dado en la Ec (20.158), el cual contiene una funcion ademas
del termino c22 , de tal forma que tenemos
D
E Z
[z2,2 (t)]2 =
t+
t
dt1
t+
t
dt2
t+
dt3
t+
dt4 h(t1 )(t2 )(t3 )(t4 )i = c4 +2 c22 . (20.263)
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)
y calculemos la varianza del u

ltimo termino cuyas uctuaciones son importantes:
3 2
3 2
h{[z1 (t)] } i h[z1 (t)] i i. La primer contribucion sera igual a
Z
t+
dt1
t+
dt2
t+
dt3
t+
dt4
t+
dt5
t+
t
dt6 h(t1 )(t2 )(t3 )(t4 )(t5 )(t6 )i,
(20.265)
1557
20.2 Formula de Ito para Distribuciones no Gaussianas
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)
La segunda contribucion h[z1 (t)]3 i2 en la Ec. (20.264) es igual a 2 c23 , la cual se

puede ignorar para el caso 0. As, debido a la Ec. (20.266), la magnitud
de las uctuaciones [z1 (t)]3 es del mismo orden que los terminos principales x1 (t)
[comparemos una vez mas con la Ec. (18.421)].
Este resultado es la razon principal de porque para el caso de uctuaciones
no Gaussianas, no podemos deducir una generalizacion como la hallada en la
Ec. (20.257) para la formula de Ito introducida en la Ec (18.413), si no que solo
tendremos una expresion debil como la hallada en la Ec. (20.256) para el valor
esperado.
Para una funcion exponencial f (x) = eP x este resultado implica la relacion
E
iD
h
d P x(t)
rx (iP ) eP x(t) ,
he
i = P hx(t)i
H
dt
(20.267)
rS = rx H(i)
= rx [H(i) iH (0)] = Hrx (i),
(20.268)
y no se pueden obtener los valores esperados.

Una consecuencia de lo debil de la Ec. (20.267) para el caso P = 1, es que la
razon rS con la cual crece el promedio del precio de las acciones S(t) = ex(t) esta
dado por la formula (20.1), donde la relacion entre rx y rS esta dada mediante la
expresion
misma que reemplaza la relacion simple de Ito, rS = rx + 2 /2, dada en la Ec. (20.5).
Recordemos la denicion de H(p)

H(p) H (0)p dada en la Ec. (20.141). La
version correspondiente al lado izquierdo de la Ec. (20.4) sera
*
S
S
= hx(t)i
H(i)
= hx(t)i
[H(i) iH (0)] = 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 )
i = S(0)eHrx (i)t = S(0)e{rx t[H(i)iH (0)]t} .

(20.270)
Si (t) uct
ua alrededor de rx obtenemos la forma simple
0
Rt
hS(t)i = S(0)erS t = S(0)he
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)
Contrario a lo hecho en la Ec. (18.429), este reemplazo es valido solo en el promedio.

Por la misma razon, una cartera de valores que contiene bienes con uctuaciones
no Gaussianas no puede considerarse libre de riesgo en el lmite 0, como se vera
en la Seccion 20.7.
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
es T . De hecho, dado que el orden de cn es T n , las uctuaciones de zn (t) son de

orden T n . De esta manera, en las uctuaciones no Gaussianas de una serie temporal
discreta, la peque
nez de T da origen a una eliminacion de las uctuaciones de orden
superior. Mas a
un, esta cancelacion es tambien correcta para la serie temporal de
lasuctuaciones Gaussianas, donde para zn (t), n 2, el orden de las correcciones es
( t)n1 . Para la distribucion de Boltzmann [recordemos la Ec. (20.198)], estas
correcciones son de orden T n1 . Una estimacion similar es valida para todas las
distribuciones de ruido no Gaussianas cuyo decrecimiento es semi-abrupto, como se
dene al nal de la Subseccion 20.1.1.
En decrecimientos semi-abruptos para los cuales los cumulantes cn decrecen
como una potencia T n , de la peque
nez de parametro temperatura T , podemos
eliminar los valores esperados del desarrollo de Ito dado en la Ec. (20.256) y
conservar una formula aproximada de Ito para la diferencia de la uctuacion
f (x(tn )) f (x(tn+1 )):
rx (ix )f (x(tn )) + O( t),

f (x(tn )) = f (x(tn ))x(tn ) H
(20.275)
la cual es una generalizacion directa de la version discreta hallada en la Ec. (18.432)

del lema de Itos dado en la Ec. (18.413).
Una propiedad caracterstica de la distribucion de Boltzmann hallada en la
Ec. (20.77), y otras distribuciones con decrecimientos semi-abruptos, es que su
Hamiltoniano posee una serie de potencias en terminos de p2 del tipo dado en la
Ec. (20.141), donde los cumulantes cn son nitos de orden n , y donde es la
volatilidad de los datos al minuto. Esta propiedad se viola solo en el caso de decrecimientos abruptos de la distribucion de los precios (ver la Fig. 20.10). Estos
datos no se obtienen de una convolucion multiple, la cual transforma la distribucion
de Boltzmann a una distribucion Gaussiana, tal como lo requiere el teorema del
lmite central dado por la Ec. (20.167). Estos decrecimientos abruptos se originan
por cambios drasticos en los precios para intervalos temporales cortos observados
en mercados nerviosos cercanos a un colapso nanciero. Si estos decrecimientos se
tienen en cuenta, la version discreta del Lema de Itos hallada en la Ec. (18.432)
ya no sera valida. Lo anterior sera un obstaculo al elaborar un portafolio libre de
riesgos, como se vera en la Seccion 20.7.
20.3
Martingalas
En matematicas nancieras a menudo encontramos el concepto de una martingala.

El nombre proviene de una estrategia de casino en la cual el jugador dobla su apuesta
cada vez que pierde. Llamamos a la variable estocastica m(t) una martingala, si su
valor esperado es independiente del tiempo.
Obtenemos una martingala trivial para toda variable de ruido m(t) = (t).
1560
20.3.1
Martingalas Gaussianas
Para
una variable de ruido armonica, debido a la Ec. (20.8), la exponencial m(t) =
R
t
e 0 dt (t ) t/2 es una martingala no trivial. Por la misma razon, el precio de las

acciones S(t) = ex(t) , donde x(t) obedece la ecuacion diferencial estocastica (20.140),
puede convertirse en una martingala multiplicando apropiadamente por un factor
dependiente del tiempo asociado con la razon promedio de crecimiento rS , i.e., el
producto
Rt
(20.276)
erS t S(t) = erS t ex(t) = erS t erx t+ dt (t )
sera una martingala. El prefactor erS t se conoce como el factor de descuento con
tasa rS . Si calculamos la distribucion de probabilidad hallada en la Ec. (20.162),
asociada con la ecuacion diferencial estocastica dada en la Ec. (20.140), la cual para
uctuaciones armonicas con desviacion estandar le corresponde el Hamiltoniano
2 2
p,
2
H(p) = irx p +
(20.277)
La representacion integral para la distribucion de probabilidad dada por la

Ec. (20.162)
P rx (xb tb |xa ta ) =
h

i
dp
exp ip(xb xa ) t irx p + 2 p2 /2
2
(20.278)
donde t = tb ta , tiene obviamente el valor esperado temporal erS t S(t) =

erS t ex(t) . De hecho, el valor esperado al tiempo tb estara dado por la integral
sobre xb
rS tb
xb
rx
rS tb
dxb e P (xb tb |xa ta ) = e
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
o como EE[erS (tb ta ) exb |xa ta ] = exa .

Para la martingala f (xb , tb ) = erS (tb ta ) exb , utilizando las Ecs. (20.281) y
(20.192), los valores esperados del lado derecho de la formula de encumbramiento
(20.191) se reducen a la forma:
EE[EE[f (xb , tb )|x t]|xa ta ] = EE[EE[f (x, t)|x t]|xa ta ] = EE[f (x, t)|xa ta ],
(20.282)
Utilizando una vez mas las Ecs. (20.281) y (20.192) obtenemos

EE[EE[f (xb , tb )|x t]|xa ta ] = f (xa , ta ).
(20.283)
Hallando el valor de la integral del mometum dada en la Ec. (20.278) obtenemos

explcitamente la distribucion
[xb xa rx (tb ta )]2
q
exp
.
P (xb tb |xa ta )
2 2 (tb ta )
2 2 (tb ta )
(
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 )
dxb f (xb )P (M,rx ) (xb tb |xa ta ),
(20.286)
entonces el precio de las acciones es una martingala:

hexb i(M,rx ) = exa .
(20.287)
Notese que hay una familia entera de distribuciones martingala equivalentes

P (M,r) (xb tb |xa ta ) = ert
dp
exp [ip(xb xa ) t Hr (p)] ,
2
(20.288)
para la tasa r arbitraria, y donde rx r + H(i).

De hecho, multiplicando este
xb
resultado por e e integrando sobre xb obtenemos la funcion (p i), con lo cual
encontramos el mismo resultado exa para toda diferencia temporal t = tb ta .
Evaluando la integral obtenemos
P
(M,r)
[xb xa r(tb ta )]2

exp
. (20.289)
(xb tb |xa ta ) q
2 2 (tb ta )
2 2 (tb ta )
er(tb ta )
Estas distribuciones se conocen como martigalas de riesgo neutro.
1562
20.3.2
Distribuciones Martingalas no Gaussianas
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)
donde rS y rx estan relacionadas mediante la expresion rS = rx H(i)

= Hrx (i).
Esta relacion se puede demostrar facilmente. La funcion de distribucion asociada
a la ecuacion diferencial estocastica dada en la Ec. (20.140) cuyas uctuaciones no
son Gaussianas sera
rx
P (xb tb |xa ta ) =
Dx exp
tb
ta
rx ((t)) [x rx (tb ta )], (20.291)

dt H
donde t (tb ta ) y rx = rS + H(i).

Como se discutio en la Subseccion 20.1.23, la
integral de trayectoria se resuelve con ayuda de la integral de Fourier [comparemos
con la Ec. (20.162)]
rx
P (xb tb |xa ta ) =
dp
exp [ip(xb xa ) t Hrx (p)] .
2
(20.292)
Utilizando esta distribucion podemos calcular de nuevo la independencia temporal

del valor esperado dado en la Ec. (20.280), de tal forma que P M,rx (xb tb |xa ta ) =
erS (tb ta ) P rx (xb tb |xa ta ) es la distribucion martingala que muestra que el precio de
las acciones es independiente del tiempo, tal como se mostro en la Ec. (20.287).
Notese que existe una familia entera de distribuciones martingalas
P
(M, r)
rt
(xb tb |xa ta ) = e
dp
exp [ip(xb xa ) t Hrx (p)] ,
2
(20.293)
cuya razon r es arbitraria y rx r + H(i).

De hecho, multiplicando este resultado
xb
por e e integrando sobre xb obtenemos una funcion (p i) y hallamos el mismo
resultado exa para toda diferencia temporal t = tb ta .
En el caso de las uctuaciones no Gaussianas hay un conjunto innito de distribuciones martingalas para el precio de las acciones, de las cuales discutiremos
aquella propuesta por Esscher.
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
conjunto se construye de la siguiente forma. Sea D(z)

una funcion de distribucion
arbitraria con transformada de Fourier
D(z)
=
dp H(p) ipz
e
e ,
2
(20.294)
y donde H(0) = 0, lo cual garantiza la normalizacion unitaria dz D(z)

= 1. Ahora
introducimos la llamada funcion de distribucion transformada de Esscher . La cual
se obtiene cambiando ligeramente la distribucion inicial D(z),

al multiplicarla por
z
el factor exponencial asimetrico e :
D (z) eH(i) ez D(z).
(20.295)
El prefactor constante eH(i) es necesario para conservar la probabilidad total. Esta

distribucion se puede escribir como una transformada de Fourier
D (z) =
dp H (p) ipz
e
e ,
2
(20.296)
donde el Hamiltoniano transformado de Esscher, sera

H (p) H(p + i) H(i).
(20.297)
Dado que HR (0) = 0, la distribucion transformada estara normalizada de manera

apropiada: dzD (z) = 1. Denimos ahora el valor esperado transformado de
Esscher
hF (z)i
dzD (z)F (z).
(20.298)
El cual esta relacionado con el valor esperado inicial mediante la expresion

hF (z)i eH(i) hez F (z)i.
(20.299)
Especcamente, para la funcion F (z) = ez , la Ec. (20.299) sera

hez i = eH
(i)
eH
(i)
he(+1)z i = eH
(i)H (i+i)
(20.300)
Aplicando la transformacion dada en la Ec. (20.296) a cada particion temporal

de la integral de trayectoria general hallada en la Ec. (20.144), obtenemos la integral
de trayectoria transformada de Esscher
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
donde t tb ta es el intervalo temporal. Con este resultado obtenemos la integral

de Fourier [comparemos con la Ec. (20.293)]
rS t Hrx (i)t
P (xb tb |xa ta ) = e
dp
exp [ip(xb xa ) t Hrx (p + i)] . (20.302)
2
Denotemos los valores esperados, calculados con esta probabilidad, en la forma

h . . . i . Luego, si S(t) = ex(t) tendremos la dependencia temporal
hS(t)i = eHrx (i)t .
(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)
Es decir, una familia equivalente de distribuciones martingalas para el precio de las

acciones S(t) = ex(t) sera
P M (xb tb |xa ta ) er t P (xb tb |xa ta ),
(20.305)
para toda eleccion del parametro .

Para la funcion de distribucion armonica dada por la Ec. (20.284), las martingalas
de Esscher y las martingalas anteriores son equivalentes. De hecho, utilizando en la
Ec. (20.284) los valores rS = rx + 2 /2, la transformada de Esscher dara, luego de
completar las cuadraturas, la familia natural de martingalas dada en la Ec. (20.284),
donde el parametro de la tasa es r = rx + 2 .
Otras Martingalas no Gaussianas
En la literatura se han discutido muchas otras martingalas no Gaussianas. Los
matematicos han ideado varios criterios sosticados bajo los cuales deberamos
preferr una martingala sobre la otra al calcular los riesgos nancieros. Por ejemplo,
Davis introdujo la llamada funcion de utilidad [77], la cual se supone que selecciona
las martingalas optimas para diferentes propositos. Tenemos tambien la llamada
martingala mnima [83], pero la base matematica de estas discusiones es dcil de
entender.
Para el desarrollo posterior de la teora de la valorizacion de las opciones, solo
la martingala natural inicial sera relevante.
20.4
Origen de los Decrecimientos SemiAbruptos
Hemos indicado al nal de la Subseccion 20.1.1 que el decrecimiento semi-abrupto,

del tipo usado en las discusiones previas, puede verse como una descripcion
fenomenologica de un proceso Gaussiano no trivial con uctuaciones en la volatilidad. Esta imagen se ha conrmado en la Subseccion 20.1.22, donde hemos expresado
1565
20.4 Origen de los Decrecimientos SemiAbruptos
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
Pareja de Ecuaciones Diferenciales Estoc

asticas
El punto de partida es una pareja acoplada de ecuaciones diferenciales estocasticas

con ruido Gaussiano, una de las cuales representa la uctuacion del logaritmo x(t)
del precio de las acciones y la otra representa la uctuacion de la varianza dependiente del tiempo 2 (t). Dado que en la discusion posterior esta varianza aparecera frecuentemente la llamaremos v(t). Por simplicidad, eliminaremos la razon de
crecimiento de los precios. Reemplazando a la 2 dada en la ecuacion diferencial
estocastica (20.4), por la varianza dependiente del tiempo v(t) obtenemos
x(t)
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)
Ademas, suponemos tambien que el tiempo en v(t) es ligeramente anterior al

tiempo en el ruido v (t). El parametro determina la volatilidad de la varianza.
El parametro v sera el promedio de la varianza para tiempos grandes, el cual sera
proprocional a la varianza 2 de la distribucion Gaussiana a la cual converge la
distribucion en el lmite de tiempos grandes, esto de acuerdo con el teorema del
lmite central. La relacion completa sera presentada en la Ec. (20.363).
En general, se espera que las variables de ruido (t) y v (t) exhiban correlaciones
que se obtienen introduciendo una variable de ruido independiente (t) y deniendo
v (t) (t) +
1 2 (t).
(20.309)
Entonces, el par de funciones de correlacion sera

h(t)(t )i = (t t ), h(t)v (t )i = (t t ), hv (t)v (t )i = (t t ). (20.310)
8
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
Si (t) denota a la pareja de variables de ruido ((t), v (t)), la distribucion de

probabilidad analoga a la Ec. (18.324), para las trayectorias x(t), v(t) que inician
en xa , va y terminan en x, v, sera
P (x v t |xa va ta ) = (x (t) x)(vv (t) v).
(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
+ v (v(t) v) v(t)v (t)

P (x v t |xa va ta ). (20.313)
Ahora, para la distribucion

1
P [] = exp
2

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)
En analoga con la Ec. (18.388), las derivadas funcionales se eval

uan en la forma
"
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
v(t) sucede antes
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
As, la distribucion de probabilidad se puede escribir como la integral de trayectoria

Dpv
Dp
Dv
2
2
Z t

b
exp
dt [i(px + pv v)
H(p, pv , v)] ,
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
el orden de los opeLos u

ltimos dos terminos se obtienen del hecho de que en H
radores obtenidos de la integral de trayectoria son siempre simetricos con respecto
a v y pv , tal que el orden en la Ec. (20.319) se obtiene solo despues de hacer el
reemplazo pv v (1/2){
pv , v} = pv v + i/2 en el cuarto y quinto terminos de la
Ec. (20.321). Recordemos la discusion dada en las Secciones 10.5 y 11.3 y en la
Subseccion 18.9.2.
El tercer termino de la Ec. (20.321) sirve para asegurar la presencia del operador
v2 v en la Ec. (20.319), sin el operador v extra obtenido del ordenamiento de los
operadores. El termino p2v v en la Ec. (20.321) puede verse como un termino cinetico
g p p en un espacio unidimensional de Riemann con metrica g = /v. De
acuerdo a la Subsecci
on 11.1.1 este operador se transforma en el operador de Laplace 2
Beltrami = vv vv = vv2 + 12 v = v2 v 32 v . El factor v extra se cancela con
el tercer termino de la Ec. (20.319).
La ecuacion diferencial estocastica (20.308) puede, en principio, dar origen a varianzas negativas. Dado que este resultado no tiene sentido fsico, debemos garantizar que esto no sucedera. La condicion para eliminar esta posibilidad es que el
ancho de la uctuacion de la varianza sea lo sufucientemente peque
no, tal que se
cumpla que
2
1.
2
v
(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
La dependencia temporal de la varianza esta dada por la integral

P (v t |va ta )
dx P (x v t |xa va ta ),
(20.325)
la cual cumple con la ecuacion
2 2
P (v t |va ta ) =
v + v (v v) P (v t |va ta ),
t
2 v
"
(20.326)
misma que se obtiene de la expresion (20.318) al integrar sobre x. Para tiempos

muy grandes, la solucion tiende a ser estacionaria y sera
1 v
v e ,
P (v) =
()
donde
2
,
2

v.
(20.327)
Este resultado es la distribucion Gama mostrada en la Fig. 20.3. As, la pareja de

ecuaciones diferenciales estocasticas (20.306) y (20.308) reproducen las uctuaciones
de la volatilidad observadas en los datos nancieros anteriores.
El maximo de P (v) se encuentra ligeramente debajo de v, en vmax = ( 1)/ =
v2 /2 [recordemos la Ec. (20.72)].

q Si denimos el peso w de P (v) por la curvatura
en el maximo, hallamos que w = vmax 2 /2. La forma de P (v) estara denida
por el cociente
vmax
=
w
2
v
1.
2
(20.328)
La magnitud de las uctuaciones de la varianza estan restringidas por la condicion

dada en la Ec. (20.322), lo cual garantiza que v(t) es positiva en todo momento.
La distribucion dada en la Ec. (20.327) esta gracada en la Fig. 20.21. Como una
prueba, podemos hallar el lmite 2 /2
v 0 donde las uctuaciones de la varianza
se mantienen jas. El cociente vmax /w diverge y la distribucion P (v) tiende a la
funcion (v v), como es de esperar.
20.4.3
Soluci
on a la Ecuaci
on de Fokker-Planck
Dado que el operador Hamiltoniano hallado en la Ec. (20.319) no depende

explcitamente de x, podemos hacer uso de la invarianza traslacional y representar a P (x v t |xa va ta ) como una integral de Fourier
P (x v t |xa va ta ) =
dp ip(xxa )
e
Pp (v t |va ta ).
2
(20.329)
La probabilidad para un momentum denido cumple con la ecuacion de FokkerPlanck
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

0.8
0.7
0.6
0.5
0.4
P (v)
0.3
0.2
0.1
0
v/
v
Figure 20.21 Distribucion estacionaria de la varianza dada en la Ec. (20.327), donde

los par
ametros que reproducen los datos Dow-Jones de la Fig. 20.22 est
an dados en la
Tabla 20.1. Comparemos con la Fig. 20.3.
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)
la cual es solucion de la ecuacion diferencial parcial de primer orden

"
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
donde hemos usado la abreviacion

(p) + ip.
(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)
La solucion de la ecuacion diferencial parcial de primer orden, Ec. (20.332), se

encuentra por el metodo de las caractersticas [9]:

Pp (pv t|va ta ) = exp i

pv (ta )va i
v
ta
dt pv (t ) ,
(20.335)
donde la funcion pv (t) es la solucion de la ecuacion diferencial caracterstica

d
pv (t)
i2 2
i
= (p)
pv (t) +
pv (t) + (p2 ip),
dt
2
2
(20.336)
1570
y donde la condicion de frontera es pv (tb ) = pv . La ecuacion diferencial es del tipo

Riccati con coecientes constantes [10], su solucion es de la forma
pv (t) = i
2(p)
(p) (p)
1
+i
,
2
(p)(t
t)
b
(p, pv )e
1
2
(20.337)
donde hemos introducido la frecuencia compleja

(p) =
2 (p) + 2 (p2 ip),
(20.338)
y los coecientes son

(p, pv ) = 1 i
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
donde t t ta es el intervalo temporal.
20.4.4
Distribuci
on Dependiente de x
Mostraremos ahora que al promediar sobre la varianza obtenemos una distribucion

no Gaussiana, que depende de x, con decrecimiento semi-abrupto parecido al observado en los datos nancieros reales. Veamos entonces la distribucion de probabilidad
P (x t |xa va ta )
dv P (x v t |xa va ta ),
(20.341)
donde se ha integrado sobre la variable nal v. La integracion de la Ec. (20.340)

sobre v da origen a una funcion (pv ), la cual impone la condicion pv = 0. De esta
forma obtenemos
P (x t |xa va ta ) =
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
Hallando la integral sobre p en la Ec. (20.342), obtenemos

[x + v(t)(t ta )/2]2
P (x t |xa ta va ) = q
exp
,
2v(t)
2(t ta )v(t)
(
(20.344)
donde v(t) representa el promedio temporal de la varianza

1
v(t)
t
ta
dt v(t ).
(20.345)
En este lmite, la distribucion sera Gaussiana. Por supuesto, se puede obtener el

mismo resultado directamente de la ecuacion diferencial estocastica (20.306).
El resultado hallado en la Ec. (20.342) no puede compararse directamente con
la serie temporal de los datos nancieros, ya que depende de los valores iniciales
desconocidos de la varianza va . Supongamos que va tiene la distribucion de probabilidad estacionaria inicial P (va ), dada por la Ec. (20.327).10 Luego, evaluamos la
distribucion de probabilidad P (x t |xa ta ), promediando la Ec. (20.342) sobre va con
peso P (va ):
P (x t |xa ta ) =
dva P (va ) P (x t |xata va ).
(20.346)
El resultado nal tiene la representacion de Fourier

P (x t |xa ta ) =
dp ipxtH(p,t)
e
,
2
(20.347)
donde x x xa , mientras que el Hamiltoniano H(p, t) tiene la forma

v
(p)t 2 (p)2 (p)+2(p)
(p)t
(p)
v 2
.
+
ln
cosh
+
sinh
H(p, t) =
2
2
t
2
2(p)
2
(20.348)
"
En ausencia de correlaciones entre las uctuaciones del precio de las acciones y la

varianza, i.e., para = 0, el segundo termino en el lado derecho de la Ec. (20.348)
se anula. El resultado simplicado se discute en el Apendice 20B.
El Hamiltoniano general dado en la Ec. (20.348) se anula para p = 0. Esto
garantiza la normalizacion unitaria de la distribucion dada en la Ec. (20.347), para
R
todo tiempo: dx P (x t |xa ta ) = 1. El primer coeciente del desarrollo en potencias
de p del Hamiltoniano H(p, t), es [recordemos la denicion dada en la Ec. (20.54)]

v

c1 (t) =
1 et .
2 t
(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
t) es cuadratico en p, de acuerdo con nuestra denicion general

termino de H(p,
dada en la Ec. (20.65):

t) H(p, t) ic1 (t)p = H(p, t) + i v + 1 et p. (20.350)
H(p,
2 t

La distribucion P (x t |xa ta ) es real ya que Re H es una funcion par de p, mientras

que Im H es una funcion impar de p.
En general, la integral dada en la Ec. (20.347) debe calcularse numericamente.
Sin embargo, el rango interesante de los valores lmites t 1 y x 1 puede
estudiarse analticamente. Estos lmites sera analizados en las Subsecciones 20.4.5 y
20.4.6. En la Fig. 20.22, se presentan, en lnea solida, las distribuciones P (x t |xa ta )
calculadas para diferentes incrementos de los intervalos temporales y se comparan
con los datos Dow-Jones correspondientes, presentados por puntos. Los detalles
tecnicos del analisis de los datos se explican en el Apendice 20C. La gura muestra
que con el conjunto jo de cinco parametros , v, , y , la distribucion hallada
en la Ec. (20.347), donde usamos el Hamiltoniano dado en la Ec. (20.348), reproduce extremadamente bien los datos en toda la escala temporal t. En la graca
logartmica los decrecimientos de los extremos de la distribucion decaen linealmente.
Dow Jones data, 1982-2001
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
Comportamiento para Tiempos Grandes
De acuerdo a la Ec. (20.308), la varianza tiende al valor de equilibrio v para el

tiempo de relajacion temporal caracterstico 1/. Estudiemos el lmite en el cual
1573
el intervalo temporal t es mucho mayor que el tiempo de relajacion: t 1.

De acuerdo a las Ecs. (20.333) y (20.338), esta condicion implica que (p)t 1.
Entonces, la Ec. (20.348) se simplica a la forma
H(p, t)
v
[(p) (p)].
2
(20.351)
La integral de Fourier dada en la Ec. (20.347) puede hallarse facilmente luego de

utilizar el cambio de variable de integracion
p = C p + ip0 ,
(20.352)
donde
0
,
C
1 2
2 + 2 (1 2 )p20 , p0
2
.
2(1 2 )
(20.353)
Luego, la integral dada en la Ec. (20.347) tendra la forma

C
P (x t |xa ta ) = ep0 x+t
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
La integral de la Ec. (20.354) es igual a11 BK1 ( A2 + B 2 )/ A2 + B 2 , donde K1 (y)

es la funcion modicada de Bessel, de tal forma que para t 1 la distribucion de
probabilidad dada en la Ec. (20.347) se puede representar en la forma
=
P (x t |xa ta ) = N(t) ep0 x F (y),
F (y) = K1 (y)/y,
(20.357)
donde el argumento de las funciones es

y
A2
B2
v
u
v t/)2
0 u
t (x +
1 2
v t
+
2
(20.358)
y el factor de normalizacion dependiente del tiempo es

N(t) =
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
Dow-Jones data, 1982-2001

10
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
Figure 20.23 Funci

on de distribuci
on renormalizada P (x t |xa ta )ep0 x /N (t), representada como funci
on del argumento de escala y definido en la Ec. (20.358). La curva
continua muestra la funci
on universal F (y) = K1 (y)/y (tomado de la Ref. [79]).
representacion graca de los datos como funcion de y, para diferentes valores de x

y t, se espera que estos datos esten descritos por la curva universal F (y). En
la Fig. 20.23 se puede observar que, en el lapso de las u
ltimas siete decadas, para
diferentes valores de t los datos Dow-Jones se ajustan muy bien mediante la curva
F (y).
q
En el lmite y 1, podemos usar la expresion K1 (y) ey /2y, de donde
encontramos el comportamiento asintotico
ln
P (x t |xa ta )
p0 x y.
N(t)
(20.360)
Examinemos esta expresion para valores grandes y peque

nos de |x|. En el
primer caso
tenemos
que
|x|
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)
Es decir, para valores grandes de |x| la distribucion de probabilidad P (x t |xa ta )

tiene el decrecimiento exponencial dado por la Ec. (20.361). Notese que en el lmite
actual, i.e., t 1, las pendientes de los decrecimientos exponenciales son independientes de t. La presencia de p0 da origen a que, para valores positivos y
negativos de x, las pendientes sean diferentes, de tal forma que la distribucion
11
Ver I.S. Gradshteyn and I.M. Ryzhik, op. cit., Formula 3.914.
1575
180
160
d log P (x t |xa ta ))/dx
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]).
P (x t |xa ta ) no muestra un ascenso-descenso simetrico con respecto a la variacion de

los precios. De la denicion de p0 , dada en la Ec. (20.353), vemos que esta asimetra
aumenta para una correlacion negativa, < 0, entre el precio de las acciones y la
varianza.
En el segundo caso |x|
v t/, del desarrollo de Taylor de la Ec. (20.358),
en teminos de y, cerca del mnimo y sustituyendo el resultado en la Ec. (20.360)
obtenemos
ln
0 (x +
v t/)2
P (x t |xa ta )
p
x
,
0
N (t)
2(1 2 )
v t
(20.362)
donde N (t) = N(t) exp(0

v t/2 ). As, para valores peque
nos de |x| la
distribucion de probabilidad P (x t |xa ta ) es una Gaussiana, cuyo ancho
2 =
(1 2 )
v
t
0
(20.363)
crece linealmente como funcion de t. El maximo de P (x t |xa ta ) sera

xm (t) = rS t,
"
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
La discusion anterior muestra la propiedad de los datos ilustrada en la Fig. 20.22,

donde encontramos que el graco logartmico de P (x t |xa ta ) es lineal en los bordes y cuadratico cerca de los maximos, donde los parametros estan dados por las
Ecs. (20.361) y (20.362).
Conforme el tiempo avanza, la distribucion se ensancha de acuerdo con el escalamiento dado en las Ecs. (20.357) y (20.358). En el lmite t , la expresion
asintotica (20.362) es correcta para todo x y la distribucion es cada vez mas Gaussiana, tal como lo requiere el teorema del lmite central [22].
Es interesante cuanticar la fraccion f (t) de la probabilidad total contenida en
la parte Gaussiana de la curva. Esta fraccion se muestra en la Fig. 20.25. La forma
precisa de como se dene y calcula la fraccion f (t) se explica en el Apendice 20B. El
recuadro de la Fig. 20.25 muestra que para tiempos grandes la dependencia temporal
de la densidad de probabilidad en el maximo xm tiende a t1/2 , propiedad que es
caracterstica de la evolucion de las distribuciones Gaussianas.
0
1
0.9
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
Figure 20.25 Fracci

on f (t), de la probabilidad total contenida en la parte Gaussiana
de P (x t |xa ta ), en funci
on del intervalo temporal t. El recuadro muestra la dependencia
temporal de la densidad de probabilidad en el m
aximo P (xm t |xa ta ) (curva en puntos) y
se compara con el decrecimiento t1/2 de la distribucion Gaussiana (curva continua).
20.4.6
Comportamiento del Decrecimiento para todo Tiempo
Para valores grandes de |x|, el integrando de la Ec. (20.347) oscila rapidamente

como funcion de p, de tal forma que la integral se puede evaluar en la aproximacion
del punto de inexion discutido en la Seccion 4.2. Al igual que en la evaluacion
de la integral (17.9) movemos el contorno de integracion al plano complejo p hasta
que el contorno contenga al punto de inexion principal del exponente ipx
1577
Im p
p
+
3
+
p2
p1
p
iq+
Re p
0
-
iq
p
1
Figure 20.26 Singularidades de H(p, t) en el plano complejo p ( representadas con

puntos). Para t 1, las cruces encerradas en crculos indican las posiciones lmite
iq de las singularidades. El punto marcado con una cruz muestra el punto de inflexion
ps localizado en el plano superior para x > 0. La lnea a trazos es el contorno de
integraci
on desplazado para cruzar sobre el punto de inflexion ps .
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)
En esta aproximacion, la posicion del punto de inexion ps = ps (x) se determina

por la ecuacion
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
cercano a las singularidades. Sustituyendo la aproximacion hallada en la Ec. (20.366)

en la integral de Fourier dada en la Ec. (20.347), obtenemos la expresion asintotica
para la distribucion de probabilidad
P (x t |xa ta )
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
se acercan a los puntos lmite p

1 iq , los cuales se han marcado con las cruces
encerradas en crculos en la Fig. 20.26. Los valores lmite son
0
q = p0 +
1 2
para t 1.
(20.368)
Las pendientes q (t) se aproximan a estos valores de manera monotona en exceso.

El comportamiento se muestra en la Fig. 20.24. Por supuesto, las pendientes dadas
en la Ec. (20.368) estan de acuerdo con la Ec. (20.361) en el lmite t 1. En
el lmite opuesto, para tiempos cortos (t 1), encontramos el comportamiento
temporal analtico
q (t) p0 +
p20 +
2 (1
4
2 )t
para t 1.
(20.369)
Esta aproximacion se muestra con la curva en puntos en la Fig. 20.24.
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
dt [ipv v H (p, pv , v)] .
(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)
donde J representa el Jacobiano

J = Det
2 H(p, pv , v)
it +
.
pv v
!
(20.374)
De la Ec. (20.321) vemos que

2 H(p, pv , v)
= i + p.
pv v
(20.375)
De acuerdo con la formula (18.254), esta expresion es igual a

J = e(ip)(tb ta )/2, ,
(20.376)
con lo cual se cancela el u

ltimo termino en el exponente del integrando de la
Ec. (20.373). Por lo tanto, el resultado para Pp (vb , tb |va ta ) es el mismo al obtenido
para la ecuacion de Fokker-Planck (20.331), cuya transformada de Fourier esta dada
por la Ec. (20.335).
1580
20.4.8
Distribuci
on Martingala Natural
Calculemos las martingalas naturales asociadas con el Hamiltoniano de la

Ec. (20.348). Reinsertando el termino de deriva rs removido inicialmente, el Hamiltoniano total sera
H tot (p, t) = H(p, t) + irS p.
(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)
El analogo a la martingala dada en la Ec. (20.291) estara dado por la integral de

Fourier hallada en la Ec. (20.292), donde Hrx (p) se reemplaza por el Hamiltoniano
Hrtot
(p, t) dado en la Ec. (20.350):
x (t)
P
(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
Ahora, el termino lineal irx (t)p del Hamiltoniano Hrtot

(p, t) sera dependiente
x (t)
del tiempo:
t).
rx (t) = rS + c1 (t) + H(i,
(20.381)
De esto encontramos que la razon en el prefactor exponencial, de donde obtenemos

que la distribucion es una martingala, es una cantidad dependiente del tiempo:
r(t) = rS + c1 (t).
(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
k (tnk )x2 (tnk ),
(20.383)
k=1
mediante la variable de ruido blanco (tn ). El termino de deriva se ha omitido,

de tal forma que hx(tn )i = 0. Este es el llamado modelo ARCH(q). El segundo
modelo es una generalizacion de este, en el cual la ecuacion de la varianza contiene
un termino extra que involucra los anteriores p-valores de 2 :
v(tn ) = v0 +
q
X
k (tnk )x (tnk ) +
k=1
p
X
k (tnk )v(tnk ).
(20.384)
k=1
El proceso ARCH(1) tiene valores esperados independientes del tiempo tanto de

la varianza como de la kurtosis
2 = hv(tn )i =
v0
,
1 1
612
hx4 (tn )ic
=
.
hx2 (tn )i2c
1 312
(20.385)
Para el proceso GARCH(1,1), estas cantidades son

2 = hv(tn )i =
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
dt [ip(t) (t) H (p(t))] ,
(20.388)
donde el Hamiltoniano es [comparemos con la Ec. (20.10)]

H (p)
2 |p|
.
2
(20.389)
La probabilidad del rendimiento dado por la Ec. (20.144) sera entonces

P (xb tb |xa ta ) =
Y Z
Dx exp
tb
ta
( (t))
dt H

[x
]. (20.390)
Si sustituimos ahora la representacion de Fourier de la funcional , obtenemos

P (xb tb |xa ta ) =
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
Hallando las integrales de trayectoria sobre (t), tendremos

P (xb tb |xa ta ) =
Dp
2
R tb
Dx e
ta
dt [ip(t)x(t)H
(p)]
(20.392)
donde el Hamiltoniano total es la suma del grupo de Hamiltonianos

H(p)
H (p).
(20.393)
La generalizacion continua de este resultado sera

H(p) = H(|p|)
d 2 |p|.
(20.394)
La funcion espectral 2 debe de extraerse de los datos hallando la integral

2 =
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
En el sitio electronico http://bradley.bradley.edu/~arr/bsm/model.html se puede hallar

una introduccion al modelo.
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
Modelo Black-Scholes de la Valorizaci

on de las Opciones
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
Para F. Black el premio llego muy tarde, ya que muri

o dos a
nos antes.
N. del T.: En la nomenclatura inglesa se utiliza el termino Billon para indicar miles de Millones.
20.7 Valorizaci
on de las Opciones
1585
y juntos descubrieron un modelo aproximado para la valorizacion de las opciones,

el cual a
un se usa ampliamente.
El modelo de Black y Sholes supone los siguientes terminos:
1. Las ganancias se distribuyen de manera normal.
Los errores de esta hipotesis se han discutido en la Seccion 20.1. Las mejoras
apropiadas al modelo se desarrollaran mas adelante.
2. Los mercados nancieros son ecientes.
Esta hipotesis implica que los mercados operan continuamente con precios
justos, siguiendo un proceso estocastico continuo sin memoria. Esto implica
tambien que los diferentes mercados tienen el mismo precio de los valores.
Esto no es completamente cierto. En general, los diferentes mercados nancieros tienen precios ligeramente diferentes. Las diferencias son muy
peque
nas por la existencia de arbitrajes. Existen tambien correlaciones en
escalas de corto tiempo las cuales, en principio, ayudan a obtener ganacias
sin riesgo a partir de los llamados arbitrajes estadsticos. Sin embargo, esta
posibilidad esta fuertemente limitada por las costos de las operaciones.
3. No hay comisiones.
Esta hipotesis no se cumple. Generalmente, los mercados participantes tienen
que pagar una comision para comprar o vender bienes. A
un los operadores
de piso pagan alg
un tipo de comision, aunque esta comision suele ser muy
peque
na. Las comisiones pagadas por inversionistas individuales son mas importantes y pueden alterar el resultado del modelo.
4. Las tasas de interes se mantienen constantes y conocidas.
El modelo de Black y Scholes supone la existencia de una tasa de interes libre
de riesgo, para representar esta tasa constante y conocida. En realidad no
existe tal tasa libre de interes. Como una aproximacion, se utiliza la tasa de
descuento de los Bonos del Tesoro del Gobierno de los Estados Unidos con
30 das de vencimiento. En los perodos de cambios rapidos de las tasas de
interes, a menudo las tasas a 30 das estan sujetas a cambios, violando de esta
forma una de las hipotesis del modelo.
5. Las acciones no pagan dividendos durante la validez de la oferta.
La mayora de las compa
nas pagan dividendos a sus accionistas, esto es una
limitacion del modelo ya que altos dividendos signican menos ganancias. Sin
embargo, hay una posibilidad simple de ajustar el modelo a la situacion real
restando el valor descontado de un futuro dividendo del precio de las acciones.
6. Utilizacion de los Terminos de Ejercicio Europeos.
Los terminos de uso Europeos implican el ejercicio de una opcion solo en
la fecha de vencimiento. Esto es contrario a los terminos Norteamericanos
1586
que permiten el ejercicio en todo momento de validez de la opcion. Esta

gran exibilidad hace que una opcion Norteamericana sea mas valiosa que una
Europea.
Sin embargo, en la practica la diferencia no es tan dramatica dado a que muy
pocas ofertas se ejercen antes de los u
ltimos das de vigencia, dado que un
ejercicio previo signica derrochar el tiempo restante de la oferta. Diferentes
tiempos de ejercicio hacia el nal de la vigencia de una oferta son irrelevantes,
ya que el tiempo restante de la oferta es muy peque
no y el valor intrnseco
tiene una peque
na dependencia temporal, excepto si hay un evento dramatico
justo antes de la fecha de vencimiento.
Desde 1973, el modelo original de la valorizacion de las opciones de Black y
Scholes se ha mejorado y ampliado considerablemente. En el mismo a
no, Robert
Merton [90] incluyo el efecto de los benecios. Tres a
nos mas tarde, Jonathan
Ingerson relajo la hipotesis de no impuestos o costos de transaccion y Merton elimino
la restriccion de tasas de interes constante. En a
nos recientes, el modelo se ha
generalizado para poder determinar los precios de las opciones con muchas mas
propiedades.
En 1998 el fsico teorico J.W. Dash reconocio la relevancia de las integrales
de trayectoria en este campo y escribio dos artculos no publicados sobre el tema
titulados Path Integrals and Options I and II [91]. Desde entonces muchos fsicos
teoricos han participado en el campo y los artculos sobre este tema han empezado
a aparecer en el servidor de los Alamos [13, 92, 93].
20.7.2
Ecuaciones de Evoluci
on de la Cartera de Valores
con Opciones
El precio de la opcion O(t) tiene uctuaciones mayores comparadas con el precio de

las acciones asociadas. La variacion de las uctuaciones se representa generalmente
mediante la pendiente O(S(t), t)/S(t), la cual normalmente se escribe en la forma
(S(t), t) y se le llama la Delta de la opcion. En el caso donde las uctuaciones
siguen el comportamiento Gaussiano ideal, si (S(t), t) depende solo ligeramente
tanto de S(t) como de t se puede garantizar un crecimiento estable de la cartera de
valores. Unicamente hay que combinar un n
umero NS (t) apropiado de acciones con
NO (t) opciones y bonos de corto plazo, cuyo n
umero se denota por NB (t). Como
se menciono anteriormente, estos bonos son tpicamente los Bonos del Tesoro del
Gobierno de los Estados Unidos con 30 das de vencimiento, los cuales tienen solo
peque
nas uctuaciones en el precio. La composicion [NS (t), NO (t), NB (t)] se conoce
como la estrategia del director de la cartera. La riqueza total tiene el valor
W (t) = NS (t)S(t) + NO (t)O(S, t) + NB (t)B(t).
(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)
La razon rB es la tasa de interes libre de riesgo, encontrada en los mercados reales

cuando no hay eventos que cambien excesivamente el valor de los bonos a corto
plazo.
La existencia de arbitrajes asegura que la razon de crecimiento rW es igual a la
de los bonos de corto plazo
rW rB .
(20.399)
De otra forma los operadores deben cambiar de una inversion a otra.

En la descomposicion de la Ec. (20.396), el crecimiento deseado, dado por la
Ec. (20.397), sera
+ NO (t)O(S,
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)
De tal forma que la ecuacion de crecimiento (20.397), sera

(t) = NS S + NO O + NB B = rW (NS S + NO O + NB B) .
W
(20.402)
Debido a la igualdad de las tasas rW = rB y a la Ec. (20.398), la contribucion total

de B(t) se elimina, y obtenemos
NS S + NO O = rW (NS S + NO O) .
(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)
Utilizando esta relacion, la Ec. (20.403) sera

!
O
NS S + NO O = NO rW
+O .
x
(20.405)
1588
Los dos terminos en el lado izquierdo se analizan en la siguiente forma: primero

usamos la relacion (20.404), con lo cual podemos reescribir
O(S, t) S
O(S, t)
S = NO
.
NS S = NO
S
x S
(20.406)
En el segundo termino del lado izquierdo de la Ec. (20.405), hallamos la dependencia

temporal total del precio de las opciones mediante un desarrollo en series de Taylor
i
dO
1h
O(x(t) + x(t)
dt, t + dt) O(x(t), t)
=
dt
dt
O O
1 2O 2
1 3O 3 2
=
+
x +
x
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)
La estrategia de hallar una cartera libre de riesgos balanceando las uctuaciones

de NS acciones con NO opciones, que cumplen con la Ec. (20.404), se conoce como la
proteccion Delta. La proteccion es, por supuesto, imperfecta. Dado que (S(t), t)
depende del precio de las acciones, la proteccion Delta requiere de un rebalance
frecuente de la cartera, de ser necesario varias veces al da. Luego de un perodo de
tiempo t, la Delta ha cambiado por
O(S(t), t) 2 O(S(t), t)
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
En principio es posible comprar un tercer bien para proteger tambien la curvatura

Gama. Este procedimiento no es muy popular, debido a los costos de la operacion.
Para ruido no Gaussiano, la ecuacion diferencial (20.409) sigue siendo estocastica
debido a las uctuaciones residuales de los terminos del desarrollo hallado en la
Ec. (20.411). Este hecho es un obstaculo para construir una cartera libre de riesgos
con crecimiento determinista de la riqueza total W (t). Como en la Ec. (20.255) solo
podemos hallar la ecuacion de movimiento para el valor promedio
*
1 3O 3 2
1 2O 2
x )O.
x dt +
x dt +. . . = H(i
2 x2
6 x3
+
(20.416)
As, un precio razonable de la opcion se puede calcular solo en promedio utilizando

la ecuacion diferencial de Fokker-Planck
"
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)
Sin embargo, como se comenta en la Subseccion 20.2.2, para datos almacenados

en tiempos discretos, si ademas los decrecimientos de las distribuciones de ruido
no son Gaussianas de decrecimientos semi-abruptos, entonces esta limitacion no es
realmente estricta. Luego, en forma aproximada, los terminos de
orden superior del
desarrollo hallado en la Ec. (20.411) se cancelan por el factor t y los valores
esperados en las Ecs. (20.416) y (20.417) se pueden omitir.
Para uctuaciones Gaussianas, se puede hallar facilmente la solucion de la
ecuacion de Fokker-Planck (20.412). Si, por razones de simetra, renombramos
t ta y x xa , entonces al tiempo tb una solucion inicial de la forma (xa xb ),
tiene la representacion de Fourier
P
(M,rx )
rW (tb ta )
(xb tb |xa ta ) = e
dp ip(xb xa ) (2 p2 /2+irxW p)(tb ta )

.
e
e
2
(20.419)
Para el caso tb > ta , la integal converge.

Para uctuaciones no Gaussianas con decrecimientos semi-abruptos, tenemos
una solucion aproximada cuya representacion de Fourier es
P
(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
Para uctuaciones Gaussianas donde H(p) = 2 p2 /2, la integral de la Ec. (20.419)

es facil de evaluar y para el caso tb > ta obtenemos la distribucion martingala
P
(M,rx )
[xb xa rxW (tb ta )]2

exp
.
(xb tb |xa ta ) = q
2 2 (tb ta )
2 2 (tb ta )
erW (tb ta )
(20.421)
Esta distribucion es la martingala de riesgo neutro hallada en la Ec. (20.289), donde

usamos r = rx .
Es claro que esta distribucion de probabilidad es la solucion de la integral de
trayectoria
P
(M,rx )
rW (tb ta )
(xb tb |xa ta ) = e
1
Dx exp 2
2

tb
ta
[x rxW ]
(20.422)
Para un cierto precio de ejercicio, E representa la opcion de las acciones. El

valor de la opcion en la fecha de vencimiento tb estara dado por la diferencia entre
el precio de la accion en la fecha de vencimiento y el precio de ejercicio:
O(xb , tb ) = (xb xE )(exb exE ),
(20.423)
xE log E.
(20.424)
donde
En la Ec. (20.423) la funcion de Heaviside tiene en cuenta el hecho que la opcion es

solo u
til en el caso Sb > E.
Mediante la Ec. (20.423) calculamos el precio de la opcion para un cierto tiempo
previo arbitrario, para ello utilizamos la probabilidad de evolucion temporal dada
por la Ec. (20.421)
O(xa , ta ) =
dxb O(xb , tb ) P (M, rW ) (xb tb |xa ta ).
(20.425)
Sustituyendo en esta expresion la Ec. (20.423), obtenemos la siguiente suma

O(xa , ta ) = OS (xa , ta ) OE (xa , ta ),
(20.426)
donde
erW (tb ta )
OS (xa , ta ) = q
2 2 (tb ta )
xE

, (20.427)
dxb e exp
2 2 (tb ta )
)
xb
OE (xa , ta ) = EerW (tb ta ) q

2 2 (tb ta )
xE

.
dxb exp
2 2 (tb ta )
(
(20.428)
1592
En la segunda integral utilizamos la relacion

1
x xa + rxW (tb ta ) = xa + rW 2 (tb ta ),
2

(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
Luego de reescalar la variable de integracion xb tb ta , obtenemos

erW (tb ta )
OE (xa , ta ) = erW (tb ta ) E N(y ),
(20.431)
donde N(y) es la funcion de distribucion Gaussiana acumulativa

N(y)
"
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 )
=
log[S(ta )/E] + rW 12 2 (tb ta )

q
2 (ta tb )
(20.433)
En el precio de la opcion, la primera contribucion a la integral dada en la

Ec. (20.427) se puede hallar luego de completar la cuadratura en el exponente,
en la forma:
2 2 (tb ta )
[xb xa (rxW + 2 )(tb ta )]2 2rW 2 (tb ta ) 2xa 2 (tb ta )
.(20.434)
=
2 2 (tb ta )
xb
Reescribiendo
x+ xa + rxW +
(tb ta ) = xa + rW
1
+ 2 (tb ta ),
2

(20.435)
y reescalando xb , como se hizo anteriormente, obtenemos

OS (xa , ta ) = S(ta )N(y+ ),
(20.436)
donde
log[S(ta )/E] + (rxW + 2 ) (tb ta )
x+ xE
q
=
y+ q
2 (ta tb )
2 (ta tb )
=
log[S(ta )/E] + rW + 21 2 (tb ta )

q
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)
es la famosa formula de Black-Scholes de la valorizacion de las opciones.

La Fig. 20.28 muestra como cambia el precio de rescate de las acciones respecto
del tiempo de la oferta tb ta para diferentes volatilidades .
Los operadores de piso del mercado de valores utilizan la formula de BlackScholes para evaluar que tan elevadas son las opciones, de tal forma que puedan
decidir entre comprar o vender. Para una tasa de interes libre de riesgo rW , tiempo
de oferta tb ta y un conjunto de opciones, acciones y precios de ejercicio O, S y
E, los operadores calculan la volatilidad utilizando la Ec. (20.438). El resultado se
conoce como la volatilidad implicada y se denota por (x xE ). En la Fig. 20.29 se
muestra un graco tpico de (x xE ) en funcion de x xE . Si la fomula de BlackScholes fuese exacta, los datos deberan estar sobre la lnea horizontal (xxE ) = .
En lugar de ello, los datos estan dispersos sobre una parabola, la cual se conoce como
la sonrisa de la opcion. La sonrisa indica la existencia de una kurtosis diferente de
cero en la distribucion de la renta, como veremos en la Subseccion 20.7.8.
No podemos dejar de decir que si la integral dada en la Ec. (20.427) se calcula
para todo el eje xb , el resultado sera independiente del tiempo, esto se debe al
caracter martingala de la distribucion de riesgo neutro P (M, rW ) (xb tb |xa ta ).
20.7.4
Valorizaci
on del Precio para una Opci
on As
atica
En una opcion Asatica no tenemos el precio de la opcion en la fecha de expiracion

sino que tenemos un promedio durante el tiempo de validez de la opcion. Para
calcular este promedio recordemos la amplitud temporal dada en la Ec. (3.200) de
una partcula para un valor medio x0 jo. La version estocastica de la expresion
mecanico-cuantica de la Ec. (3.200) es
"
(

#)
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
dx0 P (M,rx ) (xb tb |xa ta )x0 = P (M,rx ) (xb tb |xa ta ).
(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
Figure 20.28 Izquierda: Relaci

on entre el precio de rescate O respecto del precio de las
acciones S para diferentes tiempos anteriores a la fecha de vencimiento (el incremento temporal est
a en relaci
on directa con el tama
no de lnea: 1, 2, 3, 4, 5 meses). Los par
ametros
son E = 50 dolares, = 40% y rW = 6% mensual. Derecha: Relaci
on entre el precio
de ejercicio E para valores fijos de las acciones 35 dolares, el tiempo de vencimiento es el
mismo al de la figura en el lado izquierdo (el incremento es directamente proporcional con
el tama
no del trazo). Inferior: Relaci
on con la volatilidad al tiempo antes de la fecha de
vencimiento, tb ta = 3 meses (de izquierda a derecha: 80%, 60%, 20%, 10%, 1%).
En lugar de la Ec. (20.423), el precio de la opcion en el momento de expiracion

sera
O(xb , tb ) = (xb x0 )(exb ex0 ),
(20.442)
de tal forma que en lugar de la Ec. (20.426) tenemos la diferencia entre

Z
OS (xa , ta ) =
dx0
x0
dxb exb P (M,rx ) (xb tb |xa ta )x0 ,
(20.443)
la cual en virtud de la Ec. (20.441) es igual a la Ec. (20.427) y la expresion

Ox (xa , ta ) =
dx0 ex0
x0
dxb P (M,rx ) (xb tb |xa ta )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
dxb (exb ex0 )P (M,rx ) (xb tb |xa ta )x0 ,
(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]).
El resultado de la doble integral en la segunda lnea sera

eA(t) eA0 (t) ,
(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)
Ahora, usando la formula integral

Z
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)
donde O v (xa , ta ) es el precio de la opcion obtenido de la formula de Black-Scholes

hallada en la Ec. (20.438), cuya varianza es v. El ndice superior indica que en las
variables y+ y y de las Ecs. (20.433) y (20.437), la varianza 2 se intercambia por
la variable de integracion v.
Dado que la distribucion de Boltzmann para los datos al minuto tiende
rapidamente a una distribucion Gaussiana (recordemos la Fig. 20.15), los cambios
del precio con respecto a la formula de Black-Scholes son importantes solo para las
opciones de corto plazo, menor a una semana. Es mas facil estimar los cambios del
precio utilizando el desarrollo dado por la Ec. (20.209), de donde obtenemos
O B (xa , ta ) = O v (xa , ta ) +
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
Para uctuaciones no Gaussianas en general con decrecimientos semiabruptos, el

precio de la opcion debe de calcularse numericamente a partir de las Ecs. (20.425) y
(20.423). Utilizando la representacion de Fourier dada en la Ec. (20.419) y usando
el Hamiltoniano
+ irxW p
HrxW (p) H(p)
(20.453)
denido por la Ec. (20.141), obtenemos

O(xa , ta ) =
xE
dxb (exb exE )P (xb tb |xa ta )
rW (tb ta )
= e
xE
xb
xE
dxb (e e )
dp ip(xb xa )Hrx (p)(tb ta )

W
. (20.454)
e
2
El integrando se puede rearreglar en la forma:

i
dp h xa i(pi)(xb xa )
e e
exE eip(xb xa ) eHrxW (p)(tb ta ) .
xE
2
(20.455)
Se requiere de dos integraciones para hallar el resultado. Esto hara que el calculo
numerico sea muy lento. Afortunadamente, una de las integrales se puede hallar
analticamente. Para ello cambiamos la variable del momentum en la primera parte
de la integral de p a p + i y reescribimos la integral como
O(xa , ta ) = erW (tb ta )
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)
Por brevedad, hemos eliminado los argumentos xa , xE , tb ta de la funcion f (p). En

la Ec. (20.456) la integral sobre xb se convierte en una transformada de Fourier
f(xb xa ) =
dp ip(xb xa )
e
f (p)
2
(20.458)
para f (p). Entonces, es conveniente expresar la

integral xE dxb en terminos de la
R
funcion de Heaviside (xb xE ), en la forma dxb (xb xE ) y usar la representacion de Fourier de la funcion de Heaviside dada en la Ec. (1.312) para obtener
R
xE
dxb f(xb xa ) =
dxb
dq i
eiq(xb xE ) f(xb xa ).
2 q + i
(20.459)
Sustituyendo ahora la representacion de Fourier dada en la Ec. (20.458), podemos

evaluar la integral sobre xb y obtenemos la representacion en el espacio del momentum del precio de la opcion
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
dp eip(xE xa ) f (p) f (0)

.
2
p
#
(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)
donde (x) 2(x) 1 es la funcion escalon dada en la Ec. (1.315), y obtenemos

O(xa , ta )
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)
Este es el mismo comportamiento de la formula de Black-Scholes, ver la Ec. (20.438).

En la Fig. 20.30 mostramos la diferencia entre el precio de la opcion obtenida
de nuestra formula, hallada en la Ec. (20.462) para una distribucion truncada de
Levy de kurtosis = 4, y la formula de Black-Scholes (20.438) utilizando los datos
mostrados en el extremo superior izquierdo de la Fig. 20.28.
O(S, t) OBS (S, t)
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.
Para distribuciones truncadas de Levy, la integral de Fourier hallada en la

Ec. (20.454) se puede expresar directamente en terminos de la funcion de distribucion
original, la cual corresponde a la transformada de Fourier dada en la Ec. (20.52):
(,,)
L
(x) =
2
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 ),
rxW rxW (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
exponencial de la integral de la Ec. (20.454), obtenemos el termino de deriva rxW en

la distribucion, con lo cual encontramos
Z
dp ipx[H(p)+ir
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
xE
(,,)
dxb (exb exE )L
2 (tb ta ) (xb xa rxW (tb ta )).(20.471)
Esta y otras ecuaciones similares deducidas utilizando otros modelos no Gaussisanos,

conducen a formulas justas para los precios de las opciones.
20.7.7
Valorizaci
on de las Opciones para las Fluctuaciones de la
Varianza
Si se tienen en cuenta las uctuaciones de la varianza, en la derivacion de la ecuacion

de evolucion temporal para el precio de una opcion necesitamos considerar la dependencia con respecto a v(t). En lugar de la Ec. (20.407) escribiremos la evolucion
temporal en la forma
i
dO
1h
O(x(t) + x(t)
dt, v(t) + v(t)
dt, t + dt) O(x(t), v(t), t)
=
dt
dt
O
1 2O 2
1 2O 2
2O
O O
+
x +
v +
x
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)
estos reemplazos se siguen directamente de las Ecs. (20.306) y (20.308) y de las

funciones de correlacion (20.310). De esta forma obtenemos
i
dO
1h
O(x(t) + x(t)
dt, v(t) + v(t)
dt, t + dt) O(x(t), v(t), t)
=
dt
dt
O
1 2O
2O
1 2O 2
O O
+
x +
v +
v
+
v
+
v.
=
t
x
v
2 x2
xv
2 v 2
(20.474)
1600
Este resultado se sustituye en la Ec. (20.403). Si ajustamos la cartera nanciera de
acuerdo a la regla (20.404), y usando la relacion de Ito S/S

= x + v/2, obtenemos
la ecuacion [comparemos con la Ec. (20.409)]
O
v2
O
NO rW
x +
+ NO O
+ O = NO
x
x
2
#
"
O 1 2 O
2O
1 2O 2
v 2 O O
+
v +
+
v+
v +
v + . . . . (20.475)
= NO
2 x
v
t
2 x2
xv
2 v 2
!
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)
Adicionalmente, podemos tener en cuenta el hecho de que el precio de la opcion

aumenta con la varianza, como en la formula de Black-Scholes, agregando en el lado
derecho de la Ec. (20.478) un termino fenomenologico de correccion v, llamado
el riesgo de la volatilidad del precio [78, 11]. Tal termino tiene el efecto simple de
renormalizar los parametros y v en la forma
= + ,
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
En el lado derecho reconocemos el operador Hamiltoniano dado en la Ec. (20.319),

donde y v se reemplazan por y v , en terminos del cual hallamos

O
+ + x + 2 v O.
= rW (O x O) + H
t
(20.481)
La solucion de esta ecuacion se puede expresar facilmente como una modicacion

de la solucion a la ecuacion diferencial (20.318), P (xb , vb , tb |xa va ta ), dada por la
Ec. (20.340). Dado que con respecto a la Ec. (20.318), esta expresion contiene
derivadas de primer orden adicionales, hallamos simplemente, utilizando la notacion
x xa y t ta , que la solucion P v (xb , vb , tb |xa va ta ) que cumple con la condicion
inicial
P v (xb , vb , tb |xa va ta ) = (xb xa )(vb va ),
(20.482)
es de la siguiente forma:
P v (xb , vb , tb |xa va ta ) = e(rW +
)t
Psh (xb , vb , tb |xa va ta ),
(20.483)
donde el subndice sh indica que los argumentos xb xa y vb va se han desplazado

en la forma:
xb xa xb xa (rW ),
vb va vb va 2 .
O(S, v, t) OBS (S, t)

= 0.5
(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
La distribucion hallada en la Ec. (20.482) puede sustituirse en una expresion del

tipo dada en la Ec. (20.425), para hallar el precio de la opcion a un cierto tiempo ta
con respecto al precio dado por la Ec. (20.423) al momento del plazo de vencimiento
tb . Si suponemos que la varianza va es igual a v y los parametros restantes son
= 2, v = 0.01,
= 0.1, rW = 0,
(20.485)
el precio de una opcion con precio de ejercicio E = 100, medio a

no antes de la fecha
de vencimiento, cuyo precio de las acciones es S = E (esto es lo que llamamos la
opcion en efectivo), es 2.83 dolares para = 0.5 y 2.81 dolares para = 0.5. La
diferencia con respecto al precio de Black-Scholes se muestra en la Fig. 20.31.
20.7.8
Desarrollo Perturbativo y Sonrisa
Un tratamiento perturbativo de toda distribuci

on no Gaussiana D(x),
la cual por simplicidad
suponemos simetrica, parte del desarrollo
h
i
2 2
a4
a6
c8
D(p) = 1 + p4 p6 + p8 . . . . . . e p /2 ,
(20.486)
4!
6!
8!
donde
a4 = c4 , a6 = c6 ,
a8 = c8 + 35c24 ,
a10 = c10 + 210c4c6 , . . . ,
misma que se puede expresar como la serie

#
"

2

3

4
2 2
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)
Utilizando la transformada de Fourier obtenemos el desarrollo de la distribuci

on en el espacio x
#
"

2

3

4
2
2
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
720 1440 1440

x2 /22

x8
e
35
c24
c8
+ 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
720 288 1440 5760 2304

x2 /22
2
x8
e
c4
c8
c3
p
,
(20.490)
+ 8
+ ...
+
4
1152 40320 9216

212
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
la exponencial tendra la forma

2

x
x4 c4
c6
5
c2
c8
29
c4 c6
2576
c34
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
La exponencial se puede re-expresar compactamente en la forma cuasi-Gaussiana

1
x2
,
D(x)
= p
exp
22 (x)
2
12
donde hemos definido un ancho dependiente de x

x2 c4
5 c2
2575 c34
c6
29 c4 c6
c8
(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)
Para valores peque

nos de x, la desviaci
on de 2 (x) respecto de la constante 2 tiene como termino
principal un termino cuadratico. Si graficamos la fluctuacion del ancho (x), para los valores
observados del logaritmo del precio de las opciones, encontramos la par
abola en forma de sonrisa mostrada anteriormente en la Fig. 20.29. Utilizando como base el desarrollo hallado en la
Ec. (20.488) podemos deducir una f
ormula aproximada del precio de las opciones para la fluctuacion de los bienes de acuerdo a la distribuci
on truncada de Levy. Simplemente aplicamos el
operador diferencial que multiplica a la distribuci
on Gaussiana
#
"

2

3

4
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 ) .
El termino proporcional a a6 sera una correccion proporcional a 2 :

nh
p
2
352
1
2
y+
/2
2 (t t )
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)
El siguiente termino proporcional a a8 , adiciona correcciones proporcionales a 2 y 3 :

3853 + 352
1
O3 (xa , ta ) =
4
6
2
2 3 57

M
nh
p
2
3 2
2
3
y+
/2
y y+ + 9y y+
+ y
15y+ + 18 + 2 (tb ta )(12y y+ + 18)
Se

2
5
3
3
rW (tb ta )
y
/2
y
10y
+ 15y + 2 (tb ta )(3y
9y )
e
Ee

1
+erW (tb ta ) (tb ta )3 EN (y ) .

(20.502)
+ 4 (tb ta )2 3y
2 6
Dado que el desarrollo es asint
otico, para aplicaciones practicas sera necesario un esquema de
resumacion eficiente.
Ap
endice 20A
Comportamiento para Valores grandes de x

de la Distribuci
on Truncada de L
evy
Deduciremos aqu el desarrollo asint

otico divergente, en la region de valores grandes de x. Utilizando la variable y p/ y la constante a s , podemos escribir la integral de Fourier dada
en la Ec. (20.24) en la forma
(,)
L
(x) = e2a
2
dy iyx a[(1iy) +(1+iy) ]

e
e
.
2
(20A.1)
Comportamiento para Valores Grandes de x de ...
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)
donde utilizamos los coeficientes binomiales. Cambiando el orden de la sumatoria, obtenemos

(,)
L
(x) = e2a
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)1+n/2 m!(n m)!

n=1
m=0
(20A.5)
Las funciones de Whittaker W, (x), tienen el siguiente desarrollo asint

otico
X
Y

1
2
2
W, (x) = ex/2 x 1 +
.
j
+
1/2)
k!xk j=1
(20A.6)
k=1
Para (n + 1)/2 y (n 2m)/2, el producto tendra la forma

(
2
2 )
k
k
Y
Y
n + 1
1
(n 2m)
2
2
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)
y tambien hallamos la forma

(,)
L
(x)
2
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)
cuya serie de Taylor es

f (k) (y ) =
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)
Este resultado se puede reescribir en la forma

e
(,)
L
(x) =
2
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)
De donde obtenemos el desarrollo asint

otico
e
(,)
L
(x) =
2
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
(K) (x) para valores grandes de x, donde se pre (,)

Figure 20.32 Representaci
on de L
2
sentan diferentes terminos de la serie (para K = 0, 1, 2, 3, 4 y 5, el ancho de lnea indica
el incremento en K). Se muestra
tambien una comparacion con la cola de la distribucion
truncada de Levy, donde = 2, = 0.5 y = 1.
donde
Ak =
(s)k/ f (k) (s(2) )

,
k!
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)
t) es real y antisimetrica como funci

H(p,
on de p. Por lo tanto, la integral dada en la Ec. (20B.1)
es una funci
on simetrica respecto de x. La u
nica fuente de asimetra de P (x t |xa ta ) en funci
on
de x, est
a en el prefactor exponencial hallado en la Ec. (20B.1).
1608
Para valores peque

nos de x, hallamos el desarrollo en serie de la integral dada en la Ec (20B.1):

2
1
2
x/2
(20B.4)
0 2 (x) 0 ex/2 e2 (x) /20 ,
P (x t |xa ta ) e
2
t)]
donde los coeficientes son el primer y segundo momento de la funci
on exp[H(p,
0 (t) =
+
Z
dp H(p,t)
e
,
2
2 (t) =
+
Z
dp 2 H(p,t)
p e
.
2
(20B.5)
Si ignoramos los decrecimientos semi-abruptos y extrapolamos la expresion Gaussiana del lado

derecho al intervalo x (, ), la probabilidad total contenida en la extrapolaci
on Gaussiana
sera la fracci
on
s
+
Z
230 0 /82
x/22 x2 /20
f (t) =
=
dx 0 e
.
(20B.6)
e
2
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
Para mostrar una comparaci

on directa entre la teora discutida en la Seccion 20.4 y los datos
financieros reales mostrados en la Fig. 20.22, los autores de la Ref. [79] utilizaron los datos financieros al cierre diario del ndice industrial Dow-Jones para el perodo de los u
ltimos 20 a
nos,
desde el 1o. de Enero de 1982 hasta el 31 de Diciembre de 2001, obtenidos del sitio electronico
Yahoo [110]. El conjunto de datos contiene 5049 puntos S(tn ), donde la variable temporal discreta
tn representa los das. Se han ignorado los das cortos, anteriores a las festividades. Para cada
tn , los autores calcularon el logaritmo de la ganancia x(tn ) = ln S(tn+1 )/S(tn ). Luego hicieron
una partici
on del eje x en intervalos igualmente espaciados de ancho x y contaron el n
umero
de logaritmos de la renta x(tn ) que caen en cada intervalo, omitiendo todos los intervalos con
n
umero de ocupaci
on menor que cinco, el cual consideraron como demasiado peque
no para ser de
utilidad. De esta forma, solo se omitio menos del 1% del total de los datos. Dividiendo el n
umero
de ocupaci
on de cada partici
on por r y por el n
umero total de ocupaci
on de las particiones,
obtuvieron la densidad de probabilidad para el intervalo temporal t = 1 da. De esta manera
encontraron P (DJ) (x t |xa ta ), donde usaron el reemplazo x x rS t.
Suponiendo que el sistema es erg
odico, de tal forma que el ensemble promedio es equivalente al
promedio temporal, compararon P (DJ) (x t |xa ta ) con el valor calculado de P (x t |xa ta ) hallado en
la Ec. (20.347).
Los par
ametros del modelo se determinaron minimizando la desviacion cuadratica
P
media x,t | log P (DJ) (x t |xa ta ) log P (x t |xa ta )|2 , donde la suma se calcula sobre todos los
x disponibles y sobre t = 1, 5, 20, 40 y 250 das. Se seleccionaron estos valores de t debido
a que representan diferentes regmenes: t 1 para t = 1 y 5 das, t 1 para t = 20 das
y t 1 para t = 40 y 250 das. Como se muestra en las Figs. 20.22 y 20.23, la densidad
de probabilidad P (x t |xa ta ) calculada con la integral de Fourier hallada en la Ec. (20.347), con
componentes dadas por la Ec. (20.348), concuerda muy bien con los datos no solo para los cinco
valores temporales seleccionados, sino que para todo el intervalo temporal de 1 a 250 das de
actividad comercial. La comparaci
on no se puede extender a t mayor a 250 das, valor que
representa aproximadamente 1/20 del rango entero de datos, debido que es imposible obtener con
certeza de los datos la probabilidad P (DJ) (x t |xa ta ) cuando t es muy grande.
Apendice 20C
1609
Comparacion con los Datos Dow-Jones
Table 20.1 Par

ametros de las ecuaciones con fluctuaciones de la varianza obtenidos
del ajuste a los datos Dow-Jones. En el ajuste obtenemos 0, para el coeficiente de
correlaci
on, y 1/ = 22.2 das de actividad comercial, para el tiempo de relajacion de la
varianza.
Unidades
1/da
1/a
no
4.50 102
11.35
v
8.62 105
0.022
2.45 103
0.618
5.67 104
0.143
El mejor ajuste para los cuatro par

ametros , v, y est
a dado en la Tabla 20.1. Considerando
la dispersi
on de los datos, no hay diferencias importantes entre los ajustes para un coeficiente de
correlaci
on cero o casi cero. Por lo tanto, el par
ametro de correlaci
on para los terminos del
ruido del precio de las acciones y la varianza dada en la Eq. (20.310) es practicamente cero. Esta
conclusi
on se contradice con el valor = 0.58, hallado en la Ref. [111], obtenido ajustando la
funci
on de correlaci
on auxiliar introducida en la Ref. [112]. Se necesita de un estudio mayor para
entender esta discrepancia. Todas la curvas teoricas mostradas en las figuras anteriores se calculan
para = 0 y se ajustan bastante bien a los datos.
Los par
ametros , v, y tienen dimensiones de 1/tiempo. En la Tabla 20.1 una de las filas
contiene los valores en unidades de 1/da, como fue determinado originalmente en nuestro ajuste.
La otra fila muestra los valores anualizados de los par
ametros, en unidades de 1/a
no, donde aqu
un a
no es igual al n
umero promedio de 252.5 das de actividad comercial por a
no. El tiempo de
relajaci
on de la varianza es igual a 1/ = 22.2 das de actividad comercial = 4.4 semanas 1
mes, donde 1 semana = 5 das de actividad comercial. Con esto obtenemos que la varianza tiene
un tiempo de relajaci
on mayor, del orden de un mes, lo cual est
a en completo acuerdo con una
anterior conclusi
on hallada en la Ref. [111].
Usando los datos de en la Tabla 20.1, obtenemos que el valor del par
ametro 2 /2
v es 0.772,
lo cual cumple con la condicion de peque
nez dado la Ec. (20.322), asegurando con ello que v nunca
tiene valores negativos.
Los precios de las acciones tienen una raz
on de crecimiento aparente determinada por xm (t), el
maximo de la densidad de probabilidad. Agregando este valor a la raz
on de crecimiento inicialmente
sustraida, rS , encontramos que la raz
on de crecimiento aparente es rS = rS
v /20 = 13% por
a
no. Este valor coincide con la raz
on promedio de crecimiento del ndice Dow-Jones obtenida
on exponencial que depende de
mediante un ajuste simple de los puntos Stn , utilizando una funci
tn . La raz
on de crecimiento
aparente
r
es
comparable
con
la
volatilidad
promedio de las acciones
S
ametro dado por la Ec. (20.328), que caracteriza

luego de un a
no, = v = 14.7%. Ademas, el par
el ancho de la varianza de la distribuci
on estacionaria, es igual a vmax /w = 0.54. Esto significa que
la varianza de la distribuci
on se dispersa, y que la varianza puede fluctuar facilmente a un valor
que es igual al doble del valor promedio v. Como una consecuencia de esto, a
un cuando la raz
on
de
crecimiento
promedio
del
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
(Vol III) under the title Ecrits

sur la courbe de la repartition de la richesse, Librairie Droz,
Geneva, 1965 (http://213.39.120.146:8200/droz/FMPro).
[19] B.B. Mandelbrot, Fractals and Scaling in Finance, Springer, Berlin, 1997; J. of Business
36, 393 (1963).
[20] T. Lux, Appl. Financial Economics 6, 463 (1996);
M. Loretan and P.C.B. Phillips, J. Empirical Finance 1, 211 (1994).
[21] J.P. Nolan, Stable Distributions, American University (Wahington D.C.) lecture notes 2004
http://academic2.american.edu/~jpnolan/stable/chap1.pdf.
[22] R.N. Mantegna and H.E. Stanley, Stochastic Process with Ultraslow Convergence to a Gaussian: The Truncated Levy Flight , Phys. Rev. Lett. 73, 2946 (1994).
[23] P. Gopikrishnan, M. Meyer, L.A.N. Amaral, and H.E. Stanley, Europ. Phys. Journ. B 3,
139 (1998);
P. Gopikrishnan, V. Plerou, L.A.N. Amaral, M. Meyer, and H.E. Stanley, Scaling of the
distribution of fluctuations of financial market indices, Phys. Rev. E 60, 5305 (1999);
V. Plerou, P. Gopikrishnan, L.A.N. Amaral, M. Meyer, and H.E. Stanley, Scaling of the
distribution of price fluctuations of individual companies, Phys. Rev. E 60, 6519 (1999);
V. Plerou, P. Gopikrishnan, X. Gabaix, H.E. Stanley, On the Origin of Power-Law Fluctuations in Stock Prices, Quantitative Finance 4, C11 (2004).
[24] I. Koponen, Analytic Approach to the Problem of Convergence of Truncated Levy Flights
Towards the Gaussian Stochastic Process, Phys. Rev. E 52, 1197-1199 (1995).
[25] I.S. Gradshteyn and I.M. Ryzhik, op. cit., Formulas 3.382.6 y 3.382.7.
[26] ibid., op. cit., Formula 3.384.9.
[27] ibid., op. cit., Formula 9.220.3 y 9.220.4.
[28] Este resultado fue calculado por A. Lyashin, cuando visito mi grupo en Berln. N
otese que
al hallar el comportamiento asint
otico dado en la Ec. (20.37), otros autores han perdido el
prefactor, ver por ejemplo
A. Matacz, Financial Modeling and Option Theory with the Truncated Levy Process, condmat/9710197. El prefactor se puede eliminar solo para = 0.
[29] ibid., op. cit., ver la Formula 3.462.3.
[30] ibid., op. cit., ver la Formula 9.246.
[31] ibid., op. cit., ver la Formula 9.247.2.
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
[50] ibid., op. cit., Formula 8.486.10.

[51] Ver http://www.fdm.uni-freiburg.de/UK.
[52] P. Jizba, H. Kleinert, Superposition of Probability Distributions, Phys. Rev. E 78, 031122
(arXiv:0802.069).
[53] G. Arfken, Mathematical Methods for Physicists, 3rd ed., Academic Press, Orlando, FL. See
t15.12 Inverse Laplace Transformation, pp. 853-861, 1985.
[54] E. Post, Trans. Amer. Math. Soc. 32 (1930) 723.
[55] H. Kleinert, Stochastic Calculus for Assets with Non-Gaussian Price Fluctuations, Physica
A 311, 538 (2002) (cond-mat/0203157).
[56] R.F. Pawula, Phys. Rev. 162, 186 (1967).
[57] Ver http://www.physik.fu-berlin.de/~kleinert/b5/files .
[58] L. Borland, A Theory of Non-Gaussian Option Pricing, Quantitative Finance 2, 415 (2002)
(cond-mat/0205078).
[59] C. Tsallis, J. Stat. Phys. 52, 479 (1988); E.M.F. Curado and C. Tsallis, J. Phys. A 24, L69
(1991); 3187 (1991); A 25, 1019 (1992).
[60] C. Tsallis, C. Anteneodo, L. Borland, R. Osorio, Nonextensive Statistical Mechanics and
Economics, Physica A 324, 89 (2003) (cond-mat/030130).
[61] P. Praetz The Distribution of Share Price Changes, Journal of Business 45, 49 (1972).
[62] R. Blattberg and N. Gonedes, A Comparison of the Stable and Student Distributions as
Statistical Models of Stock Prices, Journal of Business 47, 244 (1972).
[63] R.S. Liptser and A.N. Shiryaev, Theory of Martingales, Kluwer, 1989.
[64] D. Duffie, Dynamic asset pricing theory , Princeton University Press, 2001, p. 22.
[65] J.M. Steele, Stochastic Calculus and Financial Applications, Springer, New York, 2001, p.
50.
[66] H. Kleinert, Option Pricing from Path Integral for Non-Gaussian Fluctuations. Natural
Martingale and Application to Truncated Levy Distributions, Physica A 312, 217 (2002)
(cond-mat/0202311).
[67] F. Esscher, On the Probability Function in the Collective Theory of Risk , Skandinavisk
Aktuarietidskrift 15, 175 (1932).
[68] H.U. Gerber and E.S.W. Shiu, Option Pricing by Esscher Transforms, Trans. Soc. Acturaries 46, 99 (1994).
[69] J.M. Harrison and S.R. Pliska, Martingales and Stochastic Integrals in the Theory of Continuous Trading, Stoch. Proc. Appl. 11, 215 (1981); A Stochastic Calculus Model of Continuous
Trading Complete Markets, 13, 313 (1981);
[70] E. Eberlein, J. Jacod, On the Range of Options Prices, Finance and Stochastics 1, 131,
(1997).
[71] E. Eberlein, U. Keller, Hyperbolic Distributions in Finance, Bernoulli 1, 281-299, (1995).
[72] K. Prause, The Generalized Hyperbolic Model: Estimation, Financial Derivatives,
and Risk Measures, Universitat Freiburg Dissertation, 1999 (http://www.freidok.unifreiburg.de/volltexte/15/pdf/15 1.pdf).
[73] E. Eberlein, U. Keller, K. Prause, New Insights into Smile, Mispricing and Value at Risk:
the Hyperbolic Model , Journal of Business 71, No. 3, 371-405, (1998).
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.
[87] A. Einstein, Uber

die von der molakularkinetischen Theorie der W
arme geforderte Bewegung
von in ruhenden Fl
ussigkeiten suspendierten Teilchen, Annalen der Physik 17, 549 (1905).
[88] N. Wiener, Differential-Space, J. of Math. and Phys. 2, 131 (1923).
[89] F. Black and M. Scholes, J. Pol. Economy 81, 637 (1973).
[90] R.C. Merton, Theory of Rational Option Pricing, Bell J. Econ. Management Sci. 4, 141
(1973).
Notas y Referencias
1615
[91] Estos artculos est

an disponibles en los preprints de la CNRS : CPT88/PE2206 (1988) y
CPT89/PE2333 (1989). Dado que toma un cierto esfuerzo obtenerlos, los he colocado en
mi sitio electronico, donde han sido llamados dash1.pdf y dash2.pdf: http://www.physik.fu-berlin.de/~kleinert/b3/papers.
[92] S. Fedotov and S. Mikhailov, preprint (cond-mat/9806101).
[93] M. Otto, preprints (cond-mat/9812318) and (cond-mat/9906196).
[94] See the Wikipedia entry: http://en.wikipedia.org/wiki/Greeks (finance).
[95] J.P.A. Devreese, D. Lemmens, and J. Tempere, Physica A 389, 780 (2009).
B.E. Baaquie, L.C. Kwek, and M. Srikant, Simulation of Stochastic Volatility using Path
Integration: Smiles and Frowns, cond-mat/0008327
[96] R. Cond, Scaling and Correlation in Financial Data, (cond-mat/9705075).
[97] A.J. McKane, H.C. Luckock, and A.J. Bray, Path Integrals and Non-Markov Processes. I.
General Formalism, Phys. Rev. A 41, 644 (1990);
A.N. Drozdov and J.J. Brey, Accurate Path Integral Representations of the Fokker-Planck
Equation with a Linear Reference System: Comparative Study of Current Theories, Phys.
Rev. E 57, 146 (1998);
V. Linetsky, The Path Integral Approach to Financial Modeling and Options Pricing, Computational Economics 11 129 (1997);
E.F. Fama, Efficient Capital Markets, Journal of Finance 25, 383 (1970).
A. Pagan, The Econometrics of Financial Markets, Journal of Empirical Finance 3, 15
(1996).
C.W.J. Granger, Z.X. Ding, Stylized Facts on the Temporal Distribution Properties of Daily
Data from Speculative Markets, University of San Diego Preprint, 1994.
[98] H. Geman, D. Madan, M. Yor, Time Changes in Subordinated Brownian Motion, Preprint,
(2000).
[99] H. Geman, D. Madan, M. Yor, Time Changes for Levy Processes, Preprint (1999).
[100] J. Jacod, A.N. Shiryaev, Limit Theorems for Stochastic Processes, Berlin, Springer, (1987).
[101] P. Levy, Theorie de laddition des variables aliatoires, Paris, Gauthier Villars, (1937).
[102] D. Madan, F. Milne, Option Pricing with Variance Gamma Martingale Components, Mathematical finance, 1, 39-55, (1991).
[103] D. Madan, P.P. Carr, E.C. Chang, The Variance Gamma Process and Option Pricing,
European Finance Review 2, 79-105, (1998).
[104] D. Madan, E. Seneta, The Variance Gamma Model for Share Market Returns, Journal of
Business 63, 511-524, (1990).
[105] B.B. Mandelbrot, Fractals and Scaling in Finance, Berlin, Springer, (1997).
[106] P. Protter, Stochastic Integration and Differential Equations: a new approach, Berlin,
Springer, (1990).
[107] T.H. Rydberg, The Normal Inverse Gaussian Levy Process: Simulation and Approximation,
Commun. Stat., Stochastic Models 13(4), 887-910 (1997).
[108] G. Samorodnitsky, M. Taqqu, Stable Non-Gaussian Random Processes, New York, Chapman and Hall (1994).
[109] K. Sato, Levy Processes and Infinitely Divisible Distributions, Cambridge University Press,
(1999).
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).

Kleinert Chap20

Caricato da

Informazioni sul documento

Descrizione originale:

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Kleinert Chap20

Caricato da

Copyright:

Formati disponibili

Quandoquidem inter nos sanctissima divitiarum maiestas

Since the majesty of wealth is most sacred with us

Propiedades de las Fluctuaciones de los Valores

Sea que S(t) representa el precio de una accion o alg

20 Integrales de Trayectoria y Mercados Financieros

Figure 20.2 (a) Indice S&P 500 para un perodo de 13 a

En la aproximacion de menor orden, el precio de las acciones S(t) obedece una

20.1 Propiedades de las Fluctuaciones de los Valores Financieros

donde rS es la razon de crecimiento y (t) es una variable de ruido blanco denida

La desviacion estandar es una medida exacta de la volatilidad del precio de las

20 Integrales de Trayectoria y Mercados Financieros

Figure 20.4 Espectro de fluctuacion de la raz

x(t) log S(t)

Figure 20.5 Comportamiento logartmico del precio de las acciones de acuerdo a la

puede tratarse en la misma forma que el desarrollo de la Ec. (18.426), utilizando la

20.1 Propiedades de las Fluctuaciones de los Valores Financieros

Las potencias de orden superior en dt no contribuyen a las uctuaciones Gaussianas

por la cual las tasas constantes rS y rx , halladas en las expresiones S(t)/S(t)

no aparecen en la relacion [S(t)/S(t)]

Por supuesto, este resultado es una consecuencia directa de la Ec. (18.425).

Siguiendo a Pareto y Mandelbrot podemos intentar ajustar las distribuciones del

20 Integrales de Trayectoria y Mercados Financieros

L2 (p) exp ( 2 p2 )/2 /2 .

Para una distribucion arbitraria D(z),

donde las componentes de Fourier D(p), tendran la forma exponencial

aqu H(p) tiene un signicado similar al Hamiltoniano de las intregrales de trayec

Una denicion equivalente del Hamiltoniano es

Para las distribuciones de Levy dadas en la Ec. (20.9), el Hamiltoniano es

La distribucion Gaussiana se recobrara en el lmite 2 donde el Hamiltoniano

20.1 Propiedades de las Fluctuaciones de los Valores Financieros

El desarrollo de Taylor de la transformada de Fourier de la Ec. (20.10) dara la serie

Para nes practicos esta serie no es u

donde (p) es la funcion escalon denida en la Ec. (1.316), tambien

20 Integrales de Trayectoria y Mercados Financieros

Matematicamente una propiedad no deseable de las distribuciones de Levy es que

es innito. Si deseamos describir datos que muestran un decrecimiento abrupto para

donde el Hamiltoniano, que generaliza al Hamiltoniano de Levy dado en la

El comportamiento asintotico de la distribucion truncada de Levy diere de la

La integral se obtiene directamente de las formulas [25]

20.1 Propiedades de las Fluctuaciones de los Valores Financieros

y de la identidad de la funcion Gama2

El desarrollo completo se integra con ayuda de la formula [26]

donde las funciones de Whittaker W()/2,(1++)/2 (2z) se pueden expresar en

Para el caso = 1, donde K1/2 (x) = K1/2 (x) =

M. Abramowitz and I. Stegun, op. cit., ver la Formula 6.1.17.

/2xex , este resultado se

20 Integrales de Trayectoria y Mercados Financieros

Sumando sobre todos los terminos en el desarrollo de la funcion exponencial eH(p) :

obtenemos el verdadero comportamiento asintotico

el cual diere de la estimacion hallada en la Ec. (20.26) por un factor constante

2 (z ) = 1 P< (z), (20.38)

de la diferencia de precios z = S, donde los intervalos temporales son para t = 15

Los ajustes se comparan tambien con otras distribuciones, como se explica en el

20.1 Propiedades de las Fluctuaciones de los Valores Financieros

Figure 20.7 Ajuste

El primer cumulante c2 determina el ancho de la uctuacion cuadratica

el segundo, el valor esperado de la cuarta potencia de z

hz 6 i = c6 + 15c4 c2 + 15c32 , hz 8 i = c8 + 28c6 c2 + 35c24 + 210c4 c22 + 105c42, . . . . (20.44)

20 Integrales de Trayectoria y Mercados Financieros

La kurtosis depende de los parametros , y en la forma

Dada la volatilidad y la kurtosis , obtenemos el parametro de Levy de la

En terminos de y , los coecientes normalizados del desarrollo son

(7 )(6 )(5 )(4 )