Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
1 Departamento
Indice general
1. Integraci
on num
erica por Monte-Carlo
1.1. Introduccion . . . . . . . . . . . . . . .
1.2. Integracion Numerica . . . . . . . . . .
1.3. El metodo Monte-Carlo . . . . . . . . .
1.4. Integracion M
ultiple . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5
. 5
. 6
. 7
. 10
2. Valuaci
on de opciones por Monte-Carlo
2.1. Introduccion a las Opciones . . . . . . .
2.2. Valuacion de una opcion europea. . . . .
2.3. Valuacion de opciones asiaticas . . . . .
2.4. Esquemas numericos . . . . . . . . . . .
2.5. Resultados de la simulacion Monte Carlo
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
15
15
17
19
22
24
3. M
etodos de reducci
on de varianza
27
3.1. Variable de control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2. Resultados numericos con reduccion de varianza . . . . . . . . . . . . . . . 31
A. Anexo I
A.1. Generadores de n
umeros aleatorios . . . . . . . . . . . . . . . . . . . . . .
A.2. Pruebas para validar generadores de n
umeros aleatorios . . . . . . . . . . .
A.3. Generacion de n
umeros aleatorios con otras distribuciones . . . . . . . . .
35
35
37
39
INDICE GENERAL
Captulo 1
Integraci
on num
erica por
Monte-Carlo
1.1.
Introducci
on
NUMERICA
CAPITULO 1. INTEGRACION
POR MONTE-CARLO
1.2.
Integraci
on Num
erica
R x s2 /2
1
e
ds. Esta integral no puede
Supongamos que nos interesa calcular F (x) = 2
0
calcularse por medio de un metodo de integracion por lo que hay que aproximarla por
2
medio de la integral de un polinomio que aproxime a es /2 en el intervalo [0, x].
Sea f (x) : [a, b] < una funcion acotada en [a, b] entonces la integral de f se puede
aproximar integrando un polinomio constante, lineal o cuadratico que interpola a f en
[a, b].
1. La formula el rectangulo se obtiene al interpolar a f (x) por medio del polinomio
constante p0 (x) = f ( a+b
).
2
Z b
a+b
f (x) dx (b a)f (
) = R(f ).
2
a
2. La formula del trapecio se obtiene al interpolar a f por medio de un polinomio lineal
p1 (x) = x + que satisfaga f (a) = p1 (a), y f (b) = p1 (b). Determinar el polinomio
lineal es equivalente a resolver un sistema de ecuaciones lineales para y cuya
solucion es
f (b) f (a)
f (b)a f (a)b
=
=
.
ba
ba
Al integrar p1 (x) en el intervalo [a, b] se obtiene la regla del trapecio con h = b a
Z b
Z b
h
f (x) dx
p1 (x) dx = (f (a) + f (b)) = T (f ).
2
a
a
El error esta dado por
Z b
h3
f (x) dx T (f ) = (f 00 ()),
12
a
a < < b.
3. Por u
ltimo al integrar el polinomio cuadratico que interpola a f en x = a, x =
y x = b se obtiene la regla de Simpson con h = ba
2
Z b
Z b
h
f (x) dx
p2 (x) dx = (f (a) + 4f (a + h) + f (b)) = S(f ).
3
a
a
El error que se comete al usar Simpson es
Z b
h5
f (x) dx S(f ) = (f (4) ()),
90
a
a+b
,
2
a < < b.
Ejemplos
R1
1. Sea f (x) = x3 , 0 x3 dx = 0.25; R(f ) = 0.125, T (f ) = 0.5, y S(f ) = 0.25. En este
caso Simpson es exacta ya que integra en forma exacta a polinomios de grado menor
o igual a 3.
1.3. EL METODO
MONTE-CARLO
2
R1
0
7
2 /2
ex
Otro metodo numerico que nos permite aproximar el valor de una integral es el metodo
de Monte-Carlo cuyo fundamento matematico es probabilstico.
1.3.
El m
etodo Monte-Carlo
Como la esperanza de una variable aleatoria continua es una integral, la media muestral
se puede usar para estimar el valor de una integral. Esta es la idea que esta detras del
metodo de Monte-Carlo.
Esta idea se puede generalizar para estimar el valor esperado de una funcion G continua
cuyo argumento es una variable aleatoria con distribucion F. Si se tiene una muestra
de variables aleatorias, independientes, identicamente distribuidas con distribucion F,
entonces
M
1 X
E(G(x))
G(Xi ).
M i=1
Aplicaci
on al c
alculo de integrales
En el caso que nos ocupa, se desea estimar la integral de una funcion G continua, esta
integral puede verse como el calculo del valor esperado de la funcion G cuando se aplica
a una variable aleatoria con distribucion uniforme. Supongamos que el intervalo de integracion es [0, 1] y sea x1 , x2 hasta xM una muestra de variables aleatorias, independientes
con distribucion uniforme en el intervalo [0, 1] entonces
Z 1
G(x) dx = E(G(x))
0
1
0
M
1 X
G(x) dx
G(Xi ).
M i=1
Todo el problema se reduce a generar la muestra. Por otro lado, observemos que
cualquier integral sobre el intervalo [a, b] se puede transformar a una integral sobre el
NUMERICA
CAPITULO 1. INTEGRACION
POR MONTE-CARLO
Estimaci
on del error
El Teorema del Lmite Central nos permite estimar el error que
comete al usar
Pse
M
1
Monte-Carlo para estimar una integral. Sean I = E(g(x)) e IM = M i=1 g(Xi ) entonces
si es la desviacion estandar de g(X), se tiene que M es la desviacion estandar de IM ,
por lo que
c
P (|I IM | < ) P (|ZM | < c) = 2(c),
M
R
2
c
(II)
, (c) = 1
con ZM = /
ex /2 y c se selecciona dependiendo de la probabilidad
2 0
M
que se desee obtener. Por ejemplo si se quiere que la probabilidad sea .95 se selecciona a
c como 1.96.
Por lo tanto el error que se comete al usar el metodo de Monte-Carlo es aproximadamente M . Como observamos, si 1, se requiere de M = 104 para tener al menos dos
cifras significativas.
Este resultado nos permite estimar un intervalo de confianza de %. Para ello se
selecciona c de tal forma que (c) = 2 . De esta forma, con probabilidad podemos
asegurar que el valor exacto de la integral I esta en el intervalo
c
c
.
I , I +
M
M
1.3. EL METODO
MONTE-CARLO
El problema para usar el resultado anterior es que hay que conocer el valor de la
desviacion estandar de g(x). Lo que se hace en la practica es estimarla por la varianza
muestral
2 , ver [12], que se calcula por
M
1 X
(g(Xi ) IM )2 .
=
M 1 i=1
2
F (Ui+1 )Ii
;V
i+1
1.96 V arM
, IM
M
1.96 V arM
].
M
M
10
100
1000
10000
100000
Lm. Inf.
0.93986596
0.939873981
0.955515509
0.981765121
0.986738285
Aprox.
1.158364144
1.006610869
0.976122422
0.988230900
0.988788375
Lm. Sup.
1.376862327
1.073347758
0.996729335
0.994696679
0.990838466
Long. Int.
0.436996367
0.133473777
0.041213826
0.012931558
0.004100182
Por lo que con 100000 evaluaciones de la funcion se obtiene una aproximacion con
dos cifras significativas. Es un hecho que Monte-Carlo converge lentamente por lo que
no puede competir con Simpson o Trapecio para el calculo de integrales en una variable,
pero para el calculo de integrales m
ultiples se vuelve competitivo e inclusive mejor que
cualquier otro metodo de integracion numerica.
10
1.4.
NUMERICA
CAPITULO 1. INTEGRACION
POR MONTE-CARLO
Integraci
on M
ultiple
s(x)
f (x, y)dy dx
a
(1.1)
l(x)
s(x)
J(x)
f (x, y)dy,
(1.2)
J(x)dx.
(1.3)
l(x)
I(x) =
a
Se puede obtener una aproximacion numerica para (1.3) aplicando cualquiera de las
formulas de integracion numerica analizadas en la seccion anterior, lo cual se puede expresar como
I(x)
n
X
wi J(xi ).
(1.4)
i=0
Aqu, las wi son los pesos y las xi los puntos de la formula de integracion que se utilice.
Ahora bien, para x = xi la ecuacion (1.2) queda
Z
s(xi )
J(xi )
f (xi , y)dy.
(1.5)
l(xi )
x2
I=
1
x1
x + y dy dx,
MULTIPLE
1.4. INTEGRACION
11
Soluci
on En este caso, a = 1, b = 2, l(x) = x 1 y s(x) = x2 .
Aplicando el procedimiento descrito, y mediante la regla de Simpson, la integral anterior se puede aproximar por
hx
(H(x0 ) + 4H(x1 ) + H(x2 )) ,
3
I
en donde,
x0 = 1,
ademas, hx =
ba
2
x1 = 1.5,
x2 = 2,
x2i
xi + ydy.
xi 1
0.5 h
1 + ydy
1 + 0 + 4 1 + 0.5 + 1 + 1 .
3
1.218865508
1 + ydy 6.333410962.
12
NUMERICA
CAPITULO 1. INTEGRACION
POR MONTE-CARLO
P I In <
P (|Zn | < c) = 2(c),
n
R c x2 /2
I )
n , (c) = 1
con Zn = (I
e
y c se selecciona dependiendo de la probabilidad
/ n
2 0
que se desee obtener. Por ejemplo si se quiere que la probabilidad sea 0.95 se selecciona a
c como 1.96.
Ejemplo Aproxime el valor de la integral
Z 1Z 1
2
e(x+y) dydx
0
Empleando el algoritmo que se dio para una dimension se genero la tabla siguiente, los
intervalos son al 95 %.
El valor verdadero con 5 decimales de precision es 4.89916.
MULTIPLE
1.4. INTEGRACION
M
100
1000
10000
100000
1000000
10000000
100000000
13
Lm. Inf.
3.72101
4.03326
4.68907
4.86826
4.88963
4.89526
4.89794
Aprox.
4.73637
4.33065
4.80356
4.90544
4.90131
4.89895
4.89911
Lm. Sup.
5.75174
4.62804
4.91804
4.94262
4.91299
4.90264
4.90028
Long. Int.
2.03072
0.59478
0.22897
0.07436
0.02336
0.00738
0.00233
27
8
X
!2
xi
i=1
Empleando el algoritmo que se dio para una dimension se genero la tabla siguiente, los
intervalos son al 95 % y los resultados estan redondeados a 6 decimales.
M
100
1000
10000
100000
1000000
10000000
Lm. Inf.
0.118581
0.126927
0.129007
0.129975
0.130027
0.130173
Aprox.
0.128523
0.130067
0.129999
0.130295
0.130128
0.130205
Lm. Sup.
0.138465
0.133207
0.130991
0.130616
0.130229
0.130237
Long. Int.
0.019884
0.006280
0.001984
0.000641
0.000202
0.000064
25
,
192
14
NUMERICA
CAPITULO 1. INTEGRACION
POR MONTE-CARLO
Captulo 2
Valuaci
on de opciones por
Monte-Carlo
2.1.
Introducci
on a las Opciones
16
h(S) = max
1
T
S(x)dx K, 0 .
Otras opciones se distiguen por la forma en que se ejercen. Ya vimos que las europeas
se ejercen u
nicamente en el tiempo de maduracion. Las americanas pueden ejercerse en
cualquier tiempo t [0, T ], mientras que la opcion Bermuda solo tiene un n
umero finito
de tiempos de ejercicio. El problema matematico a resolver para estas opciones es un poco
distinto al de las europeas, pues al mismo tiempo que hay que valuarlas tambien hay que
determinar el momento optimo de ejercerlas.
Marco te
orico
1. Se tienen un espacio de probabilidad (, F, P ).
2. No hay arbitraje: no se puede obtener una ganancia sin invertir algo y el mercado
es completo.
3. El precio del subyacente St es un proceso estocastico continuo en el intervalo [0, T ]
que satisface la siguiente ecuacion
dSt
= dt + dWt ,
St
en donde es la tendencia y > 0 la volatilidad del subyacente, Wt es un browniano
estandar.
4. Existe un activo libre de riesgo St0 = ert para el periodo T .
5. Se pueden comprar o vender fracciones de activos.
6. No hay pago de dividendos ni costos de transaccion.
Observaciones:
DE UNA OPCION
EUROPEA.
2.2. VALUACION
17
M
1 X
Si+1
=
ln
,
M i=1
Si
y
2.2.
M
1
X
1
Si+1
)2
(ln
M 1 i=1
Si
!1/2
.
Valuaci
on de una opci
on europea.
Supongamos que se tienen una opcion put con duracion de 6 meses sobre una accion
de Telmex a un precio S0 = 50. Supongamos que el precio de ejercicio K = 52 y que la
volatilidad del subyacente es igual al 12 % anual y que la tasa de interes libre de riesgo
es del 6 % anual. Cual debe ser el valor de la prima del put para que la opcion sea un
contrato justo para ambas partes?
La ecuacion diferencial estocastica
S(0) = S0 ,
dS
= dt + dWt ,
S
tienen como solucion exacta a
S(t) = S0 e(
2 /2)t+W
El hecho que el mercado sea viable y completo nos permite asegurar que existe una
u
nica probabilidad P , llamada probabilidad de riesgo neutro, para la cual el precio del
subyacente es de la forma
2
t + Bt ,
St = S0 exp
r
2
con Bt , t T, un movimiento browniano estandar dado por
Bt = W t +
Bajo la probabilidad P , St =
St
ert
( r)
t.
E (St+1 | Ft ) = St .
18
Este resultado nos permite concluir que el valor de una opcion europea tambien es una
martingala y su valor esta dado por
Vt = E (er(T t) h(ST ) | Ft ),
con h(ST ) la funcion de pago de la opcion. Por lo que el valor de la opcion europea vainilla
Vt puede obtenerse por
Vt = F (t, x) = E (er(T t) h(St er(T t)+(BT Bt )
2
(r 2 )(T t)+y
2
(T t)
2
) | Ft ).
T t
Vt = E (er(T t) h(St e
)),
r(T t) Z
2
e
2
(2.1)
Z x
1
2
ey /2 dy,
N (x) =
2
ln(St /K) + (r + 12 2 )(T t)
d1 =
T t
y
d2 =
.
T t
Aplicaci
on de Monte-Carlo a la valuaci
on de opciones europeas
En el caso de la valuacion de opciones europeas, el metodo Monte-Carlo se usa para
calcular la siguiente integral
Vt = E (er(T t) h(St e(r
2
)(T t)+y
2
T t
)).
DE OPCIONES ASIATICAS
2.3. VALUACION
19
2
)T +y1 T
), con y1
2
(r 2 )T +yi T
hi = h S0 e
.
4. Se calculan Ii+1 = Ii +
hi Ii
,
i+1
1.96
V
ar
1.96
V arM
M
I IM
.
, IM +
M
M
A continuacion se presentan algunos resultados numericos para el caso de un put con
datos: K = 52, S0 = 50, T = 6 meses, r = 0.06 y = 0.12. El valor exacto del put
es 1.9415. La siguiente tabla muestra los valores que se obtienen con Monte-Carlo para
distintos valores de M.
M
100
1000
10000
100000
1000000
Put
2.0498
2.0213
1.9509
1.9386
1.9447
Lm. Sup.
1.5401
1.8604
1.9019
1.923
1.9398
Lm. Inf.
2.5595
2.1823
2
1.9541
1.9496
Long. Inter.
1.0194
0.3219
0.0981
0.0311
0.0098
2.3.
Valuaci
on de opciones asi
aticas
Las opciones que se comentaron en la seccion anterior, europeas y americanas, dependen solo del valor que tiene el subyacente, St , en el instante que se ejerce. Por ejemplo,
para el caso de una opcion europea, si al final del tiempo de maduracion el precio sufre
un cambio fuerte, la opcion cambiara bruscamente de estar in the money a estar out
the money. Una forma de evitar estos cambios repentinos en el precio de la opcion, es
suscribir un contrato sobre el valor promedio del precio del subyacente. Por otro lado, el
hecho de que una opcion este basada en una media, reduce cualquier distorsion posible
en los precios debida a la carencia de un mercado suficientemente amplio del subyacente.
Quiza lo anterior sean las dos principales razones por las que la utilizacion de este tipo
de opciones ha tenido un gran auge en el ambito financiero en los u
ltimos a
nos.
20
1
A = exp
ln(St )dt .
T 0
Como se comento antes, la valuacion de opciones con media geometrica es relativamente sencilla, pero el hecho de que la media sea aritmetica, plantea ciertas dificultades.
La primera es que el valor de la opcion depende de la trayectoria, por lo que si se utiliza
un modelo de arbol binario, se deben tomar en cuenta todas las posibles trayectorias. Si
se tienen n nodos, el n
umero de trayectorias posibles es 2n , lo cual, para valores altos de
n se vuelve computacionalmente difcil de calcular.
DE OPCIONES ASIATICAS
2.3. VALUACION
21
06t6T
(2.2)
0 6 t1 6 t2 6 T
(2.3)
Por otro lado, la funcion de pago para un call asiatico de promedio aritmetico y con
precio de ejercicios fijo, esta dado por
max {A(T ) K, 0} = (A(T ) K)+ .
En donde,
1
A(x) =
x
Su du
0
(2.4)
22
Demostraci
on 1. Vease Wilmot [13].
Observese que calcular el call en un tiempo posterior que se inicia el calculo del promedio, equivale a valuar una opcion call como si se acabase de emitir, pero con un precio de
ejercicio modificado.
Para el caso en que t0 = 0 y t = 0 se tiene:
V0 (K) = erT E [(A(T ) K)+ ] ,
h 1 Z T
i
rt
V0 (K) = e E
Su du K
T 0
+
(2.5)
1 Z T
1 T
rt
rt
St dt K e E K
St dt
e E
T 0
T 0
+
+
1 Z T
= ert E
St dt K .
T 0
Los metodos para calcular el precio de la opcion se pueden agrupar en tres tipos,
aquellos que utilizan un modelo binomial (arboles binarios), los que plantean la solucion
de una ecuacion diferencial parcial y los que utilizan metodos Monte Carlo.
2.4.
Esquemas num
ericos
Con base en los resultados de la seccion anterior, la expresion que se quiere calcular
es:
rT
V0 = e
1
T
Su du K
0
(2.6)
2.4. ESQUEMAS NUMERICOS
23
intervalo. Se debe notar que, como se esta suponiendo que el precio del subyacente se rige
por un movimiento browniano geometrico, entonces su valor se puede simular de manera
exacta.
Se desarrollaran dos esquemas numericos para aproximar el valor de
Z T
YT =
Su du.
(2.7)
Su du h
0
n1
X
Sti
(2.8)
i=0
T
Si en la ecuacion anterior se sustituye h = N
se obtiene
N 1
!
M
rT X
X
1
e
(1)
St K
Vb0 =
M j=1 N i=0 i
(2.9)
La ecuacion (2.9) es el esquema 1 del metodo Monte Carlo que se utilizara para aproximar V0 .
Para obtener una segundo esquema, se aproxima (2.7) de la forma siguiente:
Z
Su du =
0
N
1 Z ti+1
X
i=0
N
1
X
Su du,
ti
h
Sti + Sti+1 ,
2
i=0
N 1
hX
r 12 2 )h+ Wti+1 Wti
(
=
.
Sti + Sti e
2 i=0
24
T
0
N 1
hX
1 2
Su du
Sti 2 + r h + Wti+1 Wti
2 i=0
2
(
2
1
1 2
1 2
2
+
r
h + 2 r h Wti+1 Wti
2
2
2
o
2
+ Wti+1 Wti 2 +
1
observando que debido a que la variacion cuadratica de
Wti+1 Wti se cancela con
2
1 2
h, se obtiene:
2
Z
T
0
N 1
hX
Su du
Sti 2 + rh + Wti+1 Wti .
2 i=0
e
h
(2)
Vb0 =
St 2 + rh + Wti+1 Wti K .
M j=1 2T i=0 i
(2.10)
2.5.
Resultados de la simulaci
on Monte Carlo
MONTE CARLO
2.5. RESULTADOS DE LA SIMULACION
Tray.
Monte Carlo
1000
5000
10000
50000
100000
500000
1000000
S
100
N
um. pasos
en el tiempo
10
50
100
10
50
100
10
50
100
10
50
100
10
50
100
10
50
100
10
50
100
K
100
Aproximacion
6.5899
6.5080
7.0716
6.4873
6.8459
7.0105
6.4025
7.0881
7.0960
6.4079
6.8592
6.9668
6.4427
6.8972
6.9903
6.4192
6.9212
6.9824
6.4182
6.9190
6.9768
0.1
0.20
Linferior Lsuperior
6.0893
5.9911
6.5466
6.2693
6.6152
6.7755
6.2479
6.9203
6.9273
6.3391
6.7860
6.8923
6.3942
6.8452
6.9377
6.3975
6.8979
6.9589
6.4028
6.9025
6.9602
7.0906
7.0249
7.5966
6.7052
7.0765
7.2455
6.5571
7.2558
7.2647
6.4768
6.9323
7.0413
6.4913
6.9492
7.0429
6.4409
6.9445
7.0060
6.4335
6.9355
6.9934
25
T
1
Longitud
al 95 %
1.0013
1.0338
1.0501
0.4359
0.4613
0.4700
0.3092
0.3355
0.3373
0.1377
0.1463
0.1491
0.0971
0.1040
0.1053
0.0434
0.0466
0.0471
0.0307
0.0330
0.0332
Tiempo
(mm:ss)
<1s
<1s
<1s
<1s
<1s
0:01
0:01
0:01
0:02
0:02
0:06
0:11
0:04
0:12
0:21
0:21
0:58
0:45
0:42
1:57
3:34
26
Tray.
Monte Carlo
1000
5000
10000
50000
100000
500000
1000000
S
100
N
um. pasos
en el tiempo
10
50
100
10
50
100
10
50
100
10
50
100
10
50
100
10
50
100
10
50
100
K
r
100
0.1
Aproxi- Linferior
macion
6.4952
6.0186
7.1938
6.6286
7.5005
6.9466
7.0340
6.7996
6.8884
6.6488
7.1410
6.9008
7.0037
6.8366
7.1240
6.9563
7.1121
6.9426
7.0649
6.9897
7.0722
6.9972
7.0176
6.9426
7.0527
6.9997
7.0234
6.9706
7.0197
6.9668
7.0298
7.0062
7.0417
7.0180
7.0494
7.0256
7.0330
7.0163
7.0435
7.0268
7.0423
7.0255
0.20
Lsuperior
6.9718
7.7590
8.0544
7.2684
7.1281
7.3812
7.1708
7.2918
7.2815
7.1401
7.1472
7.0927
7.1058
7.0762
7.0726
7.0534
7.0654
7.0731
7.0497
7.0603
7.0590
T
1
Longitud
al 95 %
0.9532
1.1303
1.1078
0.4689
0.4793
0.4804
0.3342
0.3355
0.3389
0.1504
0.1500
0.1502
0.1061
0.1057
0.1058
0.0472
0.0474
0.0475
0.0334
0.0335
0.0335
Tiempo
(mm:ss)
<1s
<1s
<1s
<1s
00:01
00:01
00:01
00:01
00:02
00:02
00:07
00:11
00:04
00:12
00:23
00:22
01:02
01:54
00:44
02:05
03:49
Captulo 3
M
etodos de reducci
on de varianza
La principal desventaja el metodo Monte-Carlo es la lentitud con la que converge. La
rapidez de convergencia depende del n
umero de trayectorias que se generan para calcu
lar el promedio y de la varianza de la funcion. Por lo que se ha buscado reducir / M
disminuyendo la varianza. Como plantear el problema de forma distinta para reducir la
varianza al mismo tiempo que se obtiene la estimacion de la esperanza que nos interesa
calcular? Este problema se ha atacado por distintas tecnicas entre las que destacan: variables de control, variables antiteticas, muestreo de importancia, por condicionamiento y
por muestreo estratificado, entre otras.
3.1.
Variable de control
Esta tecnica consiste en encontrar otra variable que este correlacionada con la variable
de interes.
Supongamos que X es una variable aleatoria, para la cual deseamos obtener una
estimacion de E(X). Sea Y otra variabe aleatoria, tal que E(Y ) es conocida. Si definimos
una tercer variable aleatoria Z por:
Z = X + Y E(Y ) .
cov (X, Y )
.
V ar(Y )
28
DE VARIANZA
CAPITULO 3. METODOS
DE REDUCCION
cov
(X,
Y
)
.
V ar X + Y E(Y ) = V ar(X)
V ar(Y )
(3.1)
cov (X, Y )
V ar X + Y E(Y )
=1
.
V ar(X)
V ar(X)V ar(Y )
2
= 1 (X, Y ) .
En donde, (X, Y ) es el coeficiente de correlacion entre X y Y y esta dado por:
cov (X, Y )
(X, Y ) = p
V ar(X)V ar(Y )
La ecuacion (3.1) nos dice que la reduccion de varianza obtenida al emplear la variable
de control Y es de 1002 (X, Y ) %.
Por lo regular, aunque E(Y ) es conocida, los valores de V ar(Y ), de cov (X, Y ), as como de V ar(X), no son conocidos, sino que se tienen que estimar a partir de los datos
simulados.
Si tenemos M parejas de datos simulados, (Xi , Yi ), i = 1, 2, . . . , M , podemos emplear
M
X
Xi X Yi Y
cov(X,
c
Y)=
,
M 1
i=1
y
Vd
ar(Y ) =
2
M
X
Yi Y
,
M
1
i=1
como los estimadores de interes. Con esto podemos aproximar por medio de , en
donde
cov(X,
c
Y)
.
=
d
V ar(Y )
!
2
1
cov (X, Y )
V ar (X + Y E(Y ) =
V ar(X)
.
n
V ar(Y )
C
alculo de la esperanza de la variable de control
En el caso de las opciones asiaticas con media aritmetica, se sabe que aunque el
precio del subyacente tenga una distribucion lognormal, la media aritmetica tiene una
distribucion que solo es tratable numericamente, vease Linetsky [11]. Ahora bien, la media
geometrica es una cota inferior para la media aritmetica, y por otro lado su esperanza
29
puede calcularse como se indica a continuacion; por lo que se utilizara como nuestra
variable de control.
h 1 RT
i
ln(St )dt
rT
e
0
T
El valor esperado de la variable de control es V0 = e E e
K .
1
Sustituyendo St = S0 e(r 2
2 )t+W
Y como puede verse en Lamberton [9], se tiene que el valor de Ve0 esta dado por
2
1
d2 =
d1
ln
S0
K
1
2
2
2
T3
p
= d2 + T /3
Aplicaci
on de reducci
on de varianza
Con base en la seccion anterior y de acuerdo con el metodo desarrollado
por Kemna
RT
RT
1
1
ln(S
u )du
y Vorst [6], en el que proponen aproximar T 0 Su du por medio de e T 0
. Estas
dos variables aleatorias esperamos que sean similares, para valores de r y no demasiado
grandes. De hecho la segunda, que es una media geometrica continua, es una cota inferior
para la primera.
RT
1
Es facil ver que la variable aleatoria e T 0 ln(Su )du tiene una distribucion normal y su
esperanza esta dada por,
2
i
h
1 RT
12 r+ 6 T
ln(Su )du
rT
0
T
K
=e
E e
e
S0 N (d1 ) KerT N (d2 ),
+
Ahora bien, como podemos sustituir St por S0 e r 2 u+Wu , al hacer esto en la ecuacion
anterior, tenemos
1 RT
r 2 u+Wu
du
Z = erT e T 0 ln S0 e
K ,
+
i
1 hR T
RT
R T 2
udu+
ln(S
)du+
r
W
u du
0
rT
0
0
0
T
2
e
Z = e
K ,
+
R
2 T
T
Z = erT S0 e r 2 2 + T 0 Wu du K .
30
DE VARIANZA
CAPITULO 3. METODOS
DE REDUCCION
Se debe notar que la variable de control se calcula con la misma trayectoria del
movimiento browniano, que ya se utilizo para la variable St . Por lo que debemos adaptar
cada uno de los esquemas para simular la variable de control.
Entonces, los esquemas para la aproximacion de la variable de control Z quedan de la
manera siguiente:
2 T Pn1
2 T Pn1 h
T,n
r 2 2 + T
W
+W
rT
tk
tk+1
k=0
2
ZT
= e
S0 e
K
(3.3)
(3.4)
RT
0
Wu du
DE VARIANZA
3.2. RESULTADOS NUMERICOS
CON REDUCCION
3.2.
31
Resultados num
ericos con reducci
on de varianza
32
Tray.
Monte Carlo
1000
1000
1000
5000
5000
5000
10000
10000
10000
50000
50000
50000
DE VARIANZA
CAPITULO 3. METODOS
DE REDUCCION
S
100
N
um. pasos
en el tiempo
10
50
100
10
50
100
10
50
100
10
50
100
K
r
100
0.1
Aproxi- Lmite
macion inferior
6.7592 6.7761
6.9823 6.9975
6.9924 7.0073
6.7837 6.7911
6.9875 6.9944
7.0085 7.0153
6.7807 6.7860
6.9909 6.9959
7.0125 7.0175
6.7807 6.7860
6.9909 6.9959
7.0125 7.0175
0.20
Lmite
superior
6.7931
7.0128
7.0222
6.7986
7.0014
7.0221
6.7914
7.0009
7.0224
6.7914
7.0009
7.0224
T
1
Longitud
al 95 %
0.0339
0.0305
0.0298
0.0148
0.0139
0.0136
0.0107
0.0100
0.0100
0.0107
0.0100
0.0100
Tiempo
(mm:ss)
<1s
<1s
<1s
<1s
00:01
00:01
<1s
00:01
00:03
<1s
00:01
00:03
Figura 3.1: Resultados obtenidos al aplicar el esquema sumas de Riemann con reduccion
de varianza.
DE VARIANZA
3.2. RESULTADOS NUMERICOS
CON REDUCCION
Tray.
Monte Carlo
1000
1000
1000
5000
5000
5000
10000
10000
10000
50000
50000
50000
S
100
N
um. pasos
en el tiempo
10
50
100
10
50
100
10
50
100
10
50
100
K
100
Aproximacion
7.0367
7.0285
7.0349
7.0435
7.0403
7.0437
7.0403
7.0419
7.0387
7.0402
7.0401
7.0408
r
0.1
Lmite
inferior
6.7978
6.7903
6.8003
6.9314
6.9621
6.9320
6.9604
6.9625
6.9586
7.0049
7.0047
7.0057
0.20
Lmite
superior
7.2757
7.2667
7.2695
7.1556
7.1185
7.1554
7.1201
7.1213
7.1188
7.0755
7.0755
7.0760
T
1
Longitud
al 95 %
0.2390
0.2382
0.2346
0.1121
0.1126
0.1117
0.0799
0.0794
0.0801
0.0107
0.0100
0.0100
33
Tiempo
(mm:ss)
00:00:00
00:00:00
00:00:00
00:00:00
00:01:39
00:00:01
00:00:01
00:00:01
00:00:02
00:00:03
00:00:06
00:00:11
Figura 3.2: Resultados obtenidos al aplicar el esquema del trapecio con reduccion de
varianza.
34
DE VARIANZA
CAPITULO 3. METODOS
DE REDUCCION
1 con el esquema (2.9) y Y1 mediante el esquema (3.3)
3. Calcular X
1 = X1 y Y1 = Y1 .
4. Hacer X
5. Para cada trayectoria i, con i = 2, . . . , M
a) Calcular Xi , Yi
i = X
i1 + Xi Xi1 ., Yi = Yi1 + Yi Yi1 .
b) Calcular X
i
i
1
d ) Calcular V arYi = 1 i1
V arYi1 + i Yi Yi1
1
1
CovXYM
.
V arYM
(CovXYM )2
V arYM
1.96 V arZM
1.96 V arZM
I ZM
, ZM +
.
M
M
Ap
endice A
Anexo I
A.1.
Generadores de n
umeros aleatorios
APENDICE
A. ANEXO I
36
1. Los n
umeros deben distribuirse uniformemente en el intervalo (0, 1).
2. No deben estar correlacionados entre s .
3. Deben permitirnos generar un gran n
umero de ellos sin que se comiencen a repetir.
El algoritmo de Von-Neumann no tiene buenas propiedades estadsticas y a veces solo
se pueden generar sucesiones peque
nas como cuando los dgitos que se seleccionan para
generar un nuevo n
umero son todos cero.
La mayora de los algoritmos que se utilizan hoy en da para generar n
umeros pseudoaleatorios con distribucion uniforme utilizan congruencias lineales. El primero en introducirlos fue Lehmer en 1951 y la idea es la siguiente.
Dado a, c y m enteros positivos generar la sucesion Xi por medio del siguiente procedimiento:
1. Dado Z0 aleatoria.
2. Zi+1 = (aZi + c) mod(m).
3. Xi+1 = Zi+1 /m.
O sea Zi+1 es el residuo que se obtiene al dividir a aZi + c entre m. Claramente
Zi+1 < m por lo tanto Xi+1 (0, 1). A Z0 se le llama la semilla.
Ejemplo
Sea c = 7, a = 1, m = 11 y Z0 = 3. Entonces
i Zi
1 10
2 6
3 2
4 9
5 5
6 1
7 8
8 4
9 0
10 7
11 3
12 10
Xi
0.909090909
0.545454545
0.181818182
0.818181818
0.454545455
0.090909091
0.727272727
0.363636364
0
0.636363636
0.272727273
0.909090909
A.2. PRUEBAS PARA VALIDAR GENERADORES DE NUMEROS
ALEATORIOS37
Para computadoras de 32 bits (4 bytes), se ha observado que una buena seleccion de
m es m = 231 1, a = 75 = 16, 807 y c = 0.
No basta con buscar generadores que tengan ciclo maximo tambien deseamos que se
distribuyan uniformemente, que no esten correlacionados, que sean faciles de generar y
almacenarse y que puedan replicarse. Es decir que si se conoce la semilla se replica la
sucesion.
Otro ejemplo de un buen generador de n
umeros pseudo-aleatorios es el de Kobayashi
que esta.do por
Zi = (314159269Zi1 + 453806245) mod(231 ).
A.2.
APENDICE
A. ANEXO I
38
d)
k
k
k2 X X
n
=
(fj1 j2 2 )2
n j =1 j =1
k
2
ri =
n
umero de corridas de longitud i, i = 1, . . . , 5
n
umero de corridas de longitud 6 i = 6.
2. Se construye un estadstico
6
1 XX
R=
aij (ri nbi )(rj nbj ),
n i=1 j=1
con el elemento aij de la siguiente matriz
A=
4529.4
9044.9
13568
18091
22615
27892
9044.9
18097
27139
36187
45234
55789
5 11 19
29
1
y las bi son los elementos del vector b = ( 16 , 24
, 120 , 720 , 5040
, 840
). Estas constantes
aparecen calculadas en el libro de Knuth, ver [8].
DE NUMEROS
A.3. GENERACION
ALEATORIOS CON OTRAS DISTRIBUCIONES39
A.3.
Generaci
on de n
umeros aleatorios con otras distribuciones
Se pueden generar n
umero pseudo-aleatorios para casi cualquier distribucion discreta
o continua a partir de n
umeros pseudo-aleatorios uniformes. En estas notas se presentan
para el caso de la distribucion Bernoulli, uniforme y normal, que son las distribuciones
mas usadas en finanzas.
1. Para generar n
umeros aleatorios Bernoulli Xi que toman el valor x1 con probabilidad
p y x2 con probabilidad 1 p, se aplica el siguiente algoritmo:
a) Se genera una v.a. uniforme, Ui , en [0, 1].
b) Si Ui p Xi = x1 .
c) Si Ui > p Xi = x2 .
2. Si la variable aleatoria Xi toma los valores x1 , x2 , . . . , xn con probabilidad p1 , . . . , pn
se hace lo siguiente:
a) Se genera una v.a. uniforme en [0, 1].
b)
Xi =
x1 , 0 Ui p1
x2 p1 < Ui p1 + p2 ,
P
x3 p1 + p2 < Ui 3j=1 pj ,
...
Pn1
xn
j=1 pi < Ui .
en (0, 1). Observemos que si y (0, 1) tambien lo esta 1 y por lo que el algoritmo
para generar variables pseudo-aleatorias con distribucion uniforme con parametro
queda de la siguiente forma:
a) Se genera una v.a. U uniforme en (0, 1).
b) =
APENDICE
A. ANEXO I
40
4. Otro metodo para generar normales es el siguiente: Sean (x, y) N (0, 1) variables
aleatorias independientes, entonces la funcion de densidad conjunta se define
f (x, y) =
Algoritmo de Box-Muller
1. Se genera dos v.a. uniformes independientes U1 , U2 (0, 1).
2. Sea R2 = 2 ln(U1 ), = 2U2 .
3.
x = R cos =
y = R sen =
2 ln(U1 ) cos(2U2 )
2 ln(U1 ) sen(2U2 )
Simulaci
on de una caminata aleatoria y de un browniano
Consideremos el siguiente juego: Se tiene jugadores que se colocan en el origen de un
plano cartesiano. Se tira una moneda, si sale sol avanzan hacia la posicion (1, 1), si cae
aguila avanzan hacia (1, 1). A la siguiente tirada si sale sol avanzan hacia la posicion
(num jugada, posicion anterior +1) si sale aguila se mueve a la posicion (num jugada,
posicion anterior -1) y as sucesivamente. Despues de n tiradas, gana quien tenga la
coordenada y mas grande. Simulemos este juego por computadora. Denotemos por Sji =
la coordenada y de la posicion del jugador i en la tirada j. Claramente el resultado de cada
moneda es independiente y se puede representar como una variable aleatoria independiente
y con distribucion Bernoulli. Toma el valor sol con probabilidad de un medio y el de aguila
con las misma probabilidad para que sea un juego justo.
La sucesion Sji para el jugador i forma una sucesion de variables aleatorias que se
conoce con el nombre de caminata aleatoria y describe el comportamiento de varios procesos estocasticos discretos.
Algoritmo para generar una caminata aleatoria
1. Inicialice S0i = 0.
DE NUMEROS
A.3. GENERACION
ALEATORIOS CON OTRAS DISTRIBUCIONES41
2. Para cada tirada j desde j = 1, . . . , M se genera una variable aleatoria Bernoulli a
traves de una uniforme. Sea Uj una variable uniforme en el intervalo (0, 1) lo que
denotaremos por Uj U (0, 1). Si
Xj =
1 si Uj > 1/2
1 en otro caso.
i
3. Sj+1
= Sji + Xj .
Si unimos todas las posiciones del jugador por medio de lneas rectas se tiene una
posible trayectoria que puede seguir el jugador j. El n
umero de distintas trayectorias que
M
puede seguir es 2 .
Observemos que E(Xj ) = 0 y que V ar(Xj ) = 1. La probabilidad de que el jugador i
este en la n-tirada en la ordenada y = n es 1/(2)n .
i
E(SM
)
M
M
X
X
= E(
Xi ) =
E(Xi ) = 0.
i=1
i=1
M
M
X
X
i
V ar(SM
) = E(
Xi ) =
V ar(Xi ) = M.
i=1
i=1
APENDICE
A. ANEXO I
42
2. Para i = 1, . . . , N
, se genera una variable aleatoria tipo Bernoulli Xi y se calcula
Wi = Wi1 + Xi t.
que interpole a esta se define
3. Para construir una funcion lineal por pedazos W
(t) = Wj + Wj+1 Wj (t tj ) para t (tj , tj+1 ).
W
t
Algoritmo para generar un browniano por medio de gaussianas
En este caso se utiliza el hecho que incrementos de brownianos son variables independientes que se distribuyen en forma normal con media cero y varianza t s.
1. Dados t0 = 0, ti = it y tN = T y S0 = 0,
2. Para i = 1,
. . . , N se genera una variable aleatoria Yi N (0, 1) y se calcula Wi =
Wi1 + Yi t.
de W esta dada por
3. Una aproximacion continua W
(t) = Wj + Wj+1 Wj (t tj ) para t (tj , tj+1 ).
W
t
Aproximaci
on de la soluci
on de un proceso estoc
astico
Una ecuacion diferencial estocastica es una ecuacion de la forma
dXt = a(t, Xt ) dt + b(t, Xt ) dWt ,
X(t0 ) = X0 .
t0
La primera integral es una integral de Riemann, pero la segunda es una integral estocastica.
Ejemplo
Movimiento browniano geometrico
dXt = Xt dt + Xt dWt ,
X(0) = X .
2 /2)t+W
DE NUMEROS
A.3. GENERACION
ALEATORIOS CON OTRAS DISTRIBUCIONES43
.
discretizacion, definamos como Xih = X(ti ). El segundo paso es discretizar la ecuacion
diferencial estocastica por
dXi Xi+1 Xi = Xi h + Xi (Wi+1 Wi )
h
h
h
Xi1
+ Xi1
h + Xi1
Yi h.
3. Para definir una funcion continua a partir de esta se unen los valores Si por medio
de rectas, es decir se define
X h (t) = Xih +
h
Xi+1
Xih
(t ti ) para t (ti , ti+1 ).
t
Hay otros metodos mas precisos para aproximar la solucion de una EDE, se sugiere
para ello consultar ([7]).
44
APENDICE
A. ANEXO I
Bibliografa
[1] Black, F. y Scholes, M. (1973), The Pricing of Options and Corporate Liabilities,
Journal of Political Economy.
[2] Dufresne, D. (2000), Laguerre Series for Asian and Other Options, Mathematical
Finance, 10, 407-428
[3] Geman, H., y M. Yor. (1993), Bessel Processes, Asian Options and Perpetuities,
Mathematical Finance, 3, 349-375
[4] Glasserman Paul. Monte-Carlo Methods in Financial Engineering. Computational
Finance. Springer Verlag. 2004.
[5] Hull John. Options, Futures and other Derivatives. Prentice Hall. Cuarta edicion.
2000.
[6] Kemna, A.G.Z. y Vorst, A.C.F. (1990), A pricing method for options based on
average asset values. J. Banking Finance 14.
[7] Kloeden y Platten. Numerical Solution of Stochastic Differential Equations. Springer
Verlag. 1995.
[8] Knuth. The Art of Computer Programming. Vol. 2. Addison-Wesley. 1969.
[9] Lamberton, Damien y Lapeyre, Bernard. Introduction to Stochastic Calculus. Applied
to Finance. Chapman & Hall. 1996.
[10] Law M. A. M. and Kelton W. D., Simulation Modeling and Analysis. Mc. Graw-Hill.
1991.
[11] Linetsky, Vadim. (2003), Spectral Expansions for Asian (Average Price) Options.
Operations Research.
[12] Ross Sheldon. Simulation. Prentice Hall. Segunda edicion. 1997.
[13] Wilmot, P; Howison, S. y Dewynne, J., Options Pricing: Mathematical Models and
Computation. Oxford Financial Press. 1993.
45