TRADUCCIÓN 3

Los índices financieros del capítulo parecen ser procesos estocásticos

El impulso y la visibilidad de las ganancias deberían continuar impulsando el mercado a

nuevos máximos. Un pronóstico emitido por E. F. Hutton, la firma de corretaje de Wall
Street, momentos antes de que el mercado de valores se desplomara el 19 de octubre de
1987.

Hay evidencia abrumadora de que los precios de las acciones, los índices financieros y los
valores de las divisas fluctúan de manera salvaje y aleatoria. Un ejemplo es el rango de
precios diarios del algodón que se muestra en la Figura 1.1; otro es el rango de precios del
trigo que se muestra en la Figura 1.2. Estas cifras demuestran que la aleatoriedad parece
ser una parte integral de la dinámica de ket. En una disertación que fue poco apreciada
en ese momento, Bachelier realizó la aleatoriedad dominante en las finanzas alrededor de
1900. Los precios que evolucionan en el tiempo forman un proceso estocástico debido a
estas fuertes fluctuaciones aleatorias. Este libro desarrolla la teoría elemental de tales
procesos estocásticos para respaldar la famosa ecuación de Black-Scholes para valorar las
opciones financieras, descrita aquí por Tony Dooley: mar financiero. La fórmula más
utilizada en toda la historia es la fórmula Black-Scholes. ¡Cada día, se usa millones de
veces en millones de programas de computadora, lo que lo hace más usado que el
teorema de Pitágoras!

Figura 1.1. Los precios diarios de apertura S (t) del algodón durante casi 30 años muestran
las fuertes fluctuaciones típicas de los mercados financieros (tenga en cuenta que hay
alrededor de 21 días hábiles por mes, es decir, 250 por año).

Figura 1.2. La gama de precios del trigo durante casi 90 años. Las barras verticales dan el
rango en cada año; la marca a la izquierda de cada barra es el precio de apertura; y la
marca de la derecha es el precio de cierre. La curva roja es el promedio de 4 años, el azul
es el promedio de 9 años y el cian es el promedio de 18 años.

El mundo financiero no es el único ejemplo de fluctuaciones aleatorias significativas. En

biología generamos ecuaciones diferenciales que representan las interacciones de
depredadores y presas, por ejemplo, zorros y conejos. Tales modelos a menudo se
escriben como ecuaciones diferenciales ordinarias (ODES) de la forma dx / dt = .. y dy / dt
= .., donde los puntos del lado derecho denotan interacciones de vida y muerte. Sin
embargo, las poblaciones biológicas viven en un entorno con eventos aleatorios como
sequía, inundación o impacto de meteoritos. Hay fluctuaciones en las poblaciones debido
a tales eventos imprevistos. Los eventos aleatorios son especialmente peligrosos para las
poblaciones de especies en peligro de extinción en las que hay relativamente pocos
individuos.
Los ingenieros también pueden necesitar analizar problemas con entradas aleatorias. Un
camión que circula por una carretera se sacude por una variedad de causas, una de las
cuales se desplaza sobre los baches esencialmente aleatorios en la carretera. En muchos
aspectos, el diseño del camión debe tener en cuenta tales vibraciones estocásticas. Estos
ejemplos muestran que el estudio de las ecuaciones diferenciales estocásticas (SDES) vale
la pena. Tenga en cuenta que el uso de SDES es una admisión de ignorancia de la
naturaleza de las fluctuaciones. Hay una multitud de procesos desconocidos que influyen
en los fenómenos de interés. Bajo el teorema del límite central, suponemos que estas
influencias desconocidas se acumulan para convertirse normalmente distribuidas,
alternativamente llamadas distribución gaussiana.

Actividad sugerida: haga al menos el ejercicio 1.1.

1.1 El movimiento browniano también se llama proceso Wiener.

Nada en la naturaleza es aleatorio ... Una cosa parece aleatoria solo a través de la falta de
conocimiento. Spinoza

Un punto de partida para describir procesos estocásticos como el precio de una acción es
el movimiento browniano o, más técnicamente, un proceso Wiener. La Figura 1.3
muestra un ejemplo de este proceso. Vea las similitudes más o menos cualitativas con los
precios del algodón que se muestran en la Figura 1.1 (aunque los precios del algodón
parecen fluctuar más) y con los precios del trigo en la Figura 1.2.

Algoritmo 1.1 Código MATLAB / SCILAB para trazar m realizaciones de un proceso

browniano de movimiento / Wiener como se muestra en la Figura 1.3. En SCILAB use rand
(.,., "N") en lugar de randn (.,.) Para N (0,1) números aleatorios distribuidos.
m = 5;
n = 300;
t = espacio lins (0,1, n + 1) ';
h = diff (t (1: 2));
dw = sqrt (h) * randn (n, m);
w = cumsum ([ceros (1, m); dw]); gráfico (t, w)

¿De dónde provienen las fluctuaciones en los índices financieros? Muchos teóricos
económicos afirman que las fluctuaciones reflejan la llegada aleatoria de nuevos
conocimientos. A medida que los comerciantes de acciones y acciones dan a conocer
nuevos conocimientos, asimilan casi instantáneamente el conocimiento y compran y
venden en consecuencia. Sin embargo, según estos gráficos parecería

Esta última propiedad de independencia es de vital importancia en varios lugares cruciales

en el desarrollo de SDES. Para ver esta distribución normal, suponga que el tiempo se ha
discretizado con los pasos At = h, el tiempo s corresponde al paso j = l, y el tiempo s + t
corresponde al paso j = (+ n,
FORMULA

entonces esta suma de n incrementos se distribuye N (0, t) como antes, y por lo tanto W
(t + s) - W (s) = We + n-We - N (0, t).

Ahora, veamos que la suma de los incrementos anteriores solo implican variables
aleatorias Z, para esj <l + n que son completamente independientes de los incrementos
aleatorios hZ; para j <l, y por lo tanto son completamente independientes de los detalles
de W (t) para los tiempos t <s, es decir, después del tiempo t = s los cambios en el proceso
W de W (s) son independientes de W (t) para tiempos anteriores t <s. El movimiento
browniano tiene un papel primordial en el cálculo estocástico debido al teorema del límite
central. En este contexto, si los incrementos en W siga alguna otra distribución en los
tiempos "micro" más pequeños, luego, siempre que la varianza de los microincrementos
sea finita, el proceso siempre aparece browniano en la macroescala. Esto está asegurado
porque la suma de muchas variables aleatorias Los archivos con varianza finita tienden a
una distribución normal. De hecho, en la Sección 1.4 y otras siguientes, aproximamos los
incrementos como la elección binaria de un paso hacia arriba o hacia abajo. En efecto,
elegimos Zj = +1, cada uno con probabilidad: como la media y la varianza de tal Zj son cero
y uno, respectivamente, la suma acumulativa E Vhz; tiene la apariencia en la macroescala
de una variable aleatoria N (0, nh), según sea necesario.

Definición 1.1. Movimiento browniano o proceso de Wiener o caminata aleatoria,

generalmente denotado W (t). cumple las siguientes propiedades:
• W (t) es continua;
• W (0) = 0;
• el cambio W (t + s) W (s) ~ N (0, t) para t, s 20; y
• W (t + s) -W (s) es independiente de cualquier detalle del proceso para tiempos
anteriores a s.

Continua pero no diferenciable, Wiener demostró que tal proceso existe y es único en un
sentido estocástico. La única propiedad que no hemos visto es que W (t) es continua, por
lo que la investigamos ahora. Sabemos que W (t + s) - W (s) - N (0, t), por lo que ahora
imaginamos t como pequeño y escribimos esto como

W (t + s) -W (s) = / tZt,

donde las variables aleatorias Z - N (0,1). Ahora, aunque Zł variará con t, proviene de una
distribución normal con media 0 y varianza 1, de modo que t → 0, entonces casi
seguramente el lado derecho vtZt → 0. Por lo tanto, casi seguramente W (t + s) → W (s)
como t → 0, y por lo tanto W es continuo (casi seguro).
Aunque es continuo, ahora demostramos que un proceso de Wiener, como el que se
muestra en la Figura 1.4 (columna izquierda), es demasiado irregular para ser
diferenciable. "Como muestra la Figura 1.4 (columna derecha), recuerde que para una
función fluida como f (t) = et generalmente vemos una variación lineal cerca de cualquier
punto; por ejemplo,

f (t + s) –f (s) = e * + s _ e $ = (et - 1) e $ z te *,

o más generalmente, f (t + s) - f (s) z tf '(s). Por lo tanto, estamos familiarizados con f (t +

s) –- f (s) que disminuye linealmente con t, y sobre esto se basan todas las reglas familiares
de cálculo diferencial e integral. En contraste, en el proceso de Wiener, y generalmente
para soluciones de SDES, la Figura 1.4 (izquierda) muestra W (t + s) - W (s) disminuyendo
más lentamente, como / t. Por lo tanto, los procesos de Wiener son mucho más
pronunciados y mucho más irregulares que las funciones suaves diferenciables.
Nocionalmente, el proceso de Wiener tiene "pendiente infinita" y, por lo tanto, no se
puede diferenciar. Esta característica genera muchos efectos nuevos y maravillosos que
hacen que el cálculo estocástico sea enormemente intrigante.

Ejemplo 1.2.
Elija una variable aleatoria normalmente distribuida Z ~ N (0, 1), luego defina W (t) = ZVE.
¿Es W (t) un proceso de Wiener? Solución: No; aunque W (t) ~ N (0, t), no satisface todas
las propiedades de un proceso de Wiener. Considere cada propiedad a su vez
: • verdadero, W (t) es claramente continuo;
• verdadero, W (0) = 0 está satisfecho; • pero W (t + s) –- W (s) = Z (/ t + s- / 5); que tiene
varianza (/ t + s- / s) = t- 2 s (t + s) #t, por lo que W (t) no satisface la tercera propiedad de
un proceso de Wiener (ni la cuarta, por cierto).

1.3
Sea W (t) y W (t) procesos Wiener independientes y pa número fijo 0 <p <1. Demuestre
que la combinación lineal

X (t) = pW (t) + / 1-p2W (t) es un Proceso de Wiener. Solución: Mire las propiedades a su
vez. X (t) es claramente continuo ya que W y W son continuos y la combinación lineal
mantiene ntinuity.
• X (0) = pW (0) + / 1-p²W (0) = p-0 + / 1-p².0 = 0.

Vea el sorprendente zoom profundo del proceso de Wiener que muestra el algoritmo A.2
en Apéndice A con sus características inexploradas. Contraste esto con un zoom
correspondiente, Algoritmo A.I, de la función exponencial que es aburrida.

LA PÁGINA 7 ES IGUAL A LA 6

GRÁFICOS Figura 1.4.

Izquierda: de arriba a abajo, amplíe las tres realizaciones de un proceso de Weiner que
muestre el nivel creciente de detalle e irregularidad. Derecha: de arriba a abajo, 2oom en
la exponencial suave e. El tiempo se traza horizontalmente.
• A partir de su definición y de las propiedades de escalar y agregar variables aleatorias
independientes distribuidas normalmente,

X (t + s) - X (s) = pW (t + s) + / 1-p²W (t + s) - pW (s ) - / 1-p²W (s) - p [W (t + s) –W (s)] + / 1-

p²W (t + s)} - -N (Q, t) -N (0, t) -N (0.pt) NIQ (1-p) t) -N (0, p²t + (1-p²) t) - N (0, t)

• También desde su definición, X (t + s) - X (s) = p [W (t + s) - W (s)] + 1-p² [W (t + s) -W

(s)). pero ni W (t + s) -W (s) ni W (t + s) -W (s) dependen de los detalles anteriores de W o
W, por lo que tampoco X (t + s) -X (s), y, por lo tanto, este incremento no puede depender
de los detalles anteriores de X.

Resumen

El proceso Wiener W (t) es el proceso estocástico básico a partir del cual construimos una
comprensión del sistema con fluctuaciones. El proceso de Wiener es continuo pero no
diferenciable; sus fluctuaciones aleatorias independientes, AW, escala con la raíz
cuadrada del paso de tiempo, VAt.

1.2 La deriva y la volatilidad estocásticas son únicas.

La aplicación del proceso básico de Wiener, Figura 1.3, a los precios de los activos necesita
refinamiento por tres razones:
1. Los diferentes activos tienen diferentes cantidades de fluctuación;
2. los activos de riesgo generalmente tienen un rendimiento esperado positivo, mientras
que el valor esperado de un proceso Wiener E [W (t)] = 0 a medida que se distribuye N (0,
t):
3. el proceso Wiener supone que cualquier paso, AW , es independiente de la magnitud
de W, mientras que esperamos que cualquier cambio en el valor de un activo, AS, sea
proporcional a los inversores S, por ejemplo, esperan obtener el doble del rendimiento de
una duplicación de la inversión.

Trate cada uno de estos a su vez:

1. Aumente el tamaño de las fluctuaciones al escalar el proceso de Wiener al valor del

activo S (t) = oW (t), donde el factor de escala se llama volatilidad del activo. Es decir,
cualquier incremento en el valor del activo AS = 0AW se distribuye N (0,0At), donde At es
el paso de tiempo (como h).

Simbólicamente escribimos esto como

ds = o dW.

Interprete esta ecuación diferencial como S + 1 = Sj + ovAtZ; para Zj - N (0,1) como antes.
Figura 1.5.
El algoritmo 1.2 dibuja esta realización de un proceso de Wiener, u = 0 y O = 1, con otras
cuatro versiones transformadas, etiquetadas como "u, o", con varias deriva u volatilidad,
pero para la misma realización del proceso de Wiener.

2. Esperamos (esperamos) que el activo aumente de valor a largo plazo. Una forma de
modelar dicho crecimiento es asegurar que los incrementos tengan una media distinta de
cero. Simplemente agregue un poco a cada incremento:

Sj + 1 = Sj + µAt + ovAtZ ,,

donde el parámetro u se llama deriva. El factor At se usa para que u se interprete como la
tasa de crecimiento esperada de S (t); por ejemplo, en ausencia de fluctuaciones (la
volatilidad o = 0) el precio S (t) = So + ut exactamente, de donde u es la pendiente del
aumento en el precio. La Figura 1.5 muestra la realización de un proceso de Wiener y
varias S (t) derivadas de este con diferentes desviaciones y volatilidades, según lo
calculado por el Algoritmo 1.2. De manera equivalente, escribimos AS = uAt + GAW, o en
términos de diferenciales infinitesimales,

dS = udt + o dW. (1.1)

La ecuación (1.1) registra simbólicamente la ecuación diferencial estocástica general®

cuando permitimos, como lo hacemos a continuación, que la deriva u y la volatilidad o
varíen con el precio S y / o t en lugar de ser constantes.

En las comunidades de física e ingeniería, SDES como (1.1) se escriben con la apariencia de
ecuaciones diferenciales ordinarias, llamadas ecuaciones de Langevin, a saber dS / dt = a
(t, S) + o (t, S) E (t) , reconociendo que E (t) representa lo que se llama ruido blanco. Este
es un SDE con un disfraz diferente. Sin embargo, los ingenieros generalmente lo
interpretan en el sentido de Stratonovich, que es sutilmente diferente de la interpretación
Ito de SDES desarrollada en este capítulo.

Algoritmo 1.2 Código MATLAB / SCILAB para dibujar cinco procesos estocásticos, todos
escalados del proceso Wiener, con diferentes desviaciones y volatilidades.

n = 300;
t = espacio lins (0,1, n + 1) ';
h = diff (t (1: 2));
dw = sqrt (h) randn (n, 1);
w = cumsum ([0; dw]);
plot (t, t [0 2 2 -1 -11] + w • [1 0.5 2 0.3 31) leyenda ('0, 1', '2, 0.5', '2, 2', '- 1, 0.3' , '- 1, 3',
4);
3. En (1.1) u es la tasa de rendimiento absoluta por unidad de tiempo. Sin embargo, los
inversores financieros requieren una tasa de rendimiento porcentual. Es decir, esperamos
que los incrementos relativos al valor actual sean iguales. Por ejemplo, para un activo sin
volatilidad (bonos del tesoro, tal vez) obtenemos un crecimiento exponencial (interés
compuesto) como S (t) = Soet, donde r es la tasa de interés (continuamente compuesta).
Al diferenciar esto se obtiene dS / dt == rS, de donde dS / S = rdt, por lo que el incremento
relativo en el precio del activo es AS / S = rAt. Para una cantidad estocástica, la
generalización inmediata supone que el incremento relativo tiene un componente
determinista, como el anterior, y un componente estocástico adicional,

AS = aAt + BAW,

para algunas constantes a y B llamadas deriva del stock y volatilidad del stock,
respectivamente.
La Figura 1.6 traza AS / S para los precios del algodón a partir de los cuales se podría
estimar aproximadamente la magnitud de a y B: el algoritmo 1.3 proporciona un código
para estimar numéricamente a y B. Reposicionamos y escribimos en términos de
diferenciales, suponemos a lo largo de nuestras aplicaciones para financiar que los activos
satisfacen el SDE

ds = aS dt + BS dW (1.2)

Algoritmo 1.3 En MATLAB / SCILAB, dado que h es el paso de tiempo, este código estima la
deriva del stock y la volatilidad del stock a partir de una serie de valores s. En SCILAB use S
en lugar de end.

dx = diff (s) ./ s (1: end-1)

alfa-mean (dx) / h
beta = std (dx) / sqrt (h)

GRÁFICOS
Figura 1.6. Incrementos relativos, AS / S, de los precios del algodón de la Figura 1.1 en
función del tiempo: (a) muestra una deriva diaria y coeficientes de volatilidad de a = 2.77 ×
104 / día y B = 0.0181 / día, respectivamente: (b) muestra que esto se traduce en a = 6.9%
/ año y B- 28.6% / año.

con deriva u aS y volatilidad o = BS. La única salida directa observada del modelo (1.2) es
que los índices financieros generalmente tienen "saltos" negativos más grandes que los
pronosticados por el Weiner dW: es decir, raras caídas en el mercado financiero son
demasiado grandes para un proceso Wiener; tales caídas raras reflejan “caídas
financieras”. Sin embargo, para la mayoría de los propósitos, el modelo estocástico (1.2)
es sólido. Lo usamos durante nuestra exploración de las finanzas.
Tabla 1.1. Precio de cierre anual del trigo y sus incrementos relativos. La media y la
desviación estándar de la última columna estima la deriva del stock y la volatilidad del
stock.

TABLA

Ejemplo 1.4 (deriva del stock y volatilidad).

El precio del trigo en US $ por bushel cerró a los precios que se muestran en la segunda
columna de la Tabla 1.1. Con estos datos, calcule la deriva del stock y la volatilidad del
stock del precio del trigo. Solución: Calcule los cambios en el precio como se muestra en
la tercera columna de la Tabla 1.1: AS, = S + 1-S. Calcule los cambios relativos en el precio
como se muestra en la cuarta columna de la Tabla 1.1: (ÁS;) / S = (S + 1- S) / S ;. El
promedio de estos cinco números en la cuarta columna estima la deriva del stock: un 0.11
= 11% por año. La desviación estándar de estos cinco números en la cuarta columna
estima la volatilidad de las acciones: B 0.21 = 21% por año. Por supuesto, estas
estimaciones son extremadamente crudas debido a la pequeña cantidad de datos
proporcionados por la Tabla 1.1.

Definición 1.5.
Un proceso Ito satisface un SDE como (1.1). Esta definición está mal definida, ya que aún
no hemos precisado con precisión qué se entiende por dS = udt + o dW. La precisión viene
en el Capítulo 4. Por el momento seguimos desarrollando y trabajando con una
comprensión intuitiva de los símbolos. Finalmente, el teorema de descomposición de
Doob-Meyer (que no probaré) afirma que cualquier proceso Ito dado X (t) tiene una deriva
única u y volatilidad o. Por lo tanto, estamos seguros de que existe una correspondencia
uno a uno entre SDES, dX = µdt + odW, y el proceso estocástico, que es su solución X (t).
La figura 1.7 muestra que al acercarnos a un proceso Ito, encontramos que, en el proceso
más pequeño, parece uno con deriva lineal y volatilidad constante. Por lo tanto, la
descomposición del proceso en la forma SDE dX = µdt + o dW se justifica porque esta
forma se aplica a escalas pequeñas; simplemente imaginamos que una gran cantidad de
imágenes pequeñas se "pegan" juntas para formar el proceso a gran escala X (t )

Resumen

Un proceso estocástico X (t) satisface un SDE, escrito simbólicamente dX = µdt + odW, con
cierta deriva u y cierta volatilidad o. Los activos financieros satisfacen SDES particulares
de la forma dS = «S dt + BS dW.

Tenga en cuenta que el término "proceso" se aplica a todo el conjunto de realizaciones de

una función estocástica. Un proceso estocástico no es una realización cualquiera porque
cada realización es marcadamente diferente. De hecho, un SDE da lugar a una infinidad
de realizaciones. Es el conjunto de posibles soluciones con su probabilidad de realizarse lo
que se incluye dentro del término "proceso estocástico".
GRÁFICOS

Figura 1.7. Cinco realizaciones del proceso Ito X = exp (t + 0.2W (t)) que se muestran a
diferentes niveles de aumento (el eje t es horizontal y X (t) se representa verticalmente).
La parte superior izquierda muestra la escala más grande que muestra el crecimiento
exponencial en X (t): la parte inferior derecha muestra la vista de escala más pequeña de X
(t) que muestra que en escalas pequeñas parece un proceso estocástico con deriva lineal y
volatilidad constante, como prometido por la descomposición de Doob-Meyer.

1.3 Los números básicos simulan un SDE

La Sección 2.2 del Capítulo 2 desarrolla soluciones algebraicas de SDES. Aquí recurrimos a
una técnica numérica simple para aproximar soluciones de SDES. La solución numérica de
SDES como la de los activos (1.2) o la SDE general (1.1) se basa en reemplazar los
diferenciales infinitesimales con las diferencias finitas correspondientes. En cierto
sentido, esto deshace el límite h -0 discutido en la sección anterior.

1.3.1 El método de Euler es el más simple.

Reescriba el SDE general (1.1) en términos de diferencias finitas (incrementos)

AS = µAt + & AW,

y luego evalúelo en el paso de tiempo número j, reconociendo que la deriva y la

volatilidad son generalmente funciones de

S y t para que AS; = S; + 1- Sj = µ (Sj, t;) At; + o (Sj. tj) AW;

Algoritmo 1.4 Código para simular cinco realizaciones del SDE financiero d $ = aS dt + BS
dW. El ciclo for avanza en el tiempo. Como segundo subíndice de una matriz, los dos
puntos forman un vector de fila sobre todas las realizaciones.
alfa = 1, beta = 2
n = 1000;
m = 5; t = espacio lins (0,1, n + 1) ';
h = diff (t (l: 2));
S = unos (n + 1, m);
para j = l: n
dw = randn (1, m) • sqrt (h);
s (j + 1,:) = s (j,:) + alfa • s (j, :) • h + beta • s (j, :). • dw;
trama final (t, s)

donde AW; son muestras aleatorias independientes de N (0, At;). Reorganizar para S + 1
da la recursión
(1.3) S + 1 = S; + µ (Sj. T;) At; + o (S ;. t;) AW ;.

Este formulario permite que los pasos de tiempo sean diferentes. El método de Euler (1.3)
es el más general y un método para simular numéricamente las realizaciones de SDES. Por
lo general, por simplicidad, elegimos un paso fijo en el tiempo de At; = h, de donde ty = jh
y AW, = hZ; para variables aleatorias Z - N (0,1) de modo que el método de Euler (1.3) se
invoca típicamente como

(1.4) S + 1 = Sj + µ (Sj. t;) h + o (Sj. t;) v / ñZ .

Ejemplo 1.6 (movimiento browniano exponencial). Las soluciones de SDE dS aS dt + BS

dW se denominan colectivamente movimiento browniano exponencial. Para cualquier ay
B, el método de Euler (1.4) se reduce a

S41 = S; + a $; h + BSjVhZ ,. -) (1.5)

Con la condición inicial de que So = 1, el algoritmo 1.4 muestra cómo este método puede
implementarse en MATLAB / SCILAB para generar muchas realizaciones diferentes. Para
tres combinaciones diferentes de deriva de existencias ay volatilidad B, las Figuras 1.8-
11.10 trazan cinco realizaciones de la solución S (t). El hecho de que el aumento de la
deriva de existencias a de hecho aumenta la tasa de crecimiento, y que el aumento de la
volatilidad de las existencias B de hecho aumenta el nivel de fluctuaciones. Observe que
en este último caso con una volatilidad relativamente grande, la Figura 1.10, las
realizaciones, aparte de un par de grandes excursiones, generalmente parecen
mantenerse de magnitud pequeña. Esto es muy extraño, ya que la parte determinista del
SDE indica que las soluciones deberían crecer. Sin embargo, no es así. El ruido puede
actuar para estabilizar el crecimiento; En las aplicaciones financieras, la alta volatilidad
puede actuar para mantener bajas las existencias, incluso si de otro modo aumentaran.
Este sorprendente resultado está respaldado por resultados algebraicos posteriores. Este
sencillo método de Euler (1.4) para una SDE se parece a una cadena de Markov, como se
discute en el modelado de procesos estocásticos (ver, por ejemplo, Kao 1997). La
diferencia es que, en lugar de estados discretos, aquí tenemos un continuo de estados
parametrizados por el precio del activo S.

GRÁFICOS

Figura 1.8. Simulación del movimiento browniano exponencial de los valores de los
activos con la deriva de existencias a = 1 y la volatilidad de las existencias B = 0.5 generada
por el Algoritmo 1.4.

Figura 1.9. Simulación del movimiento browniano exponencial de los valores de los
activos con una deriva de existencias más grande a = 2 y una volatilidad de existencias B =
0.5 generada por el Algoritmo 1.4.
GRÁFICO

Figura 1.10. Simulación del movimiento exponencial browniano de los valores de los
activos con una deriva de existencias a = 1 y una mayor volatilidad de existencias B = 2
generada por el Algoritmo 1.4.

Pero en el código numérico, el tiempo aún es discreto. En ocasiones, el sistema se

encuentra en el estado del activo que tiene el precio Sj. En la próxima vez t1. el sistema
hace una transición a un estado S1. una distancia yh + ovhZ, lejos, donde el aspecto
estocástico entra a través de la variable aleatoria normalmente distribuida Zj. En el
modelado de procesos estocásticos investigamos las distribuciones de probabilidad,
mientras que aquí por el momento nos centramos en las realizaciones. El Capítulo 3
aborda las distribuciones de probabilidad de soluciones a SDES.

¿Por qué usar MATLAB / SCILAB?

Es cierto que el estándar de la industria financiera es usar hojas de cálculo para casi toda
la computación numérica. Sin embargo, las hojas de cálculo son mucho más lentas que las
secuencias de comandos y los lenguajes de programación (además, los programas de
hojas de cálculo comunes tienen errores notorios). No estoy de acuerdo con paralizar tu
poder limitándote a herramientas ineficientes. En cambio, busco empoderarlo para
manejar problemas numéricos a gran escala a través de MAT-LAB / SCILAB. Cito de David
Chadwick, Stop The Subversive Spreadsheet !:

La presencia de una aplicación de hoja de cálculo en un sistema de contabilidad puede

subvertir todos los controles en todas las demás partes de ese sistema ". y Ray debería
saberlo. Durante diez años ha estado investigando errores en las hojas de cálculo
utilizadas por las compañías para calcular sus pagos de IVA. Durante este período, ha
recopilado datos útiles sobre tipos y frecuencias de errores, así como sobre la efectividad
de

http: //staffweb.cms.gre.ac.uk/-cd02/EUSPRIG

Diferentes métodos de auditoría, no solo los utilizados por los funcionarios del IVA, sino
también los utilizados por otros auditores. Ray ha escrito extensamente sobre el
fenómeno de los errores en las hojas de cálculo (se puede encontrar un excelente ejemplo
en su artículo titulado "La hoja de cálculo subversiva". Parece sorprendente que Ray
encuentre un problema así en una aplicación comercial tan clara y bien definida pero
como él señala rápidamente: "Incluso en un dominio como los impuestos indirectos, que
se caracteriza por cálculos relativamente simples, un conocimiento de dominio
relativamente alto por parte de los desarrolladores y reglas de cálculo generalmente bien
documentadas, el uso de aplicaciones de hoja de cálculo es difícil. con peligro y errores ".
Ray no está solo en su interés de los riesgos de la hoja de cálculo. Chris Conlong, del
Business Modeling Group de KPMG Consulting, también es muy consciente de los
problemas y, cuando se le pregunta, con frecuencia se refiere a los resultados de una
encuesta de KPMG = de modelos financieros basados en hojas de cálculo. La encuesta
encontró que el 95% de los modelos contenían errores mayores (errores que podrían
afectar las decisiones basadas en los resultados del modo l), se consideró que el 59% de
los modelos tenían un diseño deficiente del modelo, el 92% de los que se ocuparon de
cuestiones impositivas tenían errores impositivos significativos y el 75% tenían errores
contables significativos.

Estas cifras son realmente asombrosas y, si se extrapolan a todas las organizaciones

importantes de todo el mundo, dan pistas de posibles escenarios de desastres que están
esperando suceder. Un colega comentó recientemente: "Los errores en la hoja de cálculo
son una bomba de tiempo comercial que está a punto de explotar. Son un poco como el
error del milenio: nadie sabía que la bomba de tiempo estaba allí hasta que se señaló y
luego todos sabían y sabían cuándo sería Sin embargo, con el problema de la hoja de
cálculo, pocas personas saben que hay una bomba de tiempo y nadie sabe cuándo puede
explotar su bomba en particular ".

1.3.2 La convergencia es relativamente lenta

Al igual que con cualquier método numérico, esperamos que la solución numérica se
acerque a la solución verdadera como el paso de tiempo h -0. Esto es cierto para el
método de Euler (1.3), pero la tasa de convergencia es lenta: para una ecuación
diferencial determinista, el error del método de Euler es generalmente O (h), es decir, el
error disminuye en proporción a h; Para un SDE, el error del método Euler es el 0 más
grande (Vh). Por ejemplo, para una ecuación diferencial determinista con pasos de
tiempo de h = 0.001 esperaríamos un error de aproximadamente 0.1%, mientras que para
un SDE el error sería de aproximadamente 0.001 = 3%. La convergencia relativamente
lenta de las soluciones numéricas de SDES es difícil de superar.

Por ahora ilustramos solo la convergencia. Una cuestión crucial para SDES es que las
diferentes realizaciones del proceso de Wiener, el ruido, generan realizaciones de aspecto
bastante diferentes de la solución S (t). Vea las diferentes realizaciones en cada una de las
figuras anteriores, por ejemplo. Por lo tanto, para examinar la convergencia debemos
retener la única realización del proceso de Wiener a medida que variamos el tamaño del
paso h. En consecuencia, en el siguiente ejemplo generamos el proceso de Wiener
primero con el paso de tiempo más fino, luego lo muestreamos con pasos de tiempo cada
vez más burdos.

Ejemplo 1.7 (convergencia al movimiento browniano exponencial). Superponga gráficos

de soluciones numéricas de SDE dS = S dt + 1.5S dW con la condición inicial So = i para
diferentes pasos de tiempo h para mostrar cualitativamente la convergencia
relativamente lenta como h0.
GRAFICOS

Figura 1.11. Una realización del movimiento exponencial browniano de los valores de los
activos con deriva de existencias a = 1 y volatilidad de existencias B = 1.5 generada por el
Algoritmo 1.5 con diferentes pasos de tiempo h = 1/16 (cian), 1/64 (rojo), 1/256 (verde) y
1/1024 (azul) para ilustrar la convergencia como h 0.

Figura 1.12. Una realización del movimiento exponencial browniano de los valores de los
activos con deriva de existencias a = 1 y volatilidad de existencias B = 1.5 generada por el
Algoritmo 1.5 con diferentes pasos de tiempo h = 1/16 (cian), 1/64 (rojo), 1/256 (verde) y
1/1024 (azul) para ilustrar la convergencia como h - 0.

Algoritmo 1.5 Código para comenzar una realización con un paso de tiempo muy pequeño,
luego repita con pasos de tiempo cuatro veces más que el anterior.
alfa = 1, beta = 1.5
n = 4 ^ 5;
t = espacio lins (0,1, n + 1) ';
w = [0; cumsum (sqrt (diff (t)). * randn (n, 1))];
For col = ['b' 'g' 'r' 'c'] dt = diff (t); dw = diff (w); S = unos (n + 1,1); para j = 1: n s (j + 1) = s
(j) + alfa «s (j) + dt (j) + beta * s (j) • đw (j);
End(t, s, col), mantenga t = t (1: 4: final); w = w (1: 4: final); n = n / 4;
end

Adapta el código usado antes. El algoritmo 1.5 encuentra soluciones numéricas en 0 st

<con n pasos de longitud h = 1 / n; primero con n por un factor de 4 y
correspondientemente disminuyendo n por un factor de 4 cada vez que dibujamos una
nueva aproximación. Generamos el proceso de Wiener, W (t), con la longitud de paso más
pequeña, y luego, para cada aproximación, tomamos una muestra de la realización de W
(t) con un paso cuatro veces mayor que la aproximación anterior mediante declaraciones
de submuestreo como W = w (1: 4: final)

Ejecutando el Algoritmo 1.5 dos veces generó las Figuras 1.11-1.12, una para cada una de
las dos realizaciones diferentes del proceso Wiener W (t). En cada figura, las soluciones
numéricas parecen converger, aunque un poco lentamente. 45 = 1024, luego
aumentando la longitud del paso h

Actividad sugerida: haga al menos el ejercicio 1.7 (1).

Resumen El método de Euler (1.4) calcula numéricamente las realizaciones de SDE (1.1)
siempre que el paso de tiempo sea pequeño; generalmente, use un paso de tiempo hz
0.001 o menos. En un artículo en línea gratuito, Higham (2001) presenta más información
sobre dichos métodos básicos para SDES y su convergencia y apunta a esquemas más
sofisticados y precisos.
1.4 Una opción call de precios de celosía binomial Utilizamos el principio de que no puede
haber una ganancia libre de riesgo, llamada arbitraje, para fijar precios en las opciones de
financiación estocástica. Los argumentos empleados aquí para introducir el precio
racional de las opciones parece una aproximación numérica de SDES. Pero simplificamos
aún más que antes al no solo discretizar el tiempo sino también a los precios de los
activos. El análisis presentado aquí se basa en la investigación de Black, Scholes y Merton
(circa 1973) que luego se simplificó, como vemos ahora.

Lea Un cálculo de riesgo de Gary Stix en la edición de mayo de 1998 de Scientific

American. Los capítulos 2 y 3 del libro de Stampfli y Goodman (2001) proporcionan
lecturas para complementar esta sección.