Juan Mascareñas Proceso de Wiener

PROCESOS ESTOCÁSTICOS:
EL PROCESO DE WIENER

© Juan Mascareñas
Universidad Complutense de Madrid
Universidad Complutense de
Madrid Marzo-2008

- El proceso de Wiener, 2
- Proceso de Wiener generalizado: Movimiento Browniano con
tendencia, 4
- El comportamiento de los precios bursátiles, 8
- Revisión del modelo, 12

1
Juan Mascareñas Proceso de Wiener

1. El Proceso de Wiener1

El proceso de Wiener es un proceso estocástico de tiempo continuo que se

caracteriza por tener tres propiedades importantes:

1. Es un proceso de Markov. Lo que significa que la distribución de probabili-

dad de todos los valores futuros del proceso depende únicamente de su va-
lor actual, no siendo afectada por sus valores pasados, ni por ninguna otra
información actual. Por tanto, el valor actual del proceso es la única informa-
ción necesaria para realizar la mejor estimación de su valor futuro. El proce-
so de Wiener es un tipo de proceso de Markov con una media nula y una va-
rianza anual igual a la unidad Æ φ(0,1)
2. Tiene incrementos independientes. Lo que significa que la distribución de
probabilidad de los cambios en el proceso en cualquier intervalo temporal es
independiente de la de cualquier otro intervalo. Así pues, si la variable alea-
toria z sigue un proceso de Wiener sus variaciones (Δz) para cualesquiera
dos pequeños intervalos de tiempo (Δt) son independientes.
3. Las variaciones en el proceso (Δz) producidas en un intervalo finito de tiem-
po (Δt) se distribuyen normalmente, con una varianza que aumenta lineal-
mente con el intervalo temporal. Por tanto, Δz = ε Δt (donde ε es una va-
riable aleatoria del tipo φ[0,1])

El proceso de Markov implica que sólo la información actual es importante a la

hora de establecer los valores futuros esperados del proceso. Así, por ejemplo, los
precios de las acciones se pueden modelizar como un proceso de Markov desde el
momento en que la información pública es incorporada rápidamente en el precio
actual del título, lo que implica que la evolución histórica de los precios no tiene
ningún interés de cara a predecir su comportamiento futuro (esta es la base de la
denominada “forma débil de eficiencia del mercado”).
El hecho de que un proceso de Wiener tenga incrementos independientes impli-
ca que podamos considerarlo como una versión en tiempo continuo de un recorrido
aleatorio.
Cuando nos referimos a los precios de las acciones no parece razonable suponer
que las variaciones en los precios sigan una distribución normal, entre otras cosas,
porque el precio nunca podrá ser inferior a cero. Parece más lógico suponer que los
cambios en los precios (los rendimientos) siguen una distribución logarítmico-nor-
mal o logonormal, es decir, que los cambios en los logaritmos de los precios se dis-
tribuyen según una normal. Lo que significa modelizar el logaritmo del precio como
un proceso de Wiener en lugar del propio precio. De esta manera el proceso de

1
Según Finnegan (2005): En 1827 el botánico escocés Robert Brown observó a través de un microscopio
el movimiento aleatorio de las partículas de polen en el agua. A este fenómeno se le denomina “Movi-
miento Browniano”. Cuando en el siglo XX se descubrió que el proceso de Wiener era un instrumento
matemático útil no sólo para modelizar el comportamiento de las partículas de polen sino también los
movimientos de los precios bursátiles se le denominó “Movimiento Browniano Geométrico”. De esta
manera “Movimiento Browniano” se utiliza como expresión coloquial que se aplica a cualquier tipo de
fenómeno aleatorio. Técnicamente hablando el modelo de recorrido aleatorio de los precios de las
acciones se basa en el proceso de Wiener, que es un caso particular de los procesos aleatorios.

2
Juan Mascareñas Proceso de Wiener

Wiener se convierte en una pieza básica del rompecabezas que nos va a servir para
modelizar un gran número de variables que varían continuamente o estocástica-
mente a través del tiempo.
Vamos a ver las propiedades del proceso de Wiener más formalmente. Si z(t)
sigue un proceso de Wiener, entonces cualquier variación en z (Δz) correspondien-
te a un intervalo temporal Δt, satisfará las condiciones siguientes:

1. La relación entre Δz y Δt viene dada por: Δz = ε t Δt donde εt es una va-

riable aleatoria normalmente distribuida con una media nula y una desvia-
ción típica igual a la unidad.
2. La variable aleatoria εt no está autocorrelacionada, esto es, E[εt εs] = 0 para
t ≠ s. De tal manera que los valores de Δz para dos diferentes intervalos de
tiempo son independientes entre sí (así z(t) sigue un proceso de Markov
con incrementos independientes).

Ahora vamos a ver qué implican estas dos condiciones con relación a los posi-
bles cambios esperados en el valor de z a lo largo de un intervalo finito de tiempo
T. Subdividiremos el intervalo T en n unidades temporales cuya longitud es Δt y,
por tanto, n = T / Δt. Entonces la variación en el valor de z a lo largo de este in-
tervalo viene dada por:

n
(1) z(s + T) – z(s) = ∑ε
i =1
i Δt

Como los εi son independientes entre sí, podemos aplicar el Teorema Central del
Límite a su suma y decir que la variación z(s + T) – z(s) está distribuida normal-
mente con una media nula y una varianza igual a T (porque la varianza2 es igual a
n Δt = T). Obsérvese que la varianza de los cambios en un proceso de Wiener cre-
ce linealmente con el horizonte temporal (porque Δz depende de Δt y no de Δt).

Ejemplo: Supongamos que la variable z, que sigue un proceso de Wiener, to-

ma un valor de 20, lo que significa que dentro de una año su valor estará nor-
malmente distribuido con una media de 20 y una desviación típica de 1.
Transcurridos cinco años su valor medio esperado seguirá siendo 20 pero su
desviación típica será 5 o 2,236.

El proceso de Wiener no es estacionario porque a largo plazo su varianza ten-

derá a infinito.
Si Δt tiende a ser infinitamente pequeño (Δt Æ 0), el incremento en el proceso
de Wiener, dz, en tiempo continuo es igual a:

La varianza de un producto formado por una variable aleatoria (ει) y una constante ( Δt ) es igual a la
2

varianza de la variable aleatoria (1) por el cuadrado de la constante (Δt). Como hay n subperíodos la
varianza del período T es igual a n Δt que, a su vez, es igual a T.

3
Juan Mascareñas Proceso de Wiener

(2) dz = ε t dt

Como εt tiene una media nula y una desviación típica unitaria, entonces E[dz]
será igual a cero y su varianza será σ2[dz] = 1 x dt = dt. El proceso de Wiener no
tiene una derivada convencional con respecto al tiempo: Δz/Δt = εt (Δt)-1/2, que
tiende a infinito conforme Δt se aproxime a cero.
Si tuviésemos que trabajar con dos o más procesos de Wiener deberíamos tener
en cuenta sus covarianzas. Así, por ejemplo, si tenemos los procesos z1(t) y z2(t),
E(dz1 dz2) = ρ12dt, donde ρ12 es el coeficiente de correlación entre ambos proce-
sos. Debido a que el proceso de Wiener tiene una varianza y una desviación típica
iguales a 1 por unidad de tiempo, dicho coeficiente de correlación también será el
valor de la covarianza por unidad de tiempo para ambos procesos3.

2. Proceso de Wiener generalizado: Movimiento Browniano

con tendencia

Este tipo de proceso de Wiener es la generalización más simple de la ecuación 2:

(3) dx = a dt + b dz

donde a y b son constantes.

Para comprender la ecuación 3 comencemos centrándonos en el componente
a dt, que implica que x tiene una tasa de tendencia esperada a por unidad de
tiempo. Así que la ecuación 3, sin el segundo sumando, sería

dx = a dt Æ a = dx / dt Î xt = x0 + a t

así que si x0 = 10€ y a = 3 el valor esperado de x5 = 10 + 3 x 5 = 25€. Generali-

zando para t = 1, 2, 3, 4 y 5 tendríamos los valores mostrados en la tabla 1.

t xt-1 a xt
1 10 3 13
2 13 3 16
3 16 3 19
4 19 3 22
5 22 3 25
Tabla 1

Por otro lado, el segundo componente b dz puede contemplarse como el rui-

do añadido al primer componente, es decir, la variabilidad del sendero seguido por
los valores de la variable x. La cantidad de ruido o variabilidad es b veces un proce-

Si z1(t) y z2(t) son variables aleatorias, su coeficiente de correlación será igual a ρ12 = Cov(z1, z2) / (σz1
3

σz2) y como, en este caso, σz1 = σz2 = 1 entonces ρ12 = Cov(z1, z2).

4
Juan Mascareñas Proceso de Wiener

so de Wiener. Un proceso de este tipo tiene una desviación típica igual a la unidad,
por lo que b veces un proceso de Wiener tendrá una desviación típica igual a b.
Para un intervalo de tiempo muy pequeño (Δt), la variación de x (Δx) será
igual a:

(4) Δx = a Δt + b ε Δt

Δx tiene una distribución normal cuya media es igual a: a ΔT, una

Por tanto
distribución típica igual a: b Δt , y una varianza igual a: b2 Δt. O para un intervalo
de longitud T, que esté normalmente distribuido, su media sería igual a: a T, su
desviación típica es: b T y su varianza b2T.
En resumen, el proceso de Wiener generalizado mostrado en la ecuación 3
tiene una tendencia por unidad de tiempo de a y una varianza por unidad de tiem-
po de b2.
En la figura 1 se muestran tres ejemplos de la ecuación 3 con una tendencia
anual de a = 0,2 y una desviación típica anual b = 1. El gráfico abarca los años
que van desde 1950 al 2000 aunque la simulación se ha realizado con intervalos Δt
equivalentes a un mes; por eso los parámetros a y b han sido expresados en térmi-
nos mensuales (0,2/12 y 1/12 , respectivamente). La ecuación que gobierna la
evolución de x(t) es (el valor de x1950 = 0):

0,2 1
(5) xt = xt-1 + a dt + b dz = xt-1 + + 1εt
12 12

14

12

10

0
50 55 60 65 70 75 80 85 90 95 100
-2

-4

-6

Fig. 1 Ejemplos de proceso de Wiener con tendencia

En la ecuación 5, en cada instante del tiempo t, εt viene caracterizado por

una distribución normal de media nula y desviación típica igual a 1. La recta inclina-

5
Juan Mascareñas Proceso de Wiener

da que aparece en la figura 1 es una línea de tendencia que se obtiene aplicando la

ecuación 5 con un valor de εt = 0.
En la figura 2 se muestra la misma ecuación 5 pero sólo hasta el final del
año 1974, a partir del cual se calcula la previsión óptima de dicho proceso estocás-
tico desde 1975 hasta 2000. Dicha previsión se basa en el último valor alcanzado,
porque según la propiedad de Markov sólo el valor de x(t) para diciembre de 1974
es necesario para construir la previsión. El valor previsto de x para T meses más
allá de diciembre de 1974 viene dado por la ecuación:

0,2
x̂ 1974+ T = x 1974 + T
12

30

25

20

15

10

0
50 55 60 65 70 75 80 85 90 95 100

-5

Fig. 2 Previsión óptima del proceso de Wiener con tendencia

Las figura 3a y 3b son similares a la anterior pero en ella se muestra un sólo

ejemplo de proceso de Wiener. Se ha calculado la previsión óptima al final de 1974
pero, además, se han incluido dos intervalos de confianza para la trayectoria pre-
vista de x(t) del 68,26% (±1 desviación típica) y del 95% (±1,96 desviaciones típi-
cas). Recuérdese que la varianza de un proceso de Wiener crece linealmente con el
horizonte temporal (T), la desviación típica crece con la raíz cuadrada del horizonte
temporal ( Δt ). Por tanto, el intervalo de confianza del 68,26% para T meses en
el futuro viene dado por:

0,2 1
x̂ 1974+ T = x 1974 + T± T
12 12

6
Juan Mascareñas Proceso de Wiener

15

10

0
50 55 60 65 70 75 80 85 90 95 100

-5

-10

Fig. 3a Previsión óptima del proceso de Wiener con tendencia e intervalos de confianza del
68,26% y del 95%

40

35

30

25

20

15

10

0
50 55 60 65 70 75 80 85 90 95 100

Fig. 3b Previsión óptima del proceso de Wiener con tendencia e intervalos de confianza del
68,26% y del 95%

En las figuras 1, 2 y 3 se puede observar como a largo plazo la tendencia es

la variable determinante del proceso de Wiener, mientras que a corto plazo lo es la
volatilidad del proceso. Lo que proviene del hecho de que la media de la diferencia
(xt – xo) es igual a: a t, y la desviación típica es b t ; si t es grande t << t,
mientras que si es pequeña ocurre lo contrario. Otra forma de ver esto es consi-
derar la probabilidad de que xt < xo cuando a > 0. La probabilidad es muy pequeña
para tamaños grandes de t, pero sólo el 50% para valores pequeños.

Ejemplo. El saldo de tesorería de una empresa, medido en miles de euros, si-

gue un proceso de Wiener con una tendencia de 20 por año y una varianza de
900 por año. El saldo inicial es de 100. Al final del año el saldo de tesorería
tendrá un valor medio esperado de 120 sujeto a una desviación típica de 30.

7
Juan Mascareñas Proceso de Wiener

Mientras que al final de los próximos tres meses tendrá un valor esperado de
105 con una desviación típica de 30 1/4 = 15.

2.1 El proceso de Ito

Es un proceso de Wiener generalizado en el que los parámetros a y b son, a su vez,
funciones del valor de la propia variable y del tiempo, es decir, de x y de t.

(6) dx =a(x,t) dt + b(x,t) dz

De hecho, la tendencia esperada y la varianza del proceso de Ito varían a lo

largo del tiempo. Para pequeñas variaciones temporales (Δt) el valor de la variable
pasa de x a x+Δx, donde:

Δx = a(x,t) Δt + b(x,t) ε Δt

500,00

450,00

400,00

350,00

300,00

250,00

200,00

150,00

100,00

50,00

0,00
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51

Fig. 4 Proceso de Ito

Ejemplo: En la figura 4 se pueden ver dos gráficas generadas por un proceso

de Ito. Para ello se ha supuesto que en el instante t:

a) El parámetro a es: at = 0,1 xt-1 – (0,1 xt-1 – 1) Min (t/xt-1 ; 0,5)

b) El parámetro b es: (xt-1/t) 0,1
c) x0 = 10
d) xt = xt-1 + a dt + b dz (donde dz es del tipo φ[0,1])

3. El comportamiento de los precios bursátiles

Vamos a modelizar el movimiento de los precios bursátiles de las acciones (sin divi-
dendos). Se supone que los precios siguen un proceso de Wiener generalizado, es

8
Juan Mascareñas Proceso de Wiener

decir, que tienen una tendencia y una varianza constantes. Sin embargo, el modelo
no contiene un aspecto clave: la tasa de rendimiento mínima exigida por los inver-
sores para un activo cualquiera no depende de su precio. Es decir, si exigen un
12% anual a una acción cuyo precio es 10€ también se lo exigirían, si todo lo de-
más no varía, si su precio fuese 20€.
Por tanto, el supuesto de la tendencia constante debe ser sustituido por la
tasa de rendimiento esperada (es decir, la tendencia esperada en valor absoluto di-
vidida por el precio de la acción). Así, si St es el precio en el momento t, la tenden-
cia esperada para St debería ser μSt; donde μ indica la tasa de rendimiento espe-
rada del activo. Por tanto, para un corto intervalo de tiempo (Δt), el incremento es-
perado será μStΔt.
Si la volatilidad del precio de la acción fuese cero, entonces el incremento en
el valor del precio (ΔSt) sería igual a μStΔt; y si Δt Æ 0 entonces:

dS = μ St dt o también dS/St = μ dt Î ST = S0 eμT

donde ST y S0 indican el precio de la acción en el momento 0 y en el T. Así, pues, si

la varianza es nula el precio de la acción crecerá continuamente a una tasa com-
puesta μ por unidad de tiempo.
En la práctica, la volatilidad no es nula. Un supuesto razonable es que la va-
riabilidad del rendimiento esperado en un corto plazo de tiempo (Δt) es la misma
sin importar el precio del activo. Dicho de otra manera, desde el punto de vista del
inversor, la incertidumbre sobre el rendimiento esperado es la misma tanto si el
precio es de 10€ como de 20€. Esto implica que la desviación típica de la variación
del rendimiento, en un corto plazo de tiempo (Δt), debe ser proporcional al precio
de la acción. Luego el modelo puede expresarse así:

(7) dS = μ S dt + σ S dz = S[μ dt + σ dz]

O también:

(8) dS/S = μ dt + σ dz

Esta última ecuación es habitualmente empleada para modelizar el compor-

tamiento esperado del precio de las acciones.

Ejemplo: Un título que no paga dividendos tiene una volatilidad del 30% anual
proporcionando una rentabilidad anual esperada del 15%. El comportamiento
futuro de su precio viene dado por:

dS/S = 0,15 dt + 0,30 dz

Si St es el precio del activo en el instante t y ΔS es el aumento del precio

durante el intervalo Δt:

ΔS/S = 0,15 Δt + 0,30 ε Δt

9
Juan Mascareñas Proceso de Wiener

Si el intervalo de tiempo fuese de una semana 0,01923 años y el precio en el

momento t es de 10€:

ΔS/10 = 0,15 x 0,01923 + 0,30 ε 0,01923

ΔS = 0,0288 + 0,4149 ε

O lo que es lo mismo, el aumento del precio en una semana es una variable

aleatoria distribuida según una normal de media 0,0288€ y de 0,4149€ de
desviación típica (véase la figura 5).

25

20

15

10

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53

Fig.5 Ejemplo del comportamiento del precio de la acción durante un año

Es necesario hacer un pequeño comentario sobre la expresión 8. Como ya se

dijo anteriormente μ indica la tasa de rendimiento esperada del activo para el pró-
ximo año sin tener en cuenta el pago de dividendos. A esto se le conoce en finanzas
corporativas como g, es decir, el rendimiento esperado por ganancias de capital.
Éste es igual al producto del ROE4 por la tasa de retención de beneficios b. Si supo-
nemos que ésta última es constante entonces es el ROE el que es una variable
aleatoria. Por tanto, teniendo en cuenta que la varianza del producto de una cons-
tante por una variable aleatoria es igual a la constante al cuadrado por la varianza
de la variable aleatoria, la volatilidad de g medida por su desviación típica será
igual a:

(9) σ(g) = b x σ(ROE) Å Esta es la σ de la ecuación 8

4
El ROE, rendimiento sobre fondos propios, es igual a dividir el beneficio después de intereses e impues-
tos (BN) entre el valor contable medio de los fondos propios a lo largo del último año (E).

10
Juan Mascareñas Proceso de Wiener

Ahora imaginemos un nuevo escenario. Deseamos modelizar la tasa de cre-

cimiento de los ingresos de una empresa a lo largo de los próximos diez años. Para
ello utilizaremos una tasa de crecimiento que irá decreciendo con respecto al tiem-
po según la ecuación siguiente: gt = 12 – 1,5 t + 0,7 t2 hasta alcanzar un valor
igual 1,5 que se mantendrá constante. La racionalidad de que la tasa de crecimien-
to de los ingresos tienda hacia un valor de crecimiento bajo a largo plazo estriba en
que se supone que la competencia se encargará de reducir dicha tasa de crecimien-
to hasta un valor de equilibrio que será menor que la tasa media de crecimiento del
PIB hasta el infinito. En nuestro ejemplo, el valor de g tiene una desviación típica
anual del 30%. La ecuación que modeliza la tasa de crecimiento es:

(10) ΔI/I = gt = Max (12 – 1,5 t + 0,7 t2; 1,5) Δt + 0,30 ε

Otra forma de modelizar lo anterior es a través de un modelo de reversión a

la media5 en la que ésta tome como base la ecuación de gt vista en el párrafo ante-
rior, es decir, la “media” va descendiendo de valor según la ecuación mencionada:

(11) ΔI/I = gt = Max [It-1 – b x (I t-1 – (12 – 1,5 t + 0,7 t2)) ; 1,5] Δt + 0,30 ε

donde b es la velocidad del ajuste (aquí b = 0,5), e I t-1 es el valor de los ingresos
del período anterior (I0 = 12)
En la figura 6 se ve una simulación de ambas ecuaciones (la 10 es la línea
azul y la 11 es la roja). Ambas ecuaciones coinciden si la velocidad del ajuste toma
un valor de b = 1.

14,00

12,00

10,00

8,00

6,00

4,00

2,00

0,00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

Fig. 6 La ecuación (11) modelizar la línea roja (la superior) mientras que la inferior –azul- es
el resultado de la ecuación (10).

5
Véase Mascareñas, Juan (2008): “Procesos estocásticos: Introducción”. Monografías de Juan
Mascareñas sobre Finanzas Corporativas nº 27. http://www.ucm.es/info/jmas/monograf.htm

11
Juan Mascareñas Proceso de Wiener

4. Revisión del modelo

Al modelo mostrado en el epígrafe anterior se le denomina, a veces, movimiento

browniano geométrico. Su versión en tiempo discreto es:

(12) ΔS/S = μ Δt + σ ε Δt

o, también

(13) ΔS = μ S Δt + σ S ε Δt

dónde la variable ΔS indica la variación en el precio del activo (S) en un intervalo

de tiempo (Δt) y ε es una variable aleatoria que se distribuye según una normal
(0,1). La tasa de rendimiento esperada por unidad de tiempo del activo es μ y la
volatilidad del activo viene representada por σ. Se supone que estos dos últimos
parámetros son constantes.
El lado izquierdo de la ecuación 12 muestra el rendimiento proporcionado
por el activo en un corto intervalo temporal (Δt). El término μ Δt indica el valor es-
perado de este rendimiento, y el término σ ε Δt es el componente estocástico de
dicho rendimiento. La varianza del componente estocástico (y, por ende, del rendi-
miento) es σ2Δt; y, por tanto, σ Δt es la desviación típica del rendimiento en un
corto plazo de tiempo (Δt).
En conclusión, ΔS/S está normalmente distribuida con una media μ Δt y
una desviación típica σ Δt :

(14) ΔS/S Æ φ(μ Δt ; σ Δt )

Bibliografía

CHANCE, Don (2005): ”A Non-Technical Introduction To Brownian Motion”.

Financial Engineering News. Mar-abril nº 42. http://www.fenews.com/fen42/
teach_notes/teaching-notes.html
DIXIT, Avinash y PINDYCK, Robert (1994): Investment under Uncertainty.
Princeton University Press. Princeton (NJ). Pp.: 60-63
FINNEGAN, Jim (2005): “Geometric Brownian Motion: Using Excel to Understand
the Math Behind the ‘Random Walk’ of Stock Prices”. Financial Engineering
News. Mar-abril nº 42. http://www.fenews.com/fen42/back_to_basics/
back_to_basics.htm
HULL, John (2000): Options, Futures, & Other Derivatives. Prentice Hall. Englewood
Cliffs (NJ) (4ª ed.)

12