Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
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:
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).
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.
(3) dx = a dt + b dz
dx = a dt Æ a = dx / dt Î xt = x0 + a t
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
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
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
5
Juan Mascareñas Proceso de Wiener
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
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%
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.
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
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:
O también:
(8) dS/S = μ dt + σ dz
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:
9
Juan Mascareñas Proceso de Wiener
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
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
(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
(12) ΔS/S = μ Δt + σ ε Δt
o, también
(13) ΔS = μ S Δt + σ S ε Δt
Bibliografía
12