Documentos de Académico
Documentos de Profesional
Documentos de Cultura
FACULTAD DE CIENCIAS
TESIS
ESTUDIO E IMPLEMENTACIÓN DEL MODELO DE HESTON Y
SU EXTENSIÓN
AL INCORPORAR CORRELACIÓN ESTOCÁSTICA
ELABORADO POR:
ASESOR:
LIMA-PERÚ
2019
Tu tiempo es limitado , así que no lo desperdicies viviendo la vida de alguien más.
-Steve Jobs
No temas fallar. No es fallar, sino apuntar muy bajo el error. Con grandes aspiraciones, es
-Bruce Lee
Cuando las leyes de la matemática se reeren a la realidad, no son ciertas; cuando son ciertas,
no se reeren a la realidad.
El mundo no está en peligro por las malas personas sino por aquellas que permiten la maldad.
-Albert Einstein
-Galileo Galilei
No hay rama de la matemática, por abstracta que sea, que no pueda aplicarse algún día a los
-Henry Ford
1
A Dios.
Por haberme permitido llegar hasta este punto y haberme dado
A mi madre y a mi hermana.
Por creer en mí, por su amor y darme ejemplo digno de superación.
A Xiomara y a Sophia.
Por ser mi motor e inspiración en cada paso que doy.
2
Agradecimientos
A Dios, por acompañarme siempre, darme la fuerza necesaria para seguir adelante y no des-
mayar ante las vicisitudes que se presentaron tanto en la elaboración de esta tesis como a lo largo
de mi vida.
A mi madre, Bilma Alva Vargas, mi primera maestra y pilar muy importante de mi vida, a
quién le debo lo que soy, por todo lo inculcado y por su gran apoyo a lo largo de mi vida.
A mi asesor, Fidel Jara, por su apoyo constante y acertadas indicaciones para la elaboración,
A la Universidad Nacional de Ingeniería por haberme permitido formarme en ella, así como
Finalmente agradecer a todas aquellas personas que de algún modo se han visto involucradas
3
Resumen
El desplome del mercado de valores de octubre de 1987 fue un evento que sacudió a los
mercados nancieros de todo el mundo e impactó en los modelos matemáticos dedicados a preciar
a partir de dicho desplome puso en tela de juicio la capacidad del modelo de Black-Scholes
para resaltar los supuestos restrictivos que subyacen en dicho modelo. Uno de estos es que
los retornos continuamente compuestos de las acciones se distribuyen normalmente con una
volatilidad constante, pero los Log-retornos muestran asimetría y curtosis (colas gruesas) que la
en el tiempo.
modelo de Heston, modela a la volatilidad como un proceso Ornstein Uhlenbeck (OU); además
dicho proceso está correlacionado (correlación constante) con el proceso de precios. La popula-
ridad del modelo de Heston se debe a que el precio de la Call europea, está disponible en forma
cerrada, hasta una integral que debe evaluarse numéricamente. Una razón por la cual el modelo
necesita ser conocida, solo su función característica. Esta línea de razonamiento crucial fue el
inicio de un nuevo enfoque para la preciación de opciones, conocido como precios por funciones
características (Ver [6, Zhu]).Si bien el modelo de Heston no fue el primer modelo de volatilidad
estocástica que se introdujo, se ha convertido en el más importante y ahora sirve como punto de
(clásico), una novedosa extensión al modelo propuesta en [40, Teng, Ehrhardt, and Günther]. La
novedad yace en que la correlación es variable en el tiempo, impulsada por su propio proceso
estocástico (Ornstein-Uhlenbeck).
1. Primero, hacer un estudio detallado del Modelo clásico de Heston y sus esquemas de simu-
lación.
4
2. Dar una exposición detallada del modelo de Heston extendido al incorporar correlación
programación Python.
5
Índice de guras
2.1. ξ induce una medida de probabilidad sobre R. . . . . . . . . . . . . . . . . . . . . 19
2.8. El precio Black-Scholes de una Opción Call Europea con σ = 0,3, r = 0,05 y
K = 100 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
6
4.4. Distribución acumulada de vt+dt condicionada a vt ( vt valor grande) . . . . . . . . 112
7
Índice de cuadros
2.1. Reglas del producto de derivación . . . . . . . . . . . . . . . . . . . . . . . . . . 30
6.2. Comparación Numérica de los errores en el caso I, usando los diferentes esquemas;
6.3. Comparación Numérica de los errores en el caso II, usando los diferentes esquemas;
6.4. Comparación Numérica de los errores en el caso III, usando los diferentes esque-
6.5. Comparación Numérica de los errores en el caso IV, usando los diferentes esque-
8
Índice general
Agradecimientos 3
Resumen 4
Índice de guras 6
Índice de cuadros 8
Índice general 9
1. Introducción 12
2. Preliminares 14
2.0.1. Solución de la Ecuación de Riccati . . . . . . . . . . . . . . . . . . . . . . 14
2
2.1. Distribución Chi-Cuadrado No central: χ (ν; α) . . . . . . . . . . . . . . . . . . . 15
2.5.2. Retornos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.5.3. Volatilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
9
3. El Modelo de Heston 56
3.1. Descripción del Modelo de Heston . . . . . . . . . . . . . . . . . . . . . . . . . . 56
10
5. Correlación Estocástica en el Modelo de Heston 124
5.1. Descripción del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
6.3. Error cuadrático medio en los métodos numéricos estudiados (trabajo futuro) . . 149
Bibliografía 173
11
Capítulo 1
Introducción
En el presente trabajo se realiza el estudio e implementación del modelo clásico de Heston y su
respectiva extensión, considerando correlación estocástica entre el proceso de precios del activo
dichos modelos, principalmente, los esquemas QE y QEM propuestos en [3, Andersen] para el mo-
delo clásico de Heston [19, Heston] y los esquemas HB y HBM propuestos en [40, Teng,Ehrhardt
nanciera y estadística requeridos para los capítulos posteriores, también se presenta brevemen-
y fundamenta de la mejor manera posible aspectos teóricos del modelo de Heston [19, Heston],
presentando una derivación de su EDP, sus funciones características y el precio de una Opción
Call Europea, además se trata algunos de los problemas (numéricos) relacionados con el modelo,
como las discontinuidades del integrando[3, Andersen], que a través del tiempo se han ido solu-
dia la extensión del modelo clásico de Heston, imponiendo correlación estocástica propuesto en
débil. Luego, mediante ejemplos, se hace una comparación con los esquemas vistos anteriormente
y se verica numéricamente, mediante el uso del lenguaje Python, la calidad del esquema. Final-
mente, en el capítulo 7, se presentan las conclusiones del trabajo de tesis y se proponen futuros
trabajos. Cabe resaltar que los experimentos computacionales fueron desarrollados en el Centro
12
de Alto Rendimiento Computacional de la Amazonía Peruana del Instituto de Investigaciones
13
Capítulo 2
Preliminares
2.0.1. Solución de la Ecuación de Riccati
Una de las ecuaciones diferenciales de Heston, es una ecuación de Riccati, por lo cual, es
necesario ver cómo se obtiene su solución, para ello seguimos [5, Zwillinger, pág 288].
La ecuación de Riccati para y(t) con coecientes a(t), b(t) y c(t) se dene como
dy(t) 2
= a(t) [y(t)] + b(t)y(t) + c(t). (2.1)
dt
Realizamos el cambio de variable de y(t) a w(t), haciendo
w0 (t) 1
y(t) = − ,
w(t) a(t)
2
w00 (t)w0 (t) − w0 (t)w0 (t) w0 (t) a0 (t) w0 (t) 1 w0 (t) 1
1
− = a(t) − +b(t) − +c(t),
w(t)2 a(t) w(t) a(t)2 w(t) a(t) w(t) a(t)
que al operar y simplicar se obtiene la siguiente ecuación diferencial ordinaria de segundo orden
para w(t)
a0 (t)
00
w − + b(t) w0 + a(t)c(t)w = 0, (2.2)
a(t)
a0 (t)
h i
haciendo m=− a(t) + b(t) , y n = a(t)c(t), la EDO (2.2) puede ser escrito como w00 + mw0 +
nw = 0, que se puede resolver mediante el método de coecientes indeterminados, para ello
14
La solución para la EDO de segundo orden (2.2) es
C1 αeαt + C2 βeβt 1
y(t) = − . (2.3)
C1 eαt + C2 eβt a(t)
ver con la distribución del proceso de varianza en el modelo de Heston y por ende también con
ν
!
X Xj2
Y := .
j=1
σ2
cuadrada (central) con ν grados de libertad. Ahora veamos la distribución de Y, cuando cada µj
es no nulo. Para ello, se considera la función generadora de momentos de Y, y teniendo en cuenta
la independencia de las Xj , se tiene
notemos de
h µj µj 2
i µ2
j
tx2j (xj −µj )2 (2t−1) x2j +2( 2t−1 )xj +( 2t−1 ) − 2t−1 −µ2j
σ2 − 2σ 2 = 2
2σi2
tµ2j
h
(2t−1) µj
= 2σ 2 xj + 2t−1 − σ 2 (2t−1) ,
15
si 2t − 1 ≥ 0, la integral en (2.5) resulta ser no convergente, pues el integrando explotaría (no
∞ √
" !!# " #Z " 2 #
Xj2 tµ2j
1 1 − 2t (1 − 2t) µj
E exp t =√ exp 2 √ exp − xj − dxj ,
σ2 1 − 2t σ (1 − 2t) −∞ σ 2π 2σ 2 1 − 2t
se forma "
∞ 2 #
(1 − 2t)
Z
1 µj
√ exp − xj − dxj = 1,
−∞ √ σ 2π 2σ 2 1 − 2t
1−2t
µj
pues es la distribución acumulada de una variable aleatoria Normal, de media
1−2t y varianza
σ2
1−2t . Así " !!# " #
Xj2 1 tµ2j
E exp t =√ exp 2 ,
σ2 1 − 2t σ (1 − 2t)
ν
" #
tµ2j
Y 1 1 tα
mY (t) = √ exp 2 = ν exp , (2.6)
j=1
1 − 2t σ (1 − 2t) (1 − 2t) 2 (1 − 2t)
ν µ2j
t < 12 .
P
donde α= σ2 y
j=1
∞
1 ν
− (x+α) P
e 2 ν x 2 +j−1 αj
Γ( ν2 +j)22j j! , para 0 < x < ∞,
22
f (x) = j=0 (2.7)
0, otro caso,
bución denida por (2.7) es una distribución bien denida para cualquier positivo ν ([30,
16
Johnson, pág 436]).
dk mX (t)
E Xk = . (2.8)
dtk t=0
E [Y ] = ν + α. (2.10)
d2 mY (t) ν αt
= (1 − 2t)− 2 −4 e 1−2t ν 2 (1 − 2t)2 + 2ν(1 − 2t)(α + 1 − 2t) + α(α + 4(1 − 2t)) ,
dt2
con lo que
2
] = E Y 2 − (E [Y ]) = 2(ν + 2α).
Var [Y
17
El σ−álgebra es la estructura matemática que modela información. Intuitivamente, represen-
ta la información que nos será revelada después de la realización del resultado aleatorio, pues
contiene todos los eventos que podemos vericar si ocurrieron o no, después de que se realiza el
experimento aleatorio.
P : F → [0, 1]
tal que
1. P(Ω) = 1;
Denición 9. (Evento casi-seguro) Se dice que un evento A ocurre casi seguramente (c.s),
Denición 10. (Función medible) Dado F, un σ−álgebra sobre Ω, entonces una función ξ :
Ω→R es llamada F−medible si, para cualquier conjunto de Borel B ∈ B(R), se tiene que el
conjunto
{w ∈ Ω|ξ(w) ∈ B} = {ξ ∈ B} ∈ F.
18
denida sobre el σ−álgebra de Borel B(R). Esto lo ilustramos en la gura 2.1. Así, se dene la
función de distribución de ξ, Fξ : R → [0, 1], como Fξ (x) = P{ξ ∈] − ∞, x]} = P{ξ ≤ x}.
La siguiente proposición resalta propiedades necesarias y sucientes para que una función sea
función de distribución.
Entonces Z
E[ξ] = ξdP
Ω
Denición 16. (Varianza) Una variable aleatoria ξ : Ω → R, se dice que es cuadrado inte-
grable si Z
|ξ|2 dP < ∞.
Ω
Z
var(ξ) = (ξ − E(ξ))2 dP.
Ω
19
Denición 17. (Esperanza condicional) Sea ξ una variable aleatoria integrable sobre un es-
1. E[ξ|G] es G−medible;
2. Para cualquier A ∈ G, Z Z
E[ξ|G]dP = ξdP.
A A
E [ξ|η] = E [ξ|σ(η)] ,
en F.
2. E [E[ξ|G]] = E [ξ] ;
5. E [E[ξ|G]|H] = E [ξ|H] , si H ⊂ G;
Observación 20. En la proposición 19 se debe tener en cuenta que las igualdades se dan P−c.s
(ver denición 9).
La siguiente denición y sus propiedades las podemos encontrar en [8, Fristedt,Gray pág 453].
Denición 21. (Varianza condicional) Sea X una variable aleatoria, denida sobre (Ω, F, P),
sea G un σ−álgebra de F, y se tiene que E [X|G] es nito. La varianza condicional de X dado
20
3. Var [Y X|G] = Y 2 Var [aX|G] , Y es G−medible.
2
4. Var [XY ] = Var [X]·Var [Y ]+Var [X]·(E[X]) +Var [Y ]·(E[X]) ,2 si X e Y son independientes.
Demostración. Ver [8, Fristedt,Gray pág 454] para una demostración de las propiedades 1 y 2.
La propiedad 3 es directa de aplicar la propiedad 1 y la propiedad 3 de la Proposición 19. Para
2
Var [XY ] = E[X 2 ] · E[Y 2 ] − (E[X] · E[Y ])
2 2 2
= E[X 2 ] · E[Y 2 ] − E[X 2 ] · (E[Y ]) + E[X 2 ] · (E[Y ]) − (E[X] · E[Y ])
| {z } | {z }
E[X 2 ]·Var[Y ] Var[X]·(E[Y ])2
2 2 2 2
= E[X ] · Var [Y ] − (E[X]) · Var [Y ] + (E[X]) · Var [Y ] + Var [X] · (E[Y ]) .
| {z }
Var[X]·Var[Y ]
Observación 23. En la proposición 22 se debe tener en cuenta que las igualdades se dan P−c.s
(ver denición 9).
Denición 24. (Proceso estocástico ) Un proceso estocástico es una familia de variables aleatorias
ξ(t) parametrizadas por t ∈ T, donde T ⊂ R. Cuando T = {1, 2, . . .}, se dice que ξ(t) es un proceso
estocástico en tiempo discreto (es decir, una sucesión de variables aleatorias). Cuando T es un
intervalo en R (generalmente T = [0, ∞)), se dice que ξ(t) es un proceso estocástico en tiempo
continuo.
Si jamos w ∈ Ω, la función en T
t 7→ ξ(t, w)
Denición 27. (Filtración) Una familia {Ft }t∈T de σ−álgebras sobre Ω parametrizada por
Fs ⊂ Ft ⊂ F
para cualquier s, t ∈ T tal que s < t. Una ltración se puede ver como una sucesión creciente
21
Observación 28. Esta estructura nos sirve para reejar el hecho de que a medida que pasa el
tiempo (s < t), la información disponible puede permanecer o aumentar, pero no perderse.
una sucesión (continua) creciente, decreciente o constante, según se trate de una submartingala,
si se cumple que
A ∈ F : P(A) = 0 ⇔ P(A)
e = 0.
Z
P(A)
e = ZdP, ∀A ∈ F.
A
dP
e
Z= .
dP
Se presenta el siguiente teorema, donde detallamos el teorema 1.6.1 de [35, Shreve, pág 33].
Teorema 34. Sea (Ω, F, P) un espacio de probabilidad y sea Z una variable aleatoria no negativa
Z
P(A)
e = ZdP. (2.12)
A
22
entonces P
e es una medida de probabilidad. Además, si X es una variable aleatoria no negativa,
entonces
P P Y
E [Y ] = E (2.14)
e
Z
denición de P
e (expresión (2.12))
Z
P(Ω)
e = ZdP = E[Z] = 1
Ω
donde la segunda igualdad es debido a la denición 15. Para vericar la condición 2 de la denición
6, consideremos A1 , A2 , . . . una sucesión de conjuntos disjuntos 2 a 2, pertenecientes a F, y
denamos para n = 1, 2, . . .
n
[
Bn = Ak .
k=1
Z Z
e ∞) =
P(B 1B∞ ZdP = lı́m 1Bn ZdP. (2.15)
Ω n→∞ Ω
n
P
1Bn = 1 ∧ 1Ai = 1 ⇒ 1Bn (w) = 1Ak (w),
k=1
análogamente si w∈
/ Ai , para todo i ∈ {1, . . . , n}, se tiene que
n
P
1Bn = 0 ∧ 1Ai = 0, ∀i = 1, . . . , n ⇒ 1Bn (w) = 1Ak (w),
k=1
n
P
así vemos que 1Bn = 1Ak . Luego
k=1
Z n Z
X n Z
X n
X
1Bn ZdP = 1Ak ZdP = ZdP = e k ).
P(A
Ω k=1 Ω k=1 Ak k=1
23
Con lo cual en la expresión (2.15) tenemos que
∞
[ ∞
X
e ∞ ) = P(
P(B e Ak ) = e k)
P(A
k=1 k=1
y con ello P,
e es una medida de probabilidad.
Z
E P [X] = E P [1A ] = P(A) = 1A ZdP = E P [1A Z] = E P [XZ] . (2.16)
e e e
Ω
n
P
Para X = αk 1Ak , función simple no negativa (Suma nita de funciones indicadoras,
k=1
donde α1 , α2 , . . . , αn son constantes no negativas y A1 , A2 , . . . , An son subconjuntos de
Borel de R).
n
X n
X
E P [X] = E P [ αk 1Ak ] = αk E P [1Ak ] ,
e e e
k=1 k=1
n
" n
#
X X
P P P
E [X] = αk E [1Ak Z] = E αk 1Ak Z = E P [XZ] . (2.17)
e
k=1 k=1
Para X función Borel-medible no negativa. Para cada n entero positivo, denamos los
conjuntos
k k+1
Ak,n = w ∈ Ω; ≤ X(w) < , k = 0, 1, . . . , 4n − 1. (2.18)
2n 2n
Para cada n jo, los conjuntos B0,n , B1,n , . . . , B4n−1 ,n , corresponden a una partición de
n
[0, 2 [, con
1 2 4n
0< n
< n < · · · < n = 2n . (2.19)
2 2 2
En el siguiente entero n + 1, la partición de [0, 2n [, tendrá todos los n puntos de la partición
(ver los puntos dados en la expresión (2.19)) y los puntos nuevos serán los puntos medios
24
Figura 2.2: Bosquejo de la construcción para la partición, para n=2 y n+1=3
Debido a este hecho, no es difícil ver que la sucesión de funciones simples no negativas
n
4X −1
k
fn (w) = 1B (w),
2n k,n
k=0
cumple con 0 ≤ f1 ≤ · · · ≤ X, ya que fn+1 tiene más sumandos (no negativos) que fn . Por
otro lado, veamos que lı́m fn = X, para ello, note que X se puede escribir como
n→∞
n
4X −1
X(w) = X · 1Bk,n (w), para n sucientemente grande.
k=0
1
0 ≤ X(w) − fn (w) < ,
2n
h i
E P [X] = E P lı́m fn = lı́m E P [fn ] ,
e e e
n→∞ n→∞
h i
lı́m E P [fn ] = lı́m E P [fn Z] = E P lı́m fn Z = E P [XZ] .
e
n→∞ n→∞ n→∞
25
Y
Para demostrar (2.14), como Z>0 casi seguramente,
Z está bien denido y así podemos
Y
reemplazar en la expresión (2.13), para X= Z , tenemos
P Y P Y
E =E Z = E P [Y ] .
e
Z Z
Observación 35. Bajo las condiciones del teorema 34, incluyendo la condición de Z>0 c.s, P y
P
e son equivalentes. En efecto,
0, w∈
/A
1A Z(w) =
Z(w), w∈A
es decir,
y con esto
por lo que P({w ∈ Ω : 1A Z(w) = 0}) = 1. Entonces, la variable aleatoria 1A Z = 0 P−c.s. Ahora,
Z Z
P(A)
e = ZdP = 1A ZdP = 0.
A Ω
1
(⇐) Sea B ∈ F,con P(B)
e = 0. Entonces, Z 1B e − c.s,
=0P así
1
EP 1B = 0.
e
Z
el espacio de probabilidad (Ω, F, P) como nuestro importante motor estocástico para modelar la
Enseguida, denimos la herramienta que nos ayuda a modelar la dinámica aleatoria. Esta
26
Denición 36. (Movimiento Browniano)
siguientes condiciones:
1. W0 = 0 c.s.
cualquier 0 ≤ s < t.
de un Movimiento Browniano, por ejemplo eligiendo tamaños de paso 1/100, haciendo uso del
Una de las características que es importante destacar de este proceso y que es percibible en la
gura 2.3, es que el Movimiento Browniano no es diferenciable en ningún punto ([45, Brzezniak,
pág.174]).
27
donde las componentes Wi , son movimientos Brownianos unidimensionales e independientes
entre sí.
La siguiente observación es de gran utilidad para algunas demostraciones y para nes de simu-
lación. Nos permite construir movimientos Brownianos asociados con una correlación especíca.
W
f1 (t) = W1 (t),
p
W
f2 (t) = ρW1 (t) + 1 − ρ2 W2 (t).
independientes, W
f2 (t) también se distribuye Normalmente. Como W1 (t) y W2 (t) son movimientos
Brownianos Estándar, E [W1 (t)] = E [W2 (t)] = 0, así
h i p
E Wf2 (t) = ρE [W1 (t)] + 1 − ρ2 E [W2 (t)] = 0,
y
h i
Var Wf2 (t) = ρ2 Var [W1 (t)] + (1 − ρ2 )Var [W2 (t)] = 1.
Además,
h i h i h i
Corr Wf1 (t), W
f2 (t) =E W f1 (t) · W
f2 (t) − E Wf1 (t) E Wf2 (t) ,
h p i
Corr Wf1 (t), W
f2 (t) = E ρW1 (t) · W1 (t) + 1 − ρ2 W1 (t) · W2 (t) ,
p
= ρE W1 (t)2 + 1 − ρ2 E [W1 (t) · W2 (t)] ,
con lo cual,
f2 (t) = ρE W1 (t)2 = ρ.
Corr Wf1 (t), W
Mientras que la ecuación diferencial ordinaria determinística, consiste en una solución única,
en muchos casos, por ejemplo, en economía nanciera esto no se cumple, ya que los modelos
suelen ser aleatorios, por lo que se agrega un término de ruido a la ecuación diferencial, de ahí
el nombre de ecuación diferencial estocástica denotada por EDE. La mayoría de los modelos
utilizados para simular instrumentos nancieros se pueden describir mediante estos modelos no
deterministas. Para denir una EDE, necesitamos la noción de integral estocástica de Itô (ver
apéndice A).
28
La siguiente denición puede ser encontrada en [45, Brzezniak, pág194].
Z t Z t
Xt = X0 + µ(Xs , s)ds + σ(Xs , s)dWs (2.20)
0 0
Z t
P σ 2 (Xs , s)ds < ∞, ∀t ≥ 0 = 1,
0
Z t
P |µ(Xs , s)| ds < ∞, ∀t ≥ 0 = 1.
0
La EDE (2.20) se compone de dos términos, el primer término µdt se dene como el término
de drift y el segundo término σdWt , que especica la parte aleatoria (el ruido) del proceso,
Sea T >0 y sean µ(·, ·) : Rn × [0, T ] → Rn , σ(·, ·) : Rn × [0, T ] → Rn×m funciones medibles que
satisfacen
|µ(x, t) − µ(y, t)| + |σ(x, t) − σ(y, t)| ≤ D|x − y|; x, y ∈ Rn , t ∈ [0, T ] (2.22)
para alguna constante D. Y sea Z una variable aleatoria que es independiente del σ−álgebra Ft ,
donde Ft es la ltración generada por W = {Wt : t ∈ [0, ∞)} y tal que
E |Z|2 < ∞.
29
tiene una única solución Xt con la propiedad que
y "Z #
T
2
E |Xt | dt < ∞. (2.25)
0
Observación 41. La condición (2.21) asegura que la solución Xt de (2.23) no explote, es decir,
que |Xt | no tienda a ∞ en un tiempo nito. Mientras que la condición (2.22) garantiza que la
ecuación (2.23) tenga una única solución. Aquí unicidad signica que si X1 (t, w) y X2 (t, w) son
A continuación presentamos la fórmula básica del cálculo estocástico, que es muy usado en
Teorema 42. (Fórmula unidimensional de Itô) Sea Xt un proceso de Itô dado por
Yt = g(t, Xt )
∂g ∂g 1 ∂2g 2
dYt = (t, Xt )dt + (t, Xt )dXt + (t, Xt ) · (dXt ) ,
∂t ∂x 2 ∂x2
2
donde (dXt ) = (dXt ) · (dXt ) es calculado de acuerdo al cuadro 2.1. Obteniéndose así
1 2 ∂2g
∂g ∂g ∂g
dYt = (t, Xt ) + u (t, Xt ) + v (t, Xt ) dt + v (t, Xt )dWt .
∂t ∂x 2 ∂x2 ∂x
· dt dWt
dt 0 0
dWt 0 dt
30
Teorema 43. (Fórmula Multidimensional de Itô)
Sea
donde
X1 (t) u1 v11 ··· v1m W1 (t)
. . . .. . .
X(t) = . , u= . , v= . . . , dW (t) = .
.
. . . . .
Xn (t) un vn1 ··· vnm Wm (t)
proceso
es otro proceso de Itô, cuyo componente k−ésimo, Yk , está dado por (teniendo en cuenta el
cuadro 2.1)
n n n
∂gk X ∂gk 1 XX ∂ 2 gk
dYk = (t, X)dt+ (t, X)dXi + (t, X)dXi dXj .
∂t i=1
∂xi 2 j=1 i=1 ∂xi ∂xj
El siguiente teorema nos brinda condiciones que nos permite reconocer cuando una martingala
es un movimiento Browniano.
Si un proceso estocástico {Mt }t≥0 denido sobre el espacio de probabilidad (Ω, F, P) con ltración
{Ft }t≥0 , satisface las siguientes condiciones:
1. P (M0 = 0) = 1
2. {Mt }t≥0 es una martingala con respecto a la ltración {Ft }t≥0 bajo P.
Entonces
Demostración. De las hipótesis del teorema 44 en la denición 36, falta demostrar las siguientes
armaciones:
E eiλ(Mt −Ms ) .
Para ello, analizaremos la función característica de los incrementos Pero
1 2
antes veamos que g(t, Mt ) = eiλMt + 2 λ t , es una martingala. En efecto, aplicando el lema de Itô
31
(Teorema 42)
1 2 1
dg(t, Mt ) = λ g(t, Mt )dt + iλg(t, Mt )dMt − λ2 d [Mt , Mt ]
2 2
y la hipótesis 3,tenemos d [Mt , Mt ] = dt, con lo que
1 2 1
dg(t, Mt ) = λ g(t, Mt )dt + iλg(t, Mt )dMt − λ2 dt = iλg(t, Mt )dMt ,
2 2
1 2
por lo tanto, g(t, Mt ) = eiλMt + 2 λ t , es una martingala.
Pero
h 1 2
i 1 2
h i
E eiλMt + 2 λ t Fs = e 2 λ t E eiλMt Fs
h i 1 2
E eiλ(Mt −Ms ) Fs = e− 2 λ (t−s) ,
h i h h ii h 1 2 i 1 2
E eiλ(Mt −Ms ) = E E eiλ(Mt −Ms ) Fs = E e− 2 λ (t−s) = e− 2 λ (t−s) ,
Mt − Ms ∼ N (0, t − s).
h i
E eiλ1 Mt1 +iλ2 (Mt2 −Mt1 )+···+iλ2 (Mtn −Mtn−1 )
h i
= E ei(λ1 −λ2 )Mt1 +i(λ2 −λ3 )Mt2 +···+i(λn−1 −λn )Mtn−1 +iλn Mtn ,
32
aplicando la propiedad 2 de la proposición 19,
h i
E eiλ1 Mt1 +iλ2 (Mt2 −Mt1 )+···+iλ2 (Mtn −Mtn−1 )
h h ii
= E E ei(λ1 −λ2 )Mt1 +i(λ2 −λ3 )Mt2 +···+i(λn−1 −λn )Mtn−1 +iλn Mtn Ftn−1 ,
propiedad 3 de la proposición 19
h i
E eiλ1 Mt1 +iλ2 (Mt2 −Mt1 )+···+iλ2 (Mtn −Mtn−1 )
h h ii
= E ei(λ1 −λ2 )Mt1 +i(λ2 −λ3 )Mt2 +···+i(λn−1 −λn )Mtn−1 E eiλn Mtn Ftn−1 ,
h i
E eiλ1 Mt1 +iλ2 (Mt2 −Mt1 )+···+iλ2 (Mtn −Mtn−1 )
h 1 2
i
= E ei(λ1 −λ2 )Mt1 +i(λ2 −λ3 )Mt2 +···+i(λn−1 −λn )Mtn−1 eiλn Mtn−1 · e− 2 λn (tn −tn−1 )
h i 1 2
= E ei(λ1 −λ2 )Mt1 +i(λ2 −λ3 )Mt2 +···+iλn−1 Mtn−1 · e− 2 λn (tn −tn−1 ) ,
h i 1 2 1 2 1 2
E eiλ1 Mt1 +iλ2 (Mt2 −Mt1 )+···+iλ2 (Mtn −Mtn−1 ) = e− 2 λ1 t1 · e− 2 λ2 (t2 −t1 ) · · · e− 2 λn (tn −tn−1 ) ,
con lo que
métrico, a modo de ejemplo de aplicación de los teoremas vistos, presentamos la siguiente pro-
posición.
con condición inicial en el tiempo s, Xs tiene una única solución dada por
σ2
Xt = Xs exp µ− (t − s) + σWt−s .
2
Demostración. P
Para la existencia y unicidad de la solución, aplicaremos el Teorema 40, para ello veamos que
33
(2.30) satisface la condición (2.21)
Xt = f (Wt−s , t)
donde
σ2
f (x, t) = c exp µ− (t − s) + σx ,
2
así tenemos
n o
∂f σ2 σ2 σ2
∂t = c exp µ− 2 (t − s) + σx µ − 2 =f · µ− 2 ,
n o
∂f σ2
∂x = c exp µ− 2 (t − s) + σx σ = f · σ,
n o
∂2f σ2
∂x2 = c exp µ− 2 (t − s) + σx σ 2 = f · σ 2 ,
así
σ2
1 2 2
df = f · µ − + 0(f · σ) + 1 (f · σ ) dt + 1(f · σ)dWt ,
2 2
con lo cual,
df = µ.f dt + σf dWt .
Además,
Xs = f (Ws−s , 0) = f (0, 0) = c ⇒ c = Xs
con lo cual
σ2
Xt = Xs exp µ− (t − s) + σWt−s
2
satisface la EDE con la condición inicial.
34
Observación 46. No es difícil notar en la Proposición 45, que
ln(Xt ) condicionado a ln(Xs ), tiene
σ2
distribución Normal con media ln(Xs ) + µ − 2 (t − s) y varianza σ2 .
σ = 0.2 σ = 0.4
En la gura 2.4 se tiene una simulación (usando Python) de un camino muestral del Movi-
la función valor esperado E [Xt ] = 1 · eµt . Para valores pequeños de σ, la trayectoria (al menos
inicialmente) se mantiene bastante cerca de la función de valor esperado, mientras que un valor
grande de σ da lugar a grandes desviaciones aleatorias. Esto se puede ver claramente cuando
comparamos la trayectoria simulada en el lado izquierdo con las cuatro trayectorias simuladas
En seguida presentamos la versión II del teorema de Girsanov, que puede ser encontrada en
donde W (t) ∈ Rm , β(t, w) ∈ Rn y θ(t, w) ∈ Rn×m . Supongamos que existe un proceso u(t, w) ∈
m n
WH y α(t, w) ∈ WH tal que
35
consideremos
Z t
1 t 2
Z
Mt = exp − u(s, w)dWs − u (s, w)ds ; t ≤ T
0 2 0
Z t
W
c (t) := u(s, w)ds + W (t); t ≤ T (2.32)
0
Observación 48. La condición de Novikov es suciente para garantizar que Mt es una martingala,
Además u en nanzas como premio al riesgo (de mercado), o precio de mercado del riesgo
denición de W
ct que,
W
c0 = W0 = 0,
y que W
c posee caminos continuos, al igual que W. Además se tiene para cada tiempo t,
h i
Wc, W
c (t) = [W, W ] (t) = t,
pues
c (t) = (dW (t) + u(t)dt)2 = dW (t) · dW (t) = dt.
c (t) · dW
dW
36
En efecto, considerando
1
dX(t) = − u2 (t)dt − u(t)dW (t)
2
y
∂g ∂g ∂2g
g(t, x) = ex ⇒ ∂t = 0, ∂x = ex y ∂x2 = ex ,
así tenemos
Z t
M (t) = M (0) − u(s)M (s)dW (s).
0
d Wc (t) · M (t) = c (t) · dM (t) + dW
W c (t) · M (t) + dW
c (t) · dM (t)
= −Mt · u · W
c (t) · dW (t) + (dW (t) + u(t)dt) · M (t)
+ (dW (t) + u(t)dt) · (−Mt · u · dWt )
Así,
d Wc (t) · M (t) = −u · W
c (t) + 1 Mt dWt , (2.34)
37
h i
1
En efecto, como
M (s) y E Q Y · M (t)F(s) son F(s)−medibles, se tiene que
h i h i
1 1
M (s) y E P Y · M (t)F(s) son F(s) − medibles ⇒ M (s) E
P
Y · M (t)F(s) es F(s) − medible.
Z Z
1 h i 1 h i
E P Y · M (t)F(s) dQ = Y · E P M (t)F(s) dQ
A M (s) A M (s)
con lo cual Z Z
1 h i
E P Y · M (t)F(s) dQ = Y dQ.
A M (s) A
h i 1 h i
EQ Wc (t)F(s) = EP Wc (t) · M (t)F(s) ,
M (s)
h i 1 c
EQ Wc (t)F(s) = W (s) · M (s) = W
c (s),
M (s)
parcial de segundo orden A, con una difusión Itô Xt . La conexión básica entre A y Xt es que A
es el generador del proceso Xt .
Denición 49. (Generador innitesimal) Sea {Xt }t≥0 una difusión Itô en Rn . El generador
E x [f (Xt )] − f (x)
Af (x) := lı́m ; x ∈ Rn .
t↓0 t
38
mientras DA denota el conjunto de funciones para el cual el limite existe para todo x ∈ Rn .
Así, se puede observar que el generador describe el movimiento del proceso en un intervalo de
tiempo innitesimal.
d x
E [f (Xt )] = AE x [f (Xt )] ,
dt
lo que permite ver, al generador innitesimal como la derivada del mapeo t 7→ E x [f (Xt )] .
La siguiente proposición ([1, Oksendal, pág123]) nos permite establecer una relación entre A
y los coecientes µ y σ dados en la EDE (2.20).
Proposición 52. (Generador innitesimal de una difusión Itô) Sea Xt una difusión Itô
X ∂f 1X ∂2f
σσ T i,j (x)
(Af ) (x) = bi (x) + .
i
∂xi 2 i,j ∂xi ∂xj
El siguiente teorema establece una relación entre la ecuación diferencial parcial que satisface
el precio de un derivado (nanciero) y la fórmula de preciación bajo una medida martingala equi-
parcial de segundo orden con una condición de frontera, entonces el precio de dicho derivado
puede representarse como el valor esperado de la condición de frontera bajo una medida de
∂V
∂t + AV − qV = 0 en J × R, V (T, x) = g(x) en R,
h RT i
V (t, x) = E e− t q(Xs )ds g(XT )Xt = x .
39
2.4. Estimación Monte Carlo
Es de nuestro interés estimar µX = E Q [X] , para ello usaremos simulación Monte Carlo de
N experimentos (simulaciones), donde se tiene como estimador a la media muestral, está dada
por,
N
1 X
X= Xi , (2.35)
N i=1
Dado que una simulación Monte Carlo involucra generar números pseudoaleatorios, obtene-
mos resultados diferentes cada vez que realicemos algún análisis probabilístico. Es decir, cada vez
que ejecutemos una simulación de Monte Carlo, obtendremos resultados ligeramente diferentes
para la expresión (2.35). En el siguiente análisis, veremos que la variabilidad en nuestros resul-
tados (es decir, cuánto varía la estimación de la media, de simulación Monte Carlo a simulación
Monte Carlo) depende del número de simulaciones (N ) en cada simulación Monte Carlo.
E X − µX = E X − µX
N
1
P
= E N Xi − µX
i=1
N
1
P
= N E [Xi ] − µX ,
i=1
como los Xi , forman una muestra aleatoria (cuando se usa el método Monte Carlo), se tiene
Este resultado muestra que, en promedio, el error al usar X para estimar µX es cero. Por lo cual
tiene
var(X − µX ) = var(X)
| {z }
σ2
X
N
1
P
= var(
N Xi )
i=1
N
1
P
= N2 var(Xi ),
i=1 | {z }
2
σX
la última igualdad es debido a que en el método Monte Carlo, los Xi son independientes e
2
2 1 2 σX
var(X − µX ) = σX = N σ X = . (2.36)
N2 N
40
Observación 54. A la cantidad σX , se le conoce como error estándar del estimador. Así, de la
√
expresión (2.36), notamos que el error estándar decrece con N. Por ejemplo, para disminuir
N
1 X
s2X = (Xi − X)2 .
N − 1 i=1
para algunos esquemas de discretización, y que es útil cuando se puede calcular fácilmente la
−1
función de distribución acumulada inversa FX , es decir, tiene una forma cerrada, para más
Teorema 56. (Método de la transformada inversa) Sea X una variable aleatoria que tiene una
−1
Cuando U ∼ U (0, 1), se tiene X = FX (U ).
−1
P FX (U ) < x = P (U < FX (x)) = FX (x) = P (X < x) .
El Teorema 56, nos ayuda a generar números aleatorios con distribución FX , cuando se conoce
−1
FX . Si se conoce FX pero no se conoce explícitamente FX , lo que se puede aplicar es un método
iterativo (ver [37, Tanizaki, pág 122]).
En esta subsección deniremos el instrumento nanciero que preciaremos (la opción Call
europea), para una mejor comprensión desarrollamos las siguientes deniciones. Hay dos tipos
de opciones.
41
Opción Call (Opción de Compra): le otorga al titular, el derecho (pero no la obligación)
a comprar el activo subyacente en una fecha determinada (fecha de vencimiento) por un
determinado(Strike).
El precio pactado en el contrato se conoce como precio de ejercicio o Strike, la fecha en el con-
Las opciones Americanas se pueden ejercer en cualquier momento hasta la fecha de venci-
miento, mientras que las opciones Europeas solo se pueden ejercer en la fecha de vencimiento.
Las opciones europeas son generalmente más fáciles de analizar que las opciones americanas, y
algunas de las propiedades de una opción americana se deducen, con frecuencia, de las de su
contraparte europea.
Observación 57. Se debe enfatizar que una opción le da al titular el derecho de hacer algo. El
titular no está obligado a ejercer este derecho. Esto es lo que distingue a las opciones de los
Observación 58. Si bien no cuesta nada adquirir un contrato futuro, hay un costo para adquirir
una opción (Prima). El mayor intercambio en el mundo para la negociación de opciones sobre
A continuación denimos dos tipos de opciones europeas. Aunque en este trabajo sólo nos
centraremos en la opción de compra europea. Pero que debido a la relación (2.40) de Paridad
Una opción de compra europea es un contrato que llegada la fecha de vencimiento T, le otorga
S − K, si ST > K,
T
máx (ST − K, 0) =
0, si ST ≤ K.
Como se observa, si llegada la madurez del contrato, se observa que ST > K, entonces el titular
observe que ST ≤ K, el titular no ejercerá su derecho por lo que el pago del contrato será de 0.
42
Denición 60. (Opción europea Put)
Una opción de venta europea es un contrato que llegada la fecha de vencimiento T, le otorga a
de vencimiento T, entonces el valor de este contrato al vencimiento, su pago, está dado por,
K − S , si ST < K,
T
máx (ST − K, 0) =
0, si ST ≥ K.
Como se observa, si llegada la madurez del contrato, se observa que ST < K, entonces el titular
contrato será de 0.
En la gura 2.5, se observa la ganancia neta que obtiene el titular de una opción de compra
(lado izquierdo) y el titular de una opción de venta (lado derecho) en función al precio del activo
subyacente. notemos que si la opción no se ejerce, el titular sólo pierde la prima invertida en la
compra de la opción.
Figura 2.5: Ganancia neta de titular por la compra de una Opción Europea
2.5.2. Retornos
[22, Campbell, Lo, MacKinlay] se dan dos razones principales para usar los Retornos. Primero,
para los inversionistas promedio, los Retornos de un activo es un resumen completo, sin escala,
de la oportunidad de inversión. Segundo, las series de retornos son más fáciles de manejar que
43
las series de precios porque las primeras tienen propiedades estadísticas más atractivas. Hay, sin
embargo, varias deniciones de un Retorno del activo que las presentamos a continuación.
tiempo t. El Retorno de un activo por un período de la fecha t−1 hasta la fecha t resultaría
en un Retorno simple:
St −St−1
rt = St−1 , además, se dene el Retorno Simple Bruto como: 1 + rt
Denición 62. (Retorno compuesto continuamente) El logaritmo natural del Retorno Simple
St
Rt = ln(1 + rt ) = ln = ln St − ln St−1 ,
St−1
Observación 63. Muchas veces se preere usar los Log-retornos en lugar de los Retornos, pues
como se arma en [42, R.Tsay, pág 5], las propiedades estadísticas de los primeros son más
manejables.
Las siguientes deniciones nos ayudan a entender el cálculo de traer a valor presente un
determinado precio.
r m×∆t
CF = CI 1 + . (2.37)
m
r
m×∆t
CF = lı́m CI 1 + m ⇒ CF = CI er×∆t .
m→+∞
Observación 67. (Cálculo del valor presente de un precio) Para traer un precio en el instante
44
Figura 2.6: Cálculo del valor presente de un precio
2.5.3. Volatilidad
cionados por dicho activo. Las acciones suelen tener una volatilidad entre el 15 % y el 60 % [16,
Gatheral]. Se suelen utilizar dos enfoques básicos para su estimación, la volatilidad implícita y
la volatilidad histórica.
Denición 68. (Volatilidad implícita) Sea Ct (K, T ) el precio de mercado de una opción de
compra europea estándar (en el momento t ∈ [0, T ) ) con precio de ejercicio K > 0 y fecha
parámetro de volatilidad que iguala el precio de mercado de la opción con el precio dado por la
Las discusiones que involucran volatilidades implícitas comúnmente también incorporan otras
dos nociones de volatilidad con signicados muy diferentes: volatilidad instantánea y volatilidad
realizada (también llamada histórica ). Mientras que la volatilidad implícita se deduce del precio
real se reere precisamente a la volatilidad que aparece en la EDE que describe la evolución del
Los datos históricos también se pueden usar para estimar el parámetro de volatilidad, que
luego se puede usar para calcular los valores de las opciones teóricas. El enfoque más natural
utiliza una estimación de la desviación estándar basada en los retornos de stock compuestos ex-
post (Basado en resultados reales en lugar de pronósticos) de forma continua medidos durante
realizada o histórica.
Denición 69. (Volatilidad realizada) Supongamos que podemos observar el proceso del precio
45
realizada (o volatilidad histórica) υ̂tn (N ) de las acciones en el momento actual tn para los últimos
∗
N períodos, N ≤ n ≤ N , se dene como la desviación estándar muestral anualizada de los
Stn
retornos de las acciones continuamente compuestos Rtn = ln Stn−1 :
v
u N
u 1 X 2
υ̂tn (N ) = t Rtn−i+1 − R̄tn (N ) , (2.39)
∆t(N − 1) i=1
N
1 X
R̄tn (N ) = Rt .
N i=1 n−i+1
sólo podemos hablar de υ̂t3 (N ), υ̂t4 (N ), y υ̂t5 (N ). Si deseamos calcular υ̂t4 (N ), se presenta la
v
u 3
u 1 X 2
υ̂t4 (3) = t Rt4−i+1 − R̄t4 (3) ,
∆t(2) i=1
donde
Rt2 + Rt3 + Rt4
R̄t4 (3) =
3
Observación 71. Bajo los supuestos del modelo de Black-Scholes, la volatilidad realizada (y la
υ̂tn (N ) = υ̂, ∀n : N ≤ n ≤ N ∗ .
46
si t = t0 , la volatilidad implícita pasada o histórica, si t < t0 , y la volatilidad implícita futura,
si t > t0 . La misma terminología se aplica a todos los demás tipos de volatilidad utilizados en
todo el proceso, a excepción de la volatilidad realizada (o histórica), que, por denición, está
una opción de venta europea y una opción de compra europea con el mismo precio de ejercicio
y la misma fecha de vencimiento debe coincidir (si las acciones subyacentes no pagan divi-
dendos). Para ver esto, supongamos que, para un valor particular de υ , CBS (t, St , K, T, r, υ) y
PBS (t, St , K, T, r, υ) son los valores de las opciones de compra y venta europeas (Black-Scholes)
Este argumento muestra que, en el caso de una opción europea estándar, no debería importar si
uno usa un precio de compra o un precio de venta para invertir la volatilidad implícita.
modelo de Black-Scholes-Merton, que bajo ciertos supuestos calcula el precio (la prima) de una
Opción Call Europea. Mientras que Black y Scholes utilizaron el Modelo de Preciación de Activos
de Capital (CAPM) para determinar la relación entre el retorno requerido del mercado sobre la
opción y el retorno requerido sobre la acción. Esto no fue fácil porque la relación depende tanto
del precio de las acciones como del tiempo; el enfoque de Merton (diferente al de Black y Scholes)
implica establecer un portafolio sin riesgo que consiste en la opción y la acción subyacente, luego
argumentar que el retorno del portafolio en un período de tiempo corto debe ser el retorno libre
de riesgo. El enfoque de Merton fue más general que el de Black y Scholes porque no se basó en
47
los supuestos del modelo de preciación de activos de capital.
los siguientes:
dSt
= µdt + σdWt (2.42)
St
3. No hay costos de transacción ni impuestos. Todos los valores son perfectamente divisibles.
7. La tasa de interés libre de riesgo, r, es constante y la misma para todas las fechas de
vencimiento.
∂f ∂f 1 ∂2f
+ rS + σ 2 S 2 2 = rf. (2.43)
∂t ∂S 2 ∂S
La ecuación (2.43) tiene muchas soluciones, que corresponden a todos los diferentes derivados que
pueden denirse siendo St la variable subyacente. El derivado particular que se obtiene cuando
se resuelve la ecuación depende de las condiciones de contorno que se utilizan. Estos especican
los valores del derivado en los límites de valores posibles de St y t. En el caso de una opción de
Observación 74. Cualquier función f (St , t) que sea una solución de la ecuación diferencial (2.43)
es el precio teórico de un derivado que podría comercializarse. Si existiera un derivado con ese
precio, no crearía ninguna oportunidad de arbitraje. Inversamente, si una función f (St , t) no sa-
tisface la ecuación diferencial (2.43), no puede ser el precio de un derivado sin crear oportunidades
de arbitraje.
48
2.6.2. Fórmula de Black-Scholes para el precio de una Opción Call
A continuación se presenta la fórmula para calcular el precio de una Opción Call europea
donde
La gura 2.8 muestra cómo el precio de Black-Scholes cambia cuando el precio de ejercicio K,
la volatilidad σ, y la tasa de interés r se mantienen constante, mientras que el tiempo hasta el
vencimiento T y el precio de las acciones S varían. Se puede observar que el precio de la opción
aumenta a medida que el precio de las acciones y el tiempo hasta el vencimiento aumentan.
Figura 2.8: El precio Black-Scholes de una Opción Call Europea con σ = 0,3, r = 0,05 y K = 100
en los últimos 30 años y ha sido realmente reconocido tanto por el mundo académico como por
los profesionales, pero también es bien conocido y aceptado que este modelo no es tan preciso
49
Existen varios inconvenientes importantes del modelo de Black-Scholes, principalmente por-
que las suposiciones idealizadas rara vez se cumplen en el mundo real. En primer lugar, la
suposición de una distribución Normal de los Log-retornos está siendo criticada desde 1963 por
Mandelbrot [28, Mandelbrot]. Los factores combinados de eventos extremos, colas gruesas, pico
sea el más apropiado. En segundo lugar, la sonrisa de volatilidad es una evidencia de violación
del supuesto de volatilidad constante. Los inconvenientes mencionados se tratarán con mayor
Los economistas creían que los precios en los mercados especulativos, tal como el mercado
de valores, se comportan de manera muy similar a caminatas aleatorias, los que se basan en dos
supuestos:
En [28, Mandelbrot, 371-418] se desaó esta larga creencia de que los cambios de precios en un
las series cronológicas nancieras, es un concepto para describir la distribución de retorno real,
donde los datos o la variable se convierten en grupos alrededor de la media. Para una distribución
gaussiana, los dos parámetros fundamentales son la media µ y la varianza σ2 . Entonces su función
de densidad de probabilidad está dada por
1 x−µ 2
e− 2 ( ) .
1
f (x) = √ σ
2πσ 2
tos extremos en el mercado. Por ejemplo, el desplome del mercado de valores en Octubre de 1987.
Siguiendo el paradigma estándar, los retornos del mercado de valores se distribuyen lognormal-
mente con una volatilidad anualizada del 20 % (como ya se mencionó en la subsección 2.5.3, por
50
lo general se cree que está entre el 15 % y el 60 %). El 19 de octubre de 1987, el precio de los
futuros de S&P 500 a dos meses cayó un 29 %. Bajo el supuesto lognormal y según el cálculo
prácticamente imposible. En la historia del mercado de valores, este no es el único evento con
ha demostrado que las distribuciones de retorno reales en el mercado de valores tienen colas más
gruesas y un pico más alto que la distribución Normal. En la gura 2.9 (superior), la distribución
de frecuencias de los Log-retornos diarios de SPX y se compara con la distribución Normal (curva
cola gruesa en comparación con la distribución Normal. La gráca Q-Q en la gura 2.9(inferior)
muestra cuán extremas son las colas de la distribución empírica de los retornos en relación con
la distribución Normal. Esta gráca sería una línea recta (coincidiría con la línea roja), si la
distribución empírica fuera Normal. Las colas gruesas y el alto central alto son características
de la mezcla de distribuciones con diferentes varianzas. Esto nos motiva a modelar la varianza
51
Figura 2.9: Violación del supuesto de Distribución Gaussiana en los Log-Retornos
Otro inconveniente es el denominado agrupamiento de volatilidad. Esto signica que los mo-
vimientos grandes en el mercado son seguidos por movimientos grandes, mientras que los mo-
vimientos pequeños son seguidos por movimientos pequeños, una característica que obviamente
no puede ser capturada por un modelo que asume una volatilidad constante. Se puede observar
esta tendencia en la Figura 2.10, donde trazamos los Log-retornos de SPX en un período de 20
años. Esto implica que, en realidad, la volatilidad de los Log-retornos se autocorrelaciona. En el
modelo, esto es una consecuencia de la reversión media de la volatilidad. Esta fuerte correlación
negativa entre los precios actuales de las acciones y sus volatilidades futuras, llamada efecto de
apalancamiento, fue notada por primera vez por Black [9, Black] en 1976, quien también men-
ciona: Se cree durante mucho tiempo que los retornos de las acciones están relacionados con
los cambios de volatilidad. Cuando las acciones suben, la volatilidad parece bajar; y cuando las
acciones bajan, las volatilidades parecen subir. Esto también podría explicarse desde la intui-
ción. Cuando el retorno del capital se vuelva negativo, las reacciones de los inversores serán más
52
volátiles, por lo que la volatilidad aumentará. Por el contrario, cuando el retorno sea positivo, los
el futuro cercano disminuiría. Por lo tanto, esto también es una implicación de que el supuesto
centes que, cuando se sustituye en la fórmula de Black-Scholes, da un precio teórico igual al precio
el mercado, la volatilidad implícita del subyacente con diferentes vencimientos y Strikes debería
para opciones con la misma fecha de vencimiento, se espera que la volatilidad implícita sea la
del mercado. La forma característica de la curva (gura superior) indica que las volatilidades
implícitas para las opciones de OTM (Out-the-money) son generalmente más altas que las de
las opciones de ATM (At-the-money). En la gura 2.11, para las opciones Call Europeas Nifty50
chos otros artículos se han estudiado el fenómeno de la sonrisa de volatilidad para las opciones de
capital. La Figura 2.11 (inferior) muestra cómo la volatilidad implícita cambia para tiempos de
vencimientos diferentes. Esto se ha observado más ampliamente después de la caída del mercado
de valores en octubre de 1987, debido a que la supercie de volatilidad rara vez se mantuvo plana
después.
53
Figura 2.11: Evidencias de Volatilidad no constante
Pero a pesar de estas limitaciones de supuestos idealistas, que claramente no son adecuados
para el mercado real, el modelo Black-Scholes todavía se usa ampliamente. La razón principal
es simplemente su fácil capacidad de análisis, que resulta en fórmulas simples para la mayoría
54
de los problemas de precios. También es bastante preciso para las opciones vanilla de ATM,
pero se debe tener cuidado al usar los precios de Black-Scholes para opciones OTM profundas
u opciones exóticas; en estos casos, los precios de mercado pueden mostrar grandes desviaciones
Todos los factores mencionados anteriormente están en contra del supuesto de una distri-
volatilidad estocástica.
55
Capítulo 3
El Modelo de Heston
Como se menciona en [15, Vainberg, pág 137]: Algunos autores concluyen que la mejoría
en los modelos de precios de opciones. Una vez hecho esto, la introducción de saltos y tasas
opciones. Teniendo en cuenta ello, en este trabajo de tesis nos centramos en uno de los modelos
estocástico, lo que permite una correlación arbitraria (pero constante) entre la volatilidad y el
En este capítulo se brinda una exposición al detalle del modelo de Heston. Primero se da
una descripción del modelo, luego se brinda una deducción para llegar a la EDP Heston ([19,
Heston]). Para esta capítulo seguimos de cerca el artículo [19, Heston], así como [14, Fabrice].
Por lo tanto, este modelo viene a ser una generalización del modelo de Black-Scholes para la
Se asume que los precios del activo subyacente en el tiempo t, siguen la difusión
√
dSt = µSt dt + vt St dW1,t , (3.1)
56
√
donde µ es el parámetro de drift, y W1,t es un movimiento Browniano. y que la volatilidad νt ,
sigue un proceso Ornstein-Uhlenbeck (OU), es decir,
√ √
d vt = −β vt dt + δdW2,t , (3.2)
donde W2,t es un movimiento Browniano que tiene correlación ρ con W1,t . El parámetro ρ
comúnmente es interpretado como el efecto apalancamiento (leverage eect ). Además,
Observación 75. Para simplicar la implementación del modelo, se aplica el lema de Itô (teorema
∂g ∂g ∂2g
g(t, x) = x2 ⇒ ∂t = 0, ∂x = 2x, ∂x2 = 2,
√
donde Xt = vt , y con lo cual
√
dvt = δ 2 − 2βvt dt + 2δ vt dW2,t ,
(3.3)
si se hace
δ2
κ = 2β, θ = , y σ = 2δ, (3.4)
2β
la expresión (3.3) puede escribirse como un proceso de Cox, Ingersoll y Ross :
√
dνt = κ[θ − νt ]dt + σ νt dW2,t (3.5)
co-movimientos entre St y vt .
Observación 76. Note que en este modelo se asume una dependencia lineal entre St y vt .
√
Observación 77. En la ecuación (3.5) del modelo, el término estocástico σ νt dW2,t tiene una
desviación estándar proporcional a la raíz cuadrada de la varianza actual. Esto implica que a
medida que aumenta la varianza, aumenta su desviación estándar (de la varianza vt ) y a medida
57
3.1.1. Propiedades del Proceso de Varianza
armación.
√ √
Armación 78. La variable aleatoria vt , condicionada a vs (para t > s) sigue una distribución
Normal con h √ √ √ i √
E vt vs = vs = e−β(t−s) vs y
h √ √ √ i δ2 −2β(t−s)
Var vt vs = vs = 2β (1 −e ),
h√ √ √ i κ √
E vt vs = vs = e− 2 (t−s) vs y
h √ √ √ i −κ(t−s)
Var vt vs = vs = θ(1 − e ),
√ √
d vt = −β vt dt + δdW2,t ,
considerando
√
Xt = vt , (3.6)
Yt = g(t, Xt ) = eβt Xt ,
se tiene
d(Xt eβt ) = βXt eβt dt + eβt dXt
= βXt eβt dt + eβt (−βXt dt + δdW2,t )
= δeβt dW2,t
integrando desde s hasta t, tenemos
Z t Z t
Xt eβt − Xs eβs = δeβu dW2,u ⇒ Xt = Xs e−β(t−s) + δ e−β(t−u) dW2,u . (3.7)
s s
Notemos de (3.7), que Xt es una suma de un término determinista (Xs es conocido en el instante
Además
h i h Rt i
E Xt Xs = xs = E Xs e−β(t−s) + δ s e−β(t−u) dW2,u Xs = xs
h i Z t
= e−β(t−s) E Xs Xs = xs +δ E e−β(t−u) dW2,u
| {z } s
| {z }
=xs =0
58
Así,
h i
E Xt Xs = xs = e−β(t−s) xs ,
h i h i2 " Z
t 2 #
−β(t−u)
Var Xt Xs = xs = E Xt − E Xt Xs = xs Xs = xs = E δ e dW2,u . Xs = xs ,
s
" Z
t 2 # Z t
−β(t−u)
E δ e dW2,u . Xs = xs = δ 2 E e−2β(t−u) du
s s
h i δ2
⇒ Var Xt Xs = xs = (1 − e−2β(t−s) ).
2β
A continuación se presenta una proposición que es una versión de [12, Cox, pág 392], que es
de gran utilidad para la simulación del modelo y cuya demostración está inspirado en [11, Cairns,
pág 68].
Proposición 79. La variable aleatoria vt , condicionada a vs (para t > s) sigue una distribución
1: Grado de libertad y
vs e−κ(t−s)
θ(1−e−κ(t−s) )
: Parámetro de no centralidad.
Además
m = E vt vs = θ + (vs − θ)e−κ(t−s) ,
2 −κ(t−s) 2 (3.8)
s2 = Var vt vs = vs σ e κ
(1 − e−κ(t−s) ) + θσ
2κ (1 − e
−κ(t−s) 2
)
√
Demostración. De la armación 78, como Xt = vt sigue una distribución Normal, de la deduc-
ción presentada en la subsección 2.1.1, tenemos
Xt2
Yt := ∼ χ2 (1, α),
θ(1 − e−κ(t−s) )
donde
vs e−κ(t−s)
α= , (3.9)
θ(1 − e−κ(t−s) )
y apoyándonos en la proposición 3,
" #
Xt2
vs = 1 + α ⇒ E Xt2 vs = (1 + α)θ(1 − e−κ(t−s) ),
E Yt vs = E
θ(1 − e −κ(t−s) )
59
con lo cual, al reemplazar (3.9) y operar
De manera similar,
" #
Xt2
Var Yt vs = Var vs = 2(1 + 2α),
θ(1 − e−κ(t−s) )
2
θ(1 − e−κ(t−s) ) + 2vs e−κ(t−s)
1 2
Var Xt |vs = 2 ,
θ(1 − e−κ(t−s) ) θ(1 − e−κ(t−s) )
entonces,
h i
Xt |vs = 2 θ · θ(1 − e−κ(t−s) )2 + 2vs e−κ(t−s) θ(1 − e−κ(t−s) ) .
2
Var (3.10)
σ2
θ= ,
4κ
reemplazando en (3.10),
σ2 σ2
· θ(1 − e−κ(t−s) )2 + 2vs e−κ(t−s) (1 − e−κ(t−s) ) ,
2
Var Xt |vs = 2
4κ 4κ
con lo cual,
σ2 σ2
Var [vt |vs ] = · θ(1 − e−κ(t−s) )2 + vs e−κ(t−s) (1 − e−κ(t−s) ).
2κ κ
Observación 80. Podemos ver que el efecto de la velocidad de reversión a la media κ sobre los
mente grande para garantizar que el proceso de varianza sea positivo y no llegue a cero.
60
3.1.2. Procesos bajo la medida de Riesgo Neutro Q
Los precios y la varianza siguen los procesos descritos en las expresiones (3.1) y (3.3) res-
pectivamente, pero es importante mencionar que lo siguen bajo la medida P, que es la llamada
medida física. Para propósitos de valorización, se necesita el proceso (St , vt ) bajo la medida de
riesgo neutro Q. Una forma de conseguirlo es modicando cada EDE separadamente, aplicando
Veamos detalladamente la deducción de los procesos neutrales al riesgo. Para poder aplicar el
p
dW1,t = ρdB1,t + 1 − ρ2 dB2,t
(3.11)
dW2,t = dB1,t ,
√ p
dSt = µSt dt + vt St ρdB1,t + 1 − ρ2 dB2,t
√ (3.12)
dνt = κ[θ − vt ]dt + σ vt dB1,t
Matricialmente, tenemos
de donde, obtenemos
√
σ vt u1,t = κ[θ − vt ] − κ[θ − vt ] + λ(St , vt , t),
√ √ p
vt St ρu1,t + vt St 1 − ρ2 u2,t = (µ − r)St
61
como se explicó en la subsección 3.1.2, consideramos λ(St , vt , t) = λvt , con lo que
λv λ√
u1,t = √t
σ vt = σ vt ,
(3.14)
ρ2 u2,t = (µ−r)
p
ρu1,t + 1− √
vt ,
" # " #
dB
b1,t dB1,t + u1,t dt
dBt =
b = (3.15)
dB
b2,t dB2,t + u2,t dt
y si consideramos
" # " p #
dWc1,t b1,t + 1 − ρ2 dB
ρdB b2,t
d Wt =
c = , (3.16)
dWc2,t dBb1,t
no es difícil notar que Corr W c1,t , W
c2,t = ρ. Al reemplazar en (3.12)
√ p
b1,t − u1,t dt) + 1 − ρ2 (dB
b2,t − u2,t dt)
dSt = µSt dt + vt St ρ(dB
√ √ p √ √ p
= µ − vt ( σλ vt )ρ − 1 − ρ2 u2,t vt St dt + vt St ρdB b1,t + 1 − ρ2 dB
b2,t
√
= rSt dt + vt St dW
c1,t
además
√
dvt = κ[θ − vt ]dt + σ vt (dB b1,t − u1,t dt)
√ λ√ √
= κ[θ − vt ] − σ vt ( σ vt ) dt + σ vt dB b1,t
√ c
= (κ[θ − vt ] − λvt ) dt + σ vt dW2,t
al hacer κ∗ = κ + λ y θ∗ = κθ
κ+λ , se obtiene
√ c
dvt = κ∗ [θ∗ − vt ] dt + σ vt dW 2,t .
p
dW =ρ 1− 2 (dB
(dB1,t + u1,t dt) + ρ 2,t + u2,t dt)
c1,t
p p
= ρdB1,t + 1 − ρ dB2,t + ρu1,t + 1 − ρ2 u2,t dt
2
62
Por otro lado de (3.11) , (3.15) y (3.16), tenemos
λ√
dW
c2,t = dB1,t + u1,t dt = dW2,t + vt dt.
σ
En resumen, el sistema de riesgo neutro que sigue el modelo de Heston, viene dado por,
√
dSt = rSt dt + vt St dW
c1,t
∗ ∗ √ c
dvt = κ [θ − vt ] dt + σ vt dW 2,t ,
h i
donde E Q dW
c1,t dW
c2,t = ρdt. Q es la medida de riesgo neutro. A lo largo de este trabajo de
de precios en términos de su logaritmo en lugar del precio en sí. Por ello se considera
∂g ∂g ∂2g
g(t, x) = ln x ⇒ ∂t = 0, ∂x = x1 , ∂x2 = − x12
Así aplicando el Lema de Itô (Teorema 42), el proceso Log-precio, bajo la medida física P
1 √ 1 1
vt St2 dt.
d ln St = (µSt dt + vt St dW1,t ) + −
St 2 St2
1 √
⇒ d ln St = µ − vt dt + vt dW1,t .
2
Análogamente, bajo la medida de riesgo neutro Q, será
1 √ 1 1
vt St2 dt.
d ln St = rSt dt + vt St dW1,t +
c − 2
St 2 St
1 √ c
⇒ d ln St = r − vt dt + vt dW 1,t . (3.17)
2
Observación 82. Si denotamos por Set = e−rt St , los precios descontados . Notemos que
√ √
dSet = −rSet dt + rSet dt + c1,t ⇔ dSet =
vt Set dW vt Set dW
c1,t .
63
3.1.4. Forma del Precio Call Heston (Como Black-Scholes)
En [19, Heston] por analogía con la fórmula de Black-Scholes, expresión (2.44), se asume que
para j = 1, 2. Como se verá, estas probabilidades son obtenidas bajo medidas de probabi-
El precio de una opción Call Europea al tiempo t de una acción que no paga dividendos con
[23, Junghenn, pág 164] ). Por facilidad de notación, en lo que sigue de ésta subsección, se da
E Q 1{ST >K} = Q (ST > K) = Q (ln ST > ln K) .
Denotando
h i
ST ST E Q [ST ]
∧= E Q [ST ]
⇒ E Q [∧] = E Q Q = E Q [ST ]
=1
E [ST ]
| {z }
función de s y v
dQS ST
=∧= Q
dQ E [ST ]
64
y recordando que Q es la medida bajo la cual, los precios actualizados (a partir del tiempo t,
Q r(T −t) rt
hasta el tiempo T ) son una martingala, se tiene que E [ST ] = St e y considerando Bt = e ,
tenemos que
E Q [ST ] er(T −t) BT /Bt dQ
= = = . (3.21)
ST ST /St ST /St dQS
Como ST es una variable aleatoria estrictamente positiva, casi seguramente, entonces la va-
riable aleatoria ∧ también lo es. Ahora, para la variable aleatoria no negativa Y = ∧1{ST >K}
(ver la expresión (2.14) del teorema 34) , tenemos que
Q QS dQ
E [Y ] = E Y ,
dQS
pero
dQ dQS
S dQ S dQ QS QS
EQ Y = EQ ∧ 1{ST >K} = E 1{ST >K} = E 1{ST >K}
dQS dQ S S
dQ dQ
entonces
Q ST /St
E Q ST e|−r(T −t)
e−r(T −t) E Q ST 1{ST >K} =
{z } 1{ST >K} = St E BT /Bt 1{ST >K}
Bt /BT | {z }
=∧
S
= St E Q [Y ] = St E Q 1{ST >K} ,
con lo que
denotando,
dQ BT /Bt
=
dQS ST /St
y del teorema 11.17 de [25, Klebaner, pág 310], lo que se realiza es un cambio de medida, de Q,
S
que usa al bono Bt como numeraire, a Q , que usa al precio de la acción St como numeraire.
Observación 84. Cuando se conocen las funciones características fj (φ; x, v), cada probabilidad
65
inversión presentado y demostrado en [17, Gil-Pelaez], como
∞
e−iφln(K) fj (φ; x, v)
Z
1 1
Pj = P (ln ST > ln K) = + Re dφ. (3.24)
2 π 0 iφ
| {z }
:=Ij
1, xT > ln K
Pj = 1{xT >ln K} = (3.25)
0, xT ≤ ln K
donde 1 es la función indicadora. La ecuación (3.25) simplemente establece que, cuando ST > K
al vencimiento, la probabilidad de que la opción Call esté in-the-money es la unidad.
la observación 84). Para ello, deducimos las EDPs que deben satisfacer P1 y P2 , las cuales
demostramos que también deben ser satisfechas por las funciones características y obtenemos
explícitamente las funciones características al suponer una forma lineal logarítmica de las mis-
mas.
En esta subsección, se da una deducción de la EDP para el modelo de Heston. Esta deducción
es un caso especial de una EDP para modelos de volatilidad estocástica general, descrito en [16,
Gatheral]. El argumento usado, es similar al argumento de cobertura que usa un solo derivado
las acciones subyacentes, más un único derivado que se utiliza para cubrir las acciones y luego
se hace que el portafolio sea libre de riesgo (ver apéndice B para los detalles). En el modelo de
Heston, se necesita un derivado adicional en el portafolio para cubrir la volatilidad. Por lo tanto,
se forma un portafolio que consiste en una opción V = V (S, v, t), ∆ unidades de la acción, y ϕ
unidades de otra opción U (S, v, t) para cubrir la volatilidad. Así, el valor del portafolio es,
Πt = Vt + ∆St + ϕUt .
66
donde
Aplicamos el lema de Itô para obtener los procesos para U y V, lo que nos permite encontrar
el proceso para Π. Encontraremos los valores de ∆ y ϕ que hacen que el portafolio sea libre de
Para formar el portafolio de cobertura, primero se aplica el lema de Itô al valor del primer
∂V ∂V ∂V 1 2 ∂2V
dV = ∂t dt + ∂S dS + ∂v dv + 2 vS ∂S 2 dt
2 2 (3.27)
+ 12 vσ 2 ∂∂vV2 dt + σρvS ∂S∂v
∂ V
dt.
Hemos utilizado el cuadro 2.1 para ver que (dS)2 = vS 2 (dW1 )2 = vS 2 dt, que (dv)2 = σ 2 vdt, y
que dSdv = σρvSdt. Aplicando el lema de Itô bidimensional (teorema 43) al segundo derivado,
U (S, v, t), resulta una expresión idéntica a (3.27), pero en términos de U. Sustituyendo estas 2
expresiones en (3.26), el cambio en el valor del portafolio que se obtiene es,
dΠt = dV
h t + ∆dSt +2ϕdUt i
∂V 1 2∂ V ∂2V 1 2 ∂2V
= ∂t h+ 2 vS ∂S 2 + σρvS ∂S∂v + 2 vσ ∂v 2 dti
(3.28)
2 ∂2U ∂2U 2 ∂2U
+ϕ ∂U 1 1
∂t + 2 vS ∂S 2 + σρvS ∂S∂v + 2 vσ ∂v 2 dt
+ ∂V ∂U
∂V ∂U
∂S + ϕ ∂S + ∆ dS + ∂v + ϕ ∂v dv.
Para que se cubra el portafolio frente a movimientos tanto en el precio de la acción como en la
volatilidad, los dos últimos términos en la ecuación (3.28) deben ser cero (libre de riesgo). Esto
− ∂V
∂v ∂U ∂V
ϕ= ∂U
, ∆ = −ϕ − .
∂v
∂S ∂S
el cambio en el valor del portafolio es dΠt = rΠt dt. La expresión (3.26) queda
67
Ahora, igualando la ecuación (3.30) con (3.29), sustituyendo ϕ y ∆, cancelando dt y ordenando
se llega a
h 2
i
∂V ∂2V 2
El lado izquierdo de la ecuación (3.31) es una función de V (S, v, t) solamente, y el lado derecho
es una función de U (S, v, t) solamente. Esto implica que ambos lados se pueden escribir como
una función f (S, v, t). Siguiendo el artículo [19, Heston], se especíca esta función como
donde λ(S, v, t) es el precio de riesgo de volatilidad. Una aplicación del modelo de consumo de [10,
Breeden], brinda un precio de riesgo de volatilidad que es una función lineal de la volatilidad, de
modo que λ(S, v, t) = λv, donde λ es una constante. Sustituyendo f (S, v, t) en el lado izquierdo
de la ecuación (3.31)
h 2
i
∂U ∂2U 2
∂U
+ [−κ(θ − v) + λ(S, v, t)] = 0. (3.33)
∂v
La ecuación (3.33) es la ecuación (6) de [19, Heston].
Las siguientes condiciones de frontera en la EDP de la ecuación (3.33), son válidas para una
opción Call europea con vencimiento T y Strike K. Al vencimiento, la opción Call vale su valor
intrínseco
Cuando el precio de la acción es cero, la Call no tiene valor. A medida que aumenta el precio de
∂U
las acciones,
∂S se acerca a uno, y cuando la volatilidad aumenta, el precio de la Call tiende al
precio del activo subyacente. Esto implica las siguientes tres condiciones de contorno
∂U
U (0, v, t) = 0, (∞, v, t) = 1, U (S, ∞, t) = S.
∂S
Podemos denir el log del precio, x = lnS y expresar la EDP en términos de (x, v, t) en lugar
68
de (S, v, t). Esto conduce a una forma más simple de EDP en la que el precio de la acción S no
aparece. Esta simplicación requiere las siguientes derivadas, que pueden deducirse por la regla
de la cadena
∂U 1 ∂ 2 U ∂2U 1
∂U ∂ ∂U 1
= , = = .
∂S ∂x S ∂v∂S ∂v ∂x S ∂v∂x S
usando la regla del producto,
Sustituyendo estas expresiones en la EDP de Heston (3.33). Todos los términos S se cancelan, y
donde hemos sustituido λ(S, v, t) = λv. El enfoque moderno para obtener la EDP (3.34), es
∂U
+ AU − rU = 0
∂t
donde
2
∂
A = rS ∂S + 12 vS 2 ∂S
∂
2
2 2 (3.35)
∂ ∂
+ [κ(θ − v) − λ(S, v, t)] ∂v + σρvS ∂S∂v + 21 vσ 2 ∂v
∂
2
Europea,
encontrar las derivadas requeridas de la ecuación (3.36), sustituirlos por la EDP y expresar la
EDP en términos de P1 y P2 .
Al derivar C(K) con respecto a t, se obtiene
∂C x ∂P1 −rτ ∂P2
=e − Ke rP2 + . (3.37)
∂t ∂t ∂t
69
si se deriva C(K) con respecto a x,
∂C ∂P1 ∂P2
x
= e P1 + − Ke−rτ . (3.38)
∂x ∂x ∂x
∂C
si se deriva
∂x con respecto a x,
∂2C x x ∂P1
2
x ∂ P1
2
−rτ ∂ P2
= e P 1 + 2e + e − Ke
∂x2 ∂x ∂x2 ∂x2
∂ 2 P1 ∂ 2 P2
∂P1
= ex P 1 + 2 + 2
− Ke−rτ . (3.39)
∂x ∂x ∂x2
derivando con respecto a v y v2
∂C ∂P1 ∂P2 ∂ 2 C 2
x ∂ P1
2
−rτ ∂ P2
= ex − Ke−rτ , = e − Ke . (3.40)
∂v ∂v ∂v ∂v 2 ∂v 2 ∂v 2
∂C
derivando
∂v con respecto a x
∂2C ∂ 2 P1 ∂ 2 P2
x ∂P1
=e + − Ke−rτ . (3.41)
∂x∂v ∂v ∂x∂v ∂x∂v
Como se mencionó anteriormente, dado que la Call Europea C(K) es un derivado nanciero,
cumple con la EDP de Heston, ecuación (3.34), que escribimos aquí en términos de C(K)
1 ∂2C ∂2C
∂C 1 ∂C
+ v 2 + r− v + ρσv
∂t 2 ∂x 2 ∂x ∂x∂v
1 ∂2C ∂C
+ σ 2 v 2 − rC + [κ(θ − v) − λv] = 0. (3.42)
2 ∂v ∂v
(3.42) es válido para cualquier característica contractual de la Call, en particular, para cualquier
precio de ejercicio K ≥ 0, para cualquier valor de S ≥ 0, y para cualquier valor r≥0 de la tasa
tiene una Opción cuyo precio es simplemente P1 . Esta Opción también cumple la EDP (3.42).
De forma similar, si se considera S = 0, K = 1 y r=0 en (3.23) se tiene una opción cuyo precio
es −P2 . Como −P2 cumple la EDP, no es difícil ver que también lo hace P2 .
En las ecuaciones desde (3.37) a (3.41), consideramos K = 1, r = 0 y S = 0 (ex = 0), y
∂ 2 P1 ∂ 2 P1
∂P1 1 ∂P1 1 ∂P1 ∂P1
+ v P1 + 2 + + r − v P1 + + ρσv +
∂t 2 ∂x ∂x2 2 ∂x ∂v ∂x∂v
70
1 ∂ 2 P1 ∂P1
+ σ2 v − rP1 + [κ(θ − v) − λv] = 0, (3.43)
2 ∂v 2 ∂v
simplicando, la expresión (3.43) tenemos que,
1 ∂ 2 P1 ∂ 2 P1
∂P1 1 ∂P1
+ v + r + v + ρσv
∂t 2 ∂x2 2 ∂x ∂x∂v
∂P1 1 ∂ 2 P1
+ [ρσv + κ(θ − v) − λv] + σ2 v = 0. (3.44)
∂v 2 ∂v 2
De manera similar, en las ecuaciones desde (3.37) a (3.41), consideramos K = 1, r = 0 y S=0
x
(e = 0), y reemplazamos los términos en la EDP (3.42), obteniendo así,
1 ∂ 2 P2 ∂ 2 P2 ∂ 2 P2
∂P2 1 ∂P2 ∂P2 1
+ v 2
+ r − v + ρσv + [κ(θ − v) − λv] + σ2 v = 0. (3.45)
∂t 2 ∂x 2 ∂x ∂x∂v ∂v 2 ∂v 2
u1 = 12 ; u2 = − 12 ; a = κθ;
b1 = κ + λ − ρσ; b2 = κ + λ.
Así, las ecuaciones (3.44) y (3.45) se pueden escribir en una sola expresión, para j = 1, 2
Para obtener las funciones características, en esta subsección demostraremos que ellas satis-
la proposición 19),
E[f (x, v, t)] = E [E [g(x(T ), v(T ))|x(t) = x, v(t) = v]] = E [g(x(T ), v(T ))] ,
P1 = E Q1 1{ST >K} |St = S, vt = v y P2 = E Q2 1{ST >K} |St = S, vt = v ,
71
donde
Q1 = QS y Q2 = Q,
y como Pj , satisface la EDP (3.46), con el n de aplicar el teorema de Feynman Kac (el recíproco
del teorema 53), consideramos
∂ ∂ 1 ∂2 1 ∂2 ∂2
A = (r + uj v) + [a − bj v] + v 2 + σ 2 v 2 + ρσv ,
∂x ∂v 2 ∂x 2 ∂v ∂x∂v
∂Pj
+ APj − 0 · Pj = 0,
∂t
! ! ! !
dx r + uj e11 e12 dB1
= dt + ,
dv a − bj v e21 e22 dB2
donde
! !T ! (e11 )2 + (e12 )2 =v
e11 e12 e11 e12 v ρσv
· = ⇒ (e11 )(e21 ) + (e12 )(e22 ) = ρσv ,
e21 e22 e21 e22 ρσv σ2 v
(e21 )2 + (e22 )2 = σ2 v
√ √ p √
e11 = ρ v; e12 = v· 1 − ρ2 ; e21 = σ v,
√
dxt = (r + uj v)dt + vt dW
c1,t ,
√ c (3.48)
dvt = (a − bj v)dt + σ vt dW2,t ,
72
aplicando el lema de Itô (teorema 43) a f, teniendo en cuenta (3.48), se tiene
∂ 2 fj 2
∂ 2 fj
∂fj 1 2 ∂ fj ∂fj ∂fj
df = ∂t + 12 v∂x2 + 2 σ v ∂v 2 + ρσv ∂x∂v + (r + uj v) ∂x + [a − bj v] ∂v dt
(3.49)
∂fj c ∂fj c
+ (r + uj v) ∂x dW1,t + (a − bj v) ∂v dW2,t ,
E Qj [df ] = 0. (3.50)
Seguimos [19, Heston], donde se postula que las funciones características para el Log-precio
madurez.
∂fj ∂Cj ∂Dj ∂fj ∂fj
= + v fj , = iφfj , = D j fj ,
∂τ ∂τ ∂τ ∂x ∂v
∂ 2 fj ∂ 2 fj ∂ 2 fj
2
= −φ2 fj , 2
= Dj2 fj , = iφDj fj ,
∂x ∂v ∂v∂x
sustituyendo estas derivadas en (3.52) y simplicando fj obtenemos
∂Cj ∂Dj 1 1
− + v + ρσviφDj − vφ2 + vσ 2 Dj2 + (r + uj v)iφ + (a − bj v)Dj = 0,
∂τ ∂τ 2 2
73
o equivalentemente
∂Dj 1 1 ∂Cj
v − + ρσiφDj − φ2 + σ 2 Dj2 + uj iφ − bj Dj − + riφ + aDj = 0.
∂τ 2 2 ∂τ
∂Dj 1 1
= ρσiφDj − φ2 + σ 2 Dj2 + uj iφ − bj Dj (3.53)
∂τ 2 2
∂Cj
= riφ + aDj . (3.54)
∂τ
Estas son las ecuaciones (A7) de [19, Heston]. La ecuación en (3.53) es una ecuación de Riccati
en Dj , mientras que (3.54) es una ecuación diferencial ordinaria para Cj que puede resolverse
usando integración directa una vez que se conozca Dj . La resolución de estas ecuaciones requiere
dos condiciones iniciales. Recuerde que la función característica es
desaparecerá y, en consecuencia, el lado derecho se reducirá a exp(iφxT ). Esto implica que las
∂Dj
= RDj2 − Qj Dj + Pj
∂τ
donde R = 12 σ 2 , Qj = bj − ρσiφ, Pj = uj iφ − 21 φ2 .
Siguiendo lo visto en la subsección 2.0.1, tenemos que la EDO, que se forma siguiendo (2.2), es
w00 + Qj w0 + Pj Rw = 0,
C1 αj eαj τ + C2 βj eβj τ 2
Dj = − , (3.56)
C1 eαj τ + C2 eβj τ σ 2
donde
√ √
−Qj + Q2j −4Pj R −Qj − Q2j −4Pj R
αj = 2 ; βj = 2 ,
74
haciendo q
q
2
dj := αj − βj = Q2j − 4Pj R = (bj − ρσiφ) − σ 2 (2uj iφ − φ2 ), (3.57)
además
−Qj +dj −Qj −dj
αj = 2 ; βj = 2 , (3.58)
βj
C1 = − C2 ,
αj
luego
−C2 βj eαj τ + C2 βj eβj τ 2
Dj = − β
,
− j C2 eαj τ + C2 eβj τ σ 2
αj
simplicando
! !
2β −eαj τ + eβj τ 2β −e(αj −βj )τ + 1
Dj = − 2 β αj τ
=− 2 β (αj −βj )τ
,
σ −α e + eβj τ σ −α e +1
β bj −ρσiφ+dj
haciendo gj = α = bj −ρσiφ−dj , teniendo en cuenta (3.57) y (3.58), tenemos
1 − edj τ
bj − ρσiφ + dj
Dj (τ, φ) = . (3.59)
σ2 1 − gj edj τ
1 − edj τ
∂Cj bj − ρσiφ + dj
= riφ + a ,
∂τ σ2 1 − gj edj τ
τ τ
1 − ed j τ
Z Z
Qj + dj
Cj = riφdy + a dy + K1,
0 σ2 0 1 − gj edj τ
donde K1 es una constante. Para resolver la segunda integral, hacemos x = edj y , entonces
dj y
dx = dj e dy, con lo cual
Z ed j τ
a Qj + dj 1−x 1
Cj = riφτ + dx + K1, (3.60)
dj σ2 1 1 − gj x x
ed j τ ed j τ
1−x 1 − gj
Z Z
1 1
dx = − dx
1 1 − gj x x 1 x 1 − gj x
1 − gj x=edj τ
= ln x + ln(1 − gj x)x=1
gj
75
1 − gj edj τ
1 − gj
= dj τ + ln .
gj 1 − gj
sustituyendo en (3.60), y reemplazando dj , Qj , y gj , se tiene
1 − gj edj τ
a
Cj (τ, φ) = riφτ + 2 (bj − ρσiφ + dj )τ − 2 ln + K1 ,
σ 1 − gj
1 − gj edj τ
a
Cj (τ, φ) = riφτ + (b j − ρσiφ + d j )τ − 2 ln . (3.61)
σ2 1 − gj
Para resumir, con las expresiones (3.59) y (3.61) en (3.55), obtenemos las funciones caracte-
rísticas fj .
Observación 86. En [7, Bakshi, Madan], se muestra que el precio de la opción Call europea en
el modelo de Heston se puede expresar en términos de una única función característica. Aunque
escapa del objetivo de esta tesis profundizar en ello, tiene sentido pensar que solo debe existir
una única función característica, ya que solo hay un precio de activo subyacente en el modelo.
f2 (φ − i)
f1 (φ) = .
f2 (−i)
algunos problemas numéricos debido a la "ramicación". Para el modelo de Heston, se tiene dos
especicaciones para la función característica, ya que son las soluciones a una ecuación de Riccati.
Para la especicación original, en [2, Albrecher], se muestra que para casi cualquier elección
"umbral" a partir de la cual las operaciones complejas tienen un mal comportamiento. Mientras
que para la segunda especicación, se demuestra que la estabilidad está garantizada en el espacio
de parámetros sin restricciones. En esta sección, presentamos brevemente los resultados teóricos
76
3.2.1. Deciencias Numéricas
hecho de que la raíz compleja dj (denido en (3.57)) tiene dos valores posibles y el segundo
valor es exactamente menos el primer valor. La función z2 asigna cada número complejo z a un
2
√
número bien denido z . Sin embargo, su función inversa, z mapea, por ejemplo, el valor −9
a 3i y −3i. Si bien se puede elegir un único valor principal para tales funciones (en este caso, la
raíz cuadrada principal 3i), las opciones pueden no ser continuas en todo el plano complejo. Más
bien, ocurren líneas de discontinuidad. Un corte de rama (Branch cut) es una curva en el plano
complejo a través del cual una función es discontinua. Sus extremos pueden ser abiertos, cerrados
o medio abiertos. La mayoría de los paquetes de software devuelve la raíz cuadrada principal de
un número. No solo la función de raíz cuadrada tiene cortes de rama, sino muchas otras funciones,
como la función logarítmica (ver gura 3.1). Es precisamente el corte de rama de esta función
logarítmica lo que ocasiona problemas en el modelo de Heston. Para tratar estos problemas
77
Figura 3.1: Corte de rama: Función raíz cuadrada y Logarítmica
formulación original presentada en [19, Heston], mientras que la segunda tiene una forma poco
diferente que se puede encontrar en [16, Gatheral]. En [2, Albrecher] se demuestra que dichas
formulaciones son equivalentes, pero que la segunda brinda una función característica que se
comporta mucho mejor y es más adecuada para la integración numérica. Para la primera espe-
cicación, muestra que para casi cualquier elección de parámetros, se producirán inestabilidades
para vencimientos lo sucientemente grandes. Además establece, bajo una restricción de pará-
metros adicional, la existencia de una madurez de "umbral" a partir de la cual las operaciones
complejas tienen un mal comportamiento. Mientras que para la segunda especicación de la fun-
78
ción característica, demuestra que la estabilidad está garantizada en el espacio de parámetros sin
restricciones.
es la que acabamos de presentar en la sección 3.1 . Para deducir la segunda formulación, primero
!
e−dj τ − 1
1 bj − ρσiφ + dj
Dj (τ, φ) = 1 −dj τ ,
gj σ2 gj e −1
ahora, haciendo
1 bj − ρσiφ − dj
cj := = , (3.62)
gj bj − ρσiφ + dj
tenemos que,
1 − e−dj τ
bj − ρσiφ − dj
Dj (τ, φ) = .
σ2 1 − cj e−dj τ
Ahora, con (3.62) en la solución de Cj (expresión (3.61)), como
−dj τ
1−gj edj τ
h i
e −gj
dj τ − 2 ln 1−gj = dj τ − 2 ln edj τ 1−gj
−dj τ
e −gj
= dj τ − 2dj τ − 2 ln
−dj τ 1−g j
e −gj
= −dj τ − 2 ln
" 1−gj
1− e−dj τ
!#
−gj gj
= −dj τ − 2 ln −gj 1− g1
j
−dj τ
1−cj e
= −dj τ − 2 ln 1−cj ,
se tiene que,
1 − cj e−dj τ
a
Cj (τ, φ) = riφτ + 2 (bj − ρσiφ − dj )τ − 2 ln .
σ 1 − cj
Aunque las dos especicaciones son equivalentes, la segunda formulación causa menos pro-
blemas numéricos en la implementación del modelo. Esto se ilustra en [2, Albrecher, Fig 5] que
la reproducimos en la gura 3.2, utilizando los mismos valores para los parámetros, es decir,
79
Proposición 87. Siempre que los parámetros del modelo de Heston sean tales que
Im(dj ) 6= 0 y 2κθ 6= σ 2 n,
Proposición 88. Sea ρ<0 y σ 2 (2α + 1) + 2ρσ(κ − ρσ(α + 1)) < 0. Si se utiliza la primera
1 − ρ2 π − arctan √−ρ 2
p
2
1+ρ
t∗ = .
−2ρ(κ − ρσ(α + 1)) − σ(2α + 1)
Observación 89. Note que los supuestos de la Proposición 88 se cumplen para la conguración
(abandonamos la original).
no sólo a conocer mejor el modelo, sino también al ajuste y calibración del mismo. Bajo el
modelo de Heston, la distribución del Log-Precio de las acciones al vencimiento, ln (ST ) , puede
80
Figura 3.3: Tiempo de madurez umbral para el ejemplo visto en la gura 3.2
ln (ST ) .
serán sesgadas positivamente (sesgo de cola derecha), y cuando ρ < 0, las densidades serán ses-
tegración numérica. Así, obtenemos la gura 3.4, utilizando como valores para los parámetros:
81
Figura 3.4: Efecto de la correlación ρ en la distribución de xT .
Cabe resaltar que la gura 3.4 indica la relación entre correlación y sesgo, y es similar a la
gura 1 de [19, Heston] y la gura 2.4 de [14, Fabrice]. De la gura 3.4 es fácil notar, por ejemplo,
que
Pρ=-0.9 (xT > 4.1) < Pρ=0 (xT > 4.1) < Pρ=0.9 (xT > 4.1)
lo cual, nos dice que ρ > 0 positivo aumenta la probabilidad de obtener valores extremos positivos
de xT (ST ), esto se traduce en que la probabilidad de tener opciones Call ITM aumenta. Se puede
hacer un análisis similar para el caso en que ρ < 0. Para aclarar mejor la idea véase la gura 3.5.
de varianza está muy disperso, por lo que esperamos que la distribución de los Retornos tenga
una curtosis más alta y colas más gruesas que cuando σ es pequeña (ver gura 3.6 derecha), es
decir, hay una mayor concentración de valores de la variable ln(ST ) tanto muy cerca de la media
de la distribución, como muy lejos de ella (colas), y existe una relativamente menor frecuencia
de valores intermedios. Esto se observa en la gura 3.6, usando los mismos valores de parámetros
que para la gura 3.5, a excepción del ρ=0 y para σ ≈ 0, σ =0.15 y σ= 0.45. Como se observa
82
Figura 3.5: Efecto de ρ, positiva (izquierda) y negativa (derecha) en la distribución de xT .
La gura 3.6 izquierda, es similar a la gura 3 de [19, Heston] y a la gura 2.5 de [14, Fabrice].
En seguida, hacemos una comparación entre el precio de una opción Call europea hallado
En esta subsección se pone en evidencia, que una correlación negativa da como resultado
que las Calls ITM profundas (Calls cuyo valor de(S0 − K) es signicativo, para algunos autores
Black-Scholes.
Los resultados vistos en las guras 3.4 y 3.6 sugieren que, debido al sesgo en los Retornos
producidos por el modelo de Heston, los precios de las opciones generadas por el modelo de
Heston deben diferir de los generados por el modelo de Black-Scholes. Analizaremos el efecto
del parámetro de correlación ρ y la volatilidad del proceso de varianza σ sobre los precios de
las Calls. Cuando ρ > 0, la distribución de ln ST es sesgada positivamente, por lo que se asigna
más peso a la cola derecha de la distribución. Las Calls fuera del dinero (Calls OTM), es decir
S0 < K, tienen un precio de ejercicio que se encuentra en la cola derecha. Esto implica que,
cuando ρ > 0, las Calls OTM profundas producidas por el modelo Heston deberían ser más
caras que las producidas por el modelo Black-Scholes. Las Calls dentro el dinero (ITM), es decir
ln ST . Dado que se asigna menos peso a la cola izquierda, las Calls ITM profundas del modelo
Heston deberían tener menos costo que las producidas por el modelo Black-Scholes. De manera
83
Figura 3.6: Efecto de la Volatilidad del Proceso de Varianza σ, sobre la densidad de ln(ST ).
Densidad de ln(ST ), para ρ = 0 y σ = 0.0, 0.15 y 0.45 Zoom de la cola derecha de la gura 3.6 (izquierda)
Se asigna más peso a la cola izquierda y menos peso a la cola derecha. Esto implica que las Calls
ITM profundas del modelo Heston deberían ser más caras que las producidas por el modelo
Black-Scholes, y las Calls OTM profundas deberían ser menos costosas. En los cuadros 3.1 y 3.2
En la gura 3.7 se graca los resultados de los cuadros 3.1 y 3.2, ésta reproduce la gura 2
de [19, Heston], en la que se traza la diferencia entre los precios de las Calls de ambos modelos
(precio de Heston menos precio de Black-Scholes), ya que el precio al contado varía de $70 a
$140. Utilizamos los valores de parámetros , correspondientes a los de la Tabla 1 de [19, Heston].
Sin embargo, para que las comparaciones de precios de Heston y Black-Scholes sean válidas,
las volatilidades de Black-Scholes deben coincidir con la de los precios de Heston. Esto se puede
dn
−n
E [xnT ] =i f2 (φ) .
dφn φ=0
√
Los resultados de la aproximación sugieren que, cuando ρ = −0.5, usamos σBS = 2 × 0.0710
√
para generar los precios de Black-Scholes, y cuando ρ = +0,5, usamos σBS = 2 × 0.0704. La
parte izquierda de la Figura 3.7 corresponde a precios bajos de la Acción y Calls OTM, y la parte
derecha a precios altos de acciones y Calls ITM. Claramente, cuando la correlación es positiva,
las Calls Heston OTM son más caras que las Calls Black-Scholes OTM, debido al grosor en la
84
Cuadro 3.1: Comparación de Precios bajo ρ = 0.5
85
Cuadro 3.2: Comparación de Precios bajo ρ = −0.5
86
Figura 3.7: Efecto de ρ sobre el Precio Call Heston relativo al Precio Call BS
87
cola derecha de la distribución de ln(ST ) generada por el modelo Heston. Cuando la correlación
es negativa, la diferencia es positiva en la región de Call ITM. Las Calls de Heston ITM son más
caras que las Calls de Black-Scholes ITM, debido al grosor en la cola izquierda de la distribución
de ln(ST ) generada por el modelo de Heston. Argumentos similares se pueden hacer para las
diferencias negativas.
El efecto de aumentar σ es aumentar la curtosis. Esto tiene sentido, ya que una alta volatilidad de
la variación aumentará el rango de los valores nales de los precios de las acciones. Esto se ilustra
en la Figura 3.8, que compara la diferencia entre los precios de las Calls Heston y Black-Scholes
de ITM y OTM, pero más bajos en la región de dinero. Estas dos observaciones son consistentes
sorprendente que la diferencia sea más pronunciada cuando σ es mayor. La gura 3.8 es similar
a la gura 4 de [19, Heston]. Otra característica del modelo de Heston es que las volatilidades
implícitas extraídas de los precios de opciones generadas por el modelo, exhiben una sonrisa
explicamos a continuación.
88
Cuadro 3.3: Comparación de Precios bajo σ = 0.1
89
Cuadro 3.4: Comparación de Precios bajo σ = 0.2
90
Figura 3.8: Efecto de σ sobre el Precio Call Heston relativo al Precio Call BS
volatilidad inicial v0 , la sonrisa de volatilidad implícita se mueve hacia arriba, como lo ilustramos
en la gura 3.9.
91
Figura 3.9: Efecto de v0 sobre la Volatilidad Implícita
bable que las grandes variaciones de precios sean seguidas por grandes variaciones de precios,
mientras que los movimientos pequeños tienen más probabilidades de ser seguidos por movimien-
92
tos pequeños. Como se puede observar en la gura 3.11, el parámetro de reversión media controla
volatilidad implícita.
tilidad del activo, como se mencionó, afecta la pesadez de las colas, es decir, afecta la asimetría
rrespondiente a una pendiente positiva, y ρ<0 correspondiente a una pendiente negativa. Esto
Strike de 85 a 120.
93
Figura 3.12: Efecto de ρ sobre la Volatilidad Implícita
con ρ = 0.
94
Capítulo 4
involucra una o más integrales complejas que deben evaluarse numéricamente. Otro enfoque es
usar la simulación, que se describe en este capítulo; la simulación Monte Carlo, en el contexto del
modelo de Heston, se reere a un conjunto de técnicas para generar series temporales articiales
del precio de las acciones St y la varianza vt a lo largo del tiempo, a partir de las cuales se
pueden obtener los precios de las opciones. Aquí, primero se presentan los esquemas estándar
de Euler y Milstein, siguiendo [16, Gatheral], [14, Fabrice] y [24, Kahl,Jäckel]. La ventaja de
estos esquemas es que son fáciles de implementar, y sus propiedades de convergencia son bien
conocidas. Luego, se estudian esquemas que están especícamente diseñados para el modelo de
Heston, los esquemas QE y QEM siguiendo [3, Andersen]. Una de las principales cualidades del
diseño de éstos esquemas, es que evitan las varianzas negativas que a veces se pueden generar en
los esquemas estándar. Para nalizar hacemos un estudio de la consistencia débil del esquema.
√
dSt = rSt dt + vt St dW1,t
√ (4.1)
dvt = κ(θ − vt )dt + σ vt dW2,t
donde E[dW1,t dW2,t ] = ρdt. Note que los procesos en la ecuación (4.1) son escritos bajo la
medida de riesgo neutro Q y están especicados en tiempo continuo. La simulación, sin embargo,
se realiza en pasos de tiempo discretos. Por lo tanto, el primer paso en un esquema de simulación
suele ser aproximar un proceso de tiempo continuo mediante un proceso de tiempo discreto, esta
tarea es conocida como discretización. Los procesos que modelan el precio de las acciones y su
95
volatilidad pueden escribirse en forma general, como
suponemos que se divide en M puntos como 0 = t1 < t2 < ··· < tM = τ, donde los incrementos de
tiempo están igualmente espaciados con ancho dt. Incrementos de tiempo igualmente espaciados
hace que la notación sea más sencilla, pues nos permite escribir ti −ti−1 como simplemente dt para
todo i = 2, ..., M. Todos los resultados que se obtienen con incrementos igualmente espaciados se
pueden generalizar para un espaciamiento desigual (irregular). Integrar dXt de t a t + dt produce
Z t+dt Z t+dt
Xt+dt = Xt + µ(Xs , s)ds + σ(Xs , s)dWs . (4.3)
t t
conozca el valor de Xt , y deseamos obtener el siguiente valor Xt+dt en el tiempo t + dt. Para
obtener el precio de una opción europea utilizando la simulación en el modelo Heston, se simula
primero el proceso bivariado (St , vt ) generando N caminos muestrales desde t=0 hasta t = τ.
A continuación, se captura el último precio de cotización de cada camino muestral de precio de
sobre todos los caminos muestrales obtenidos del precio de acciones y lo traemos a valor presente.
N
1 X
(i)
C(K) = e−rτ máx 0, StM − K (4.4)
N i=1
(i)
donde StM es el precio nal de la acción generado por el i−ésimo camino muestral del precio de
de CIR, muchos esquemas de simulación, incluidos los esquemas de Euler y Milstein, generarán
valores negativos para vt , incluso si se cumple la condición de Feller (2κθ > σ 2 ). Esto se debe
a que la condición de Feller es válida para procesos de tiempo continuo, pero la simulación se
realiza en tiempo discreto y sirve solo como una aproximación a los procesos de tiempo continuo.
En el método de reexión, un valor negativo para vt se reeja con −vt . Por lo tanto, vt es
La desventaja del esquema de truncamiento completo es que crea varianzas de valor nulo, lo que
96
no es realista porque los precios de las acciones nunca muestran varianza cero. La desventaja del
esquema de reexión es que reeja una varianza negativamente grande a una varianza positiva-
mente grande. Por lo tanto, transforma las realizaciones de baja volatilidad en alta volatilidad.
Otra forma de tratar con los valores negativos simulados de vt es idear esquemas de simulación
para vt que no produzcan valores negativos (por ejemplo, esquemas QE y QEM). Otra forma es
√
simular ln vt o vt , y luego exponenciar o elevar al cuadrado el resultado.
Para el precio de las acciones, se puede simular St en sí, pero como se menciona en [14,
Todos los esquemas de simulación para el modelo de Heston contienen los pasos básicos
similares. En primer lugar, se generan dos variables aleatorias Normales estándar independientes,
Brownianos. En segundo lugar, obtenemos el valor actualizado vt+dt . En tercer lugar, obtenemos
el valor actualizado St+dt (o xt+dt ).
En resumen, tenemos:
varianza actual.
Observación 90. Tenga en cuenta que Z y ZS están construidos de modo que E[ZV ] = E[ZS ] =
pV
0, y para que E[ZV · ZS ] = ρE[Z12 ] + 1 − ρ2 E[Z1 Z2 ] = ρ, según se requiera.
A continuación, describimos los esquemas de discretización, Euler y Milstein para (St , vt ). Se
supone que la malla de tiempo se discretiza usando incrementos de tiempo que están igualmente
Euler. Esto es equivalente a aproximar las integrales usando la regla del punto izquierdo, es decir,
Z t+dt Z t+dt
µ(Xs , s)ds ≈ µ(Xt , t) ds = µ(Xt , t)dt.
t t
97
Se hace uso de la regla del punto izquierdo, ya que en el tiempo t se conoce el valor µ(Xt , t). La
regla del punto derecho requeriría que µ(Xt+dt , t + dt) sea conocido en el tiempo t. La segunda
R t+dt R t+dt
t
σ(Xs , s)dWs ≈ σ(Xt , t) t
dWs
= σ(Xt , t) (Wt+dt − Wt )
d √
= σ(Xt , t) dtZ,
√
donde la última igualdad, representa la igualdad en distribución (ya que Wt+dt − Wt y dtZ
son idénticos en distribución, con Z variable Normal estándar). Por lo tanto, la discretización de
√
Xt+dt = Xt + µ(Xt , t)dt + σ(Xt , t) dtZ. (4.5)
t+dt t+dt
√
Z Z
vt+dt = vt + κ(θ − vs )ds + σ vs dWs
t t
√ √
vt+dt = vt + κ(θ − vt )dt + σ vt dtZv . (4.6)
!
−(1 − κdt)vt − κθdt
P (vt+dt < 0) = Φ √ √
σ vt dt
método de truncamiento completo o el método de reexión para tratar cualquier valor negativo
98
4.2.2. Esquema de Euler para el precio de la acción
Hay dos enfoques para simular el precio de las acciones. Se puede simular St directamente,
t+dt t+dt
√
Z Z
St+dt = St + rSs ds + vs Ss dWs
t t
√ √
St+dt = St + rSt dt + vt St dtZS . (4.7)
o se puede simular ln St y luego exponenciar. Para ello, se aplica el lema de Itô (teorema 42) a
la primera ecuación en la expresión de (4.1). Por lo tanto, ln St sigue la EDE (ver (3.17) para
detalles)
1 √
d ln St = r − vt dt + vt dW1,t ,
2
o en forma integral
t+dt Z t+dt
√
Z
1
ln St+dt = ln St + r − vs ds + vs dW1,s .
t 2 t
√
ln St + r − 21 vt dt + vt (W1,t+dt − W1,t )
ln St+dt ≈
√ √ (4.8)
ln St + r − 12 vt dt + vt dtZS .
=
√ √
St+dt = St e(r− 2 vt )dt+
1
vt dtZS
. (4.9)
dependen de t directamente. Por lo tanto, se puede suponer que el precio de las acciones y la
99
en forma integral,
Z t+dt Z t+dt
Xt+dt = Xt + µs ds + σs dWs . (4.10)
t t
La idea detrás del método de Milstein es que la precisión de la discretización se puede aumentar
expandiendo los coecientes µt = µ(Xt ) y σt = σ(Xt ) a través del lema de Itô. Esto es razonable
pues los coecientes también son funciones de Xt . De hecho, se puede aplicar el lema de Itô
(teorema 42) a las funciones µt y σt como se haría para cualquier función diferenciable de Xt .
Por el lema de Itô, entonces, los coecientes cumplen las EDEs
1
dµt = µ0t µt + µ00t σt2 dt + (µ0t σt ) dWt
2
1 00 2
dσt = σt µt + σt σt dt + (σt0 σt ) dWt
0
2
donde la prima se reere a la diferenciación con respecto a Xt y se tiene en cuenta que las
derivadas con respecto a t son cero porque en el modelo de Heston µt y σt no tienen dependencia
directa de t. La forma integral de los coecientes en el tiempo s (con t < s < t + dt) es
Z s Z s
1
µs = µt + µ0m µm + µ00m σm
2
dm + (µ0m σm ) dWm
t 2 t
Z s Z s
0 1 00 2 0
σs = σt + σm µm + σm σm dm + (σm σm ) dWm .
t 2 t
R t+dt Rs Rs
µt + t µ0m µm + 12 µ00m σm dm + t (µ0m σm ) dWm ds
2
Xt+dt = Xt + t
R t+dt Rs 0 Rs 0 (4.11)
00 2
µm + 12 σm
+ t σt + t σm σm dm + t (σm σm ) dWm dWs ,
3
Los diferenciales superiores a la orden uno son dsdm = O(dt2 ) y dsdWm = O(dt 2 ), y se ignoran.
El término que involucra a dWm dWs se conserva porque es O(dt), de orden uno. Esto implica
R t+dt R s 0
R t+dt R s
t t
(σm σm ) dWm dWs ≈ σt0 σt dWm dWs
Rtt+dt t
= σt0 σt t (Ws − Wt ) dWs (4.13)
R t+dt
= σt0 σt t Ws dWs − Wt Wt+dt + Wt2 .
Para resolver la integral restante en (4.13), se dene dYt = Wt dWt . Usando el lema de Itô
1 2 1 ∂Y 1 ∂Y ∂2Y
(teorema 42), es fácil mostrar que Yt = 2 Wt − 2 t. En efecto, ∂t = − 2 , ∂W = W y ∂W 2 = 1,
100
de modo que
1 1
dYt = − + 0 + × 1 × 1 dt + (Wt × 1)dWt = Wt dWt ,
2 2
por lo que,
Z t+dt
1 2 1 1
Ws dWs = Yt+dt − Yt = W − W 2 − dt. (4.14)
t 2 t+dt 2 t 2
Al sustituir (4.14) en (4.13),
R t+dt R s 0 1 0
2 2 2
t t
(σm σm ) dWm dWs ≈ 2 σt σt hW t+dt − W t − dt − 2W
i t W t+dt + 2W t
1 0 2
= 2 σt σt (Wt+dt − Wt ) − dt (4.15)
h i
1 0 2
= σ
2 t σ t (∆W t ) − dt
√
donde ∆Wt = Wt+dt − Wt , es igual en distribución a dtZ, con Z de distribución Normal
√ 1
Xt+dt = Xt + µt dt + σt dtZ + σt0 σt Z 2 − 1 dt .
(4.16)
| {z } |2
Discretización Euler
{z }
Término adicional
√ √ 1 2
2
vt )dt + σ vt dtZv + 4 σ Zv − 1 dt
vt+dt = vt + κ(θ −
√ 2 1 √ √ 1
= vt + 2 σ vt dtZv + σ 2 Zv2 +κ(θ − vt )dt − 41 σ 2 dt
2 4
| {z } (4.17)
√ √ 2
= vt + 12 σ dtZv + κ(θ − vt )dt − 14 σ 2 dt.
para el proceso de varianza produce muchos menos valores negativos para la varianza que el
101
4.3.2. Esquema de Milstein para el Precio de la acción
1 √
d ln St = r − vt dt + vt dW1,t ,
2
√
con lo que µ(ln St ) = r − 21 vt y σ(ln St ) = vt , teniendo que µ0t = σt0 = 0. Como vt se conoce en
el momento t, se puede tratar como una constante en los coecientes. Luego, al aplicar (4.16), se
tiene
√ √
1
ln St+dt = ln St + r − vt dt + vt dtZS , (4.18)
2
que es idéntico a la expresión (4.8). Por lo tanto, la discretización de Milstein de ln St en el
modelo de Heston no produce una aproximación más precisa que la discretización de Euler. El
√ √
St+dt = St e(r− 2 vt )dt+
1
vt dtZS
. (4.19)
Dados los valores simulados (St , vt ), se obtiene vt+dt de la ecuación (4.17), y a partir de (4.19)
se obtiene St+dt .
distribución chi-cuadrado no central. En [3, Andersen] se sugiere el muestreo a partir de una apro-
2
v̂t+dt = a (b + Z v ) (4.20)
donde Zv es una variable normal estándar, mientras que a y b se determinan mediante la técnica
de coincidencia de momentos (moment-matching), usando la media m y la varianza s2 del proceso
CIR presentado en la proposición 79.
P ara valores pequeños de vt , la densidad del chi-cuadrado no central puede ser aproximada
por un promedio ponderado de un término que involucra la función delta de Dirac δ y otro término
102
que involucra a e−βx , esto es,
constituye una función de densidad bien denida. Con el n de obtener la función de distribu-
Z x
Ψ(x) = P r (v̂t+dt ≤ x) = p + β(1 − p) e−βs ds, x ≥ 0,
0
con lo que
Ψ(x) = p + (1 − p) 1 − e−βx , x ≥ 0,
1−p
u = p + (1 − p) 1 − e−βx 1
⇒ x= β ln 1−u ,
siempre y cuando
1−p
ln ≥ 0,
1−u
es decir, p≤u y el logaritmo está bien denido pues u ∈ ran(Ψ) = [0, 1]. Por ello, se tiene
0, 0 ≤ u ≤ p,
Ψ−1 (u) = (4.22)
1 1−p
β ln 1−u , p ≤ u ≤ 1.
Por el método de la transformada inversa (ver teorema 56), se obtiene, el esquema de muestreo
Cuadrático (QE). Dichas ecuaciones, muestran que el esquema QE garantiza que solo se generarán
4.4.2. Calculando a y b
Para calcular a y b hacemos uso de la técnica de coincidencia de momentos (moment-
103
Armación 91. Si v̂t+dt es denido como en la expresión (4.20), entonces
E [v̂t+dt ] = a b2 + 1 y Var [v̂t+dt ] = 2a2 2b2 + 1 .
h i h h i i
2 2
v̂t+dt = a b2 + (Z v ) + 2bZ v ⇒ E [v̂t+dt ] = a b2 + E (Z v ) + 2bE [Z v ]
2
y como (Z v ) es una variable aleatoria que sigue una distribución Chi-cuadrada con
h i 1 grado de
v 2
libertad, se tiene E (Z ) = 1, con lo que
E [v̂t+dt ] = a b2 + 1 .
h i
2 4 2 3
(v̂t+dt ) = a2 b4 + (Z v ) + 6b2 (Z v ) + 4b3 (Z v ) + 4b (Z v ) . (4.24)
Para hallar los momentos, recordemos la función generadora de momentos para una variable
aleatoria Normal
t2 t2
h i
3 (3)
mZ v (t) = e 2 ⇒ E (Z v ) = mZ v (t) = te 2 (t2 + 3) = 0,
t=0 t=0
t2
h i
4 (4)
⇒ E (Z v ) = mZ v (t) = e 2 (t4 + 6t2 + 3) = 3,
t=0 t=0
y en (4.24), obtenemos
h i n h i h i h io
2 4 2 3
E (v̂t+dt ) = a2 b4 + E (Z v ) + 6b2 E (Z v ) + 4b3 E [Z v ] + 4bE (Z v )
h i
2
⇒ E (v̂t+dt ) = a2 b4 + 3 + 6b2
Luego,
h i 2
2 2
= E (v̂t+dt ) − (E [v̂t+dt ]) = a2 b4 + 3 + 6b2 − a b2 + 1
Var [v̂t+dt ] ,
obteniendo así,
= 2a2 2b2 + 1 .
Var [v̂t+dt ]
104
La técnica de coincidencia de momentos consiste en igualar los momentos,
m = a b2 + 1 s2 = 2a2 2b2 + 1 ,
y
2
m2 b2 + 1
= ,
s2 2 (2b2 + 1)
denotando
s2
ψ := , (4.26)
m2
se tiene
2
= 2(1 − 2ψ −1 ) − 4(1)(1 − 2ψ −1 ) = 8ψ −1 (2ψ −1 − 1),
Discr
1
Discr ≥ 0 ⇒ ψ −1 ≥ ⇒ ψ ≤ 2. (4.28)
2
Así, se tiene
p
2 2(2ψ −1 − 1) ± 8ψ −1 (2ψ −1 − 1)
b = ,
2
donde se descarta una de ellas al notar que,
p
2(2ψ −1 − 1) − 8ψ −1 (2ψ −1 − 1) p p
= (2ψ −1 − 1)(2ψ −1 − 1) − (2ψ −1 − 0)(2ψ −1 − 1) < 0.
2
s
2 −1
p 2 2 2
b = (2ψ − 1) + 2ψ −1 (2ψ −1 − 1) = − 1 + −1 ,
ψ ψ ψ
y además,
m
a= . (4.30)
b2 + 1
105
4.4.3. Calculando p y β
Para calcular p y β se hace uso de la técnica de coincidencia de momentos (moment-matching).
Para ello veamos la siguiente armación:
1−p 1−p2
E [v̂t+dt ] = β ; y Var [v̂t+dt ] = β2
.
∞ ∞
(1 − p)
Z Z
1
x pδ(0) + β(1 − p)e−βx dx = 0+β(1−p) xe−βx dx = β(1−p)
E [v̂t+dt ] = = .
0 0 β2 β
También,
∞
h
2
i Z 2 2(1 − p)
x2 pδ(0) + β(1 − p)e−βx dx = 0 + β(1 − p) 3 =
E (v̂t+dt ) = ,
0 β β2
luego,
h
2
i
2 2(1 − p) (1 − p)2 (1 − p)(1 + p)
Var [v̂t+dt ] = E (v̂t+dt ) − (E [v̂t+dt ]) = 2
− 2
= .
β β β2
1−p (1 − p)(1 + p)
m= y s2 = ,
β β2
s2 1 − p2
ψ= 2
= ⇒ (1 + ψ)p2 =2ψp + ψ =1 = 0,
m (1 − p)2
ψ−1
p=1 y p= ,
ψ+1
si p = 1, m = s2 = 0 y β podría tomar cualquier valor. por lo cual en [3, Andersen, pág 15], sólo
se considera
ψ−1
p= ∈ [0, 1), (4.31)
ψ+1
luego, es fácil ver que
1−p
β= . (4.32)
m
106
Note también que, para que p ≥ 0, se debe tener,
ψ−1
p= ≥ 0 ⇔ ψ ≥ 1. (4.33)
ψ+1
Al usar (4.26),
s2
ψ= ,
m2
se ha demostrado que en el esquema de muestreo Cuadrático (4.20), solo pueden coincidir los
momentos para ψ≤2 (ver (4.28)). Mientras que, en el esquema exponencial (4.23) solo pueden
coincidir los momentos para ψ≥1 (ver (4.33)). Afortunadamente como se explica en [3, Ander-
sen, pág 15], estos dominios de aplicabilidad se superponen, de modo que al menos uno de los
Para ilustrar la calidad de las aproximaciones a la distribución real de v, se considera dos casos
diferentes, uno a cada lado de la regla de conmutación para ψ. Los resultados del primer caso se
pueden observar en las guras 4.1 y 4.2 (la gura superior de 4.1 es similar a la gura 4 de [3,
Andersen, pág 16]). En las guras 4.3 y 4.4, se muestran los resultados para el segundo caso. En las
4. Si ψ≤ψc :
107
a ) Calcular p y luego β, a partir de las ecuaciones (4.31) y (4.32).
108
Figura 4.1: Distribución acumulada de vt+dt condicionada a vt (vt valor pequeño)
109
Figura 4.2: Distribución acumulada de vt+dt condicionada a vt (vt valor pequeño)
110
Figura 4.3: Distribución acumulada de vt+dt condicionada a vt (vt valor grande)
111
Figura 4.4: Distribución acumulada de vt+dt condicionada a vt (vt valor grande)
112
4.4.6. Esquema de discretización para el proceso de Log-precio
ma que no funciona bien. Sin embargo, la razón para el fracaso de este esquema es bastante
En [3, Andersen, pág 17] se explica, que si usamos una discretización de Euler, de la forma
1 √ √
ln St+dt = ln St − vt dt + vt ZS dt, (4.34)
2
se genera lo que denomina fuga de correlación pues como lo verica (mediante cálculo simbólico)
en [3, Andersen, pág 32] la verdadera correlación entre ln St+dt y vt+dt (condicionado a ln St
y vt ) es siempre cercana a ρ, incluso para valores grandes de dt y cuando vt es cercano al
origen. Mientras que la fuerte relación no lineal entre vt+dt y Zv dada por (4.20), implica que la
correlación efectiva entre ln St+dt y vt+dt sea más cercano a cero, que a ρ.
Además, se explica que si se ignorara el problema de fuga de correlación y se usa (4.34),
a niveles prácticos de dt, se experimentaría una fuerte tendencia a que la simulación Monte
Carlo genere una correlación efectiva demasiado débil (cercana a 0) y, en consecuencia, caminos
manifestaría en una pobre capacidad general para establecer precios de opciones con Strikes lejos
cionados W1,t y W2,t del sistema de Heston (4.1), por los Movimientos Brownianos independientes
B1,t y B2,t ) resolviendo el problema de la fuga de correlación provocada por la discretización
de Euler.
W
c2 (t) = B2 (t),
p (4.35)
c1 (t) = ρB2 (t) + 1 − ρ2 B1 (t),
W
(4.1)
√
dvt = κ(θ − vt )dt + σ vt dB2,t ,
t+dt t+dt
√
Z Z
vt+dt = vt + κθdt − κ vs ds + σ vs dB2,s ,
t t
!
t+dt t+dt
√
Z Z
1
vs dB2,s = vt+dt − vt − κθdt + κ vs ds . (4.36)
t σ t
113
De la expresión (3.17), es fácil ver que la forma integral del proceso ln(St )
t+dt t+dt
√
Z Z
1
ln (St+dt ) = ln(St ) + rdt − vs ds + vs d W
c1,s ,
2 t t
R t+dt R t+dt
ln (St+dt ) = ln(St ) + rdt − 21 t vs ds + ρ σ1 vt+dt − vt − κθdt + κ t vs ds
p R t+dt √
+ 1 − ρ2 t vs dB1,s ,
equivalentemente
R t+dt
ln (St+dt ) = ln(St ) + rdt + σρ (vt+dt − vt − κθdt) + ρκ
σ − 1
2 t
vs ds
p R t+dt √ (4.37)
+ 1 − ρ2 t vs dB1,s .
Z t+dt
vs ds ≈ [γ1 vt + γ2 vt+dt ] dt, (4.38)
t
para γ1 y γ2 constantes a establecer (de manera arbitraria). Hay múltiples maneras de establecer
integral
t+dt
√
Z
vs dB1,s
t
R t+dt
condicionado a vt y
t
vs ds, sigue una distribución Normal, con media cero y varianza
!2 "Z #
t+dt t+dt t+dt
√
Z Z
E vs dB1,s =E vs ds = vs ds.
t t t
manera natural
Z t+dt
√ √ p
vs dB1,s ≈ dt γ1 vt + γ2 vt+dt Z,
t
114
Observación 93. Cabe resaltar que,
√ p
dt γ1 vt + γ2 vt+dt Z ∼ N (0, dt [γ1 vt + γ2 vt+dt ])
Así, se tiene
Haciendo
κρθ ρκ 1 ρ ρκ 1 ρ
K0 = − dt, K1 = − γ1 dt − , K2 = − γ2 dt +
σ σ 2 σ σ 2 σ
K3 = 1 − ρ2 γ1 dt, K4 = 1 − ρ2 γ2 dt,
se tiene
p
ln (St+dt ) = ln(St ) + rdt + K0 + K1 vt + K2 vt+dt + K3 vt + K4 vt+dt · Z. (4.39)
3. Establecer Z = Φ−1 (U ).
4. Teniendo ln(St ), vt y el valor de vt+dt calculado en el paso 1, usar (4.39) para calcular
ln (St+dt ) .
descontados (para el caso r = 0) St , puede no tener momentos de orden superior nito, pero
siempre será una martingala (proposición 2.5 de [4, Andersen,Piterbarg]). Así tenemos,
E St+dt St = St < ∞.
Lamentablemente, de (4.39),
p
Sbt+dt · exp (−r(dt)) = Ŝt · exp(K0 + K1 v̂t ) · exp K2 v̂t+dt + K3 v̂t + K4 v̂t+dt · Z ,
115
el proceso de precios descontados, no es una Martingala.
1 ρ 1
M := E eAv̂t+dt v̂t > 0, A = K2 + K4 = (1 + κγ2 (dt)) − γ2 (dt)ρ2 .
2 σ 2
h i
Si M < ∞, Entonces E Ŝt+dt Ŝt < ∞. Asumiendo que M es nito, al poner
1
K0∗ := − ln(M ) − K1 + K3 v̂t .
2
y
ln Sbt+dt = ln(Sbt ) + rdt + K0∗ + K1 v̂t + K2 v̂t+dt + K3 v̂t + K4 v̂t+dt · Z,
p
donde Z es una variable aleatoria Normal estándar. En este caso, el proceso de precios descon-
h i
E Sbt+dt · exp (−r(dt)) Sbt , v̂t = Sbt .
Demostración. Note que, por denición, K0∗ es v̂t −medible. Además, del enunciado, se tiene
Sbt+dt · exp (−r(dt)) = Ŝt · exp(K0∗ + K1 v̂t ) · exp K2 v̂t+dt + K3 v̂t + K4 v̂t+dt · Z
p
h i h i
E Sbt+dt · exp (−r(dt)) Sbt , v̂t = E E[Sbt+dt · exp (−r(dt)) Sbt , v̂t+dt ]Sbt , v̂t
h
= E Ŝt · exp(K0∗ + K1 v̂t ) · exp (K2 v̂t+dt ) ·
p i
E[exp K3 v̂t + K4 v̂t+dt · Z Sbt , v̂t+dt ]Sbt , v̂t
Teniendo en cuenta la función generadora de momentos de una variable aleatoria Normal, tenemos
que,
p K3 v̂t + K4 v̂t+dt
E[exp K3 v̂t + K4 v̂t+dt · Z Sbt , v̂t+dt ] = exp ,
2
con lo que,
h i
∗ 1 K4 v̂t+dt b
E St+dt · exp (−r(dt)) St , v̂t = Ŝt ·exp(K0 +K1 v̂t )·E exp
b b K3 v̂t · exp K2 v̂t+dt + St , v̂t ,
2 2
116
aplicando sacando lo conocido, la propiedad 3 en la proposición 19,
h i
∗ 1 h i
E St+dt · exp (−r(dt)) St , v̂t = Ŝt · exp(K0 + K1 + K3 v̂t ) · E exp (Av̂t+dt ) Sbt , v̂t ,
b b
2
equivalentemente,
h i
∗ 1
E St+dt · exp (−r(dt)) St , v̂t = Ŝt · exp(K0 + K1 + K3 v̂t ) · M.
b b
2
1
exp(K0∗ + K1 + K3 v̂t ) · M = 1.
2
el esquema básico (4.39). Como se indica en la proposición 94, para que esto sea posible, y de
hecho para que (4.39) tenga sentido en primer lugar, requerimos que M sea nito. Suponiendo
que γ2 ≥ 0 (que siempre sería el caso en la práctica), y v̂t+dt ≥ 0 (que es siempre el caso de estos
esquemas), se puede vericar que A≤0 para ρ ≤ 0, que a su vez muestra que
ρ ≤ 0 ⇒ M < ∞.
Esta es una consecuencia obvia del hecho de que exp(Av̂t+dt ) se limita aquí al intervalo [0, 1].
En aplicaciones prácticas, prácticamente siempre se tiene que ρ ≤ 0, en cuyo caso (4.39) es
seguro de usar. Las correlaciones positivas pueden ocurrir, por supuesto, en cuyo caso tendremos
que examinar el esquema de discretización para vt con más detalle. Procedemos a hacerlo a
continuación.
Proposición 95. Sea el esquema QE que se caracteriza por las constantes a, b, β y p calculadas
s2
a partir de las relaciones (4.30), (4.29), (4.32) y (4.31). Sea ψ = m2 , con m y s dados en la
2
Ab a
Av̂ exp 1−2Aa
E e t+dt
v̂t = √ ,
1 − 2Aa
β(1 − p)
E eAv̂t+dt v̂t = p +
,
β−A
117
siempre que
A < β.
Demostración. Para el caso en que ψ≤ψc , se tiene la expresión (4.20), apoyándonos en la deduc-
ción de la distribución Chi-cuadrada no central (ver subsección 2.1.1) notemos que, si hacemos
√ √ √
X := ab + aZ v , entonces X ∼ N ( ab, a) y así
X2
∼ χ(1,b2 ) ,
a
2 exp Bb2
X
B a 1−2B 1
E e = √ , B< ,
1 − 2B 2
2
Ab a
Av̂ exp 1−2Aa 1
E e t+dt
v̂t = √ , A< .
1 − 2Aa 2a
Z ∞
E eAv̂t+dt v̂t = p + β(1 − p) e(A−β)s ds,
0
donde la integral
∞
e(A−β)w
Z
1 1
e(A−β)s ds = lı́m − = ,
0 w→∞ A − β A−β β−A
existe, sólo si A − β < 0. Y así,
β(1 − p)
E eAv̂t+dt v̂t = p +
.
β−A
Como se menciona en [3, Andersen] , para la simulación del modelo de Heston (puro), el
esquema de QE debe ser la opción por defecto (predeterminada) debido a su simplicidad y buen
En la sección 9.7 de [26, Kloeden, pág 326], se presentan las deniciones de convergencia
y consistencia débil, que seguimos en esta tesis. Como se explica en [3, Andersen, pág 22] un
análisis formal de las propiedades de convergencia fuerte [26, Kloeden, pág 323] del esquema QE
118
es muy difícil y complicado. Por ello nos centramos en un concepto más sencillo de vericar, el
de Consistencia Débil. En el teorema 9.7.4 de [26, Kloeden, pág 328] se muestra el fuerte vínculo
De manera sencilla, si
Ybtn+1 . Para que dicho esquema de discretización sea consistente débilmente, basta tener lo si-
guiente:
1. La media del incremento de la aproximación converge a la media del incremento del proceso
" #
Ybtn+1 − Ybtn
lı́m Var √ = b2 (Ybtn ).
dt→0 ∆t
" # " #
ln Sbt+dt − ln Sbt 1 ln Sbt+dt − ln Sbt
lı́m E = r − vbt , lı́m Var √ = vbt , (4.40)
dt→0 dt 2 dt→0 dt
vbt+dt − vbt vbt+dt − vbt
lı́m E = κ(θ − vbt ), lı́m Var √ = σ 2 vbt , (4.41)
dt→0 dt dt→0 dt
" #
vbt+dt − vbt ln Sbt+dt − ln Sbt
lı́m Cov √ , √ = ρσb
vt . (4.42)
dt→0 dt dt
119
Como el esquema QE se basa en coincidencia exacta de los dos primeros momentos condicionales
E [b vt − θ)e−κ(t+dt−t) = θ + (b
vt+dt ] = m = θ + (b vt − θ)e−κdt ,
reemplazando en (4.43),
vt − θ)e−κdt − vbt
vbt+dt − vbt θ + (b
E = ,
dt dt
vt − θ)e−κdt − vbt = 0
vt+dt − vbt ] = lı́m θ + (b
lı́m E [b y lı́m dt = 0, (4.44)
dt→0 dt→0 dt→0
vt − θ)(−κ)e−κdt
vbt+dt − vbt (b
lı́m E = lı́m = κ(θ − vbt ).
dt→0 dt dt→0 1
vbt+dt − vbt Var [b
vt+dt ]
Var √ = , (4.45)
dt dt
como el esquema QE se basa en coincidencia exacta de los dos primeros momentos condicionales
vbt σ 2 e−κdt θσ 2
Var [b
vt+dt ] = s2 = (1 − e−κdt ) + (1 − e−κdt )2 ,
κ 2κ
vbt σ 2 e−κdt θσ 2
lı́m (1 − e−κdt ) + (1 − e−κdt )2 = 0, pues, lı́m e−κdt = 1,
dt→0 κ 2κ dt→0
con lo cual
vbt+dt − vbt
lı́m Var √ = σ 2 vbt .
dt→0 dt
120
Note que
h i
E ln Sbt+dt − ln Sbt
" #
ln Sbt+dt − ln Sbt
E = ,
dt dt
h i hp i
E ln Sbt+dt = ln Sbt + rdt + K0 + K1 vbt + K2 E [b
vt+dt ] + E K3 vbt + K4 vbt+dt · Z , (4.46)
ahora,
h i
E ln Sbt+dt − ln Sbt = rdt + K0 + K1 vbt + K2 E [b
vt+dt ] , (4.47)
entonces,
h i
E ln Sbt+dt − ln Sbt κρ 1 ρ κρ 1 ρ
ρκθ γ1 dt σ − 2 − σ vbt + γ2 dt σ − 2 + σ E [b
vt+dt ]
=r− + ,
dt σ dt
E [ln S
bt+dt ]−ln S
r − ρκθ
bt κρ 1 κρ 1
ρ
vbt
dt = σ + σ − 2 dt −h γ2 i σ − 2 dt + σ dt
v
+ γ2 dt κρ
1
ρ
σ − 2 + σ E bt+dt
dt ,
h vbt+dt −bvt i
r − ρκθ κρ 1 κρ 1 ρ
= σ + σ − 2 v
b t + γ 2 σ − 2 dt + σ E dt ,
" #
ln Sbt+dt − ln Sbt ρκθ κρ 1 ρ 1
lı́m E =r− + − vbt + 0 + [κ(θ − vbt )] = r − vbt .
dt→0 dt σ σ 2 σ 2
" # h i
ln Sbt+dt − ln Sbt Var ln Sbt+dt
Var √ = , (4.48)
dt dt
h i hp i
Var ln Sbt+dt = 0 + 0 + 0 + 0 + (K2 )2 Var [b
vt+dt ] + Var K3 vbt + K4 vbt+dt · Z , (4.49)
veamos que,
hp i hp i
K3 vbt + K4 vbt+dt · Z = E (K3 vbt + K4 vbt+dt ) · Z 2 − E
Var K3 vbt + K4 vbt+dt · Z ,
121
como Z ∼ N (0, 1), E Z 2 = 1 y es independiente de vb, tenemos que,
hp i hp i
K3 vbt + K4 vbt+dt · Z = E [(K3 vbt + K4 vbt+dt )] · E Z 2 − E
Var K3 vbt + K4 vbt+dt · E[Z],
entonces,
hp i
Var K3 vbt + K4 vbt+dt · Z = E [(K3 vbt + K4 vbt+dt )] = K3 vbt + K4 E [b
vt+dt ] ,
al reemplazar en (4.49)
h i
Var ln Sbt+dt = (K2 )2 Var [b
vt+dt ] + K3 vbt + K4 E [b
vt+dt ] ,
" #
ln Sbt+dt − ln Sbt Var [b
vt+dt ]
= (K2 )2 + 1 − ρ2 γ1 vbt + 1 − ρ2 γ2 E [b
Var √ vt+dt ] ,
dt dt
" #
ln Sbt+dt − ln Sbt Var [b
vt+dt ]
= (K2 )2 + 1 − ρ2 vbt + 1 − ρ2 γ2 E [b
Var √ vt+dt − vbt ] ,
dt dt
2 ρ 2
2 ρκ 1 ρ
lı́m [K2 ] = lı́m − γ2 dt + = ,
dt→0 dt→0 σ 2 σ σ
" #
ln Sbt+dt − ln Sbt ρ 2
σ 2 vbt + 1 − ρ2 vbt = vbt .
lı́m Var √ =
dt→0 dt σ
h i h i
bt+dt −b
v bt+dt −ln S
vt ln S bt 1
Cov √
dt
, √
dt
= dt Cov vbt+dt , ln Sbt+dt
h h ii (4.50)
1
= dt E vt+dt − E [b
(b vt+dt ]) ln Sbt+dt − E ln Sbt+dt
p
ln Sbt+dt = ln Sbt + rdt + K0 + K1 vbt + K2 vbt+dt + K3 vbt + K4 vbt+dt · Z,
h i
E ln Sbt+dt = ln Sbt + rdt + K0 + K1 vbt + K2 E [b
vt+dt ] ,
122
entonces,
h i p
ln Sbt+dt − E ln Sbt+dt = K2 (b
vt+dt − E [b
vt+dt ]) + K3 vbt + K4 vbt+dt · Z,
entonces,
h h ii h
vt+dt − E [b
E (b vt+dt ]) ln Sbt+dt − E ln Sbt+dt vt+dt − E [b
= E (b vt+dt − E [b
vt+dt ]) K2 (b vt+dt ])
p i
+ K3 vbt + K4 vbt+dt · Z ,
vht+dt − E [b
= E [(b vt+dt − E [b
vt+dt ]) (K2 (b vt+dt ]))] i
p
+E (b vt+dt − E [b
vt+dt ]) K3 vbt + K4 vbt+dt · Z ,
con lo que,
h h ii
vt+dt − E [b
E (b vt+dt ]) ln Sbt+dt − E ln Sbt+dt = K2 · E [(b
vt+dt − E [b vt+dt − E [b
vt+dt ]) (b vt+dt ])]
al reemplazar en (4.50),
" #
vbt+dt − vbt ln Sbt+dt − ln Sbt K2
Cov √ , √ = · Var [b
vt+dt ] .
dt dt dt
" #
vbt+dt − vbt ln Sbt+dt − ln Sbt ρκ 1 ρ Var [b
vt+dt ]
Cov √ , √ = − γ2 dt + · ,
dt dt σ 2 σ dt
" #
vbt+dt − vbt ln Sbt+dt − ln Sbt hρi
lı́m Cov √ , √ = σ 2 vbt = ρσb
vt .
dt→0 dt dt σ
123
Capítulo 5
Correlación Estocástica en el
Modelo de Heston
En este capítulo se estudia una extensión del modelo clásico de Heston (estudiado en el
se supone una correlación que varía estocásticamente. También se muestran algunos resultados
numéricos. Para el desarrollo de este capítulo seguimos muy de cerca el artículo [40, Teng]. Dis-
estocásticas. Nuestros experimentos numéricos realizados con Python, corroboran que los algo-
ritmos propuestos pueden proporcionar resultados ecientes altamente precisos para el Heston
Motivación
Teniendo en cuenta la Observación 76 y como se menciona en [13, Ehrhardt, pág 85], el
mercado nanciero da cuenta de que a menudo existe una dependencia no lineal entre los Re-
tornos. Especícamente, una correlación constante signica que los dos procesos de retorno son
la correlación es difícilmente una constante ja, es decir, la correlación constante puede no ser
una medida apropiada de co-dependencia. Ya existen algunos trabajos que muestran que la co-
rrelación no debe ser constante e incluso cambia en un pequeño intervalo de tiempo como la
volatilidad, ver, por ejemplo, [34, Schöbel]. Los resultados presentados en [13, Ehrhardt, cap. 6],
muestran que el riesgo de correlación causado por el uso de un modelo de correlación incorrecto
Los modelos de correlación estocástica se han vuelto cada vez más importantes en los mercados
124
nancieros. En realidad, el factor principal que afecta el sesgo de volatilidad implícita es la
correlación. Sin embargo, en el modelo de Heston puro (Capítulo 3), y también en la mayoría
Ehrhardt, cap. 6] y [38, Teng] que la calibración a los datos del mercado se puede mejorar al
Heston bajo la medida de riesgo neutro, que viene conducido por las EDEs (3.17) y (B.37), y
√ c
= r − 21 vt dt + vt dW
dxt 1,t ,
√ c
dvt = κ [θ − vt ] dt + σ vt dW2,t .
donde ã(t, ρt ) y b̃(t, ρt ) son funciones dadas dependiendo del proceso de correlación elegido, Wρ,t
es un Movimiento Browniano estándar con respecto a la medida física P. Al incluir el precio de
que está bajo la medida de riesgo neutro, donde λ(St , vt , ρt , t) representa el precio del riesgo de
correlación y se puede asumir que es λρt , con λ constante. Para simplicar la notación, pongamos
125
Para incorporar una correlación estocástica entre el proceso Log-precio y la varianza estocástica,
√ c
dvt = κ [θ − vt ] dt + σ vt dW v,t ,
dρt = (ã(t, ρt ) − λ(St , vt , ρt , t)) dt + b̃(t, ρt ) dW
cρ,t ,
| {z } | {z } (5.2)
a(t,ρt ) b(t,ρt )
√ c
= r − 12 vt dt + vt dW
dxt x,t ,
con
dW
cx dW
cv = ρt dt, dW cρ = ρxρ dt,
cx dW dW cρ = ρvρ dt,
cv dW
donde ρt está dado por la segunda ecuación de (5.2), y ρxρ así como ρvρ se asumen que son dos
correlaciones constantes.
calcular el precio de las opciones europeas en el modelo extendido de Heston aplicando la si-
mulación Monte Carlo. Es necesario generar caminos aleatorios del triplete (vt , ρt , xt ) para to-
N
do t ∈ T := {ti }i=1 . En otras palabras, para un incremento de tiempo arbitrario dt, se de-
be generar una muestra aleatoria de (vt+dt , ρt+dt , xt+dt ) para (vt , ρt , xt ) dado. Luego teniendo
(vt+dt , ρt+dt , xt+dt ) , se genera (vt+2dt , ρt+2dt , xt+2dt ) y así sucesivamente hasta llegar a obtener
plo, el proceso de Jacobi acotado que se puede encontrar en [27, Ma, Jun] y en [43, Emmerich].
correlación estocástica, y se establece una ecuación diferencial parcial para preciar el riesgo de
tipo de proceso que se puede usar es el de correlación estocástica producido por transformación
para un análisis más manejable, en la segunda ecuación del sistema (5.2) optamos por elegir otro
proceso de reversión a la media que exhibe una estructura más simple que los mencionados, en
126
dρt = κρ (µρ − ρt ) dt + σρ dW
cρ,t , (5.3)
s
−κρ dt −κρ dt
1 − e−2κρ dt ρ
ρt+dt = ρt e + µρ 1 − e + σρ Z , (5.4)
2κρ
donde Zρ es una variable aleatoria Normal estándar. Sin embargo, el principal inconveniente
de utilizar el proceso OU para la correlación estocástica es que el proceso no está acotado. Esto
quiere decir que las correlaciones generadas pueden caer fuera del intervalo de correlación [−1, 1],
especialmente con un valor pequeño de κρ y un valor grande de σρ . Además, como se indica en
√
κρ (1−µρ )
P (ρt < 1) = 1 ⇔ σρ → ∞, (5.5)
y
√
κρ (−1−µρ )
P (ρt > −1) = 1 ⇔ σρ → −∞. (5.6)
Esto no signica que necesariamente σρ tiende a 0. En efecto, si se limita el valor medio µρ tal
que pertenezca a (−1, 1), de (5.5) y (5.6) se puede concluir que
√
κρ
σρ →∞ ⇒ P (−1 < ρt < 1) = 1
En la práctica, podría seleccionarse una constante positiva C de tal manera que la condición
√
κρ
≥C
σρ
ya sea suciente para asegurar que las correlaciones generadas permanezcan en (−1, 1), si la
1 p √
x̂t+dt = x̂t + (r − ν̂t )dt + ν̂t Zx dt.
2
Se sabe que la verdadera correlación entre x̂t+dt y ν̂t+dt es siempre cercana a ρt dada por
la segunda relación de (5.2). Sin embargo, ν̂t+dt y Zν en (4.20) tienen una fuerte relación no
127
lineal, lo que implicará que la correlación efectiva entre x̂t+dt y ν̂t+dt será más cercana a cero
que ρt para los casos donde la probabilidad P (β + Zv < 0) es distinto de cero. Para abordar este
(5.2), de la manera siguiente: primero, vemos que el sistema (5.2), tiene una familia de matriz
ρt ρxρ 1
Denotemos por ρ1 := ρvρ = ρρv y ρ2 := ρxρ = ρρx . Se realiza una descomposición de Cholesky,
1 0 0
p
1 − ρ21
ρ1 0
Lt =
s 2 , t ≥ 0,
2 −ρ1 ρt
ρ√
ρxρ 1 − ρ2t −
ρt 2
1−ρ1
que se usa para reformular el sistema (5.2) con respecto a los movimientos Brownianos indepen-
√
dvt = κ [θ − vt ] dt + σ vt dWtv ,
a(t, ρt )dt + ρ1 b(t, ρt )dWtv + 1 − ρ21 b(t, ρt )dWtρ ,
p
dρt =
√ 2 −ρ1 ρt
√
r − 21 vt dt + ρt vt dWtv + ρ√ vt dWtρ
dxt =
1−ρ21
s 2
2 −ρ1 ρt
ρ√ √
+ 1 − ρt − 2
2
vt dWtx
1−ρ1
Como el objetivo principal es conseguir una correlación estocástica entre el proceso xt y el proceso
vt , para simplicar el modelo, se asume que ρ1 = 0, y así el sistema de EDEs se convierte en
√
dvt = κ [θ − vt ] dt + σ vt dWtv ,
dρt = a(t, ρt )dt + b(t, ρt )dWtρ , (5.7)
√ √ √
r − 12 vt dt + ρt vt dWtv + ρ2 vt dWtρ + 1 − ρ2t − ρ22 vt dWtx
p
dxt =
Ahora, se verá el procedimiento para discretizar la tercera ecuación del sistema (5.7).
Por ello se le llama el esquema híbrido. Tomamos el proceso de OU como ejemplo debido a su
128
capacidad de análisis y comenzamos con la forma integral de la tercera ecuación del sistema (5.7)
R t+dt R t+dt √
xt+∆ = xt + rdt − 21 t vu du + t ρ v dWuv
R t+dt √ t+dt p u u √ (5.8)
vu dWuρ + t 1 − ρ2u − ρ22 vu dWux ,
R
+ρ2 t
donde ρt sigue un proceso OU. Para la segunda integral de (5.8), donde el integrando no es
√
ρt dvt + vt dρt = ρt κ [θ − vt ] dt + σ vt dWtv + vt (κρ (µρ − ρt ) dt + σρ dWtρ )
dρt vt =
√
= [ρt κ (θ − vt ) + vt κρ (µρ − ρt )] dt + ρt σ vt dWtv + vt σρ dWtρ ,
donde se ha asumido que νt y ρt son independientes entre sí, lo que corresponde a ρ1 = 0. Este
R t+dt
xt+dt = xt + rdt − 12 t vu du + ρt+dt vt+dt − ρtσvt
R t+dt κθρu +κρ µρ vu −(κv +κρ )ρu vσu R t+dt √
− t σ du + t ρ2 vu dWuρ (5.10)
R t+dt σρ ρ t+dt p √
1 − ρ2u − ρ22 vu dWux .
R
− t σ vu dWu + t
Para las dos primeras integrales de la expresión (5.10), simplemente usamos la aproximación
√
t+dt √ r
√ √
Z
σρ σρ 2 σρ 2
ρ2 vu − vu dWu ≈ dt γ1 ρ2 vt − vt + γ2 ρ2 vt+dt − vt+dt Z ρ ,
ρ
t σ σ σ
Z t+dt q
√ √ q
1 − ρ2u − ρ22 vu dWux ≈ dt γ1 vt (1 − ρ2t − ρ22 ) + γ2 vt+dt 1 − ρ2t+dt − ρ22 Z x ,
t
129
Figura 5.1: Simulación de una trayectoria del esquema HB
donde Zρ y Zx son variables aleatorias Normal estándar independientes. Así, en (5.10), tenemos
x̂t+dt = x̂t + rdt + K1 v̂t + K2 v̂t+dt + K3 ρ̂t v̂t + K4 ρ̂t+dt v̂t+dt + K5 ρ̂t + K6 ρ̂t+dt
q
3/2 3/2
+ Kv1 v̂t + Kv2 v̂t + Kv3 v̂t2 + Kv4 v̂t+dt + Kv5 v̂t+dt + Kv6 v̂t+dt
2 Zρ (5.13)
q
+ Kρ1 v̂t + Kρ2 v̂t ρ̂2t + Kρ3 v̂t+dt + Kρ4 v̂t+dt ρ̂2t+dt Z x ,
donde:
κρ µρ 1
K1 = −(dt)γ1 σ + 2 , Kv1 = (dt)γ1 (ρ2 )2 , Kρ1 = (dt)γ1 1 − ρ22 ,
κρ µρ 1 2(dt)γ1 ρ2 σρ
K2 = −(dt)γ2 σ + 2 , Kv2 = − σ , Kρ2 = −(dt)γ1 ,
1 (dt)γ1 σρ2
K3 = σ ((dt)γ1 (κ + κρ ) − 1) , Kv3 = σ2 , Kρ3 = (dt)γ2 1 − ρ22 ,
1
K4 = σ ((dt)γ2 (κ + κρ ) + 1) , Kv4 = (dt)γ2 (ρ2 )2 , Kρ4 = (dt)γ2 ,
2(dt)γ2 ρ2 σρ
K5 = − (dt)γσ1 κµ , Kv5 = − σ ,
(dt)γ2 σρ2
K6 = − (dt)γσ2 κµ , Kv6 = σ2 .
La gura 5.1 nos muestra el comportamiento de un camino simulado del sistema (5.2) usando
el esquema HB.
A continuación presentamos la proposición 3 de [40, Teng, pág 8], y brindamos una demos-
tración al detalle. Note también que en el artículo, hay un error de tipeo, en la segunda relación
130
(46) de [40, Teng, pág 8]. Cabe resaltar que Long teng, uno de los autores de dicho artículo, nos
" # " # !
ln Sbt+dt − ln Sbt 1 ln Sbt+dt − ln Sbt σρ2 2 σρ 3
lı́m E = r − vbt , lı́m Var √ = vbt + 2 vb − ρ2 vbt2 ,
dt→0 dt 2 dt→0 dt σ2 t σ
(5.14)
vbt+dt − vbt vbt+dt − vbt
lı́m E = κ(θ − vbt ), lı́m Var √ = σ 2 vbt , (5.15)
dt→0 dt dt→0 dt
ρbt+dt − ρbt ρbt+dt − ρbt
lı́m E = κρ (θρ − ρbt ), lı́m Var √ = σρ2 , (5.16)
dt→0 dt dt→0 dt
" # " #
ln Sbt+dt − ln Sbt vbt+dt − vbt ln Sbt+dt − ln Sbt ρbt+dt − ρbt p
lı́m Cov √ , √ = ρbt σb
vt , lı́m Cov √ , √ = ρ2 σρ vbt .
dt→0 dt dt dt→0 dt dt
(5.17)
(5.15).
ción 96, así, obtenemos
ρbt+dt − ρbt ρt+dt ] − ρbt
E [b
E = , (5.18)
dt dt
de (5.4),
s
1 − e−2κρ dt ρ
ρbt+dt = ρbt e−κρ dt + θρ 1 − e −κρ dt
+ σρ Z ,
2κρ
así en (5.18),
ρbt (e−κρ dt − 1) + θρ 1 − e−κρ dt
ρbt+dt − ρbt
E = ,
dt dt
131
aplicando L'Hospital,
ρbt+dt − ρbt Var [b
ρt+dt ]
Var √ = ,
dt dt
1 − e−2κρ dt
Var [b
ρt+dt ] = 0 + 0 + σρ2 ,
2κρ
" # h i
ln Sbt+dt − ln Sbt Var ln Sbt+dt
Var √ = ,
dt dt
h i
2 2 2
Var ln Sbt+dt = 0 + 0 + 0 + (K2 ) Var [v̂t+dt ] + 0 + (K4 ) Var [ρ̂t+dt v̂t+dt ] + 0 + (K6 ) Var [ρ̂t+dt ]
q
1 2 3/2 3 2 4 5 3/2 6 2 ρ
+Var Kv v̂t + Kv v̂t + Kv v̂t + Kv v̂t+dt + Kv v̂t+dt + Kv v̂t+dt Z
hq i
+Var Kρ1 v̂t + Kρ2 v̂t ρ̂2t + Kρ3 v̂t+dt + Kρ4 v̂t+dt ρ̂2t+dt Z x ,
(5.20)
1 2 3/2 3/2
si hacemos M := Kv v̂t +Kv v̂t +Kv3 v̂t2 +Kv4 v̂t+dt +Kv5 v̂t+dt +Kv6 v̂t+dt
2
, como Z ρ
es independiente
ρ
de v̂, se tiene que Z es independiente de M, y de,
h√ i h i h√ i2
2
Var M Z ρ = E M (Z ρ ) − E M Zρ ,
h√ i h i h√ i 2
2
Var M Z ρ = E [M ] E (Z ρ ) − E M E [Z ρ ] = E [M ] − 0 = E [M ] ,
132
donde
h i
3/2 3/2
E [M ] = Kv1 v̂t + Kv2 v̂t + Kv3 v̂t2 + Kv4 E [v̂t+dt ] + Kv5 E v̂t+dt + Kv6 E v̂t+dt
2
.
hq i
Análogamente, Var Kρ1 v̂t + Kρ2 v̂t ρ̂2t + Kρ3 v̂t+dt + Kρ4 v̂t+dt ρ̂2t+dt Z x , es igual a
Kρ1 v̂t + Kρ2 v̂t ρ̂2t + Kρ3 E [v̂t+dt ] + Kρ4 E v̂t+dt ρ̂2t+dt ,
h i
3/2 3/2 2
→ v̂t2 E v̂t+dt ρ̂2t+dt → v̂t ρ̂2t ,
E v̂t+dt → v̂t ; E v̂t+dt y
con lo cual,
h i
2 2 2
Var ln Sbt+dt = (K2 ) Var [v̂t+dt ] + (K4 ) Var [ρ̂t+dt v̂t+dt ]
+ (K6 ) Var [ρ̂t+dt ]
3/2
+ Kv1 + Kv v̂t + Kv2 + Kv4 5
v̂t + Kv + Kv6 v̂t2
3
+ Kρ1 + Kρ3 v̂t + Kρ2 + Kρ4 v̂t ρ̂2t .
así, cuando dt → 0,
h i
Var ln Sbt+dt (K4 )
2
Var [ρ̂t+dt v̂t+dt ] 2ρ2 σρ 3/2 σρ2 2
→ + v̂t − v̂t + 2 v̂t − v̂t ρ̂2t , (5.23)
dt dt σ σ
133
de la propiedad 4 de la proposición 22:
Var [ρ̂t+dt v̂t+dt ] Var [v̂t+dt ] Var [ρ̂t+dt ] 2 Var [v̂t+dt ] 2
= Var [ρ̂t+dt ] + (E [v̂t+dt ]) + (E [ρ̂t+dt ]) ,
dt dt dt dt
reemplazando en (5.23),
h i
Var ln Sbt+dt 1 2ρ2 σρ 3/2 σρ2 2
2 2 2 2
v̂t + 2 v̂t − v̂t ρ̂2t ,
lı́m = σ v̂ + (σ v̂ )ρ̂
t t + v̂ t −
dt→0 dt σ2 ρ t σ σ
es decir,
h i !
Var ln Sbt+dt σρ2 2 σρ 3
lı́m = vbt + 2 2
vbt − ρ2 vbt2 .
dt→0 dt σ σ
1 t+dt
E [vu ] du + E[ρt+dt vt+dt ]
− ρtσvt
R
E [xt+dt ] = xt +hrdt − 2 t σ i
R t+dt κθρu +κρ µρ vu −(κv +κρ )ρu vu
−E t σ du + 0 + 0 + 0,
R t+dt
xt+dt −b
E[b xt ] E[bvu ]du
dt = r−
h
1
2
t
dt + σ1 E[bρt+dt
dt
v
bt+dt ]
− σ1 ρbdt
tv
bt
i
κθb
ρt +κρ µρ vbt −(κ+κρ )b
ρt v
bt κθE[bρt+dt ]+κρ µρ E[b
vt+dt ]−(κ+κρ )E[b
ρt+dt v
bt+dt ]
− γ1 σ + γ 2 σ ,
(5.24)
notemos que,
Z t+dt
lı́m E [b
vu ] du = 0,
dt→0 t
entonces, aplicando L'Hospital, usando el Primer Teorema Fundamental del Cálculo, tenemos
que,
R t+dt
t
E [b
vu ] du E [b
vt+dt ]
lı́m = lı́m = vbt . (5.25)
dt→0 dt dt→0 1
Por otro lado, como ρ̂ y v̂ son independientes,
ρt + κρ µρ vbt − (κ + κρ )b
κθb ρt vbt κθE [b vt+dt ] − (κ + κρ )E [b
ρt+dt ] + κρ µρ E [b ρt+dt vbt+dt ]
lı́m γ1 + γ2 ,
dt→0 σ σ
134
por hipótesis γ1 + γ2 → 1, cuando dt → 0, es igual a
ρt + κρ µρ vbt − (κ + κρ )b
κθb ρt vbt
. (5.26)
σ
xt+dt −b
E[b xt ] t+dt −b
lı́m dt = r − 21 vbt + σ1 lı́m E[bρt+dt vbdt ρt v
bt ]
dt→0 dt→0 (5.27)
κθb bt −(κ+κρ )b
ρt +κρ µρ v ρt v
bt
− σ ,
veamos que,
así,
ρt+dt vbt+dt − ρbt vbt ]
E [b ρt+dt − ρbt ]
E [b vt+dt − vbt ]
E [b
lı́m = vbt lı́m + ρbt lı́m ,
dt→0 dt dt→0 dt dt→0 dt
de las primeras relaciones en (5.15) y (5.16),
al reemplazar en (5.27),
xt+dt − x
E [b bt ] 1
lı́m = r − vbt .
dt→0 dt 2
bt+dt − x
x bt vbt+dt − vbt Cov [b
xt+dt −xbt , vbt+dt − vbt ] Cov [b
xt+dt −xbt , vbt+dt ]
Cov √ , √ = = . (5.28)
dt dt dt dt
De la expresión (5.13),
x̂t+dt − x̂t = rdt + K1 v̂t + K2 v̂t+dt + K3 ρ̂t v̂t + K4 ρ̂t+dt v̂t+dt + K5 ρ̂t + K6 ρ̂t+dt
q
3/2 3/2 2
+ Kv1 v̂t + Kv2 v̂t + Kv3 v̂t2 + Kv4 v̂t+dt + Kv5 v̂t+dt + Kv6 v̂t+dt Zρ
q
+ Kρ1 v̂t + Kρ2 v̂t ρ̂2t + Kρ3 v̂t+dt + Kρ4 v̂t+dt ρ̂2t+dt Z x ,
h√ i h√ i h√ i
Cov M Z ρ , vbt+dt = E M Z ρ vbt+dt − E M Z ρ E [b
vt+dt ]
h√ i h√ i
= E M vbt+dt E [Z ρ ] − E M E [b vt+dt ] E [Z ρ ]
= 0,
135
análogamente,
hq i
Cov Kρ1 v̂t + Kρ2 v̂t ρ̂2t + Kρ3 v̂t+dt + Kρ4 v̂t+dt ρ̂2t+dt Z x , vbt+dt = 0.
Cov [b
xt+dt −x
bt , vbt+dt ] = 0+0+K2 Var [v̂t+dt ]+0+K4 Cov [ρ̂t+dt v̂t+dt , v̂t+dt ]+0+K6 Cov [ρ̂t+dt , v̂t+dt ] ,
Cov [b
xt+dt −x
bt , vbt+dt ] = K2 Var [v̂t+dt ] + K4 Cov [ρ̂t+dt v̂t+dt , v̂t+dt ] , (5.29)
veamos que,
h i
2 2
Cov [ρ̂t+dt v̂t+dt , v̂t+dt ] = E (v̂t+dt ) ρ̂t+dt − (E [v̂t+dt ]) E [ρ̂t+dt ]
h i
2 2
= E (v̂t+dt ) E [ρ̂t+dt ] − (E [v̂t+dt ]) E [ρ̂t+dt ]
= Var [v̂t+dt ] E [ρ̂t+dt ] .
x bt vbt+dt − vbt
bt+dt − x Var [v̂t+dt ]
lı́m Cov √ , √ = lı́m · lı́m (K2 + K4 · E [ρ̂t+dt ]) ,
dt→0 dt dt dt→0 dt dt→0
bt+dt − x
x bt vbt+dt − vbt 2
1
lı́m Cov √ , √ = σ vbt 0 + · ρbt = σb
vt ρbt .
dt→0 dt dt σ
A continuación, presentamos el esquema HBM (para el Heston extendido), que viene a ser el
análogo al esquema QEM (para el Heston puro). El esquema HBM básicamente "fuerza" a que
el proceso discretizado de precios actualizados resultante del esquema HB, sea una martingala.
sin embargo, el proceso de precios (actualizados) en (5.13) no es una martingala. Para tratar esto,
136
un camino es reducir el tamaño dt; y el otro es, emplear la corrección de martingala visto en
h i h h i i
E Sbt+dt · exp(−r · dt)Sbt , ρ̂t+dt = E E Sbt+dt · exp(−r · dt)Sbt , v̂t+dt , ρ̂t+dt Sbt , ρ̂t+dt ,
(5.30)
h i
E Sbt+dt · exp(−r · dt)Sbt , v̂t+dt , ρ̂t+dt = Sbt exp (K1 v̂t + K3 ρ̂t v̂t + K5 ρ̂t ) · exp (K2 v̂t+dt + K4 ρ̂t+dt v̂t+dt + K6 ρ̂t+dt )
1 3/2 3/2
Kv v̂t +Kv2 v̂t +Kv3 v̂t2 +Kv4 v̂t+dt +Kv5 v̂t+dt +Kv6 v̂t+dt
2
exp 2
1
Kρ v̂t +Kρ2 v̂t ρ̂2t +Kρ3 v̂t+dt +Kρ4 v̂t+dt ρ̂2t+dt
exp 2 ,
al reemplazar en (5.30),
Kv1 v̂t Kρ1 v̂t K 2 v̂
3/2
K 3 v̂ 2
h i
E Sbt+dt · exp(−r · dt)Sbt , ρ̂t+dt = Sbt exp K1 v̂t + 2 + 2+ v 2t + v2 t + K5 ρ̂t + K6 ρ̂t+dt
K 2 v̂t ρ̂2 K 4 v̂
h
+K3 ρ̂t v̂t + ρ 2 t · E exp K2 v̂t+dt + K4 ρ̂t+dt v̂t+dt + v 2t+dt
5 3/2 #
Kρ3 v̂t+dt +Kρ4 v̂t+dt ρ̂2t+dt Kv v̂t+dt +Kv6 v̂t+dt
2
+ · exp St , ρ̂t+dt ,
b
2 2
(5.31)
como se menciona en [40, Teng, pág 9], debido a que ambos exponentes de v̂t+dt son mayores a
1, la parte subrayada puede ser ignorada para obtener una corrección de martingala aproximada.
Por lo que (5.31) se puede escribir como
h i h i
E Sbt+dt · exp(−r · dt)Sbt , ρ̂t+dt ≈ Sbt exp(N ) · E exp(Av̂t+dt )Sbt , ρ̂t+dt (5.32)
| {z }
:=M
donde
137
también. Para forzar la martingala, es necesario que,
exp(K0 + N )M = 1,
Sbt+dt = (rdt + K0 + K1 v̂t + K3 ρ̂t v̂t + K5 ρ̂t ) · exp (K2 v̂t+dt + K4 ρ̂t+dt v̂t+dt
Sbt exp + K6 ρ̂t+dt )
q
3/2 3/2
× exp Kv1 v̂t + Kv2 v̂t + Kv3 v̂t2 + Kv4 v̂t+dt + Kv5 v̂t+dt + Kv6 v̂t+dt
2 Zρ
q
× exp Kρ1 v̂t + Kρ2 v̂t ρ̂2t + Kρ3 v̂t+dt + Kρ4 v̂t+dt ρ̂2t+dt Z x .
(5.34)
Como se observa en (5.34) el desafío de usar el esquema HBM es calcular K0 , que en realidad
es una variable aleatoria condicionada a Sbt y ρ̂t+dt . Debido a que vt y ρt son independientes,
podemos adoptar directamente el enfoque visto al nal de la subsección 4.4.7 para calcular K0
− Ab2 a 1
1−2Aa +2 ln(1− 2Aa) − N, ψ ≤ ψc ,
K0 =
β(1−p)
− ln p + − N, ψ > ψc ,
β−A
donde a, b, ψ, p, β son denidos por las relaciones (4.30), (4.29), (4.26), (4.31), (4.32) y N y A
son denidos en (5.33).
138
Capítulo 6
Resultados Numéricos
En este capítulo, realizamos la implementación y comparación de los esquemas vistos en éste
trabajo de tesis. Cabe resaltar que los experimentos computacionales fueron desarrollados en el
C = E Q (ST − K)+ .
(6.1)
Usando un esquema de discretización, aproximamos ST por medio de SbT . Así podemos aproxi-
b − C.
:= C (6.3)
Para calcular C, usaremos la expresión (3.23) junto con integración numérica de (3.24). Para
estimar C,
b usaremos estimación Monte Carlo. Es decir, para un esquema de discretización para
S,
b realizamos N simulaciones independientes, SbT,1 , SbT,2 , . . . , SbT,N , usando una partición regular
N
bN := 1
X
C
b≈C (SbT,i − K)+ . (6.4)
N i=1 | {z }
:=C
bN,i
139
Notemos que el estimador C
bN , es una variable aleatoria con
N
1 +
P
E[C
bN ] = E
N (ST,i − K)
b
i=1
N h i
1
E (SbT,i − K)+ .
P
= N
i=1 | {z }
=C
b
= C,
b
y desviación estándar (error Monte Carlo) de orden N −1/2 (ver observación 54). Así, al usar
depende de la discretización del tiempo que se elija, es decir de dt. Por lo tanto, en (6.3), se tiene
que (dt), por lo que veremos el comportamiento de (en función de dt) para cada uno de los
esquemas vistos en esta tesis. Para todos los experimentos numéricos, consideramos S0 = 100,
r=0 y tres valores para el Strike K = [70, 100, 140].
correlación estocástica, debería ser el mismo que el precio de Heston original con la correlación
σ 1 0.9 1 0.2
Vemos que los parámetros de los casos I, II, III no cumplen la condición de Feller, mientras
que los parámetros del caso IV, si están bajo la condición de Feller. Con el n que el precio que
se calcule con el modelo Heston extendido coincida con el precio de Heston original, como se
140
mencionó anteriormente, se elige κρ = 2, σρ = 10−3 y µρ = ρ0 = ρ. También ρ2 = 0, γ1 = γ2 =0.5
6
en (5.11) y usamos N = 5 × 10 , para el método Monte Carlo (ecuación (6.4)) e informamos las
estimativas para
N := C − C
bN ,
los errores para diferentes pasos de tiempo y para los 4 casos en los Cuadros 6.2-6.5 variando el
valor del tamaño del paso del tiempo, dt, desde 1 año hasta 1/32 año.
Para la elaboración de los cuadros 6.2-6.5, se implementó en el lenguaje Python 3.5 los
programas en la supercomputadora Manatí. Para hallar cada celda de dichos cuadros, se utilizó
45 núcleos del Manatí, en la que en cada núcleo se encomendó la tarea de simular 2 precios
(independientes) C
bN , con N = 5 × 106 , con ello hallamos 90 errores (), que nalmente los
promediamos y hallamos la desviación estándar muestral (de los 90 errores) que los colocamos
entre paréntesis en dicha celda. Con ello, por ejemplo, para el caso I , con K = 70, dt = 1, usando
el esquema HB, diremos que la muestra de los 90 errores tiene aproximadamente una media de
-0.287 y una desviación estándar de 0.022. Para una mejor visualización del comportamiento
de en los diferentes esquemas, podemos observar las guras 6.1 y 6.2, donde se ilustran los
resultados mostrados en los cuadros 6.2-6.5. Es importante mencionar que el tiempo de ejecución
de los esquemas Euler y Milstein fueron sustancialmente mayor en comparación con los demás
esquemas.
esquema HBM, quien a su vez es superior al esquema EM. También es fácil notar que para los
los esquemas restantes. Para este caso se sugeriría utilizar los esquemas HB o QE. Notemos
discretización para este caso, por lo que no valdría la pena complicar la implementación al usar
este esquema.
En el caso II,
Para las opciones ITM, notamos que el error del esquema HB es ligeramente menor que el
esquema QE, que a su vez es ligeramente menor que el del esquema HBM. Es importante
notar también que el error del esquema EM es sustancialmente más alto al del esquema
HBM.
Para las opciones ATM, aunque para dt = 1, el esquema EM muestra error más bajo,
HBM, cuyos errores se disipan a una velocidad mayor. El esquema HB, muestra el error
más bajo.
Para las opciones OTM, para dt grandes notamos que el error del esquema HBM es
ligeramente menor que el esquema QE, que a su vez es ligeramente menor que el del
141
esquema HB, además, el error del esquema EM es sustancialmente más alto al del esquema
HB. Para dt pequeños observamos que el error del esquema HB es ligeramente menor que
el esquema QE, que a su vez es ligeramente menor que el del esquema HBM, además, el
En el caso III,
Para las opciones ITM, notamos que el comportamiento del error del esquema HB es muy
similar al del esquema QE, que a su vez es ligeramente menor que el del esquema HBM.
Es importante notar también que, para dt pequeños, el error del esquema HBM es más
bajo que los otros esquemas. El error del esquema EM es sustancialmente más alto al de
los demás.
Para las opciones ATM, notamos que el error del esquema EM es sustancialmente más
bajo que el del esquema QE, que a su vez es ligeramente menor que el del esquema HB.
Es importante notar también que el error del esquema HBM es ligeramente más alto que
Para las opciones OTM, observamos que el error del esquema EM es sustancialmente más
bajo que el del esquema HBM, que a su vez es ligeramente más bajo que el del esquema
HB. También notamos que el error del esquema QE es ligeramente más alto que el del
esquema HB.
En el caso IV, observamos que los errores de los esquemas se disipan rápidamente. Notemos que
los esquemas Euler y Milstein, sólo muestran un buen comportamiento para este caso.
lizar por defecto, el esquema HB o QE. Además si comparamos los esquemas HB, HBM y EM
corroboramos que para discretizar el modelo de Heston extendido al incorporar correlación esto-
cástica, se debe sugerir el esquema HB o HBM, esto también si tomamos en cuenta el tiempo de
ejecución.
142
Cuadro 6.2: Comparación Numérica de los errores en el caso I, usando los diferentes esquemas; los números en paréntesis son las
desviaciones estándar.
K = 70
1 -10.237(0.059) -14.533(0.184) -0.289(0.024) -1.147(0.024) 0.961(0.05) -0.287(0.022) 0.363(0.022)
K = 100
1 -17.078(0.056) -23.671(0.161) -0.077(0.012) -0.834(0.013) -1.355(0.04) -0.08(0.012) 0.627(0.013)
143
1/2 -17.06(0.047) -22.821(0.098) 0.078(0.011) -1.737(0.012) -0.882(0.025) 0.081(0.014) 0.28(0.013)
K = 140
1 -15.531(0.046) -25.648(0.173) 0.14(0.002) 0.095(0.002) -4.721(0.034) 0.139(0.002) 0.139(0.002)
K = 70
1 -15.691(0.184) -22.463(0.38) 0.165(0.053) -0.91(0.055) 0.644(0.086) 0.163(0.041) 0.235(0.051)
K = 100
1 -23.624(0.149) -32.885(0.325) 1.027(0.041) 0.132(0.044) -0.775(0.071) 1.028(0.051) 1.085(0.057)
144
1/2 -23.246(0.147) -31.502(0.219) 0.438(0.044) -0.684(0.051) -0.551(0.069) 0.434(0.052) 0.449(0.047)
K = 140
1 -23.486(0.124) -35.062(0.363) 0.671(0.038) 0.477(0.038) -2.632(0.08) 0.67(0.042) 0.64(0.041)
K = 70
1 -3.517(0.09) -3.207(0.103) 1.336(0.05) 1.085(0.055) 1.686(0.054) 1.329(0.057) 1.471(0.05)
K = 100
1 -5.926(0.07) -5.096(0.109) 2.695(0.046) 2.487(0.048) 1.719(0.049) 2.7(0.045) 2.786(0.047)
145
1/2 -6.998(0.083) -5.786(0.088) 1.303(0.046) 0.817(0.048) 0.771(0.054) 1.288(0.056) 1.325(0.048)
K = 140
1 -6.227(0.053) -6.334(0.163) 2.513(0.037) 2.407(0.041) 0.795(0.051) 2.511(0.041) 2.47(0.039)
K = 70
1 -0.803(0.061) -0.947(0.068) -2.889(0.061) 1.044(0.062) 0.83(0.056) -2.873(0.055) 0.798(0.058)
K = 100
1 -1.451(0.06) -1.593(0.057) -2.451(0.055) 1.433(0.042) 1.277(0.049) -2.437(0.048) 1.182(0.045)
146
1/2 0.193(0.051) 0.35(0.043) -0.481(0.05) 0.465(0.045) 0.614(0.043) -0.498(0.058) 0.702(0.053)
K = 140
1 -1.866(0.046) -1.995(0.051) -1.712(0.04) 1.457(0.042) 1.348(0.036) -1.711(0.036) 1.254(0.038)
147
Figura 6.2: Comportamiento de en función al número de pasos de tiempo (T /dt)
148
6.2. El efecto de incorporar correlación estocástica sobre la
Volatilidad Implícita
En esta sección, analizamos el efecto de incorporar la correlación estocástica en las volatili-
dades implícitas. Para hacer esto, mostramos cómo los valores de los parámetros del proceso de
Mostramos en la gura 6.3 los cambios de las volatilidades implícitas al variar cada pará-
metro del proceso de correlación estocástica. Para este experimento, se utilizó el esquema de
HB. Consideramos una opción call con S0 = 120, T =0.5 años y los Strikes desde 114 a 126 en
Monte Carlo.
En la gura 6.3, podemos notar que los parámetros del proceso de correlación pueden controlar
constante, incluir la correlación estocástica proporciona más exibilidad y, por lo tanto, puede
C −C
bN = C −C + b−C
C
| {z N}
b b
| {z }
error de discretización error Monte Carlo
Primero, hay un error debido a la discretización temporal del proceso estocástico, pues como
se explica en [18, Glasserman, pág 13], la distribución conjunta de los valores del precio de las
será exactamente la que implica la dinámica del modelo de Heston. Esto es cuanticado con la
expresión (6.3).
En segundo lugar, todas las estimaciones Monte Carlo están asociadas con un error estándar
(ver sección 2.4). Un estimador basado en una muestra nita puede diferir adicionalmente del
2
s2Cb
Var(C
bN ) = σC
b = ,
N N
149
Figura 6.3: Comparación de volatilidades implícitas al variar cada parámetro del proceso de correlación estocástica.
150
donde,
N
1 X b
s2Cb = bN )2 .
(CN,i − C
N − 1 i=1
mero de caminos simulados (para minimizar la varianza), que requiere más tiempo de ejecución,
al igual que disminuir el tamaño del paso de tiempo (para minimizar ). En cada esquema de
pendientes; cada simulación está sesgada, pero el sesgo se puede hacer arbitrariamente pequeño
a costa de aumentar el costo computacional por camino simulado. Dado un costo computacional
jo, nos enfrentamos a una compensación en la asignación de tal costo. Gastar más esfuerzo
por simulación reduce (disminuir dt), pero ello conlleva a disminuir el número de simulacio-
nes N, por lo tanto, tiende a aumentar la varianza del estimador. Necesitamos una medida del
h i
bN − C)2
bN ) = E (C
M SE(C
h i
bN − E[C
= E (C bN ] + E[CbN ] − C)2
h i
= E (C bN ])2 + (E[C
bN − E[C bN ] − C)2 + 2(C
bN − E[C bN ] − C)
bN ])(E[C
C
b
h z }| { i
= E (C bN ])2 + (E[C
bN − E[C bN ] −C)2 +2(E[C
bN ] − C) E[C
bN − E[C
bN ]]
| {z } | {z
2
} | {z }
≈N =0
≈σ 2b
CN
bN ) ≈ 2N + σ 2 .
⇒ M SE(C Cb N
Si bien el cálculo exacto del error cuadrático medio generalmente no es práctico, a menudo
es posible comparar estimadores a través de su MSE asintótico. Por ello, para las pruebas de
precisión, inspirándonos en [36], denimos la raíz del error cuadrático medio, como
q
RM S = 2N + σC
2 .
N
b
Como trabajo futuro queda comparar la precisión de los esquemas, tomando los mismos pará-
metros usados en el cuadro 6.1. El RMS sirve como una buena medida de la precisión de los
151
Capítulo 7
una extensión que le permite incorporar correlación estocástica (que sigue un proceso Ornstein-
se demuestra que los esquemas numéricos dados en el capítulo 5 pueden funcionar tan bien
para el modelo de Heston extendido (al incluir correlaciones estocásticas) como el esquema QE
presentado en el capítulo 4 funciona para el modelo clásico de Heston. Además, se puede dar
cuenta del benecio de incorporar correlación estocástica, al investigar el efecto de las correlación
estocástica sobre la volatilidad implícita. Debido al mayor número de parámetros del modelo a
través del proceso de correlación, el Heston extendido incorporando correlación estocástica puede
Para investigaciones futuras, está el considerar otro proceso de correlación diferente al OU, por
ejemplo, el proceso acotado de Jacobi ([27, Ma, Jun], [43, Emmerich]) o el tipo de proceso de corre-
Si bien es cierto, en este trabajo se comparó y estudió los esquemas de discretización en base
Así mismo, resultaría conveniente estudiar maneras de acelerar los procesos iterativos.
152
Apéndice A
de Riemann. Primero, denimos la integral para una clase de procesos constantes por tramos
2
(Mpaso ), llamados procesos de paso aleatorio. De ahí se extiende dicha denición (mediante
2
aproximación) para una clase más grande de procesos (M ). Al espacio vectorial M2 la dotamos
s Z
∞
||f (t)||M2 = E |f (t)|2 dt,
0
obteniendo así un espacio vectorial normado, teniendo a M2paso como un subespacio vectorial
normado.
aleatorias que convergen en L2 (Espacio de variables aleatorias cuadrado integrables con norma
p
denida por ||η||L2 = E[η 2 ]). La otra diferencia es que las sumas aproximantes de la integral
de una función f : [0, T ] → R que son de la forma
n−1
X
f (sj )(tj+1 − tj ),
j=0
donde 0 = t0 < t1 < · · · < tn = T y sj es cualquier punto de [tj , tj+1 ] para cada j. Es decir
valor de la integral de Riemann no depende de la elección de los puntos sj ∈ [tj , tj+1 ]. En la
n−1
X
f (sj ) (W (tj+1 ) − W (tj )) ,
j=0
153
pero el valor del límite de tales sumas aproximantes si dependen de la elección del punto
sj ∈ [tj , tj+1 ]. Pues bien lo que se hace es exigir que las aproximaciones de los integrandos
tomar sj = tj para cada j. En sentido intuitivo, esto nos dice que el valor de la aproximación en
t sólo puede depender de lo que ha sucedido hasta el tiempo t, y no de algún evento futuro.
Denición 98. (Proceso de Paso Aleatorio) f (t), t ≥ 0 es un proceso de paso aleatorio si existen
una sucesión nita de números 0 = t0 < t1 < · · · < tn y variables aleatorias cuadrado integrables
el proceso f (t) es adaptado a la ltración Ft . Mientras que la condición de que las ηj sean
cuadrado integrables asegura que f (t) sea cuadrado integrable para cada t. No es difícil de ver
2
pero si importante tener en cuenta que Mpaso es un espacio vectorial.
Proposición 102. Para cualquier proceso de paso aleatorio f ∈ M2paso la integral estocástica
2
I(f ) es una variable cuadrado integrable, es decir I(f ) ∈ L , tal que
es decir, Z ∞
E |I(f )|2 = E 2
|f (t)| dt .
0
La integral estocástica I(f ) ha sido denida para cualquier f ∈ M2paso . La siguiente etapa es
extender I, vía aproximación, a una clase más grande de procesos que deniremos a continuación
Denición 103. Denotaremos por M2 a la clase de procesos estocásticos f (t), t ≥ 0 tal que
Z ∞
||f (t)||2M2 = E |f (t)|2 dt < ∞
0
154
y existe una sucesión f1 , f2 , . . . ∈ M2paso de procesos de paso aleatorio tal que
Z ∞
lı́m ||f (t) − fn (t)||2M2 = lı́m E |f (t) − fn (t)|2 dt = 0. (A.3)
n→∞ n→∞ 0
M2 .
Z ∞
f (t)dW (t)
0
en vez de I(f ).
Proposición 105. Para cualquier f ∈ M2 la integral estocástica I(f ) es una variable cuadrado
2
integrable, es decir I(f ) ∈ L existe, es única (como un elemento de L2 , es decir, dentro de la
es decir, Z ∞
E |I(f )|2 = E 2
|f (t)| dt . (A.4)
0
Notemos que ha sido denido la integral de Itô desde 0 a ∞, ahora se denirá la integral
Denición 107. Para cualquier T > 0 se denotará por M2T el espacio de todos los procesos
1[0,T ] f ∈ M2 .
IT (f ) = I(1[0,T ] f ). (A.5)
pero escribiremos
Z T
f (t)dW (t)
0
en lugar de IT (f ).
155
Proposición 108. Cada proceso de paso aleatorio f ∈ M2paso pertenece a M2t para cualquier
t>0 y
Z t
It (f ) = f (s)dW (s)
0
es una martingala,
Demostración. Sea f ∈ M2paso , entonces es fácil ver que 1[0,t] f ∈ M2paso ⊂ M2 para cualquier
0 = t0 < t1 < · · · < tk = s < tk+1 < · · · < tm = t < tm+1 < · · · < tn .
Entonces
m−1
X
1[0,t] f = ηj 1[tj ,tj+1 ]
j=0
y
m−1
X
It (f ) = I(1[0,t] f ) = ηj (W (tj+1 ) − W (tj )) ,
j=0
h i h i m−1
X h i
E It (f )Fs = E I(1[0,t] f )Fs = E ηj (W (tj+1 ) − W (tj ))Fs .
j=0
h i
E ηj (W (tj+1 ) − W (tj ))Fs = ηj (W (tj+1 ) − W (tj )) .
h i h h i i
E ηj (W (tj+1 ) − W (tj ))Fs = E E ηj (W (tj+1 ) − W (tj ))Ftj Fs
h h i i
= E ηj E (W (tj+1 ) − W (tj ))Ftj Fs
Ahora teniendo en cuenta la denición 36, W (tj+1 ) − W (tj ) es independiente de Ftj y por la
156
propiedad 3 y 1 de la proposición 19
h h i i h i
E ηj E (W (tj+1 ) − W (tj ))Ftj Fs = E ηj E [W (tj+1 ) − W (tj )]Fs
h i
= E ηj Fs E [(W (tj+1 ) − W (tj ))]
= 0,
h i k−1
X
E It (f )Fs = ηj (W (tj+1 ) − W (tj )) = I(1[0,s] f ) = Is (f ).
j=0
157
Apéndice B
2
µ+ σ2 σ2
E[X] = e equivalentemente ln (E[X]) = µ + 2
y
2
h 2 i
Var[X] = e(2µ+σ ) eσ − 1 .
Además
1 1 ln(x)−µ 2
fX (x) = √ e− 2 ( σ )
2πσx
Demostración. La función de densidad de probabilidad para Y es
1 1 y−µ 2
fY (y) = √ e− 2 ( σ )
2πσ
Y ≤y ⇔ ln(X) ≤ ln(x)
⇔ X≤x
con lo cual Z x Z y
P (X ≤ x) = fX (m)dm = fY (m)dm (B.1)
0 0
derivando la expresión (B.1) con respecto a x, y aplicando el teorema fundamental del cálculo,
158
tenemos
dy
fX (x) = fY (y)
dx
por lo que
1 1 ln(x)−µ 2
fX (x) = √ e− 2 ( σ )
2πσx
Ahora Z ∞
E[X 2 ] = x2 fX (x)dx
0
Y y y
como X=e , se tiene x=e , además e dy = dx, entonces
Z ∞
1 1 y−µ 2
E[X n ] = eny √ e− 2 ( σ ) ey dy
−∞ 2πσey
Z ∞
1 1 y−µ 2
= eny √ e− 2 ( σ ) dy
−∞ 2πσ
Z ∞ y 2 −2(µ+σ 2 n)y+µ2
1 − 2σ 2
= √ e dy
−∞ 2πσ
2
Z ∞ y−(µ+σ 2 n)
2 σ2
1 − 21
nµ+ n σ
=e 2
√ e dy (B.2)
−∞ 2πσ
donde la integral de la expresión (B.2) es 1, pues corresponde a la probabilidad total acumulada
2
de una distribución Normal de media µ+σ n y varianza σ2 . Con lo que
2 2
nµ+ n 2σ
E[X n ] = e
Ahora
2
µ+ σ2 2
E[X] = e y E[X 2 ] = e(2µ+2σ )
2
h 2 i
= E[X 2 ] − (E[X]) = e(2µ+σ ) eσ − 1
2
Var[X]
donde
E[X] w2
ln K + 2
d1 =
w
159
E[X] w2
ln K − 2
d2 =
w
Demostración. Se tiene
Z K Z ∞ Z ∞
E [máx(X − K, 0)] = 0 · fX (x)dx + (x − K) · fX (x)dx = (x − K)fX (x)dx (B.3)
−∞ K K
donde
1 m2
fM (m) = √ e− 2 (B.5)
2π
Como la función ln es creciente se tiene
ln(X)−E[ln(X)] ln(x)−E[ln(X)]
⇔ w ≤ w
⇔ M ≤m
con lo cual Z x Z m
P (X ≤ x) = fX (s)ds = fM (s)ds (B.6)
0 0
derivando la expresión (B.6) con respecto a x, y aplicando el teorema fundamental del cálculo,
tenemos
dm
fX (x) = fM (m)
dx
por lo que al reemplazar en (B.3), se tiene
Z ∞ Z ∞
E[máx(X − K, 0)] = (x − K)fX (x)dx = (eM w+E[ln(X)] − K)fM (m)dm
ln(K)−E[ln(X)]
K w
Z ∞ Z ∞
E[máx(X − K, 0)] = eM w+E[ln(X)] fM (m)dm − K fM (m)dm (B.7)
ln(K)−E[ln(X)] ln(K)−E[ln(X)]
w w
160
1 −(m−w)2 +2E[ln(X)]+w2
eM w+E[ln(X)] fM (m) = √ e 2
2π
2E[ln(X)]+w2 1 −(m−w)2
eM w+E[ln(X)] fM (m) = e 2 √ e 2
2π
2E[ln(X)]+w2
eM w+E[ln(X)] fM (m) = e 2 fM (m − w)
Z ∞ Z ∞
2E[ln(X)]+w2
E[máx(X −K, 0)] = e 2 fM (m−w)dm−K fM (m)dm (B.8)
ln(K)−E[ln(X)] ln(K)−E[ln(X)]
w w
ln(K)−E[ln(X)]
Z ∞ Z ∞ Z w
fM (m − w)dm = fM (m − w)dm − fM (m − w)dm
ln(K)−E[ln(X)]
w −∞ −∞
∞
ln(K) − E[ln (X)] ln(K) − E[ln (X)]
Z
fM (m − w)dm = 1−N −w =N − −w
ln(K)−E[ln(X)]
w
w w
2
!
ln (E[X]) − w2 − ln(K)
ln(K) − E[ln (X)]
N − −w =N +w
w w
w2
E[X]
Z ∞ ln K + 2
fM (m − w)dm = N = N (d1 ) (B.9)
ln(K)−E[ln(X)]
w
w
Análogamente
w2
E[X]
Z ∞
ln(K) − E[ln (X)]
ln K − 2
fM (m)dm = 1 − N =N = N (d2 ).
ln(K)−E[ln(X)]
w
w w
(B.10)
161
A continuación presentamos la deducción de la EDP de Black-Scholes, está deducción se hace
para un derivado nanciero en general, ya que un derivado nanciero particular depende de las
Es habitual decir que la parte compradora del contrato toma una posición larga y la vendedora
toma una posición corta. Se considera el precio de un derivado en un tiempo general t (no en
de vida de la Opción) es T − t. Suponemos que el proceso del precio de la acción sigue la EDE
(2.42), es decir,
tiene que,
1 ∂2f 2 2
∂f ∂f ∂f
dft = µSt + + σ St dt + σSt dWt . (B.13)
∂S ∂t 2 ∂S 2 ∂S
Las versiones discretas de las ecuaciones (B.12) y (B.13) son
y
1 ∂2f 2 2
∂f ∂f ∂f
∆ft = µSt + + 2
σ St ∆t + σSt ∆Wt (B.15)
∂S ∂t 2 ∂S ∂S
donde ∆ft y ∆St son los cambios en f y S en un intervalo de tiempo ∆t. Notemos que ∆Wt de
la ecuación (B.14) es el mismo que de la ecuación (B.15). De ello se deduce que un portafolio
consistente de acciones y del derivado se puede construir de manera que se elimine el riesgo (el
w1 : derivado
w2 : acciones
Πt = w1 ft + w2 St ,
luego, el cambio ∆Πt en el valor del portafolio, en el intervalo de tiempo ∆t, viene dado por
162
2
∂f ∂f 1∂ f 2 2 ∂f
∆Πt = w1 ∂S µSt + ∂t + 2 ∂S 2 σ St ∆t + w1 ∂S σSt ∆Wt + w2 µSt ∆t + σSt ∆Wt
∂f ∂2f 2 2
= w1 ∂S µSt + w1 ∂f
∂t + 1
2 w1 ∂S 2 σ St + w2 µSt ∆t + w 1
∂f
∂S σSt + w 2 σSt ∆Wt .
∂f ∂f
w1 ∂S σS + w2 σS = 0 Equivalentemente w1 ∂S + w2 = 0.
∂f
Hay innitas formas de elegirlos, por ejemplo, w1 = −1 y w2 = ∂S , con lo cual tenemos el
portafolio
−1 : derivado
∂f
+ ∂S : acciones,
es decir, el titular de este portafolio asume una posición corta con un derivado y una posición
∂f
larga con una cantidad
∂S de acciones. Entonces, el valor del portafolio es
∂f
Πt = −ft + St . (B.17)
∂S
El cambio ∆Πt en el valor del portafolio, en el intervalo de tiempo ∆t, está dado por
∂f
∆Πt = −∆ft + ∆St , (B.18)
∂S
1 ∂2f 2 2
∂f
∆Πt = − − σ St ∆t. (B.19)
∂t 2 ∂S 2
Debido a que esta ecuación no involucra a ∆Wt , el portafolio está libre de riesgo durante el
tiempo ∆t. Los supuestos enumerados al inicio de la subsección 2.6.1 implican que el portafolio
debe obtener, instantáneamente, la misma tasa de retorno que otros valores libres de riesgo a
corto plazo. Si ganara más que este retorno, los arbitrajistas podrían obtener una ganancia sin
riesgo prestando dinero para comprar el portafolio (con el retorno al pagar la deuda les quedaría
una ganancia); si ganara menos, podrían obtener un benecio sin riesgo tomando una posición
corta con el portafolio y comprando valores libres de riesgo. Así, tenemos que
donde r es la tasa libre de riesgo. Sustituyendo las ecuaciones (B.17) y (B.19) en la expresión
163
(B.20), obtenemos
1 ∂2f 2 2
∂f ∂f
+ σ St ∆t = r ft − St ∆t,
∂t 2 ∂S 2 ∂S
y así
∂f ∂f 1 ∂2f
+ rSt + σ 2 St2 2 = rft . (B.21)
∂t ∂S 2 ∂S
La ecuación (B.21) es la ecuación diferencial de Black-Scholes-Merton. Tiene muchas soluciones,
que corresponden a todos los diferentes derivados que pueden denirse siendo St la variable
subyacente. El derivado particular que se obtiene cuando se resuelve la ecuación depende de las
condiciones de frontera que se utilizan. Estos especican los valores del derivado en los límites
clave es
f = máx (S − K, 0) cuando t = T.
Un punto que debe enfatizarse sobre el portafolio utilizado en la derivación de la ecuación (B.21)
es que no está permanentemente libre de riesgo. Está sin riesgo solo por un periodo innitamente
corto de tiempo. Como St y t cambian, ∂f /∂S también cambia. Para mantener el portafolio sin
riesgo, por lo tanto, es necesario cambiar con frecuencia las proporciones relativas del derivado
Opción Call europea (2.44), para ello hacemos uso de un procedimiento que se apoya en el teorema
de Girsanov, mediante el cual el precio de una opción sobre una acción, expresado en términos
equivalente (de riesgo neutro) Q, denida sobre el espacio muestral original Ω. Luego, bajo
esta nueva medida de probabilidad, se calcula el precio de la opción como el valor esperado,
denida sobre el espacio original, lo que permite transformar un movimiento Browniano Geomé-
trico con tendencia igual al retorno medio esperado del activo (µ) en un movimiento Browniano
Geométrico, de riesgo neutro, con tendencia igual a la tasa de interés libre de riesgo (r ).
Sea {Wt }t≥0 un movimiento Browniano denido sobre un espacio de probabilidad ltrado (Ω, F, {Ft }t≥0 , P) .
Se supone que el precio del activo subyacente, una acción, sigue un movimiento geométrico Brow-
164
niano :
µ−r
u(t, w) = ,
σ
Además
n R o
t µ−r 2
µ−r
1
Rt
Mt = exp − 0 σ dWs − 2 0 σ ds
n o
µ−r 1 µ−r 2
= exp − σ Wt − 2 σ t
y como
"
( Z 2 )# " ( 2 )# ( 2 )
1 T µ−r 1 µ−r 1 µ−r
E exp ds = E exp T = exp T < ∞,
2 0 σ 2 σ 2 σ
se satisface la condición de Novikov, con lo que aseguramos que {Mt } es una martingala. Si
hacemos
Z t
µ−r µ−r
W
c (t) := ds + W (t) = t + W (t)
0 σ σ
(B.22), se escribe
Así el término de tendencia (drift) del proceso representado en (B.24) se ha modicado sin
que se altere la varianza. Esto, intuitivamente, quiere decir que si dos agentes tienen diferentes
expectativas sobre el retorno promedio del activo subyacente, ellos están dispuestos a omitirlas
en sus decisiones de inversión siempre y cuando la volatilidad del activo subyacente se mantenga
constante.
165
B.1.2. Cambio de numeraire
Considere un depósito bancario de Bt unidades monetarias, al tiempo t, que paga una tasa
de interés constante y libre de riesgo r. El retorno del depósito durante el instante dt está
la ecuación (B.25) es
Bt = ert . (B.26)
La expresión (B.26) es llamada la cuenta del mercado de dinero. Se dene ahora el proceso Set
St
Set = = Bt−1 St = e−rt St , (B.27)
Bt
donde St es el proceso de precios de la acción, es decir, satisface (B.22). La relación (B.27) expresa
simplemente un cambio en la forma de medir una variable con respecto de una cantidad positiva
µ−r
= e−rt St σ
σ St dt + dWt
= σ Set dW
ct
Así
dSet
= σdW
ct . (B.28)
Set
La ecuación (B.28) puede ser escrita en forma equivalente como:
Z t
Set = S
f0 + σ Sem dW
cm .
0
166
B.1.3. La fórmula de Black-Scholes-Metron (contexto del teorema de
Girsanov)
Aquí obtenemos la fórmula de valuación teórica del precio de una opción en un mundo de
riesgo neutro. Sea ct = c(St , t) el precio de una Opción Call europea y sea
c(St , t)
c̃t = c̃(St , t) = , (B.29)
Bt
∂c 1 ∂ 2 c 2 2
∂c ∂c
dct = µSt + + σ St dt + σSt dWt (B.31)
∂S ∂t 2 ∂S 2 ∂S
h i
1 ∂2c 2 2
dc̃t = e−rt ∂c
∂S µSt + ∂c
∂t + 2 ∂S 2 σ St dt + ∂c
∂S σSt dWt − re−rt ct dt
h i
1 ∂2c 2 2
= e−rt ∂c
∂S µSt + ∂c
∂t + 2 ∂S 2 σ St − rct dt + ∂c
∂S σSt dWt
h i
1 ∂2c 2 2 µ−r
= e−rt ∂c ∂c ∂c
∂S µSt + ∂t + 2 ∂S 2 σ St − rct dt + ∂S σSt
ct −
dW σ dt
h i
1 ∂2c 2 2
= e−rt ∂c
∂S rSt + ∂c
∂t + 2 ∂S 2 σ St − rct dt + ∂c
∂S σSt dWt
c .
Con lo que
∂c 1 ∂ 2 c 2 2
−rt ∂c ∂c e c
dc̃t = e rSt + + σ St − rct dt + σ St dWt , (B.32)
∂S ∂t 2 ∂S 2 ∂S
∂c ∂c 1 ∂2c 2 2
+ rSt + σ St − rc = 0
∂t ∂S 2 ∂S 2
167
Así, se tiene que,
∂c e c
dc̃t = σ St dWt ,
∂S
y con ello c̃t es una martingala en (Ω, F, {Ft }t≥0 , Q) , por lo tanto, si 0 ≤ s ≤ t ≤ T,
Por lo tanto, el precio de la opción Call en el tiempo t, se puede obtener de (B.33) del modo
siguiente
c̃t = E Q [c̃T |Ft ] ⇒ ct = e−r(T −t) E Q [cT |Ft ] = e−r(T −t) E Q [máx (ST − K, 0) |Ft ] .
Ahora como St sigue también un movimiento Geométrico Browniano con respecto a Q, es decir,
σ2
ln ST ∼ N ln St + r − (T − t), σ 2 (T − t)
2
!2
ln(s) − ln(St ) + (r − 21 σ 2 )(T − t)
1 1
fST |St (s|St ) = p exp − √ ,
2π(T − t)σs 2 σ T −t
entonces Z ∞
ct = e−r(T −t) (ST − K) dQ
K
h i
Set = E Q SeT ⇒ St = e−r(T −t) E Q [ST ] ,
168
B.2. Cálculo de los procesos bajo la medida de riesgo neutro
√
Usando el Teorema 47, para β(t, w) = µSt , θ(t, w) = vt St , y α(t, w) = rSt , tenemos
y también
√
dSt = rSt dt + vt St dW
c1,t (B.35)
con
t
µ−r
Z
W
c1,t = √ ds + W1,t .
0 vs
Para obtener el proceso de Varianza bajo la medida de riesgo neutro Q, se introduce una
función λ(St , vt , t) en el drift de la ecuación (3.5), así del teorema 47, para β(t, w) = κ[θ − νt ],
√
θ(t, w) = σ νt , y α(t, w) = κ[θ − νt ] − λ(St , vt , t), tenemos
√ c
dνt = [κ[θ − νt ] − λ(St , vt , t)] dt + σ νt dW 2,t , (B.36)
con Z t
λ(Ss , vs , t)
W
c2,t = W2,t + √ ds.
0 σ νs
Como se explica en [19, Heston], siguiendo el modelo de consumo de Breeden, la función de premio
al riesgo de volatilidad, λ(St , vt , t), es proporcional a la varianza, así se considera λ(St , vt , t) = λvt ,
donde λ es una constante. Así en la expresión (B.36), al hacer κ∗ = κ + λ y θ∗ = κθ
κ+λ , la versión
de la ecuación de la varianza bajo Q, es
√ c
dvt = κ∗ [θ∗ − vt ] dt + σ vt dW 2,t . (B.37)
modelo de Heston puede ser expresado en términos de una única función característica. Para
∞
e−iφ ln(K) fj (φ; x, v)
Z
1 1
Pj = P (ln ST > ln K) = + Re dφ, (B.38)
2 π 0 iφ
lo cual nos dice que el modelo de Heston tiene asociadas dos funciones características f1 y
f2 , esto es debido a que P1 y P2 son halladas bajo diferentes medidas. Por otro lado, también
es razonable pensar que solo debe existir una única función característica, ya que solo hay un
precio de activo subyacente en el modelo. De hecho, algunos autores escriben las probabilidades
169
P1 y P2 en términos de una única función característica f (φ) = f (φ; x, v), como
∞
e−iφln(K) f (φ − i)
Z
1 1
P1 = + Re dφ (B.39)
2 π 0 iφf (−i)
y
∞
e−iφln(K) f (φ)
Z
1 1
P2 = + Re dφ, (B.40)
2 π 0 iφ
lo que sugiere que f2 (φ) = f (φ) y f1 (φ) = f (φ − i)/f (−i).
Observación 111. Recordando, que P1 se obtiene mediante un cambio de numeraire, tenemos de
la expresión (3.21),
dQS ST /St exT
= = Q xT . (B.41)
dQ BT /Bt E [e ]
De la segunda igualdad, podemos escribir St er(T −t) = E Q [ST ] , lo que nos dice que bajo la
medida de riesgo neutro Q, el precio de la acción crece a una tasa libre de riesgo r. También
tenemos,
exT
dQS = dQ,
EQ [exT ]
lo cual nos dice que q induce una función de densidad qS , a través de la derivada de Radon-
Nikodym como
ex
q S (x) = q(x).
E Q [exT ]
En efecto, basta ver de la denición que q S (x) ≥ 0, para todo x. Además,
R∞
∞ ex q(x)dx E Q [exT ]
Z
S −∞
q (x)dx = = = 1.
−∞ EQ [exT ] E Q [exT ]
Ahora, mostramos que las expresiones para Pj en las ecuaciones (B.39) y (B.40) son idénticas
a (B.38). Primero, notemos que P2 en la Ecuación (B.40) es idéntica a (B.38) con j = 2, pero
que está asociada con la medida de probabilidad Q que hace a W1,t y a W2,t , en las ecuaciones
la cual el bono Bt sirve como numeraire. Por lo tanto, en el precio de la opción Call europea
Z ∞
P2 = Q(xT > ln K) = q(x)dx,
ln K
170
donde xT = ln ST .
Para evaluar P2 , expresamos la función de distribución acumulativa Q(xT ≤ x) en términos de
∞
e−iφx f (φ)
Z
1 1
Q(xT ≤ x) = − dφ.
2 2π −∞ iφ
sabemos que la parte real de la función característica f (φ) es par, y la parte imaginaria es impar.
Esto implica que, cuando integramos en toda la recta real, la parte imaginaria de e−iφx f (φ)
se cancelará, lo que debe suceder de todos modos, ya que q(x) es real. Por lo tanto, podemos
simplemente integrar sobre la parte real, y dado que la parte real es par, la integral sobre (−∞, ∞)
será igual al doble de la integral sobre (0, ∞). Esto implica que la densidad la podemos escribir
como Z ∞ Z ∞
1 −iφx 1 −iφx
q(x) = Re e f (φ) dφ = Re e f (φ) dφ (B.42)
2π −∞ π 0
∞
e−iφx f (φ)
Z
1 1
Q(xT ≤ x) = − Re dφ.
2 π 0 iφ
∞
e−iφ ln K f (φ)
Z
1 1
P2 = 1 − Q(xT ≤ ln K) = Q(xT > ln K) = + Re dφ,
2 π 0 iφ
que es idéntica a la expresión (B.40). Teniendo en cuenta la observación 111, y que E Q [exT ] es
Z ∞ Z ∞
S iφxT 1
EQ e = eiφx q S (x)dx = eiφx ex q(x)dx. (B.43)
−∞ E Q [exT ] −∞
Por otro lado, como la función característica para xT es f (φ) = E Q eiφxT , entonces
Z ∞ h i
ei(φ−i)x q(x)dx = E Q ei(φ−i)xT . (B.45)
−∞ | {z }
f (φ−i)
171
De (B.44) y (B.45) en (B.43), tenemos
S iφxT f (φ − i) f (φ − i)
f1 = E Q e = = , (B.46)
f (−i) St er(T −t)
f2 (φ − i)
f1 (φ) = .
f2 (−i)
∞
e−iφ ln K f (φ − i)
Z
S 1 1
P1 = Q (xT > ln K) = + Re dφ.
2 π 0 iφf (−i)
172
Bibliografía
[1] Oksendal Stochastic dierential equations. Springer, 6ed edition, 2003. 30, 35, 39
[2] Hansjörg Albrecher, Philipp Mayer, Wim Schoutens, and Jurgen Tistaert. The little heston
[3] Leif BG Andersen. Ecient simulation of the heston stochastic volatility model. 2007. 12,
[4] Leif BG Andersen and Vladimir V Piterbarg. Moment explosions in stochastic volatility
[5] Daniel Zwillinger (Auth.). Handbook of Dierential Equations. Elsevier Inc, Saunders Co-
[6] Jianwei Zhu (auth.). Applications of Fourier Transform to Smile Modeling: Theory and
[7] Gurdip Bakshi and Dilip Madan. Spanning and derivative-security valuation. Journal of
[8] Lawrence Gray (auth.) Bert Fristedt. A Modern Approach to Probability Theory. Probability
[10] Douglas T. Breeden. An intertemporal asset pricing model with stochastic consumption and
[11] Andrew JG Cairns. Interest rate models: an introduction. Princeton University Press, 2018.
59
[12] JC Cox, JE Ingersoll Jr, and SA Ross. A theory of the term structure of interest rates.
173
[13] Michael; Ter Maten E. Jan W Ehrhardt, Matthias; GÃ×nther. Novel methods in compu-
[14] Steven L. Heston Fabrice D. Rouah. The Heston Model and its Extensions in Matlab and
[15] Gregory Vainberg Fabrice Douglas Rouah. Option Pricing Models and Volatility Using
[16] Jim Gatheral. The volatility surface: a practitioner's guide, volume 357. John Wiley & Sons,
[18] Paul Glasserman. Monte Carlo methods in nancial engineering. Applications of mathema-
[19] S. L. Heston. A closed-form solution for options with stochastic volatility with applications
to bond and currency options. Review of Financial Studies, 6, 1993. 12, 56, 63, 64, 68, 70,
71, 72, 73, 74, 76, 78, 82, 83, 84, 88, 169
[20] Steven E. Shreve (auth.) Ioannis Karatzas. Brownian Motion and Stochastic Calculus.
[21] Jens Carsten Jackwerth and Mark Rubinstein. Recovering probability distributions from
[22] A. Craig MacKinlay Andrew Y. Lo John Y. Campbell, Andrew W. Lo. The Econometrics
[23] Hugo D. Junghenn. Option Valuation : A First Course in Financial Mathematics. Chapman
[24] Christian Kahl and Peter Jäckel. Fast strong approximation monte carlo schemes for sto-
[25] Fima C. Klebaner. Introduction to Stochastic Calculus with Applications. 2 edition edition,
2005. 65
[26] Peter E Kloeden and Eckhard Platen. Numerical solution of stochastic dierential equations,
volume 23. Springer Science & Business Media, 2013. 118, 119
[27] Jun Ma. Pricing foreign equity options with stochastic correlation and volatility. Annals of
[28] Benoit B Mandelbrot. The variation of certain speculative prices. In Fractals and scaling
174
[29] Christoph Schwab Christoph Winter Norbert Hilber, Oleg Reichmann. Computational Met-
hods for Quantitative Finance: Finite Element Methods for Derivative Pricing. Springer
[31] Gerald Kroisandt Ralf Korn, Elke Korn. Monte Carlo Methods and Models in Finance and
Insurance. Chapman & Hall/CRC Financial Mathematics Series. CRC Press, 2010. 27
[32] Bjorn Bottcher Rene L. Schilling, Lothar Partzsch. Brownian Motion: An Introduction to
[33] Allen Craig Robert V. Hogg. Introduction to Mathematical Statistics. Prentice Hall, 5th
edition, 1994. 15
[34] Rainer Schöbel and Jianwei Zhu. Stochastic volatility with an ornsteinuhlenbeck process:
[35] Steven E. Shreve. Stochastic calculus for nance II Continuous time models. Springer
Finance. Springer, 1st ed. 2004. corr. 2nd printing edition, 2004. 22
[36] YF Sun, GY Zhang, and SQ Li. An eective simulation of heston model: Combining quadra-
tic exponential and exact simulation schemes. In 2015 International Conference on Articial
[37] Hisashi Tanizaki. Computational methods in statistics and econometrics. CRC Press, 2004.
16, 41
[38] Long Teng, Matthias Ehrhardt, and Michael Günther. The dynamic correlation model and
its application to the heston model. In Innovations in Derivatives Markets, pages 437449.
[39] Long Teng, Matthias Ehrhardt, and Michael Günther. Modelling stochastic correlation.
[40] Long Teng, Matthias Ehrhardt, and Michael Günther. Numerical simulation of the heston
model under stochastic correlation. Int. J. Financial Stud, 6:3, 2018. 4, 5, 12, 124, 128, 130,
[41] Long Teng, Cathrin Van Emmerich, Matthias Ehrhardt, and Michael Günther. A versatile
[42] Ruey S. Tsay. Analysis of Financial Time Series (Wiley Series in Probability and Statistics
- Applied Probability and Statistics Section Series). John Wiley and Sons, 2010. 44
175
[43] Cathrin Van Emmerich. Modelling correlation as a stochastic process. preprint, 6(03), 2006.
126, 152
[44] Paul Wilmott. Paul Wilmott on Quantitative Finance. John Wiley & Sons Inc, 2006. 125
[45] Tomasz Zastawniak Zdzislaw Brzezniak. Basic Stochastic Processes. Springer, corrected
176