Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1 Valoración de derivados 3
1.1 Modelos a tiempo discreto . . . . . . . . . . . . . . . . . . . . . . 4
1.1.1 Estrategias de inversión . . . . . . . . . . . . . . . . . . . 5
1.1.2 Estrategias admisibles y arbitraje . . . . . . . . . . . . . . 7
1.2 Martingalas y oportunidades de arbitraje . . . . . . . . . . . . . 9
1.3 Mercados completos y valoración de opciones . . . . . . . . . . . 14
1.3.1 Valoración y replicación en mercados completos . . . . . . 15
1.4 Introducción a las opciones americanas . . . . . . . . . . . . . . . 21
1.4.1 El problema de la parada óptima y las opciones americanas 22
1.4.2 Aplicación a opciones americanas . . . . . . . . . . . . . . 27
1.5 Modelos a tiempo continuo . . . . . . . . . . . . . . . . . . . . . 30
1.5.1 Martingalas a tiempo continuo . . . . . . . . . . . . . . . 36
1.5.2 Construcción de la integral estocástica. . . . . . . . . . . 37
1.5.3 Cálculo de Itô . . . . . . . . . . . . . . . . . . . . . . . . . 45
1.5.4 Teorema de Girsanov . . . . . . . . . . . . . . . . . . . . . 48
1.5.5 El modelo de Black-Scholes . . . . . . . . . . . . . . . . . 49
2 Optimización de carteras 63
2.1 Programación dinámica . . . . . . . . . . . . . . . . . . . . . . . 66
2.2 Método de martingala . . . . . . . . . . . . . . . . . . . . . . . . 68
2.2.1 Optimización de carteras en el modelo de Cox-Ross-Rubinstein
(CRR). . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
2.3 Consumo óptimo . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
2.3.1 Método de programación dinámica en el problema de con-
sumo óptimo . . . . . . . . . . . . . . . . . . . . . . . . . 76
2.3.2 Método de martingala en el problema de consumo óptimo 79
2.3.3 Utilidad máxima para el consumo y la riqueza terminal . 83
2.4 Optimización en el modelo de Black-Scholes . . . . . . . . . . . . 85
2.4.1 Método de programación dinámica. Ecuación de HJB. . . 86
2.4.2 Método de martingala . . . . . . . . . . . . . . . . . . . . 89
3
4 ÍNDICE
Valoración de derivados
(ST − K)+
en el caso del CALL ò
(K − ST )+
en le caso del PUT.
Problema 1: ¿Cuánto debe pagar el comprador de la opción? (prima). Es
el llamado problema de valoración.
Problema2: El que vende el contrato, cómo debe generar la cantidad (ST −
K)+ (en el caso del CALL) a partir de la prima. Es el llamado problema de
recubrimiento del riesgo (”hedging”).
Suposición: vamos a suponer que en el mercado no se puede hacer benefi-
cio sin riesgo (”está libre de oportunidades de arbitraje”). También vamos a
suponer que la tasa de interés (continuo) es r. Es decir un euro se convierte en
erT euros pasado el tiempo T.
Entonces, tenemos el siguiente resultado.
3
4 CAPÍTULO 1. VALORACIÓN DE DERIVADOS
Esto quiere decir que las posiciones de la cartera en el instante n fueron decididas
con la información disponible en n−1. Es decir en el periodo (n−1, n] la cantidad
de activos del tipo i es φin . El valor de la cartera en el instante n es el producto
escalar
Xd
Vn (φ) = φn · Sn = φin Sni ,
i=0
su valor descontado es
con
S̃n = (1, βn Sn1 , ..., βn Snd ) = (1, S̃n1 , ..., S̃nd )
φn · Sn = φn+1 · Sn , 0 ≤ n ≤ N − 1
Esta proposición nos dice que la estrategia autofinanciada está definida por
su valor inicial V0 y por las posiciones en los activos con riesgo. Más concreta-
mente:
Proposición 1.1.3 Para cualquier proceso previsible φ̂ = ((φ1n , ..., φdn ))0≤n≤N
y cualquier variable V0 F0 -medible, existe un único proceso previsible tal que la
estrategia φ = ((φ0n , φ1n , ..., φdn ))0≤n≤N es autofinanciada con valor inicial V0 .
Demostración.
n
X
Ṽn (φ) = V0 (φ) + φj · (S̃j − S̃j−1 )
j=1
Xn
= V0 (φ) + φj · (S̃j − S̃j−1 )
j=1
d
X
= φn · S̃n = φ0n + φin S̃ni .
i=1
Por tanto
n−1
X d
X
φ0n = V0 (φ) + φj · (S̃j − S̃j−1 ) − φin S̃n−1
i
∈ Fn−1
j=1 i=1
1.1. MODELOS A TIEMPO DISCRETO J.M. Corcuera
Solución 1.1.2 Queremos calcular los valores de r para los que hay posibilidad
de arbitraje. Tomamos una cartera cuyo valor inicial sea V0 = 0. Entonces, si
invertimos el importe q en el activo sin riesgo, tenemos que invertir −q en el
activo con riesgo (q puede ser negativa o positiva). Calculamos el valor de la
cartera en los dos posibles estados del momento 2.
V1 (ω1 ) = q(r − 1)
V1 (ω2 ) = q(r + 1/2)
Por tanto, si r > 1 hay posibilidad de arbitraje tomando q positiva (dinero en
cuenta corriente y posición corta en el activo con riesgo) y si r < −1/2 tenemos
posibilidad de arbitraje con q positiva (tomando prestado dinero e invirtiendo en
el activo con riesgo). La situación no cambia si S1 puede tomar el valor 1.
Ejercicio 1.1.3 Supongamos un mercado con dos stocks (d = 2) tales que los
valores en t = 0 son S01 = 9.52 Eur. y S02 = 4.76 Euros. El dinero está a
interés simple del 5% en el perı́odo [0, 1]. Se supone también que en el instante
1, S11 y S12 pueden tomar tres valors, dependiendo de los tres estados del
mercado: ω1 , ω2 , ω3 : S11 (ω1 ) = 20 Eur., S11 (ω2 ) = 15 Eur. y S11 (ω3 ) = 7.5 Eur,
y S12 (ω1 ) = 6 Eur, S12 (ω2 ) = 6 Eur. i S12 (ω3 ) = 4. ¿Es un mercado viable ?
Figura 1
Proposición 1.2.1 Sea (Mn ) una martingala y (Hn ) una sucesión previsible,
escribamos ∆Mn = Mn − Mn−1 . Entonces la sucesión definida por
X 0 = H 0 M0
n
X
X n = H 0 M0 + Hj ∆Mj , n ≥ 1 es una martingala
j=1
con (φi ) previsible. Entonces si (S̃i ) es una martingala, resultará que (Ṽn ) es
una martingala y en particular E(Ṽn (φ)) = E(V0 (φ)) = V0 (φ).
XN
E( Hj ∆Mj ) = 0 (1.1)
j=1
EP ∗ (ṼN ) = 0
y como ṼN ≥ 0 resulta que ṼN = 0 (ya que P ∗ (ω) > 0 para todo ω). Por tanto
no hay arbitraje.
Supongamos ahora que no hay arbitraje y sea Γ el conjunto de variables
estrictamente positivas definidas en Ω (o sea variables no negativas y tales que
para algún ω ∈ Ω valen mayor que cero). Identificaremos cada variable aleatoria
X con el vector de RCard(Ω) (X(ω1 ), ..X(ωCard(Ω )). ConsideremosP el subcon-
junto, S, compacto y convexo de las variables de Γ tales que X (ωi ) = 1.
Sea L = {VN (ϕ), ϕ autofinanciada, V0 (ϕ) = 0} (es claro que L es un subespa-
cio vectorial de RCard(Ω) ). Además (lo veremos luego) L ∩ S = φ. Entonces
por el teorema del hiperplano separador existe una aplicación
P lineal A tal que
A(Y ) > 0 para todo Y ∈ S y A(Y ) = 0 si Y ∈ L. A(Y ) = λi Y (ωi ). Entonces
todos los λi > 0 (ya que A(Y ) > 0 para todo Y ∈ S) y podemos definir
λi
P ∗ (ωi ) = P
λi
n = sup{k, Vk (ϕ) 6≥ 0 }
Mn(3) = Sn2 − n
Ejercicio 1.2.3 Consideremos un mercado financiero a tiempo discreto, de
dos periodos, con tipos de interés r ≥ 0, y un un solo activo con riesgo, S.
Supongamos una evolución de los precios de S del tipo siguiente:
n=0 n=1 n=2
9
p2
ր
8ց1−p
p1 2
ր
5ց1−p
6
1 p3
ր
4ց1−p 3
3
a) Encontrar p1 , p2 i p3 , en función de r para que la lei de probabilidad sea
neutral. b) Suponiendo r = 0.1, calcular el valor inicial de un derivado con
vencimiento N = 2 y beneficio (payoff ) S1 +S2
2
. Encontrar primero la cartera
que cubre el riesgo del derivado y ver su valor inicial. Comprobar que este
valor coincide con el valor medio, respecte de la probabilidad neutral, del payoff
actualizado.
Ejercicio 1.2.4 Encontrar las probabilidades neutrales en el mercado del prob-
lema 1.1.3 suponiendo que sólo está disponible el stock 1.
Teorema 1.2.2 (Teorema del hiperplano separador) Sea L un subespacio de
Rn y K un subconjunto convexo y compacto de Rn tal que no interseca L.
Entonces existe un funcional lineal φ : Rn → R tal que φ(x) = 0 para todo
x ∈ L y φ(x) > 0 para todo x ∈ K.
1.2. MARTINGALAS Y OPORTUNIDADES DE ARBITRAJEJ.M. Corcuera
ahora bien como L es un espacio vectorial φ(l) debe ser cero, supongamos que
por ejemplo φ(l) > 0, entonces λl ∈ L para λ > 0 arbitrariamente grande y
tendrı́amos
φ(k) > λφ(l),
lo cual es imposible si φ(k) es finito. Por último como φ(l) = 0 resultará
φ(k) > 0 para todo k ∈ K.
Demostración. ṼN (φ) = h̃ y como existe P ∗ tal que Ep∗ (ṼN (φ)|Fn ) =
Ṽn (φ) entonces Ṽn (φ) ≥ 0.
N
X h
ṼN (φ) = V0 (φ) + φj · ∆S̃j = 0 ,
j=1
SN
h
E P1 (0 ) = V0 (φ)
SN
h
EP2 ( 0 ) = V0 (φ)
SN
y como esto es cierto para todo h FN -medible las dos probabilidades coinciden
en FN = F.
1.3. MERCADOS COMPLETOS Y VALORACIÓN DE OPCIONESJ.M. Corcuera
X X EP ∗ (X)
P ∗∗ (ω) = P ∗ (ω) + =1
2||X||∞
ya que 1 ∈ H y X es ortogonal a H. Además por esta ortogonalidad
N N PN
X X EP ∗ (X j=1 φj · ∆S̃j )
EP ∗∗ ( φj · ∆S̃j ) = EP ∗ ( φj · ∆S̃j ) + =0
j=1 j=1
2||X||∞
por tanto el valor de la cartera que replica h queda determinado por la fórmula
anterior y esto nos dará el precio del derivado en n que denotaremos Cn , esto es
Cn = Vn (φ). Notemos que si sólo tenemos un stock con riesgo (d = 1) entonces
C̃n − C̃n−1
= φn
∆S̃n
lo que nos permitirá calcular la cartera recubridora si tenemos una expresión de
C en función de S.
donde
Un (ω) = ξ1 (ω) + ξ2 (ω) + ... + ξn (ω)
y donde las ξi son variables aleatorias con valores 0 ó 1, es decir bernoullis y
a<r<b:
n=0 n=1 n = 2...
S0 (1 + b)2 րց
S0 (1 + b) ր
ց
S0 ր
ց S0 (1 + b)(1 + a) ր
ց
S0 (1 + a)րց
S0 (1 + a) 2 ր
ց
Entonces
Un n−Un ξn 1−ξn
1+b 1+a 1+b 1+a
S̃n = S0 = S̃n−1
1+r 1+r 1+r 1+r
o lo que es lo mismo
r−a
P ∗ (ξn = 1|Fn−1 ) = ,
b−a
b−r
P ∗ (ξn = 0|Fn−1 ) = 1 − P ∗ (ξn = 1|Fn−1 ) =
b−a
con Wn,N ∼Bin(N −n, p) que es independiente de Sn , Sn−1 , ...S1 . Como tenemos
la probabilidad neutral podemos calcular el precio de un call en el instante n
(SN − K)+
Cn = EP ∗ |Fn
(1 + r)N −n
(Sn (1 + b)Wn,N (1 + a)N −n−Wn,N − K)+
= EP ∗ |F n
(1 + r)N −n
N −n
(Sn (1 + b)k (1 + a)N −n−k − K)+
X N −n N −n−k
= pk (1 − p)
(1 + r)N −n k
k=0
N −n
(p(1 + b))k ((1 − p)(1 + a))N −n−k
X N −n
= Sn
k (1 + r)N −n
k=k∗
N −n
n−N
X N −n N −n−k
− K(1 + r) pk (1 − p)
∗
k
k=k
donde
Notemos que
p(1 + b) (1 − p)(1 + a)
+ =1
1+r 1+r
de manera que si definimos
p(1 + b)
p̄ =
1+r
18 CAPÍTULO 1. VALORACIÓN DE DERIVADOS
podemos escribir
N −n
X N −n
Cn = Sn p̄k (1 − p̄)N −n−k
k
k=k∗
N −n
X N −n N −n−k
− K(1 + r)n−N pk (1 − p)
k
k=k∗
= Sn Pr{Bin(N − n, p̄) ≥ k ∗ } − K(1 + r)n−N Pr{Bin(N − n, p) ≥ k ∗ }
Vnu − Vnd
φ1n = . (1.2)
Sn−1 (b − a)
y
Vnu − φ1n Snu
φ0n =
(1 + r)n
En el caso de un CALL, si tomamos n = N tendremos:
pp[x_] := Max[x, 0]
call[n] = Map[pp, s[n] - 100]; pu[n] = Map[pp, 100 - s[n]];
call[x_] := call[x] =
Drop[p*call[x + 1]/(1 + r) + (1 - p)*RotateLeft[call[x +
1], 1]/(1 + r), -1]
ColumnForm[Table[call[i], {i, 0, n}], Center]
pu[x_] := pu[x] = Drop[p*pu[x + 1]/(1 +
r) + (1 - p)*RotateLeft[pu[x + 1], 1]/(1 + r), -1]
ColumnForm[Table[pu[i], {i, 0, n}], Center]
Clear[s, c];
n = 91;
so = 15.54;
K = 15.54;
vol = 0.232;
T = 91/365;
r = 0.0411*T/n;
b =vol*Sqrt[T/n];
a =-b;
p = (r - a)/(b - a);
q = 1 - p;
s[0] = Table[so, {1}];
s[x_] := s[x] = Prepend[(1 + a)*s[x - 1], (1 + b)*s[x - 1][[1]]];
pp[x_] := Max[x, 0];
c[n] = Map[pp, s[n] - K];
c[x_] := c[x] = Drop[p*c[x + 1]/(1 + r) +
q*RotateLeft[c[x + 1], 1]/(1 + r), -1];
c[0][[1]]
√T
1 + a(n) = e−σ n ,
Demostrar que para n suficientemente grande los mercados son viables. Calcular
el precio lı́mite de un call en el instante inicial cuando n → ∞.
Ejercicio 1.3.5 Considerar el mismo problema que en el caso anterior pero con
1 + b(n) = eτ ,
T
1 + a(n) = eλ n ,
donde τ > 0 y 0 < λ < r.
1.4. INTRODUCCIÓN A LAS OPCIONES AMERICANAS J.M. Corcuera
{ν = n} ∈ Fn , 0≤n≤N
Notemos que
Xn si n ≤ ν(ω)
Xnν (ω) =
Xν(ω) si n > ν(ω)
n∧ν
X
Xnν = Xn∧ν = X0 + (Xj − Xj−1 )
j=1
n
X
= X0 + 1{j≤ν} (Xj − Xj−1 ),
j=1
Envoltura de Snell
Sea (Yn ) un proceso adaptado (a (Fn )), definamos
XN = YN
Xn = max(Yn , E(Xn+1 |Fn )), 0≤n≤N −1
ν = inf{n ≥ 0, Xn = Yn }
Demostración.
Además
n
X
Xnν = X0 + 1{j≤ν} (Xj − Xj−1 )
j=1
manera que
ν
Xn+1 − Xnν = 1{n+1≤ν} (Xn+1 − Xn )
y
ν
E(Xn+1 − Xnν |Fn ) = 1{n+1≤ν} E(Xn+1 − Xn |Fn )
0 si ν ≤ n ya que el indicador es cero
=
0 si ν > n ya que entonces Xn = E(Xn+1 |Fn )
Corolario 1.4.1
Por otro lado (Xn ) es supermartingala y por tanto (Xnτ ) también lo es para
todo τ ∈ τ0,N de manera que
τ
X0 ≥ E(XN |F0 ) = E(Xτ |F0 ) ≥ E(Yτ |F0 ),
por tanto
E(Xν |F0 ) ≥ E(Xτ |F0 ), ∀τ ∈ τ0,N
donde
νn = inf{j ≥ n, Xj = Yj }
Por otro lado para todo tiempo de paro π, (Xnπ ) es una supermartingala, manera
que
π
X0 ≥ E(XN |F0 ) = E(Xπ |F0 ) ≥ E(Yπ |F0 ).
Recı́procamente, sabemos, por el colorario anterior, que X0 = supτ ∈τ0,N E(Yτ |F0 ).
Entonces si τ es óptimo
Xnτ ≥ E(XN
τ
|Fn ) = E(Xτ |Fn )
Descomposición de supermartingalas
Proposición 1.4.4 Cualquier supermartingala (Xn ) tiene una descomposición
única:
X n = M n − An
donde (Mn ) es una martingala y (An ) es no-decreciente, previsible y nulo en
cero.
e identificar
n
X
Mn = (Xj − E(Xj |Fj−1 )) + X0 ,
j=1
Xn
An = (Xj−1 − E(Xj |Fj−1 ))
j=1
de manera que
E(Mn − Mn−1 |Fn−1 ) = 0, 1 ≤ n ≤ N.
Por último como (Xn ) es supermartingala
Veamos la unicidad. Si
tendremos
Mn − Mn′ = An − A′n , 0 ≤ n ≤ N,
pero entonces como (Mn ) y (Mn′ ) son martingalas y (An ) y (A′n ) previsibles,
resulta que
esto es
AN − A′N = AN −1 − A′N −1 = ... = A0 − A′0 = 0,
ya que por hipótesis A0 = A′0 = 0.
Esta descomposición se conoce con el nombre de descomposición de Doob.
Proposición 1.4.5 El mayor tiempo de paro óptimo para (Yn ) está dado por
N si AN = 0
νmax = ,
inf{n, An+1 > 0} si AN > 0
Xνmax = Yνmax
N
X −1
Xνmax = 1{νmax =j} Xj + 1{νmax =N } XN
j=1
N
X −1
= 1{νmax =j} max(Yj , E(Xj+1 |Fj )) + 1{νmax =N } YN ,
j=1
o equivalentemente
Zτ
Un = Sn0 sup EP ∗ ( |Fn ).
τ ∈τn,N Sτ0
Un = Mn − An = Vn (φ) − An
28 CAPÍTULO 1. VALORACIÓN DE DERIVADOS
y por tanto
Vn (φ) = Un + An ≥ Un .
Es decir con el dinero que recibimos podemos ”superrecubrir” el valor del
derivado.
Vτ (φ) − Zτ = Uτ + Aτ − Zτ > 0.
Ejemplo 1.4.1 Calculo del precio de una opción americana de venta a tres
meses sobre acciones, cuando el precio de ejercicio es de 60 euros, el tipo de
interés 10% anual y la volatilidad 45% anual utilizando un modelo CRR con
doce periodos. Se analiza también en qué nodos conviene ejercer la opción.
Ejercicio 1.4.1 Obtener las siguientes cotas parar los precios de los ”calls”
(C) y los ”puts” (P ) de las opciones europeas (E) y americanas (A):
Ejercicio 1.4.3 Sea {CnE }N n=0 el precio de una opción europea con ”payoff ”
ZN y sean {Zn }N n=0 los ”payoffs” de una opción americana. Demostrar que
si CnE ≥ Zn , n = 0, 1, ..., N − 1, entonces {CnA }Nn=0 (los precios de la opción
americana) coinciden con {CnE }N n=0 .
Observación 1.5.2 Un proceso también puede ser considerado como una apli-
cación aleatoria: para todo ω ∈ Ω podemos asociar la aplicación de R+ a R:
t 7−→ Xt (ω) llamada ”trayectoria” del proceso. Es decir el proceso serı́a una
aplicación de Ω en el conjunto de funciones reales. Si las trayectorias son con-
tinuas se dice que el proceso es continuo.
Observación 1.5.3 Un proceso estocástico también puede ser visto como una
aplicación de R+ × Ω en R. Supondremos en R+ × Ω la σ-álgebra B(R+ ) ⊗ F
y que la aplicación es siempre medible (proceso medible), que es un poco más
fuerte que la condición de ser simplemente proceso (aunque si por ejemplo el
proceso X es continuo por algún lado entonces existe una versión, Y , del mismo
(es decir P (Xt = Yt ) = 1, para todo t) es medible).
Definición 1.5.2 Sea (Ω, F, P ) un espacio de probabilidad, una filtración (Ft )t≥0
es una familia creciente de sub-σ-álgebras de F. Diremos que un proceso (Xt ) es
adaptado si para todo t, Xt es Ft -medible.
Definición 1.5.3 Diremos que (Xt )t≥0 es un proceso con incrementos indepen-
dientes si para cualesquiera 0 ≤ t1 < ... < tn , Xt1 , Xt2 − Xt1 , ..., Xtn − Xtn−1
son independientes.
• Si s ≤ t, Xt − Xs ∼ Xt−s − X0 .
Xt − X0 ∼ N (rt, σ 2 t)
pero
n
Y
P sup |Xtin − Xti−1,n | > ε = 1 − P {|Xtin − Xti−1,n | ≤ ε}
i
i=1
Yn
=1− (1 − P {|Xtin − Xti−1,n | > ε})
i=1
n
X
≥ 1 − exp{− P {|Xtin − Xti−1,n | > ε}} ≥ 0
i=1
Pn
Observación 1.5.6 Notemos que si lim inf V ar( k=1 Ykn ) = 0 tendremos
Pnr Pnr P
que k=1 Ykn − E( k=1 Ykn ) → 0 para cierta subsucesión.
Pn P
Por tanto P k=1 Ynk → Xt − X0 . Por otro lado, por la segunda proposición, si
n
lim inf V ar( k=1 Ykn ) > 0,
Pn Pn
k=1 Ykn − E( Ykn )
p Pn k=1 → N (0, 1)
V ar( k=1 Ykn )
con lo que Xt − X0 tiene una ley normal (o es una constante). Resultará que la
ley de cualquier incremento es normal. Entonces si tomamos como definición de
r, σ 2 que X1 −X0 ∼ N (r, σ 2 ), de la independencia, homogeneidad y continuidad
resultará que Xt − X0 ∼ N (rt, σ 2 t) :
p
X
X 1 − X0 = (Xi/p − X(i−1)/p )
i=1
entonces X1/p −X0 ∼ N (r/p, σ 2 /p). Análogamente Xq/p −X0 ∼ N (qr/p, qσ 2 /p).
Ahora podemos aproximar cualquier valor de t por racionales y aplicar la con-
tinuidad de X.
Rt
en un modelo a tiempo continuo V0 + 0 φs dS̃s , vendrá a describir lo mismo.
Veremos que estas integrales estarán bien definidas siempre que tengamos una
definición de Z t
φs dWs
0
En efecto:
ahora bien
X n
n X
E(∆2n ) = E (Wtin − Wti−1,n )2 (Wtjn − Wtj−1,n )2
i=1 j=1
n
X n X
X
= E((Wtin − Wti−1,n )4 ) + 2 E((Wtin − Wti−1,n )2 (Wtjn − Wtj−1,n )2 )
i=1 i=1 j<i
n
X n
XX
=3 (tin − ti−1,n )2 + 2 (tin − ti−1, )((tjn − tj−1,n )
i=1 i=1 j<i
n
X
= t2 + 2 (tin − ti−1,n )2
i=1
de manera que
n
X
2
E((∆n − t) ) = 2 (tin − ti−1,n )2 ≤ 2t sup |tin − ti−1,n | → 0.
i=1
Then
2t sup |tin − ti−1,n |
P {|∆n − t| > ε} ≤ ,
ε2
P∞
entonces si la sucesión de particiones es tal que n=1 sup |tin − ti−1,n | < ∞,
c.s.
aplicando Borel-Cantelli, tendremos que ∆n → t. Por último
n Pn
X |Wtin − Wti−1,n |2 ∆n c.s. t
|Wtin − Wti−1n | ≥ i=1 = → .
i=1
supi |Wti,n − Wti−1,n | supi |Wtin − Wti−1,n | 0
Demostración. (Xt1 , Xt2 , ..., Xtn ) se obtiene como una transformación lin-
eal de (Xt1 , Xt2 − Xt1 , ..., Xtn − Xtn−1 ) que es un vector gaussiano de normales
independientes.
σ2
• (exp(σXt − 2 t)) es una (Ft )-martingala.
Demostración.
σ2 σ2
E(exp(σXt − t)|Fs ) = exp(σXs − t)E(exp(σ(Xt − Xs ))|Fs )
2 2
σ2
= exp(σXs − t)E(exp(σ(Xt − Xs ))
2
σ2 σ2
= exp(σXs − t) exp( (t − s)) (ya que Xt − Xs ∼ N (0, t − s))
2 2
σ2
= exp(σXs − s)
2
1.5. MODELOS A TIEMPO CONTINUO J.M. Corcuera
manera que
n Z t
X ′′ ′′
f (Wti−1,n )(Wtin − Wti−1,n )2 = f (Ws )µn (ds)
i=1 0
Z t
′′
→ f (Ws )ds.
n→∞ 0
Por tanto,
X X
f (Wt ) − f (0) = lim (f (Wtin ) − f (Wti−1,n )) = lim f ′ (Wti−1,n )(Wtin − Wti−1,n )
n→∞ n→∞
1 t ′′
Z
+ f (Ws )ds.
2 0
De esta manera X
lim f ′ (Wti−1,n )(Wtin − Wti−1,n )
n→∞
R t ′′
está bien definido ya que coincide con f (Wt ) − f (0) − 21 0 f (Ws )ds y podemos
definir entonces
Z t X
f ′ (Ws )dWs = lim f ′ (Wti−1,n )(Wtin − Wti−1,n ).
0 n→∞
El problema es que estamos sujetos a las sucesiones de particiones para las que
(1.3) es válido. No obstante si conseguimos que las sumas de Riemann, que
definen nuestra ”integral estocástica” converjan en otro modo (en probabilidad
o en L2 ) independientemente de las particiones que elijamos, el lı́mite será en
cualquier caso el mismo debido a la unicidad del lı́mite casi seguro. De esta
manera queda establecido que
t t
1
Z Z
′′
f ′ (Ws )dWs = f (Wt ) − f (0) − f (Ws )ds
0 2 0
Ejemplo 1.5.2
t
1 2 1
Z
Ws dWs = W − t,
0 2 t 2
t t
1
Z Z
exp{Ws }dWs = exp{Wt } − 1 − exp{Ws }ds
0 2 0
donde
∂ ∂
ft (s, x) = f (t, x), fx (s, x) = f (t, x),
∂t ∂x
∂2
fxx (s, x) = f (t, x).
∂x2
1 2 a2 t 1
Z
exp(aWt − a t) = 1 − exp(aWs − a2 s)ds
2 2 0 2
Z t
1
+a exp(aWs − a2 s)dWs
0 2
a2 t 1
Z
+ exp(aWs − a2 s)ds.
2 0 2
Esto es,
t
1 1
Z
exp(aWt − a2 t) = 1 + a exp(aWs − a2 s)dWs .
2 0 2
Vt = φ0t + φ1t Wt ,
de manera que
1
Vt (t, Wt ) + Vxx (t, Wt ) = 0 (1.4)
2
Vx (t, Wt ) = φ1t (1.5)
y si queremos replicar H = F (WT ), habrá que buscar una solución de (1.4) con
la condición de contorno V (T, WT ) = F (WT ). La ecuación 1.5 nos resolverı́a
el problema de ”hedging”.
40 CAPÍTULO 1. VALORACIÓN DE DERIVADOS
La integral definida
Vamos entonces a construir una integral en el sentido de convergencia en L2 .
Demostración.
Z T Xn n
X
E( Hs dWs )2 = E( φi (Wti − Wti−1 ) φj (Wtj − Wti−1 ))
0 i=1 j=1
Xn
= E( φ2i (Wti − Wti−1 )2 )
i=1
n−1
XX
+2 E(φi (Wti − Wti−1 )φj E(Wtj − Wti−1 |Ftj−1 ))
i=1 j>i
Xn
= E(φ2i E(Wti − Wti−1 )2 |Fti−1 ))
i=1
Xn Z t Z t
2
= E(φi )(ti − ti−1 ) = E Hs2 ds = E(Hs2 )ds
i=1 0 0
• La integral es lineal,
Z T Z T Z T
(aHs + bFs )dWs = a Hs dWs + b Fs dWs
0 0 0
La integral indefinida
Si H es de la clase H también lo es H1[0,t] y podemos definir
Z t Z T
Hs dWs := Hs 1[0,t] (s)dWs ,
0 0
Para hacer una ulterior extensión de los integrandos son convenientes los
siguiente resultados
Pn
Demostración. Si τ es de la forma τ = i=1 ti 1Ai donde 0 < t1 < t2 <
... < tn = T y Ai Fti -medibles y disjuntos, entonces es inmediato:
Z T Z TX n Xn Z T
1{s>τ } Hs dWs = 1{s>ti } 1Ai Hs dWs = 1Ai Hs dWs
0 0 i=1 i=1 ti ∧T
Z T
= Hs dWs ,
τ ∧T
R τ ∧T RT RT
Por último 0
Hs dWs = 0 Hs dWs − τ ∧T Hs dWs . En general, basta aprox-
P2n −1 RT L2
imar τ por τn = k=0 (k+1)T2n 1{ kTn ≤τ < (k+1)T
n }
y ver que 0 1{s≤τn } Hs dWs →
2 2
RT
0
1{s≤τ } Hs dWs :
2 !
Z T Z T Z T
E 1 Hs dWs − 1{s≤τ } Hs dWs = E 1{τ <s≤τn } Hs2 ds ,
0 {s≤τn } 0 0
Extensión de la integral
Vamos a hacer una ulterior extensión de los integrandos, consideremos la clase
Z T
H̃ = {(Ht )0≤t≤T , (Ft )-adaptado, Hs2 ds < ∞ P -c.s.}.
0
Rt 2
Dado H ∈ H̃ sea τn = inf{t ≤ T, 0 (Hs ) ds ≥ n} (+∞ si el conjunto
Rt 2
anterior es vacı́o). Que 0 (Hs ) ds es Ft -medible se deduce de que es lı́mite
casi seguro de variables Ft -medibles, de aquı́ τn es un tiempo de paro. Sea
RT 2
An = { 0 (Hs ) ds < n} y definamos Podemos entonces definir:
Z t
˜ n
J(H)t := 1{s≤τn } Hs dWs 1An , para todo n ≥ 1
0
de manera que
Z t∧τn (ω)
˜
1{s≤τm } Hs dWs = J(H)n
t (ω)
0
Nótese que si H ∈ H
Z t Z t∧τn
˜
J(H)t = lim 1{s≤τn } Hs dWs = lim Hs dWs
n→∞ 0 n→∞ 0
Z t
= Hs dWs = J(H)t ,
0
˜
de manera que J(H) ˜
t∧τm es una martingala. Entonces de dice que J(H) es una
martingala local (cuando se para por τm es martingala, en t, y τm ↑ ∞).
1.5. MODELOS A TIEMPO CONTINUO J.M. Corcuera
donde
• X0 es F0 -medible.
Proposición 1.5.12 Si (Mt )0≤t≤T es una (Ft )-martingala continua tal que
Rt
Mt = 0 Ks ds < ∞ P -c.s. entonces
Mt = 0, ∀t ≤ T
Ejercicio 1.5.4 Sea (Mt )0≤t≤T es una (Ft )-martingala continua tal que Mt =
Rt Rt
0
Ks ds con (Ks ) adaptado y tal que 0 |Ks |ds ≤ C < ∞ P -c.s, probar que si
tomais tni = T ni , 0 ≤ i ≤ n, entonces
n
X
lim E( (Mtni − Mtni−1 )2 ) = 0
n→∞
i=1
y simultaneamente
n
X
E( (Mtni − Mtni−1 )2 ) = E(MT2 − M02 )
i=1
Teorema 1.5.2 Sea (Xt )0≤t≤T un proceso de Ito y f (t, x) ∈ C 1,2 entonces:
Z t Z t
1 t
Z
f (t, Xt ) = f (0, X0 )+ ft (s, Xs )ds+ fx (s, Xs )dXs + fxx (s, Xs )dhX, Xis ,
0 0 2 0
donde
Z t Z t Z t
fx (s, Xs )dXs = fx (s, Xs )Ks ds + fx (s, Xs )Hs dWs
0 0 0
Z t
hX, Xis = Hs2 ds.
0
Ejemplo 1.5.5 Supongamos que queremos encontrar una solución (St )0≤t≤T
para la ecuación Z t
St = x0 + Ss (µds + σdWs )
0
o en forma diferencial
t t
1
Z Z
Yt 2 = Y02 + 2 Ys dYs + 2Hs′2 ds
0 2 0
con lo que restando a la primera igualdad la suma de estas dos obtenemos:
Z t Z t Z t
2Xt Yt = 2X0 Y0 + 2 Xs dYs + 2 Ys dXs + 2Hs Hs′ ds.
0 0 0
Xt ect
tendremos
d Xt ect = ect dXt + cXt ect dt
y por tanto
e−ct d Xt ect = σdWt
de manera que Z t
−ct −ct
Xt = xe + σe ecs dWs ,
0
una nueva integración por partes nos conduce a
Z t
Xt = xe−ct + σe−ct (ect Wt − cecs Ws ds),
0
21 − e−2ct
=σ .
2c
48 CAPÍTULO 1. VALORACIÓN DE DERIVADOS
Rt
Por tanto (localizando con τn = inf{t ≤ T, |(Zs Ns (iu + θs ))|2 ds ≥ n})
0
Z t∧τn
u2
E(Zt∧τn Nt∧τn |Fs ) = Zs∧τn Ns∧τn − E Zv Nv dv Fs .
2 s∧τn
Esto es
t∧τn
u2
Z
Ẽ(Nt∧τn |Fs ) = Ns∧τn − Ẽ Nv dv Fs ,
2 s∧τn
pasando ahora al lı́mite cuando n → ∞ y aplicando convergencia dominada y
Fubini obtenemos
Nt u2 t Nv
Z
Ẽ( |Fs ) = 1 − Ẽ( |Fs )dv.
Ns 2 s Ns
Nt
Esto nos da una ecuación para gs (t) := Ẽ( Ns
|Fs )(ω), tal que
u2
gs′ (t) = − gs (t)
2
gs (s) = 1
De manera que
u2
gs (t) = exp{− (t − s)}
2
esto es
u2
Ẽ(exp{iu(Xt − Xs )}|Fs ) = exp{− (t − s)}
2
con lo que los incrementos son independientes homogeneos y con ley N(0, t − s).
St − Su St
= −1
Su Su
y
St σ2
= exp{µ(t − u) − (t − u) + σ(Bt − Bu )}
Su 2
que es independiente de σ(Bs , 0 ≤ s ≤ u) = σ(Ss , 0 ≤ s ≤ u).
• los incrementos relativos son estacionarios:
St − Su St−u − S0
∼ .
Su S0
De hecho podriamos formular el modelo en términos de estas tres hipótesis
Estrategias autofinanciadas
Una estrategia es un proceso φ = (φt )0≤t≤T = Ht0 , Ht 0≤t≤T a valores en R2
RT
|Ht0 | + Ht2 ds < ∞ P c.s.
• 0
1.5. MODELOS A TIEMPO CONTINUO J.M. Corcuera
Rt Rt
• Ht0 St0 + Ht St = H00 S00 + H0t S0 + 0
Hs0 rers ds + 0
Hs dSs , 0 ≤ t ≤ T.
Análogamente si
dṼt = Ht dS̃t
tenemos que
dVt = Ht0 dSt0 + Ht dSt .
con
r−µ
Wt = Bt − t.
σ
52 CAPÍTULO 1. VALORACIÓN DE DERIVADOS
Entonces por el teorema de Girsanov con θt = r−µ σ resulta que (Wt )0≤t≤T es
un browniano estándar respecto a la probabilidad P ∗
2
∗ r−µ 1 r−µ
dP = exp{ BT − T }dP. (1.10)
σ 2 σ
De (1.9) deducimos que
1
S̃t = S0 exp{− σ 2 t + σWt }
2
y que S̃t es una P ∗ -martingala. También tenemos que
0≤t≤T
1
St = S0 exp{rt − σ 2 t + σWt }.
2
Definición 1.5.14 Una estrategia φ es admisible si es autofinanciada y su valor
descontado Ṽt = Ht0 + Ht S̃t ≥ 0, ∀t.
C̃(t, St )
t t t
∂ C̃(s, S̃s ) ∂ C̃(s, S̃s ) 1 ∂ 2 C̃(s, S̃s )
Z Z Z
= C(0, S0 ) + ds + dS̃s + dhS̃, S̃is
0 ∂s 0 ∂ S̃s 2 0 ∂ S̃s2
1.5. MODELOS A TIEMPO CONTINUO J.M. Corcuera
y como
dS̃t = σ S̃t dWt
tendremos
C̃(t, St )
!
t t
∂ C̃(s, Ss ) ∂ C̃(s, Ss ) 1 ∂ 2 C̃(t, Ss ) 2 2
Z Z
= C(0, S0 ) + σ S̃s dWs + + σ S̃s ds
0 ∂ S̃s 0 ∂s 2 ∂ S̃s2
∂C(t, St )
Ht =
∂St
y
∂C(t, St )
ert Ht0 = C(t, St ) − St .
∂St
54 CAPÍTULO 1. VALORACIÓN DE DERIVADOS
En efecto
C(t, St )
= EP ∗ (e−r(T −t) (ST − K)+ |Ft )
= e−r(T −t) EP ∗ (ST 1{ST >K} |Ft ) − Ke−r(T −t) EP ∗ (1{ST >K} |Ft )
ST
= e−r(T −t) St EP ∗ ( 1{ ST > K } )x=St − Ke−r(T −t) EP ∗ (1{ ST > K } )x=St ,
St St x St x
ahora bien
ST 1
= exp{(r − σ 2 )(T − t) + σ (WT − Wt )}
St 2
Ley 1
= exp{(r − σ 2 )(T − t) + σWT −t }
2
entonces
ST K
EP ∗ (1{ ST > K } ) = P ∗ ( > )
St x St x
S T K
= P ∗ (log > log )
St x
WT −t log K 1 2
x − (r − 2 σ )(T − t)
= P ∗( √ > √ )
(T − t) σ (T − t)
x
log K + (r − 12 σ 2 )(T − t)
=Φ √
σ (T − t)
= Φ(d− ) (después de substituir x por St )
1.5. MODELOS A TIEMPO CONTINUO J.M. Corcuera
Por otra parte, si escribimos Y para indicar una variable normal estándar
ST
e−r(T −t) EP ∗ ( 1 ST K )
S t { St > x }
1
= e−r(T −t) EP ∗ (exp{(r − σ 2 )(T − t) + σWT −t }1{σWT −t >log K −(r− 1 σ2 )(T −t)} )
2 x 2
1 2
= EP ∗ (exp{− σ (T − t) + σWT −t }1{σWT −t >log K −(r− 1 σ2 )(T −t)} )
2 x 2
1 2 √
= EP ∗ (exp{− σ (T − t) − σ (T − t)Y }1 log x +(r− 1 σ 2 )(T −t) )
2 {Y < K √ 2
σ (T −t)
}
log x +(r− 1 σ 2 )(T −t)
K √ 2
1 1 √ 1
Z σ (T −t)
=√ exp{− σ 2 (T − t) − σ (T − t)y − y 2 }dy
(2π) −∞ 2 2
log x +(r− 1 σ 2 )(T −t)
K √ 2
1 1 √
Z σ (T −t)
=√ exp{− (σ (T − t) + y)2 }dy
(2π) −∞ 2
log x +(r+ 1 σ 2 )(T −t)
K √ 2
1 1
Z σ (T −t)
=√ exp{− u2 }du
(2π) −∞ 2
= Φ(d+ ) (después de substituir x por St )
De aquı́
∂C(t, St )
= Φ(d+ ) := ∆.
∂St
En efecto:
∂C(t, St ) ∂Φ(d+ ) ∂Φ(d− )
= Φ(d+ ) + St − Ke−r(T −t)
∂St ∂St ∂St
d2
1 + ∂d+
= Φ(d+ ) + St √ e− 2
(2π) ∂St
d2
1 − ∂d−
− Ke−r(T −t) √ e− 2 .
(2π) ∂St
Ahora bien
∂d± 1
= √ ,
∂St St σ (T − t)
por tanto
d2 d2
∂C(t, St ) 1 ∂d+ + −
= Φ(d+ ) + √ St e− 2 − Ke−r(T −t) e− 2
∂St (2π) ∂St
d2 d2 d2
1 ∂d+ + K + −
= Φ(d+ ) + √ St e− 2 1 − e−r(T −t) e 2 − 2 ,
(2π) ∂St St
por último
√
d+ = d− + σ (T − t)
56 CAPÍTULO 1. VALORACIÓN DE DERIVADOS
de manera que
√ 2
d2+ − d2− = (d− + σ (T − t)) − d2−
√
= 2d− σ (T − t) + σ 2 (T − t)
St
= 2 log + 2r(T − t)
K
y por tanto
K −r(T −t) d2+ − d2−
1− e e 2 2 = 0.
St
∂2C
• Γ= ∂St2
∂C
• ρ= ∂r
∂C
• Θ= ∂t
∂C
• V= ∂σ
Todas estas medidas de sensibilidad son conocidas como ”los griegos”. In-
cluye como vemos V que se pronuncia ”vega”. Una cartera que no es sensible a
pequeños cambios en alguno de los parametros se dice que es ”neutral”: delta
neutral, gamma neutral,..
Proposición 1.5.16 En el modelo de Black-Scholes la cartera que replica un
call con strike K y tiempo de madurez T tiene los siguientes griegos:
• ∆ = Φ(d+ ) > 0
φ(d
√ +)
• Γ= St σ (T −t) > 0 (donde φ es la densidad de una normal estándar)
Opciones exóticas
No todas las opciones tienen un payoff h = f (ST ). Ası́ por ejemplo tenemos las
opciones asiáticas con payoff
!
1 T
Z
h= Su du − K
T 0
+
Demostración. Bajo P ∗
Mt := EP ∗ (e−rT h|Ft ), 0 ≤ t ≤ T
esto es
Z t
C̃t = C0 + Hs dS̃s ,
0
Ejemplo 1.5.6 (Opciones asiáticas) Consideremos una opción asiática con pay-
off
!
1 T
Z
h= Su du − K ,
T 0
+
T
1 Su
Z
ϕ(t, x) = EP ∗ (( du − x)+ ).
T t St
Entonces
Ct
! !
T
1
Z
−r(T −t)
=e EP ∗ Su du − K Ft
T 0
+
! !
T t
1 1
Z Z
= e−r(T −t) EP ∗ Su du − (K − Su du) Ft
T t T 0
+
Rt ! !
1 T
Su K − T1 0 Su du
Z
−r(T −t)
=e St E du − Ft
P∗
T t St St
+
−r(T −t)
=e St ϕ(t, Zt )
❘t
K− T1 Su du
donde Zt = St
0
. Es fácil ver que
2 1
dZt = (σ − r)Zt − dt − σZt dWt .
T
Then, we know that C̃t = e−r(T −t) S̃t ϕ(t, Zt ), t ≤ T is a martingale. Then if we
assume that ϕ(t, x) ∈ C 1,2 tendremos
∂ϕ ∂ϕ 1 ∂2ϕ 2 2
dϕ = dt + dZt + σ Zt dt
∂t ∂Zt 2 ∂Zt 2
1 ∂2ϕ 2 2
∂ϕ ∂ϕ 2 1
= + σ − r)Zt − + σ Zt dt
∂t ∂Zt T 2 ∂Zt2
∂ϕ
− σZt dWt ,
∂Zt
por otra parte
dC̃t = re−r(T −t) S̃t ϕdt + e−r(T −t) ϕdS̃t + e−r(T −t) S̃t dϕ
+ e−r(T −t) dhS̃, ϕit
= re−r(T −t) S̃t ϕdt + e−r(T −t) ϕdS̃t + e−r(T −t) S̃t dϕ
∂ϕ 2
− e−r(T −t) σ S̃t Zt dt
∂Zt
∂ϕ
= e−r(T −t) ϕ − Zt dS̃t
∂Zt
∂ϕ 2
+ re−r(T −t) S̃t ϕdt − e−r(T −t) σ S̃t Zt dt
∂Zt
1 ∂2ϕ 2 2
−r(T −t) ∂ϕ ∂ϕ 2 1
+e S̃t + (σ − r)Zt − + σ Zt dt,
∂t ∂Zt T 2 ∂Zt2
igualando la parte que es martingala tenemos las ecuaciones
−r(T −t) ∂ϕ
dC̃t = e ϕ − Zt dS̃t
∂Zt
1 ∂2ϕ 2 2
∂ϕ ∂ϕ 1
rϕ + − rZt + + σ Zt = 0.
∂t ∂Zt T 2 ∂Zt2
Por tanto la estrategia recubridora viene dada por Ht0 , Ht con Ht0 = Ct −Ht St
y
∂ϕ
Ht = e−r(T −t) ϕ − Zt ,
∂Zt
60 CAPÍTULO 1. VALORACIÓN DE DERIVADOS
C = e−rT S0 ϕ(0, 0)
donde ϕ es solución de la ecuación (1.13) con la condición de contorno ϕ(T, x) =
(1 + x)
Lema 1.5.2 Consideremos funciones escalonadas de la forma
n
X
f (t) = λi 1(ti−1 ,ti ] (t)
i=1
y también
Z T
E((F − E(F ))(1 + Etf f (t)dBt )) = 0
0
ahora bien, por la fórmula de Itô
Z T
ETf = 1 + Etf f (t)dBt ,
0
de manera que
E((F − E(F ))ETf ) = 0
y por el lema anterior F − E(F ) = 0 P c.s.
Mt = E(MT |Ft )
y por lo anterior
Z T
MT = E(MT ) + Ys dBs
0
entonces basta tomar esperanzas condicionadas.
62 CAPÍTULO 1. VALORACIÓN DE DERIVADOS
Capı́tulo 2
Optimización de carteras
Una estrategia de inversión será una cartera admisible φ = ((φ0n , φ1n , ..., φdn ))0≤n≤N
en Rd+1 . φin indica el número de acciones del tipo i-ésimo en la cartera de
valores, en el instante n-ésimo, denotaremos por A el conjunto de carteras
autofinanciadas.
Fijaremos una función de utilidad u : R+ → R que supondremos difer-
enciable, cóncava y estrictamente creciente. Ejemplos de funciones de utilidad
son:
u(x) = logγ x
u(x) = xγ γ < 1, γ 6= 0
u(x) = 1 − e−x
63
64 CAPÍTULO 2. OPTIMIZACIÓN DE CARTERAS
De manera que
0 = g ′ (0) = E(u′ (VN (φ))∆S̃ni α),
y como esto es cierto para toda variable α, Fn−1 -medible, resulta entonces que
E(u′ (VN (φ))∆S̃ni |Fn−1 ) = 0.
Por otro lado sabemos, (por la ”formula de Bayes” (1.8)), que
1
EP ∗ (∆S̃ni |Fn−1 ) = E(∆S̃ni u′ (VN (φ))|Fn−1 )),
E(u′ (VN (φ))|Fn−1 )
y por tanto
EP ∗ (∆S̃n |Fn−1 ) = 0.
8ր
ց
1/2
1/2
5ր
ց 6
1/2
1/2
4ր
ց
1/2
que depende de tres variables φ1 , φ28 := φ2 (8), φ24 := φ2 (4). Entonces, como
3
∆S1 =
−1
y
1
(si S1 = 8)
−2
∆S2 = ,
2
( si S1 = 4)
−1
resultará
1
− e−x+φ1 4e−2φ24 + eφ24 < 0
4
66 CAPÍTULO 2. OPTIMIZACIÓN DE CARTERAS
donde Ayn son las carteras autofinanciadas construidas a partir del instante n
y cuyo valor en n es y.Definimos UN (y) = u(y). Se le suele llamar ”proceso
valor óptimo”. Notemos que puesto que el valor de toda cartera autofinanciada
depende de su valor inicial y de ((φ1n , φ2n , ..., φdn ))0≤n≤N , sucesión previsible:
N
y X
VN (φ) = (1 + r)N ( + φj · ∆S̃j )
(1 + r)n j=n+1
tendremos que
y ❳
N
Un (y) = max E(u((1 + r)N ( + φ · ∆S̃n+1 + ϕj · ∆S̃j ))|Fn )
φ Fn -medible, (1 + r)n j=n+2
(ϕj ) previsible
✥ ❳
N
✦
y
= max max E(u((1 + r)N ( + φ · ∆S̃n+1 + ϕj · ∆S̃j ))|Fn )
φ Fn -medible, (ϕj ) previsible (1 + r)n
✥ j=n+2
❳
N
✦
y
N
= max max E(E(u((1 + r) ( + φ · ∆S̃n+1 + ϕj · ∆S̃j ))|Fn+1 )|Fn )
φ Fn -medible, ( j)
ϕ previsible (1 + r)n
✥ j=n+2
❳
N
✦
y N
= max E( max E(u((1 + r) ( + φ · ∆S̃n+1 + ϕj · ∆S̃j ))|Fn+1 )|Fn )
φ Fn -medible, (ϕj ) previsible (1 + r)n j=n+2
y
= max E(Un+1 ((1 + r)n+1 ( + φ · ∆S̃n+1 ))|Fn ).
φ Fn -medible, (1 + r)n
En la cuarta igualdad utilizamos el hecho de que si Z es una variable aleatoria
que depende de (ϕj )
de manera que
obviamente
Como
E 1 − e−(y+φ28 ∆S2 ) |S1 = 8
1 −(y+φ28 )
=1− e + e−(y−2φ28 )
2
y
E 1 − e−(y+φ24 ∆S2 ) |S1 = 4
1 −(y−φ24 )
=1− e + e−(y+2φ24 )
2
con lo que el máximo se obtiene para
1 1
φ28 = − log 2, φ24 = log 2.
3 3
Entonces, independientemente del valor de S1 ,
3
U1 (y) = 1 − 22/3 e−y .
2
Ahora
3
U0 (y) = max E(1 − 22/3 e−(y+φ1 ∆S1 ) ))
φ1 2
3 2/3 −y −3φ1
= max(1 − 2 e (e + eφ1 ))
φ1 4
de donde el valor máximo se alzanza para
1
φ1 = log 3
4
por tanto
Y
max E(u(Y )) = max{u(Y ), EP ∗ = x}.
Y ∈Vx Y (1 + r)N
λL
u′ (Y ) =
(1 + r)N
YL
x=E
(1 + r)N
λL
Y = I( )
(1 + r)N
λL
!
I( (1+r) N )L
x=E .
(1 + r)N
(1 + r)N
Y = ,
λL
x(1 + r)N
Y =
L
1
xγ
Ejemplo 2.2.2 Si u(x) = γ , tenemos u′ (x) = xγ−1 e I(y) = y γ−1 por tanto
λL 1
Y =( N
) γ−1
(1 + r)
la condición sobre λ da
1
λL
( (1+r) N )
γ−1
x=E L
(1 + r)N
de manera que
1
γ
−1
λ γ−1 = x E((L(1 + r)−N ) γ−1 )
con lo que
1
x(L(1 + r)−N ) γ−1
Y = γ
E((L(1 + r)−N ) γ−1
Ejemplo 2.2.3 Si u(x) = 1 − e−x , u′ (x) = e−x , I(y) = − log y. Por tanto
(1 + r)N
Y = log .
λL
La condición sobre λ nos da
N !
log (1+r)
λL
x=E L ,
(1 + r)N
por tanto
(1 + r)N
log = x(1 + r)N + E(L log L)
λ
con lo que
Y = x(1 + r)N − log L + E(L log L)
2.2. MÉTODO DE MARTINGALA J.M. Corcuera
P ∗ (ω1 ) 2 P ∗ (ω2 ) 1
L(ω1 ) = = , L(ω2 ) = =
P (ω1 ) 3 P (ω2 ) 3
P ∗ (ω3 ) P ∗ (ω4 )
L(ω3 ) = = 1, L(ω4 ) = = 2.
P (ω3 ) P (ω4 )
Por otro lado u(x) = 1 − e−x e I(x) = − log x con lo que la riqueza óptima
viene dada por
de manera que
Y = x − log L − E(L log L)
esto es
2
Y (ω1 ) = x − log − E(L log L)
3
1
Y (ω2 ) = x − log − E(L log L)
3
Y (ω3 ) = x − E(L log L)
Y (ω4 ) = x − log 2 − E(L log L)
ahora tenemos que hallar la cartera que replica esta riqueza (”payoff ”). En-
tonces, utilizando la misma notación que antes
con lo que
Y (ω1 ) − Y (ω2 ) 1
φ28 = = − log 2,
S2 (ω1 ) − S2 (ω2 ) 3
72 CAPÍTULO 2. OPTIMIZACIÓN DE CARTERAS
análogamente
Y (ω3 ) − Y (ω4 ) 1
φ24 = = log 2.
S2 (ω3 ) − S2 (ω4 ) 3
Ahora, la cartera en n = 1 vale
VN (φ)
EP ∗ ( ) = x.
(1 + r)N
φn · Sn = Cn + φn+1 · Sn ,
esto es
y por tanto
N
X N
X −1
VN = ν + φn · ∆Sn − Cn
n=1 n=0
u′ (CN )
P ∗ (ω) = P ∗ (ω)
E(u′ (CN ))
N
X
max E( αn u(Cn ))
(C,φ)∈A
V0 =ν n=0
N
X −1
= max E(u(ν − φ1 S0 ) + αn u((1 + r)n (φn − φn+1 ) · S̃n )
φ ∈A
n=1
N N
+ α u((1 + r) φN · S̃N ))
:= max F (φ)
φ∈A
g(y) = F (φ̂(y))
con lo que (αn u′ (Cn )Sni )0≤n≤N es una martingala, en particular si tomamos
i = 0 resultará que (αn u′ (Cn )(1 + r)n ) es una martingala. Si aplicamos ahora
76 CAPÍTULO 2. OPTIMIZACIÓN DE CARTERAS
Definamos
Un (y)
X N
= max E( αj−n u(Cj )|Fn ), Cn ≥ 0 Fn -medible, (Cj , φj )n+1≤j≤N ∈ A, Vn = y
j=n
para n = 0, 1, ..., N. Notemos que para UN (y) = u(y), ya que a mayor consumo
mayor utilidad.
y
Un (y) = max(u(Cn ) + αE(Un+1 ((1 + r)n+1 ( + φ · ∆S̃n+1 − C̃n ))|Fn ))
Cn ,φ (1 + r)n
2.3. CONSUMO ÓPTIMO J.M. Corcuera
N
X
Un (y) = max E( αj−n u(Cj )|Fn )
(Cj ,φj )n+1≤j≤N
Cn ,Vn =y j=n
N
X
= max E(u(Cn ) + α αj−n−1 u(Cj )|Fn )
(Cj ,φj )n+1≤j≤N
Cn ,Vn =y j=n+1
N
X
= max max E(u(Cn ) + α αj−n−1 u(Cj )|Fn )
Cn ,φn+1 (Cj ,φj )n+2≤j≤N
Vn =y Cn+1 j=n+1
N
X
= max u(Cn ) + α max E( αj−n−1 u(Cj )|Fn )
Cn ,φn+1 (Cj ,φj )n+1≤j≤N
V0 =y Cn+1 j=n+1
N
X
= max u(Cn ) + α max E(E( αj−n−1 u(Cj )|Fn+1 )|Fn )
Cn ,φn+1 (Cj ,φj )n+2≤j≤N
Vn =y Cn+1 j=n+1
N
X
αj−n−1 u(Cj )|Fn+1 ))|Fn )
= max u(Cn ) + αE( max (E(
Cn ,φn+1 Cn+1 ,(Cj ,φj )n+2≤j≤N
Vn =y y j=n+1
Ṽn+1 = (1+r)n +φn+1 ·∆S̃n+1 −C̃n
y
= max u(Cn ) + αE(Un+1 ((1 + r)n+1 ( + φn+1 · ∆ S̃ n+1 − C̃n ))|Fn )
Cn ,φn+1 (1 + r)n
Vn =y
U1 (y) (S1 = 8) = max (log(c18 ) + αE(U2 (y + φ28 ∆S2 − c18 )|S1 = 8))
c18 ,φ28
de lo que resulta
−αy y
φ28 = , c18 = . (2.2)
4(1 + α) 1+α
Por tanto
3α α
U1 (y) (S1 = 8) = (1 + α) log y − log(1 + α) + α log − log 2,
2(1 + α) 2
análogamente obtendrı́amos
αy y
φ24 = , c14 =
4(1 + α) 1+α
y por tanto
3α α
U1 (y) (S1 = 4) = (1 + α) log y − log(1 + α) + α log − log 2,
2(1 + α) 2
de manera que en este caso no depende del valor de S1 .Usando otra vez la
ecuación de programación dinámica, tenemos:
U0 (y) = max(log(c) + αE(U1 (y + φ1 ∆S1 − c)))
c,φ1
α(1 + α)
max(log(c) + log(y + 3φ1 − c)
c,φ1 2
α(1 + α)
+ log(y − φ1 − c) − K)
2
3α α
con K = log(1 + α) − α log 2(1+α) + 2 log 2, de donde resulta
y α(1 + α)y
c= 2
, φ1 = .
1+α+α 3(1 + α + α2 )
Notemos que para calcular φ28 , φ24 y los consumos óptimos en el intante 1, c18 ,
c14 , en términos de la riqueza inicial y, tenemos primero que calcular la riqueza
en 1, si S1 = 8:
α(1 + α)y y
V18 := y + 3φ1 − c = y + −
1 + α + α2 1 + α + α2
2α(1 + α)y
=
1 + α + α2
y substituir en (2.2 ), con lo que
α2 y 2αy
φ28 = − , c18 = .
2(1 + α + α2 ) 1 + α + α2
Si S1 = 4, tendriamos la riqueza en 1:
α(1 + α)y y
y − φ1 − c = y − −
3(1 + α + α2 ) 1 + α + α2
2α(1 + α)y
= ,
3(1 + α + α2 )
2.3. CONSUMO ÓPTIMO J.M. Corcuera
con lo que
α2 y 2αy
φ24 = , c14 = .
6(1 + α + α2 ) 3(1 + α + α2 )
Por último el consumo óptimo en el instante final vendrá dado por la riqueza en
ese instante, de manera que si, por ejemplo S2 = 9, el consumo óptimo valdrá
3α2 y
= .
2(1 + α + α2 )
Sin embargo estas expresiones no son interesantes en la práctica, con la expre-
siones (2.2 ) ya tenemos suficiente.
para ello habrá que generar este payoff y esto se podrá hacer si tenemos una
cantidad inicial ν tal que
ahora bien
N
X N
X N
X
EP ∗ ( C̃n ) = EP ∗ (C̃n ) = E(C̃n L)
n=0 n=0 n=0
N
X N
X
= E(C̃n E(L|Fn )) = E(Cn Nn )
n=0 n=0
αn u′ (Cn ) = λNn , 0 ≤ n ≤ N
N
X
E( Cn Nn ) = ν
n=0
con lo que
λNn
Cn = I( ), 0 ≤ n ≤ N
αn
N
X λNn
ν = E( I( n )Nn )
n=0
α
Ejemplo 2.3.2 Si tomamos u(x) = log(c) tenemos I(y) = 1/y, con lo que
αn
Cn = ,0 ≤ n ≤ N
λNn
N N
X αn 1X n
ν = E( Nn ) = α
n=0
λNn λ n=0
de manera que
αn ν
Cn = PN
Nn n=0 αn
P∗
Ni = E (L|Fi ) = E( |Fi )
P
P∗
= E( |Fi ),
P
82 CAPÍTULO 2. OPTIMIZACIÓN DE CARTERAS
y en nuestro caso
N0 = 1,
1 2 1 1
4 3 1 4 3 1 1
N1 (S1 = 8) = 1 1 + 1 1 =
2 2
2 2 2
2 2
3 1 3 2
4 3 1 4 3 1 3
N1 (S1 = 4) = 1 1 + 1 1 =
2 2
2 2 2
2 2
N2 = L.
α2 ν
C2 =
L(1 + α + α2 )
para hallar la estrategia óptima tenemos ahora que replicar C2 , esto es hallar
por ejemplo φ028 , φ28 tales que
α2 ν 3 α2 ν
φ028 + 9φ28 = 1 2 =
4
1
3
1 (1 + α + α2 ) 2 1 + α + α2
2 2
α2 ν 3α2 ν
φ028 + 6φ28 = 1 1 =
4
1
3
1 (1 + α + α2 ) 1 + α + α2
2 2
con lo que
α2 ν
φ28 = − ,
2(1 + α + α2 )
análogamente obtendrı́amos
α2 ν
φ24 = .
2(1 + α + α2 )
αν
c14 = C1 (S1 = 4) =
N1 (S1 = 4)(1 + α + α2 )
2αν
= ,
3(1 + α + α2 )
2.3. CONSUMO ÓPTIMO J.M. Corcuera
3 α2 ν α2 ν
V18 = φ028 + 8φ28 + c18 = +
2 1 + α + α2 2(1 + α + α2 )
2αν
+
(1 + α + α2 )
2α(1 + α)ν
= ,
1 + α + α2
y análogamente
2α(1 + α)ν
V14 = .
3(1 + α + α2 )
Por último habrı́a que replicar V1 i esto nos conduce a
2α(1 + α)ν
φ0 + 8φ =
1 + α + α2
2α(1 + α)ν
φ0 + 4φ = ,
3(1 + α + α2 )
con lo que
α(1 + α)ν
φ= ,
3(1 + α + α2 )
el consumo en el instante inicial es
ν
C0 =
1 + α + α2
de manera que el valor de la cartera en el instante inicial será
Método de martingala
N
X N
X −1
E( αn uc (Cn ) + αN up (VN − CN ) − λ( Cn Nn + VN NN − ν)),
n=0 n=0
σ2
St = S0 exp{µt − t + σBt }.
2
Si suponemos un proceso de inversión-consumo (c, φ) y una riqueza inicial x
tendremos Z t Z t Z t
0 0 1
Vt = x + φs dSt + φs dSt − cs ds.
0 0 0
Un caso particular
Consideremos el caso en que queremos maximizar la utilidad terminal y que
usamos la utilidad logarı́tmica. En este caso ct = 0, 0 ≤ t ≤ T. En este caso
Tenemos
dVt 1 θt2 σ 2 Vt2
d log(Vt ) = − dt
Vt 2 Vt2
1
= (r + θt (µ − r) − θt2 σ 2 )dt + θt σdBt ,
2
de manera que
!
T Z T
1 2 2
Z
E(log(VT )) = log(V0 ) + E (r + θs (µ − r) − θs σ )ds + E( θt σdBt ).
0 2 0
RT
Entonces si asumimos que 0
E(θt2 )dt < ∞. Tendremos que
!
T
1 2 2
Z
E(log(VT )) = log(V0 ) + E (r + θs (µ − r) − θs σ )ds
0 2
y obtendremos un máximo si
µ−r
θt = .
σ2
lim U ′ (t, c) = 0
c→∞
lim U ′ (t, c) = ∞
c→0+
Z T
H(t, x) = sup E( F (s, cs )ds + G(VT ))
c,θ t
Vt =x
Z t+h Z T
= sup E( F (s, cs )ds + F (s, cs )ds + G(VT )|Ft ))
c,θ t t+h
Vt =x
Z t+h Z T
= sup (E( F (s, cs )ds|Ft ) + E( F (s, cs )ds + G(VT )|Ft+h )|Ft ))
c,θ t t+h
Vt =x
Z t+h
= sup (E( F (s, cs )ds|Ft ) + H(t + h, Vt+h )|Ft )
c,θ t
Vt =x
Si suponemos que H(t, x) es C 1,2 para poder aplicar la fórmula de Itô tendremos
Z t+h
∂H 1 ∂2H 2 2 2
H(t + h, Vt+h ) = H(t, Vt ) + ( + V θ σ )ds
t ∂s 2 ∂x2 s s
Z t+h
∂H
+ dVs
t ∂x
Z t+h
∂H 1 ∂2H 2 2 2
= H(t, x) + ( + V θ σ )ds
t ∂s 2 ∂x2 s s
Z t+h
∂H
+ dVs (suponemos que Vt = x)
t ∂x
Z t+h
∂H ∂H 1 ∂2H 2 2 2
= H(t, x) + ( + (Vs (r + θs (µ − r)) − cs ) + V θ σ )ds
t ∂s ∂x 2 ∂x2 s s
Z t+h
∂H
+ Vs θs σdBs .
t ∂x
RT
Asumiendo ahora que 0 E( ∂H 2
∂x Vs θs ) dt < ∞, o bien localizando el proceso,
tendremos
E(H(t + h, Vt+h )|Ft ) = H(t, x)
Z t+h
∂H ∂H 1 ∂2H 2 2 2
+ E( ( + (Vs (r + θs (µ − r)) − cs ) + V θ σ )ds|Ft ).
t ∂s ∂x 2 ∂x2 s s
88 CAPÍTULO 2. OPTIMIZACIÓN DE CARTERAS
∂H ∂H 1 ∂2H 2 2 2
+sup (F (t, ct )+ (x(r+θt (µ−r))−ct )+ x θt σ ) = 0.(Hamilton-Jacobi-Bellman)
∂t ct ,θt ∂x 2 ∂x2
∂H ∂H 1 ∂2H 2 2 2
+ sup(F (t, c) + (x(r + θ(µ − r) − c) + x θ σ ) = 0, (2.3)
∂t c,θ ∂x 2 ∂x2
∂H 1 ∂2H 2 2 2
sup(F (t, c) + (x(r + θ(µ − r)) − c) + x θ σ ),
c,θ ∂x 2 ∂x2
a(T ) = 1, b(T ) = 0,
e−δt
ĉ = x
a(t)
µ−r
θ̂ = ,
σ2
asimismo
∂H
= ȧ(t) log x + ḃ(t)
∂t
∂H a(t)
=
∂x x
∂2H a(t)
2
=− 2 .
∂x x
Teniendo en cuenta todo esto la ecuación (2.3) queda de la forma
e−δt 1 (µ − r)2
0 = ȧ(t) log x + ḃ(t) + e−δt log x + a(t)(r + ) − e−δt = 0
a(t) 2 σ2
ȧ(t) = −e−δt
con lo que
e−δt − e−δT
a(t) = 1 + .
δ
Por tanto los consumos y estrategias óptimas vienen dados por
δe−δt
ct = Vt
δ+ e−δt
− e−δT
µ−r
θ=
σ2
RT
Demostración. Consideremos la variable FT -medible ξ + 0 cs er(T −s) ds ≥
0. Sabemos que al ser de cuadrado integrable existe una estrategia admisible que
la replica de manera que su valor actualizado en cada instante es
Z T Z t
EP ∗ (ξ˜ + c̃s ds|Ft ) = x + φ1s dS̃t ,
0 0
le corresponderá el lagrangiano
Z T Z T
E( F (t, ct )dt + G(VT )) − λ(EP ∗ (ṼT + c̃t dt) − x)
0 0
Z T Z T
= E( F (t, ct )dt + G(VT ) − λ(ṼT ZT + c̃t Zt dt − x)
0 0
Z T Z T
= E( F (t, ct )dt + G(VT ) − λ(VT NT + ct Nt dt − x),
0 0
∗
donde Zt = E( dP
dP |Ft ) y Nt = e
−rt
Zt , 0 ≤ t ≤ T.Las condiciones de primer
orden nos conducen a
F ′ (t, ct ) = λNt
G′ (VT ) = λNT
Z T
E(VT NT + ct Nt dt) = x
0
Z T
E(I2 (λNT )NT + I1 (t, λNt )Nt dt) = x.
0
2.4. OPTIMIZACIÓN EN EL MODELO DE BLACK-SCHOLESJ.M. Corcuera
e−δt
ct =
λNt
1
VT = ,
λNT
esto es
δ + 1 − e−δT
λ= .
δx
Notemos, a partir de (2.6) que
Z T
Ṽt = EP ∗ (ṼT + c̃s ds|Ft )
t
RT
E(VT NT + t
cs Ns ds|Ft )
=
Zt
1 1
RT
λ + λ t
e−δs ds
=
Zt
γ(t)x
= ,
Zt
esto es
γ(t)x
Vt =
Nt
con
δ + e−δt − e−δT
γ(t) = ,
1 + δ − e−δT
de esta manera podemos concluir que
e−δt e−δt
ct = = Vt
λNt γ(t)λx
δe−δt
= Vt ,
δ + e−δt − e−δT
tal como habı́amos obtenido. Para calcular la estrategia óptima por este método,
necesitamos escribir Vt en términos de St y para ello explicitar el proceso (Nt ).
A partir de (1.10) tenemos que
2
dP ∗
r−µ 1 r−µ
Zt = E( |Ft ) = exp{ Bt − t}, 0 ≤ t ≤ T
dP σ 2 σ
92 CAPÍTULO 2. OPTIMIZACIÓN DE CARTERAS
σ2
y como St = S0 exp{µt − 2 t + σBt }, resulta que
r−µ 2
σ2
St σ2 1 r−µ
Zt = exp{−µt + t} exp{− t}
S0 2 2 σ
r−µ 2
σ2
St σ2 1 r−µ
= exp{−µt + t} exp{− t}
S0 2 2 σ
r−µ
= St σ2 aebt ,
γ(t)x 1 µ−r
Ṽt = = γ(t)xe−bt St σ2
Zt a
y buscamos φ tal que
Z t Z t
Ṽt = x + φ1s dS̃s − c̃s ds
0 0
resultará que
∂ S̃t σ a
rt
µ − r e Ṽt µ − r Vt
= = ,
σ2 St σ 2 St
de manera que
φ1t St µ−r
= .
Vt σ2
al igual que obteniamos por el otro método.
si
dXt = (ax + ut )dt + σdWt ,
donde el control ut no tiene restricciones.
Capı́tulo 3
Los modelos de tipos de interés son usados principalmente para valorar y re-
cubrir bonos y opciones sobre bonos. Señalar que no existe un modelo de refer-
encia como el modelo de Black-Scholes para opciones sobre ”stocks”.
3.1 Modelización
3.1.1 La curva de tipos
En los modelos que hemos estudiado los tipos de interés se supusieron con-
stantes. En la práctica el interés depende de la fecha de emisión del préstamo
y del final o madurez del mismo.
Alguien que pide prestado un euro en el instante t, hasta la madurez T ,
tendrá que pagar una cantidad F (t, T ) en el instante T , lo cual equivale a un
tipo medio de tasa de interés contı́nuo R(t, T ) dado por la igualdad:
En efecto, sea s ≥ t
93
94 CAPÍTULO 3. MODELOS DE TIPO DE INTERÉS
Notemos que
T
1
Z
R(t, T ) = r(s)ds.
T −t t
La función r(s) se interpreta como un tipo de interés instantáneo, se le suele
llamar ”tipo en corto” (”short rate”).
Planteémoslo al revés. Supongamos que quiero un contrato que me garantize
el cobro de un euro en el instante T . Tendremos entonces lo que se llaman bonos.
¿Cuanto tendré que pagar por el precio de un bono en el instante t?. Para recibir
F (t, T ) en el instante T tenemos que pagar ( poner en la cuenta bancaria) la
cantidad de un euro, por tanto habrá que pagar 1/F (t, T ).
En la práctica no se conocen los precios de los bonos para los diferentes
instantes, estos van cambiando aleatoriamente con el instante inicial, pero in-
tuitivamente parece que tenga que existir una relación entre los precios corre-
spondientes a los diferentes instantes iniciales y de madurez. El ánimo de los
modelos de bonos es establecer estas relaciones.
El principal objeto de estudio es lo que llamaremos ”bono sin cupones”
(”zero coupon bond”).
Definición 3.1.1 Un bono sin cupones con madurez T es un contrato que
garantiza el cobro de un euro en el instante T . Su precio en el instante t lo
escribiremos P (t, T ).
El convenio de que el pago en el instante de la madurez sea 1, conocido
como ”valor principal”, es por simplicidad. Los bonos con cupones son los
que van dando ciertas cantidades (cupones) hasta el final del periodo. Todos
estos instrumentos tienen en común que proporcionan al propietario un flujo
determinista de dinero y por ello se llaman activos de renta fija.
Definición 3.1.2 La curva de tipos (de un bono sin cupones) es la gráfica cor-
respondiente de la aplicación
T 7−→ R(t, T )
Hemos visto que si pudieramos anticipar el futuro, o si quiseramos construir
un mercado con los precios de los bonos fijados para los diferentes instantes de
negociación y madurez la condición de ausencia de arbitraje nos conducirı́a a
❘T
P (t, T ) = e− t
r(s)ds
.
3.1. MODELIZACIÓN J.M. Corcuera
y
T
1
Z
R(t, T ) = r(s)ds
T −t t
• ¿qué relación deben tener los precios de los bonos para que no haya arbi-
traje?
La cantidad que recibimos P (t, S)/P (t, T ) se puede indicar mediante tipos
simples o contı́nuos:
96 CAPÍTULO 3. MODELOS DE TIPO DE INTERÉS
Definición 3.1.3
2. El interés actual simple (”spot”) para [t, T ], LIBOR actual, se define como
P (t, T ) − 1
L(t, T ) = − ,
(T − t)P (t, T )
es el anterior haciendo S = t.
3. El tipo de interés continuo a plazo contratado en t para [S, T ] como
log P (t, T ) − log P (t, S)
R(t; S, T ) = −
T −S
es una martingala.
Esta hipótesis tiene las siguientes interesantes consecuencias.
Proposición 3.1.1
❘u
P (t, u) = EP ∗ e− t r(s)ds |Ft
Demostración.
❘u
P̃ (t, u) = EP ∗ (P̃ (u, u)|Ft ) = EP ∗ (e− 0
r(s)ds
P (u, u)|Ft )
❘u
− r(s)ds
= EP ∗ (e 0 |Ft ),
∗ ∗
Si escribimos, como siempre, ZT = dP dP
dP , sabemos que Zt := E( dP |Ft ) es
una martingala estrictamente positiva, entonces del hecho de que la filtración es
la generada por un movimiento browniano resultará la siguiente representación:
Proposición 3.1.2 Existe un proceso adaptado (q(t))0≤t≤T tal que, para todo
0 ≤ t ≤ T,
Z t
1 t 2
Z
Zt = exp{ q(s)dWs − q (s)ds}, c.s.
0 2 0
Demostración.
❘u
❘u E(e− t
r(s)ds
Zu |Ft )
− r(s)ds
E P∗ (e t |Ft ) =
Zt
❘u
r(s)ds Zu
= E(e− t |Ft )
Zt
❘u ❘u ❘u
q(s)dWs − 12 q 2 (s)ds
= E(e− t
r(s)ds+ t t |Ft ).
Proposición 3.1.3 Para cada madurez u, existe un proceso adaptado (σtu )0≤t≤u
tal que, para todo 0 ≤ t ≤ u,
dP (t, u)
= (r(t) − σtu q((t))dt + σtu dWt
P (t, u)
3.1. MODELIZACIÓN J.M. Corcuera
Demostración. Como P̃ (t, u) es una martingala bajo P ∗ resultará que
P̃ (t, u)Zt lo es bajo P , además es estrictamente positiva y argumentando
como antes tendremos que
❘t ❘t
θsu dWs − 21 (θsu )2 ds
P̃ (t, u)Zt = P (0, u)e 0 0
dP (t, u)
= r(t)dt + (θtu − q(t))dWt
P (t, u)
1 2
− ((θtu ) − q 2 (t))dt
2
1
+ (θtu − q(t))2 dt
2
= (r(t) + q 2 (t) − θtu q(t))dt
+ (θtu − q(t))dWt ,
dP (t, u)
= (r(t) − σtu q((t))dt + σtu dWt
P (t, u)
con
dSt0
= r(t)dt
St0
encontramos que los bonos son activos con mayor riesgo que el activo ”sin
riesgo” S 0 . Notemos también que bajo P ∗
Z t
W̃t := Wt − q(s)ds
0
(P (T, T ∗ ) − K)+
de manera que una estrategia será un par de procesos adaptados φ0t , φ1t 0≤t≤T ∗
Proposición 3.2.1 Sea T < T ∗ . Supongamos que sup0≤t≤T r(t) < ∞ c.s. y
∗
que σtT 6= 0 c.s.❘ para todo 0 ≤ t ≤ T . Sea h una variable aleatoria FT -medible
T
tal que h̃ = e− 0 r(s)ds h sea de cuadrado integrable bajo P ∗ . Entonces existe
una estrategia admisible que en el instante T vale h y su valor en t ≤ T viene
dado por ❘T
Vt = EP ∗ (e− t r(s)ds h|Ft ).
Mt := EP ∗ (h̃|Ft )
3.2. OPCIONES SOBRE BONOS J.M. Corcuera
E(h̃ZT |Ft )
EP ∗ (h̃|Ft ) =
Zt
de manera que
Mt Zt = E(h̃ZT |Ft )
y E(h̃ZT |Ft ) es claramente una P -martingala. De esta manera tendremos,
por una ligera generalización del teorema (1.5.5),
Z t
Mt Zt = E(Mt Zt ) + Js dWs ,
0
RT
con (Js ) adaptado y tal que 0
Js2 ds < ∞ c.s., por tanto
esto es
dZt 1 Jt
dMt = −Mt − dhM, Zit + dWt
Zt Zt Zt
1 Jt
= −Mt q(t)dWt − dhM, Zit + dWt
Zt Zt
Jt 1
= ( − Mt q(t))dWt − dhM, Zit
Zt Zt
Jt Jt
= ( − Mt q(t))dWt − ( − Mt q(t))q(t)dt
Zt Zt
Jt
= ( − Mt q(t))dW̃t = Ht dW̃t
Zt
Jt
con Ht := Zt − Mt q(t), 0 ≤ t ≤ T.Entonces si tomamos
Ht Ht
φ1t = , φ0t = EP ∗ (h̃|Ft ) − ∗
T ∗
σt P̃ (t, T ∗ ) σtT
❘T
r(s)ds
tendremos una cartera autofinanciada con valor final e 0 MT = h.En efecto
❘t ❘t ❘t
dṼt = d(e− 0
r(s)ds
Vt ) = −e− 0
r(s)ds
r(t)Vt dt + e− 0
r(s)ds
dVt
❘t ∗
− r(s)ds
=e 0 (−r(t)Vt dt + r(t)Vt dt + φ1t σtT P (t, T ∗ )dW̃t )
∗
= φ1t σtT P̃ (t, T ∗ )dW̃t = Ht dW̃t = dMt
❘T
por tanto tendremos una cartera autofinanciada con valor final e 0 r(s)ds MT =
h. Es inmediato que Ṽt ≥ 0 . La condición sup0≤t≤T r(t) < ∞ c.s. garantiza
RT
que 0 |r(t)Vt |dt < ∞.
102 CAPÍTULO 3. MODELOS DE TIPO DE INTERÉS
y supongamos que
P (t, T ) = F (t, r(t); T ) (3.2)
∂F (1) ∂F (2)
σ = φ1t σ
∂r ∂r
de aquı́
∂F (1)
φ1t = ∂r
∂F (2)
∂r
y
∂F (1)
rφ0t St0 = r(F (1)
− ∂r
∂F (2)
F (2) )
∂r
3.3. MODELOS BASADOS EN LOS TIPOS INSTANTÁNEOSJ.M. Corcuera
Como esto es cierto para arbitrarios, T1 , T2 < T, resultará que existe un λ(t, r)
tal que
∂F ∂F 1 ∂2F 2 ∂F
+ µ+ σ − rF = λσ (ecuación de estructura) (3.4)
∂t ∂r 2 ∂r2 ∂r
Como vemos resulta una indeterminación en λ y esto tiene que ver con el
hecho de que la dinámica de r(t) bajo P no determina los precios de los bonos.
Tenemos la siguiente proposición
T T
dP ∗ 1
Z Z
= exp{− λ(s, r(s))dWs − λ2 (s, r(s))ds},
dP 0 2 0
supongamos que
❘T
F (t, r(t); T ) = EP ∗ (e− t
r(s)ds
|Ft )
es C 1,2 , entonces es una solución de (3.4) con la condición de contorno F (T, r(T ); T ) =
1. Además bajo y P ∗
dr(t) = (µ − λσ)dt + σdW̃t
T T
dP ∗ 1
Z Z
= exp{− λ(s, r)dWs − λ2 (s, r)ds}
dP 0 2 0
RT
(una condición suficiente es la condición de Novikov E(exp{ 21 0
λ2 (s, r(s))ds}}) <
∞) entonces sabemos, por el teorema de Girsanov, que
Z ·
W̃· = W· + λ(s, r(s))ds
0
❘t
es un (Ft )-browniano respecto a P ∗ . Si aplicamos la fórmula de Itô a e− 0
r(s)ds
F (t, r(t); T )
104 CAPÍTULO 3. MODELOS DE TIPO DE INTERÉS
tendremos:
❘t
e− 0
r(s)ds
F (t, r(t); T )
Z t ❘
s ∂F ∂F 1 ∂2F 2
= F (0, r(0); T ) + e− 0 r(u)du ( + µ+ σ − rF )ds
0 ∂t ∂r 2 ∂r2
Z t ❘
s ∂F
+ e− 0 r(u)du σdWs
0 ∂r
Z t ❘
s ∂F ∂F 1 ∂2F 2 ∂F
= F (0, r(0); T ) + e− 0 r(u)du ( + µ+ σ − rF − λσ )ds
0 ∂t ∂r 2 ∂r2 ∂r
Z t ❘
s ∂F
+ e− 0 r(u)du σdW̃s .
0 ∂r
❘t ❘T
Entonces como e− 0 r(s)ds F (t, r(t); T ) = EP ∗ ((e− 0 r(u)du | Ft ) resultará que
∂F ∂F 1 ∂2F 2 ∂F
∂t + ∂r µ+ 2 ∂r 2 σ −rF −λσ ∂r = 0, y la condición de contorno F (T, r(T ); T ) =
1 se cumple trivialmente.
Ante esta circunstancia se han propuesto diversos modelos para r(t) bajo la
probabilidad neutral:
1. Vasicek
dr(t) = (b − ar(t))dt + σdWt .
2. Cox-Ingersoll-Ross (CIR)
√
dr(t) = a(b − r(t))dt + σ r(t)dWt
3. Dothan
dr(t) = ar(t)dt + σr(t)dWt
4. Black-Derman-Toy
5. Ho-Lee
dr(t) = Θ(t)dt + σdWt
resultará que
∂A 1 ∂B 1
− β(t)B + δ(t)B 2 − {1 + + α(t)B − γ(t)B 2 }r = 0
∂t 2 ∂t 2
y como esto debe ocurrir para todo valor de r(t)(ω) tendremos que
∂A 1
− β(t)B + δ(t)B 2 = 0
∂t 2
∂B 1
1+ + α(t)B − γ(t)B 2 = 0.
∂t 2
Ejercicio 3.3.1 Demuestra que salvo los modelos de Dothan y de Black-Derman-
Toy el resto de modelos mencionados tienen una estructura de tipos afı́n.
B(t, T ) − (T − t) 1 σ2 2
A(t, T ) = 2
(ab − σ 2 ) − B (t, T ),
a 2 4a
recordemos que
P (t, T ) = exp{−(T − t)R(t, T )}
3.3. MODELOS BASADOS EN LOS TIPOS INSTANTÁNEOSJ.M. Corcuera
donde R(t, T ) era el tipo de interés continuo para el periodo [t, T ], se trata de
un tipo promedio en el intervalo [t, T ], entonces como
resulta que
A(t, T ) − B(t, T )r(t)
R(t, T ) = − ,
T −t
se obtiene entonces que en nuestro modelo
b σ2
lim R(t, T ) = − 2
T →∞ a 2a
y esto es considerado como una imperfección del modelo.
de manera que α(t) = γ(t) = 0, β(t) = Θ(t) y δ(t) = σ 2 . Tenemos entonces las
ecuaciones
∂A σ2 2
− Θ(t)B + B = 0, A(T, T ) = 0
∂t 2
∂B
1+ = 0, B(T, T ) = 0
∂t
con lo que
B(t, T ) = T − t
Z T
σ 2 (T − t)3
A(t, T ) = Θ(s)(s − T )ds + .
t 2 3
Notemos que al contrario del modelo anterior no tenemos aparentemente una
expresión explı́cita en términos de los parámetros, ahora tenemos un parámetro
infinito-dimensional Θ(s). Una manera de estimarlo es tratar de ajustar la es-
tructura de tipos inicial observada {P̂ (0, T ), T ≥ 0}, con los valores teóricos.
Esto es
P (0, T ) ≈ P̂ (0, T ), T ≥ 0
Esto conduce a
∂ 2 log P (0, T ) ∂ 2 log P̂ (0, T ) ∂ fˆ(0, T )
− 2
≈ − 2
=
∂T ∂T ∂T
108 CAPÍTULO 3. MODELOS DE TIPO DE INTERÉS
y por tanto
∂ fˆ(0, T )
Θ(T ) = + σ2 T
∂T
Ejercicio 3.3.3 Sean (W1 , W2 , ..., Wn ) n movimientos Brownianos independi-
entes y sean Xi , i = 1, ..., n, procesos de Ornstein-Uhlenbeck soluciones de
Considerar el proceso
Demostrar que
p
dr(t) = (nσ 2 − 2ar(t))dt + 2σ r(t))dW (t)
de manera que los f (t, s) representan los tipos instantáneos (en s) ”anticipados”
por el mercado en t. Suponamos que bajo una probabilidad neutral P ∗
con
f (0, T ) = fˆ(0, T ).
Vamos a tratar de deducir
Ru la evolución de P (t, u) a partir de la de f (t, T ). Si
escribimos Xt = − t f (t, s)ds, tenemos P (t, u) = eXt y de la ecuación (3.8)
obtenemos
Z u
dXt = f (t, t)dt − df (t, s)ds =
Zt u Z u
= f (t, t)dt − α(t, s)dtds − σ(t, s)dW̃t ds
t t
Z u Z u
= (f (t, t) − α(t, s)ds)dt − ( σ(t, s)ds)dW̃t ,
t t
3.4. MODELOS BASADOS EN LOS TIPOS A PLAZO J.M. Corcuera
de manera que Z u
α(t, u) = ( σ(t, s)ds)σ(t, u)
t
y podemos reescribir la ecuación de evolución (3.8) como
Z T
df (t, T ) = σ(t, T )( σ(t, s)ds)dt + σ(t, T )dW̃t ,
t
notemos que entonces todo depende de σ(t, s), es decir de cierta volatilidad.
Hemos ”eliminado” la tendencia α(t, u), como en cierta manera ocurrı́a en el
modelo de Black-Scholes.
Entonces el algoritmo para el uso de un modelo HJM es
de manera que
t
f (t, T ) = fˆ(0, T ) + σ 2 t(T − ) + σ W̃t
2
110 CAPÍTULO 3. MODELOS DE TIPO DE INTERÉS
en particular
σ 2 t2
r(t) = f (t, t) = fˆ(0, t) + + σ W̃t
2
de manera que
∂ fˆ(0, T )
dr(t) = ( |T =t + σ 2 t)dt + σdW̃t
∂T
pero este es el modelo de Ho-Lee ajustado a la estructura inicial de los tipos a
plazo!.
Ejemplo 3.4.2 Una suposición habitual consiste en suponer que los tipos a
plazo con mayor madurez fluctuan menos que los de madurez más corta. Para
tener esto en cuenta podemos suponer por ejemplo que σ(t, T ) = σe−b(T −t) ,
b > 0, tendremos entonces que
T T
σ −b(T −t)
Z Z
σ(t, s)ds = e−b(s−t) ds = − e −1 ,
t t b
y
σ 2 −b(T −t) −b(T −t)
df (t, T ) = − e (e − 1)dt + σe−b(T −t) dW̃t .
b
Por tanto
σ 2 e−2bT σ 2 e−bT
f (t, T ) = f (0, T ) + 2
1 − e2bt − (1 − ebt )
2b b2
Z t
+ σe−bT ebs dW̃s ,
0
y en particular
σ2 σ2
r(t) = f (0, t) + 2 e−2bt − 1 − 2 (e−bt − 1)
2b b
Z t
−bt bs
+ σe e dW̃s ,
0
Proposición 3.4.1
Z x
∂
dr(t, x) = { r(t, x) + σ0 (t, x)( σ0 (t, s)ds}dt + σ0 (t, x)dW̃t
∂x 0
donde
σ0 (t, x) := σ(t, t + x)
Demostración.
∂
dr(t, x) = df (t, T )|T =t+x + f (t, T )|T =t+x dt
∂T
Z t+x
= σ(t, t + x)( σ(t, s)ds)dt + σ(t, t + x)dW̃t
t
∂
+ r(t, x)dt
∂x
Es obvio que este bono puede ser replicado con una cartera con ci bonos
de cero cupones con madurez Ti , i = 1, .., n − 1 y K bonos de cero cupones de
madurez Tn . De manera que su precio en cuaquier instante t < T1 vendrá dado
por
Xn
p(t) = KP (t, Tn ) + ci P (t, Ti ).
i=1
Ti = T0 + iδ,
y ri = r, de manera que
n
!
X
p(t) = K P (t, Tn ) + rδ P (t, Ti ) .
i=1
1
ci = L(Ti−1 , Ti )(Ti − Ti−1 ) = − 1.
P (Ti−1 , Ti )
Es fácil ver que podemos replicar esta cantidad vendiendo un bono (sin cupones)
que madure en Ti y comprando uno que madure en Ti−1 :
Por tanto para cualquier instante t < T0 el precio del bono con cupones
aleatorios será
n
X
p(t) = P (t, Tn ) + (P (t, Ti−1 ) − P (t, Ti )) = P (t, T0 )!
i=1
KδL(Ti−1 , Ti )
3.4. MODELOS BASADOS EN LOS TIPOS A PLAZO J.M. Corcuera
Vt
, 0 ≤ t ≤ T,
P (t, T )
es una P T -martingala.
Demostración. Definamos
❘T
e− 0 rs ds
Zt := EP ∗ ( |Ft ),
P (0, T )
entonces
P̃ (t, T )
Zt = .
P (0, T )
Por la regla de Bayes (1.8)
VT EP ∗ (VT ZT |Ft )
EP T ( |Ft ) = EP T (VT |Ft ) =
P (T, T ) Zt
EP ∗ (ṼT |Ft ) Ṽt
= =
P (0, T )Zt P̃ (t, T )
Vt
= .
P (t, T )
∂ ❘T ∂ − ❘ T rs ds
EP ∗ (e− t rs ds |Ft ) = EP ∗ ( e t |Ft ),
∂T ∂T
entonces
EP T (rT |Ft ) = f (t, T ).
3.4. MODELOS BASADOS EN LOS TIPOS A PLAZO J.M. Corcuera
Demostración.
1 ∂P (t, T ) 1 ∂ ❘T
f (t, T ) = − =− EP ∗ (e− t rs ds |Ft )
P (t, T ) ∂T P (t, T ) ∂T
1 ∂ − ❘ T rs ds 1 ❘T
=− EP ∗ ( e t |Ft ) = EP ∗ (rT e− t rs ds |Ft )
P (t, T ) ∂T P (t, T )
= EP T (rT |Ft ).
Demostración.
❘T
Π(t; S) = EP ∗ (e− t
rs ds
(ST − K)+ |Ft )
❘T
− rs ds
= EP ∗ (e t (ST − K)1{ST ≥K} |Ft )
❘T ❘T
= EP ∗ (e− t
rs ds
ST 1{ST ≥K} |Ft ) − KEP ∗ (e− t
rs ds
1{ST ≥K} |Ft )
(S) T
= St P (ST ≥ K|Ft ) − KP (t, T )P (ST ≥ K|Ft ),
con ❘T
dP (S) e− 0
rs ds
ST
∗
= .
dP S0
Definamos,
P (t, T )
FB (t, T, T̄ ) := .
P (t, T̄ )
116 CAPÍTULO 3. MODELOS DE TIPO DE INTERÉS
log FB (T ) − log P (t,T )
P (t,T̄ )
+ 21 Σ2t,T,T̄
Ley |Ft ∼ N (0, 1) bajo P T̄
Σt,T,T̄
P (t,T̄ )
log FB−1 (T ) − log P (t,T ) + 21 Σ2t,T,T̄
Ley |Ft ∼ N (0, 1) bajo P T
Σt,T,T̄
σT̄ ,T = −σ(T̄ − T ),
√
Σt,T,T̄ = σ(T̄ − T ) T − t.
Kδ(L(Ti−1 , Ti ) − R)+ .
Notemos que
Cap(t) − Floor(t) = Swap(t).
Proposición 3.5.1
T
1
Z
f (t; T, X) = EP ∗ (X exp{− rs ds}|Ft )
P (t, T ) t
= EP T (X|Ft ).
Proposición 3.5.2
F (t; T, X) = EP ∗ (X|Ft ).
Corolario 3.5.1 Los precios futuros y los ”forward” coinciden si y sólo si los
tipos de interés son deterministas.
Un modelo de Libor.
En primer lugar notemos que
de manera que
P (t, Ti−1 )
FB (t, Ti−1 , Ti ) = = 1 + δL(t; Ti−1 , Ti )
P (t, Ti )
con lo que
dFB (t, Ti−1 , Ti ) = δdL(t; Ti−1 , Ti ),
con lo que, respecto a P Ti , y en nuestro contexto de estructura afı́n
donde
L(t;Ti−1 ,Ti )
log K ± 12 υi2 (t)
di± = ,
υi (t)
donde Z Ti−1
υi2 (t) = λ2 (s, Ti−1 , Ti )ds.
t
3.6 Miscelanea
3.6.1 Black-Scholes en el caso multidimensional
El mercado consistirá en (d + 1) activos financieros St0 , St1 , ..., Std de manera que
dSt0 = St0 r(t)dt, S00 = 1,
y
d
σ ij (t)dWtj ), i = 1, ..., d
X
dSti = Sti (µi (t)dt +
j=1
1 d
donde W = (W , ..., W ) es un browniano d-dimensional . Por simplicidad
suponemos que µ, σ y r son deterministas y cadlag. Consideraremos la filtración
natural asociada a W .
Una estrategia de inversión será un proceso adaptado φ = ((φ0t , φ1t , ..., φdt ))0≤t≤T
en Rd+1 . El valor de la cartera en el instante t es el producto escalar
d
X
Vt (φ) = φt · St = φit Sti ,
i=0
120 CAPÍTULO 3. MODELOS DE TIPO DE INTERÉS
su valor descontado es
❘t
Ṽt (φ) = e− 0
rs ds
Vt (φ) = φt · S̃t .
Busquemos una probabilidad bajo la cual los precios actualizados de las carteras
autofinanciadas sean martingala. Sabemos que
❘t ❘t ❘t
dṼt = d e− 0 rs ds Vt (φ) = −rt e− 0 rs ds Vt dt + e− 0 rs ds dVt
d d
!
❘ ❘
− 0t rs ds − 0t rs ds
X X
i i i i i
= −rt e Vt dt + e φt dSt + φt St δt dt
i=0 i=1
❘t ❘t d
X
= e− rs ds
rt (φ0t St0 − Vt )dt + e− rs ds
φit dSti + φit Sti δti dt
0 0
i=1
❘t d
X ❘t d
X
= e− 0
rs ds
φit Sti (δti − rt )dt +− 0
rs ds
φit dSti
i=1 i=1
❘t d d d
σ ij (t)dWtj
X X X
= e− 0
rs ds φit Sti (δti + µit − rt )dt + φit Sti
i=1 i=1 j=1
d d d
!
❘t jk
Wtj
X X X
=e − 0
rs ds
φit Sti ij
σ (t)d + σt−1 (t)(δtk + µkt − rt )dt
i=1 j=1 k=1
❘t d d
σ ij (t)dW̃tj
X X
= e− 0
rs ds
φit Sti
i=1 j=1
con
d
jk
W̃tj = Wtj +
X
σ −1 (t)(δtk + µkt − rt )dt, j = 1, ..., d
k=1
−1 jk
(t)(rt − δtk − µkt )
Entonces por
el teorema de Girsanov con θj (t) = σ
resulta que W̃t es un browniano estándar d-dimensional con respecto
0≤t≤T
a la probabilidad P ∗ :
T T
1
Z Z
dP ∗ = Πnj=1 exp{− θj (t)dWtj − θj2 (t)dt}dP.
0 2 0
d
σtij Sti dW̃tj .
X
=
j=1
Entonces
! Z T !
(STi − K)+ (STi − K)+
Ct := EP ∗ RT Ft = exp{ δsi ds}EP ∗ RT |Ft ,
exp{ t rs ds} t exp{− t (rs − δsi )ds}
bajo P ∗ , y condicionando a Ft ,
T T d T d
1
Z Z Z
X 2 X 2
log STi − log Sti ∼ N ( (rs − δsi )ds − σsij ds, σsij ds).
t 2 t j=1 t j=1
122 CAPÍTULO 3. MODELOS DE TIPO DE INTERÉS
Por tanto
!
Z T Z T
Ct = exp{ δsi ds} Sti Φ(d+ ) − K exp{ (rs − δsi )ds}Φ(d− ) ,
t t
con
Sti RT i 1
Pd
ij 2
log K + t
r s − δ s ± 2 j=1 σ s ds
d± = r .
R T Pd ij 2
t j=1 σs ds
sea una martingala. También al caso en que σ sea adaptada e invertible para
todo ω y t, pero ya no tendremos formulas del ”tipo Black-Scholes” ya que los
valores ”descontados” de los stocks ya no serán log-normales .
Stock options
Supongamos que los bonos tienen una volatilidad σB (t, T ), d-dimensional, de-
terminista y cadlag, esto es, que bajo la probabilidad neutral P ∗
donde kσS (t) − σB (t, T )k > 0, σS (t) determinista y cadlag. Entonces el precio
de una opción de compra con strike K viene dado por
con
St
log KP (t,T ) ± 12 Σ2t
d± = ,
Σt
donde Z T
2
Σ2t = kσS (u) − σB (u, T )k du.
t
En efecto por la fórmula general que vimos
bajo P ∗
t t
P (t, T ) P (0, T )
Z Z
FS (t) := = exp{ ..du + (σS (u) − σB (u, T )) · dWu },
St S0 0 0
y bajo P (S)
dFS (t) = ||σS (u) − σB (u, T ))||dWu(S) ,
donde W (S) es un browniano. Análogamente bajo P T
St
FB (t) :=
P (t, T )
Volatilidad estocástica
Supongamos que bajo P ∗
donde Wt1 y Wt2 son dos brownianos estándar independientes. Entonces el precio
de una opción de compra con strike K viene dado por
con
St
log KP (t,T ) ± 12 Σ2t
d± = ,
Σt
donde Z T 2
Σ2t = σS (Wu2 , u) − σB (Wu2 , u, T ) du.
t
124 CAPÍTULO 3. MODELOS DE TIPO DE INTERÉS
con
St ξt
log KP (t,T ) ± 21 Σ̂2t
d± = ,
Σ̂t
donde Z T p
Σ̂2t = ( 1 − ρ2u σS (Wu2 , u) − σB (Wu2 , u, T ))2 du
t
and
T T
1
Z Z
ξt = exp{ ρu σS (Wu2 , u)dWu2 − ρ2u σS2 (Wu2 , u)du}.
t 2 t
St = ert+Xt ,
resulta que
ϕXT (v − i) − 1
ςT (v) := (FzT ) (v) = eivrT ,
iv(iv + 1)
3.6. MISCELANEA J.M. Corcuera
donde xk = −A/2 + k∆, con ∆ = A/(N − 1), wk depende del tipo de aprox-
imación, por ejemplo con la aproximación trapezoidal w0 = wN −1 = 1/2 y el
retso de pesos 1. Si ahora tomamos u = un = 2πn
N ∆ tendremos que
N −1
A iun A/2 X
F −1 (f )(un ) ≈ e wk f (xk )e−2πink/N .
N
k=0
que sólo require O(N log N ) operaciones. Notemos que el paso en la red de
puntos un viene dado por d = N2π∆ , de manera que d∆ = 2π
N de manera que si
queremos d y ∆ pequeños tendremos que aumentar N de manera importante.
Otra limitación es que en el algoritmo FFT la red de puntos tiene que ser
uniforme y el número de puntos una potencia de 2 (N = 2k ).
Bibliography
127