Suscríbete a DeepL Pro para poder traducir archivos de mayor tamaño.

Más información disponible en www.DeepL.com/pro.

Aplicación de las técnicas de investigación operativa a los mercados

financieros

John Board†, Charles Sutcliffe‡ y William Ziemba* 8

de abril de 1999

Autor corresponsal - John Board [ Fax 0171-955-7420 ]

Palabras clave: finanzas,programación matemática, simulación, modelización,

aplicación, retos para OR

† Departamento de Contabilidad y Finanzas, The London School of Economics and

Political Science, Londres WC2A 2AE, Reino Unido, correo electrónico
j.board@lse.ac.uk, fax 0171-955-7420.

‡División de Contabilidad y Finanzas, The School of Management, The University

of Southampton, Southampton SO17 1BJ, Reino Unido, e-mail cms@soton.ac.uk, fax
+44 1703 593844.

*Management Science Division, Faculty of Commerce and Business Administration,

University of British Columbia, 2053 Main Mall, Vancouver, B.C. Canada V6T 1Z2,
e- mail ziemba@interchange.ubc.ca

Los autores agradecen a Sally Brailsford, Con Connell, Ruth Davies y Jonathan Klein (todos
ellos de la Universidad de Southampton) y a Susan Powell (LSE) sus comentarios sobre un
borrador anterior.
Aplicación de las técnicas de investigación operativa a los mercados
financieros

RESUMEN

Este artículo examina la aplicación de la lógica operativa a los mercados

financieros. Tras considerar las razones que explican el atractivo de los
problemas financieros generales para los investigadores de la RUP, se
identifican los principales tipos de problemas de los mercados financieros
susceptibles de ser resueltos con RUP y se documentan algunos de los muchos
problemas resueltos con RUP. Aunque la programación matemática es la
técnica más aplicada, cada vez se utilizan más los métodos de Monte Carlo y
otros métodos de simulación. En la actualidad, la lógica operativa desempeña un
papel importante en el funcionamiento de los mercados financieros, y es
probable que esta importancia aumente, creando la oportunidad de que la
lógica operativa (y los investigadores de operaciones) desempeñen un papel
aún mayor.

2
 Aplicación de las técnicas de investigación operativa a los mercados financieros

La investigación operativa se viene aplicando a los problemas financieros desde hace al

menos medio siglo. La base de datos INFORMS de artículos académicos en revistas de IO
desde 1982 clasifica casi el 3% de las entradas como relacionadas con las finanzas. En el caso
de la revista Management Science durante el mismo periodo, esta proporción supera el 10%.
Hay un número aún mayor de artículos sobre la aplicación de técnicas de RUP a las finanzas
en las literaturas de finanzas, matemáticas, ingeniería y otras, de modo que, en total, hay
varios miles de artículos que aplican técnicas de RUP a las finanzas en las revistas
académicas. Asimismo, la lógica operativa ha contribuido a que los mercados financieros
adopten las nuevas teorías financieras. Por ejemplo, en los años 60 y 70, el grupo de
Management Science del Wells Fargo Bank de San Francisco fue pionero en el uso de nuevas
teorías financieras e introdujo el primer fondo de seguimiento de índices en julio de 1971
(Bernstein, 1992). Como parte del creciente uso de modelos matemáticos en las finanzas
(Merton, 1995), los bancos de inversión han contratado a personal experto en técnicas
cuantitativas, incluida la OR, para idear ecuaciones de fijación de precios y analizar los datos
del mercado: los llamados "quants" o "rocket scientists".

En este artículo se estudia la aplicación de las técnicas de RUP a los mercados financieros. Se
trata de las decisiones relativas a la negociación que toman los responsables de la toma de
decisiones en los mercados financieros (por ejemplo, los mercados de deuda, acciones y
divisas y los correspondientes mercados de derivados), y representa un ámbito más reciente y
aún en expansión de la aplicación de las técnicas de la lógica operativa a las finanzas. En este
documento no se examinan las aplicaciones más tradicionales de la RUP a la gestión de las
finanzas de la empresa: la gestión del capital circulante (que puede subdividirse en gestión de
tesorería, cuentas por cobrar y pasivo), la inversión de capital (incluida la evaluación y
ejecución de conjuntos de grandes inversiones interdependientes), la fiscalidad multinacional y
los modelos de planificación financiera (como los desarrollados para los bancos), que han sido
revisados por Ashford, Berry y Dyson (1988). Los modelos de previsión de los movimientos
1
de los mercados financieros y de predicción de quiebras no se tienen en cuenta, ya que se
consideran fuera del ámbito de este documento.

2
Tras considerar algunas de las razones que explican el atractivo de los problemas financieros
para la aplicación de las técnicas de RUP, este artículo identifica los principales tipos de
problemas que se prestan al análisis de RUP y documenta algunos de los muchos problemas de
los mercados financieros que se han abordado utilizando técnicas de RUP.

1. Atractivo de los problemas financieros

Un rasgo distintivo importante de los problemas de los mercados financieros es que suelen ser
separables y estar bien definidos. El objetivo suele ser maximizar el beneficio o minimizar el
riesgo, y las variables relevantes pueden cuantificarse, casi siempre en términos monetarios. A
diferencia de otras aplicaciones de la lógica operativa, el investigador no tiene que
preocuparse mucho de identificar la pregunta correcta (por ejemplo, no hay necesidad de
considerar si el problema es reprogramar la flota de vehículos de la empresa para satisfacer las
necesidades de los clientes, en lugar de la pregunta más amplia de si es necesario operar una
flota de vehículos). En los problemas financieros, las relaciones entre las variables suelen estar
bien definidas, de modo que, por ejemplo, está clara la forma en que un aumento de la
proporción de una cartera invertida en un activo concreto afecta a la media y la varianza de la
cartera. Así, el modelo OR resultante es una buena representación de la realidad, sobre todo
porque el papel de los factores no cuantitativos suele ser pequeño. Los problemas financieros
también tienen la ventaja de que cualquier solución obtenida a partir del análisis puede
aplicarse, mientras que en otros ámbitos puede haber restricciones no especificadas
relacionadas con el comportamiento y las preferencias humanas que impidan la aplicación de
algunas soluciones. Además, los profesionales de las finanzas están acostumbrados al análisis
cuantitativo de los problemas.

Es probable que el investigador descubra que gran parte de los datos históricos necesarios ya
se han recopilado y están disponibles en los registros de las empresas o en las transacciones
de mercado registradas, y que se dispone de grandes cantidades de datos en tiempo real sobre
los precios (negociados y cotizados) en los mercados financieros que pueden utilizarse

3
fácilmente en los modelos OR. Además, los factores no cuantitativos suelen estar ausentes de
las formulaciones de los problemas financieros.

4
La disponibilidad de datos en tiempo real permite a menudo aplicar soluciones muy
rápidamente (por ejemplo, en unos segundos) y, dado que la negociación en los mercados
financieros suele implicar sumas de dinero muy elevadas, incluso una mejora muy pequeña de
la calidad de la solución (inferior al 0,5%) resulta beneficiosa. Además, estos problemas
tienden a repetirse, posiblemente muchas veces al día, lo que reparte los costes de desarrollo
de una solución OR entre un gran número de transacciones. Esta escala y repetición hace que
el desarrollo de un modelo OR sea más atractivo que para decisiones pequeñas o puntuales.

Así pues, dado que las aplicaciones financieras (especialmente las aplicaciones a los
mercados financieros) son en gran medida problemas numéricos con límites y objetivos bien
definidos, relaciones claras entre las variables, grandes beneficios derivados de mejoras muy
pequeñas en la calidad de la toma de decisiones y datos excelentes, se adaptan bien al análisis
de RUP. En este artículo se analiza con más detalle la aplicación de las técnicas de RUP a los
mercados financieros, considerando algunos de los principales tipos de problemas de los
mercados financieros y las técnicas de RUP que se han utilizado para analizarlos.

2. Teoría de carteras
Harry Markowitz (1952, 1987) realizó una aplicación fundamental de las técnicas OR a las
finanzas al especificar la teoría de carteras como un problema de programación cuadrática
(para un estudio de esta teoría, véase Board, Sutcliffe y Ziemba, 1999). Los participantes en
los mercados financieros suelen desear construir carteras diversificadas, ya que esto tiene la
ventaja sustancial de reducir el riesgo, al tiempo que no se modifican los rendimientos
esperados. La función objetivo del problema de la cartera suele especificarse como la
minimización del riesgo para un nivel determinado de rentabilidad esperada, o la
maximización de la rentabilidad esperada para un nivel determinado de riesgo. Mientras que
los rendimientos dan lugar a una función objetivo lineal, el riesgo se modela utilizando la
varianza, lo que da lugar a una función objetivo con términos de varianza y covarianza
cuadráticos. El modelo de Markowitz también incluye restricciones de no negatividad en las
variables de decisión para descartar la venta en corto del activo en cuestión1 . Además de
5
especificar el problema de la cartera en un marco de varianza media, Markowitz también
desarrolló algoritmos de solución para problemas de programación cuadrática más generales.
Este es un ejemplo de la interacción entre las técnicas de RUP y las finanzas, ya que a veces las
primeras se adaptan a las necesidades de las segundas.

6
de este último. Posteriormente, la idea de utilizar la varianza para modelizar el riesgo se ha
utilizado ampliamente en las finanzas y, por tanto, en las aplicaciones de la RUP a las
finanzas.

Aunque la aplicación más obvia de la teoría de carteras es la elección de carteras de renta

variable, y los trabajos empíricos (por ejemplo, Board y Sutcliffe, 1994; y Perold, 1984) han
utilizado la programación cuadrática para calcular carteras de renta variable eficientes, la
técnica puede aplicarse a una gama mucho más amplia de problemas. Konno y Kobayashi
(1997) propusieron utilizar la programación cuadrática para formar carteras tanto de renta
variable como de renta fija. Otros autores se han ocupado de la gestión de carteras de bonos
para maximizar su valor esperado, y han utilizado la programación lineal estocástica para tener
en cuenta el riesgo del tipo de interés (por ejemplo, Bradley y Crane, 1972). Golub et al.
(1995), Zenios (1991, 1993b) y Zenios et al (1998) emplearon la programación estocástica
para seleccionar una cartera de valores de renta fija (Mortgage Backed Securities, MBS2 ) que
maximizara la utilidad esperada de la riqueza terminal, tras utilizar la simulación de Monte
Carlo para generar los distintos escenarios, mientras que Ben Dov, Hayre y Pica (1992)
utilizaron la programación estocástica para formar carteras de MBS y otros activos para
clientes de los que se esperaba que superaran algún objetivo de rentabilidad especificado
previamente.

Los fondos de pensiones mantienen carteras de activos y pasivos, invirtiendo en acciones,

bonos y otros activos financieros para financiar sus obligaciones con los pensionistas actuales
y futuros. El problema de seleccionar una política de inversión para un fondo de pensiones
puede analizarse utilizando modelos de gestión de activos y pasivos que tengan en cuenta las
correlaciones distintas de cero entre los valores de los activos y los pasivos (por ejemplo, una
inflación rápida aumenta el valor tanto de las acciones como de los pasivos de un plan de
pensiones basado en los salarios finales), lo cual, si es positivo, reduce el riesgo. Aunque
estos problemas pueden formularse mediante programación cuadrática, normalmente s e han
resuelto de otras formas (véase Ziemba y Mulvey, 1998). Mulvey (1994) supuso que el
7
objetivo era maximizar el valor esperado de una función no lineal de utilidad de la riqueza, y
especificó el problema como un problema de red no lineal, con la simulación de los pasivos
futuros de los fondos de pensiones. Las compañías de seguros también se enfrentan a
problemas similares de activos y pasivos; por ejemplo, Cariño et al (1994, 1998a, 1998b)
formularon este problema para una compañía de seguros japonesa. Su modelo maximiza la

8
valor de mercado esperado de la empresa, con un riesgo medido como el incumplimiento de
los objetivos especificados. P e r m i t e varios escenarios y encuentra soluciones mediante
programación lineal estocástica. Hillier y Eckstein (1993) aplicaron la programación lineal
estocástica para generar la frontera eficiente de riesgo-rentabilidad de un fondo de pensiones,
mientras que Holmer (1994) ideó un enfoque de maximización de la utilidad utilizando la
simulación de Monte Carlo para gestionar los activos y pasivos de la Federal National
Mortgage Association (Fannie Mae). Klaassen (1998) criticó el uso de la simulación de
Montecarlo, ya que puede sesgar los resultados al incluir oportunidades de arbitraje en los
escenarios muestreados. Para evitarlo, agregó un árbol de eventos sin arbitraje antes de
incluirlo en un modelo de programación estocástica multietapa del problema activo-pasivo.

La programación cuadrática se ha utilizado para formar carteras de divisas (Levy, 1981), y

carteras de préstamos comerciales (Gollinger y Morgan, 1993), en las que el objetivo era
prestar dinero a sectores industriales para minimizar las variaciones en la calidad crediticia de
la industria para un determinado nivel de rentabilidad (diferencial sobre LIBOR, más
comisiones).

Otra aplicación de la programación cuadrática es la cobertura generalizada, en la que el

objetivo suele ser minimizar la varianza de una cartera de un conjunto dado de activos y los
instrumentos de cobertura elegidos (Levy, 1987)3 . Rudolf y Zimmermann (1998) ampliaron
este enfoque y aplicaron la programación cuadrática a la selección de una cartera de acciones
nacionales, acciones extranjeras y contratos a plazo sobre divisas. Si los instrumentos de
cobertura incluyen opciones, se introduce una no linealidad en la decisión de cobertura.
Murtagh (1989), ideó un modelo de programación no lineal para cubrir la exposición a divisas
utilizando una mezcla de contratos de divisas a plazo y de opciones. El objetivo era minimizar
el coste esperado, sujeto a una restricción de azar según la cual la probabilidad de que el coste
de la estrategia de cobertura elegida no supere el coste de utilizar únicamente el mercado a
plazo. Clewlow, Hodges y Pascoa (1998) muestran cómo puede utilizarse la programación
lineal, por objetivos y dinámica para cubrir opciones en presencia de costes de transacción.
9
Nielsen y Zenios (1996) utilizaron la programación estocástica con recurso para cubrir los
riesgos de las rentas vitalicias diferidas de prima única4 con títulos respaldados por hipotecas
(MBS).

10
La programación cuadrática también se ha utilizado para construir carteras de seguimiento de
índices, en las que el objetivo es seleccionar una cartera de activos (por ejemplo, acciones u
obligaciones) que, combinada con una posición corta equivalente en el índice a seguir, tenga
un riesgo mínimo (Meade y Salkin, 1989, 1990; Rudd, 1980; Seix y Akhoury, 1986).
Vassiadou-Zeniou y Zenios (1996) y Zenios et al (1998) han utilizado la programación
estocástica multietapa con recurso, junto con la simulación Monte Carlo para generar los
escenarios, para realizar el seguimiento de un índice de MBS.

En algunas aplicaciones de la teoría de carteras, las variables de decisión deben ser enteras.
Aunque es aceptable redondear el número de acciones negociadas al número entero más
próximo, esto puede no ser así en el caso de los contratos de futuros, que suelen valer más de
100.000 libras esterlinas por contrato. Por este motivo, Peterson y Leuthold (1987) y Shanker
(1993) utilizaron la programación entera cuadrática para calcular estrategias de cobertura con
futuros. Del mismo modo, debido a las indivisibilidades en las cantidades de valores de divisas
a corto plazo, Cotner y Levary, 1987, impusieron un requisito entero al formar carteras de
divisas, haciendo que el procedimiento de solución cero-uno fuera la programación cuadrática.
Shapiro, 1988, utilizó la programación entera estocástica con recurso para construir carteras
de bonos que permiten que algunos de los bonos sean rescatados anticipadamente si los tipos
de interés son bajos. Las variables cero-uno indicaban si un bono concreto estaba incluido en
la cartera, mientras que las variables no enteras daban la escala de inversión en cada bono
incluido.

Algunos autores han argumentado que la formulación y resolución de problemas de cartera de

programación cuadrática es demasiado onerosa, y han propuesto técnicas de solución
simplificadas. Sharpe (1963) propuso un modelo de índice único que simplifica la matriz de
varianza-covarianza requerida por el modelo de Markowitz al suponer que los activos están
relacionados entre sí únicamente a través de su correlación con un único factor común. Esta
simplificación elimina la necesidad de un gran número de términos de covarianza en la
función objetivo, lo que permite el uso de algoritmos especiales de programación cuadrática.
11
Cuando cada activo representa sólo una pequeña proporción de la cartera, Sharpe (1967)
demuestra que su modelo de índice único puede tratarse como si tuviera una función objetivo
lineal. En esencia, las carteras bien diversificadas sólo tienen riesgo sistemático, que se mide
por las betas de los activos,

12
lo que da una función objetivo lineal. En 1971, Sharpe propuso utilizar una aproximación
lineal a la función objetivo cuadrática, lo que permitió aplicar la programación lineal a la
resolución de problemas de cartera.

Otra propuesta consiste en minimizar la desviación media absoluta (DMA), que puede
resolverse mediante programación lineal, en lugar de programación cuadrática5 . Konno y
Yamazaki (1991 y 1997) aplicaron la MAD a la formación de carteras de renta variable
japonesa y también de renta variable y renta fija. Yawitz, Hempel y Marshall (1976)
propusieron considerar las carteras de bonos como un problema de riesgo-rentabilidad, pero
para evitar la programación cuadrática utilizaron la variación media absoluta de los precios
para medir el riesgo. La formación de carteras de MBS fue modelizada por Zenios y Kang
(1993), que utilizaron tanto la simulación como la programación lineal. Utilizaron la
simulación de Monte Carlo para generar tasas de rendimiento de cada MBS durante el periodo
de tenencia y, a continuación, aplicaron la programación lineal para minimizar la MAD,
siempre que el rendimiento esperado superara una cantidad determinada. Worzel, Vassiadou-
Zeniou y Zenios (1994) sugirieron utilizar tanto la simulación como la programación lineal
para el seguimiento de índices de renta fija. En primer lugar, se simulan los rendimientos
durante el periodo de tenencia de los valores del índice; a continuación, se utiliza la
programación lineal, con el riesgo medido por la DAM, para seleccionar una cartera que
maximice el rendimiento esperado, siempre que el riesgo de obtener un rendimiento inferior
al del índice no supere algún límite superior especificado. Este límite se minimiza resolviendo
iterativamente el problema de programación lineal. Seix y Akhoury (1986) propusieron
utilizar la programación lineal para diseñar una cartera que siguiera un índice de bonos
maximizando el valor de la cartera, al tiempo que se ajustaba a la duración6 , la calidad, los
sectores y los cupones del índice de bonos. Otro enfoque para eliminar la necesidad de
resolver un problema de programación cuadrática consiste en especificar el problema como la
elección entre una serie de carteras de renta variable preespecificadas utilizando el análisis
envolvente de datos (DEA) (Premachandra, Powell y Shi, 1998).

13
Un enfoque diferente para eliminar la necesidad de la programación cuadrática consiste en
reformular el problema de la cartera como un modelo de red generalizado no lineal para el
que existen algoritmos de solución eficientes (Mulvey, 1987). En este caso, la función
objetivo no es lineal, y el riesgo puede

14
de la varianza. Glover y Jones (1988) propusieron utilizar un modelo de red, junto con la
transformada de Fourier, para obtener un modelo lineal.

Los problemas de cartera, con el doble objetivo de maximizar la rentabilidad y minimizar el

riesgo, también pueden considerarse problemas de programación por objetivos con dos metas.
Se pueden introducir objetivos adicionales, y varios autores han resuelto problemas de cartera
utilizando la programación por objetivos. Por ejemplo, Kumar, Philippatos y Ezzell (1978),
Kumar y Philippatos (1979) y Lee y Lerro (1973) han especificado modelos con cinco o seis
objetivos para formar carteras de renta variable. La medición del riesgo mediante el riesgo
sistemático (beta) y no sistemático, en lugar de la varianza, permite utilizar la programación
lineal en lugar de la cuadrática. Del mismo modo, Lee, Lerro y McGinnis (1971)
construyeron un modelo de programación lineal con seis objetivos para gestionar carteras de
bonos. Sharda y Musser (1986) especificaron un modelo con cuatro objetivos para cubrir el
riesgo de los bonos del Tesoro. Dado que incluyeron variables cero-uno para especificar la
semana en la que se negocia el instrumento de cobertura, el problema es un problema de
programación de objetivos enteros mixtos7 .

Cheng (1962), analizó el problema de mantener una cartera de bonos a lo largo del tiempo en
la que se puede elegir entre un bono de vencimiento corto con un rendimiento alto, y un bono de
vencimiento más largo con un rendimiento más bajo, y existe incertidumbre sobre los
rendimientos disponibles de los bonos cuando vencen los bonos existentes. Cheng sugirió la
programación cuadrática tratando esencialmente la situación como un problema de un solo
período. Los problemas de cartera multiperiodo se han especificado como problemas de
programación dinámica (Elton y Gruber, 1971), mientras que Mulvey y Vladimirou (1992),
utilizaron un modelo estocástico de red generalizada.

En la inmunización de carteras, el objetivo es construir una cartera de valores dependientes de

los tipos de interés cuyo valor sea el mismo que el de algún activo objetivo (normalmente

15
otro activo dependiente de los tipos de interés)8 . Al hacer coincidir la duración de la cartera
con la del activo objetivo, la cartera queda inmunizada frente a pequeños desplazamientos
paralelos de la curva de rendimientos9 . Fong y Vasicek (1983) propusieron una medida del
riesgo derivado de los movimientos generales de los tipos de interés (por ejemplo,
desplazamientos no paralelos de la curva de rendimiento) y

16
proponen idear una cartera de obligaciones para minimizarla, siempre que se alcance una
duración determinada, mediante programación lineal. También sugieren que el inversor podría
calcular una frontera eficiente de carteras que minimice la desviación estándar de la
rentabilidad de la cartera inmunizada para un nivel dado de rentabilidad esperada, de nuevo
mediante programación lineal. Utilizando momentos superiores de una medida de duración
generalizada, Kornbluth y Salkin (1987) demuestran que es posible inmunizarse contra los
cambios en la forma de la curva de rendimiento, así como contra los desplazamientos
paralelos, utilizando la programación lineal de metas fraccionarias. Nawalkha y Chambers
(1996) utilizaron una medida de duración modificada para cuantificar el riesgo de una cartera
inmunizada, y la minimizaron mediante programación lineal. Alexander y Resnick (1985), que
incorporaron el riesgo de impago, también especificaron la inmunización como un problema
de programación lineal por objetivos. Lo que todos estos estudios sobre inmunización tienen
en común es que la medida de riesgo elegida no implica cuadrados ni productos cruzados de
las variables de decisión, de modo que la técnica de solución es la programación lineal y no la
programación cuadrática.

La teoría de carteras (y la programación cuadrática) también se ha aplicado a problemas que

no implican directamente activos financieros negociados. Por ejemplo, Freund (1956)
examinó la agricultura, y Board y Sutcliffe (1991) aplicaron el enfoque al turismo.

3. Valoración de instrumentos financieros

A la hora de operar en los mercados financieros es muy importante disponer de un buen

modelo para valorar el activo con el que se negocia, y las técnicas OR han contribuido
sustancialmente en este ámbito.

Aunque las opciones de compra y venta de tipo europeo pueden valorarse utilizando el
modelo Black-Scholes, que ofrece una buena solución de forma cerrada, las técnicas de RUP
han contribuido sustancialmente a la valoración de derivados más complejos. En 1977, Boyle
propuso el uso de la simulación de Montecarlo como alternativa al modelo binomial para
17
valorar opciones para las que no se dispone fácilmente de una solución de forma cerrada. La
simulación de Montecarlo tiene la ventaja sobre el modelo binomial de que su tasa de
convergencia es independiente del número de variables de estado (por ejemplo, el número de
precios de activos subyacentes y tipos de interés), mientras que la del modelo binomial es
exponencial en

18
el número de variables de estado.

La simulación de Monte Carlo se utiliza para generar trayectorias del precio del activo
subyacente hasta el vencimiento. Los flujos de caja de la opción para cada trayectoria,
ponderados por sus probabilidades neutrales al riesgo10 , pueden descontarse al presente
utilizando el tipo libre de riesgo, lo que permite calcular el valor actual medio de todas las
trayectorias de la muestra para obtener el precio actual de la opción (Boyle, Broadie y
Glasserman, 1997). Se ha utilizado una serie de métodos de reducción de la varianza en la
valoración Monte Carlo de opciones (por ejemplo, variantes de control, variantes antitéticas,
muestreo estratificado, muestreo de hipercubos latinos, muestreo de importancia, ajuste de
momentos y Monte Carlo condicional). Además, se han aplicado métodos cuasi-Monte Carlo a
problemas financieros para acelerar la simulación (Joy, Boyle y Tan, 1996). Además de
generar los precios de las opciones, la simulación de Montecarlo puede utilizarse para
calcular las distintas sensibilidades - "las griegas"-, incluida la ratio de cobertura, que son
esenciales para muchas estrategias de negociación (Broadie y Glasserman, 1996).

No existen soluciones de forma cerrada para las opciones de estilo americano11 , y hasta hace
poco se pensaba que la simulación de Montecarlo no podía utilizarse para valorar este tipo de
opciones. Se trata de un problema importante, ya que la mayoría de las opciones son de tipo
americano. Sin embargo, se está avanzando en el desarrollo de técnicas de simulación de
Monte Carlo para valorar opciones de tipo americano (Broadie y Glasserman, 1997; Grant,
Vora y Weeks, 1997). Las opciones también se han valorado utilizando aproximaciones por
diferencias finitas, y Dempster y Hutton (1996) y Dempster, Hutton y Richards (1998) han
propuesto el uso de la programación lineal para resolver las aproximaciones por diferencias
finitas al precio de las opciones de venta de estilo americano. Además, las opciones de estilo
americano pueden valorarse utilizando programación dinámica, Dixit y Pindyck (1994).

Si no se puede derivar una ecuación de fijación de precios de forma cerrada para una opción u

19
otro derivado, siempre que se disponga de un historial de precios, se puede entrenar una red
neuronal para que produzca precios utilizando un conjunto específico de entradas, que luego
se puede utilizar para la fijación de precios fuera de muestra (Hutchinson, Lo y Poggio,

20
1994). Este planteamiento superó a la fórmula Black-Scholes en la valoración de opciones
sobre futuros del S&P500, y tiene un potencial considerable para generar precios de derivados
"difíciles de valorar" que ya se negocian en mercados competitivos.

La investigación empírica ha descubierto que, aunque el modelo de fijación de precios Black-

Scholes proporciona precios exactos para las opciones at-the-money, existen algunas pautas
inesperadas en los precios de las opciones, como la "sonrisa de volatilidad"12 . Modelizando
este efecto, y dado un conjunto contemporáneo de precios para opciones de venta y de
compra de estilo europeo sobre el mismo activo subyacente, Rubinstein (1994) ha demostrado
cómo puede calcularse la distribución de probabilidad de riesgo neutro implícito mediante
programación cuadrática. Este procedimiento selecciona un conjunto de probabilidades
neutrales al riesgo que minimizan la suma de la diferencia al cuadrado entre sí mismas y las
probabilidades neutrales al riesgo generadas por alguna conjetura previa. Estas probabilidades
pueden utilizarse para inferir un árbol binomial recombinante que sea coherente con los
precios observados de las opciones, que luego se utiliza en la cobertura o valoración de las
opciones de estilo europeo sobre el activo subyacente durante el período hasta el vencimiento
de una manera que permita la presencia de la "sonrisa". Jackwerth y Rubinstein (1996)
generalizaron este enfoque utilizando programación no lineal para minimizar otras cuatro
funciones objetivo.

Las autoridades municipales de EE.UU. que desean obtener préstamos mediante la emisión de
bonos suelen solicitar ofertas a los sindicatos de aseguradores. Estas ofertas deben especificar un
calendario de cupones de bonos (es decir, pagos de intereses), sujeto a diversas restricciones
impuestas por el municipio y por la necesidad de que el sindicato asegurador comercialice los
bonos al público. La oferta ganadora suele ser la que tiene el coste neto de intereses más bajo
para el municipio. El sindicato suscriptor suele disponer de sólo 15 a 30 minutos para
preparar una oferta, por lo que es necesario un procedimiento de solución informatizado. Esta
decisión fue formulada como un problema de programación lineal por Percus y Quinto (1956)
y Cohen y Hammer (1965, 1966), mientras que Weingartner (1972) lo reespecificó como un
21
problema de programación dinámica. Si el municipio pone un límite superior al número de
tipos de cupón diferentes, se convierte en un problema de programación entera, que también
puede resolverse como un problema de programación dinámica cero-uno (Weingartner, 1972;
Friem er, Rao y Weingartner, 1972).

22
Nauss y Keeler (1981) añadieron la restricción de que los tipos de los cupones se fijaran en
números enteros multiplicados por un multiplicador especificado, y propusieron una
formulación de programación entera. El municipio puede especificar el coste real de los
intereses (que es la tasa interna de rendimiento (TIR) del bono), en lugar del coste neto de los
intereses, como criterio de selección a utilizar. La utilización de la TIR como objetivo a
minimizar hace que el problema no sea lineal. Bierwag, 1976, propuso un algoritmo de
programación lineal para resolver este problema. Nauss, 1986, añadió algunas restricciones
adicionales que hacen que el problema sea entero, y sugirió una solución aproximada
utilizando la programación lineal entera.

Los valores respaldados por hipotecas (MBS) se crean mediante la titulización de un conjunto
de hipotecas. Para cualquier hipoteca específica, el prestatario tiene derecho a reembolsar el
préstamo anticipadamente - la opción de prepago, o puede incumplir los pagos de capital e
intereses. Estos riesgos se transmiten a los propietarios de MBS, además de los riesgos de las
fluctuaciones del tipo de interés pagadero en las hipotecas de tipo flexible (Zipkin, 1993). Así
pues, los MBS son valores híbridos, ya que son valores de tipo de interés variable con una
opción de ejercicio anticipado. La simulación Monte Carlo puede utilizarse para generar
trayectorias de tipos de interés para años futuros. Las previsiones de los tipos de amortización
anticipada de las hipotecas permiten entonces calcular los flujos de caja de cada trayectoria de
tipos de interés, y estas secuencias de flujos de caja se utilizan para valorar los MBS (Zenios,
1993a; Ben-Dov, Hayre y Pica ,1992; Boyle, 1989). Este procedimiento, que puede utilizarse
para identificar MBS mal valorados en tiempo real, es exigente desde el punto de vista
computacional y se ha utilizado el procesamiento paralelo (y masivamente paralelo) y
distribuido en la solución del problema. La simulación también se ha utilizado para determinar
el precio de las obligaciones hipotecarias garantizadas o CMO13 (Paskov, 1997). Otros valores
híbridos, como los bonos con opción de compra y venta y los bonos convertibles, se enfrentan
a problemas de valoración similares a los de los MBS y requieren métodos de solución
igualmente intensivos.

23
Existe un mercado secundario activo de carteras de préstamos que pueden conllevar un riesgo
de impago significativo. Del Angel el al (1998) utilizó un análisis de cadena de Markov con
14 estados de rendimiento de los préstamos y una simulación Monte Carlo para generar la
distribución de probabilidad del valor actual de las carteras de préstamos.

24
4. Imperfecciones en los mercados financieros
Además de fijar con precisión los precios de los valores financieros, los operadores están
interesados en encontrar imperfecciones en los mercados financieros que puedan
aprovecharse para obtener beneficios (Keim y Ziemba, 1999; Ziemba, 1994). Un aspecto de
esto es la búsqueda de ineficiencias de forma débil (es decir, que los precios pasados de un
activo puedan utilizarse como base de una regla de negociación rentable). Entre los primeros
intentos de encontrar tales regularidades explotables en los precios de las acciones se
encuentra el uso que Dryden (1968, 1969) hizo de las cadenas de Markov.

Una característica fundamental de los mercados financieros es la existencia de relaciones de no

arbitraje entre los precios, y las pequeñas discrepancias de precios pueden explotarse
mediante operaciones de arbitraje para obtener grandes beneficios sin riesgo. Se han utilizado
modelos de red para encontrar oportunidades de arbitraje entre conjuntos de divisas (Christofides,
Hewins y Salkin, 1979; Kornbluth y Salkin, 1987; Mulvey, 1987; Mulvey y Vladimirou, 1992).
Este problema puede especificarse como una red de flujo máximo, en la que el objetivo es
maximizar el flujo de salida de fondos de la red, o como una red de camino más corto.
Aunque algunas formulaciones de red son lineales y podrían formularse y resolverse como
modelos de programación lineal, la interpretación del problema como una red permite utilizar
algoritmos computacionalmente más rápidos.

Chandy y Kharabe (1986) desarrollaron un modelo para identificar bonos infravalorados.

Sugirieron resolver un modelo de programación lineal para formar una cartera de bonos con
el máximo rendimiento. Esta solución da el rendimiento de equilibrio, que es el rendimiento
mínimo de los bonos necesario para incluirlos en la cartera. Hodges y Schaefer (1977)
idearon un modelo de programación lineal que minimiza el coste de un determinado patrón de
flujos de caja, lo que permite negociar bonos infravalorados.

Cada vez hay más interés por utilizar técnicas basadas en la inteligencia artificial (sistemas

25
expertos, redes neuronales, algoritmos genéticos, lógica difusa y aprendizaje inductivo) para
desarrollar estrategias de negociación para los mercados financieros (por ejemplo, Trippi y
Turban, 1993; Refenes, 1995; Goonatilake y Treleaven, 1995; Wong y Selvi, 1998). Estos
enfoques tienen la ventaja de que

26
que pueden captar dinámicas no lineales y requieren poca especificación previa de las
relaciones implicadas.

Firer, Sandler y Ward, 1992, simularon los rendimientos de una estrategia de sincronización
del mercado de valores para una serie de niveles de capacidad de previsión, cuantificando así
los beneficios probables de varios niveles de capacidad de previsión. Taylor (1989) utilizó la
simulación de Monte Carlo para generar una larga serie temporal de datos con el fin de
comprobar el rendimiento de las reglas de negociación para una serie de activos financieros.

5. Decisiones de financiación
Las técnicas de RUP también se han utilizado para ayudar a las empresas a determinar el
método más adecuado para obtener capital de los mercados financieros para financiar sus
actividades. Brick, Mellon, Surkis y Mohl (1983) plantearon un modelo de programación
lineal con restricciones de azar para calcular los valores de la ratio deuda-capital de cada
periodo que maximizan el valor de la empresa. Otros estudios han especificado la elección
entre varios tipos de financiación como un problema de programación lineal por objetivos (Hong,
1981; Lee y Eom, 1989). Ness (1972) utilizó la programación lineal para encontrar la decisión
de financiación menos costosa para un proyecto de inversión de una empresa multinacional.
Kornbluth y Vinso (1982) modelizaron la decisión de financiación de una multinacional con
dos objetivos: minimizar el coste global del capital y alcanzar los ratios deuda/capital objetivo
en cada país. Dado que los objetivos de deuda/capital implican ratios de las variables de
decisión, el modelo se convierte en un problema de programación de objetivos lineal
fraccional.

Un enfoque diferente del problema de la deuda consiste en suponer que la empresa ha

encontrado la relación deuda-capital deseada y que sólo se preocupa de obtener la deuda
necesaria al menor coste posible. En este caso, la deuda puede tratarse como cualquier otro
insumo del proceso productivo, y pueden utilizarse modelos de inventario para determinar los

27
tiempos y cantidades óptimos de "reorden" (Bierman, 1966; Litzenberger y Rutenberg, 1972).
Un aspecto adicional del problema es que el prestatario debe elegir el vencimiento de los
bonos para reflejar los diferentes tipos de interés actuales pagaderos en vencimientos
alternativos, los costes inciertos de los préstamos futuros y la comerciabilidad de los
vencimientos alternativos. Crane, Knoop

28
y Pettigrew (1977) lo formularon como un problema de programación lineal para minimizar los
costes, que resolvieron para tres escenarios diferentes de tipos de interés.

Las empresas, las organizaciones gubernamentales y otras pueden optar por emitir bonos
rescatables en los que el emisor tiene la opción de reembolsar el bono en el momento que
elija antes de la fecha de vencimiento del bono. Consiglio y Zenios (1997a, 1997b) han
utilizado programación no lineal para diseñar dichos valores de la forma más beneficiosa para
el emisor, mientras que Holmer, Yang y Zenios (1998) utilizaron un algoritmo de templado
simulado.

Las empresas que han emitido deuda amortizable deben decidir cuándo amortizar la deuda
existente y refinanciarla con una nueva emisión, presumiblemente a un coste menor: el
problema de programación de bonos. Se trata de un problema de programación dinámica y
como tal ha sido modelizado por Weingartner (1967), Elton y Gruber (1971) y Kraus (1973).
Baker y Van Der Weide (1982) ampliaron este modelo para abarcar una empresa
multisubsidiaria con requisitos de deuda para cada filial. Dempster e Ireland (1988)
desarrollaron un modelo que aplica una serie de técnicas OR de forma complementaria al
problema de programación de bonos. El modelo comienza utilizando la programación lineal
estocástica para diseñar un plan multiperiodo tanto para la emisión como para la amortización
de bonos. El plan se perfecciona mediante heurísticas, que pueden dar lugar a múltiples
planes, y las distribuciones de probabilidad de estos planes revisados se obtienen mediante
simulación. Por último, se utiliza un sistema experto para ayudar a decidir entre planes
alternativos.

Una cuestión importante a la hora de valorar proyectos de inversión es determinar el coste de

capital adecuado, es decir, el precio que debe pagarse en los mercados financieros para
financiar el proyecto. Boquist y Moore (1983) propusieron el uso de la programación lineal
por objetivos para estimar el coste de capital de las divisiones incorporando las creencias

29
previas de las empresas en relación con las betas.

Los certificados de depósito (CD) son emitidos por los bancos e indican que se ha depositado
una suma determinada.

30
depositados en la entidad depositaria emisora. Como tales, los CD representan una fuente de
financiación para los bancos. Russell y Hickle (1986) desarrollaron un modelo de simulación
para predecir el impacto de varios escenarios de tipos de interés sobre el coste de esta fuente
de financiación.

Por último, el problema al que se enfrentan los prestatarios a la hora de elegir entre contratos
hipotecarios alternativos (por ejemplo, hipotecas a tipo fijo, a tipo variable y a tipo variable)
se ha modelizado utilizando árboles de decisión (Heian y Gale, 1988; Luna y Reid, 1986).

6. Problemas estratégicos
En los últimos años, algunas de las decisiones a las que se enfrentan los operadores y creadores
de mercado en los mercados financieros se han analizado utilizando la teoría de juegos
(O'Hara, 1995; Dutta y Madhavan, 1997). Estos modelos suelen incluir uno o varios
creadores de mercado y operadores que pueden estar informados o no, y ser discrecionales o
no. En los mercados de valores, los operadores tratan de negociar a los precios más atractivos,
y las grandes operaciones suelen dividirse en una secuencia de operaciones más pequeñas para
minimizar el impacto en el precio. Esto puede considerarse un problema estratégico cuyo
objetivo es diseñar una estrategia para negociar el paquete de acciones. Las operaciones
iniciales influyen en el precio de las operaciones posteriores, por lo que ejecutar la operación
grande al menor coste es un problema dinámico. Bertsimas y Lo (1998) utilizan la
programación dinámica estocástica para definir la "mejor ejecución" y calcular una estrategia
de negociación óptima.

Powers (1987) aplicó la teoría de juegos a la situación en la que una empresa tiene dos
accionistas principales y un gran número de accionistas muy pequeños. Puede modelizarse
como un juego oceánico, en el que los dos grandes actores se comportan estratégicamente,
mientras que los muchos pequeños accionistas (el océano) no lo hacen. Este planteamiento
puede utilizarse para deducir el precio más alto que pagará un gran accionista en el mercado

31
por el control de la empresa.

7. Problemas normativos y jurídicos

Los reguladores financieros se preocupan cada vez más por los mercados financieros con sus
propias

32
grandes y rápidos flujos financieros internacionales. Las técnicas de RUP han demostrado su
utilidad para regular las reservas de capital que mantienen los bancos y otras instituciones
financieras para cubrir su exposición al riesgo. Las técnicas de RUP también se han utilizado
para garantizar el cumplimiento de diversos requisitos legales mediante el diseño de
estrategias adecuadas y para resolver otros problemas jurídicos relacionados con los mercados
financieros.

Una cuestión reguladora clave es determinar el capital que necesitan las instituciones
financieras para respaldar sus actividades en los mercados financieros. Un enfoque cada vez
más popular de este problema es cuantificar el valor en riesgo (VAR). Si el periodo y la
probabilidad especificados son 1 día y 1% respectivamente, entonces el VAR es la mayor
pérdida que se producirá debido al riesgo de mercado el 99% de las veces. Así pues, el VAR
implica la cuantificación de la cola inferior de la distribución de probabilidad de los
resultados de la cartera de la empresa. Un problema particular de la medición de la exposición
al riesgo es que las carteras suelen incluir opciones (o valores financieros con características
similares a las opciones), y las opciones tienen pagos muy asimétricos. En el caso de estos
valores, las soluciones analíticas para hallar las probabilidades en la cola inferior de la
distribución de pagos no son fiables. Riskmetrics,TM utiliza aproximaciones basadas en "las
griegas" para las opciones que están en o cerca del dinero14 , y la simulación Monte Carlo para
otras posiciones de opciones (Morgan y Reuters, 1996). La simulación Monte Carlo puede
hacer suposiciones de distribución o utilizar la distribución de realizaciones históricas, es
decir, bootstrapping (Pritsker, 1997)15 .

Aunque RiskmetricsTM cuantifica el riesgo de mercado, algunos valores también están sujetos
al riesgo de crédito. Aunque el riesgo de mercado de los instrumentos financieros (aparte de
las opciones) tiende a producir rendimientos con una distribución aproximadamente normal, el
riesgo de crédito produce rendimientos que son altamente no normales para todos los
instrumentos. Normalmente no hay impago, mientras que ocasionalmente se produce un
impago sustancial o total. Por lo tanto, la simulación de Monte Carlo es pertinente para
33
modelizar el riesgo de crédito de carteras de instrumentos financieros (por ejemplo,
préstamos, cartas de crédito, bonos, créditos comerciales, swaps, contratos a plazo) como en
CreditMetricsTM (Morgan, 1997).

El análisis envolvente de datos (DEA, por sus siglas en inglés) se ha utilizado para ayudar en la
regulación bancaria mediante la medición de la rentabilidad de los bancos.

34
que luego se utiliza para predecir la quiebra bancaria (Barr, Seiford y Siems, 1993; Bauer,
Berger, Ferrier y Humphrey, 1998).

Los operadores están obligados a constituir un margen cuando negocian opciones, y existen
reglas complicadas para determinar el margen total requerido en una cartera de opciones y
acciones. Los operadores desean minimizar sus pagos de margen, y Rudd y Schroeder (1982)
han desarrollado un modelo de programación lineal en el que el problema se modeló como un
problema de transporte para determinar el margen mínimo requerido.

Algunos MBS se negocian sobre una base "por anunciar" con entrega a plazo. En estos casos,
los originadores tienen hipotecas que aún no se han agrupado, lo que les da cierta flexibilidad
para estructurar la titulización de forma que les beneficie. Un amplio conjunto de normas rige
la forma en que puede estructurarse un MBS "a plazo", lo que plantea un complejo problema
a la hora de idear una solución factible. Esto puede especificarse como un complicado
problema de programación entera (con el objetivo de maximizar el beneficio del originador).
Las obligaciones hipotecarias garantizadas (CMO) también implican la titulización de un
conjunto de hipotecas, pero en este caso el conjunto se estructura en una serie de bonos (o
tramos), cada uno con un vencimiento y riesgos diferentes. En Estados Unidos, la
estructuración de las CMO está sujeta a diversas restricciones legales, por lo que puede
resultar difícil encontrar una solución viable. Dahl, Meeraus y Zenios (1993) han propuesto
un complejo modelo de programación cero-uno para resolver este problema, con el objetivo
de maximizar los ingresos de la emisión.

Para beneficiarse de las ventajas fiscales, los arrendamientos apalancados en EE.UU. se

diseñan para cumplir las normas del Servicio de Impuestos Internos (IRS). Capettini y Toole
(1981) propusieron un modelo de programación entera para estructurar arrendamientos
apalancados que cumplieran las normas del IRS, con el objetivo de maximizar el valor actual
neto del flujo de caja del arrendador. Litty (1994) desarrolló una aproximación a este

35
problema utilizando heurísticas de programación lineal que proporcionaban soluciones
rápidas para usuarios no entrenados.

36
Sharda (1987) propuso una formulación de programación lineal para establecer la pérdida
máxima que los inversores podrían haber sufrido por negociar con las acciones de una
empresa. Esta cifra puede ser utilizada por los abogados de la empresa en caso de demanda por
daños y perjuicios derivados de una declaración engañosa de la empresa.

En agosto de 1982, la Bolsa de Kuwait se hundió dejando 94.000 millones de dólares de

deuda por resolver. Esto planteó el problema de idear un método justo para distribuir los
activos embargados a los corredores insolventes entre los demás corredores y los inversores
privados. Este problema se resolvió mediante programación lineal, lo que redujo la deuda total
sin resolver a 20.000 millones de dólares, con un ahorro estimado de 10.340 millones en
honorarios de abogados (Taha, 1991, Elimam, Girgis y Kotob, 1996, 1997).

8. Entendimiento económico

Además de su función tradicional de mejorar la calidad de la toma de decisiones, la lógica

operativa también puede ayudar a comprender las fuerzas económicas que configuran el sector
financiero. La innovación financiera puede producirse cuando se produce un cambio exógeno
en las restricciones o en los costes de cumplir las restricciones existentes. Utilizando un
modelo de programación lineal de un banco, Ben-Horim y Silber (1977) emplearon datos
anuales para calcular los movimientos de los precios sombra de las distintas restricciones.
Sugirieron que un aumento del precio sombra de la restricción de los depósitos condujo a la
innovación financiera de los certificados de depósito negociables.

La Teoría de los Precios de Arbitraje (APT), que puede considerarse una generalización del
Modelo de Valoración de Activos de Capital (CAPM), trata de identificar los factores que
afectan al rendimiento de los activos. La mayoría de las pruebas de la APT utilizan el análisis
factorial, y tienen dificultades para determinar el número y la definición de los factores que
influyen en el rendimiento de los activos. Para superar estos problemas, Ahmadi (1993) propuso
utilizar una red neuronal para probar el APT. Esto también tiene la ventaja de que los

37
resultados están libres de distribución.

9. Conclusiones

38
La programación matemática es la técnica de RUP que más se ha aplicado en los mercados
financieros. Se han empleado la mayoría de los tipos de programación matemática: lineal,
cuadrática, no lineal, entera, por objetivos, con restricciones de azar, estocástica, fraccional,
DEA y dinámica. La programación matemática se ha utilizado para resolver una gama
considerable de problemas en los mercados financieros -formación de carteras de acciones,
bonos, préstamos y divisas, cobertura generalizada, inmunización, seguimiento de índices de
acciones y bonos, estimación de las probabilidades neutrales al riesgo implícitas para las
opciones, elaboración de un calendario de cupones para las ofertas de bonos municipales,
identificación de bonos infravalorados, fijación de la relación deuda-capital de la empresa,
decidir cuándo refinanciar los bonos pendientes, estimar el coste divisional del capital,
determinar el margen de opción mínimo requerido, estructurar titulizaciones de MBS y CMO,
crear una estrategia de negociación para ejecutar una operación en bloque, diseñar
arrendamientos apalancados, calcular la pérdida máxima sufrida por los accionistas, detectar
bancos insolventes, resolver la quiebra de una bolsa de valores y comprender las fuerzas que
conducen a las innovaciones financieras.

La simulación de Monte Carlo también se utiliza mucho en los mercados financieros, sobre
todo para valorar opciones exóticas y valores con opciones incorporadas, y para estimar el
VAR de diversas instituciones financieras. La simulación también ha sido útil para probar
reglas de negociación y para examinar los riesgos de una posición en valores. En algunos
casos, el uso de técnicas de RUP ha influido en el funcionamiento de los mercados
financieros, ya que permiten a los operadores tomar mejores decisiones en menos tiempo. Por
ejemplo, las opciones exóticas se negociarían con diferenciales entre precios de compra y
venta mucho más amplios, si es que se negociaran, si no existieran los precios exactos
calculados mediante la simulación de Monte Carlo.

Otras técnicas de RUP se utilizan menos en los mercados financieros. Los problemas de
arbitraje y de cartera multiperiodo se han formulado como modelos de red, mientras que la
eficiencia del mercado se ha comprobado utilizando redes neuronales. La teoría de juegos se ha
39
aplicado a las batallas por el control de las empresas, los árboles de decisión al análisis de la
elección de hipotecas, los modelos de inventario a la determinación del tamaño y el calendario
de las emisiones de bonos de empresas, y las cadenas de Markov a la valoración de carteras de
préstamos y la comprobación de la eficiencia del mercado. Sin embargo, hay una importante
técnica de operaciones que apenas se ha aplicado a los mercados financieros: la teoría de
colas.

40
Las principales áreas de los mercados financieros en las que se han aplicado las técnicas de
RUP son los problemas de cartera y la determinación precisa del precio de instrumentos
financieros complejos. Los reguladores financieros y las instituciones financieras también
pueden utilizar las técnicas de RUP para establecer normas de adecuación del capital.
También existen otros campos de aplicación: idear soluciones viables que cumplan un
complicado conjunto de requisitos legales, tomar decisiones de financiación, detectar
imperfecciones y oportunidades de arbitraje en los mercados financieros y resolver problemas
estratégicos.

La relación entre las finanzas y la lógica operativa es bidireccional. No sólo se han aplicado
varias técnicas de RUP a problemas financieros, sino que las teorías financieras han creado la
necesidad de desarrollar y mejorar las técnicas de solución de RUP, y al menos dos premios
Nobel de finanzas han contribuido a la RUP. Markowitz fue galardonado en 1989 por
ORSA/TIMS por sus trabajos sobre matrices dispersas y la invención del lenguaje de
simulación informática SIMSCRIPT; tanto él como Sharpe han creado algoritmos informáticos
para resolver problemas de cartera16 .

Este documento indica que las técnicas de RUP desempeñan un papel importante en los
mercados financieros y que, con las recientes y espectaculares mejoras en la disponibilidad de
datos en tiempo real y en la velocidad de los ordenadores, este papel irá en aumento. Ello
brindará a las técnicas OR la oportunidad de desempeñar un papel aún más importante en los
mercados financieros.

41
Notas finales

1. Si no existen tales restricciones de desigualdad, el problema puede resolverse

utilizando técnicas de optimización clásicas, y la programación cuadrática es
innecesaria.

2. Los MBS se examinan con más detalle en la sección 3.

3. La programación cuadrática es útil para resolver problemas de cobertura generalizados

en los que se cubre una serie de activos utilizando diversos instrumentos. Si hay que
cubrir un único activo utilizando uno o varios instrumentos de cobertura, los
coeficientes de cobertura que minimizan el riesgo pueden obtenerse directamente sin
necesidad de programación matemática (Anderson y Danthine, 1981).

4. El comprador de una renta vitalicia diferida de prima única (SPDA) efectúa un pago
único a la aseguradora. A continuación, el asegurador abona intereses en esta cantidad
hasta que el comprador se jubila, momento a partir del cual el asegurador paga al
comprador una renta vitalicia. Antes de la jubilación, el comprador tiene la opción de
retirar una parte o la totalidad del dinero de su cuenta.

5. En condiciones de normalidad conjunta de los rendimientos de los activos, tanto la

media-varianza como la MAD dan el mismo conjunto eficiente.

6. La duración es la elasticidad del tipo de interés del precio del bono y se utiliza como
medida del riesgo de tipo de interés de la cartera de bonos.

7. Como se ha indicado anteriormente, con un activo que se cubre utilizando un único

instrumento de cobertura, el coeficiente de cobertura que minimiza el riesgo puede
calcularse directamente sin necesidad de programación cuadrática.

8. También hay estudios sobre la gestión de los activos y pasivos de los bancos (que
excluyen las acciones), en los que el objetivo suele ser maximizar el valor (o el valor
esperado) de la cartera en uno (o varios) periodos de tiempo (deducidos los costes de
penalización por incumplimiento de los objetivos), con sujeción a las restricciones de
la inversión total, la pérdida máxima de capital y diversas normativas bancarias (por
ejemplo, Cohen y Hammer, 1967; Chambers y Charnes, 1961; Kusy y Ziemba, 1986;
Hiller y Eckstein, 1993). Estos estudios están estrechamente relacionados con los
modelos de gestión de tesorería (Kallberg, White y Ziemba, 1982). Ziemba y Mulvey
(1998) presentan un estudio de la investigación actual en este ámbito.

9. La curva de rendimiento muestra los tipos de interés para diferentes vencimientos.

10. Las probabilidades neutrales al riesgo son las probabilidades que pueden deducirse de
los precios suponiendo que los inversores son neutrales al riesgo.

11. Las opciones de tipo americano pueden ejercerse en cualquier momento antes de que
venza la opción.
42
12. Se produce una sonrisa cuando la volatilidad implícita de las opciones deep in-the-
money y deep out-the- money supera a la de las opciones at-the-money, es decir, la
relación entre la volatilidad implícita de las opciones deep in-the-money y la de las
opciones deep out-the- money es la misma que la de las opciones at-the-money.

43
 precio de ejercicio y la volatilidad implícita tiene forma de U.

13. Las OCM se analizan con más detalle en la sección 7.

14. Una opción at-the-money se produce cuando el precio actual del activo subyacente se
aproxima al precio al que puede ejercerse la opción.

15. Una aplicación conexa de la simulación de Monte Carlo son las pruebas de tensión,
que cuantifican la sensibilidad de una cartera a determinados escenarios de mercado, a
menudo adversos.

16. William Sharpe fue miembro del Departamento de Logística de la Rand Corporation,
donde escribió un artículo sobre la optimización del diseño de aviones de transporte
militar, y su cargo en la Universidad de Washington era el de Profesor Asociado de
Investigación Operativa.

44
Referencias

Ahmadi, H. (1993) Testability of the Arbitrage Pricing Theory by Neural Networks. En

Neural Networks in Finance and Investing: Using Artificial Intelligence to Improve
Real World Performance, editado por R.R. Trippi, R.R. y E. Turban, Probus Publishing
Co, Chicago,
pp. 421-432.
Alexander, G.J. y Resnick, B.G. (1985) Using Linear and Goal Programming to Immunize
Bond Portfolios, Journal of Banking and Finance, vol. 9, nº 1, marzo, pp. 35-54.
Anderson, R.W. y Danthine, J.P. (1981) Cross Hedging (Cobertura cruzada), Journal of
Political Economy, vol. II, p. 1.
89, nº 6, diciembre, pp. 1182-1196.
Ashford, R.W., Berry, R.H. y Dyson, R.G. (1988) Operational Research and Financial
Management, European Journal of Operations Research, vol. 36, nº 2, pp. 143-152.
Baker, K.R. y Van Der Weide, J.H. (1982) The Bond Scheduling Problem of the Multi-
Subsidiary Holding Company, Management Science, vol. 28, nº 7, julio, pp. 738-748.
Barr, R.S., Seiford, L.M. y Siems, T.F. (1993) An Envelopment Analysis Approach to
Measuring the Managerial Efficiency of Banks, Annals of Operations Research, vol. 45,
nº 1/4, diciembre, pp. 1-19.
Bauer, P.W., Berger, A.N., Ferrier, G. D. y Humphrey, D.B. (1998) Consistency Conditions for
Regulatory Analysis of Financial Institutions: A Comparison of Frontier Efficiency
Methods, Journal of Economics and Business, vol. 50, nº 2, pp. 85-114.
Ben-Dov, Y., Hayre, L. y Pica, V. (1992) Mortgage Valuation Models at Prudential Securities,
Interfaces, vol. 22, nº 1, enero-febrero, pp. 55-71.
Ben-Horim, M. y Silber, W.L. (1977) Innovación financiera: A Linear Programming
Approach,
Journal of Banking and Finance, vol. 1, no. 3, noviembre, pp. 277-296.
Bernstein, P.L. (1992) Capital Ideas: The Improbable Origins of Modern Wall Street, The
Free Press, Macmillan Inc, Nueva York.
Bertsimas, D. y Lo, A.W. (1998) Optimal Control of Execution Costs, Journal of Financial
Markets, vol. 1, nº 1, abril, pp. 1-50.
Bierman, H. (1966) The Bond Size Decision, Journal of Financial and Quantitative Analysis,
vol. 1, no. 4, diciembre, pp. 1-14.
Bierwag, G.O. (1976) Optimal TIC Bids on Serial Bond Issues, Management Science, vol. 22,
nº 11, julio, pp. 1175-1185.
Board, J.L.G. y Sutcliffe, C.M.S. (1991) Risk and Income Tradeoffs in Regional Policy: A
Portfolio Theoretic Approach, Journal of Regional Science, Vol 31, No 2, Abril 1991,
pp 191-210.
Board, J.L.G. y Sutcliffe, C.M.S. (1994) Estimation Methods in Portfolio Selection and the
Effectiveness of Short Sales Restrictions: UK Evidence, Management Science, Vol.
40, nº 4, abril de 1994, pp. 516-534.
Board, J.L.G., Sutcliffe, C.M.S. y Ziemba, W.T. (1999) Teoría de carteras: Mean Variance.
En Encyclopaedia of Operations Research and Management Science editado por Saul
I. Gass y Carl M. Harris, Kluwer Academic Publishing, Boston-Dordrecht-London, de
próxima aparición.
Boquist, J.A. y Moore, W.T. (1983) Estimating the Systematic Risk of an Industry Segment:
A Mathematical Programming Approach, Financial Management, vol. 12, no. 4,
Winter,
45
 pp. 11-18.
Boyle, P.P. (1977) Opciones: A Monte Carlo Approach, Journal of Financial Economics,
vol. 4, no. 3, mayo, pp. 323-338.

46
Boyle, P.P. (1989) Valuing Canadian Mortgage Backed Securities, Financial Analysts Journal,
vol. 45, no. 3, mayo-junio, pp. 55-60.
Boyle, P.P., Broadie, M. y Glasserman, P. (1997) Monte Carlo Methods for Security Pricing,
Journal of Economic Dynamics and Control, vol. 21, nº 8-9, junio, pp. 1267-1321.
Bradley, S.P. y Crane, D.B. (1972) A Dynamic Model for Bond Portfolio M a n a g e m e n t ,
Management Science, vol. 19, nº 2, octubre, pp. 139-151.
Brick, I.E., Mellon, W.G., Surkis, J. y Mohl, M. (1983) Optimal Capital Structure: A Multi
Period Programming Model for Use in Financial Planning, Journal of Banking and
Finance, vol. 7, nº 1, marzo, pp. 45-67.
Broadie, M. y Glasserman, P. (1996) Estimating Security Price Derivatives Using Simulation,
Management Science, vol. 42, nº 2, febrero, pp. 269-285.
Broadie, M. y Glasserman, P. (1997) Pricing American Style Securities Using Simulation,
Journal of Economic Dynamics and Control, vol. 21, nº 8-9, junio, pp. 1323-1352.
Cariño, D.R., Kent, T., Myers, D.H., Stacy, C., Sylvanus, M., Turner, A.L., Watanabe, K. y
Ziemba, W.T. (1994) The Russell-Yasuda Kasai Model: An Asset-Liability Model for
a Japanese Insurance Company Using Multistage Stochastic Programming, Interfaces,
vol. 24, nº 1, enero-febrero, pp. 29-49. Reimpreso en Ziemba y Mulvey (1998)
Cariño, D.R. y Ziemba, W.T. (1998a) Formulation of the Russell Yasuda Kasai Financial
Planning Model, Operations Research, vol. 46, no. 4, julio-agosto, pp. 433-449.
Cariño, D.R., Myers, D. y Ziemba, W.T. (1998b) Concepts, Technical Issues and Uses of the
Russell Yasuda Kasai Model, Operations Research, vol. 46, no. 4, julio-agosto, pp.
450- 462.
Capettini, R. y Toole, H. (1981) Designing Leveraged Leases: A Mixed Integer Linear
Programming Approach, Financial Management, vol. 10, no. 4, Autumn, pp. 15-23.
Chambers, D. y Charnes, A. (1961) Intertemporal Analysis and Optimization of Bank
Portfolios, Management Science, vol. 7, no. 4, julio, pp. 393-410.
Chandy, P.R. y Kharabe, P. (1986) Pricing in the Government Bond Market, Interfaces, vol. II.
16, no. 5, septiembre-octubre, pp. 65-71.
Cheng, P.L. (1962) Optimum Bond Portfolio Selection, Management Science, vol. 8, no. 4, julio,
pp. 490-499.
Christofides, N., Hewins, R.D. y Salkin, G.R. (1979) Graph Theoretic Approaches to Foreign
Exchange, Journal of Financial and Quantitative Analysis, vol. 14, no. 3, septiembre,
pp. 481-500.
Clewlow, L., Hodges, S. y Pascoa, A. (1998) Mathematical Programming and Risk
Management of Derivative Securities. En Operational Tools in the Management of
Financial Risks, editado por C. Zopounidis, Kluwer Academic Publishers, 1998, pp.
237- 248.
Cohen, K.J. y Hammer, F.S. (1965) Optimal Coupon Schedules for Municipal Bonds,
Management Science, vol. 12, nº 1, septiembre, pp. 68-82.
Cohen, K.J. y Hammer, F.S. (1966) Optimal Level Debt Schedules for Municipal Bonds,
Management Science, vol. 13, no. 3, noviembre, pp. 161-166.
Cohen, K.J. y Hammer, F.S. (1967) Linear Programming and Optimal Bank Asset
Management Decisions, Journal of Finance, vol. 22, nº 2, mayo, pp. 147-168.
Consiglio, A. y Zenios, S.A. (1997a) A Model for Designing Callable Bonds and its Solution
Using Tabu Search, Journal of Economic Dynamics and Control, vol. 21, nº 8-9, junio,
pp. 1445-1470.
Consiglio, A. y Zenios, S.A. (1997b) High Performance Computing for the Computer Aided

47
 Diseño de productos financieros. En Advances in High Performance Computing editado
por L. Grandinetti, J. Kowalik y M. Vajtersic, NATO Advanced Science Institute
Series, vol 30, Kluwer Academic Publishers, pp. 273-302.
Cotner, J.S. y Levary, R.R. (1987) A Quadratic Programming Model for Determining Short
Term Multiple Currency Portfolios (Un modelo de programación cuadrática para
determinar carteras de divisas múltiples a corto plazo), OPSEARCH, vol. 24. No. 4,
pp. 218-227.
Crane, D.B., Knoop, F. y Pettigrew, W. (1977) An Application of Management Science to
Bank Borrowing Strategies, Interfaces, vol. 8, nº 1, parte 2, noviembre, pp. 70-81.
Dahl, H., Meeraus, A. y Zenios, S.A. (1993) Algunos modelos de optimización financiera: II
Financial Engineering. En Financial Optimization, editado por S.A. Zenios,
Cambridge University Press, pp. 37-71.
Del Angel, G.F., Márquez y Patiño, E.P. (1998) A Discrete Markov Chain Model for Valuing
Loan Portfolios. The Case of Mexican Loan Sales, Journal of Banking and Finance,
vol. 22, nº 10-11, octubre, pp. 1457-1480.
Dempster, M.A.H. y Hutton, J.P. (19 96) Pricing American Stock Options by Linear
Programming, Documento de trabajo, Departamento de Matemáticas, Universidad de
Essex, octubre, 34 páginas.
Dempster, M.A.H., Hutton, J.P. y Richards, D.G. (1998) LP Valuation of Exotic American
Options Exploiting Structure, Documento de trabajo, Judge Institute of Management
Studies, Universidad de Cambridge, WP 27/98, septiembre.
Dempster, M.A.H. e Ireland, A.M. (1988) A Financial Expert Decision Support System. En
Mathematical Models for Decision Support, editado por G. Mitra, NATO ASI Series,
vol. F48, Springer-Verlag, pp. 415-440.
Dixit, A.K. y Pindyck, R.S. (1994) Investment Under Uncertainty, Princeton University Press,
Nueva J ersey.
Dryden, M.M. (1968) Short-Term Forecasting of Share Prices: An Information Theory
Approach, Scottish Journal of Political Economy, vol. 15, noviembre, pp 227-249.
Dryden, M.M. (1969) Share Price Movements: A Markovian Approach, Journal of Finance,
vol 24, nº 1, marzo, pp 49-60.
Dutta, P.K. y Madhavan, A. (1997) Competition and Collusion in Dealer Markets, Journal of
Finance, vol. 52, nº 1, marzo, pp. 245-276.
Elimam, A.A., Girgis, M y Kotob, S. (1996) The Use of Linear Programming in Disentangling
the Bankruptcies of Al-Manakh Stock Market Crash, Operations Research, vol. 44,
no. 5, septiembre-octubre, pp. 665-676.
Elimam, A.A., Girgis, M y Kotob, S. (1997) A Solution to Post Crash Debt Entanglements in
Kuwait's al-Manakh Stock Market, Interfaces, vol. 27, nº 1, enero-febrero, pp. 89- 106.
Elton, E.J. y Gruber, M.J. (1971) Dynamic Programming Applications in Finance, Journal of
Finance, vol. 26, nº 2, mayo, pp. 473-506.
Firer, C., Sandler, M. y Ward, M. (1992) Market Timing: A Worthwhile Strategy?, Omega,
vol. 20, no. 3, pp. 313-322.
Fong, H.G. y Vasicek, O. (1983) The Tradeoff Between Return and Risk in Immunized
Portfolios, Financial Analysts Journal, vol. 39, no. 5, septiembre-octubre, pp. 73-78.
Friemer, M., Rao, M.R. y Weingartner, H.M. (1972) Note on "Municipal Bond Coupon
Schedules With Limitations on the Number of Coupons", Management Science, vol.
19, no. 4, diciembre, pp. 379-380.
Freund, R.J. (1956) The Introduction of Risk in a Programming Model, Econometrica, vol.
24, no. 3. Julio, pp. 253-263.
Glover, F. y Jones, C.K. (1988) A Stochastic Generalized Network Model and Large Scale
Mean-Variance Algorithm for Portfolio Selection, Journal of Information and
Optimization Sciences, vol. 9, no. 3, pp. 299-316.
Gollinger, T.L. y Morgan, J.B. (1993) Calculation of an Efficient Frontier for a Commercial

48
 Loan Portfolio, Journal of Portfolio Management, vol. 19, nº 2, invierno, pp. 39-46.
Golub, B., Holmer, M., McKendall, R., Pohlman, L. y Zenios, S.A. (1995) A Stochastic
Programming Model for Money Management, European Journal of Operational
Research, vol. 85, pp. 282-296.
Goonatilake, S. y Treleaven, P. (editores) (1995) Intelligent Systems for Finance and Business,
John Wiley and Sons.
Grant, D,. Vora, G. y Weeks, D. (1997) Path Dependent Options: Extending the Monte Carlo
Simulation Approach, Management Science, vol. 43, nº 11, noviembre, pp. 1589-
1602.
Heian, B.C. y Gale, J.R. (1988) Mortgage Selection Using a Decision Tree Approach: An
Extension, Interfaces, vol. 18, no. 4, julio-agosto, pp. 72-81.
Hillier, R.S. y Eckstein, J. (1993) Stochastic Dedication: Designing Fixed Income Portfolios
Using Massively Parallel Benders Decomposition, Management Science, vol. 39, nº 11,
noviembre, pp. 1422-1438.
Hodges, S.D. y Schaefer, S.M. (1977) A Model for Bond Portfolio Improvement, Journal of
Financial and Quantitative Analysis, vol. 12, nº 2, junio, pp. 243-260.
Holmer, M.R. (1994) The Asset-Liability Management Strategy System at Fannie Mae,
Interfaces, vol. 24. no. 3, mayo-junio, pp. 3-21.
Holmer, M.R., Yang, D. y Zenios, S.A. (1998) Designing Callable Bonds Using Simulated
Annealing. En Operational Tools in the Management of Financial Risks, editado por
C. Zopounidis, Kluwer Academic Publishers, 1998, pp. 177-196.
Hong, H.K. (1981) Finance Mix and Capital Structure, Journal of Business Finance and
Accounting, vol. 8, no. 4, invierno, pp. 485-491.
Hutchinson, J.M., Lo, A.W. y Poggio, T. (1994) A Non-Parametric Approach to Pricing and
Hedging Derivative Securities Via Learning Networks, Journal of Finance, vol. 49,
no. 3, julio, pp. 851-889.
Jackwerth, J.C. y Rubinstein, M, (1996) Recovering Probability Distributions from Options
Prices, Journal of Finance, vol. 51, no. 5, diciembre, pp. 1611-1631.
Joy, C., Boyle, P.P. y Tan, K.S. (1996) Quasi-Monte Carlo Methods in Numerical Finance,
Management Science, vol. 42, nº 6, junio, pp. 926-938.
Kallberg, J.G., White, R. y Ziemba, W.T. (1982) Short Run Financial Planing Under
Uncertainty, Management Science, vol. 28, nº 6, junio, pp. 670-682.
Keim, D.B. y Ziemba, W.T. eds. (1999) Security Market Imperfections in Worldwide Equity
Markets, Cambridge University Press.
Klaassen, P. (1998) Financial Asset-Pricing Theory and Stochastic Programming Models for
Asset/Liability Management: A Synthesis, Management Science, vol. 44, nº 1, enero,
pp. 31-48.
Konno, H. y Yamazaki, H. (1991) Mean Absolute Deviation Portfolio Optimization Model and
its Applications to Tokyo Stock Market, Management Science, vol. 37, no. 5, mayo,
pp. 519-531.
Konno, H. y Yamazaki, H. (1997) An Integrated Stock-Bond Portfolio Optimization Model,
Journal of Economic Dynamics and Control, vol. 21, nº 8-9, junio, pp. 1427-1444.
Kornbluth, J.S.H. y Vinso, J.D. (1982) Capital Structure and the Financing of the
Multinational Corporation: A Fractional Multi-Objective Approach, Journal of Financial
and Quantitative Analysis, vol. 17, nº 2, junio, pp. 147-178.
Kornbluth, J.S.H. y Salkin, G.R. (1987) The Management of Corporate Financial Assets:
Applications of Mathematical Programming Models, Academic Press Inc, Londres.
Kraus, A. (1973) The Bond Refunding Decision in an Efficient Market, Journal of Financial
and Quantitative Analysis, vo. 8, no. 5, diciembre, pp. 793-806.
Kumar, P.C. y Philippatos, G.C. (1979) Conflict Resolution in Investment Decisions:
Implementation of Goal Programming Methodology for Dual Purpose Funds, Decision
Sciences, vol. 10, octubre, pp. 562-576.

49
Kumar, P.C., Philippatos, G.C. y Ezzell, J.R. (1978) Goal Programming and the Selection of
Portfolios by Dual Purpose Funds, Journal of Finance, vol. 33, nº 1, marzo, pp. 303-
310.
Kusy, M.I. y Ziemba, W.T. (1986) A Bank Asset and Liability Management Model,
Operations Research, vol. 34, no. 3, mayo-junio, pp. 356-376.
Lee, S.M. y Eom, H.B. (1989) A Multi Criteria Approach to Formulating International Project
Financing Strategies, Journal of the Operational Research Society, vol. 40, nº 6, junio,
pp. 519-528.
Lee, S.M. y Lerro, A.J. (1973) Optimizing the Portfolio Selection for Mutual Funds, Journal
of Finance, vol. 28, no. 5, diciembre, pp. 1087-1101.
Lee, S.M., Lerro, A.J .y McGinnis, B.R. (1971) Optimization of Tax Switching for
Commercial Banks, Journal of Money, Credit and Banking, vol. 3, mayo (parte 1), pp.
293- 303.
Levy, H. (1981) Optimal Portfolio of Foreign Currencies with Borrowing and Lending,
Journal of Money Credit and Banking, vol. 13, no. 3, agosto, pp. 325-341.
Levy, H. (1987) Futures, Spots, Stocks and Bonds: Multi-Asset Portfolio Analysis, Journal of
Futures Markets, vol. 7, no. 4, agosto, pp. 383-395.
Litty, C.J. (1994) Optimal Lease Structuring at GE, Interfaces, vol. 24, no. 3, mayo-junio, pp.
34- 45.
Litzenberger, R.H. y Rutenberg, D.P. (1972) Size and Timing of Corporate Bond Flotations,
Journal of Financial and Quantitative Analysis, vol. 7, nº 1, enero, pp. 1343-1359.
Luna, R.E. y Reid, R.A. (1986) Mortgage Selection Using a Decision Tree Approach,
Interfaces, vol. 16, no. 3, mayo-junio, pp. 73-81.
Markowitz, H. (1952) Portfolio Selection, Journal of Finance, vol. 7, nº 1, marzo, pp. 77-91.
Markowitz, H. (1987) Mean-Variance in Portfolio Choice and Capital Markets, Blackwell.
Meade, N. y Salkin, G.R. (1989) Index Funds - Construction and Performance Measurement,
Journal of the Operational Research Society, vol. 40, nº 10, octubre, pp. 871-879.
Meade, N. y Salkin, G.R. (1990) Developing and Maintaining an Equity Index Fund, Journal
of the Operational Research Society, vol. 41, nº 7, julio, pp. 599-607.
Merton, R.C.(1995) Influencia de los modelos matemáticos financieros en la práctica: Pasado,
presente y futuro. En Mathematical Models in Finance, editado por S.D. Howison,
F.P. Kelly y P. Wilmott, Chapman and Hall, Londres, pp. 1-13.
Morgan, J.P. y Reuters (1996) RiskMetricsTM - Technical Document, Morgan Guarantee Trust
Company of New York.
Morgan, J.P. (1997) CreditMetricsTM - Technical Document, Morgan Guarantee Trust
Company of New York.
Mulvey, J.M. (1987) Nonlinear Network Models in Finance. En Advances in Mathematical
Programming and Financial Planning editado por K.D. Lawrence, J.B. Guerard y
G.R. Reeves, vol. 1, JAI Press, pp. 253-271.
Mulvey, J.M. (1994) An Asset Liability Investment System, Interfaces, vol. 24, no. 3, mayo-
junio,
pp. 22-33.
Mulvey, J.M. y Vladimirou, H. (1992) Stochastic Network Programming for Financial
Planning Problems, Management Science, vol. 38, nº 11, noviembre, pp. 1642-1664.
Murtagh, B.A. (1989) Optimal Use of Currency Options, Omega, vol. 17, nº 2, pp. 189-192.
Nauss, R.M. (1986) True Interest Cost in Municipal Bond Bidding: An Integer Programming
Approach, Management Science, vol. 32, nº 7, julio, pp. 870-877.
Nauss, R.M. y Keeler, B.R. (1981) Minimizing Net Interest Cost in Municipal Bond Bidding,
Management Science, vol. 27, no. 4, abril, pp. 365-376.
Nawalkha, S.K. y Chambers, D.R. (1996) Una estrategia de inmunización mejorada: M-
Absolute,
Financial Analysts Journal, vol. 52, no. 5, septiembre-octubre, pp. 69-76.
Ness, W.L. (1972) A Linear Programming Approach to Financing the Multinational Corporation,
50
 Financial Management, vol. 1, no. 3, invierno, pp. 88-100.
Nielsen, S.S. y Zenios, S.A. (1996) A Stochastic Model for Funding Single Premium Deferred
Annuities, Mathematical Programming, vol. 75, nº 2, pp. 177-200.
O'Hara, M. (1995) Teoría de la microestructura del mercado, Blackwell Business.
Paskov, S.H. (1997) New Methodologies for Valuing Derivatives. En Mathematics of
Derivative Securities, editado por Michael A.H. Dempster y S.R. Pliska, Cambridge
University Press, pp. 545-582.
Perold, A.F. (1984) Large Scale Portfolio Optimization, Management Science, vol. 30, nº 10,
octubre, pp. 1143-1160.
Percus, J. y Quinto, L. (1956) The Application of Linear Programming to Competitive Bond
Bidding, Econometrica, vol. 24, no. 4, octubre, pp. 413-428.
Peterson, P.E. y Leuthold, R.M. (1987) A Portfolio Approach to Optimal Hedging for a
Commercial Cattle Feedlot, Journal of Futures Markets, vol. 7, no. 4, agosto, pp. 443-
457.
Powers, I.Y. (1987) A Game Theoretic Model of Corporate Takeovers by Major Stockholders,
Management Science, vol. 33, no. 4, abril, pp. 467-483.
Premachandra, I., Powell, J.G. y Shi, J. (1998) Measuring the Relative Efficiency of Fund
Management Strategies in New Zealand Using a Spreadsheet-based Stochastic Data
Envelopment Analysis Model, Omega, vol. 26, nº 2, mayo, pp. 319-331.
Pritsker, M. (1997) Evaluating Value at Risk Methodologies: Accuracy Versus
Computational Time, Journal of Financial Services Research, vol. 12, nº 2-3, pp. 201-
242.
Refenes, A.P. (editor) (1995) Neural Networks in the Capital Markets, John Wiley and Sons.
Rubinstein, M. (1994) Implied Binomial Trees, Journal of Finance, vol. 49, nº. 3, julio, pp.
771-
818.
Rudd, A. (1980) Optimal Selection of Passive Portfolios, Financial Management, vol. 9, nº 1,
primavera, pp. 57-66.
Rudd, A. y Schroeder, M. (1982) The Calculation of Minimum Margin, Management Science,
vol. 28, nº 12, diciembre, pp. 1368-1379.
Rudolf, M. y Zimmermann, H. (1998) An Algorithm for International Portfolio Selection and
Optimal Currency Hedging. Impreso en Ziemba y Mulvey (1998), pp. 315-340.
Russell, R.A. y Hickle, R. (1986) Simulation of a CD Portfolio, Interfaces, vol. 16, nº. 3,
mayo-junio, pp. 49-54.
Seix, C. y Akhoury, R. (1986) Bond Indexation: The Optimal Quantitative Approach, Journal
of Portfolio Management, vol. 12, no. 3, primavera, pp. 50-53.
Shanker, L. (1993) Optimal Hedging Under Indivisible Choices, Journal of Futures Markets,
vol. 13, no. 3, mayo, pp. 237-259.
Shapiro, J.F. (1988) Stochastic Programming Models for Dedicated Portfolio Selection. En
Mathematical Models for Decision Support, editado por G. Mitra, NATO ASI Series,
vol. F48, Springer-Verlag, pp. 587-611.
Sharda, R. (1987) A Simple Model to Estimate Bounds on Total Market Gains and Losses for
a Particular Stock, Interfaces, vol. 17, no. 5, septiembre-octubre, pp. 43-50.
Sharda, R. y Musser, K.D. (1986) Financial Futures Hedging Via Goal P r o g r a m m i n g ,
Management Science, vol. 32, nº 8, agosto, pp. 933-947.
Sharpe, W.F. (1963) A Simplified Model for Portfolio Analysis, Management Science, vol. 9,
nº 1, enero, pp. 277-293.
Sharpe, W.F. (1967) A Linear Programming Algorithm for Mutual Fund Portfolio Selection,
Management Science, vol. 13, nº 7, marzo, pp. 499-510.
Sharpe, W.F. (1971) A Linear Programming Approximation for the General Portfolio
Analysis Problem, Journal of Financial and Quantitative Analysis, vol. 6, no. 5,
diciembre, pp. 1263-1275.
Taha, H.A. (1991) Operations Research Analysis of a Stock Market Problem, Computers and
51
 Operations Research, vol. 18, nº 7, pp. 597-602.
Taylor, S.J. (1989) Simulating Financial Prices, Journal of the Operational Research Society,
vol. 40, nº 6, junio, pp. 567-569.
Trippi, R.R. y Turban, E. (editores) (1993) Neural Networks in Finance and Investing: Using
Artificial Intelligence to Improve Real World Performance, Probus Publishing Co,
Chicago.
Vassiadou-Zeniou, C. y Zenios, S.A. (1996) Robust Optimization Models for Managing
Callable Bond Portfolios, European Journal of Operational Research, vol. 91, pp.
264- 273.
Weingartner, H.M. (1967) Optimal Timing of Bond Refunding, Management Science, vol.
13, nº 7, marzo, pp. 511-524.
Weingartner, H.M. (1972) Municipal Bond Coupon Schedules With Limitations on the
Number of Coupons, Management Science, vol. 19, no. 4, diciembre, pp. 369-378.
Wong, K. y Selvi, Y. (1998) Neural Network Applications in Finance: A Review and Analysis
of Literature (1990-1996), Information and Management, vol. 34, no. 3, pp. 129-139.
Worzel, K.J., Vassiadou-Zeniou, C. y Zenios, S.A. (1994) Integrated Simulation and
Optimization Models for Tracking Indices of Fixed Income Securities, Management
Science, vol. 42, nº 2, marzo-abril, pp. 223-233.
Yawitz, J.B., Hempel, G.H. y Marshall, W.J. (1976) A Risk-Return Approach to the Selection
of Optimal Government Bond Portfolios, Financial Management, vol. 5, no. 3,
Autumn,
pp. 36-45.
Zenios, S.A. (1991) Massively Parallel Computations for Financial Planning Under Un cert ainty.
En Very Large Scale Computation in the 21st Century, editado por Jill P. Mesirov,
Society for Industrial and Applied Mathematics, Filadelfia, pp. 273-294.
Zenios, S.A. (1993a) Parallel Monte Carlo Simulation of Mortgage Backed Securities. En
Financial Optimization, editado por S.A. Zenios, Cambridge University Press, pp.
325- 343.
Zenios, S.A. (1993b) A Model for Portfolio Management with Mortgage Backed Securities,
Annals of Operations Research, vol. 43, nº 1-4, pp. 337-356.
Zenios, S.A., Holmer, M.R., McKendall, R. y Vassiadou-Zeniou, C. (1998) Dynamic Models
for Fixed Income Portfolio Management Under Uncertainty, Journal of Economic
Dynamics and Control, vol. 22. nº 10, septiembre, pp. 1517-1541.
Zenios, S.A. y Kang, P. (1993) Mean Absolute Deviation Portfolio Optimization for Mortgage
Backed Securities, Annals of Operations Research, vol. 45, nº 1-4, diciembre, pp. 433-
450.
Ziemba, W.T. (1994), World Wide Security Market Regularities, European Journal of
Operational Research, vol. 74, nº 2, 198-229.
Ziemba, W.T. y Mulvey, J.M. eds. (1998) Worldwide Asset and Liability Modelling,
Cambridge University Press.
Zipkin, P. (1993) Hipotecas y cadenas de Markov: A Simplified Evaluation Model,
Management Science, vol. 39, nº 6, junio, pp. 683-691.

30