Documente Academic
Documente Profesional
Documente Cultură
Jos
e R. Berrendero
Departamento de Matem
aticas
Universidad Aut
onoma de Madrid
joser.berrendero@uam.es
Abril 2013
Berrendero (UAM)
C
alculo Estoc
astico
Mayo 2011
1 / 84
Esquema
La formula de Ito.
Aplicaciones.
Principales referencias
Movimiento browniano.
Filtraciones.
Martingalas en tiempo continuo.
Espacios L2 y convergencia en media cuadratica.
El movimiento browniano
Se dice que el proceso {Bt : 0 t T } es un movimiento browniano
en [0, T ] si
B0 = 0.
Tiene incrementos independientes, es decir, para cualesquiera
0 t1 < < tn T , las variables aleatorias
Bt2 Bt1 , Bt3 Bt2 , . . . , Btn Btn1
son independientes.
La variable aleatoria Bt Bs tiene distribuci
on normal de media 0 y
varianza t s, para todo s < t.
La funcion t Bt es continua (con probabilidad 1)
La funcion de covarianzas de Bt es, Cov[Bs , Bt ] = min{s, t}.
0.0
0.5
1.0
1.5
B(t)
0.5
1.0
1.5
Trayectorias
0.0
0.2
0.4
0.6
t
0.8
1.0
0
1
2
B(t)
Trayectorias
0.0
0.2
0.4
0.6
t
0.8
1.0
Filtraciones
Una filtraci
on es una familia de -algebras {Ft : t 0} tal que Fs Ft
si s < t.
Una filtracion se suele usar para representar el flujo de informacion que
vamos obteniendo al observar c
omo evoluciona un proceso en tiempo
continuo. En este caso, Ft = (Xs : s < t).
Un proceso {Xt : t 0} est
a adaptado a una filtraci
on Ft si Xt es una
funcion (medible) de la informaci
on contenida en Ft .
Escribimos Xt Ft , para denotar que Xt esta adaptado a Ft .
Ejemplos
La filtracion mas importante es la asociada al movimiento browniano:
Ft = (Bs : s t).
Siempre es posible completarla de forma que verifique las condiciones
usuales.
En lo que sigue Ft denota esta filtraci
on (salvo indicacion contraria).
Respecto a esta filtracion las tres martingalas continuas mas importantes
son:
Mt = Bt .
Mt = Bt2 t.
Mt = exp{Bt 2 t/2}.
2 dP
< .
2 dP 1/2
= [E(X 2 )]1/2 .
n = 500
T = 1
dt = T/n
tiempo = seq(0,T,dt)
dB = sqrt(dt) * rnorm(n)
B = cumsum(dB)
B = c(0,B)
plot(tiempo,B,t=l)
Ejercicios
Motivacion
Condiciones para que se pueda definir
RT
0
f (w , t)dBt .
Kiyoshi Ito
Nacido en Inabe en 1915
y fallecido en Kyoto en
2008.
En 1945, obtuvo el grado
de doctor tras su trabajo
sobre calculo estocastico.
Desarroll
o su carrera
hasta 1979 en la
Universidad de Kyoto.
Se le concedi
o el premio
Gauss cuya entrega
inaugur
o el ICM 2006 de
Madrid.
Motivacion
Motivacion
Si (t, Xt ) = y (t, Xt ) = son constantes y t 0,
Xt t + Bt .
Como Bt = Bt+t Bt N(0, t), entonces
Xt+t Xt t + N(0, t).
Xt tiene las siguientes caractersticas:
Tendencia lineal.
Fluctuaciones aleatorias proporcionales a N(0, t).
Incrementos independientes.
En casos mas complicados, tanto la tendencia como la variabilidad
dependen del nivel del proceso, o varan sistematicamente con el tiempo.
Modelo de Black-Scholes
Adecuado como modelo para describir el precio Xt de un activo financiero.
Xt+t Xt
t + N(0, t).
Xt
La rentabilidad del activo durante un tiempo t, que viene dada por
(Xt+t Xt )/Xt es aproximadamente proporcional a t mas una
variacion aleatoria normal con media 0 y varianza 2 t.
Este modelo se corresponde con la ecuaci
on diferencial estocastica:
dXt = Xt dt + Xt dBt , con X0 = x0 .
Notacion y objetivo
Notacion diferencial e integral
La ecuacion dXt = (t, Xt )dt + (t, Xt )dBt , con X0 = x0 es solo una
notacion abreviada para la expresi
on integral
Z t
Z t
Xt = x0 +
(s, Xs )ds +
(s, Xs )dBs .
0
Esta
dos conceptos de integral diferentes:
R t expresion involucra
Rt
(s,
X
)ds
y
(s,
X
s
s )dBs .
0
0
Para cada trayectoria de Xt , la integral
la manera habitual.
Rt
0
Z
kf k = E
T
2
f (w , t)dt < .
0
f (w , t) = I(a,b] (t) =
definimos
Z
1, t (a, b]
0, t
/ (a, b]
f (w , t)dBt := Bb Ba .
1.0
1.2
0.6
0.4
0.2
0.0
0.2
B(t) y f(t)
0.8
0.0
0.2
0.4
0.6
t
0.8
1.0
Procesos simples
Consideramos los procesos simples de la forma,
f (w , t) =
n1
X
i=0
0.6
0.4
0.2
0.0
0.2
B(t) y f(t)
0.8
1.0
1.2
0.0
0.2
0.4
0.6
t
0.8
1.0
Procesos simples
f (w , t) dBt :=
0
n1
X
Ai [Bti+1 Bti ].
i=0
T
2
"Z
f (w , t) dt = E
E
0
2 #
f (w , t) dBt
1.0
0.6
B(t) y f(t)
0.2
0.2
0.6
0.2
0.2
B(t) y f(t)
1.0
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.2
0.4
0.8
1.0
0.6
0.8
1.0
1.0
0.6
B(t) y f(t)
0.2
0.2
0.6
0.2
0.2
B(t) y f(t)
0.6
t
1.0
0.0
0.2
0.4
0.6
t
0.8
1.0
0.0
0.2
0.4
t
n 1
2X
i=1
donde ti = iT /2n y Ai =
1
ti ti1
R ti
ti1
f (w , s) ds.
Z
f (w , t) dBt := lim
n 0
fn (w , t) dBt ,
RT
0
fn (w , t) dBt
Teorema
Para cualquier proceso f H2 , se verifica
"Z
Z
T
f 2 (w , t) dt = E
E
0
2 #
f (w , t) dBt
0
RT
0
Rt
0
f (w , s) dBs .
Varianza de la integral:
La isometra de Ito y la propiedad anterior implican
Z t
Z t
2
Var
f (w , s)dBs = E
f (w , s)ds , 0 t T .
0
Observaciones
Teorema
Si f : IR IR es una funci
on continua, y definimos la particion de [0, T ]
dada por ti = iT /n para 0 i n, entonces
lim
n
X
i=1
Z
f (Bti1 )(Bti Bti1 ) =
f (Bs )dBs ,
0
Ejercicios
Bt dBt = lim
0
n1
X
Bi (Bi+1 Bi )
i=0
En la definicion de integral de It
o, es importante evaluar el integrando
en el extremo inferior de cada intervalo de la particion.
Z
Bt dBt = lim
n1
X
i=0
i=0
2.0
0.0
0.5
1.0
1.5
Ito
Stratonovich
Ejercicios
Calcula la varianza de
n1
X
i=0
Rt
2
0 (Bs
BT2
.
2
+ s) dBs .
Utiliza la isometra de It
o para demostrar:
Z t
Z t
Z t
E
f (w , s) dBs
g (w , s) dBs = E
f (w , s)g (w , s)ds .
0
3. Formula de Ito
Introduccion.
Formula para funciones suaves del movimiento browniano.
Formula para funciones del tiempo y del movimiento browniano.
Formula para procesos de It
o.
Formula de Ito
Si para obtener una integral de Riemann tuvieramos que usar la
definicion (es decir, definir las sumas de Riemann y calcular su lmite)
el concepto mismo de integral no sera muy u
til.
El teorema fundamental del calculo permite reducir el calculo de
integrales al calculo de primitivas, lo que convierte a la integral en un
concepto mucho mas facil de manejar.
Para la integral estocastica que acabamos de definir existe tambien
una regla, la formula de It
o, para facilitar los calculos necesarios.
En lo que sigue enunciaremos la regla en diferentes versiones, desde la
mas sencilla hasta la mas general.
B2 1
Bs dBs = t
2
2
dt =
0
Bt2
t
.
2
2
n1
X
[f (ti+1 ) f (ti )]
i=0
n1
X
n1
f 0 (ti )(ti+1 ti ) +
i=0
1 X 00
f (ti )(ti+1 ti )2 + Resto.
2
i=0
Rt
El primer termino de la suma converge a 0 f 0 (s)ds y el segundo (y por
tanto todos los incluidos en el resto) converge a cero puesto que
n1
X
n1
00
f (ti )(ti+1 ti )2 =
i=0
Pn1
i=0
00
t X 00
f (ti )(ti+1 ti ),
n
i=0
Rt
0
f 00 (s)ds.
n1
X
i=0
n1
X
[f (Bti+1 ) f (Bti )]
n
i=0
1 X 00
f (Bti )(Bti+1 Bti )2
2
i=1
+ Resto.
Es
esperar que el primer termino de la suma converja a
R t razonable
0
0 f (Bs )dBs . Hemos demostrado rigurosamente la convergencia para
f 0 (Bs ) = Bs .
La magnitud esperada de los incrementos (Bti Bti1 )2 es
E[(Bti Bti1 )2 ] = ti ti1 , lo que es una diferencia crucial respecto
al caso de la integral habitual.
00
i=0
n1
X
i=0
00
f (Bti )(ti+1 ti ) +
n1
X
00
i=0
Ejercicio
Consideramos la integral estocastica
Rt
0
Bs e Bs dBs .
Aplica la formula de It
o para demostrar:
Z t
Z
1 t Bs
Bs
Bt
Bs e dBs = 1 + e (Bt 1)
e (1 + Bs )ds.
2 0
0
Escribe un programa que aproxime el valor de
relacion anterior.
Aproxima el valor de
Z
R1
0
Bs e Bs dBs usando la
Bs e Bs dBs mediante
Bs e
R1
Bs
dBs
n1
X
i=0
Bi e Bi (Bi+1 Bi ),
Teorema
Sea f : IR+ IR IR una funci
on c 1,2 (IR+ IR). Entonces:
Z t
Z t
Z
1 t
fx (s, Bs )dBs +
ft (s, Bs )ds +
f (t, Bt ) f (0, 0) =
fxx (s, Bs )ds,
2 0
0
0
donde ft y fx representan las derivadas parciales de f .
Si Xt = f (t, Bt ) en notaci
on diferencial la f
ormula se escribe como:
1
dXt = fx (t, Bt )dBt + ft (t, Bt )dt + fxx (t, Bt )dt.
2
La f
ormula de Ito corresponde a un desarrollo de Taylor de orden 2 en el
que se aplica la siguiente tabla de multiplicar,
dt
dBt
dt
0
0
dBt
0
dt
Mt = M0 +
fx (s, Bs ) dBs .
0
Ejemplos:
Mt = Bt
Mt = Bt2 t
Mt = exp(Bt 2 t/2), para cualquier .
Ejercicios
Se define el proceso Xt = Btn , donde n 2 y {Bt : t 0} es el
movimiento browniano.
(a) Aplica la formula de It
o para obtener la ecuacion diferencial
estocastica que satisface Xt . Escribe la ecuaci
on usando tanto la
notacion diferencial como la notaci
on integral.
(b) Sea Z una variable aleatoria con distribuci
on normal estandar. A
partir del resultado del apartado anterior demuestra que
E(Z n ) = (n 1)E(Z n2 ), si n 2.
Operando formalmente,
dYt
1
= ft (t, Xt )dt + fx (t, Xt )dXt + fxx (t, Xt )(dXt )2
2
1
= ft (t, Xt )dt + fx (t, Xt )dXt + fxx (t, Xt )b 2 (w , t)dt
2
1
2
= ft (t, Xt ) + fx (t, Xt )a(w , t) + fxx (t, Xt )b (w , t) dt
2
+ fx (t, Xt )b(w , t)dBt .
La f
ormula de Ito, en el caso general, es el teorema que garantiza que las
manipulaciones anteriores son correctas.
Teorema
Sea f : IR+ IR IR una funci
on c 1,2 (IR+ IR) y sea {Xt : 0 t T }
un proceso estandar. Entonces:
Z t
Z t
f (t, Xt ) f (0, 0) =
ft (s, Xs )ds +
fx (s, Xs )dXs
0
0
Z t
1
+
fxx (x, Xs )b 2 (w , s)ds.
2 0
4. Aplicaciones
La ecuacion de Black-Scholes
Elementos que intervienen en la ecuaci
on:
St es el precio de un activo financiero en el instante t.
es la rentabilidad media del activo.
es la volatilidad (desviaci
on tpica) que caracteriza las fluctuaciones
de St alrededor de su media.
Black y Scholes propusieron la siguiente ecuaci
on para St :
dSt = St dt + St dBt .
Interpretacion:
St+t St
t + (Bt+t Bt ).
St
Ejercicios
De acuerdo con el calculo integral habitual, la funcion exponencial
f (t) = e t esta caracterizada por la propiedad
Z t
f (s)ds.
f (t) f (0) =
0
La formula de Black-Scholes
La f
ormula para valorar una opci
on europea, obtenida por Black y Scholes
en 1973, se ha convertido en uno de los resultados mas conocidos de la
teora de finanzas.
En 1997, Scholes (nacido en 1941 en la provincia de Ontario, en Canada)
compartio con el economista estadounidense Robert Merton -quien mostro
c
omo aplicar la formula en situaciones mas generales- el Premio Nobel de
Economa.
Fischer Black haba muerto en 1995, antes de que su trabajo fuese
reconocido con el Nobel.
Opciones europeas
Una opcion europea adquirida en t confiere el derecho, pero no la
obligacion, de adquirir acciones a un precio K (strike price) en un instante
T > t (expiration date).
La f
ormula de Black-Scholes sirve para determinar el valor Vt (en el
instante t < T ) de una opci
on de este tipo.
St es el precio de las acciones en t. Si ST > K , el inversor ejercera la
opci
on obteniendo un beneficio de ST K . En el caso ST < K no ejercera
la opcion.
El poseedor de una opcion, obtendra en T un pago
h(ST ) = max{0, ST K }.
Un mundo sencillo
Se dice que hay arbitraje cuando existe la oportunidad de obtener un
beneficio sin ning
un riesgo.
Un mundo sencillo:
Solo hay dos instantes de tiempo, un u
nico tipo de acciones, y la
gente esta dispuesta a prestar dinero a tipo de interes cero.
En t0 es posible comprar acciones al precio de 2 euros, meter el dinero
a plazo fijo en el banco al tipo de interes cero, o pedir dinero prestado
al mismo tipo.
En el instante t1 , cada acci
on puede haber incrementado su valor
hasta 4 euros, o puede haber bajado a 1 euro.
Un mundo sencillo
Un mundo sencillo
Formula de Black-Scholes
Sea la funcion de distribuci
on de la distribuci
on normal estandar y sea
= T t el tiempo residual.
F
ormula de Black-Scholes
El precio de arbitraje en un instante t en el que la accion vale St de una
opci
on europea que se puede ejercer en T > t a un precio K es
Vt = St (d1 ) Ke r (d2 ),
donde ,
d1 =
log(St /K ) + (r + 2 /2)
d2 =
log(St /K ) + (r 2 /2)
Vt
10
15
Formula de Black-Scholes
10
St
15
20
Ecuacion de Ornstein-Uhlenbeck
Supongamos que > 0 y > 0. La ecuaci
on de Ornstein-Uhlenbeck es
dXt = Xt dt + dBt .
Xt+t (1 t )Xt + tZ .
Version en tiempo continuo de un modelo AR(1).
Metodo de Euler-Maruyama.
Metodo de Milstein.
Orden de convergencia.
Objetivo
Queremos simular trayectorias de procesos que resuelven ecuaciones de la
forma:
dXt = f (Xt ) dt + g (Xt ) dBt , X0 = x0 , 0 t T .
Metodo de Euler-Maruyama
Como Xt resuelve la ecuaci
on,
Z j
Z
Xj = Xj1 +
f (Xs )ds +
j1
g (Xs )dBs
j1
Metodo de Euler-Maruyama
Xj = Xj1 + f (Xj1 )t + g (Xj1 )(Bj Bj1 )
Mas esquematicamente podemos escribir
X = f t + g tZ
Problema:
La primera aproximaci
on es O(t), pero la segunda es solo
O( t) (en probabilidad)
Metodo de Milstein
Metodo de Milstein
Z j1
j
j1
0
g 0 (Xj1 )g (Xj1 )
[(Bj Bj1 )2 t]
2
Metodo de Milstein
Metodo de Milstein
Xj
Se a
nade un termino de orden O(t) a la aproximaci
on de
Euler-Maruyama.
Mas esquematicamente podemos escribir
X = f t + g t Z + 0.5 g 0 g t (Z 2 1)
2
Euler-Maruyama (en rojo):
Xj+1 = Xj + Xj t + Xj (Bj Bj1 ).
Milstein (en azul):
Xj+1 = Xj + Xj t + Xj (Bj Bj1 )
1 2
+
Xj [(Bj Bj1 )2 t]
2
Implementacion en R
# Par
ametros
mu = 2
sigma = 1
Xcero = 1
Dt = 2^(-6)
T = 1
n = T/Dt
t = seq(0,T,by=Dt)
# Euler-Maruyama y Milstein
EM = numeric(n+1)
M = numeric(n+1)
EM[1] = Xcero
M[1] = Xcero
for (i in 2:{n+1}){
Z = rnorm(1)
EM[i] = EM[i-1] + mu*EM[i-1]*Dt + sigma*EM[i-1]*sqrt(Dt)*Z
M[i] = M[i-1] + mu*M[i-1]*Dt + sigma*M[i-1]*sqrt(Dt)*Z
M[i] = M[i] + 0.5*sigma^2*M[i-1]*(Dt*Z^2 - Dt)
}
plot(t,M,t=l,col=blue,lwd=2)
lines(t,EM,lwd=2,col=red)
0.5
1.0
1.5
2.0
2.5
3.0
3.5
0.0
0.2
0.4
0.6
t
0.8
1.0
log(error)
0.0
0.0
0.5
1.0
1.5
log(R)
2.0
2.5
Los resultados numericos que hemos obtenido apuntan a que 1/2 para
el metodo de Euler-Maruyama y 1 para el metodo de Milstein.
Ejercicio