Introduccion a la integracion estocastica

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

Notacion y revision de algunos conceptos.

Motivacion y definicion de la integral de It

o.

La formula de Ito.

Aplicaciones.

Metodos numericos para ecuaciones diferenciales estocasticas.

Principales referencias

Higham, D.J. (2001). An algorithmic introduction to numerical

simulation of stochastic differential equations. SIAM Review, 43, 3,
525546.
Iacus, S.M. (2008). Simulation and Inference for Stochastic
Differential Equations. Springer.
Steele, J.M. (2001). Stochastic Calculus and Financial Applications.
Springer-Verlag.

1. Notacion y repaso de algunos conceptos

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 .

Martingalas en tiempo continuo

Un proceso {Mt : t 0} es una martingala en tiempo continuo respecto
a la filtracion Ft si
E|Mt | < , para todo t 0.
E(Mt |Fs ) = Ms , para todo 0 s t.
Como consecuencia Mt ha de estar adaptada a la filtracion Ft y, ademas,
E(Mt ) = E(M0 ) para todo t 0.
Una martingala es continua si las trayectorias t Mt son continuas con
probabilidad uno.
Las definiciones de submartingala y supermartingala son similares.
Condiciones usuales: F0 contiene a todos los subconjuntos de conjuntos
de medida 0 y, ademas, Ft = s:s>t Fs .

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}.

Espacios L2 y convergencia en media cuadratica

Espacio de probabilidad (, F, P).
Una variable aleatoria pertenece al espacio L2 (dP) si

2 dP

< .

Equivalentemente, E(X 2 ) < , es decir, pedimos que X tenga varianza

finita.
La norma L2 es kX k =

2 dP 1/2

= [E(X 2 )]1/2 .

Una sucesion Xn L2 (dP) converge a X L2 (dP), o en media cuadratica,

si converge en la norma anterior, es decir, si
lim E[(Xn X )2 ] = 0 kXn X k 0.

El espacio L2 (dP) es completo, todas las sucesiones de Cauchy son

convergentes.

Simulacion de trayectorias del movimiento browniano

Para simular el valor de las trayectorias en n puntos del intervalo [0, T ]:
Definimos t = T /n y Bj = Btj , donde tj = j t.
B0 = 0
Bj = Bj1 +

tZj , donde Z1 , Z2 , . . . son i.i.d. N(0, 1).

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

Escribe un programa que simule trayectorias de los procesos siguientes

(relacionados con el movimiento browniano):
El puente browniano: Xt = Bt tB1 , donde t [0, 1].
El movimiento browniano con deriva y varianza 2 > 0:
Xt = t + Bt .
Movimiento browniano geom
etrico: Xt = exp{Bt t/2}.

2. Motivacion y definicion de la integral de Ito.

Motivacion
Condiciones para que se pueda definir

RT
0

f (w , t)dBt .

La integral para procesos simples.

Isometra de Ito para procesos simples.
Los procesos simples aproximan otros mas complicados.
La integral para procesos mas complicados.
Propiedades mas importantes.

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

Xt es un proceso estocastico que describe la evoluci

on aleatoria de cierta
magnitud.
El objetivo es precisar el significado de ecuaciones diferenciales
estoc
asticas de la forma:
dXt = (t, Xt )dt + (t, Xt )dBt , con X0 = x0 .

Estas ecuaciones descomponen la variaci

on de la magnitud en dos partes:
La tendencia (t, Xt )dt.
Variabilidad alrededor de la tendencia (t, Xt )dBt .

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 .

En este caso (t, x) = x y (t, x) = x son funciones lineales.

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

(s, Xs )ds se puede entender de

Nuestro objetivo es definir una integral estocastica de la forma:

Z T
f (w , t)dBt .
0

Que procesos f (w , t) se pueden integrar?

Los procesos f : [0, T ] IR deben cumplir tres condiciones:
Medibilidad (respecto de las -algebras B(IR) y FT B([0, T ]))
Para cada t, el valor de f (, t) es funci
on medible de la trayectoria del
browniano hasta el instante t.
Tecnicamente, se dice que f est
a adaptado a Ft , es decir,
f (, t) Ft , para todo t [0, T ].
Integrabilidad:
2

Z

kf k = E

T
2

f (w , t)dt < .
0

Aqu, kf k es una norma en el espacio producto L2 (dt dP).

Denotamos por H2 al espacio de procesos que verifican estas condiciones.

La integral para el proceso mas simple

Para


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

Ai (w )I(ti ,ti+1 ] (t),

i=0

0.6
0.4
0.2
0.0
0.2

B(t) y f(t)

0.8

1.0

1.2

donde 0 = t0 < t1 < < tn = T es una partici

on de [0, T ].

0.0

0.2

0.4

0.6
t

0.8

1.0

Procesos simples

Para estos procesos, definimos:

Z

f (w , t) dBt :=
0

n1
X

Ai [Bti+1 Bti ].

i=0

Las variables que definen el proceso deben cumplir:

Ai Fti .
E(A2i ) <
Por ejemplo, Ai = Bti cumple estas propiedades.

Isometra de Ito para procesos simples

Teorema
Si f (w , t) es un proceso simple,
Z

T
2

"Z

f (w , t) dt = E

E
0

2 #

f (w , t) dBt

El termino de la izquierda es la norma (al cuadrado) de f en

L2 (dP dt).
RT
El termino de la derecha es la norma (al cuadrado) de 0 f (w , t) dBt
en L2 (dP).
La integral es un operador que conserva la norma (es una isometra).

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

Los procesos simples sirven para aproximar

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

Los procesos simples sirven para aproximar

Teorema
Dado cualquier proceso f H2 , existe una sucesi
on de procesos simples fn
tal que
lim kfn f k = 0,
n

donde k k es la norma en L2 (dP dt).

Se puede escribir explcitamente la sucesi
on fn que se aproxima a f :
fn (w , t) =

n 1
2X

Ai I(ti ,ti+1 ] (t),

i=1

donde ti = iT /2n y Ai =

1
ti ti1

R ti
ti1

f (w , s) ds.

La integral para procesos mas complicados

Para cualquier proceso f H2 , consideramos la sucesion de procesos

simples tal que limn kfn f k = 0.
Definimos
Z

Z
f (w , t) dBt := lim

n 0

fn (w , t) dBt ,

donde el lmite se entiende en el sentido de la norma L2 (dP).

La isometra de Ito garantiza que la sucesi
on
converge en L2 (dP).

RT
0

fn (w , t) dBt

La definicion no depende de la sucesi

on de aproximacion que elijamos.

La isometra de Ito para procesos generales

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

La integral de Ito como proceso estocastico

Tenemos ya la integral definida para un intervalo [0, T ] fijo, pero queremos
utilizar la integral estocastica para representar procesos.
Para t [0, T ], podemos considerar el proceso

RT
0

f (w , s)I[0,t] (s) dBs .

El teorema que sigue garantiza que se puede construir una martingala

continua Mt que coincide con este proceso con probabilidad 1:
Teorema
Para cualquier f H2 , existe una martingala continua {Mt : 0 t T }
RT
(respecto a Ft ) tal que Mt (w ) = 0 f (w , s)I[0,t] (s) dBs con probabilidad 1
para todo t [0, T ].
Notaci
on: Mt (w ) =

Rt
0

f (w , s) dBs .

Las dos propiedades mas importantes

Esperanza de la integral:
Las propiedades de las martingalas muestran que para todo f H2 y
0 t T se verifica

Z t
f (w , s)dBs = 0.
E
0

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

Calculo usando la definicion

Usando la definicion, vamos a demostrar

Z T
B2
T
Bt dBt = T .
2
2
0
Paso 1. Construimos una sucesi
on de procesos simples que converge
al movimiento browniano.
Paso 2. Calculamos las integrales de los procesos simples.
Paso 3. La integral es el lmite (en media cuadratica) de la sucesion
de integrales.

Observaciones

Comprobacion de las propiedades principales de la integral estocastica:

Es una martingala?
i
hR
Rt
t
Se verifica E[( 0 Bs dBs )2 ] = E 0 Bs2 ds ?

Comparacion con la integral no estocastica.

Si Xt = Bt2 , el resultado que hemos obtenido se puede escribir en
notacion diferencial:
Z t
Xt = t + 2
Bs dBs dXt = dt + 2Bt dBt .
0

Extension de la definicion de integral

La definicion de integral se puede extender a procesos que verifican la

condicion
Z T

2
P
f (w , t)dt < = 1.
0

en lugar de la condicion mas restrictiva

Z T

2
E
f (w , t)dt < .
0

En este caso la integral ya no es necesariamente una martingala.

La f
ormula de Ito que vamos a ver s se cumple para esta version extendida
de la integral.

Representacion de Riemann de la integral

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

donde el lmite significa convergencia en probabilidad.

Integrales de funciones no estocasticas

La integral de Ito da procesos gaussianos si el integrando no es estocastico:

Teorema
Si f : [0, T ] IR es una funci
on continua, entonces el proceso
Z t
Xt =
f (s)dBs , t [0, T ]
0

es un proceso gaussiano con incrementos idependientes, media 0, y funcion

de covarianzas
Z min(s,t)
Cov(Xs , Xt ) =
f 2 (s)ds.
0

Ejercicios

Definimos t = T /n y Bj = Btj , donde tj = j t.

Sabemos que
Z

Bt dBt = lim
0

n1
X

Bi (Bi+1 Bi )

i=0

Considera los valores T = 1 y T = 10.

Escribe un programa en R que aproxime el valor de la integral
mediante la suma de Riemann anterior.
Compara el valor obtenido con el de (BT2 T )/2.

Otras integrales estocasticas

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

Bti (Bti+1 Bti )

i=0

Al contrario de lo que ocurre con la integral habitual, este lmite no

coincide con
n1
X
lim
B ti +ti+1 (Bti+1 Bti ).
n

i=0

2.0

Otras integrales estocasticas

0.0

0.5

1.0

1.5

Ito
Stratonovich

Ejercicios

Definimos t = T /n y tj = j t. Demuestra que

lim

Calcula la varianza de

n1
X

B ti +ti+1 (Bti+1 Bti ) =

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.

Formula para funciones suaves del movimiento browniano

Teorema
Si f : IR IR es una funci
on c 2 (IR), entonces
Z
Z t
1 t 00
f (Bt ) = f (B0 ) +
f 0 (Bs )dBs +
f (Bs )ds.
2 0
0
Alternativamente, si G es una primitiva de g y existe g 0 y es continua, la
f
ormula puede reescribirse:
Z t
Z
1 t 0
g (Bs )dBs = G (Bt ) G (B0 )
g (Bs )ds.
2 0
0
Esta expresion permite aproximar integrales estocasticas a traves de la
aproximacion de integrales convencionales.

Formula para funciones suaves del movimiento browniano

Si comparamos la formula con la regla de Barrow tradicional, observamos

que aparece
R t 00 un termino nuevo relacionado con la segunda derivada,
(1/2) 0 f (Bs )ds.
En el ejemplo que resolvimos aplicando la definici
on, g (x) = x, g 0 (x) = 1
2
y G (x) = x /2. Por lo tanto,
Z
0

B2 1
Bs dBs = t
2
2

dt =
0

Bt2
t
.
2
2

Por que aparece el termino nuevo?

Para la integral tradicional sobre el intervalo [0, t] tenemos, si ti = it/n,
f (t) f (0) =

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

f (ti )(ti+1 ti ) converge a

t X 00
f (ti )(ti+1 ti ),
n
i=0

Rt
0

f 00 (s)ds.

Por que aparece el termino nuevo?

El mismo argumento para la integral estocastica:
f (Bt ) f (B0 ) =

n1
X
i=0
n1
X

[f (Bti+1 ) f (Bti )]
n

f 0 (Bti )(Bti+1 Bti ) +

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.

Por que aparece el termino nuevo?

En media, los terminos de segundo orden del desarrollo se comportan
como ti ti1 en lugar de (ti ti1 )2 .
De hecho,
n1
X

00

f (Bti )(Bti+1 Bti )2

i=0

n1
X
i=0

00

f (Bti )(ti+1 ti ) +

n1
X

00

f (Bti )[(Bti+1 Bti )2 (ti+1 ti )],

i=0

yR puede demostrarse que el primer termino de la suma converge a

t 00
0 f (Bs )ds mientras que el segundo converge a cero.

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

donde Bi = Bti , ti = iT /n.

n1
X
i=0

Bi e Bi (Bi+1 Bi ),

Formula para funciones suaves de t y Bt

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 tabla de multiplicar de la integracion estocastica

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

La tabla se justifica porque, en terminos esperados, (dBt )2 es del mismo

orden que dt.

Aplicacion a la obtencion de martingalas

Si f (t, x) verifica ft = fxx /2 y fx cumple la condici
on de integrabilidad,
entonces el proceso Mt = f (t, Xt ) es una martingala.
1
dMt = fx (t, Bt )dBt + ft (t, Bt )dt + fxx (t, Bt )dt = fx (t, Bt )dBt ,
2
es decir,
Z
t

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.

Encuentra la ecuacion diferencial estocastica verificada por los

procesos siguientes:
(a) Xt = Bt /(1 + t).
(b) Xt = sen Bt .

Formula de Ito: caso general

Consideramos un proceso que verifica:
dXt = a(w , t)dt + b(w , t)dBt
Si multiplicamos por f (w , t),
f (w , t)dXt = f (w , t)a(w , t)dt + f (w , t)b(w , t)dBt .
Definimos la integral respecto a Xt :
Z t
Z t
Z t
f (w , s)dXs :=
f (w , s)a(w , s)ds +
f (w , s)b(w , s)dBs .
0

Que ecuacion diferencial estocastica cumple Yt = f (t, Xt )?

Formula de Ito: caso general

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 .

Hemos usado la tabla de multiplicar anterior.

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

Ecuacion diferencial estocastica de Black-Scholes.

La formula de Black-Scholes.
Ecuacion diferencial estocastica de Ornstein-Uhlenbeck.

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

Esta propiedad sugiere definir la exponencial de Ito como un proceso

estocastico Xt tal que
Z t
Xt X0 =
Xs dBs .
(1)
0

(a) Verifica que el proceso Xt = exp(Bt ) no es la exponencial de Ito.

(b) Encuentra un proceso de la forma Xt = f (t, Bt ) que s cumpla la
propiedad (1).
(Una formula de integraci
on por partes) Utiliza la formula de Ito para
demostrar que si h es una funci
on c 1 (IR+ ), entonces
Z t
Z t
h(s)dBs = h(t)Bt
h0 (s)Bs ds.
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 }.

El camino hacia la formula

El itinerario que conduce a la f

ormula de Black-Scholes es el siguiente:
Un argumento de ausencia de arbitraje da lugar a una ecuacion
diferencial estocastica que debe satisfacer Vt .
Utilizando la formula de It
o, resolver la ecuaci
on diferencial
estocastica se reduce a resolver una ecuaci
on -no estocastica- en
derivadas parciales.
La solucion de la ecuaci
on en derivadas parciales es la formula de
Black-Scholes.

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

En t0 , una entidad financiera nos ofrece la posibilidad de comprar un

producto por el que nos pagaran 3 euros en t1 si la accion sube y
nada si la accion baja.
Este producto es equivalente a una opci
on de compra de la accion en
T = t1 por K = 1 euros. Si la acci
on sube, ejerceremos la opcion y
ganaremos 3 euros, mientras que si baja no ejerceremos la opcion.
La pregunta es cual debera ser el precio x de esta oferta en el
instante t0 .

Un mundo sencillo

La solucion se obtiene determinando una cartera formada por acciones y

euros en bonos a tipo de interes cero, de forma que el dinero obtenido en
T = t1 por mantener esta cartera sea el mismo que el que tendramos si
compraramos la opcion (replicating portfolio). Para que no haya arbitraje,
el valor de la cartera en t0 debe coincidir con el precio de la opcion.
Cartera Opcion
Valor en t0
2 +
x
Pago en t1 si la acci
on sube 4 +
3
Pago en t1 si la acci
on baja +
0

La ecuacion diferencial de Black-Scholes

Evolucion del precio de las acciones:
dSt = St dt + St dBt .
Evolucion del precio de los bonos sin riesgo:
dt = r t dt.
Pago en T : h(ST ) = max{0, ST K }.
Valor de una cartera con at acciones y bt bonos:
Vt = at St + bt t .
Condicion de contorno: h(ST ) = VT
Condicion de autofinanciaci
on:
dVt = at dSt + bt dt .

La ecuacion diferencial de Black-Scholes

Teniendo en cuenta las ecuaciones de precios:
dVt = [at St + bt r t ]dt + at St dBt .
Supongamos que Vt = f (t, St ), si aplicamos la f
ormula de Ito,


1
2 2
dVt = ft (t, St ) + fx (t, St )St + fxx (t, St ) St dt+fx (t, St )St dBt
2
Igualando los coeficientes de las dos u
ltimas ecuaciones tenemos:
at = fx (t, St ).
y
1
St fx (t, St ) + bt r t = ft (t, St ) + fx (t, St )St + fxx (t, St ) 2 St2 .
2

La ecuacion diferencial de Black-Scholes

Simplificando y despejando bt ,


1
1
bt =
ft (t, St ) + fxx (t, St ) 2 St2 .
r t
2
Por lo tanto,
f (t, St ) = Vt = at St + bt t


1
1
2 2
ft (t, St ) + fxx (t, St ) St t .
= fx (t, St )St +
r t
2
La funcion f (t, x) que resuelve el problema es la solucion de la
ecuacion diferencial de Black-Scholes:
1
ft (t, x) = 2 x 2 fxx (t, x) rxfx (t, x) + rf (t, x),
2
con la condicion de contorno f (T , x) = h(x), para todo x IR.

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 .

Introducida por Ornstein y Uhlenbeck en 1931 para estudiar el

comportamiento de los gases. Vasicek lo adopt
o como modelo para
describir la evolucion de los tipos de interes.
Si t 0, podemos interpretar la ecuaci
on como:

Xt+t (1 t )Xt + tZ .
Version en tiempo continuo de un modelo AR(1).

Existencia y unicidad de soluciones

Teorema
Si los coeficientes de la EDE
dXt = (t, Xt )dt + (t, Xt )dBt , X0 = x0 , 0 t T ,
verifican
|(t, x) (t, y )|2 + |(t, x) (t, y )|2 K |x y |2
y
|(t, x)|2 + |(t, x)|2 K (1 + |x|2 ),
entonces existe una solucion de la EDE Xt que es continua, adaptada y uniformemente acotada en L2 (dP) (es decir, sup0tT E(Xt2 ) < ). Ademas,
si Xt e Yt son dos soluciones continuas y acotadas de la EDE,
P{Xt = Yt , para todo t [0, T ]} = 1.

5. Metodos numericos para EDE

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 .

Suponemos que las funciones f y g s

olo dependen de Xt (y no de t).
Dado un horizonte temporal T y un incremento t = T /n,
simulamos la trayectoria en los n + 1 puntos j = j(t), para
j = 0, 1, 2, , n. Denotamos Xj = Xj .
Los metodos requieren simular previamente un movimiento browniano
en los mismos puntos. Denotamos Bj = Bj

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

Se trata de mejorar la segunda aproximaci

on mediante la formula de Ito
aplicada al proceso Yt = g (Xt )
dYt = [g 0 (Xt )f (Xt ) + g 00 (Xt )g (Xt )2 /2]dt + g 0 (Xt )g (Xt )dBt
Si s (, + t) y eliminamos los terminos O(t),
g (Xs ) g (X ) g 0 (X )g (X )(Bs B )

Metodo de Milstein

g (Xs )dBs g (Xj1 )(Bj Bj1 )

Z j1
j

g 0 (Xj1 )g (Xj1 )(Bs Bj1 )dBs

j1
0

= g (Xj1 )(Bj Bj1 ) + g (Xj1 )g (Xj1 )

(Bs Bj1 )dBs

j1

= g (Xj1 )(Bj Bj1 ) +

g 0 (Xj1 )g (Xj1 )
[(Bj Bj1 )2 t]
2

Metodo de Milstein
Metodo de Milstein
Xj

= Xj1 + f (Xj1 )t + g (Xj1 )(Bj Bj1 )

1 0
+
g (Xj1 )g (Xj1 )[(Bj Bj1 )2 t]
2

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)

Ejemplo: ecuacion de Black-Scholes

Ecuacion: dXt = Xt dt + Xt dBt , X0 = x0 .
La solucion es el movimiento browniano geometrico:



2
t + Bt .
Xt = x0 exp

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

Ejemplo: ecuacion de Black-Scholes

0.0

0.2

0.4

0.6
t

0.8

1.0

Comparacion de ambos metodos

Para valorar la precision de los metodos:

Simulamos trayectorias de un movimiento browniano con un alto nivel
de refinamiento (por ejemplo, en puntos ti = i dt, donde dt = T /N).
A partir de estas trayectorias, podemos simular las del movimiento
browniano geometrico (que sabemos que es la solucion de la ecuacion
de Black-Scholes).
Simulamos trayectorias de Xt en puntos j = j Dt, donde Dt = R dt,
mediante los metodos de Euler-Maruyama y Milstein.
Comparamos los resultados obtenidos en el instante final T .
Al variar R podemos hacernos una idea de c
omo dependen los
metodos numericos del valor Dt.

Ejemplo: ecuacion de Black-Scholes

Vamos a considerar R = 1, 2, 4, 8, 16.
En cada caso, calculamos 1000 trayectorias del movimiento browniano
geometrico y de las aproximaciones de Euler-Maruyama y de Milstein.
Para ambas aproximaciones, calculamos
1000
1 X (i)
(i)
eR =
|XT XT |,
1000
i=1

(i) es la trayectoria aproximada y X (i) es el correspondiente

donde X
movimiento browniano geometrico.
Representamos log(R) frente a log(eR )

3.0 2.5 2.0 1.5 1.0 0.5

log(error)

0.0

Ejemplo: ecuacion de Black-Scholes

0.0

0.5

1.0

1.5
log(R)

Ajustando por mnimos cuadrados:

E-M: log(e) 1.73 + 0.55 log(R)
M: log(e) 3.26 + 0.92 log(R)

2.0

2.5

Orden de convergencia fuerte

de un proceso X , basada en un incremento
Una aproximacion discreta X
de discretizacion , tiene un orden de convergencia fuerte igual a si,
para todo T fijo,
T XT | C ,
E|X
para < 0 , donde C y 0 no dependen de .
Si la desigualdad anterior se cumple con igualdad aproximada, entonces
log(e) log(C ) + log()

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

Simula, mediante los metodos de Euler-Maruyama y Milstein, trayectorias

del proceso que resuelve la ecuaci
on diferencial estocastica:
dXt = rXt (K Xt )dt + Xt dBt , X0 = x0 .
Utiliza los siguientes valores de los parametros: K = 1, r = 2, = 0.25 y
x0 = 0.5.