Introduccion a la econofsica

Angel
Alvarez
Rodrguez
20 de abril de 2015

1.

Introducci
on.

La econofsica se esta encargando de dar amparo a un

sentimiento ampliamente extendido: la HME es completamente falsa. En el mundo real las estrategias usadas por los agentes manifiestan correlaciones que son
obviadas por las teoras al uso. Los econofsicos son capaces de modelizar sistemas con muchos componentes,
la econofsica propone entonces, una descripcion del
comportamiento adaptativo de los agentes economicos
frente a situaciones cambiantes. Tal enfoque es ahora
posible debido a la creciente capacidad de simulaci
on
de los ordenadores y a los metodos matematicos desarrollados en el area de los sistemas complejos, que han
demostrado exitos notables en la comprension del comportamiento de sistemas con un gran n
umero de componentes que evolucionan e interaccionan fuertemente
entre si.

Al igual que la biofsica o la geofsica estudian procesos propios de la biologa y la geologa desde la perspectiva de la fsica, la econofsica trata de aplicar los
metodos propios de esta ciencia a la teora economica. Se puede definir la econofsica como el campo de
investigaci
on interdisciplinario que aplica metodos, herramientas e ideas procedentes de la fsica estadstica
a la resoluci
on de problemas de economa y finanzas.
La fsica estadstica estudia sistemas compuestos
por una gran cantidad de individuos que interactuan
entre ellos y para los que predecir el comportamiento
de cada unidad individual ser
a imposible. Uno de los
objetos de la fsica estadstica es encontrar leyes universales que rigen el comportamiento conjunto del sistema,
siendo, hasta cierto punto independientes del comportamiento individual de cada uno de sus componentes
que en economa podemos identificar como agentes. En
este contexto la microeconoma, la macroeconoma y
especialmente las finanzas pueden ser entendidas como
sistemas complejos.
La economa y las finanzas est
an fuertemente matematizadas desde hace m
as de un siglo, con herramientas que van desde el movimiento Browniano (caminatas al azar) hasta la teora de juegos (donde se usan
conceptos como equilibrio de Nash). En finanzas, por
ejemplo, se ha asumido que las fluctuaciones de precios siguen una distribuci
on normal y que los mercados funcionan de forma eficiente. A partir de ah se ha
desarrollado una extensa teora. Una de las tesis fundamentales en la que se ha basado el estudio tecnico
de la economa en los u
ltimos cien a
nos es la llamada
Hip
otesis de Mercado Eficiente (HME), siendo a su vez
la posici
on m
as adoptada y menos creda. Asume , basicamente que toda la informaci
on susceptible de ser conocida por el sistema (por ejemplo los datos referentes
a la bolsa), est
an en cada paso de tiempo incorporada a
los precios. Exige que el sistema sea una computadora
perfecta, que integra en cada paso de tiempo toda la
informaci
on relevante, recordemos que el sistema es un
conjunto de individuos comprando y vendiendo acciones. pare entonces una hip
otesis un tanto pretenciosa
y poco realista. La HME asigna como probabilidad a
un crash como el de octubre de 1987, una entre 1035
posibilidades, es decir, para la teora cl
asica, semejante ocurrencia es imposible. M
as aun, una perdida en
un da de mas del 5 por 100 en el Dow Jones (hecho
que sucede alrededor de cada dos a
nos), debera tener
una frecuencia de una cada miles de a
nos seg
un HME.

2.
2.1.

Nociones
noma.

b
asicas

de

eco-

Bienes financieros de riesgo y sin

riesgo.

Supongamos que depositamos en un tiempo t = 0

una determinada cantidad de dinero en una cuenta
bancaria que paga una tasa de interes r. Con el tiempo
la cantidad de dinero que tenemos en el banco (B(t))
aumenta.
dB(t)
= rB
(1)
dt
Suponiendo una condicion inicial B(0) = 1 se puede
resolver esta ecuacion diferencial.
B(t) = ert

(2)

Una cuenta bancaria es un ejemplo de bienes financieros sin riesgo, ya que esta garantizado una tasa de
interes, normalmente fijo, independientemente de la situacion del mercado.

2.2.

La naturaleza aleatoria del precio

de las acciones.

Ya que las acciones representan una pieza peque

na
de las compa
nas, el precio de las acciones debe de alguna manera reflejar el valor total de la compa
na. sin
embargo el valor presente de una firma depende no solo de la situacion corriente de la firma sino tambien
de su rendimiento futuro. Asque se ve ya el problema
1

b
asico del precio de los bienes financieros de riesgo, estamos intentando predecir el futuro sobre la base de la
informaci
on del presente. Por lo tanto si se revela una
informaci
on que pueda de una manera u otra afectar
al rendimiento futuro de la compa
na, entonces el precio de las acciones varia a consecuencia. As el precio
futuro de las acciones esta siempre sujeto a un cierto
grado de incertidumbre. Esto es reflejado en el tpico
comportamiento err
atico que muestra el valor de las
acciones a lo largo del tiempo. Aunque el precio de las
acciones pueda variar de manera impredecible, esto no
significa que no podamos modelizarlo, solo quiere decir
que debera ser descrito por una funci
on probabilstica.
Sea S el precio de una acci
on dada y supongamos que
podemos escribir una ecuaci
on an
aloga a la (1) para la
tasa de crecimiento de S:
dS
= R(t)S
dt

derecho a vender el bien subyacente por el precio K en

el tiempo T . Si en la fecha de espiracion T el precio de
la accion ST es superior al precio de strike K, el titular
de la opcion call puede ejercer su derecho a comprar
la accion del subscriptor al precio K y venderla en el
mercado al precio ST , embolsandose as la diferencia
ST K. Por otro lado, si en la fecha de espiraci
on el
precio de la accion ST cierra por debajo de K entonces
la opcion call deja de tener valor, ya que sera mas barato comprar la accion en el mercado. El pago (payoff )
de la opcion call en el vencimiento es por tanto dado
por:
payof fcall = max(ST K, 0)
(5)

(3)

donde R(t) representa la tasa de retorno de la accion.

La cuesti
on es, que es R(t)? Bas
andonos en nuestra
discusi
on previa, es razonable esperar que R(t) pueda
ser separada en dos componentes: i) una medida predecible de la tasa de retorno, denotada por y ii) un
termino de fluctuaci
on (t), responsable de la aleatoriedad en el precio de la acci
on. Por tanto R(t) = + (t)
y podemos escribir la ecuaci
on (3) como:
El diagrama de pago de la opcion call es ilustrado por
la linea gruesa en la figura. En esta figura la linea fina
dS
= [ + (t)]S
(4) representa el precio de la opcion call en un tiempo
dt
arbitrario t < T antes de la espiracion. Similarmente,
la funcion pago para la opcion put es:

2.3.

Opciones y derivados.

payof fput = max(K ST , 0)

Ademas de los bienes financieros primarios ya mencionados (acciones, tasa de interes, etc), muchos otros
instrumentos financieros, como las opciones y los contratos futuros, son negociados en los mercados. Estos
valores generalmente llamados derivados, porque derivan sus valores del precio de algunos bienes primarios
subyacentes.
Una opci
on financiera es un instrumento derivado
que se establece en un contrato que da a su comprador el derecho, pero no la obligaci
on, a comprar o vender bienes o valores (el activo subyacente, que pueden
ser acciones, bonos, indices burs
atiles, etc) a un precio predeterminado (strike), hasta una fecha concreta
(vencimiento). Existes dos tipos de opciones financieras, call (opci
on a compra) y put (opci
on a venta). Si la
opci
on puede ser solo ejercida en una fecha futura especificada en el contrato, entonces se denomina opcion
europea, en caso de que la opci
on pueda ser ejercida
en cualquier momento hasta el vencimiento se denomina opci
on americana. solo consideraremos las opciones
europeas, cuya definici
on formal es:

(6)

Ya que el subscriptor tiene una obligacion (mientras que el titular tenga un derecho) el demandara el
pago, que sera denotado por C0 , por el titular con el
fin de formalizar el contrato. As, en el caso de que
la opcion call, si la opcion es ejercida por el titular (subscriptor) hara un beneficio (perdida) dado por
max(ST K, 0) C0 ; de otra manera, el titular (subsDefinici
on 1 Una opci
on europea call con precio criptor) tendra perdidas (ganancias) de cantidad C0
predeterminado (strike) K y vencimiento o fecha de pagada (recibida) por la opcion. Similarmente para la
espiraci
on T en el bien subyacente S, es un contrato opcion put. Es decir que el titular y el subscriptor tieque le da al titular el derecho a comprar el bien subya- nen una posicion opuesta en relacion con la direcci
on
cente por el precio K en el tiempo T .
del mercado. Por ejemplo, el titular de la opcion call esLa opci
on europea put es equivalente igual que la ta apostando por que el precio de la opcion incremente,
anterior, con la u
nica diferencia que le da al titular el mientras que el subscriptor esperara lo opuesto.
2

Ahora, ya que el titular y el subscriptor tienen puntos de vista opuestos en cuanto a la direcci
on del mercado, como pueden ellos ponerse de acuerdo en el precio
de la opci
on? El problema central en el precio de la
opci
on es por lo tanto determinar el precio racional
de C0 , que asegure que ninguno de los dos se encuentre
en una posici
on mejor para ganar.
La soluci
on a este problema (asumiendo ciertos supuestos) fue dada en 1973 en un articulo de Black y
Scholes e independientemente por Merton. La historia
de las opciones es sin embargo mas larga. De hecho,el
primer cientfico en estudiar las opciones se remonta al
trabajo de un matem
atico frances, Bachelier en 1900,
el cual resolvi
o el problema del precio de las opciones
bajo unos determinados supuestos (equivocados).

3.
3.1.

Movimiento browniano
c
alculo estoc
astico.

Ademas se cumple:

3.2.

La introducci
on tpica al movimiento browniano se
hace a traves de la noci
on de camino aleatorio, en el
cual un adecd
otico borracho camina a lo largo de una
linea tomada en cada intervalo de tiempo t con un
paso de tama
no l, ya sea a la derecha o a la izquierda
con igual probabilidad. La posici
on, X(t), del caminante despues de t = N t, donde N es el n
umero de pasos
dados, representa un proceso estoc
astico. Como es bien
conocido, la probabilidad P (X(t) = x) de que el caminante sea encontrado en una posici
on dada x = nl,
donde n es un entero, en el tiempo t, es descrito por la
distribuci
on binomial.
El movimiento browniano es un proceso estocastico que resulta de tomar en el camino aleatorio en el
lmite continuo: t 0,l 0, N 0, n 0 tal que
t = N t y x = nl permanecen finitos. Aqui sin embargo, debemos tomar algunas precauciones para asegurar
que la densidad de probabilidad p(x, t) obtenida es finita, se debe tomar t 0 y l 0 tal que l2 = t,
donde es una constante. En este caso se obtiene que
p(x, t) esta dado por la distribuci
on Gaussiana:

p(x, t) =

x2
e 2 2 t

2 2 t

(10)

hX 2 i = 2

(11)

Movimiento browniano y ruido

blanco.

Definici
on 2 El movimiento estandar browniano o
proceso Wiener (W (t), t 0) es un proceso estoc
astico
con las siguientes propiedades:
1. W (0) = 0.
2. El incremento W (t) W (s) es estacionario e independiente.
3. Para t
> s, W (t) W (s) es una distribucion
normal, N (0, t s).
4. Las trayectorias son continuas.
La condicion estacionaria implica que la funci
on de
densidad de probabilidad de W (t) W (s) para t > s,
depende solo de la diferencia de tiempo t s. Ademas
las condiciones 2y 3 implican que W (t) se distribuye de
acuerdo a N (0, t) para t 0. En particular, nosotros
tenemos que hW (t)i = 0 para todo t 0. Ademas se
puede ver facilmente que la covarianza del movimiento browniano viene dado por, hW (t)W (s)i = s, para
t > s. Entonces el movimiento browniano es un proceso Gaussiano,esto permite dar la siguiente definici
on
alternativa para el movimiento browniano.

Camino aleatorio.

hXi = m

Definici
on 3 El movimiento estandar browniano o
proceso Wiener (W (t), t 0) es un proceso Gaussiano
con hW (t)i = 0 y hW (t)W (s)i = min(s, t).
El movimiento browniano tiene la importante propiedad de tener la variacion cuadratica acotada. Para
ver que significa esto, consideremos una particion de
{ti }ni=0 en el intervalo [0, t], donde 0 < t0 < ... < tn < t.
Por simplicidad usaremos un espacio temporal igualt
mente espaciado: ti ti1 = t = . La variaci
on
n
cuadratica de W (t) se define como:
Qn = ni=1 Wi2

(12)

donde Wi = W (ti W
(ti1 ). Ya que Wi se distribuye de acuerdo a N (0, t) tenemos que hW 2 i = t,
lo cual implica que:

(7)

hQn i = t

(13)

Sea X una variable aleatoria con funci

on de densi- Ademas, usando el hecho que el incremento Wi es
dad de probabilidad dada por p(x), entonces, el valor independiente y recordando que la varianza de la suma
de variables independientes es la suma de las varianzas,
esperado de una funci
on arbitraria f (X):
se obtiene que la varianza de Qn es:
Z
hf (X)i =
f (x)p(x)dx
(8)
var[Qn ] = ni=0 var[Wi2 ]
(14)

= ni=0 {hWi4 i} h(Wi2 )2 i

= ni=0 [3(t)2 (t)2 ]
2t2
=
n

Una distribuci
on Gaussiana o normal en m con desviaci
on est
andar se denota por N (m, ), con funcion de
densidad de probabilidad:

pN (x, t) =

1
2 2

x2 m
2 2
e

De esta manera se puede ver que:

(9)

var[Qn ] 0; n
3

(15)

Por otro lado, tenemos que:

en ninguna parte. Supongamos que intentamos calcudW (t)

var[Qn ] = h(Qn hQn i)2 i = h(Qn t)2 i
(16) lar la derivada de W (t) de la siguiente forma: dt =
W (t + t) W (t)
W
= limt0
. Pero
limt0
Comparando estos dos u
ltimos resultados:
t
t

lm h(Qn t)2 i = 0
(17) ya que W es del orden de t, entonces:
n
W
1
(21)
= O( )
Se prueba as que Qn converge a t en sentido cuadratit
t
co. Este hecho sugiere que W 2 puede ser considerado
del orden de t, lo que significa que como t 0 asique, dW/dt cuando t 0. Asique, la derivala cantidad W 2 se asemeja cada vez mas a t. En da de W (t) no existe como un proceso regular estoc
astiterminos de diferenciales, podemos escribir:
co, sin embargo es posible dar un sentido matem
atico
a dW/dt como un proceso generalizado. En este caso,
dW 2 = dt
(18)
la derivada de W (t) es llamada ruido blanco:
De formaalternativa, podramos decir que dW es del
dW
orden de dt:
(22)
(t)

dt
dW = O( dt)
(19)
Otra importante propiedad del movimiento brow- Ya que de acuerdo a la ecuacion (21) la derivada de
1
niano es el hecho de que es auto-similar en el siguiente W (t) diverge como , sugiere que la integral de la
dt
sentido:
forma:
d 1/2
Z t
W (at) = a W (t)
(20)
I(t)
=
g(t0 )(t0 )dt0
(23)
para todo a > 0. Donde =d significa, equivalente en el
0
sentido de la distribuci
on de probabilidad, esto es, los
debera converger (en alg
un sentido). Es conveniente
dos procesos W (at) y W (t) tienen exactamente la missin embargo introducir la definicion de integrales esma distribuci
on p(x1 , t1 ...xn , tn ) para cualquier electocasticas en terminos de los procesos estocasticos reci
on de ti , i = 1, 2...n, y n 1. Auto-similar significa
gulares. Tal construccion fue hecha por primera vez por
que alguna parte finita del camino browniano con reesel matematico japones Ito.
calar adecuadamente es indistinguible del camino total.
Por ejemplo, si hacemos zoom en alguna region dada
asticas de It
o.
del camino browniano, reescalando el eje de tiempo
por 3.3. Integrales estoc

un factor a y el eje vertical por un factor a, obteUsando la ecuacion (22) y escribiendo la integral
nemos la curva similar (estadisticamente hablando) al (23) como una integral bajo el proceso Wiener W (t):
camino original. Este ejemplo se muestra en la figura
Z t
siguiente. En el lenguaje de los fractales, diramos que
I(t) =
g(t0 )dW (t0 )
(24)
la trayectoria de del movimiento browniano seria una
0
curva fractal de dimension 2.
La idea es entonces la de definir la integral como una
integral de Riemann-Steiljes. As tomamos la partici
on
{ti }i=1n en el intervalo [0, t] y consideramos las sumas
parciales:
In =

n
X

g(ti1 )W (ti )

i=1

n
X

g(ti1 )[W (ti W (ti1 ))]

i=1

(25)
La funcion g(t) debe satisfacer condiciones apropiadas,
la mas importante es que g(t) sea una funcion nonanticipating. Esto significa, en particular, que el valor
g(ti1 ) en (25) es independiente de el siguiente incremento W (ti ) en el movimiento browniano. Por esta
razon, elegir para evaluar g(t) en el principio del intervalo t = ti ti1 es un punto crucial en la definici
on
de la integral estocastica de Ito.
Bajo las condiciones apropiadas sobre g(t), es entonces posible mostrar que las sumas parciales In convergen en el sentido cuadratico. Esto es, existe un proceso I(t) tal que:
h(In I(t))2 i 0
La propiedad aunto-similar implica que las trayectorias del movimiento browniano no sean diferenciables

cuando n 0.
4

(26)

Usando el hecho de que g(t) es non-anticipating y Bajo ciertas condiciones en las funciones a(x, t) y b(x, t)
que hW (t)i = 0, se deduce inmediatamente que de la es posible demostrar que la ecuacion diferencial esdefinici
on (25) que I(t) tiene media cero:
tocastica tiene una solucion u
nica X(t).
Discutiremos
otra
ecuaci
o
n diferencial estocastica,
Z t
0
0
a
saber,
el
movimiento
browniano
con deriva:
hI(t)i = h
g(t )dW (t )i = 0
(27)
0

dX = dt + dW

Las integrales estoc

asticas obedecen a la llamada propiedad isometrica:
h(I(t))2 i = h

(g(t0 )dW (t0 ))2 i =

donde la constante representa la velocidad de desplazamiento media. Integrando (35), se obtiene el proceso:

hg 2 (t0 )idt0 (28)

X(t) = t + W (t)

Ademas las integrales de It

o no se conforman con las
reglas habituales de integraci
on del calculo determinista. Un ejemplo es la siguiente formula:
Z

1
1
W (t)2 t
2
2

W dW =
0

(36)

cuya funcion de distribucion es:

1
e
p(x, t) =
2 2 t

(29)

Las integrales de It
o son sin embargo un camino conveniente para definir las ecuaciones integrales estocasticas.

3.4.

(35)

3.5.

(x t)2
2 2 t

(37)

F
ormula de It
o.

Consideremos un proceso generico X(t) descrito

por al ecuacion diferencial estocastica (33), y supongamos que tenemos un nuevo proceso estocastico Z
definido por:

Ecuaci
on diferencial estoc
astica.

Los fsicos estamos bastante familiarizados con las

ecuaciones diferenciales involucradas en terminos estoc
asticos, tales como la ecuaci
on de Langevin

Z(t) = F (X(t), t)

(38)

para una funcion dada F (X, t). Ahora queremos encontrar la ecuacion diferencial estocastica la cual le corresdv
= v + (t)
(30) ponde la solucion del proceso Z(t). La respuesta esta
dt
dada por la formula de Ito que derivaremos a continuala cual describe el movimiento de una partcula brow- cion.
niana en un liquido viscoso. Aqu es la viscosidad
Consideremos la expansion de Taylor de la funci
on
del fluido y es la amplitud de la fuerza de fluctua- F (X, t)
ci
on que act
ua sobre la partcula. La ecuaci
on (30) no
tiene sin embargo tal sentido matem
atico, ya que invoF
1 2F
F
2
dt
+
dX
+
(dX)
(39)
dF
=
lucra una cantidad, a saber, la derivada (t) del movit
x
2 x2
miento browniano, que ni siquiera existe, (excepto co1 2F
1 2F
2
(dt) +
dtdX + ...
+
mo un proceso generalizado). Sin embargo, es posible
2
2 t
2 tx
poner esta ecuaci
on en una forma matem
atica basica
expres
andola como una ecuaci
on integral estocastica. Ademas:
dv = udt + dW

(31)

((dX)2

= b2 dW 2 + 2abdtdW + a2 (dt)2
2

3/2

= b dt + O(dt

que tras integrar se obtiene:

t

(40)

En donde se ha tenido en cuenta que dW 2 = dt. Sustituyendo (40) en (39) y teniendo en cuenta solo terminos
0
0
de orden dt se obtiene:
Esta ecuaci
on integral ahora tiene buen sentido, de ha

cho puede ser encontrada explicitamente.
1 2F
F
F
dF =
+ b2 2 dt + b
dX
(41)
Consideremos ahora una ecuaci
on diferencial est
2 x
x
toc
astica mas general de la forma:
que es conocida colo la formula de Ito. Sustituyendo
dX = a(X, t)dt + b(X, t)dW
(33) dX de la ecuacion (33), obtenemos la formula de It
o
de manera mas explicita.
donde a(x, t) y b(x, t) son funciones conocidas. Esta


ecuaci
on diferencial es la notaci
on contrada de la siF
F
1 2
2F
dF
=
+
a(X,
t)
+
b
(X,
t)
dt
guiente ecuaci
on integral estoc
astica:
t
x
2
x2
Z t
Z t
F
0
0
+ b(X, t)
dW
(42)
X(t) = X(0)+
a(X, t )dt +
b(X, t0 )dW (t0 ) (34)
x
0
0
Z

v(t) = v(0)

v(t )dt +

dW (t0 )

(32)

4.

El modelo de Bachelier.

El problema de la distribucion limite de esta variable

fue abordado por el matematico frances Abraham de
Moivre que demostro lo que se conoce como un caso
particular del teorema central del limite:
Z B
(xx0 )2
1
e 22 T dx
lim P (A XT B) =
N
2 2 T A
(48)
Es decir que la variable XT en el lmite cuando los pasos temporales y espaciales tienden a cero manteniendo constante 2 , es una variable normal centrada en la
posicion inicial x0 y con varianza 2 T . La misma distribucion lmite puede encontrarse utilizando variables
normales estandar en lugar de Zn discretas. En este
caso tenemos que la posicion de la partcula a tiempo
T viene dada por una variable continua:

Bachelier hizo el primer esfuerzo por utilizar las matem

aticas para predecir el comportamiento del mercado de acciones e inspir
o el estilo de muchos de los trabajos te
oricos posteriores. De hecho, descubri
o una formula que anticipo el trabajos de Einstein sobre el comportamiento de las partculas sujetas a choques aleatorios en el espacio. Desarroll
o el concepto de proceso
estoc
astico e hizo el primer intento de valorar contratos
tales como opciones, que ya eran utilizados en aquella
epoca. Bachelier se propuso establecer la ley de probabilidades de cambio de precios consistente con el estado del mercado en un instante de tiempo dado. Esto
lo llev
o a investigaciones mas profundas en la teora
de probabilidad y de partculas sometidas a choques
aleatorios.
N
X
Bachelier describi
o los precios como paseos aleatoW T = x0 +
hZn
(49)
rios. Sea Xt la posici
on de una partcula a tiempo t,
n=1
con salida a tiempo t = 0 desde una posici
on x0 , que
3
se mueve con periodicidad temporal k una distancia h Tomando lmites para T fijo, N y 2 = h fik
hacia la izquierda o hacia la derecha dependiendo del
jo obtenemos el mismo lmite que obtuvo de Moivre.
resultado de arrojar una moneda. podemos calcular la
Antes de tomar lmite, podemos reescribir esto como:
probabilidad de que la partcula se encuentre en una
posici
on x a un tiempo t = T :
Wt+k Wt = hZt
(50)
P (XT = x|X0 = x0 )

(43)

donde t es alguno de los instantes nk

para 0 n
N 1. Para = 1 tenemos que h = k y en el lmite
escribimos:

dWt kZt ; Zt N (0, 1)

(51)

Las posiciones x que puede alcanzar la partcula depender

an del n
umero de veces N que arrojemos la moneda
y del tama
no del paso espacial h:
N
X

Cuando x0 = 0 el proceso estocastico definido por Wt

(44) se llama proceso de Wiener o movimiento browniano y
n=1
sirve de base para la formulacion de otros modelos de
donde T := N k, y las Zn son variables aleatorias con evolucion estocastica.
La formulacion de Bachelier no resulta adecuada
distribuci
on:
para describir los precios pues el proceso que el define
1
1
(45) admite valores negativos. sin embargo, Bachelier realiZn = +1 p = ; Zn = 1 1 p =
2
2
za un aporte fundamental al ser el primero en proponer

Este
es un proceso estoc
astico discreto, un juego discre- la no predictibilidad del mercado utilizando un modelo
to de suma cero en el que es igualmente posible ganar o estocastico continuo que es fundamental para construir
perder la misma cantidad. Se puede probar que el valor otros modelos mas realistas.
esperado de XT es x0 y, bajo la condici
on de independencia de las variables, su varianza es N h2 . A medida
El modelo basado en el moque N podemos encontrar a XT a una distan- 5.
cia arbitraria de su valor inicial. Se puede observar que
vimiento geom
etrico browcomo N es el numero de pasos necesarios para llegar
niano.
hasta T , el u
nico modo de obtener una varianza finita
al disminuir el paso temporal es que h tienda a cero
Un proceso estocastico de gran importancia en ficuando N tiende a infinito. por lo tanto, usando que
nanzas
es el llamado movimiento geometrico browT
tenemos que:
niano, el cual es definido como la solucion a la siguiente
N
ecuacion diferencial estocastica.
h2
V ar(XT )
=
(46)
dS = Sdt + SdW
(52)
k
T
on
Si permitimos que h y k tiendan a cero haciendo que donde y son constantes, sometidas a la condici
2
inicial
S(t
)
=
S
.
Ahora
vamos
a
realizar
el
siguiente
h
0
0
el cociente 2 :=
permanezca constante, obtenemos cambio de variable, Z = lnS. Aplicando la formula de
k
siempre una variable final con varianza finita. En este Ito, con a = s, b = s y F (s) = lnS, se sigue entonces
caso, 2 representa a la varianza por unidad de tiempo. que:
1
dZ = ( 2 )dt + dW
(53)
V ar(XT ) = 2 T
(47)
2
XT = x0 +

hZn

6.2.

Integrando, se obtiene:

La f
ormula de Black-Scholes.

1
Utilizando los siguientes cambios de variable en el
Z(t) = Z0 + ( 2 )(t t0 ) + [W (t) W (t0 )] (54)
2
problema anterior:
donde Z0 = lnS0 . Invirtiendo el cambio de variable S,
2 C(S, t)
T t
obtenemos la soluci
on explicita de la ecuaci
on diferen(62)
= 2 ; u(x, ) = ex+
cial estoc
astica (52).
K
2
1
S(t) = S0 {( 2 )(t t0 ) + [W (t) W (t0 )]} (55) donde:
2




De la ecuacion (54) vemos que Z(t) Z0 se distribuye
1 2r
1 2r

1
;

=
+
1
(63)

1
2 2
2 2
de acuerdo a N (( 2 ), ), donde = t t0 .
2
Se sigue entonces que el movimiento geometrico browEntonces la ecuacion diferencial se transforma en:
niano sigue una distribucion log-normal:

u
2u
[ln S ( 1 2 ) ]2
S0
2
(64)
=

2 2

x2

1
(56)
e
p(S, t; S0 , t0 ) =
2 2 S
mientras que la condicion (61) se trasforma en una condicion inicial:

6.

6.1.

El modelo est
andar en finanzas.

u(x, 0) = u0 (x) = max(ex ex , 0)

(65)

El modelo de Black-Scholes para el Recordando que la funcion de Green para la ecuacion

del calor es:
precio de las opciones.

1
Los dos supuestos principales del modelo de BlackG(x, x0 ) =
(66)
0 )2 /4
(xx
4 e
Scholes son:
1. Hay dos activos en el mercado, una cuenta bancaria B y una accion S, cuya din
amica de precios esta asque esto es la solucion general para unas condiciones
gobernada por las siguientes ecuaciones diferenciales: de contorno arbitrarias, u0 (x) esta dado por:
Z
dB = rBdt
(57)
u(x, ) =
u0 (x0 )G(x, x0 )dx0
(67)

dS = Sdt + SdW
(58)
Z
0 2
1
donde r es la tasa de interes libre de riesgo, > 0 es
=
u0 (x0 )e(xx ) /4 dx0
4
la tasa de retorno de la acci
on, > 0 es la volatilidad,
y W (t) es el movimiento est
andar browniano.
Insertando (65) en la integral anterior obtenemos
2. El mercado esta libre de arbitraje.
Z 
Consideremos una opci
on call europea, describire
0
0
0 2
1
mos por C(S, t; K, T ) el valor de la opci
on con precio de u(x, ) =
ex ex e(xx ) /4 dx0
4
ejercicio K y fecha de espiraci
on T del activo subyacen=
I()
I()
(68)
te S. Por simplificar la notaci
on, escribiremos C(S, t).
Para un uso posterior, observamos que de acuerdo a la
formula de It
o, la cual, a = S y b = S, el precio de donde
la opci
on obedece a la siguiente din
amica.
Z
0
0 2
1


2

ex e(xx ) /4 dx0
(69)
I()
=
C
C
1 2 2 C
C
4
dC =
+ S
+ S
dt
+
S
dW
t
S
2
S 2
S
(59) Despues de completar los cuadrados y realizando alguEsto es la ecuaci
on de Black-Scholes (BSE) para el pre- na simplificacion, encontramos que
cio de la opci
on C(S, t). Existen sin embargo otras for2
mas de derivar la ecuaci
on de Black-Scholes, se puede
I() = ex+ N (d )
(70)
obtener la BSE con la siguiente forma:
donde
1
2C
C
C
+ 2 S 2 2 + rS
rC = 0
(60)
x + 2
t
2
S
S
d =
(71)
2
La cual debe ser resuelta sujeta a la siguiente condicion
de contorno.
y N (x) detona la funcion de distribucion para una vaC(S, T ) = max(S K, 0)
(61) riable normal N (0, 1):
La soluci
on del problema anterior puede e ser encontrada explicitamente.

1
N (x) =
2
7

es

/2

ds.

(72)

Insertando (70) en (68) y realizando el cambio de variable inverso, podemos obtener la formula de BlackScholes para el precio de una opci
on europea call.
C(S, t) = SN (d1 ) Ker(T t) N (d2 )
donde
d1 =

7.

ln

S
K

+ r + 12 2 (T t)

T t

d2 =

ln

S
K

+ r 21 2 (T t)

T t

(75)

Esta formula es usada menudo en la practica, ademas

ya esta predefinida en muchos paquetes software
(73)
(Excel, Matlab, etc). Sin embargo, muchas personas
en el mundo academico, creen que el modelo de BlackScholes es demasiado idealizado para describir la situa(74) cion real del mercado.

Referencias.

[1] Vasconcelos, G. L. (2004). A guided walk down Wall Street: an introduction to econophysics. Brazilian
Journal of Physics, 34(3B), 1039-1065.
[2] Mansilla, R. (2003). Una breve introduccion a la econofsica. Equipo Sirius. ISO 690