UNIVERSIDAD COMPLUTENSE DE MADRID

TRABAJO DE FIN DE GRADO

Anlisis numrico de un Modelo de Difusin

con Saltos, aplicacin a la valoracin de
opciones financieras

Alumno: Gabriela Raluca Oros

Tutores: Juan Antonio Infante, Gerardo Oleaga

ndice general
Resumen

1. Clculo estocstico y modelo de Black-Scholes

1.1. Paseo aleatorio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.2. Movimiento browniano

. . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.2.1. Movimiento browniano aritmtico . . . . . . . . . . . . . . . . . . . .

1.2.2. Movimiento browniano geomtrico . . . . . . . . . . . . . . . . . . .

1.3. Modelo de Black-Scholes

. . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

2. Modelo de difusin con saltos

11

2.1. Modelo de evolucin de precios de un activo

2.2. Modelo de evolucin de precios de una opcin
3. Valoracin de opciones europeas

. . . . . . . . . . . . . . . . . 12
. . . . . . . . . . . . . . . . 18
21

3.1. Ecuacin de Black-Scholes-Merton para una opcin europea . . . . . . . . . 21

3.2. Condiciones iniciales y de contorno . . . . . . . . . . . . . . . . . . . . . . . 22
3.3. Solucin de la ecuacin de Black-Scholes-Merton para una opcin europea . 24
3.3.1. Mtodo de diferencias finitas . . . . . . . . . . . . . . . . . . . . . . 25
3.3.1.1. Mtodo explcito . . . . . . . . . . . . . . . . . . . . . . . . 30
3.3.1.2. Mtodo semi-implcito

. . . . . . . . . . . . . . . . . . . . 30

3.3.1.3. Mtodo de Crank-Nicolson . . . . . . . . . . . . . . . . . . 32

4. Simulaciones y resultados

35

4.1. En ausencia de saltos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

4.2. Incorporando los saltos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
Conclusiones

40

Resumen
El estudio se centra principalmente en la valoracin de opciones europeas utilizando la
ecuacin de Black-Scholes, cuando el precio del activo subyacente sigue un modelo de
difusin con saltos. El objetivo es simular el comportamiento del precio de la opcin.
Se sigue la siguiente estructura. En el primer captulo se introducen herramientas del clculo
estocstico y se estudian algunos modelos matemticos simples para describir el comportamiento del precio de las acciones, como el paseo aleatorio y el movimiento browniano,
conceptos que se utilizarn a lo largo del trabajo y que ayudarn a hacerse una idea del
problema de valoracin. Tambin aqu se presenta el modelo estndar terico de valoracin de opciones financieras, el modelo de Black-Scholes. En el segundo captulo asumimos
que el precio del subyacente incorpora variaciones significativas en periodos discretos y se
presenta el modelo de difusin con saltos. En el tercer captulo se desarrolla la ecuacin en
diferencias parciales de Black-Scholes para el caso en el que el subyacente siga un proceso
de difusin con saltos, y se busca una solucin numrica a la misma haciendo uso del mtodo en diferencias finitas. El trabajo termina con un modelo numrico para la valoracin
de una opcin europea de compra. En el cuarto captulo veremos un ejemplo de simulacin
numrica, variando el nmero medio de saltos esperados a lo largo de un ao, (parmetro
de intensidad), y la desviacin tpica del proceso lognormal del tamao del salto.
El trabajo se basa sobre todo en los dos artculos siguientes: Option pricing when underlying stock returns are discontinuous [5], de Robert Merton, y Numerical Analysis of
Jump Diffusion Models: A Partial Differential Equation Approach [9], de Daniel Duffy,
aunque se han consultado otras referencias que se citarn a lo largo del trabajo.

Summary
This work focuses on the valuation of European options using the Black-Scholes equation,
when the price of the underlying asset follows a jump-duffusion model. The purpose is to
simulate the option price behavior.
This is structured as follow. In the first chapter, stochastic tools and simple mathematical
models are introduced to describe the behavior of stock prices, as the random walk and
Brownian motion. Also here, the Black - Scholes model is described, which gives a theoretical estimate of the price of European options. In the second chapter, the jump-diffusion
model is presented. In the third chapter, the Black-scholes partial diferential equations is
derivated and solved. In the fourth chapter, an example of numerical simulation is seen.
This work is based on the following two articles: Option pricing when underlying stock
returns are discontinuous [5], by Robert Merton, and Numerical Analysis of Jump Diffusion Models: A Partial Differential Equation Approach [9], by Daniel Duffy, although
other references are cited along the work.

Captulo 1

Clculo estocstico y modelo de

Black-Scholes
En este primer captulo comenzamos estudiando algunos modelos matemticos simples, el
paseo aleatorio (en tiempo discreto) y el movimiento browniano (en tiempo continuo), para
describir el comportamiento del precio de las acciones y presentamos el denominado Modelo de Black-Scholes, bajo ciertas hiptesis del mercado, como un movimiento browniano
geomtrico. Este captulo se basa en el libro Financial Derivatives: Pricing, Applications
and Mathematics, de Jamil Baz y Georfe Chacko [1] aunque tambin se han consultado
otras referencias, las cuales se han citado explcitamente a lo largo del captulo.

1.1.

Paseo aleatorio

Imaginemos un objeto (una partcula, el precio de una accin,...) situado en una recta.
En cada paso el objeto se desplaza hacia la derecha o hacia la izquierda una pequea
cantidad x con probabilidad p o q = 1 p, respectivamente. El recorrido que realizamos
es aleatorio: es un paseo aleatorio (en ingls, random walk). De una manera ms formal,
para cada paso i del paseo aleatorio, donde i = 1, 2, 3... hay una variable aleatoria Zi que
puede tomar los valores +1 1 con probabilidad p y q, respectivamente. Los valores Zi
son independientes e idnticamente distribuidos.
El objeto se mueve un paso por unidad de tiempo t. En el instante t = nt, es decir
despus de n pasos, Xt , la posicin en el paseo aleatorio en el instante t, es la suma de los
n pasos realizados Z1 , Z2 , ..., Zn :
Xt = Z1 + Z2 + ... + Zn .
Nos preguntamos: Dnde esperamos que el objeto est despus de n pasos? Cmo de alejado estar del origen? Estas preguntas se pueden expresar matemticamente contestando
a: Cul es la esperanza de Xt , E[Xt ] ? y Cul es su varianza, Var(Xt )?.

CAPTULO 1. CLCULO ESTOCSTICO Y MODELO DE BLACK-SCHOLES

La esperanza y varianza de cada paso individual i es:

E[Zi ] = (p q)x
Var(Zi ) = E[Zi2 ] (E[Zi ])2 = (x)2 [1 (p q)2 ] = 4pq(x)2 .
Como el operador esperanza es aditivo, la distancia total esperada es n veces la esperanza
de Zi :
E[Xt ] = n E[Zi ] = n(p q)x.
Conforme pasa el tiempo, la variable aleatoria tendr que alejarse del origen. Para comprobarlo calculamos V ar(Xt ). Como Xt es la suma de n variables independientes con varianza
4pq(x)2 , la varianza de la suma es la suma de las varianzas de las variables:
Var(Xt ) = 4npq(x)2 .
La varianza de la distancia desde el origen es por lo tanto proporcional al nmero de
pasos. Pero recordamos que cada paso corresponde exactamente a una unidad de tiempo.
Se deduce entonces que la varianza de la posicin es proporcional al tiempo.
En el caso particular, cuando p = q = 1/2, tenemos que 4pq = 1. Si pensamos en n como
el nmero de unidades de tiempo, V ar(Xt ) se puede reescribir de la siguiente manera:
Var(Xt ) = nmero de unidades de tiempo (x)2 .

1.2.

Movimiento browniano

Luis Bachelier, en su tesis doctoral La teora de la especulacin (1900), hizo el primer

esfuerzo por utilizar las matemticas para predecir el comportamiento del mercado de acciones. Desarroll el concepto de procesos estocsticos e intent valorar contratos como
futuros1 y opciones. En su tesis postula que los precios de los activos siguen un movimiento browniano con una determinada tendencia o deriva y un factor, hoy muy popular,
la volatilidad. La informacin (positiva y negativa) llega aleatoriamente a los mercados
tirandando de los precios en ambas direcciones, con lo cual, la volatilidad mide la amplitud
del impacto de la informacin recibida sobre los precios. [2]

1.2.1.

Movimiento browniano aritmtico

Volvemos a la descripcin del paseo aleatorio simple. Recordamos que la esperanza y varianza de la posicin de un objeto en el instante t = nt, despus de n pasos, son:
E[Xt ] = n(p q)x
Var(Xt ) = 4npq(x)2 = 4
1

t
pq(x)2 .
t

Acuerdo para comprar o vender un activo en una fecha especfica en el futuro a un precio determinado.

CAPTULO 1. CLCULO ESTOCSTICO Y MODELO DE BLACK-SCHOLES

Fijmonos ahora en las propiedades de un paseo aleatorio en un tiempo continuo. Para

un t dado, la longitud del intervalo t y el tamao del paso x se harn arbitrariamente
pequeos (tendern a cero), mientras que el nmero de pasos correspondientes n se har
muy grande (tender a infinito).
Cmo podemos calibrar los parmetros del paseo aleatorio (p, q y x) para obtener una
distribucin continua en el tiempo, Xt , con media y varianza 2 instantneas constantes
por unidad de tiempo?
t
(p q)x t
t
t
Var(Xt ) = 4 pq(x)2 2 t
t
E[Xt ] =

(1.2.1)
(1.2.2)

La solucin de (1.2.1) y (1.2.2), viene dada por:

1 t
+
p =
2
2

1 t

q =
2 2
x = t.

(1.2.3)

Obsrvese que todo est escrito en trminos del paso del tiempo.
El proceso lmite para t 0 de Xt se denomina movimiento browniano aritmtico con
deriva y volatilidad . ste es similar al paseo aleatorio en tiempo discreto discutido
antes:
MBA1. X(0) = 0.
MBA2. Los incrementos son independientes. Es decir, Xt X0 y Xt+h Xh son
independientes para todo h > 0.
MBA3. Xt tiene media t y varianza 2 t por la construccin anterior.
Adems, se puede demostrar que Xt sigue una distribucin normal aplicando el Teorema
Central del Lmite 2 . Demostraremos este resultado calculando la funcin generatriz de
momentos de Xt .
La funcin generatriz de momentos para un slo paso Zi es:
E[eZi ] = pex + qex .
2

Teorema Central del Lmite. Sea X1 , X2 , ..., Xn un conjunto de variables aleatorias, independientes
e idnticamente distribuidas con media y varianza 0 < 2 < . Sea Sn = X1 + ... + Xn entonces:


Sn n

lm P r
z = (z)
n
n
donde (z) es la funcin de distribucin de la normal estndar N(0,1), para cada nmero real z.

CAPTULO 1. CLCULO ESTOCSTICO Y MODELO DE BLACK-SCHOLES

Es fcil ver que la funcin generatriz de momentos de Xt es la n-sima potencia de la

expresin de arriba. Como Zi son independientes se tiene que:
E[eXt ] = E[e(Z1 +...+Zn ) ] = E[eZ1 ] ... E[eZn ] = (pex + qex )n .
Sustituyendo ahora en la expresin de arriba por los valores de p, q y x antes obtenidos
(1.2.3), tenemos:
#n
"

t
1

t
1
)e t + (
)e t
(1.2.4)
E[eXt ] = ( +
2
2
2
2
Como t puede hacerse tan pequeo como deseamos, ser la unidad de tiempo ms pequea
de inters para nosotros. Cualquier cantidad de orden (t)n con n > 1 ser despreciada y
se denotar por o(t) que significa:
o(t)
= 0.
t0 t
lm

Por ejemplo: (t)2 = o(t) y (t)3/2 = o(t), pero

tiende a infinito cuando t tiende a cero.

t 6= o(t) porque el cociente

Explicado esto, escribimos el desarrollo de Taylor de las exponenciales que aparecen en la

ecuacin (1.2.4):
e
e

2 2 t
= 1 + t +
+ o(t)
2

2 2 t
= 1 t +
+ o(t).
2

Sustituyendo estos dos desarrollos de Taylor en (1.2.4) y realizando algunas operaciones

aritmticas obtenemos:

n
2 2
Xt
E[e ] = 1 + ( +
)t + o(t) .
2
Pero t = nt . Como el nmero de pasos n y el incremento de tiempo 4t 0, en el
lmite a tiempo continuo la funcin generatriz de momentos se convierte en:
#n
"
2 2
)t
(
+
2
lm E[eXt ] = lm 1 +
n
n
n
= e(+

2 2
)t
2

Esto es precisamente la funcin generatriz de momentos de una distribucin normal con

media t y varianza 2 t. Por lo tanto, Xt se distribuye segn una normal y puede ser
estandarizada, restando su media y dividiendo por su desviacin tpica:
Xt t

=
t

Xt = t + t.

(1.2.5)

CAPTULO 1. CLCULO ESTOCSTICO Y MODELO DE BLACK-SCHOLES

donde N (0, 1) es una variable aleatoria normal estndar.

Podemos reescribir el movimiento browniano aritmtico segn:
Xt = t + Wt

(1.2.6)

donde Wt se denomina proceso de Wiener estndar, Wt = t , que se distribuye normalmente con:

E[Wt ] = E[ t] = t E[] = 0

Var(Wt ) = Var( t) = t Var() = t.

La ecuacin (1.2.6) escrita en forma diferencial viene ser:
dXt = dt + dWt

(1.2.7)

en la cual dXt y dWt se definen como:

dXt = Xt+dt Xt

dWt = Wt+dt Wt = dt.

La ecuacin (1.2.7) se denomina ecuacin diferencial estocstica.

1.2.2.

Movimiento browniano geomtrico

La formulacin de Bachelier no resulta adecuada para describir los precios pues el proceso
que l utiliza admite valores negativos. Sin embargo, realiza un aporte fundamental al ser
el primero en proponer la no predictibilidad del mercado utilizando un modelo estocstico
continuo que es fundamental para construir otros modelos ms realistas.
Posteriormente, Paul Samuelson propuso el movimiento browniano geomtrico, que l llam
movimiento browniano econmico. ste al modelizarse sobre las rentabilidad de los activos
garantiza la posibilidad de los precios. Samuelson postulaba el paradigma actual de que:
Los rendimientos de los activos siguen un movimiento browniano con deriva, pero no
identifica qu deriva, lo que habra que esperar a los trabajos de Black, Scholes y Merton.
[2]
Una variable Xt sigue un movimiento browniano geomtrico si verifica la siguiente
ecuacin diferencial estocstica:
dXt = Xt dt + Xt dWt .
Sea St el precio de una accin a tiempo t. Entonces el proceso se reescribira:
dSt
= dt + dWt .
St

(1.2.8)

CAPTULO 1. CLCULO ESTOCSTICO Y MODELO DE BLACK-SCHOLES

Encontramos dos parmetros. Por una parte, tenemos la rentabilidad futura que viene
determinada por , y por otra parte, la volatilidad que se denota por . Cuanto ms
grande es , mayor es la variacin de la rentabilidad, es decir, mayor es la incertidumbre
que tenemos sobre los movimientos del activo. Los mercados voltiles son aquellos en los
que se observan grandes oscilaciones, con gran incertidumbre.
t
Por ltimo, se puede observar que el rendimiento dS
St en el intervalo de tiempo dt sigue
una distribucin normal con media dt y varianza 2 dt . Es decir:

dSt
N (dt, 2 dt)
St
Este modelo de precios es el que utilizaremos para deducir la ecuacin de Black-Scholes.
A continuacin vamos a resolver la ecuacin diferencial (1.2.8). Utilizando el lema de It
para F (St , t) = log(St ) se tiene:
dF =

F
F
2F 2
dt +
dSt +
dS
t
S
S 2 t

donde
F
t
F
S
2F
S 2

= 0
=
=

1
St
1
.
St2

Entonces:
1
1 1
(St dt + St dWt ) + ( 2 )St2 2 dt
St
2 St
2

= ( )dt + dWt .
2

d(log(St )) = 0 +

La interpretacin de la ecuacin diferencial es:

t
t
2
log(St ) log(S0 ) =
( )d +
dW
2
0
0
2
= ( )t + Wt
2
Con lo cual la solucin de (1.2.8) viene dada por:
St = S0 e

donde Wt = t con N (0, 1).



2
2 t+Wt

CAPTULO 1. CLCULO ESTOCSTICO Y MODELO DE BLACK-SCHOLES

La expresin anterior permite simular fcilmente evoluciones de precios para S0 , y

conocidos. El algoritmo es el siguiente:

Algoritmo 1.1 Simulacin del Movimiento Browniano Geomtrico

V alores iniciales : t0 = 0, S0 , , , dt,
para

= 1, 2...
tj = tj1 + dt
N (0, 1)



2
Sj = Sj1 exp ( )dt + dt
2

Veamos un ejemplo. Consideramos una accin que no paga dividendos con precio inicial
50$, un rendimiento esperado de 10 % anual y una volatilidad de 20 % anual. Es decir,
S0 = 50, = 0,1 y = 0,2 . En la figura (1.2.1) se puede ver una simulacin de 10
trayectorias aleatorias que sigue el precio de esta accin a lo largo de 1 ao.

Figura 1.2.1: Simulacin de 10 trayectorias del movimiento browniano geomtrico

CAPTULO 1. CLCULO ESTOCSTICO Y MODELO DE BLACK-SCHOLES

1.3.

10

Modelo de Black-Scholes

En la primavera de 1973, Fisher Black y Myron Scholes presentaron en el artculo The

Pricing of Options and Coporate Liabilities [6], publicado en el Journal of Political Economy, el modelo estndar terico de valoracin de opciones financieras. El modelo asume
un conjunto de condiciones iniciales para el mercado del activo subyacente y de la opcin:
1. El precio del activo sigue un paseo aleatorio en tiempo continuo. Por lo tanto, la
distribucin de los posibles precios del activo al final de cualquier intervalo de tiempo
es log-normal. La varianza del activo es constante.
2. La tasa de inters a corto plazo es conocida y constante a travs del tiempo.
3. El activo no paga dividendos, ni realiza otro tipo de distribucin de flujos.
4. La opcin es europea, es decir, slo puede ser ejercida al vencimiento.
5. Mercado sin friccin, es decir, no existen costos de transaccin al comprar o vender
el activo subyacente.
6. Es posible pedir prestada cualquier fraccin del valor de un activo a la tasa a corto
plazo.
7. Es posible vender corto (short selling).3
Algunos de estos supuestos han sido relajados para hacer el modelo aplicable a otros activos
o para reconocer la realidad de los mercados, mientras que otros claramente fundamentan
el modelo. El ms significativo de estos supuestos es el primero, el cual, asume que la
dinmica de los precios sigue un movimiento browniano o de paseo aleatorio.
Asumir el movimiento browniano de los cambios de precios incluye, entre otros, los siguientes supuestos:
1. Los cambios en el precio de los activos son estacionarios, por lo que las caractersticas
del proceso (tendencia y volatilidad) no cambian en el tiempo.
2. Los cambios en el precio de los activos son independientes, por lo que no existe
correlacin con cambios anteriores.
3. Los cambios en el precio de los activos son continuos, sin saltos.
Asumiendo estas condiciones iniciales, en el captulo 3 vamos a deducir la ecuacin de
Black-Scholes y dar una solucin para la misma.
3

El inversor en lugar de pedir dinero prestado para comprar valores, puede pedir prestados valores
y comprar dinero. Es decir, puede vender los valores que le prestan y obtener dinero a cambio. Esto se
llama vender corto y permite vender activos que no se poseen. Tambin se conoce como short selling o
shorting.

Captulo 2

Modelo de difusin con saltos

El proceso de difusin con saltos implica la posibilidad de que la rentabilidad de un activo
experimente, de vez en cuando, modificaciones significativas seguidas de perodos de poca
variacin. Analticamente, la tasa de variacin de los precios del activo se compone de
dos trminos: el correspondiente a variaciones reducidas, que se modelan con un proceso
de difusin, y el correspondiente a las modificaciones importantes, es decir, los cambios
inesperados conocidos como saltos, que se modelan mediante un proceso de Poisson. Formalmente, un proceso de salto tiene trayectorias discontinuas con probabilidad 1, mientras
que un proceso de difusin tiene trayectorias continuas con probabilidad 1.
La figura (2.0.1) permite visualizar ms claramente las diferencias entre los tres procesos:
proceso puro de difusin, proceso puro de salto y proceso de difusin con salto.

Figura 2.0.1: Distintos comportamientos del precio de un activo

La trayectoria que sigue el precio de un activo en el proceso puro de difusin es continua
con una tendencia positiva o negativa, pero constante. En el proceso de difusin con saltos
desaparece la continuidad en aquellos momentos en el tiempo cuando se producen saltos o
variaciones significativas en el precio del subyacente, mientras que la tendencia se mantiene.
Cuando no hay discontinuidades, la dinmica del activo subyacente es similar al de un
proceso puro de difusin.
11

CAPTULO 2. MODELO DE DIFUSIN CON SALTOS

12

El propsito de este captulo es estudiar la dinmica del precio del activo subyacente cuando
sufre cambios. Este captulo se basa en el artculo Option pricing when underlying stock
returns are discontinuous, de Robert Merton [5], aunque tambin se han consultado otras
referencias, las cuales se han citado explcitamente a lo largo del captulo.

2.1.

Modelo de evolucin de precios de un activo

El cambio en el precio del activo se puede generar por dos tipos de variaciones:
1. Las variaciones normales del precio, que se deben a un desequilibrio entre la oferta y
la demanda, cambios en las tasas de capitalizacin o la llegada de nueva informacin
que producir un cambio marginal en el precio del activo subyacente. Este tipo de
cambio se modela mediante el movimiento browniano geomtrico estndar con una
varianza constante por unidad de tiempo y tiene trayectorias continuas.
2. Las variaciones anormales del precio, que se deben a la llegada de informacin
nueva y significativa que producir un cambio no marginal de mayor magnitud. Este
tipo de informacin llega a los mercados slo en algunos momentos en el tiempo. Se
modela mediante procesos estocsticos de saltos, reflejando el impacto no marginal
de la informacin.
Para ser coherente con la teora general de los mercados eficientes1 , la dinmica de un
cambio no esperado en el precio deber ser una martingala2 , por lo tanto, dicho proceso en
que cambia el precio del activo debe ser un proceso de Wiener mientras que el salto ser
un proceso de Poisson.
Consideramos la evolucin del precio de un activo subyacente St dado por el movimiento
browniano geomtrico sin saltos:
dSt
= dt + dWt
St

(2.1.1)

donde Wt sigue un proceso de Wiener, tal que dWt = dt con N (0, 1). Es decir, dWt
tiene una distribucin normal con media cero y desviacin tpica dt. Sabemos tambin
que (dWt )2 = dt y que dWt son todas independientes entre s.
La parte del salto se modeliza de la siguiente manera. Se asume que la variable que determina el nmero de saltos hasta tiempo t es Jt , donde Jt = Jt+t Jt son los saltos en el
intervalo [t, t + t], tiene distribucin de probabilidad:

0 con probabilidad 1 t + o(t)

Jt =
1 con probabilidad
t + o(t)

> 1 con probabilidad

o(t)
1

Se pueden describir mediante dos conceptos: toda la informacin del activo est reflejada en el precio
actual y que los mercados responden inmediatamente a cualquier informacin nueva acerca de un activo.
2
Proceso estocstico caracterizado por no tener deriva, es decir, cuando su esperanza en tiempo futuro
es precisamente el valor que la variable tiene en tiempo presente.

CAPTULO 2. MODELO DE DIFUSIN CON SALTOS

13

con parmetro de intensidad o tasa 0. Este parmetro representa el nmero medio

esperado de llegadas de informacin por unidad de tiempo.
Ms precisamente,
-

La probabilidad de que no ocurra ningn salto en el periodo determinado es:

1 dt + o(dt)

La probabilidad de que ocurra slo un salto en el periodo determinado es:

dt + o(dt)

La probabilidad de que ocurra ms de un salto en el periodo determinado es:

o(dt)

Por lo tanto, existe una probabilidad finita de que ocurra un salto en un tiempo finito.
Notese que E[dJt ] = dt. El salto ocurre con la llegada de informacin sobre el activo,
asumiendo estas llegadas de informacin independientes e idnticamente distribuidas.
Suponiendo que ocurre un salto, es decir la llegada de nueva informacin, hay un cierto
impacto en el precio del activo subyacente. Es decir, sea St el precio del activo en el tiempo
t y sea Yt la variable aleatoria que representa este impacto, entonces el precio del activo
en el tiempo t + 4t viene dado por la variable aleatoria St+4t = St Yt asumiendo que la
informacin llega en el intervalo (t, t + 4t).
Notese que Yt indica el salto a tiempo t como proporcin sobre el precio actual:
Yt =

St+t
St

St
St+t St
St+t
=
=
1 = Yt 1
St
St
St
Vamos a modelizar el tamao de salto del precio, Yt , como una variable aleatoria no negativa
que sigue una distribucin lognormal, es decir:
log(Yt ) i.i.d. N (, 2 ).
Su funcin de densidad viene dada por:
"

 #
1
1 y 2
fY (y) = exp
2

2
donde y son la media y desviacin tpica, respectivamente, de la variable Y .
Con lo cual, (Yt 1) es una variable lognormal con media: [12]
E[Yt 1] = e+

2
2

1 := .

Resumiendo, la variable Yt verifica las propiedades:

CAPTULO 2. MODELO DE DIFUSIN CON SALTOS

14

P1. Yt 0. Cuando la variable es igual a 1 no hay saltos, si es menor que 1 el salto

es hacia abajo y si es mayor que 1 es hacia arriba.
P2. Yt es independiente de Yt0 si t 6= t0 y tienen idntica distribucin de probabilidad.
P3. La distribucin de Y condicionada a que haya salto (es decir, Y > 0) es continua.
El proceso completo de difusin con saltos puede escribirse ahora como:
dSt
= dt + dWt + (Yt 1)dJt .
St

(2.1.2)

Teniendo en cuenta que:

St = St+t St
y por otro lado que:
St = St [t + Wt + (Yt 1)Jt ]
la evolucin de St viene dada por:
St+t = St [1 + t + Wt + (Yt 1)Jt ].

(2.1.3)

Al calcular el valor esperado en la medida neutral al riesgo obtenemos:

[ St+t ] St (1 + rt) = E
[St+t ]
St = E
1 + rt
Usando ahora la evolucin de St (2.1.3) y asumiendo conocido el estado del mercado a
tiempo t, tenemos que:
[St (1 + t + Wt + (Yt 1)Jt )]
St (1 + rt) = E
[1 + t + Wt + (Yt 1)Jt ]
= St E

Como Wt N (0, t), la frmula de valoracin nos da:

[(Yt 1)Jt ]
rt = t + E
Calculamos entonces el segundo sumando. Para ello tenemos que condicionar a que se
cumpla el salto o no:
t 1)Jt | salto] P (salto) + E[(Y
t 1)Jt | no salto] P (no salto)
t 1)Jt ] = E[(Y
E[(Y
t 1)Jt | Jt = 1] (t + o(t)) +
= E[(Y
t 1)Jt | Jt = 0] (1 t + o(t))
+ E[(Y
{z
}
|
0

CAPTULO 2. MODELO DE DIFUSIN CON SALTOS

15

Gracias a la propiedad P2 de Yt , definimos:

t 1] = .
t 1)Jt | Jt = 1] = E[Y
E[(Y
Obtenemos as una condicin de compatibilidad que viene expresada por:
rt = t + [t + o(t)]
= r

(2.1.4)

Incorporando la condicin (2.1.4) a la ecuacin (2.1.2), la ecuacin diferencial estocstica

con difusin de saltos para un activo subyacente bajo la medida neutral al riesgo viene
expresada por:
dSt
= (r-)dt + dWt + (Yt 1)dJt
(2.1.5)
St
donde

S, precio del activo subyacente

dW, proceso estandar de Weiner
dJ, proceso independiente de Poisson con intensidad de salto
dW y dJ se suponen independientes
r, tasa de inters libre de riesgo
, la volatilidad
, la media de llegadas de informacin por unidad de tiempo
= E[Y 1], donde (Y 1) funcin impulso produciendo un salto de S a SY
y E representa el valor esperado en la medida neutral al riesgo de la variable
aleatoria.

Observamos que un proceso de difusin con saltos siempre contiene dos partes: una parte
de difusin y otra parte de salto. La parte de difusin viene determinada por el movimiento
browniano geomtrico que modela cambios pequeos en el precio del activo subyacente, los
cuales siempre estn presentes, y la parte de salto por el proceso de Poisson que modela
cambios inesperados en el precio del subyacente, los cuales ocasionalmente ocurren.
La ecuacin (2.1.5) se puede reescribir:
(
(r-)dt + dWt
dSt
=
St
(r-)dt + dWt + (Yt 1)

si el proceso de Poisson no sucede

si el proceso de Poisson sucede

A continuacin vamos a resolver la ecuacin diferencial (2.1.2), aplicando el lema de It

para F (St , t) = log(St ) .

16

CAPTULO 2. MODELO DE DIFUSIN CON SALTOS

La parte de salto queda simplificada especialmente si consideramos que Y es lognormal, es

decir, Y = eN donde N es una variable aleatoria normal. En este caso:


St Yt
F
= F (St Yt ) F (St ) = log Yt = Nt
St
Para la parte difusa hacemos el clculo usual:
dF =

F
F
2F 2
dt +
dSt +
dS
t
S
S 2 t

donde
F
t
F
S
2F
S 2
Por lo tanto,
d(log(St )) = (

= 0
=
=

1
St
1
St2

2
)dt + dWt + Nt dJt
2

La interpretacin de la ecuacin diferencial es:

t
t
t
2
dW +
N dJ
ln(St ) ln(S0 ) =
( )d +
2
0
0
0
X
2
Ni
= ( )t + Wt +
2

= (r

2
2

)t + Wt +

Ni

donde i representan los tiempos en los que ocurren los saltos (una cantidad finita en el
intervalo [0, t]).
Volviendo a la variable original, tenemos la solucin de la ecuacin (2.1.2):

St = S0 e(r

PdJt
2
)t+Wt + =1
2
i

Ni

donde Wt = t con N (0, 1) y Jt un proceso de Poisson que cuenta los saltos de S.

Se puede observar de manera clara que este proceso es una combinacin de un movimiento
Browniano con deriva y un proceso de Poisson compuesto. [7, 8]
Veamos un ejemplo. En las figuras (2.1.1) y (2.1.2) se pueden observar varias simulacines
de un proceso de difusin de salto para distintos valores de , con los siguientes parmetros:
S0 = 100, K = 110, r = 10 %, = 25 %, T = 1, = 0,5 y = 0,1. Como se observa para
valores de > 0 las trayectorias presentan saltos en algunos periodos de tiempo discretos.

CAPTULO 2. MODELO DE DIFUSIN CON SALTOS

17

Figura 2.1.1: Proceso de difusin con salto para = 0

Figura 2.1.2: Proceso de difusin con salto para = 0.5

Fijando los parmetros definidos antes y variando el valor de , se observa que a medida
que aumenta la intensidad de salto, aumenta el nivel de oscilaciones y por tanto, aumenta
el precio de accin.

18

CAPTULO 2. MODELO DE DIFUSIN CON SALTOS

2.2.

Modelo de evolucin de precios de una opcin

N. Wiener fue quin formaliz matemticamente el concepto browniano y lo present como

paso al lmite del paseo aleatorio, pero fue K. It quin desarroll el clculo diferencial e
integral asociado a los procesos brownianos, es decir, la teora que permite obtener que
distribucin de probabilidad tiene el proceso en cada instante de tiempo. Una de las motivaciones de It para la creacin de todo este desarrollo de clculo fue dar sentido, a la
vista de la teora ya creada por Wiener, a los desarrollos de Bachelier. [2]
El lema de It puede entenderse como un desarrollo de Taylor acompaado de una tabla
de multiplicacin.[1] La tabla de multiplicacin es la siguiente:
x
1
dW
dt

1
1
dW
dt

dW
dW
dt
0

dt
dt
0
0

Recordamos que cualquier cantidad que sea o(dt)3 , se considera despreciable. A continuacin vamos a demostrar las reglas de multiplicacin:
Regla 1: (dt)2 = 0
(t)2
t0 t

(dt)2 = o(dt) ya que lm

=0

Regla 2: dW dt = dt dW = 0
dW dt es una variable aleatoria con:

E[dt dW ] = dt E[dW ] = dt E[ dt] = 0

Var(dt dW ) = (dt)2 Var(dW ) = (dt)2 Var( dt) = (dt)3 = o(dt)

Regla 3: (dW )2 = 0
La esperanza y varianza de (dW )2 son:

E[dW ]2 = E[ dt]2 = dt
Var[(dW )2 ] = E[dW ]4 (E[dW ]2 )2 = (dt)2 E[4 ] (dt)2 = 2(dt)2 = o(dt)
Una variable aleatoria con varianza despreciable puede reemplazarse por su valor esperado,
quedando as demostradas tanto la regla 2 como la regla 3.
3

o(t)
t0 t

o(dt) es una funcin que tiende a cero ms rpido que dt ya que lm

=0

19

CAPTULO 2. MODELO DE DIFUSIN CON SALTOS

Explicado esto, a continuacin vamos a aplicar el lema de It para calcular el valor esperado
t ], donde:
del diferencial de una funcin dependiente de St , es decir E[dV
Vt = F (St )
y St sigue el proceso de difusin con saltos:
dSt
= dt + dWt + (Yt 1)dJt .
St

(2.2.1)

Asumiendo la evolucin con saltos de St :

St+t = St [1 + t + Wt + (Yt 1)Jt ]
calculamos:
t+t ] = E[F
(St+t )]
E[V
(St (1 + t + Wt + (Yt 1)Jt ))].
= E[F
Para calcular este valor esperado tenemos que condicionar a que se produzca o no el salto:
(St+t )] = E[F
(St+t ) | Jt = 0] (1 t) + E[F
(St+t ) | Jt = 1] t (2.2.2)
E[F
El primer valor esperado es el que aparece en ausencia de saltos, mientras que el segundo
es el que incorpora un salto.

En ausencia de saltos (Jt = 0):

Aplicando el lema de It se tiene:
1
F (St+t ) = F (St ) + F 0 (St )St + F 00 (St )(St )2 .
2

(2.2.3)

Sustituyendo el valor de St (2.2.1) en tiempo discreto en la ecuacin (2.2.3):

1
F (St+t ) = F (St ) + F 0 (St )(St t + St Wt ) + F 00 (St )(St t + St Wt )2
2
y a partir de las reglas de multiplicacin establecidas anteriormente: (t)2 = 0, (Wt )2 =
t y t Wt = 0, tenemos que:
F (St+t ) = F (St ) + F 0 (St )(St t + St Wt ) + F 00 (St )

2 2
S t.
2 t

Como Wt N (0, t) y asumiendo conocido el estado del mercado a tiempo t, tomando

ahora el valor esperado se obtiene:
(St+t ) | Jt = 0] = E[F
(St (1 + t + Wt + (Yt 1)Jt )) | Jt = 0]
E[F
2
(St ) + F 0 (St )(St t + St Wt ) + F 00 (St ) St2 t | Jt = 0]
= E[F
2
2

= F (St ) + F 0 (St )St t + F 00 (St ) St2 t

(2.2.4)
2

CAPTULO 2. MODELO DE DIFUSIN CON SALTOS

20

Incorporando un salto (Jt 6= 0):

Aplicando el lema de It se tiene:
1
F (St+t ) = F (St Yt ) + F 0 (St Yt )St + F 00 (St Yt )(St )2 .
2

(2.2.5)

Tomando ahora el valor esperado de (2.2.5) se obtiene:

(St+t ) | Jt = 1] = E[F
(St (1 + t + Wt + (Yt 1)Jt )) | Jt = 1]
E[F
2
(St Yt ) + F 0 (St Yt )St t + F 00 (St Yt ) S 2 t | Jt = 1]. (2.2.6)
= E[F
2 t

El valor esperado de la ecuacin (2.2.2) al sustituir por (2.2.4) y (2.2.6) es:

(St+t )] = E[F
(St+t ) | Jt = 1] t + E[F
(St+t ) | Jt = 0] (1 t)
E[F


2 2
0
00

= E F (St Yt ) + F (St Yt )St t + F (St Yt ) St t | Jt = 1 t +

2
2

+[F (St ) + F 0 (St )St t + F 00 (St ) St2 t] (1 t).

(2.2.7)
2
Realizando las operaciones, existen trminos que al ser multiplicados por t resultan ser
de orden t2 . Por lo tanto, la expresin (2.2.7) se reduce a:


2 2
0
00

E[Vt+t ] = F (St )+ E[F (St Yt ) F (St ) | J = 1] + F (St )St + F (St ) St t+o(t)

2
Como dVt = F (St+dt ) F (St ), lo de arriba es equivalente a:


2 2
0
00

E[dVt ] = E[F (St Yt ) F (St ) | J = 1] + F (St )St + F (St ) St t

2

Captulo 3

Valoracin de opciones europeas

Las opciones financieras son instrumentos que forman parte de la familia de instrumentos
derivados, es decir, son contratos financieros cuyos pagos dependen de un activo bsico
o subyacente y del tiempo. Hay dos tipos bsicos de opciones. Una opcin de compra o
Call consiste en el derecho, pero no acarrea la obligacin de comprar un determinando
activo a un precio especificado en el contrato, llamado precio de ejercicio o strike. Una
opcin de venta o Put es el derecho a vender un activo a un precio especificado.
Segn su vencimiento, las opciones se clasifican en americanas o europeas. Las opciones americanas pueden ser ejercidas en cualquier momento de su vida hasta su fecha de
vencimiento, mientras que las europeas pueden ser ejercidas nicamente en su fecha de
vencimiento. [3]
En este captulo vamos a deducir la ecuacin de Black-Scholes y dar una solucin a la
misma aplicando el mtodo en diferencias finitas. Para ello nos basamos en el artculo
Numerical Analysis of Jump Diffusion Models: A Partial Differential Equation Approach
[9], de Daniel Duffy.

3.1.

Ecuacin de Black-Scholes-Merton para una opcin europea

El precio de una opcin europea es una funcin explcita del precio del activo subyacente
y del instante de tiempo V (St , t). Se asume que los precios son una funcin continua y
derivable en un continuo de estados e instantes de tiempo y buscamos la ecuacin en
derivadas parciales para V (St , t) basndonos en la frmula de valoracin neutral al riego
elemental.
Si St sigue el movimiento browniano geomtrico dado anteriormente tenemos:


V (St+t , t + t)

V (St , t) = E
1 + rt
21

CAPTULO 3. VALORACIN DE OPCIONES EUROPEAS

22

Al ser 1 + rt un valor determinista se tiene que:

(St+t , t + t)]
(1 + rt) V (St , t) = E[V
(St+t , t + t) V (St , t)] = E[V

rt V (St , t) = E[V
(St , t)]
es decir, en tiempo continuo:

E[dV
(St , t)] = rdt V (St , t).

(3.1.1)

Aplicando el lema de It generalizado, hemos desarrollado antes que:

E[dV
(St , t)] =

2
V
V
2V
2
(St , t) dt +
(St , t) St dt +
(S
,
t)

S
dt +
t
t
t
S
S 2
2
[V (St Yt , t) V (St , t) | dJt = 1] dt.
+ E
(3.1.2)

Igualando (3.1.1) y (3.1.2) se tiene la ecuacin buscada:

V
2 2V
V
(St Yt , t)V (St , t) | dJt = 1] = rV (St , t)
(St , t)+St
(St , t)+ St2 2 (St , t)+E[V
t
S
2
S
Utilizando la condicin de compatibilidad = r k obtenemos:
V
V
2 2V
(St Yt , t)V (St , t) | dJt = 1] = rV (St , t)
(St , t)+(rk)St
(St , t)+ St2 2 (St , t)+E[V
t
S
2
S
que nos lleva a la ecuacin en derivadas parciales de Black-Scholes de difusin con saltos
para la valoracin de opciones:
V
V
2 2V
(St Yt , t) | dJt = 1] = (r + )V.
+ (r k)St
+ St2 2 + E[V
t
S
2
S

(3.1.3)

Esta ecuacin en el caso particular = 0, coincide con la ecuacin clsica de Black-Scholes:

V
V
2 2V
+ rSt
+ St2 2 = rV
t
S
2
S

3.2.

(3.1.4)

Condiciones iniciales y de contorno

Vamos a dar una solucin para la ecuacin (3.1.3), pero en primer lugar definimos la
condicin inicial y las condiciones de contorno.
Para una opcin de compra europea cuyo valor es denotado por C(S, t), con precio de
ejercicio o strike K y tiempo de ejercicio T, tenemos que en el instante t = T la condicin
final es conocida por ser el pay-off:
C(S, T ) = max(S K, 0)

CAPTULO 3. VALORACIN DE OPCIONES EUROPEAS

23

mientras que para una opcin de venta cuyo valor es denotado por P (S, t) es:
P (S, T ) = max(K S, 0).
Vamos a hacer un cambio de variable temporal considerando = T t de modo que en lugar
de considerar condiciones finales, haciendo abuso de notacin, consideramos condiciones
iniciales:
C(S, = 0) = max(S K, 0)

para S > 0

P (S, = 0) = max(K S, 0)

para S > 0

Veamos ahora las condiciones de contorno para S = 0 y S .

La condicin de contorno izquierda se obtiene para S = 0, con lo cual sustituimos
este valor en la ecuacin diferencial parcial (3.1.4) obteniendo:
V
(0, ) = rV (0, )
t
La solucin de esta ecuacin es:
V (0, ) = V (0, T )er .
Como consecuencia, para una opcin de venta se tiene:
P (0, ) = P (0, T )er = Ker

0 T

y para una opcin de compra si St = 0 para algn t, el proceso implica que los precios
seguirn siendo nulos hasta tiempo T. En este caso la condicin de contorno es::
C(0, ) = 0

0 T

Para la condicin de contorno derecha observamos que cuando S toma valores muy
grandes, es decir St , es cada vez ms improbable que una opcin de venta
llegue a ejercerse. Esto nos lleva a que:
P (S, ) = 0

y utilizando la paridad de compra-venta1 se obtiene que:

C(S, ) = S Ker

Sea c el valor de una opcin de compra y pel valor de una opcin de venta, ambas europeas. La relacin:
c + KerT = p + S0

se conoce como paridad de opciones de venta y compra. Muestra que el valor de una opcin de compra
europea con determinado precio de ejercicio y fecha de ejercicio puede deducirse del valor de una opcin
de venta europea con el mismo precio y fecha de ejercicio y viceversa (se supone en este caso que el activo
no paga dividendos).

24

CAPTULO 3. VALORACIN DE OPCIONES EUROPEAS

3.3.

Solucin de la ecuacin de Black-Scholes-Merton para

una opcin europea

Teniendo en cuenta la ecuacin de Black Scholes de difusin con saltos (3.1.3) para una
opcin europea V (St , t), la reescribimos de la siguiente forma:
V
V
2 2V
+ (r k)S
+ S2 2 +
t
S
2
S

V (Sy, t)g(y)dy = (r + )V

(3.3.1)

para (S, t) [0, +) [0, T], donde g(y) es la funcin de densidad de la amplitud de salto

Y que satisface g(y) 0 y 0 g(y)dy = 1.

Aplicando un primer cambio de variable, = T t , a nuestra ecuacin diferencial (3.3.1)
nos queda:

V
2 2V
V
V (Sy, )g(y)dy
(3.3.2)
= (r k)S
+ S 2 2 (r + )V +

S
2
S
0
Para simplificar la ecuacin consideramos un segundo cambio de variable, W = log(S), de
modo que:
W
S
V
W
2V
W 2

=
=
=

1
S
V S
V

=
S
S W
S
V
V
2V
V
(
)=
(
S) =
S2 +
S
2
W W
W S
S
S

Luego,

2V
V
2V

=
S2
W 2 W
S 2

Sustituyendo en la ecuacin (3.3.2) queda:

V
2 2V
V
V
= (r k)
+ (

) (r + )V +

W
2 W 2 W
Reordenando:
V
2 2V
2 V
=
+
(r

)
(r + )V +

2 W 2 |
{z 2 } W

V (W + log y, )g(y)dy
0

V (W + log y, )g(y)dy
0

Modelizamos la variable Y de proporcin de salto mediante una distribucin lognormal, es

decir:
Y = eZ
Z N (, )

CAPTULO 3. VALORACIN DE OPCIONES EUROPEAS

de este modo la ecuacin a resolver queda que es:
+
V
V
2 2V
+
V (W + Z, ), (Z)dZ
=
(r + )V +

2 W 2
W

25

(3.3.3)

para (W, ) (, +)[0, T ], donde , () es la funcin de densidad de la distribucin

normal con parmetros y .
Veamos ahora en que se transforman las condiciones inicial y de contorno al aplicar el
segundo cambio de variable.
Para una opcin de compra:
Condicin inicial:

C(W, 0) = max(eW K, 0)

W R

Condiciones de contorno:
lm C(W, ) = 0

lm C(W, ) = eW Ker

W +

0 T
0 T

Para una opcin de venta:

Condicin inicial:
P (W, 0) = max(K eW , 0)

W R

Condiciones de contorno:
lm P (W, ) = Ker

lm P (W, ) = 0

W +

3.3.1.

0 T
0 T

Mtodo de diferencias finitas

Vamos a calcular de manera aproximada la solucin de la ecuacin de Black Scholes (3.3.3)

para una opcin europea usando el mtodo en diferencias finitas.
La idea de este mtodo es sustituir las ecuaciones diferenciales por ecuaciones en diferencias.
V
= L(V ) + I(V )

Consideramos:
2 2V
V
+
( + r)V
2
2 W
W
+
I(V ) =
V (W + Z), (Z)dZ

L(V ) =

(3.3.4)
(3.3.5)

CAPTULO 3. VALORACIN DE OPCIONES EUROPEAS

26

donde L representa la parte diferencial e I la parte integral de la ecuacin. Vamos a reemplazar L (V ) por su aproximacin en diferencias finitas e I (V ) por la aproximacin
del valor de la integral aplicando la regla del trapecio, para aplicar despus los mtodos:
explcito, semi-implcito y de Crank-Nicolson.
Consideramos una discretizacin espacial para la variable W que se mueve en el intervalo
[A, A] con A>0 y una discretizacin temporal donde la variable se mueve en [0, T ].
Tenemos as la siguiente malla uniforme [A, A] [0, T ] donde:
2A
M
T
=
N

h = 4W
k

= 4

donde Wj = A + jh
donde n = nk

para j = 0, ...M

para n = 0, ...N

El punto (j, n) en la malla es el punto que corresponde al precio del activo Wj y el tiempo
n . Usaremos la variable Vjn para denotar el valor de la opcin en este punto.
Notacin: Vjn ' V (Wj , n ) = V (A + jh, nk)
2

V
V
Para el punto interior (j, n) de la malla, V
, W y W 2 pueden ser aproximados mediante
diferencias finitas. Para V
se aplica diferencia progresiva en el tiempo:

Vjn+1 Vjn
V
(Wj , n ) =
+ o(k)

(3.3.6)

Para las derivadas con respecto a S aproximamos por diferencias centradas:

V
(Wj , n ) =
W
2V
(Wj , n ) =
W 2

n Vn
Vj+1
j
+ o(h2 )
2h
n 2V n + V n
Vj+1
j
j1
+ o(h2 )
h2

(3.3.7)
(3.3.8)

Sustituyendo las aproximaciones (3.3.6), (3.3.7) y (3.3.8) en (3.3.4), la parte diferencial en

diferencias finitas queda de la siguiente forma:
Lj (V n ) =

n 2V n + V n
n Vn
Vj+1
2 Vj+1
j
j1
j1
+

( + r)Vjn
2
h2
2h

Reordenando los trminos la podemos expresar como:

n
n
Lj (V n ) = xVj1
yVjn + zVj+1

con trminos constantes:

x =
y =
z =

2 h
2h2
2

++r
h2
2 + h
2h2

27

CAPTULO 3. VALORACIN DE OPCIONES EUROPEAS

2

donde = r k 2 , cuyas condiciones de contorno e iniciales para una opcin de compra

vienen dadas por:
C(Wj , n = 0) = max(eWj K, 0)
C(Wj = A, n ) = 0
C(Wj = A, n ) = eA Kern
y para una opcin de venta:
P (Wj , n = 0) = max(K eWj , 0)
P (Wj = A, n ) = Kern
P (Wj = A, n ) = 0
Queda todava aproximar el trmino integral (3.3.5):
+
n
I(V ) =
V n (W + Z), (Z)dZ .

Para aproximar el valor de la integral hacemos el cambio de variable U = W + Z y tenemos

que:

Ij (V n ) =

V n (U ), (U Wj )dU

Los valores discretos de V n (U ) son limitados por la finitud de los nodos Wj , lo suficiente
como para tener una buena aproximacin de los valores de contorno. Recordamos que
nuestra discretizacin para la variable W se mueve en el intervalo [A, A] con A > 0.
Para una opcin de compra:
Utilizando los valores de contorno tenemos que:
C n (U ) = 0
n

para U = A
rn

C (U ) = e Ke
Esto quiere decir que:

n
Ij (C ) =

C n (U ), (U Wj )dU

+A

0 , (U Wj )dU +
C n (U ) , (U Wj )dU +
A
{z
}
|
{z
}

+
|

para U = A

=0

(1)

(eU Kern ) , (U Wj )dU .

{z
}
(2)

28

CAPTULO 3. VALORACIN DE OPCIONES EUROPEAS

El trmino (1) de Ij es uno de tipo de convolucin discreta con la densidad de probabilidad

normal:

[A,A]

Ij

+A

C n (U ), (U Wj )dU.

=
A

Para resolver esta integral vamos a aplicar la regla del trapecio. Supongamos f (U ) =
C n (U ), (U Wj ) una funcin continua y positiva en el intervalo [A, A] de tal modo
+A
que la integral A f (U )dU representa el rea de la regin delimitada por la grfica f
y el eje X desde U = A hasta U = A. Primero se divide el intervalo [A, A] en n
subintervalos, cada uno de ancho 2A
n . Entonces el valor aproximado de la integral viene
dado por la siguiente frmula:
"
#
+A
n1 
2A f (A) + f (A) X
2A
.
f (U )dU '
+
f A + k
n
2
n
A
k=1

Es decir,
2A C n (A), (A Wj ) + C n (A), (A Wj )
[
+
n
2
n1
X
2A
2A
), (A + k
Wj )].
+
C n (A + k
n
n

[A,A]

'

Ij

k=1

Mientras que el trmino (2) de Ij se reduce a la resta de dos trminos analticos:

+
+
U

e , (U Wj )dU
Kern , (U Wj )dU =
A
+

2
1 (U Wj )
2
2

rn

e p
e
dU Ke
, (U Wj )dU
2 2
A
A
2
+
+
U (Wj + 2 +)]
2
1 [
1
Wj ++ 2
2

p
= e
, (U Wj )dU
e2
dU Kern
2 2
A
A
+
+
2
Wj ++ 2
2
rn
Ke

, (U Wj )dU
= e

, (U Wj )dU
|A
|A
{z
}
{z
}
=

=1, (

= eWj ++

2
2

, (

A(Wj + 2 +)
(W + 2 +)A
)=, ( j
)

=1, (

W +A
AWj
)=, ( j
)

(Wj + A
Wj + A
+ ) Kern , (
).

donde , es la funcin de densidad de la normal y , la funcin de distribucin acumulada de la normal.

Con lo cual el valor aproximado de la parte integral de la ecuacin diferencial parcial (3.3.5)
es:
[A,A]

Ij (C n ) Ij

+ eWj ++

2
2

, (

(Wj + A
Wj + A
+ ) Kern , (
)

donde , () es la funcin de distribucin de la normal.

29

CAPTULO 3. VALORACIN DE OPCIONES EUROPEAS

Para una opcin de venta
Utilizando los valores de contorno:
P n (U ) = Kern
n

P (U ) = 0

para U = A
para U = A

calculamos la parte integral I(P ) que en este caso se expresa como:

+
n
Ij (P ) =
P n (U ), (U Wj )dU

rn

Ke

+A

, (U Wj )dU +
A

|
[A,A]

Ij

[A,A]

=Ij
A

, (U Wj )dU

[A,A]

Ij

+ Kern

P n (U ) , (U Wj )dU +
{z
}

+ Kern , (

Wj A
)

donde , es la funcin de densidad de la normal y , la funcin de distribucin acumulada de la normal.

[A,A]

El trmino Ij
trapecio.

se calcula, igual que para la opcin de compra, aplicando la regla del

El problema discreto se transforma en:

Vjn+1 Vjn

= Lj (V n ) + Ij (V n )
(3.3.9)
k
para j = 0, ...M y n = 0, ...N , cuyas condiciones de contorno e inicial para una opcin de
compra vienen dadas por:
Cj0 = max(eA+jh K, 0)
C0n = 0
n
CM

= eA Kernk

y para la opcin de venta:

Pj0 = max(K eA+jh , 0)
P0n = Kernk
n
PM

= 0

El esquema theta est dado por:

Vjn+1 Vjn
k

= Lj (V n+1 ) + (1 )Lj (V n ) + Ij (V n+1 ) + (1 )Ij (V n )

Existen diferentes casos del esquema theta:

CAPTULO 3. VALORACIN DE OPCIONES EUROPEAS

30

Para = 0 se obtiene un esquema de diferencias finitas hacia delante en el tiempo,

conocido como esquema completamente explcito, ya que los trminos del paso de
tiempo n + 1 se obtiene de los trminos del paso anterior n. Es un esquema sencillo,
2
el cual es condicionalmente estable cuando k h2 .
Para = 1 se obtiene el esquema de diferencias finitas hacia atrs en el tiempo, conocido como esquema completamente implcito, el cual es incondicionalmente estable.
Para = 12 se obtiene un esquema de diferencias finitas conocido como esquema
de Crank-Nicolson. Este esquema es tambin incondicionalmente estable y es el ms
usado de los tres.
Cuando =

1
2

el error del mtodo es o(h2 , k 2 ), mientras que en los dems casos es o(h2 , k).

Se estudiarn tres mtodos: el explcito, el semi-implcito y el de Crank-Nicolson considerando la opcin de compra, aunque las soluciones que se obtendrn en cada caso se podrn
aplicar a la opcin de venta con la condicin de utilizar las condiciones de contorno e
iniciales correspondientes.
3.3.1.1.

Mtodo explcito

Para = 0 se tiene el siguiente sistema explcito:

Cjn+1 Cjn
k

= Lj (C n ) + Ij (C n )

que se puede reescribir de la siguiente manera:

Cjn+1 = Cjn + kLj (C n ) + kIj (C n ).
Sustituyendo la parte diferencial L(C) en la expresin de arriba se tiene:
n
n
Cjn+1 = kxCj1
+ (1 ky)Cjn + kzCj+1
+ kIj (C n )

para j = 1, ..., M 1, n = 0, ...N 1.

Aqu tenemos un valor desconocido expresado como funcin de tres valores conocidos.
Esta ecuacin permite determinar de forma explcita el precio de la opcin en cada paso
del tiempo. Se observa que el trmino Cjn+1 del paso de tiempo n+1 se evala utilizando
n , C n, C n
0
n
n
los trminos Cj1
j
j+1 del paso de tiempo anterior n . Los valores Cj , C0 , CM con
j = 0, ..., M y n = 0, ..., N se conocen por las condiciones iniciales y de contorno.
3.3.1.2.

Mtodo semi-implcito

Vamos a aplicar el mtodo implcito para la parte diferencial L(C), es decir consideramos
= 1, y para la parte integral I(C) el mtodo implcito, es decir = 0, obteniendo as el
siguiente sistema semi-implcito:
Cjn+1 Cjn
k

= Lj (C n+1 ) + Ij (C n )

31

CAPTULO 3. VALORACIN DE OPCIONES EUROPEAS

que se puede reescribir de la siguiente manera:
Cjn = Cjn+1 kLj (C n+1 ) kIj (C n ).
Sustituyendo el valor de la parte diferencial L(C) en la ecuacin de arriba se tiene:
n+1
n+1
Cjn = kxCj1
+ (1 + ky)Cjn+1 kzCj+1
kIj (C n )

para j = 1, ..., M 1, n = 0, ...N 1.

Aqu tenemos tres valores desconocidos relacionados a un valor conocido, es decir, el trn+1
n+1
mino Cjn del paso n se evala utilizando los trminos Cj1
, Cjn+1 , Cj+1
del paso de tiempo
n+1 .
n o
Si suponemos que Cj0
son conocidos (dados por la condicin inicial), en el sij=0,...,M

guiente
del tiempo tenemos un conjunto de M 1 ecuaciones con M + 1 incgnitas
 n+1 pason+1
C0 , ..., CM . Para poder resolver el sistema necesitamos dos condiciones ms que
sern las condiciones de contorno correspondientes a la opcin de compra:
C0n = 0
n
CM

= eA Kernk .

para n = 0, ...N.
Consideramos que X = kx, Y = 1 + ky, Z = kz. El sistema se puede descomponer
para cada j desde 1 hasta M 1 de la siguiente forma:

j=1

C1n

XC0n+1

Y C1n+1

ZC2n+1

kI1 (C n )

j=2
..
.

C2n

=
..
.

XC1n+1

Y C2n+1

ZC3n+1

kI2 (C n )

j =M 2

n+1
n+1
n+1
n
n
CM
2 = XCM 3 + Y CM 2 + ZCM 1 kIM 2 (C )

j =M 1

n+1
n+1
n
CM
1 = XCM 2 + Y CM 1 +

n+1
ZCM

kIM 1 (C n )

Podemos reescribir el sistema de ecuaciones de forma matricial como sigue. Primero definimos los vectores Cn para n = 0, ...N :

T
n
Cn = C1n , ..., CM
1
y la matriz tridiagonal A de dimensiones (M
1) que incorpora los parmetros
 1) (M n+1
X, Y y Z que acompaan a las incgnitas C1n+1 , ..., CM
1

Y
X

A=

Z
Y
..
.

Z
..
.
..
.

..
..

.
X

..

Y Z
X Y

CAPTULO 3. VALORACIN DE OPCIONES EUROPEAS

32

Finalmente definimos el vector que incorpora las condiciones de contorno y los valores de
la parte integral I(C), cuya dimensin es (M 1) 1,

XC0n+1 + kI1n

kI
2

.
..
Bn+1 = Cn +
.

n
kIM 2

n+1
n
ZCM + kIM 1
Para cada paso de tiempo n+1 , la solucin aproximada se puede obtener resolviendo el
sistema de ecuaciones semi-implcito:
ACn+1 = Bn+1
para n = 0, 1..., N 1.
3.3.1.3.
Para =

Mtodo de Crank-Nicolson
1
2

se tiene el sistema de Crank-Nicolson:

Cjn+1 Cjn
k


1
Lj (C n+1 ) + Lj (C n ) + Ij (C n+1 ) + Ij (C n ) .
2

Igual que en el mtodo implcito consideramos que para la parte integral I(C) aplicamos
el mtodo explcito. La ecuacin se puede reescribir de la siguiente manera:
Cjn+1 Cjn
k


1
Lj (C n+1 ) + Lj (C n ) + Ij (C n ).
2

Sustituyendo la parte diferencial L(C) en la ecuacin de arriba, se tiene:

kx n+1
ky n+1 kz n+1 kx n
ky n kz n
Cj1 + (1 +
)Cj
Cj+1 =
Cj1 + (1
)Cj +
C
+ kIjn .
2
2
2
2
2
2 j+1
Consideramos los siguientes parmetros:
kx
XL =
2
Y L = 1 + ky
2
kz
ZL =
2

kx
XR =
2
Y R = 1 ky
2
kz
ZR =
2

con lo cual la ecuacin queda de la siguiente forma:

n+1
n+1
n
n
X L Cj1
+ Y L Cjn+1 + Z L Cj+1
= X R Cj1
+ Y R Cjn + Z R Cj+1
+ kIjn

para j = 1, ..., M 1, n = 0, ...N 1.

33

CAPTULO 3. VALORACIN DE OPCIONES EUROPEAS

Al igual que hemos hecho en el mtodo implcito, lo escribimos en forma matricula. Definimos los vectores Cn de dimensin (M 1) 1 para n = 0, ...N :

T
n
Cn = C1n , ..., CM
1
y las matrices tridiagonales AL y AR ambas de dimensin (M 1) (M 1) :
Y L ZL
X L Y L Z L

..
..
..

.
.
.
L

A =
.
.
..
..

XL

Y R ZR
X R Y R Z R

..
..
..

.
.
.
AR =

.
.
..
..

XR

L
Z
YL

R
Z
YR

..

Y
XL

..

Y
XR

Se tiene entonces que:

kI1n
X R C0n+1
X L C0n+1

kI2n

0
0

..

..
..
R
n
L
n+1
+
A

C
+
+
A

C
=

.
.

kI n

0
0

M 2

n+1
n+1
n
R
L
Z CM
Z CM
kIM
1
Ntese que X R = X L y Z R = Z L .
Con lo cual para cada paso de tiempo n+1 la solucin aproximada se puede obtener
resolviendo el sistema de ecuaciones:
AL Cn+1 = AR Cn + Bn
donde el vector Bn , cuya su dimensin es (M 1) 1, contiene las condiciones de contorno
y los valores de la parte integral I(C):

X R (C0n+1 + C0n ) + kI1n

kI2n

..
Bn =

n
kIM

2
n+1
R
n
n
Z (CM + CM ) + kIM 1

CAPTULO 3. VALORACIN DE OPCIONES EUROPEAS

Al sumar las dos matrices tridiagonales se tiene:
AL + AR = 2Id
con lo cual
AL (Cn+1 + Cn ) = AL Cn + AR Cn + Bn
= 2Cn + Bn .
Considerando Un+1 = Cn+1 + Cn y Vn+1 = 2Cn + Bn el sistema a resolver ahora es:
AL Un+1 = Vn+1
para n = 0, ...N 1.
La solucin en este caso vendr dada por:
Cn+1 = Un+1 Cn .

34

Captulo 4

Simulaciones y resultados
Con el propsito de obtener aproximaciones numricas y poder realizar una comparativa
de los precios de una opcin europea, los tres mtodos en diferencias finitas explicados en
el captulo anterior se han implementado en Matlab.
Para las simulaciones hemos considerado una opcin de compra europea, sobre una accin
que no paga dividendos en la que el precio de ejercicio es de 100$, con tasa de inters libre
de riesgo de un 5 % por ao y volatilidad de 20 % por ao. Consideramos que la vida de la
opcin es de un ao y que el precio mximo alcanzado por la accin es de 200$. En este
caso, K = 100, r = 005, = 00 2, T = 1 y Smax = 200. Para la discretizacin espacial de
W y temporal de tomamos A = log(Smax ), teniendo as la malla [A, A] [0, T ] , con
M = 300 (particiones de W ) y N = 500 (particiones de ).

4.1.

En ausencia de saltos

Para una primera simulacin consideramos ausencia de saltos en el precio del activo, es
decir = 0, y comparamos lo resultados que nos proporcionan los tres mtodos: explcito,
semi-implcito y de Crank-Nicholson con los valores proporcionados por el comando de
Matlab:
[call, put] = blsprice(S0 , K, r, T, sigma)
que slo requiere el valor actual del activo, el precio de ejercicio (strike), el inters libre de
riesgo, el instante de vencimiento y la volatilidad.
La evolucin del precio de la opcin con respecto al activo subyacente para la opcin de
compra, se pueden observar en las siguientes figuras:

35

CAPTULO 4. SIMULACIONES Y RESULTADOS

Mtodo explcito:

Figura 4.1.1: Evolucin del precio de una opcin Call (izq.) y Put (der.)

Mtodo semi-implcito:

Figura 4.1.2: Evolucin del precio de una opcin Call (izq.) y Put (der.)

36

37

CAPTULO 4. SIMULACIONES Y RESULTADOS

Mtodo de Crank-Nicolson:

Figura 4.1.3: Evolucin del precio de una opcin Call (izq.) y Put (der.)

Como se observa los valores obtenidos tras la simulacin se aproximan bastante a los
obtenidos del comando blsprice. Veamos cuales son las mximas diferencias en cada caso.
Para realizar la comparativa calculamos la norma infinita de la resta entre los precios
obtenidos por el comando blsprice de Matlab y los precios obtenidos al simular los tres
mtodos en diferencias finitas, teniendo as las diferencias mximas siguientes:

M. Explcito

M. Semi-implcito

M. Crank-Nicolson

Opcin Call

0.0100

0.0128

0.0113

Opcin Put

0.0091

0.0120

0.0107

Cuadro 4.1: Diferencias mximas de precios de una opcin europea

Las diferencias para los tres mtodos en diferencias finitas son muy parecidos, ajustndose
muy bien los tres mtodos a la valoracin de blsprice.

CAPTULO 4. SIMULACIONES Y RESULTADOS

4.2.

38

Incorporando los saltos

Supongamos ahora que el activo experimenta de vez en cuando modificaciones significativas

en su precio, es decir, incorpora saltos. Recordamos que el salto propiamente dicho es una
variable aleatoria que sigue un proceso de Poisson con parmetro de intensidad, en este
caso, > 0, y que el tamao del salto del precio viene dado por la variable Yt que sigue
una distribucin lognormal:
log(Yt ) i.i.d. N (, 2 ).
Vamos a realizar varias simulacines fijando (nmero medio esperado de saltos en un ao)
y variando el valor de (desviacin tpica del proceso lognormal de saltos). Supongamos
para todas las simulaciones = 0.
Supongamos un primer caso en el que el nmero medio de saltos en un ao es = 0,5.
Para este caso realizamos las simulaciones aplicando el mtodo explcito. Vase la
figura (4.2.1). En la parte izquierda tenemos una opcin de compra y en la derecha
una opcin de venta.

Figura 4.2.1: Mtodo explcito

Supongamos un segundo caso en el que el nmero medio de saltos en un ao es = 1.
Para este caso realizamos las simulaciones aplicando el mtodo semi-implcito.

CAPTULO 4. SIMULACIONES Y RESULTADOS

39

Figura 4.2.2: Mtodo semi-implcito

Supongamos un tercer caso en el que el nmero medio de saltos en un ao es = 3.
Para este caso realizamos las simulaciones aplicando el mtodo de Crank-Nicolson.

Figura 4.2.3: Mtodo de Crank-Nicolson

En los tres casos se observa que a medida que incrementamos la desviacin tpica del
proceso lognormal de saltos, el precio de la opcin se aleja ms del pay-off.

Conclusiones
Se ha presentado el modelo de evolucin del precio de un activo subyacente cuando
ste presenta variaciones significativas en periodos discretos (modelo de difusin con
saltos).
Se ha presentado la ecuacin de Black-Scholes cuando el precio del active subyacente
sigue un modelo de difusin con saltos.
Se ha encontrado una solucin numrica a la ecuacin en derivadas parciales de BlackScholes, a travs del mtodo en diferencias finitas, que modela el comportamiento del
precio de una opcin europea, tanto de compra como de venta.
Se han realizado varias simulaciones tanto en ausencia de saltos, como incorporando
los saltos. En ausencia de saltos, hemos comparado los diferentes mtodos numricos
observando que todos ellos se ajustan al comando blsprice. Para las simulaciones
que incorporaban saltos, hemos analizado el impacto que tienen algunos parmetros,
como el nmero medio de saltos esperados a lo largo de un ao (parmetro de
intensidad) y la desviacin tpica del proceso lognormal del tamao del salto Y , en
el precio de la opcin.

40

Bibliografa
[1] JAMIL BAZ, GEORGE CHACKO, Financial Derivatives: Pricing, Applications and
Mathematics, Cambridge (2009), pag 184-233.
[2] JOS LUIS FERNANDEZ, El valor de las matemticas. Una visin histrica del uso
de las matemticas ante el riesgo financiero, pag 37-67.
[3] GERARDO OLEAGA, Notas de clase. Grado en Ingeniera Matemtica: Matemtica
Financiera (2015)
[4] JOHN C. HULL, Options, Futures and other Derivatives, Pearson (2015).
[5] ROBERT C. MERTON, Option pricing when underlying stock returns are discontinuous, Journal of Financial Economics (1976).
[6] F. BLACK, M. SCHOLES, The pricing of Options and Corporate Liabilities, Journal
of Political Economy, Vol. 81 (Mayo/Junio 1973), pag 637-654.
[7] RDIGER U. SEYDEL, Tools for Computational Finance, Universitext, 5 Edicin
(2012), pag 1-52.
[8] RAMA CONT, PETER TANKOV, Financial Modelling with Jump Processes, Chapman & Hall (2004).
[9] DANIEL J. DUFFY, Numerical Analysis of Jump Diffusion Models: A Partial Differential Equation Approach, Wilmott Magazine.
[10] K. IT, On a formula concerning stochastic differentials, Nogoya Mathematics Journal, 3, (1951) pp. 55-65.
[11] P. SAMUELSON, Mathematics of Speculative Price, SIAM Review, Vol. 15, Nro. 1
(1973), pp. 1-42.
[12] KAZUHISA MATSUDA, Introduction to Merton Jump Diffusion Model

41