Академический Документы
Профессиональный Документы
Культура Документы
ndice general
Resumen
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
11
. . . . . . . . . . . . . . . . . 12
. . . . . . . . . . . . . . . . 18
21
. . . . . . . . . . . . . . . . . . . . 30
35
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
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 )?.
1.2.
Movimiento browniano
1.2.1.
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.
(1.2.1)
(1.2.2)
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.
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
2 2 t
= 1 + t +
+ o(t)
2
2 2 t
= 1 t +
+ o(t).
2
2 2
)t
2
=
t
Xt = t + t.
(1.2.5)
(1.2.6)
E[Wt ] = E[ t] = t E[] = 0
(1.2.7)
1.2.2.
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)
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 +
2
2 t+Wt
= 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.
1.3.
10
Modelo de Black-Scholes
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
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.
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:
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.
13
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 := .
14
(2.1.2)
(2.1.3)
15
(2.1.4)
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)
16
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
= (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
17
18
2.2.
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
=0
Regla 2: dW dt = dt dW = 0
dW dt es una variable aleatoria con:
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
=0
19
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)
(2.2.3)
2 2
S t.
2 t
20
(2.2.5)
Captulo 3
3.1.
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
22
rt V (St , t) = E[V
(St , t)]
es decir, en tiempo continuo:
E[dV
(St , t)] = rdt V (St , t).
(3.1.1)
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)
(3.1.3)
3.2.
(3.1.4)
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)
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
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
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
3.3.
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
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
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
2 W 2
W
25
(3.3.3)
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
W R
Condiciones de contorno:
lm P (W, ) = Ker
lm P (W, ) = 0
W +
3.3.1.
0 T
0 T
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)
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)
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)
n 2V n + V n
n Vn
Vj+1
2 Vj+1
j
j1
j1
+
( + r)Vjn
2
h2
2h
2 h
2h2
2
++r
h2
2 + h
2h2
27
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)
28
[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
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 , (
).
Ij (C n ) Ij
+ eWj ++
2
2
, (
(Wj + A
Wj + A
+ ) Kern , (
)
29
P (U ) = 0
para U = A
para U = A
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
)
El trmino Ij
trapecio.
= 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
= 0
30
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
= Lj (C n ) + Ij (C n )
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
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
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
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
kx
XR =
2
Y R = 1 ky
2
kz
ZR =
2
33
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
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):
kI2n
..
Bn =
n
kIM
2
n+1
R
n
n
Z (CM + CM ) + kIM 1
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
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
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
4.2.
38
39
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