Académique Documents
Professionnel Documents
Culture Documents
Universidad Complutense de Madrid Universidad del Pas Vasco Universidad de Valencia www.uv.es/qf
Un especial agradecimiento a Araceli Garn, Mara Merino, Gloria Prez y Eliseo Navarro, puesto que sus aportaciones han sido esenciales a la hora de llevar a cabo este trabajo. Araceli, Maria y Gloria han sido de gran ayuda por sus conocimientos y avances en el campo de la programacin estocstica. Y por otro lado, el modelo desarrollado por Navarro y Nave ha sido el modelo financiero analizado y extendido mediante tcnicas de Programacin Estocstica.
ndice General
0. Introduccin ______________________________________________ 4 1. Programacin estocstica __________________________________ 5 1.1. Modelos lineales deterministas__________________________________ 6 1.2. Modelos lineales estocsticos ___________________________________ 7 1.3. Anlisis de escenarios ___________________________________________ 8 1.4. Decisiones y tipos de recurso ___________________________________ 9 1.5. Principio de no anticipatividad__________________________________ 10 1.6. El modelo determinista equivalente_____________________________ 15 1.6.1. Formulacin compacta _______________________________ 16 1.6.2. Formulacin extendida _______________________________ 18 1.7. Modelos estocsticos y propiedades _____________________________ 19 1.7.1. Modelos bietapa ______________________________________20 1.7.2. Modelos multietapa __________________________________ 21 2. Una aplicacin: efectos de los costes de transaccin en la
2.1. El modelo esttico_______________________________________________ 25 2.2. El modelo dinmico_____________________________________________ 27 2.2.1. Riesgo de inmunizacin ______________________________ 32 2.3. El modelo dinmico con costes de transaccin __________________ 36 2.4. Ejemplo ilustrativo _____________________________________________ 37 2.5. Conclusiones ___________________________________________________ 41 3. Extensin: tratamiento del problema mediante el anlisis
de escenarios _______________________________________________ 42
3.1. Modelo estocstico ______________________________________________42 3.2. Ejemplo ilustrativo _____________________________________________47 3.3. Conclusiones ___________________________________________________ 54 3.4. Futuras extensiones_____________________________________________ 55 3.4.1. Comportamientos de los tipos de inters _____________ 55 3.4.2. Tamao del problema ________________________________ 57 4. Bibliografa_______________________________________________ 58
Introduccin
En el mundo de las finanzas es habitual encontrarse en situaciones en las que es necesario tomar decisiones en un entorno de incertidumbre. Todos estos problemas podran ser abordados despreciando la estocasticidad asociada a cada uno de ellos, pero se estaran asumiendo hiptesis que podran no cumplirse en la realidad. En este trabajo se trata de abordar el entorno de incertidumbre que rodea a este tipo de problemas a travs del Anlisis de Escenarios. En el primer captulo se recogen las bases de la programacin estocstica al igual que las tcnicas de optimizacin y el concepto de anlisis de escenarios. Dada la amplia variedad de problemas de optimizacin bajo incertidumbre nos centramos en el problema de la inmunizacin de carteras de renta fija cuando se permiten costes de transaccin, cuya versin dinmica ha sido estudiada por Navarro y Nave. En el segundo captulo se resumen tanto el modelo como las conclusiones obtenidas por los autores mencionados. En el tercer y ltimo captulo se presenta un modelo estocstico para testar la optimalidad de las estrategias de inmunizacin, de forma que se permite la introduccin de costes de transaccin. La incertidumbre se representa mediante un rbol de escenarios y se trata con un modelo lineal de dos etapas. El problema se representa mediante el Modelo Determinista Equivalente (MDE) y se resuelve para un ejemplo sencillo anlogo al utilizado por Navarrro y Nave en su artculo. Por ltimo se recogen las conclusiones obtenidas en el modelo estocstico y se comparan a las obtenidas por Navarro y Nave, de forma que se observa la necesidad de un estudio estocstico para este problema. Por ltimo sealar que la experiencia computacional ha sido realizada utilizando el compilador MICROSOFT VISUAL STUDIO.NET y las subrutinas de optimizacin de IBM OSL v3 para resolver los distintos problemas lineales.
Captulo 1
Programacin estocstica
La toma de decisiones es un problema comn en campos de muy diversa ndole. Por ejemplo est presente en buena parte de los modelos de finanzas, economa, industria o actividades sociales. En la actualidad, los procesos de decisin basados en modelos son esenciales para la gestin y la organizacin de las empresas. Una de las herramientas que en la actualidad proporciona decisiones ms fiables es la Optimizacin, campo en el que confluyen las Matemticas y las Ciencias de la Computacin. El propsito de sta es construir y resolver de forma efectiva modelos que reflejen la situacin real observada, con objeto de permitir que los tomadores de decisiones exploren una amplia variedad de posibles alternativas. Como intentamos modelizar la realidad y esta es en la mayora de los casos compleja, muchos modelos presentan algunas caractersticas que dificultan enormemente la resolucin del problema, considerndose stos problemas de complejidad computacional elevada. Algunas de estas caractersticas pueden ser: la dimensin del problema, la aleatoriedad de algunos parmetros del sistema, el carcter entero de algunas variables o la no linealidad tanto de la funcin objetivo como de alguna de las restricciones del modelo.
(1.1.1)
En notacin matricial,
Z = m in cx s.a . A x = b x0
(1.1.2 )
donde c es un vector fila n-dimensional de costos, x es un vector columna tambin n-dimensional de decisiones formado por trminos no negativos, A es la matriz m n dimensional de restricciones y b es el vector columna m-dimensional de trminos independientes. Adems, el adjetivo determinista hace referencia al hecho de que los parmetros que definen el problema c, A y b son conocidos. La funcin objetivo es una funcin lineal, cx , mientras que el conjunto de soluciones factibles son aquellos valores de x que cumplen Ax = b; x 0 . La solucin ptima, x* , es una solucin factible tal que cx cx* para cualquier x x* y x factible. Los programas lineales buscan normalmente soluciones ptimas de mnimo coste bajo restricciones de demanda o mximo beneficio bajo una situacin de recursos limitados. Segn el carcter de las variables los podemos clasificar de la siguiente forma:
Problemas lineales generales (PL): Si todas las variables son continuas, es decir, toman valores en . Son los problemas ms estudiados y se denominan simplemente problemas lineales. Problemas lineales enteros (PE): Si todas las variables son enteras, es decir, toman valores en . En particular si todas las variables toman valores en el espacio {0,1} tenemos un problema entero 0-1. Problemas lineales mixtos (PM): Si las variables son algunas continuas y otras enteras. En particular, un problema mixto 0-1 es aquel que tiene variables tanto continuas como binarias.
El conjunto de aplicaciones de los modelos estocsticos es realmente amplio en multitud de disciplinas. Podramos citar como ejemplo de variables aleatorias que podran afectar al modelo: los costes de produccin y distribucin tpicamente dependen del coste de carburante, las demandas futuras dependen de las condiciones de mercado inciertas, las rendimientos de las cosechas dependen de las condiciones meteorolgicas, o los rendimientos de activos financieros dependen de los valores futuros de los tipos de inters. Hay distintas metodologas para poder resolver un modelo de estas caractersticas. Este trabajo lo har basndose en la metodologa denominada Anlisis de Escenarios.
pw = 1 . La funcin de
E = w pw w , su varianza Var ( ) = E E ( )
de con ( 0 , 1 ) , = min : F ( ) .
( )
y el -cuantil
Para simplificar, cada escenario se denotar por w y el conjunto de estos ser . Asimismo, el conjunto de escenarios se representar mediante un rbol cuyos niveles correspondern a los distintos periodos de decisin. Figura 1.3.1: Observemos el rbol en la figura.
En l se representa un problema de cuatro periodos de tiempo. En cada periodo hay tantos nodos como realizaciones posibles de los parmetros inciertos. El nodo del que parten todos, el nico nodo del periodo inicial, se llama nodo raz. Cada trayectoria del nodo raz a cualquier nodo del periodo final es un escenario que corresponde a una realizacin de los parmetros inciertos. Una vez tenemos el rbol es necesario ampliar la modelizacin del problema, de forma que recoja la informacin que tenemos en l. Una forma de hacerlo es resolver los problemas deterministas asociadas a cada escenario:
Z w = m in c w x w s.a . A w x w = b w xw 0
(1.3.1)
Estudiaremos las soluciones para cada escenario para decidir una solucin aceptable. Pero puede haber soluciones que den una mejor
solucin en un escenario y peor en otro. Entonces, qu solucin es la ptima? La metodologa basada en el Anlisis de Escenarios, como tratamiento de la incertidumbre en un problema de optimizacin, proporciona soluciones factibles bajo cada escenario pero sin subordinarse a ninguno de ellos. Esto se consigue optimizando una funcin lineal de las funciones objetivo bajo cada escenario, y replicando el conjunto de restricciones en cada uno de ellos.
Definicin: Decimos que una solucin es anticipativa si los valores de las variables son nicos, implementables e independientes del escenario.
Segn esto podemos hacer la siguiente clasificacin: Modelo de recurso simple: Es aquel en que todas las decisiones a tomar deben ser fijadas desde un principio, y no se cambiarn ni con la llegada de nueva informacin. Todas las decisiones se tomarn en el periodo actual, t=0, y corresponde a variables anticipativas. Es un modelo ms fcil de resolver pero mucho menos flexible. Modelo de recurso parcial: Es aquel en el que en t=0 se toman las decisiones de las r primeras etapas y a partir de ah las decisiones se toman en base a las nuevas informaciones. Modelo de recurso total: Es aquel en el que todas las decisiones son ajustadas en el tiempo. Cada decisin se toma con la llegada de la
10
informacin. Su solucin est formada por un conjunto de soluciones nicas para el primer periodo y una decisin ptima para cada escenario, en cada uno de los periodos. Los modelos estocsticos considerados en este trabajo son de recurso total. En general para cada etapa o periodo de decisin, t, es importante conocer la informacin disponible para tomar la decisin xt , t S . En el problema multietapa se partir de una etapa t y antes de tomar la decisin se observa una realizacin de los parmetros inciertos, tw y se toman en cuenta las decisiones anteriores. As tenemos:
w w 1 x1 2w x2w ... tw xtw ... S xS
As la decisin, x tw depender de los sucesos ocurridos antes pero la decisin no depender de los sucesos posteriores. Esta condicin se basa en el principio de no anticipatividad. Introducido en el trabajo de Rockafeller y Wets (1991), la idea bsica consiste en evitar adelantar innecesariamente decisiones que hay que tomar en una etapa a etapas anteriores. De esta forma, la solucin que se obtiene considera todos los escenarios posibles en situaciones futuras pero no se subordina a ninguno de ellos y adems proporciona las decisiones a tomar en el momento que se necesitan.
11
anticipatividad exige que xtw = xtw' si w = w' para cualquier = 1 ,..., t y tS. Representamos el principio de anticipatividad para = 4 escenarios, S=3 etapas de decisin y T=4 periodos de tiempo. Considerando el siguientes rbol de escenarios, Figura 1.5.1 t=1 t=2
1 2 4
t=3 4 5 6 7
t=4
8
8 w=1
9
9 w=2
10
1
3 6
10 w=3
11
11 w=4
Se podra interpretar este rbol como cuatro realizaciones independientes, de las cuales algunos nodos estn relacionados entre s: Figura 1.5.2 s=1 t=1 s=2 t=2 s=3 t=3 t=4 w=1 w=2 w=3 w=4
12
En t=1, la informacin sobre los parmetros inciertos es conocida y, por tanto, 11 = 12 = 13 = 14 . Por lo tanto, las decisiones tambin debern coincidir, x11 = x12 = x13 = x14 . Una vez tomada esta decisin, pueden ocurrir dos perspectivas que sern conocidas al principio de la etapa 2. Por tanto, van a ocurrir slo 2 versiones en cuanto a la realizacin de los parmetros. Por tanto, 1 2 3 4 . 21 = 22 y 23 = 24 x2 = x2 y x2 = x2 Para introducir el concepto matemticamente (la condicin de no anticipatividad) en un modelo de recurso parcial o completo, resultar til definir el concepto de grupo de escenarios.
Definicin: Un grupo de escenarios para una etapa es el conjunto de escenarios cuya realizacin de los parmetros inciertos es la misma hasta dicha etapa.
Notacin: t(g): etapa del grupo de escenarios g. G: conjunto de grupos de escenarios. Se enumeran consecutivamente. G t : subconjunto de grupos de escenarios de la etapa t, t S , de tal forma que si dos escenarios distintos w y w presentan las mismas realizaciones de parmetros aleatorios hasta la etapa t, entonces los escenarios w y w pertenecen al mismo grupo g, para g G t G. Notar que G1 = { g = 1} = 1 y GS = . g : conjunto de escenarios que definen al grupo de la etapa t=t(g), para g Gt , t S, tal que g' g t(g) t(g') . g . Notar que
Ejemplo: Vamos a utilizar este ejemplo para ilustrar el concepto de grupo de escenarios de una etapa dada. En este caso nos fijaremos en cules son los grupos de escenarios que tenemos:
13
t=3
t=4
8
4 5
8 w=1
9
9 w=2
10
1
3 6
11
10 w=3 11 w=4
En cada nodo i se deber tomar la decisin xi . En este ejemplo los subconjuntos de grupos de escenarios en cada etapa son: t=1: G 1 = {1} , 1 = = {8 , 9 , 10 , 11} t=2: G 2 = {2 , 3} , 2 = {8 , 9} , 3 = {10 , 11} t=3: G 3 = {4 ,5 ,6,7} , 4 = {8} , 5 = {9} , 6 = {10} , 7 = {11} t=4:
11 = {11}
El principio de no anticipatividad requiere un nico valor de las variables de decisin en cada grupo de escenarios de cada etapa t. As, las condiciones de no anticipatividad se pueden expresar:
14
Evidentemente, entre las condiciones de no anticipatividad se encuentra un nmero elevado de restricciones redundantes. Por tanto, se puede trabajar sobre un subconjunto elegido adecuadamente. Una posible manera para seleccionarlos es establecer un orden entre los escenarios y a continuacin relacionar xtw con xtw' para un solo escenario w de su grupo de equivalencia, para w , w' g , g G t , t S . As w se relaciona con w+1 si w+1 g ; en otro caso, w+1 se relaciona con el primer escenario de los incluidos en g .
(1.6.1)
La matriz de restricciones de este modelo presenta una estructura de cuasiescalera. Los modelos deterministas para distintos escenarios difieren unos de otros. Y adems, el nmero de variables que relacionan distintas etapas no es significativo.
15
Dependiendo de la representacin de las restricciones de no anticipatividad, surgen dos representaciones equivalentes del MDE: la formulacin compacta y la formulacin extendida.
Formulacin compacta
Se utiliza el concepto de grupos de escenarios definido anteriormente. Se incluye, adems, la notacin necesaria:
Notacin: x g : vector de variables correspondientes al grupo de escenarios g G. Representa a todos los vectores de variables idnticas segn el principio de no anticipatividad. p g : peso asociado a cada grupo de escenarios g G; pg = w pw tal
que
N g : subconjunto de grupos de escenarios { g' G : g g' } . Es decir, es el camino de grupos de escenarios desde el nodo raz hasta el grupo g.
gGt
p g = 1, t .
Para entender bien el concepto de, N g subconjunto de grupos de escenarios, veamos cules seran en el ejemplo anterior: N 1 ={1},
N 2 ={1,2}, N 3 ={1,3}, N 4 ={1,2,4}, N 5 ={1,2,5}, N 6 ={1,3,6}, N 7 ={1,3,7}, N 8 ={1,2,4,8}, N 9 ={1,2,5,9}, N 10 ={1,3,6,10}, N 11 ={1,3,7,11}.
t=3 4 5
t=4 8 w=1
2
5
9 w=2
10
1
6
11
10 w=3 11 w=4
16
En la formulacin compacta del MDE de recurso total, se sustituyen el nmero de variables iguales debido a la no anticipatividad por una nica variable. Es decir, las restricciones de no anticipatividad aparecen de manera implcita. Como observaremos, se reduce sustancialmente el tamao del problema. Por tanto, la formulacin compacta del modelo es:
Z = min gG w g c g x g s.a.
x g 0 g G Un modelo expresado en formulacin compacta, haciendo uso de grupos de escenarios tiene G vectores de variables y G tipos de restricciones. Este modelo define una estructura de cuasiescalera como podemos ver en la siguiente figura: Figura 6.1
x1 A1 A '2 A '3
x2
x3
x4
x5
x6
Como hemos visto, en la formulacin compacta las restricciones de no anticipatividad aparecen de manera implcita. No estropean la estructura en cuasiescalera del modelo.
17
Formulacin extendida
En la formulacin extendida de un modelo estocstico de recurso total, la matriz de restricciones es tambin de cuasi-escalera aunque como veremos, ms amplia que la anterior. En esta formulacin se desdoblan las variables en etapas segn las perspectivas y se imponen explcitamente las condiciones de no anticipatividad. Es decir, se aaden explcitamente restricciones que fuerzan a estas variables a tomar el mismo valor. Por eso se llama formulacin extendida o formulacin con variables divididas.
Z = min w ww c w xw s.a. Aw xw = bw ,w xw x w' = 0 ,w,w' : w w', g G xw 0
( 1.6.3)
Es un modelo de T vectores de variables y T + NA tipos de restricciones. Aunque la matriz es de mayores dimensiones, es menos densa que la matriz en formulacin compacta. Si D c y D e representan las densidades de la formulacin compacta y la formulacin extendida respectivamente, definidas como la proporcin entre el nmero de elementos no nulos y el nmero de elementos total, se observa que, 2 2 Dc = > = De . G TG Vemos que la relajacin de las restricciones de no anticipatividad, en este tipo de formulacin convierte al modelo estocstico en modelos independientes, asociados uno a cada escenario. Su estructura es exactamente en forma de escalera, por lo que un modelo de optimizacin de grandes dimensiones se puede abordar mediante la resolucin de varios problemas de menores dimensiones, uno por cada escenario. Esta caracterstica se emplea en varios mtodos de resolucin de problemas de grandes dimensiones, que emplean tcnicas de descomposicin. Si representamos la formulacin extendida en el ejemplo:
18
Figura 6.2
x1 1 A11
1 ' A2 1 A2 1 x2 1 x3
x2 1
2 x2
2 x3
x3 1
3 x2
3 x3
x4 1
4 x2
4 x3
b1 1
1 b2
A31 '
A31 A12
2 ' A2 2 A2
1 b3
b2 1 b2 2 A32 A13 A23 ' A23 A33 ' A33 A14 A24 ' A24 A34 ' A34 b2 3 b3 1 b3 2 b3 3 b4 1 b4 2 b4 3 0 0 I I I 0 0 0
A32 '
I I I I
I I
19
(1.7.1.1)
La decisin en la primera etapa viene dada por el vector x1 . Le corresponden los vectores c1 n1 , b1 m1 y la matriz A1 m1 n1 . En la segunda etapa pueden ocurrir un conjunto de sucesos aleatorios w . Para cada realizacin, w, hay unos valores de los vectores c2 , b2 y
= ( c , b , A ,..., A
w w 2 w 2 w 21
la
matriz,
A'2 .
w 2 m2
Entonces, con
se
define
cada
escenario
N = n2 + m2 + m2 n1
componentes
potenciales. La dependencia de x2 sobre w es de una naturaleza completamente diferente a la dependencia de c2 u otros parmetros estocsticos sobre w. No es una relacin funcional pero indica que las decisiones de la segunda etapa, x2 , no son normalmente las mismas bajo diferentes realizaciones de w. Estas son elegidas de manera que las dos ltimas condiciones del problema (1) se mantienen casi seguramente, es decir w , excepto tal vez para un conjunto de probabilidad nula. La funcin objetivo contiene el trmino determinista c1 x1 y la esperanza para los trminos de la segunda etapa tomada bajo los distintos escenarios. As para cada w:
w w w Q ( x1 , w ) = min {c2 x2 : A2w x2 = b2w A2w ' x1 ,x2w 0} (1.7.1.2) x2
20
es el valor de la funcin objetivo en la segunda etapa y E la esperanza con respecto a . Entonces, el valor esperado de la funcin objetivo en la segunda etapa es:
Q ( x1 ) = EQ ( x1 , w ) (1.7.1.3)
El modelo determinista equivalente se expresa como:
Vemos as que la mayor diferencia con la formulacin determinista est en el valor de la funcin en la segunda etapa. Si esta funcin viene dada, un problema estocstico es exactamente un problema de optimizacin no lineal. La dificultad de la programacin estocstica en cuanto a modelos de dos etapas, radica en el peso computacional de Q ( x1 ) para todo x en (1.7.1.4). Por eso las propiedades del MDE y de Q ( x1 ) han sido muy estudiadas. De estas propiedades se observa que la resolucin de problemas estocsticos lineales de dos etapas de grandes dimensiones no es tan compleja como la de aquellos en los que intervienen variables enteras, o en particular 0-1.
21
se complica. La incertidumbre se va desvelando etapa a etapa segn se van tomando decisiones. La decisin xt : t S , se basa slo en la informacin anterior (no anticipatividad). En general, la decisin depende de los parmetros ( x1 ,..., xt 1 , 1 , 2 ,..., t ) .
minc3wx3w +... + w w ZPL = minc1x1 +E2|1 minc2 x2 +E3|1 ,2 w w + + ... E minc xS S | ,..., S 1 S1
(1.7.2.1)
s.a.
A11 x1 = b1w w w w = b2w A21 x1 + A22 x2 Awx + Aw xw + Awxw = b3w 32 2 33 3 31 1 ... ... w Aw x + Aw xw + Aw xw + ... + Aw xw = bS S1 1 S2 2 S3 3 SS S w w 0 x1 , x2 ,..., xS NA
(1.7.2.2)
donde ctw son los vectores fila de los coeficientes de la funcin objetivo.
w Aw es el vector de trminos t son las matrices de restricciones. bt
independientes rho y xtw son los vectores columna de las variables continuas para la etapa t bajo el escenario w, para ,t S ,w . Lo habitual es que en las restricciones slo intervengan variables consecutivas en el tiempo. Por lo que se emplear la siguiente expresin abreviada de modelos estocsticos multietapa lineales en la formulacin en variables divididas:
22
(1.7.2.3)
donde A't y At son las matrices de restricciones correspondientes a las variables xt 1 y xt respectivamente, para t S .
23
Captulo 2
Una aplicacin: efectos de los costes de transaccin en la inmunizacin dinmica de carteras de renta fija
Como probaron Bierwag y Khang (1979), la inmunizacin puede describirse como una estrategia de maximizacin a lo largo de los estados de la naturaleza, donde el objetivo del inversor es garantizar un rendimiento mnimo durante el horizonte de planificacin. Por tanto, de acuerdo con Dantzig (1971), esta solucin mxima se puede encontrar resolviendo un problema lineal equivalente que depender de la hiptesis sobre la Estructura Temporal de los Tipos de Inters, en adelante ETTI. Uno de los resultados ms importantes que conciernen al desarrollo de estrategias de cartera contra el riesgo de tipo de inters es el llamado Teorema de Inmunizacin Global Dinmica enunciada por Khang (1983). Segn esta teora, para garantizar el valor final de la cartera al final de un periodo de tiempo, independientemente de los cambios de los tipos de inters, la estrategia ptima sera mantener a lo largo del tiempo la duracin igual al periodo de planificacin del inversor. Dada la naturaleza de la duracin de una cartera, esta estrategia implicara un continuo reajuste de la cartera. De cualquier manera, la optimalidad de
24
esta estrategia est basada en algunos supuestos entre los que se incluyen:
a. La estructura de tipos de inters tiene cambios paralelos. Es decir, si la estructura cambia de g ( t ) a g* ( t , ) , entonces:
g* ( t , ) = g ( t ) +
b. No hay costes de transaccin. Es un supuesto muy importante ya que si hubiese costes de transaccin y stos fuesen muy elevados, el reajuste continuo de la cartera sera inviable.
El primero de los supuestos evita el problema del riesgo de infraestimacin del comportamiento de la estructura llamado Riesgo de Inmunizacin, ver Fong y Vasicek (1983). Con respecto a la hiptesis de la ausencia de costes de transaccin, resulta crucial en un contexto dinmico; si se tienen en cuenta los costes de transaccin, la estrategia del reajuste continuo, podra no ser ptima dados los costes tan elevados que implicara.
25
depender de la evolucin de los tipos de inters y la composicin de la cartera. Este problema puede ser modelizado de la siguiente forma: Sea un inversor que desea invertir una cantidad I 0 (unidades monetarias, euros, etc.) en un mercado con n bonos cupn distintos (que supondremos libres de riesgo de incumplimiento para poder analizar el riesgo de tipo de inters). Las distintas composiciones de la cartera se considerarn estrategias del inversor. Se denota por pi al precio de una unidad del activo i y por xi al nmero de unidades de este activo que se incluyen en la cartera ptima. Por tanto, la estrategia del inversor consiste en determinar un vector ( x1 ,...,xn ) que debe cumplir la condicin de presupuesto:
n
x p
i =1
i i
= I0 ( 2.11 .)
Adems se asume que justo despus de la compra de la cartera seleccionada, los tipos de inters pueden cambiar de su nivel actual ( rc ) a cualquiera de los valores r1 ,..., rc ,..., rm donde r1 < ... < rc < ... < rm . Y se supone que los tipos de inters no tendrn ms cambios inesperados a lo largo de todo el horizonte de planificacin, en adelante HPP. As el valor de la cartera al final del horizonte de planificacin viene dado por la siguiente expresin:
n
x v
i =1
i ij
( 2.1.2 )
donde vij denota el valor al final del HPP de una inversin de pi unidades monetarias en el activo i si los tipos de inters cambian de rc a rj .
26
Denotando por V el valor final mnimo de la cartera que el inversor quiere maximizar, el proceso de seleccin de la cartera se puede modelizar como:
Max V
x ,V
( 2.1.3)
xi pi = I0
i =1
xi ,V 0
27
respectivamente; los pagos de cupn se dan en los momentos de reajuste. Este problema consta entonces de los siguientes elementos: Conjuntos: