Académique Documents
Professionnel Documents
Culture Documents
ISSN: 1988-1878
27- Procesos estocsticos: Introduccin
PROCESOS ESTOCSTICOS:
INTRODUCCIN
Juan Mascareas
Universidad Complutense de Madrid
Versin inicial: febrero 2006 - ltima versin: enero 2015
- Procesos estocsticos, 1
- Recorrido aleatorio de estado discreto y tiempo discreto, 4
- La generalizacin del proceso, 6
- Procesos estocsticos en tiempo continuo, 15
- Bibliografa, 16
1. PROCESOS ESTOCSTICOS
En matemticas, se denomina variable a una cantidad susceptible de tomar distintos
valores numricos dentro de un determinado conjunto de nmeros. Por ejemplo, en finanzas son variables el tiempo (generalmente, se mide en aos), el riesgo o volatilidad
(se mide en porcentaje), el tipo de inters de mercado (se mide en porcentaje), etc.
Las variables pueden ser determinsticas si podemos determinar cmo van a cambiar
a lo largo del tiempo1 o cmo van a hacerlo al alterarse otra variable de la que dependen2, o pueden ser aleatorias si sus cambios a lo largo del tiempo son impredecibles3.
La parte de las matemticas que analiza cmo se comportan las variables aleatorias se
denomina clculo estocstico.
Por tanto, un proceso estocstico4 es toda variable que evoluciona a lo largo del tiempo de forma total o parcialmente aleatoria.
Un ejemplo es la temperatura en Madrid, aumenta durante el da y baja durante la noche; aumenta en el verano y desciende mucho en invierno (nueve meses de invierno y
tres de infierno, que se dice del clima castellano); su variacin es parcialmente determinstica y parcialmente aleatoria (figura 1). Otro ejemplo, es la variacin del precio
de las acciones de Gamesa (figura 2), que evoluciona de forma aleatoria, pero a largo
plazo tiene una tasa de crecimiento esperada positiva, que compensa a los inversores
por el riesgo que corren al poseer el activo financiero.
Fig.1 Temperaturas mximas y mnimas en Madrid desde Marzo-2007 hasta Febrero-2008 [Fuente:
NOAA, Climate Prediction Center]
El valor actual (VA) de un flujo de caja (FC) es funcin entre otras cosas del tiempo (t): VA = FC (1+k)t
Por ejemplo, la tasa de rendimiento mnima esperada por los accionistas (ke) de una empresa segn el modelo
CAPM es igual a ke = rf + (EM rf) ; ke depende del coeficiente de volatilidad (suponiendo estables el resto de las
otras variables).
3
El precio de las acciones, el valor del tipo de cambio, los beneficios que obtendr una empresa dentro de un ao,
etc.
4
La palabra estocstico se deriva del griego stochazesthai, que significa apuntar a un objetivo (stochos)
2
12
23
34
45
56
67
78
89 100 111 122 133 144 155 166 177 188 199 210 221 232 243
-2,0%
-4,0%
-6,0%
-8,0%
-10,0%
Fig.2 Evolucin del rendimiento diario de la accin de Gamesa durante el ao 2007 [Elaboracin propia]
Los procesos estocsticos pueden ser clasificados segn el intervalo de tiempo en que
tienen lugar en:
- Tiempo discreto: Cuando el valor de la variable slo puede cambiar en una serie
de momentos determinados del tiempo (por ejemplo, los
sorteos de la lotera tienen lugar en determinadas fechas)5.
- Tiempo continuo: Cuando el valor de la variable puede cambiar en cualquier
momento del tiempo (la temperatura, por ejemplo).
Otra forma de clasificar a los procesos estocsticos, esta vez en funcin de cmo pueda variar la variable aleatoria a estudiar, es:
- Variable discreta: La variable slo puede tomar determinados valores o estados
discretos (los mercados financieros cotizan sus activos con
unos precios que oscilan: de cntimo de euro en cntimo
de euro, o en 1/8 de punto, etc.).
- Variable continua: La variable puede tomar cualquier valor comprendido en un
rango (la temperatura, por ejemplo)
Formalmente hablando, un proceso estocstico se define por una ley de probabilidad
que gobierna la evolucin de una variable x (temperaturas, rendimientos, variacin de
los tipos de inters etc.) a lo largo de un horizonte temporal t. De tal manera que para
diferentes momentos del tiempo t1 < t2 < t3... podemos obtener la probabilidad de que
los valores correspondientes x1, x2, x3... se siten dentro de un rango especfico como,
por ejemplo:
Prob [a1 < x1
5
b1]
Por ejemplo, si para valorar una opcin de compra de acciones a tres meses mediante el mtodo binomial hacemos variar el precio de la accin subyacente de semana en semana estaremos utilizando un proceso aleatorio de
tiempo discreto (realmente los rboles binomiales trabajan siempre en tiempo discreto).
b2]
b3]
En la figura 3 se muestra como en el momento inicial (t0) tenemos un valor x0 y esperamos que en el momento siguiente (t1) exista un valor x1; ahora bien, este valor es desconocido en t0, sin embargo, s se espera que dicho valor est dentro de un rango (representado por el ngulo que en la figura 3 parte de x0 y que se denomina cono de incertidumbre). Cuando se llegue al momento t1 y observemos el valor correspondiente
de x1, sabremos que el futuro valor x2 se encontrar dentro de su cono de incertidumbre. Por tanto, dicho valor futuro depende del valor de partida (x1) y de su cono de incertidumbre.
Fig.3
La varianza ( 2) de una variable aleatoria es una medida de dispersin definida como la esperanza del cuadrado de
la desviacin de dicha variable respecto a su media.
7
El valor esperado de las acciones tambin puede decrecer pero en este caso s hay un lmite que es el cero pues el
valor de mercado de una accin no puede ser negativo (recuerde que las acciones proporcionan una responsabilidad limitada a su propietario, quin slo puede perder todo el dinero invertido en ellas, pero no ms).
xt+1 = xt +
donde
= 1) = prob (
t
0, 5t-n
n
0, 5n
t!
0, 5t
n! (t - n)!
Como tirar una moneda al aire, si sale cara la variable sube un punto y si sale cruz baja un punto. En ambos
casos la probabilidad de ocurrencia es del 50%.
t=0
t=1
t=2
t=3
t=4
4
3
2
1
2
1
0
-1
0
-1
-2
-2
-3
-4
As, por ejemplo, la probabilidad de que para 4 pasos haya 3 saltos hacia abajo y uno
slo hacia arriba es igual a:
4
0, 51
3
0, 53 =
4!
3!(4 3)!
lo que resulta evidente porque esa combinacin slo se puede realizar 4 veces con una
probabilidad unitaria del 6,25% (vase la figura 5).
Fig. 5 Caminos que permiten alcanzar el valor -2 en el periodo 4 partiendo desde el inicio.
Por otro lado, la probabilidad de que xt tome el valor t-2n en el instante t es igual a:
5
t
0, 5t-n
n
0, 5n =
t
0, 5t
n
Fig. 6
Observe que el rango de posibles valores que puede tomar xt aumenta con el valor de t
(cuanto t = 1 slo puede tomar dos valores: -1 y 1; cuando t = 2 puede tomar tres: 2 , 0
y 2; etc.), lo mismo que le ocurre tambin a la varianza de xt (tal y como se puede observar en la parte inferior de la figura 6). Por eso xt es un proceso no estacionario: conforme aumente el tiempo tambin lo har el tamao del rango de posibles valores de
la variable aleatoria x. Sin embargo, el valor medio esperado de xt en cualquier momento t es igual a 0 porque la probabilidad de un salto hacia arriba o hacia abajo es el
50%.
(3)
t t-n n
p q
n
En la figura 7 se muestra un ejemplo para p = 75% y q = 25%. La lnea roja indica la evolucin del valor medio esperado que, como se ve, tiene una tendencia ascendente.
Tambin se aprecian las nuevas probabilidades de los valores de xt para t = 4; as como
los valores de las varianzas en cada periodo (por cierto, observe algo interesante: la varianza aumenta proporcionalmente al tiempo t; la varianza para t=3 es igual a la de t=1
por 3, la de t=4 es igual a la de t=1 por 4, etctera; esto tambin puede verse en la figura 6; en resumen, 2t = t . 21 )
Fig.7
Otra forma de generalizar el proceso es dejar que el tamao del salto en cada instante
t sea una variable aleatoria continua. Por ejemplo, que siga una distribucin normal de
media cero y desviacin tpica9 . Entonces, diremos que xt es un proceso estocstico
de estado continuo y tiempo discreto.
Un ejemplo de proceso aleatorio de estado continuo y tiempo discreto es el mostrado
a continuacin y que refleja las variaciones en la tasa de rendimiento anual hasta el
vencimiento del bono alemn a diez aos de plazo (el bund). En la figura 8 se observa la distribucin de las variaciones en tanto por uno de la TIR del bono, quincena a
quincena, desde el 1 de enero de 2008 hasta el 30 de marzo de 2013.
La desviacin tpica es la raz cuadrada positiva de la varianza. Tiene de ventaja con respecto a sta ltima que sus
unidades coinciden con las unidades del valor medio esperado (si ste se mide en porcentaje, su desviacin tpica se
mide en porcentaje, si se mide en metros, su desviacin tpica se mide en metros, etc.). Mientras que la varianza se
mide en las mismas unidades pero elevadas al cuadrado (porcentaje al cuadrado o tanto por diez mil-, metros al
cuadrado, etc.).
Alemania
25
20
15
10
5
0
Fig. 9 Distribucin de las TIR que podra tomar el bund alemn a lo largo del ao 2013 mediante un
proceso binomial y evolucin real que sigui [Fuente: elaboracin propia]
En este caso la probabilidad de ascenso es del 53% y la de descenso es del 47%. Para saber cmo construir el
rbol binomial y calcular sus probabilidades puede consultarse: Mascareas, Juan (2011): Opciones Reales: Valora-
valores que corresponden al mes de diciembre de 2013); en el grfico se aprecia tambin el camino seguido realmente por el rendimiento del bund durante ese ao. Como
curiosidad, vuelva a ver la figura 3 y observe el primer cono de incertidumbre y ahora
valo con las cifras de la posible evolucin del valor de x1 en la figura 9 en la que el valor alcanzado al final por x1 fue de 1,94%; si ahora quisera ver cul es el rango de valores que puede tomar la TIR del bono alemn a lo largo de 2014 construira un nuevo
cono de incertidumbre o rbol binomial en nuestro caso- a partir del valor de x1 =
1,94%) .
En la figura 10 se observa la evolucin del rendimiento total a lo largo de un ao de las
emisiones de los bonos del Tesoro a 30 aos de los Estados Unidos. Se puede ver como
la figura muestra el cono de incertidumbre anual de dichos bonos (es llamativo que
slo las emisiones de 1986 y la de 2009 se salen claramente de l) y los senderos seguidos por el rendimiento total en cada caso.
Fig.10 Evolucin diaria a lo largo de un ao del rendimiento total del bono a 30 aos del Tesoro de los
estados Unidos desde 1974 [Fuente: FT]
cin por el mtodo binomial. Monografas de Juan Mascareas sobre Finanzas Corporativas 32. Disponible en:
http://ssrn.com/abstract=2316647
expanden con el tiempo sino que tienden a contraerse, estos procesos reciben el nombre de procesos de reversin a la media11.
Hay muchos procesos en la vida diaria que siguen una reversin a la media, por
ejemplo, la altura de las personas tiende a un valor medio12, el arrojar una moneda al
aire varias veces seguidas para contar las caras o las cruces tiende a un valor del
50% para cada una de ellas, los fondos de inversin con un buen comportamiento el
ao pasado tendern a la media del mercado en aos sucesivos, etctera.
Matemticamente, el denominado proceso auto regresivo de primer orden o AR(1),
viene dado por la siguiente ecuacin:
(4) xt =
+ xt-1 +
donde y son constantes, con 1 < < 1, y t es una variable aleatoria normalmente
distribuida de media nula. Este proceso es estacionario, y xt tiene un valor esperado a
largo plazo igual a /(1-), independientemente de cul sea su valor actual (este valor
se obtiene haciendo xt = xt-1 = x en la ecuacin 4 y despejando x). El proceso AR(1) se
denomina proceso de reversin a la media, porque el valor de xt tiende hacia su valor
esperado a largo plazo. De hecho otra expresin matemtica que muestra este proceso es:
(5) xt = xt-1 b[xt-1 E(x)] +
11
Francis Galton, buscando leyes hereditarias encontr que la altura de los hijos varones tenda a regresar hacia
la altura media de la poblacin, comparada con la altura de sus progenitores varones. De alguna manera, los padres
altos tendan a tener hijos ms bajos y viceversa. Galton desarroll el anlisis de regresin para estudiar este efecto
al que se refera de forma optimista como regresin hacia la mediocridad. Aqu las palabras regresin y reversin
son sinnimas.
12 Aunque este valor medio puede cambiar a lo largo del tiempo (por ejemplo, debido a una mejor alimentacin).
Hay muchos procesos estocsticos que tienden a revertir a la media, el problema radica en que no tienden a la media calculada con datos pasados sino a la calculada con ellos y con los datos futuros que, obviamente, son desconocidos; en conclusin, que no sabemos cul es exactamente la media hacia la que tienden.
10
En la figura 11 se muestra un ejemplo de este proceso. Para ello suponemos que una
variable aleatoria, cuyo valor actual es 15, tiene un valor medio esperado de 20 y oscila
con una desviacin tpica de 5. La velocidad de ajuste a su valor medio esperado es del
10%. Las ecuaciones representativas podran ser:
xt = xt-1 0,1 [xt-1 20] + N(0,5), o tambin,
xt = 0,1 x 20 + (1 - 0,1) xt-1 + N(0,5) = 2 + 0,9 xt-1 + N(0,5)
45,0
40,0
35,0
30,0
25,0
20,0
15,0
10,0
5,0
48
45
42
39
36
33
30
27
24
21
18
15
12
0,0
Fig.11 Reversin a la media con un valor inicial de 15, un valor medio esperado de 20, una velocidad de
ajuste del 10% y una desviacin tpica de 5 [xt = xt-1 0,10[xt-1 20] + N(0,5)]
En la figura 12 se muestra el mismo ejemplo pero con una velocidad de ajuste superior
e igual al 75%, lo que hace que las oscilaciones sean ms bruscas y apelotonadas en el
tiempo.
40,0
35,0
30,0
25,0
20,0
15,0
10,0
5,0
48
45
42
39
36
33
30
27
24
21
18
15
12
0,0
Fig.12 Reversin a la media con un valor inicial de 15, un valor medio esperado de 20, una velocidad de
ajuste del 75% y una desviacin tpica de 5 [xt = xt-1 0,75[xt-1 20] + N(0,5)]
11
En la tabla 1 se muestra un ejemplo del clculo de la velocidad de ajuste segn la expresin (5). Supongamos que disponemos de 21 precios de un activo columna Precio
(Xt)- construiremos una columna con los mismos precios desfasados un periodo columna Precio (Xt-1)-; calcularemos el valor medio de ambas columnas: 18,26 y 18,56
respectivamente, y el valor de la desviacin tpica de ambas: 5,87 y 5,57. Lo siguiente
es calcular la covarianza de ambas series de datos multiplicando la diferencia de cada
valor de una columna con su media por la diferencia de cada valor de la otra columna
por su propia media (por ejemplo: (18,25-18,26) x (15,92-18,56) = 0,0264 0,03); obtendremos el valor medio de la covarianza: 6,68 y lo dividiremos por la varianza del valor de la columna Precio (Xt-1) lo que nos proporcionar el valor del coeficiente :
= 6,68 / 5,572 = 0,215
Tabla 1
Sabemos que la velocidad de ajuste es igual a b = 1 - = 1 - 0,215 = 0,785. Por otra parte, si restamos al valor medio de la columna Precio (xt) el producto de b por la media
de Precio (xt-1) obtendremos el valor del coeficiente :
= 18,26 0,215 x 18,56 = 14,27
12
Sabemos que = b E(x) 14,27 = 0,785 E(x) E(x) = 18,18. Tambin sabemos que el
valor esperado a largo plazo igual a /(1-) = 14,27 / (1-0,215) = 18,18.
En la figura 13 se muestra una posible evolucin del valor de la variable x con los datos
que acabamos de calcular (vase el Apndice 1).
35,0
30,0
25,0
20,0
15,0
10,0
5,0
0,0
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48 50
Fig.13 Reversin a la media con un valor inicial de 15,92, un valor medio esperado de 18,18, una
velocidad de ajuste del 78,5% y una desviacin tpica de 5,57
[xt = xt-1 0,785[xt-118,18] + N(0 , 5,57)]
+ xt-1 +
t t
13
Estos modelos siguen un proceso aleatorio con distribucin de Poisson; sta consiste de saltos independientes
entre s totalmente imprevistos a lo largo del tiempo.
13
En las figura 14 y 15 se puede observar el resultado de la ecuacin 6 para dos simulaciones diferentes de un mes, por horas, de los precios de la electricidad.
Fig.14 Reversin a la media con un valor inicial de 18, un valor medio esperado de 20, una velocidad de
ajuste del 20%, una desviacin tpica de 4,8%, = 0,0026, la media del salto igual a 47,43 y su desviacin
tpica de 23,19
Fig.15 Reversin a la media con un valor inicial de 18, un valor medio esperado de 20, una velocidad de
ajuste del 20%, una desviacin tpica de 4,8%, = 0,0052, la media del salto igual a 65 y su desviacin
tpica de 23,19
14
14
La volatilidad que realmente necesitamos es la futura, no la pasada, pero comoquiera que la volatilidad futura es
muy difcil de conocer se suele utilizar la pasada suponiendo implcitamente que se va a mantener en el futuro
aunque ya sabemos que lo ms probable es que no se mantenga.
15
( 2 + 2)1/2 = . 21/2 + ; si = 1 21/2
15
BIBLIOGRAFA
COPELAND, Tom y ANTIKAROV, Valdimir (2001): Real Options. Texere. Nueva York
DIXIT, Avinash y PINDYCK, Robert (1994): Investment under Uncertainty. Princeton University Press.
Princeton (NJ). Pp.: 60-63
GONICK, Larry y SMITH, Woollcott (2005): The Cartoon Guide to Statistics. Harper Collins. Nueva York
HLOUSKOVA, Jaroslava; KOSSMEIER, Stephan; OBERSTEINER, Michael y SCHNABL, Alexander (2005):
Real options and the value of generation capacity in the German electricity market. Review of
Financial Economics 14; 297-310
HULL, John (2000): Options, Futures, & Other Derivatives. Prentice Hall. Englewood Cliffs (NJ) (4 ed.)
NEFTCI, Salih (1996): An Introduction to the Mathematics of Financial Derivatives. Academic Press. San
Diego. California.
16
Dicho anlisis continua en Mascareas, Juan (2011): Procesos estocsticos: Procesos de Wiener e Ito. Monografas de Juan Mascareas sobre Finanzas Corporativas 28. Disponible en: http://ssrn.com/abstract=2316025
16
Apndice 1:
Programa de Excel para simular un proceso de reversin a la media
Celda B10: =$B$6
Celda B11 y siguientes: =B10-$B$4*(B10-$B$3)+($B$5*D11)
Celda C10 y siguientes: $B$3
Celda D11 y siguientes: =ALEATORIO()+ALEATORIO()+ALEATORIO()+ALEATORIO()+ALEATORIO()+
ALEATORIO()+ALEATORIO()+ALEATORIO()+ALEATORIO()+ALEATORIO()+ALEATORIO()+ALEATORIO()-6
17