Académique Documents
Professionnel Documents
Culture Documents
INTEGRAL ESTOCÁSTICA
ECUACIONES DIFERENCIALES ESTOCASTICAS:
LEMA DE ITO
Procesos estocásticos
• Un proceso estocástico describe la evolución temporal de
una variable aleatoria.
• Tipos de procesos estocásticos:
– de tiempo discreto: aquel en el que la variable puede cambiar de
valor únicamente en instantes concretos del tiempo
– de tiempo continuo: aquel en el que la variable puede cambiar de
valor en cualquier instante del tiempo
– de variable discreta: aquel en el que la variable sólo puede tomar
determinados valores discretos
– de variable continua: aquel en el que la variable puede tomar
cualquier valor de la recta real
Nuestro objetivo será deducir un proceso estocástico de variable continua y en
tiempo continuo adecuado para describir el comportamiento de variables
económico financieras (precios de las acciones, rendimientos de activos, tipos
de interés...)
Expresión analítica de un proceso estocástico
• Sabemos que el comportamiento de una variable aleatoria se
describe mediante una adecuada distribución de probabilidad. En un
proceso estocástico el comportamiento de la variable aleatoria
considerada varía en el tiempo. Por tanto, la distribución de
probabilidad utilizada para describirla también podrá variar en el
tiempo.
• Para describir el proceso estocástico que sigue una variable aleatoria
temporal xt , deberemos indicar en cada instante t cual es la
distribución de probabilidad asociada a xt.
• x0 conocido
• δ y ρ constantes, siendo -1 ≤ ρ ≤ 1
• ξt sigue una distribución de probabilidad N(0,σ)
x t = x t −1 + ξ t ∆ t ∆x = xt − xt −1 = ξt ∆t
Como ξt sigue una distribución deprobabilidad normal,
entonces ξ t ∆t sigue también una distribución normal.
Veamos cual sería su media y su varianza:
µ = E [ ∆ x ] = E [ξ t ∆ t ] = ∆ t * E [ξ t ] = ∆ t * 0 = 0
ξt sigue una N(0,1)
Var = E (∆x − µ)2 = E (∆x − 0)2 = E (∆x)2 = E ξt ∆t = ∆t * E ξt = ∆t * E (ξt − 0)2 = ∆t *1 = ∆t
2 2
xT − xT −1 = ξ q −1 ∆t
xT −1 − xT − 2 = ξq−2 ∆t
x2 − x1 = ξ1 ∆t
x1 − x0 = ξ0 ∆t
q −1
xT − x0 = ∑ ξi ∆t
i =0
• Como las variables aleatorias ξi son independientes y se distribuyen
según una normal N(0,1), entonces ∑ ξ i se distribuye según una
normal de media la suma de las medias y de varianza la suma de las
varianzas. Por tanto, xT - x0 sigue una distribución normal de media y
varianza:
q −1 q −1
E [x T − x0 ] = E ( ∑
i = 0
ξ i ) ∆t =
∆t * E ∑ ξi =
i = 0
∆t * 0 = 0
q −1 q −1 q −1
T
∑
i = 0
∑
i = 0 i =0
∑
Var [xT − x 0 ] = Var ( ξ i ) ∆t = ∆t * Var ξ i = ∆t * 1 = ∆t * q = * q = T
q
xT − x 0 ∼ N (0, T )
xT ∼ N ( x 0 , T )
Movimiento Browniano aritmético
• Un movimiento Browniano aritmético (MBA) es un proceso
estocástico definido en términos de un proceso de Wiener del
modo siguiente:
xt − xt −1 = ∆x = µ∆t + σ∆z
••µµyyσσconstantes
constantes
••∆z = ξ t ∆t esesun
unproceso
procesode
deWiener
Wiener
∆x ∼ N (µ∆t,σ 2∆t )
Var = E (∆x − µ∆t)2 = E (σ∆z)2 = σ 2E (∆z)2 = σ 2E (∆z − 0)2 = σ 2Var [ ∆z] = σ 2∆t
• Supongamos que queremos estudiar el comportamiento de ∆x
en un intervalo de tiempo relativamente amplio [0,T].
Procedemos como sigue:
• Subdividimos el intervalo [0,T] en q subintervalos de longitud ∆t=T/q
• Aplicamos la fórmula del MBA a cada subintervalo y sumamos
miembro a miembro las ecuaciones obtenidas:
xT − xT −1 = µ∆t + σξ q −1 ∆t
xT −1 − xT − 2 = µ∆t + σξq−2 ∆t
x2 − x1 = µ∆t + σξ1 ∆t
x1 − x0 = µ∆t + σξ0 ∆t
q −1 q −1
xT − x0 = qµ∆t + σ ∑ ξi ∆t = µT + σ ∑ ξi ∆t
i =0 i =0
• Como las variables aleatorias ξi son independientes y se distribuyen
según una normal N(0,1), entonces ∑ ξ i se distribuye según una
normal de media la suma de las medias y de varianza la suma de las
varianzas. Por tanto, xT - x0 sigue una distribución normal de media y
varianza:
q −1
q −1
E [ xT − x0 ] = E µT + σ (∑ξi ) ∆t = µT + σ ∆t E ∑ξi = µT + σ ∆t *0 = µT
i =0 i =0
q −1
2 q−1 2
q −1
Var [ xT − x0 ] = E (µT + σ (∑ξi ) ∆t − µT ) = E (σ (∑ξi ) ∆t ) = σ ∆t ∑1 = σ 2∆tq = σ 2T
2
i =0 i =0 i =0
q −1 2 q −1 q −1
E (∑ ξi ) = Var ∑ ξi = ∑Var [ξi ]
i =0 i =0 i =0
xT − x 0 ∼ N ( µ T , σ 2 T )
xT ∼ N ( x 0 + µ T , σ 2 T )
Simulación de MBA
-5
-10
-15
-20
Intervalos de confianza para el MBA
xT ∼ N ( x0 + µT , σ 2T )
y utilizando propiedades conocidas de la distribución normal,
tenemos que los intervalos de confianza del 66%, 95% y 99%
son respectivamente:
(x0 + µT −σ T , x0 + µT +σ T )
(x0 + µT − 2σ T , x0 + µT + 2σ T )
(x0 + µT − 2.33σ T , x0 + µT + 2.33σ T )
Movimiento Browniano geométrico
• Un movimiento Browniano geométrico (MBG) es un proceso
estocástico dado por:
Notemos que:
xt − xt −1
= µ ∆t + σ ∆z
xt −1
dxt = f ( xt , t ) dt + g ( xt , t ) dz
∂F ∂F 1 ∂2F ∂F
dyt = + f (xt , t) + g(xt , t) 2 dt + g(xt , t) dz
∂t ∂xt 2 ∂xt ∂xt
Aplicación del Lema de Itô al estudio del MBG
2
• Si suponemos ln x0 conocido, entonces:
1 2
yT = ln xT ∼ N(ln x0 + (µ − σ )T,σ 2T )
2
• Como yt = ln xt , entonces xt = e yt
Se
Sedice
diceque
quexxt tsigue
sigueuna
unadistribución
distribuciónlognormal
lognormal
• Luego:
µt
E ( xt ) = x0 e
Var ( xt ) = x e2 2 µt
0 (e σ 2t
−1 )
Intervalos de confianza del MBG
1 2
• Sabemos que ln xT ∼ N (ln x0 + ( µ − σ )T , σ T )
2
2
• Entonces el intervalo de confianza al 95% viene dado por:
1 2 1 2
ln
0 x + ( µ − σ )T − 2σ T ,ln x0 + ( µ − σ )T + 2σ T
2 2
• Por tanto, como:
1 2 1 2
ln x0 + (µ − σ )T − 2σ T ≤ ln xt ≤ ln x0 + (µ − σ )T + 2σ T
2 2
se concluye que:
1 1
( µ − σ 2 )T −2σ T ( µ − σ 2 )T +2σ T
x0e 2
≤ xT ≤ x0e 2