6

El modelo de movimiento browniano de precios de los activos

Es posible que los movimientos que se discutirn aqu son idnticos con el llamado movimiento
molecular browniano; Sin embargo, de los datos disponibles para m en este ltimo es tan impreciso lo
que no poda emitir un juicio.

En 1900, Bachelier, entonces un joven estudiante graduado en Pars, haba publicado en su tesis doctoral
titulada 'Thorie de la Spculation' un anlisis completo de futuros y opciones, sobre la base de las ideas
de las fluctuaciones aleatorias de precios de las acciones, superpuesta en una deriva constante
(Bachelier, 19001).

En su desarrollo del marco matemtico correspondiente que precedi Einstein, que en 1905 mostr que
el movimiento trmico de las molculas de los resultados en un movimiento aleatorio de las partculas
en suspensin, observables por microscopa, y posiblemente idnticas al movimiento browniano
(Einstein, 1905).

La obra de Einstein fue reconocida inmediatamente como muy relevante, no slo ya que proporcion
una prueba definitiva de la existencia de los tomos, sino tambin por su tratamiento de movimiento
aleatorio. Esto es muy diferente a la percepcin de los resultados de Bachelier, que se mantuvo en gran
parte desconocido en las comunidades cientficas y econmicas hasta la dcada de 1960.

Hay una serie de problemas con el modelo original de Bachelier, y algunos de ellos debe haber quedado
claro para s Bachelier al comparar sus predicciones con los datos financieros reales. Para una discusin
detallada nos referimos al lector al libro de Voit (2001). Desde Bachelier considera los cambios de
precios que se distribuye de Gauss, un defecto evidente es la posibilidad de que los precios negativos.
Esto se puede evitar teniendo en cuenta el diario de los precios como se distribuye de Gauss, que resulta
en la (geomtrica) modelo de movimiento browniano de precios de las acciones que vamos a introducir
a continuacin. (Modelo original de Bachelier es a veces referido como la aritmtica modelo de
movimiento browniano de precios de las acciones.)

Este modelo tambin est en el corazn de la obra de Black y Scholes y Merton en los precios de
opciones a partir de 1973 (vase el captulo 8). Interesante saber es que esto fue a pesar del hecho de
que haba sido demostrado por Mandelbrot en ese momento que la funcin de distribucin para los
precios de los activos se desva significativamente de las distribuciones gaussianas que cuentan en el
trabajo de Bachelier. Incluso hoy en da, con nuestro conocimiento ms completo de las fluctuaciones de
precios de los activos, las fluctuaciones de Gauss se utilizan con frecuencia en el mbito comercial!
Como resultado, el riesgo involucrado en determinadas transacciones financieras es a menudo
subestimado con, como veremos, consecuencias desastrosas.

A continuacin daremos un tratamiento de movimiento aleatorio basado en la ecuacin Chapman-

Kolmogorov (ver seccin 4.3), similar a la obra original de Bachelier. La alternativa de tratamiento en
trminos de una ecuacin de Langevin ya fue dada en el Captulo 5. Ambos enfoques tienen sus mritos,
y estar en uso a lo largo de los siguientes captulos.

6.1 Modelizacin de la distribucin de los rendimientos

Recordemos la ecuacin de Chapman-Kolmogorov para la funcin de distribucin de probabilidad

condicional,
En el modelo de movimiento browniano geomtrico del precio de las acciones de la variable estocstica
u(t) se identifica con el logaritmo del precio, u(t) = ln s(t). A continuacin, se supone que la distribucin
de probabilidad condicional depende slo de las diferencias u(t) -u(t0), u (t) -u(t0), etc. Las
fluctuaciones en diferentes momentos se toman como independientes entre s, dibujado de la misma
funcin de distribucin (es decir variables aleatorias). Esto implica que

Sustituyendo en (6.1) los rendimientos

Introduciendo el log-retorno r(t0, t) = u-u0 = ln s(t0+t) - ln s0 y r(t0, t) = uu0 = ln s(t0+t) - ln s(t0),

este se vuelve a escribir como,

Usando el teorema de convolucin Fourier se obtiene fcilmente

La solucin de la ecuacin (6.5) se puede expresar de la siguiente manera,

donde la funcin F (k) es por el momento una funcin arbitraria de k e independiente del tiempo t.
Para cualquier valor de t la distribucin de probabilidad p(k, t) debe ser normalizada y por tanto p(0,
t) = 1. Esto se puede asegurar si elegimos F (0) = 0.

Ahora podemos, a raz de la cuenta en la seccin 3.1, obtener los diversos momentos de la funcin de
distribucin de probabilidad. Diferenciando la ecuacin (6.6) con respecto a k y utilizando las
ecuaciones (3.14) y (3.15), respectivamente, da valores para los momentos primero y segundo,

El parmetro, vd = F(0), es decir, la tasa de aumento de la rentabilidad media, en funcin del intervalo
de tiempo t, es constante.

Ejercicio 6.1 Dejaremos la derivacin de los resultados anteriores como ejercicio para el lector.
(Sugerencia: F (0) = 0.)

La volatilidad (o varianza) (t) y luego viene dada por (vase la ecuacin (3.25)),

donde hemos cambiado el nombre de F constante ?? (0) como 02 = F ?? (0).

As, en esta teora la variable aleatoria r (t, dt), es decir, el retorno log-precio, tiene tanto un valor medio
y una varianza que aumenta linealmente en el tiempo dt (ecuaciones (6.7) y (6.9), respectivamente).
Taylor expansin F (k) en la ecuacin (6.6) hasta segunda orden en k lleva a

Realizacin de una transformacin de Fourier inversa de esto, entonces da el resultado final que el log-
retornos satisfacen la distribucin de Gauss,

Esta distribucin de probabilidad de los inicios de sesin devuelve x satisface la ecuacin de difusin
para el movimiento browniano con deriva, tal como fue presentado anteriormente, ver la ecuacin
(3.44). El coeficiente de 20 este modo se identifica como proporcional a la constante de difusin D, es
decir, 20 = 2D y vd coeficiente con una velocidad de arrastre asociado con la evolucin de la
distribucin de probabilidad. Tenga en cuenta que reproducimos los resultados para el movimiento de
una partcula Browniano, derivada de una ecuacin de Langevin (ver Seccin 5.3) si fijamos la
velocidad de arrastre vd = 0.

En el tiempo de Bachelier, los datos disponibles era para frecuencias relativamente bajas, por lo general
semanas o incluso aos. La figura 6.1 muestra la distribucin acumulada de los rendimientos anuales de
registro de los precios en el perodo desde 1800 hasta 2001, junto con la distribucin acumulada de una
gaussiana. Parece que un ajuste de este tipo es bastante razonable, aunque mirando con atencin los
datos sobre todo en la mitad superior de la grfica ya se puede ver que la distribucin real es
ligeramente ms delgado para pequeas devoluciones y parece algo ms gordo para grandes retornos.
Volvemos a volver a examinar este punto ms adelante.

Como resultado, suponiendo que las fluctuaciones de Gauss, tambin se deduce que no existe una
correlacin entre las fluctuaciones en diferentes momentos. Por lo tanto la funcin de autocorrelacin
normalizada? R (t, dt) r (t ?,? T)? (ecuacin (2.12)), es cero en todas partes excepto cuando t = t ?. Para
una buena aproximacin esto habra parecido ocurre con los datos Bachelier tena disponible. Figura 2.2
ilustra que an hoy en da la funcin de autocorrelacin de los retornos diarios de precios de registro es
esencialmente cero despus de un da. En los captulos 9 y 10 veremos que este resultado no parece ser
cierto para los tiempos de cortos del orden de 30 minutos ms o menos y en estas escalas de tiempo las
declaraciones de registro de los precios, por tanto, no son independientes.