Algunas herramientas matemticas para la economa y las finanzas. . .

Algunas herramientas matemticas para la economa y las

finanzas: el movimiento Browniano y la integral de Wiener

Mathematical tools for Economics and Finance: Brownian

motion and the Wiener integral

Diego Chamorro

Laboratoire dAnalyse et de Probabilits, Universit dEvry Val dEssonne, Paris, Francia

diego.chamorro@univ-evry.fr

Recibido: 13 de diciembre de 2011 Aceptado: 6 de febrero de 2012

Resumen
El objetivo de este artculo es mostrar algunos de los aspectos matemticos que se encuentran detrs de los modelos
realizados para describir fenmenos econmicos y financieros. Nos concentraremos en particular en las dos herramientas
de base que son el movimiento Browniano y la integral de Wiener, y mostraremos algunas de sus principales propiedades
y caractersticas.

Palabras clave: Movimiento Browniano, integral de Wiener.

Abstract
This article aims to show some of the mathematical aspects behind the models used for describing economic and
financial phenomena. It focuses on two basic tools: Brownian motion and the Wiener integral, showing some of their
properties and characteristics.

Keywords: Brownian motion, Wiener integral.

Cdigo JEL: C02, C19, C58.

1 Introduccin
El Ecuador produce una gran variedad de materias pri-
mas como cacao, banano, petrleo, etc. cuyo precio se
negocia en las bolsas de valores internacionales, en funcin
de la oferta y la demanda. Diversos factores (econmicos,
polticos, tecnolgicos, meteorolgicos, etc.) intervienen en
la variacin de los precios de estas materias primas, de ma-
nera que tanto los productores como los compradores de-
ben realizar detallados estudios de mercado para poder po-
sicionarse (a corto, mediano y largo plazo) en funcin de
estas fluctuaciones.
Un primer paso simple para tratar de comprender la
evolucin del precio de estas materias primas consiste en
graficar las fluctuaciones pasadas a partir de las informa-
ciones disponibles. En los grficos de la figura 1, mostrare-
mos la variacin del precio del cacao y del barril de petr-
leo durante el perodo 1994-2007.
Visualmente, la primera observacin que podemos ha-
cer es que la funcin que representa la evolucin, duran-
te los aos 1994-2007, del precio de estas materias primas
no es muy regular: presenta picos, oscilaciones y variaciones
muy rpidas. Notamos tambin que, a partir de un cierto
tiempo t (digamos enero 2000, para fijar las ideas), es muy
difcil predecir, a la luz de las informaciones pasadas, el
precio al instante t + 1 o t + 2 (digamos enero 2001 y enero
2002). Finalmente, podemos razonablemente suponer que
la evolucin futura tendr un comportamiento similar (pi-
cos, oscilaciones y variaciones bruscas). Muchas de las pre-
visiones econmicas y financieras se construyen por me-

Analtika, Revista de anlisis estadstico, 3 (2012), Vol. 3(1): 315 3

 Diego Chamorro
dio de modelos que buscan replicar, o reproducir, estas ob-
servaciones en el futuro. As por ejemplo, buena parte del
presupuesto general del estado ecuatoriano se basa en la
evolucin del precio del petrleo, y en la manera en que
su venta ha sido negociada. Esta negociacin se realiza so-
bre la base de modelos matemticos sofisticados; por ello,
es fundamental comprender las herramientas matemticas
subyacentes.
Figura 1. Fluctuaciones del precio del cacao y del petrleo duran-
te el perodo 1994-2007. Fuente: internet.
Una de las primeras etapas en el uso de esta caja de he-
rramientas matemticas consiste en tratar de reproducir o mo-
delar, por medio de objetos matemticos, los grficos ante-
riores. Es posible realizar esto por medio de un proceso es-
tocstico muy particular llamado el movimiento Browniano.
Podemos observar que este objeto matemtico compar-
te, al menos visualmente, muchas de las propiedades de
los grficos de la figura 1: picos, oscilaciones y variacio-
nes bruscas. En realidad, este es un ejemplo de uno de los
objetos matemticos de base para una buena parte de las
matemticas financieras.
Pero, qu es el movimiento Browniano y porqu este
nombre? Este pequeo texto est dedicado a responder a
estas inquietudes.
El plan del artculo es el siguiente. En la seccin 2, expli-
caremos cmo obtener el movimiento Browniano estndar
4 Analtika, Revista de anlisis estadstico, 3 (2012), Vol. 3(1): 315
a partir de caminatas aleatorias y mostraremos una serie
de propiedades interesantes de este objeto matemtico. En
la seccin 3, discutiremos algunos aspectos relativos a la
integral de Riemann-Stieltjes, cuando la funcin contra la
cual se desea integrar es justamente un movimiento Brow-
niano. Esto conducir a la construccin de la integral de
Wiener. En todas estas secciones nuestras principales refe-
rencias son [6] y [7]. Finalmente, en la seccin 4 veremos
cmo intervienen estos objetos en la modelizacin finan-
ciera por medio de un ejemplo concreto. En el apndice 5,
se incluyen los cdigos en S CILAB que permiten hacer una
modelizacin informtica de las trayectorias de un movi-
miento Browniano.
Figura 2. Dos ocurrencias de un movimiento Browniano. Fuente:
cdigo del autor.
2 El movimiento Browniano
El movimiento Browniano es un buen ejemplo de inter-
accin entre diferentes disciplinas cientficas. En efecto, en
1827, el bilogo escocs Robert Brown observa en el micros-
copio el movimiento errtico de ciertas partculas de una
planta en un lquido; esto pareca concordar con la idea, vi-
gente en esa poca, que consideraba este tipo de movimien-
to desordenado como consecuencia de algn fluido vital.
Sin embargo, esta hiptesis fue rechazada por Brown cuan-
do, en 1828, observ el mismo tipo de movimiento cati-
co con partculas inorgnicas de tamao similar. Aos ms
tarde, en 1901, el matemtico francs Louis Bachelier utili-
 Algunas herramientas matemticas para la economa y las finanzas. . .

z este movimiento para explicar las fluctuaciones de los Estas condiciones pueden parecer arbitrarias, pero se-
mercados financieros y este fue el inicio de una larga tra- rn justificadas al construir el movimento Browniano.
dicin en las matemticas financieras, pero hubo que es-
perar al matemtico norteamericano Norbert Wiener para D EFINICIN 2 (Movimiento Browniano estndar). Un pro-
obtener una definicin matemtica formal de este objeto en ceso estocstico B(t, ) es un movimiento Browniano estn-
1923. dar si satisface las siguientes condiciones:


1) El proceso comienza en cero: P : B(0, ) = 0 = 1
2.1 Procesos estocsticos y caminatas aleato- 2) Para todo 0 s < t, la variable aleatoria B(t) B(s)
rias es normalmente distribuida con media cero y de varianza
t s:
El movimiento Browniano es un caso muy particular B(t) B(s) N (0, t s),
de un proceso estocstico cuya definicin general damos a
continuacin. es decir, para todo a < b , se tiene:
Z b 2
1 2(xt s)
D EFINICIN 1 (Proceso estocstico). Sea (, F , P ) un espa- P ( a B ( t ) B ( s) b) = p e dx.
cio de probabilidades, sea ( E, E ) un espacio medible y sea I un 2 (t s) a

conjunto de ndices (en la prctica se tiene I = R + o I = N).

Un proceso estocstico es entonces una coleccin de variables
aleatorias ( Xt )t I definidas sobre el espacio (, F , P ) a valores
sobre el espacio ( E, E ).
Demos un ejemplo que ser de utilidad posteriormen-
te. Sea (t )tN una sucesin de variables aleatorias inde-
pendientes de Bernoulli de ley de probabilidad dada por
P (t = 1) = P (t = 1) = 1/2. Definimos entonces
un proceso estocstico, llamado caminata aleatoria, de la si-
guiente forma:
(
X0 = 0,
(1)
Xt +1 = Xt + t .
3) El proceso B(t, ) tiene incrementos independientes: para
todo 0 t1 < t2 < . . . < tn las variables aleatorias
B ( t 1 ) , B ( t 2 ) B ( t 1 ) , . . . , B ( t n ) B ( t n 1 ) ,
son independientes.
4) Casi todos los caminos de B(t, ) son funciones continuas:


P : B(, ) es continua = 1.
Por comodidad, el proceso estocstico B(t, ) ser nota-
do B(t) o Bt .
D EFINICIN 3. Una realizacin para un fijado t 7 B(t, )
de un movimiento Browniano es llamada una Trayectoria.

Figura 3. Una caminata aleatoria. Fuente: cdigo del autor.

Los puntos obtenidos por medio de este proceso entre t

y t + 1 son juntados linealmente para obtener la figura 3.
Visualmente podemos apreciar cierta similitud entre el
grfico de esta caminata aleatoria y los de la figura 1. Pero
esta modelizacin deja mucho que desear; por esta razn,
vamos a imponer ciertas condiciones que harn que el ob-
jeto matemtico correspondiente se acerque ms a las fluc- Figura 4. Dos trayectorias de un movimiento Browniano en 2D y
tuaciones del precio de las materias primas observadas. 3D. Fuente: cdigo del autor.

Analtika, Revista de anlisis estadstico, 3 (2012), Vol. 3(1): 315 5

 Diego Chamorro

2.2 Construccin del Movimiento Browniano A partir de este pequeo clculo, observamos que, para y
t fijados, el lmite de la cantidad E [exp(iYa, (t))] cuando
La caminata aleatoria definida en la pgina anterior a y tienden independientemente hacia cero no existe. Pa-
cumple con algunos de los puntos anteriores pero, en par- ra verificarlo basta hacer un desarrollo limitado de la can-
ticular, no cumple con la condicin 2). Sin embargo la idea tidad cos(a)t/ : en efecto, si a y son muy pequeos se
de caminatas aleatorias es muy til para una construccin
tiene
simple y rpida del movimiento Browniano. t2 a2
Empecemos con una variante del proceso estocstico cos(a)t/ 1 .
2
dado en (1) y consideremos una caminata aleatoria que em-
pieza en el punto cero, con saltos de amplitud a y a de Vemos por ejemplo que, si a x y si x3 , entonces hay
igual probabilidad de ocurrencia en los tiempos , 2, . . . un verdadero problema en la frmula anterior si se hace
en donde s, son dos nmeros positivos. Ms formalmen- a, 0. Esto muestra que se debe fijar con cuidado la re-
te, sea ( n )nN una sucesin de variables aleatorias inde- lacin entre a y para que el lmite exista. Sin embargo, la
pendientes idnticamente distribuidas tales que existencia del lmite de la cantidad E [exp(iYa, (t))] cuan-
do a, 0 no es suficiente para obtener una caminata
1 aleatoria con las propiedades buscadas. Si fijamos ahora a
P ( n = a) = P ( n = a) = . 2
2 y tales que a 0 si 0, se obtiene que
Construimos a partir de esto una caminata aleatoria Ya, lm E [exp(iYa, (t))] = 1.
escribiendo a, 0
(
Ya, (0) = 0, Esto implica que el proceso estocstico X (t) definido por
(2) X (t) = lm Ya, (t) existe, pero se tiene que X (t) 0.
Ya, (n) = 1 + 2 + + n . a, 0
Para obtener el movimiento Browniano es convien-
Luego, para todo tiempo t tal que n < t < (n + 1) junta- te, antes de hacer un desarrollo limitado, escribir x =
mos linealmente los extremos de esta manera: ln(cos(a)t/ ). Se tiene entonces que x = t ln(cos(a)) y,
2
( n + 1) t t n si a es muy pequeo, tenemos cos(a) 1 2 a2 . Ahora,
Ya, (t) = Ya, (n) + Ya, ((n + 1)). dado que ln(1 + ) , si es pequeo podemos escribir

La cantidad Ya, (t) representa la posicin de la camina- 2 2 2
ln(cos(a)t/ ) ln(1 a ) a2 .
ta aleatoria en el tiempo t; y es a partir de esta camina- 2 2
ta aleatoria que vamos a obtener el movimiento Brow- De esta forma observamos que, si a y son muy peque-
niano haciendo tender a y hacia cero, es decir B(t) = t2 2
2 2
t/ e t2 a .
lm a,0 Ya, (t). Pero antes de lanzarnos en el clculo de es- os, se tiene x 2 a y entonces cos(a)
te lmite, conviene estudiar la funcin caracterstica: Por lo tanto, volviendo a la expresin (3), si a y son muy
pequeos, obtenemos la aproximacin
E [exp(iYa, (t))] con R. t2 a2
E [exp(iYa, (t))] e 2 .
Vamos a ver que muchas de las propiedades del proceso es-
2
tocstico lmite se pueden obtener al comprender esta fun- En particular si fijamos a = entonces podemos escribir
cin caracterstica. t2
Por simplicidad, vamos a suponer que t = n, de ma- lm E [exp(iYa, (t))] = e 2 , R.
a, 0
nera que n = t/; esto ser suficiente para nuestros prop-
sitos inmediatos. Por construccin de Ya, y por las propie- El lector observar que esta funcin caracterstica corres-
dades de las variables aleatorias ( n )nN se tiene ponde a una distribucin gaussiana centrada de varianza
" !# igual a t. Estas observaciones nos permiten enunciar nues-
n
tro primer teorema:
E [exp(iYs, (t))] = E exp i j
j =1
T EOREMA 1. Sea Ya, (t) una caminata aleatoria que empieza en
n   cero, con saltos equiprobables de amplitud a y a en los tiempos
= E exp(i j )
, 2, . . .. Si suponemos que a2 = , entonces para todo tiempo
j =1
t 0 el lmite
= E [exp(i 1 )]n
  B(t) = lm Ya, (t) existe.
1 ia 1 ia n a, 0
= e + e
2 2
n
Se tiene adems que
= cos(a) h i t2
= cos(a)t/ . (3) E eiB(t) = e 2 , R, (4)

6 Analtika, Revista de anlisis estadstico, 3 (2012), Vol. 3(1): 315

 Algunas herramientas matemticas para la economa y las finanzas. . .

y el proceso estocstico B(t) es un movimiento Browniano estn- 2(m+1)d c2m(d+)

dar. = 2m .
Demostracin. Con los clculos de las lneas precedentes
Por construccin del conjunto D, para todo punto s D
hemos verificado la existencia del proceso estocstico B(t)
existe una sucesin creciente (sn )nN D tal que sn Dn
y la validez de la frmula (4). Por construccin de la ca-
y tal que sn s con sn = t a partir de un cierto n sufi-
minata aleatoria Ya, (t), se tiene que el proceso estocstico
cientemente grande. Sea ahora s, t D con la condicin
B(t) comienza en cero. Para verificar que la variable aleato-
que |s t| 2m . Se tiene entonces o que sm = tm o que
ria B(t) B(s) es normalmente distribuida con media cero
(sm , tm ) m y en ambos casos podemos escribir:
y de varianza t s, aplicamos la frmula (4) para obtener
h i ( t s ) 2 + +
E ei[ B(t) B(s)] = e 2 Xs Xt = ( X s j +1 X s j ) + X s m X t m + ( X t j X t j +1 )
j=m j=m
de donde se deduce que B(t) B(s) N (0, t s). La in-
dependencia de los incrementos es una consecuencia de en donde las series precedentes son en realidad sumas fini-
la independencia de las variables aleatorias ( n )nN que tas. De esta identidad se deduce que
ayudaron a construir el proceso estocstico B(t). Con esto
hemos comprobado los puntos 1), 2) y 3) de la definicin + +
2. Pero falta el punto 4). La continuidad del movimiento | X s X t | K m + 2 K j 2 Kj .
j = m +1 j=m
Browniano es un poco ms delicada y, para ello, necesitare-
mos introducir la siguiente nocin y verificar un resultado n o
| Xt Xs |
dado en la proposicin 1: Definimos ahora el conjunto M = sup |ts |
. Te-
s,t D,s 6 = t
D EFINICIN 4. Sean ( Xt )t I y ( X e t )t I dos procesos estocsti- nemos entonces que
cos definidos sobre el mismo espacio de probabilidades. Decimos ( )
e
que Xt es una modificacin de Xt , si para todo t I se tiene la M sup 2 ( m + 1 )
sup | Xt Xs | : s, t D, s 6= t
identidad m N |t s |2m
Xt = X et casi en todas partes. ( )
+
( m +1 ) +1
P ROPOSICIN 1 (Teorema de Kolmogorov-Centsov). Sean
sup 2 Kj
m N j=m
( Xt )t[0,1[d un proceso estocstico y tres constantes estrictamen- +
te positivas , c, tales que 2+1 2i K j .
j =0
E [| Xt Xs | ] c|t s|d+ .
e t de Xt tal que Ahora, para 1 y para /, obtenemos con
Entonces, existe una modificacin X
= 2+1 1/ que
" ! #
et X
|X es |
E sup < + (5) + +
s 6=t |t s|
k M k L 2 + 1 2 j kK j k L 2 j(/) < +,
j =0 j =0
para todo [0, /[.
en dnde hemos notado k k L la norma usual en los espa-
Demostracin de la proposicin 1. Para m N, definimos cios L .
el conjunto Dm como la coleccin de d-uplas s = Si 0 < < 1, el mismo razonamiento se aplica a la can-
(2m k1 , . . . , 2m k d ), en donde cada[k i es un entero en el tidad E [ M ] en lugar de k M k . Se obtiene entonces que
L
intervalo [0, 2m ], y definimos D = Dm . Definimos ade- para casi todo , X es uniformemente continuo sobre D y
t
m N
podemos definir sin ambigedad
ms el conjunto m de parejas (s, t) Dm tales que |s t| =
2m . Notemos que hay un poco menos que 2(m+1)d de es- Xe t ( ) = lm Xs ( ).
te tipo de parejas. tambin diremos para todo s, t D que st
s D
s t si cada componente de s es menor o igual que el com-
ponente correspondiente de t. Finalmente, aplicando el Lema de Fatou a este lmite, y co-
Definamos ahora K j = sup(s,t)m | Xt Xs |. La hipte- mo se tiene que X e t = Xt casi en todas partes, se obtiene
sis de la proposicin nos asegura que existe una constante que X e t es la modificacin buscada.
tal que
Fin de la demostracin del teorema 1. Se tiene, por las pro-
E [K j ] E [| Xt Xs | ]
( s,t ) m piedades anteriormente verificadas, que B(t) B(s)

Analtika, Revista de anlisis estadstico, 3 (2012), Vol. 3(1): 315 7

 Diego Chamorro

N (0, t s) = t s N (0, 1). Se obtiene entonces, para puesto que E [ B(t)] = 0.
todo entero n 1, que Para mostrar la segunda parte podemos suponer, sin
2n
2n prdida de generalidad que s < t; entonces por los pun-
E [| B(t) B(s)| ] = E [| t s N (0, 1)| ] tos 2) y 3) de la definicin 2 podemos escribir
= |t s|n E [N (0, 1)2n ].
E [ B(s) B(t)] = E [ B(s)( B(t) B(s)) + B(s)2 ]
Calculemos ahora E [N (0, 1)2n ], para ello estudiamos la
funcin caracterstica de la variable aleatoria N (0, 1)2n: = E [ B(s)( B(t) B(s))] + E [ B(s)2 ]
" # = E [ B(s)]E [ B(t) B(s)] + E [ B(s)2 ]
+
iN (0,1)2n 1 k k 2nk
E [e ] = E (i ) G = 0 + s = s;
k!
k =1
+
1 k k h 2nk i es decir que E [ Bt Bs ] = mn{s, t}.
= k! (i) E G ,
k =1
P ROPOSICIN 3. Sea t0 0 un real. Entonces, el proceso esto-
en donde G es una gaussiana normalizada. Dado que todos e(t) definido por la frmula
cstico B
los momentos impares de las gaussianas son nulos, se tie-
ne que solo los k momentos pares intervienen en esta suma. e(t) = B(t + t0 ) B(t0 )
B
As, se obtiene que
2n 2 es un movimiento Browniano estndar.
E [eiN (0,1) ] = ecn 2

y, por lo tanto, que E [N (0, 1)2n ] = cn . Es decir que se veri- Demostracin. Hay que verificar que el proceso estocstico
fica la hiptesis de la proposicin 1 con = 2n y = n 1: B e(t) cumple con las cuatro condiciones de la definicin 2.
Vemos, pues, que se tienen los puntos 1) y 4). Ahora,
E [| B(t) B(s)|2n ] = cn |t s|n . (6) para todo s < t escribimos
Entonces, la expresin (5) implica que existe una modifi-
e(t) de B(t) que es continua y por lo tanto resulta Be(t) B
e(s) = B(t + t0 ) B(s + t0 ), (7)
cacin B
que

P : B(, ) es continua = 1. pero como B(t) es un movimiento Browniano se tiene que
B(t + t0 ) B(s + t0 ) es una variable aleatoria normalmente
Con esto se tiene el punto 4) de la definicin de movimiento
distribuida con media cero y varianza (t + t0 ) (s + t0 ) =
Browniano y terminamos, de esta manera, la demostracin
t s. De esta manera se obtiene que B e(t) verifica la con-
del teorema 1.
dicin 2). Finalmente, para el punto 3), podemos suponer
que t0 > 0; en ese caso, para toda sucesin 0 t1 <
2.3 Algunas propiedades del movimiento t2 < < tn se tiene 0 < t0 < t0 + t1 < < t0 + tn .
Browniano Aplicamos entonces el punto 3) a B(t) para obtener que
B(t), B(tk + t0 ) B(tk1 + t0 ), k = 1, . . . , n son variables
Una vez que hemos construido el movimiento Brow-
aleatorias independientes. Por la frmula (7) se tiene en-
niano estndar y que se dispone de la identidad e(tk ) B e(tk1 ) son in-
h i t2
tonces que las variables aleatorias B
E eiB(t) = e 2 , es posible determinar una serie de pro- dependientes de manera que se obtiene la condicin 3).
piedades que detallamos a continuacin:
P ROPOSICIN 4. Para todo nmero real > 0, el proceso es-
P ROPOSICIN 2. Sea ( Bt )tR+ un movimiento Browniano es- tocstico B e(t) = B(t)/ es un movimiento Browniano es-
tndar. Entonces tndar.
1) para todo t > 0, B(t) es una variable aleatoria normal-
Demostracin. Las condiciones 1), 3) y 4) son inmediatas.
mente distribuida de media cero y de varianza t.
Para verificar 2), observamos que para todo s < t se tiene
2) para todo s, t 0, se tiene E [ Bt Bs ] = mn{s, t}.

Demostracin. Por el primer punto de la definicin 2 se tie- e(t) B

B e(s) = 1 ( B(t) B(s)).

ne que B(t) = B(t) B(0) mientras que, por el segundo
punto, se tiene que B(t) B(0) N (0, t) de donde se
e e
deduce la primera asercin de esta proposicin. Ntese en Esto muestra que la variable aleatoria B(t) B(s) es 1
nor-
particular que se tiene la frmula malmente distribuida, de media cero y de varianza ( t
s) = t s. De donde se deduce la condicin 2) y se termi-
Var ( B(t)) = E [ B(t)2 ] = t, na la verificacin de esta proposicin.

8 Analtika, Revista de anlisis estadstico, 3 (2012), Vol. 3(1): 315

 Algunas herramientas matemticas para la economa y las finanzas. . .

Este hecho nos explica que si agrandamos el movimien-
to Browniano por medio de una lupa, seguiremos obser-
vando, a todas las escalas, un movimiento Browniano.
Nos interesamos ahora en estudiar la regularidad de es-
te objeto matemtico. Por definicin, sabemos que es un
objeto continuo, pero es posible decir un poco ms? Pa-
ra hacernos una idea de la situacin, vamos a volver a la
caminata aleatoria Ya, definida en (2) que nos ha servido
para la construccin del movimiento Browniano. En efecto,
si fijamos por un instante a y , vemos que entre cada eta-
pa de la caminata aleatoria Ya, se tiene que la pendiente es
igual, en valor absoluto, a a . Dado que, para la obtencin
del movimiento Browniano, hemos fijado a = , la pen-
diente entre estas dos etapas de la caminata aleatoria es del
orden de 1 +. Esto muestra, heursticamente, que
0 mostrar que el movimiento Browniano estndar no es Hl-
es posible que el movimiento Browniano no sea un objeto
derivable. En este sentido tenemos el importante teorema
siguiente:
T EOREMA 2 (Paley, Wiener, Zygmund). Sea ( Bt )tR+ un
movimiento Browniano estndar, entonces, para todo , El objetivo de esta seccin es dar un sentido a la siguien-
las trayectorias Bt ( ) no son derivables en ningn punto.
Este resultado, demostrado en 1933, es de gran impor-
tancia pues brinda un ejemplo de funciones que no son
derivables en ningn punto pero sobre todo muestra que
estas funciones no son nicamente artefactos matemticos,
sino que aparecen en las observaciones de la naturaleza. La
demostracin de este teorema puede encontrarse en [6].
Tenemos pues una funcin continua que no es deriva-
ble en ningn punto es decir que para una trayectoria da-
/ C 1 (R ). Vamos a ver que es posible
da se tiene que B(t, )
detallar un poco ms la nocin de regularidad y para ello
introducimos el siguiente espacio de funciones.
D EFINICIN 5 (Espacios de Hlder). Sea 0 < < 1. Defi-
nimos el espacio de Hlder homogneo C (R ) como el conjunto
de funciones (mdulo las constantes) f : R R tales que la
cantidad
| f ( x ) f (y)|
k f kC = sup sea finita. (8) dentro del intervalo [ xi1 , xi ].
x 6=y | x y|
Los espacios de Hlder C (R ) con 0 < < 1 son ge- so particular en donde f = g; notaremos In y Dn las sumas
neralizaciones fraccionarias de los espacios de funciones a de Riemann correspondientes con los puntos de evaluacin
derivadas continuas C k (R ) con k N.
Por el teorema 1 sabemos que el movimiento Brow-
niano Bt admite una modificacin que pertenece al espa-
cio C 0 (R ) de funciones continuas, pero por el teorema 2
se tiene que Bt / C 1 (R ). Gracias a los espacios de Hlder
podemos afinar esta informacin:
T EOREMA 3. Sea ( Bt )tR+ un movimiento Browniano estn-
dar, entonces existe una modificacin Be(t) continua de B(t) tal
que casi todas sus trayectorias poseen una regularidad Hlderia-
na de orden con 0 < < 1/2.
Demostracin. La verificacin de este hecho es inmediata
una vez que se tiene el teorema de Kolmogorov-C enun-
ciado en la proposicin 1. En efecto, dado que se tiene la
frmula (6):
E [| B(t) B(s)|2n ] = cn |t s|n
se puede aplicar el teorema de Kolmogorov-Centsov con
= 2n y = n 1, entonces se obtiene que el movimiento
Browniano B(t) admite una modificacin continua que es
1
Hlder regular con ndice de regularidad 0 < < n2n . As
se obtiene que el movimiento Browniano posee una regu-
laridad Hlderiana de orden 0 < < 1/2.
O BSERVACIN 1. Es importante notar que se tiene la esti-
macin estricta en el ndice de regularidad y que se puede
der regular de orden 1/2.
3 Integral de Wiener
te expresin:
Z b
I( f ) = f (t)dB(t, ), (9)
a
en dnde f es una funcin determinstica (que no depen-
de de ) y B(t, ) es un movimiento Browniano estndar.
Antes de dar los detalles de la construccin de esta inte-
gral, llamada la integral de Wiener, vamos a mostrar algu-
nos puntos que hay que tener en consideracin.
Empecemos con dos funciones f , g : [ a, b] R conti-
nuas y acotadas. Recordemos que f es Riemann-Stieltjes con
respecto a g, si el siguiente lmite existe:
Z b n

f ( x )dg( x ) = lm f (i ) g ( x i ) g ( x i +1 ) (10)
a k n k0 i =1
en donde n = { x0 , . . . , xn } es una particin del inter-
valo [ a, b] con la convencin a = x0 < < xn = b,
kn k = max ( xi xi1 ) y i es un punto de evaluacin
1 i n
Sin embargo, hay que tener un poco de cuidado con la
Rb
definicin de la integral a f ( x )dg( x ). Consideremos el ca-
i = xi1 y i = xi respectivamente:
n

I n = f ( x i 1 ) f ( x i ) f ( x i 1 )
i =1
n

D n = f ( x i ) f ( x i ) f ( x i 1 ) .
i =1
Calculamos ahora Dn In y Dn + In , para obtener
n
2
D n In = f ( x i ) f ( x i 1 ) (11)
i =1

Analtika, Revista de anlisis estadstico, 3 (2012), Vol. 3(1): 315 9

 Diego Chamorro

n
1. Primeramente:
D n + In = f ( xi ) f ( xi )2 f ( x2i1 ) h
i =1
2 i
E Bt i Bt i 1 = t i t i 1 . (15)
= f ( b)2 f ( a )2 . (12)
En efecto, desarrollando esta expresin tenemos
El lmite cuando kn k 0 de la expresin (11) es llama-
h
2 i
do la variacin cuadrtica de la funcin f . Evidentemente, se E Bt i Bt i 1 = E [ Bt2i ] 2E [ Bti Bti1 ] + E [ Bt2i1 ]
tiene lm Dn 6= lm In si y solo si la variacin cua-
k n k0 k n k0
= ti 2 mn{ti , ti1 } + ti1
drtica de f es diferente de cero. En este caso, la definicin
de la integral (10) es problemtica pues el resultado depende = t i t i 1 .
del punto de evaluacin i . Esto muestra que hay que tener
un poco de cuidado cuando se trata de definir una integral 2. Adems se tiene, cuando i 6= j, que
por medio de la expresin (10). Existen varias formas de  2 
contornar esta dificultad aparente y, en este artculo, nos E Bt i Bt j = 0.
concentraremos en la integral de Wiener.
Supongamos, sin prdida de generalidad, que j < i,
3.1 Construccin de la integral de Wiener entonces
 2 
Empezamos, pues, la construccin de la integral de E Bt i Bt j = E [ Bt i Bt j ] E [ Bt i 1 Bt j ]
Wiener con funciones simples f = ni=1 ai 1 {[ti,ti+1 [} ( x ), en
dnde t0 = a y tn = b. Definimos entonces E [ Bt i Bt j 1 ] + E [ Bt i 1 Bt j 1 ]
n = mn{ti , t j } mn{ti1, t j }
I ( f )( ) = ai (B(ti, ) B(ti1, )) . (13)
mn{ti , t j1 } + mn{ti1, t j1 }.
i =1

Se tiene, evidentemente, I ( f + g)( ) = I ( f )( ) + Lo que permite obtener el resultado deseado.

I ( g)( ), para todo , R y f , g dos funciones simples, Finalmente, gracias a estas dos observaciones, tenemos que
de manera que el operador I es lineal. la ecuacin (14) se reduce a
L EMA 1. Para una funcin simple f , la variable aleatoria I ( f ) n Z b
es una gaussiana con media cero y de varianza 2 = a2i (ti ti1) = f 2 (t)dt,
i =1 a
Z b
2 2 lo que termina la demostracin del lema.
E[ I ( f ) ] = f (t) dt.
a
Vamos ahora a aplicar la integral definida con la frmu-
Demostracin. Recordemos que una combinacin lineal de
la (13) a funciones ms generales que las funciones simples.
variables aleatorias gaussianas independientes sigue sien-
Para ello introducimos un poco de notaciones y considera-
do una variable aleatoria gaussiana. Por la construccin da-
remos L2 () el espacio de Hilbert formado por el conjun-
da en (13), se tiene que I ( f ) es una variable aleatoria gaus-
to de variables aleatorias de cuadrado integrable definidas
siana.
sobre . Para este espacio de Hilbert, el producto interno
Verifiquemos que la media de I ( f ) es nula. Para ello es-
estar dado por la frmula:
cribimos:
" # h X, Y i = E [ XY ]. (16)
n

E [ I ( f )] = E ai Bti Bti1
i =1 Sea ahora f una funcin determinista tal que f L2 ([ a, b])
n
y fijemos una sucesin de funciones simples ( f j ) jN tal que
= a i E [ Bt i ] E [ Bt i 1 ] = 0 f n f en L2 [ a, b]. Por el lema 1 se tiene que la sucesin
i =1 ( I ( f n ))nN es de Cauchy en L2 (), de manera que conver-
2
por las propiedades del movimiento Browniano dadas en ge en L (). Esto nos permite entonces definir la siguiente
la proposicin 2. Calculemos ahora la varianza; por defini- cantidad
cin, tenemos I ( f ) = lm I ( f n ), en L2 (). (17)
n +
! 2
n
2 = E [ I ( f )2 ] = E a i ( Bt i Bt i 1 ) . (14) Aqu debemos verificar que la frmula dada por (17) est
i =1 bien definida. Para ello vamos a mostrar que el lmite de es-
ta expresin es independiente de la sucesin de funciones
Observemos ahora dos puntos: ( f n )nN considerada. Sea entonces ( gn )nN otra sucesin

10 Analtika, Revista de anlisis estadstico, 3 (2012), Vol. 3(1): 315

 Algunas herramientas matemticas para la economa y las finanzas. . .

tal que gn f en L2 ([ a, b]). Escribimos, gracias al le- Sea g(t) = t2 sobre [1, 2], entonces
n +
Z 2 Z 2
ma 1
I( f ) = g(t)dB(t) = t dB(t)
Z b 1 1
2 2 2
E [| I ( f n ) I ( gn )| ] = E [| I ( f n gn )| ] = ( f n gn ) dt. es una variable aleatoria gaussiana, de media cero y
a R2
de varianza igual a 1 t2 dt = 7/3; es decir I ( f )
Puesto que N (0, 7/3).
Z b Z b Estudiemos ahora la relacin entre la integral de Wiener
( f n gn )2 dt 2 ( f n f )2 + ( gn f )2 dt y la estructura de los espacios de Hilbert subyacentes.
a a

y que cada una de estas partes tiende a cero cuando n P ROPOSICIN 5. Sean f , g L2 ([ a, b]) dos funciones, enton-
+, concluimos que ces Z b
E [ I ( f ) I ( g)] = f (t) g(t)dt. (20)
lm I ( f n ) = lm I ( gn ), en L2 (), a
n + n +
En particular, si f y g son ortogonales; entonces, las variables
y esto muestra que no hay ambigedad al considerar I ( f ). aleatorias gaussianas I ( f ) y I ( g) son independientes.

D EFINICIN 6. Sea f L2 ([ a, b]), el lmite I ( f ) definido por Demostracin. Escribimos, por un lado, que:
la ecuacin (17) es la integral de Wiener de f . Notaremos la in- h i h i Z b
2 2
tegral de Wiener de f de la siguiente forma: E ( I ( f ) + I ( g )) = E ( I ( f + g )) = ( f + g)2 dt
a
Z b  por linealidad de la integral y por el lema 1. Es decir,
I ( f )( ) = f (t)dB(t) ( ), . (18) h i Z b Z b
a
E ( I ( f ) + I ( g))2 = f 2 (t)dt + 2 f (t) g(t)dt
a a
La integral de Wiener es entonces un operador definido de Z b
L2 ([ a, b]) en L2 (). + g(t)2 dt. (21)
a
Observemos que la integral de Wiener es un operador Por otro lado, se tiene
lineal: en efecto, para todo f , g L2 ([ a, b]) se tiene, por h i h i
2 2 2
construccin, que I ( f + g) = I ( f ) + ( g). E ( I ( f ) + I ( g )) = E I ( f ) + 2I ( f ) I ( g ) + I ( g )
h i
2
T EOREMA 4. Para todo f L ([ a, b]), la integral de Wiener
2 = E I ( f ) + 2E [ I ( f ) I ( g)]
Rb h i
a f ( t ) dB ( t, ) es una variable aleatoria gaussiana de media ce- + E I ( g )2
ro y de varianza igual a k f k2L2 , es decir: Z b
Z b = f 2 (t)dt + 2E [ I ( f ) I ( g)]
a
f (t)dB(t, ) N (0, k f k2L2 ). (19) Z b
a
+ g2 (t)dt (22)
a
Demostracin. Por el lema 1, se tiene esta propiedad cuan-
do f es una funcin simple. Para una funcin general de por el lema 1. Para concluir, es suficiente comparar (21) con
L2 ([ a, b]), se obtiene el resultado como consecuencia del si- (22).
guiente hecho general: si Xn es una variable aleatoria gaus-
siana de media n y de varianza n2 y, si Xn converge en 3.2 Desarrollo en serie de la integral de Wie-
L2 () hacia una variable aleatoria X, entonces X es una ner
variable aleatoria gaussiana de media = lm n y de
n + Vamos a ver que existe una relacin muy particular en-
varianza 2 = lm n2 . tre la integral de Wiener y el movimiento Browniano. Te-
n +
nemos el siguiente teorema:
Demos un par de ejemplos de clculo de integrales de
Wiener. T EOREMA 5. Sea (n )nN una base ortonormal de L2 ([ a, b]);
entonces, para toda funcin f L2 ([ a, b]), la integral de Wiener
Sea f 1 sobre el intervalo [0, 1], entonces, de f se descompone en una serie de la forma siguiente:
Z 1 Z 1 Z b + Z b
I( f ) =
0
f (t)dB(t) =
0
dB(t)
a
f (t)dBt = h f , n i a
n (t)dBt, (23)
n =1
es una variable aleatoria gaussiana, de media cero y de con probabilidad 1 y en donde la suma aleatoria converge casi
varianza igual a 1, es decir I ( f ) N (0, 1). seguramente.

Analtika, Revista de anlisis estadstico, 3 (2012), Vol. 3(1): 315 11

 Diego Chamorro

+ Z t
Demostracin. Empecemos fijando una funcin f
L2 ([ a, b]) y una base ortonormal (n )nN de L2 ([ a, b]). Te-
Bt ( ) = n ( ) 0
n (s)ds,
n =1
nemos entonces
+
en donde n son variables aleatorias i.i.d. N (0, 1). Esto
f = h f , n i n , nos permite definir de una manera diferente el movimiento
n =0
Browniano.
luego, integramos ambos lados de la expresin anterior con
respecto a dBt para obtener
Z b Z b + + Z b 4 Una aplicacin del movimiento
a
f (t)dBt = h f , n in dBt = h f , n i
a n =0 a
n dBt .
Browniano y de la integral de Wie-
n =0

Verifiquemos que se tiene esta identidad en L2 ; para ello

(24)
ner
vamos a calcular la expresin
Como hemos visto en la introduccin, en la modeliza-
"Z Z
#2 cin de los precios de las materias primas puede utilizar-
b N b
E f (t)dBt h f , n i n dBt , (25) se el movimiento Browniano. Ms concretamente, una se-
a n =0 a rie cronolgica -dada por la evolucin de los precios en el
tiempo- se descompone generalmente en dos partes: una
en donde N N. Desarrollamos el cuadrado y se tiene
tendencia general a la cual se aade variaciones aleatorias; de
"Z  2 Z Z esta forma se obtiene el modelo matemtico para trabajar
b b N b
E f (t)dBt 2 f (t)dBt h f , n i n dBt + en matemticas financieras. As, la evolucin de los precios
a a n =0 a de un activo financiero estar dada por medio de la frmu-
Z
!2 la siguiente
N b
h f , n i n dB t dXt = f dt + dBt (26)
n =0 a
"Z 2 # Expliquemos un poco esta expresin. Aqu, dXt representa
b
=E f (t)dBt la variacin en el tiempo de los precios de un cierto activo
a financiero Xt , f es la tendencia general, mientras que es
"Z Z b
# la intensidad de las variaciones aleatorias que estn dadas
b N
2E f (t)dBt h f , n i n dBt por un movimiento Browniano estndar Bt .
a n =0 a En el mayor grado de generalidad, las funciones f y
!2 son funciones medibles que dependen del tiempo t y de
N Z b
+E n dBt los precios Xt . Es decir, f = f (t, Xt ) y = (t, Xt ); pero
h f , n i a en una primera aproximacin, podemos suponer que, tan-
n =0
to f como , dependen nicamente del tiempo: f = f (t)
Z b Z Z b  y = (t). Con esta simplificacin, la ecuacin diferencial
N b
2 (26) debe ser interpretada en el siguiente sentido:
=
a
f (t)dt 2 h f , n i E a
f (t)dBt
a
n dBt
n =0 Z t Z t
"Z 2 #
N b X t = X0 + f (s)ds + (s)dB(s) (27)
+ h f , n i 2 E a
n dBt 0 0
n =0
Diremos que (27) es la versin integral de la ecuacin dife-
Utilizamos ahora el resultado (20) para obtener rencial estocstica (26).
Z b N
Gracias a la integral de Wiener y a la descripcin del
= f 2 (t)dt h f , n i2 , movimiento Browniano que acabamos de considerar en las
a n =0 secciones anteriores, la expresin (27) tiene un sentido muy
concreto.
lo que tiende a cero si N +. Hemos, pues, verificado
2 En cuanto a la resolucin de este problema, tenemos el
que se tiene la identidad (24) en L puesto que la cantidad
teorema a continuacin:
(25) tiende a cero.
Veamos ahora la relacin anunciada entre la integral de T EOREMA 6. Consideremos la ecuacin diferencial estocstica
Wiener y el movimiento Browniano. En efecto, en particu-    
lar si escogemos f = 1 [0,t[ en la expresin (23), se tiene:
dXt = f (t) Xt + g(t) dt + (t) Xt + (t) dB(t),
Z 1 + Z t
 Z 1

X = x.
0
0
1 [0,t[ (s)dBs = Bt = 0
n (s)ds
0
n (s)dBs
(28)
n =1

12 Analtika, Revista de anlisis estadstico, 3 (2012), Vol. 3(1): 315

 Algunas herramientas matemticas para la economa y las finanzas. . .

Entonces, su solucin est dada por el proceso estocstico Precio del producto: Este producto tiene un precio que
Z t
notaremos P. Este precio de la cobertura depende de
muchos factores: tiempo t, strike K, valor del precio
Xt = xeYt + eYt Ys [ g(s) (s) (s)]ds
0 del producto subyacente Xt , etc. Notaremos, enton-
Z t
ces, P = P( Xt , t).
+ eYt Ys (s)dBs
0
De esta manera, la empresa A se protege de una subida re-
en donde pentina de los precios del combustible pues ha negociado
Z t Z t por adelantado comprar su combustible a un cierto precio
1 2 K. Este tipo de producto financiero es muy comn y es de-
Yt = [ f (s) (s) ]ds + (s)dB(s).
0 2 0 nominado un Call.
Qu sucede el 1ero de junio? Para verlo, notamos Xt
Ntese que este teorema permite estudiar ecuaciones la evolucin del precio del petrleo y sea X el precio del
T
ms generales que las consideradas en la frmula (26). La barril en el tiempo final T=1ero de junio.
principal diferencia radica en la presencia del trmino Xt
en la parte derecha de la ecuacin (28). Podemos darnos Si XT > K: El precio del barril de crudo, el 1ero de
cuenta que para realizar la demostracin de este problema, junio, es mayor que el precio negociado K. La empre-
es necesario considerar una integral ms general que la in- sa A tiene entonces todo inters en ejercer su opcin:
tegral de Wiener: en efecto, en la definicin de esta integral comprar N barriles al precio K, que es inferior al pre-
dada en la frmula (18), slo habamos considerado inte- cio observado en el mercado, y de esta forma se ha
grales de la forma protegido de una fuerte alza de los precios de esta
Z b
materia prima.
f (t)dB(t),
a
Si XT < K: El precio del barril de petrleo, el 1ero
en donde f era una funcin determinista. Es, por lo tanto, de junio, es menor que el precio negociado K. En este
necesario generalizar la nocin de integral de Wiener. El caso la empresa A no tiene inters en comprar al ban-
objeto matemtico que corresponde a esta generalizacin co B algo que est ms barato si lo puede conseguir
es la integral de It y se puede encontrar una descripcin directamente en el mercado. Al no ejercer su opcin,
detallada de esta integral en [6] o [7]. Consideramos que la empresa pierde la cantidad P que ha pagado para
la integral de Wiener es suficiente para un primer contacto cubrirse de la alza de precios.
con los objetos matemticos que intervienen en la modeli-
zacin financiera. Es interesante notar que, en ambos casos, la empresa A se
Tenemos, gracias al teorema 6, una descripcin de la ha protegido de las fluctaciones del precio del petrleo.
dinmica seguida por variables econmicas, como son los Observemos que la situacin el 1er de junio es la si-
precios del petrleo, cacao, flores o banano. Pero los merca- guiente:
dos financieros van mucho ms all y utilizan estas varia- P( XT , T ) = max{ XT K; 0}
bles como elementos de base para la construccin de nue-
vos productos. y sta es la condicin al lmite cuando t = T.
Vamos a dar ahora un ejemplo que nos permitir pre- Indiquemos que, mientras ms elevado sea el precio fi-
cisar el uso de las ecuaciones diferenciales estocsticas en nal XT , mayor ser el ahorro realizado por la empresa A,
las actividades econmicas. Supongamos que una empresa mientras que mayor ser el riesgo del banco B quien ten-
de transporte aro A desea planificar sus tarifas de boletos dr que comprar a un precio elevado los barriles de petr-
para el verano 2012. Evidentemente, el precio de los bole- leo para venderlos a un precio ms bajo a la empresa A.
tos depender del precio del petrleo, y es natural que la En los dos grficos de la figura 5 se muestra la situa-
empresa A desee protegerse ante una subida repentina de cin de la empresa A a la izquierda (Short Call), y del banco
los precios de los combustibles. B a la derecha (Long Call). El Premium corresponde al pre-
Existen mecanismos financieros para lograr este objeti- cio de la cobertura; se observa claramente que si el precio
vo: la empresa A puede buscar un banco B y comprar un del barril comienza a aumentar, el ahorro y el riesgo gene-
producto financiero con las siguientes caractersticas: rados por este producto pueden ser substanciales. Es por
esta razn que es muy importante conocer, en todo tiempo
Duracin del producto: empieza el 1ero de enero 2012 0 < t < T, el precio de la cobertura P.
y termina el 1ero de junio 2012. En efecto, contrariamente a los seguros para autos, es-
tos seguros de tipo Call pueden venderse y comprarse en
Descripcin del producto: la empresa A tiene la opcin, los mercados financieros internacionales en los que inter-
y no la obligacin, de comprar el 1ero de junio al banco vienen una gran cantidad de actores distintos. Como los
B una cantidad determinada N de barriles de petr- bancos no poseen reservas de barriles de petrleos, para
leo a un precio fijo K llamado el strike del producto. cumplir el contrato el banco B est obligado a comprar en

Analtika, Revista de anlisis estadstico, 3 (2012), Vol. 3(1): 315 13

 Diego Chamorro
el mercado los N barriles de petrleo. Esta transaccin pue-
de realizarse en cualquier momento antes del final del con-
trato, y esto permite la compra-venta de estos productos fi-
nancieros a otras entidades. Esta compra-venta de barriles
por parte del banco debe efectuarse de tal manera que anu-
le el riesgo producido por el Call. De esta manera, se crea
un mercado secundario de productos financieros adosados
a materias primas (por oposicin al mercado primario en
donde se negocia el precio de estas materias primas) y, co-
mo hemos visto con este ejemplo, este mercado secundario
corresponde a una necesidad muy real de las empresas.
Figura 5. Evolucin del ahorro y del riesgo en funcin de la evo-
lucin del precio del subyacente. Fuente: internet.
Para comprender lo que sucede con la dinmica del
precio de la cobertura durante el tiempo 0 < t < T,
y poder anular el riesgo generado es necesario conside-
rar la siguiente ecuacin diferencial estocstica llamada la
ecuacin de Black-Scholes. En este modelo se asume que el
producto subyacente Xt -el precio del petrleo en nuestro
ejemplo- sigue una dinmica de la forma
dXt = Xt dt + Xt dBt ,
mientras que el precio de la cobertura debe verificar la
ecuacin de Black-Scholes
P( Xt , t) 1 2 2 2 P( Xt , t) P( Xt , t)
+ Xt 2
+ rXt
t 2 Xt Xt
rP( Xt , t) = 0 (29)
en dnde r es la taza de inters del mercado. Esta ecuacin
es consecuencia de un gran nmero de hiptesis simplifi-
cadoras y su obtencin puede encontrarse en detalle en [8]
o ms rpidamente en [3].
14 Analtika, Revista de anlisis estadstico, 3 (2012), Vol. 3(1): 315
La solucin de esta ecuacin diferencial estocstica est
dada por la frmula de Black-Scholes
P( Xt , t) = Xt N (0, d1 ) Kert N (0, d2) (30)
en dnde N (0, d1) yh N(0, d2 ) son
 dos leyes
 i normales de
1 X 1 2
varianza d1 = ln K + r + 2 t y d2 = d1
0
t
t.
Es importante recalcar que es por medio de la ecuacin
de Black-Scholes (29) y del estudio de su solucin (30) que
se obtiene un mecanismo de cobertura eficaz que permi-
te al banco B vender este producto financiero anulando su
riesgo intrnseco.
El clculo exacto de la solucin (30), as como las es-
trategias utilizadas para la anulacin del riesgo estn fue-
ra del alcance de este pequeo artculo. Hemos preferido
concentrarnos en una exposicin de las propiedades de los
objetos de base que permiten construir las ecuaciones de
Black-Scholes.
Estas frmulas muestran la importancia econmica de
conocer correctamente las herramientas matemticas que
intervienen en la modelizacin de los mercados financie-
ros.
5 Un poco de S CILAB
Damos aqu los cdigos en S CILAB que sirvieron para
realizar los grficos de las figuras 2 y 4. Las ventajas de usar
S CILAB radican en que es un programa libre y gratuito que
est especialmente concebido para clculos matriciales.
Hemos visto en la seccin 2 que es posible modelizar el
movimiento Browniano en una dimensin por medio de
una caminata aleatoria. Vamos a seguir esta idea para el
cdigo informtico:
function []= browniano1d(N)
X=zeros(N+1, 1);
X(1)=0;
for k=2:(N+1)
X(k)=X(k-1)+(1/sqrt(N))*rand(1,1,"norm");
end;
clf();
plot(X)
endfunction
Para el movimiento Browniano en tres dimensiones, se
utiliz el siguiente cdigo.
function []=browniano3d(N)
// inicializacion de los vectores
X=zeros(N+1,1); X(1)=0;
Y=zeros(N+1,1); Y(1)=0;
Z=zeros(N+1,1); Z(1)=0;
 Algunas herramientas matemticas para la economa y las finanzas. . .

//construccion de los vectores financieras de objetos matemticos sofisticados. Finalmen-

for k=2:(N+1) te, el libro [5] puede servir de base para los rudimentos de
X(k)=X(k-1)+(1/sqrt(N))*rand(1,1,"norm"); teora de la medida e integracin.
end; Recomiendo adems leer la entrevista de Lorenzo Ber-
for k=2:(N+1) gomi [4] en donde se explica la actividad matemtica reali-
Y(k)=Y(k-1)+(1/sqrt(N))*rand(1,1,"norm"); zada en los bancos de inversiones.
end;
for k=2:(N+1)
Z(k)=Z(k-1)+(1/sqrt(N))*rand(1,1,"norm"); Referencias
end;
[1] P. Baldi, L. Mazliak & P. Priouret. Martingales et chanes
clf(); de Markov. Hermann (2000).
plot3d(X,Y,Z)
[2] N. Bouleau. Processus Stochastiques et applications. Her-
endfunction mann (2000).

En ambos casos N representa la longitud de la caminata
aleatoria. Visualmente, se obtienen buenas aproximaciones
a partir de N > 1000. Evidentemente esto no es ms que
una aproximacin del movimiento Browniano, pero es su-
ficiente para tener una primera idea de sus trayectorias.
[3] E. Cepeda. Portafolio de consumo, Problema de Merton.
Sometido a la revista Analitika (2011).
[4] D. Chamorro. Entrevista a Lorenzo Bergomi. Asociacin
Amarun- www.amarun.org (2010).

[5] D. Chamorro. Espacios de Lebesgue y de Lorentz. Vol. I.

6 Conclusiones Cuadernos de Matemtica de la Escuela Politcnica
Nacional, No 4 (2010).
Este pequeo artculo muestra algunas de las herra- [6] I. Karatzas & S. E. Shreve. Brownian Motion and Sto-
mientas matemticas clsicas utilizadas en matemticas fi- chastic Calculus, segunda edicin, GTM 113. Springer
nancieras. No debe tomarse en absoluto este texto como Verlag (1998).
un compendio de estas herramientas sino ms bien como
una invitacin a investigar las matemticas que intervie- [7] H.H. Kuo. Introduction to Stochastic Integration. Univer-
nen en estos conceptos financieros. Para el lector que desea sitext. Springer Verlag (2006).
saber un poco ms, he recopilado un poco de bibliografa
clsica sobre estos temas. En el libro [8] se encontrar una [8] J. Hull. Options, Futures and ohter Derivatives, sexta edi-
completa descripcin, muy pedaggica, de los conceptos cin traducida al francs. Pearson (2007).
financieros y econmicos mientras que en el libro [10] se
[9] B. Oksendal. Stochastic Diferential Equations, sexta edi-
har mayor nfasis en la modelizacin matemtica de es-
cin, Universitext. Springer Verlag (2003).
tos conceptos. El texto [7] es una estupenda introduccin
a la integracin estocstica y el libro [9] explica de forma [10] D. Lamberton & B. Lapeyre. Introduction au Calcul Sto-
muy clara cmo estudiar las ecuaciones en derivadas par- chastique appliqu la Finance. Editions Ellipses (1997).
ciales estocsticas. El lector que desea tener ms detalles
matemticos sobre los procesos estocsticos est invitado a [11] P. Malliavin & A. Thalmaier. Stochastic Calculus of Va-
consultar [6]. El libro [11] muestra en cambio aplicaciones riations in Mathematical Finance. Springer (2006).

Analtika, Revista de anlisis estadstico, 3 (2012), Vol. 3(1): 315 15