UNIVERSIDAD

IBEROAMERICANA
Rodrigo Romn

P-2015

Seminario de Ingeniera Fsica II

Mtodo Generalizado de Momentos aplicado a

Teora de Portafolios
Rodrigo Romn Pastor

Resumen
Este trabajo se basar en lo que se conoce como Mtodo de Momentos
Generalizados (GMM) de Peter Hansen, ganador del premio novel de economa
en el ao 2013. As como la teora de portafolios de. Ser continuacin del
captulo 3 de la tesis del doctor Torres de 2007. Lo que pretende este trabajo es
verificar que GMM nos pueda dar un buena estimacin sobre los rendimientos y
riesgos de los diferentes activos financieros, as mismo se pretende entender la
importancia de tomar muestreos en diferentes intervalos de tiempo y en lo que
puede afectar esto a nuestros clculos.

Introduccin
El objetivo de esta investigacin es encontrar la forma de eleccin ptima para
portafolios de largo plazo, lo cual podra sonar como una Formula de Midas,
pero a travs de los aos se ha demostrado que aplicando conocimiento
estadstico, fsico y matemtico se puede obtener una forma ms slida para
cimentar una decisin de compra o venta de algn activo.
Antes de poderle dar un acercamiento matemtico se debe de explicar y definir
todo lo relacionado con los activos financieros y dar una breve explicacin sobre
la teora de portafolios.

UNIVERSIDAD IBEROAMERICANA
Rodrigo Romn

P-2015

Finanzas
Al hablar de finanzas nos referimos a la administracin de los recursos
monetarios. Tambin al hablar de estos nos referimos a los tres mercados que
abarca, los cuales son: mercados financieros, inversiones y la administracin
financiera.
Los activos se clasifican como circulantes o fijos. Un activo fijo es el que tiene
una vida ms o menos larga. Los activos fijos son tangibles, como un camin o
una computadora, o intangibles, como una marca registrada o una patente. Un
activo circulante tiene una vida menor de un ao. Esto quiere decir que el activo
se convertir en efectivo en el transcurso de 12 meses.

Teora de Portafolios
La teora de portafolios fue desarrollada por Harry Markowitz, autor de articulo
publicado en 1952 sobre la seleccin de carteras, la cual despus fue utilizada
para realizar trabajos por Merton Miller. La teora moderna de la seleccin de
carteras, o teora de portafolios, propone se de debe tomar como un todo a la
cartera, estudiando el retorno total y el riesgo, en lugar de escoger activos
individuales por su caracterstica de riesgo y valor en el retorno esperado.
Es sumamente importante destacar que la teora de seleccin de portafolios o
cartera toma en consideracin el retorno a largo plazo y la volatilidad esperada a
corto plazo. La volatilidad se trata como un factor de riesgo, y cada inversionista
es adverso al riesgo en un nivel diferente, por lo que hay que considerar un riesgo
diferente para cada uno en su seleccin de portafolio. Lo cual complica un poco
las cosas ya que esta teora nos da proporciona el mejor rendimiento posible con
el menor riesgo posible, pero aun as hay persona que desean un riesgo menor,
por lo que habra que modificar los activos en el portafolio hasta encontrar algo
que se adecue al inversionista.
Hoy en da la seleccin de carteras se ha convertido en un tema sumamente
interesante y necesario, ya que la economa de un pas afecta completamente a
2

UNIVERSIDAD IBEROAMERICANA
Rodrigo Romn

P-2015

otro, por esto la teora de portafolios se ha convertido en algo tan recurrido.

Debido a que existe un gran nmero de oportunidades de inversin disponibles es
importante la cuestin de cmo los inversionistas deberan integrar sus carteras
de inversin, esto forma una parte importantsima en las finanzas.
Markowitz toma en cuenta un factor sumamente importante, el cual uno creera
que es lgico pero no siempre es as. Este factor es el que dice que los
inversionistas toman una conducta racional al a hora de seleccionar su cartera de
inversin y por lo tanto buscan obtener la mxima rentabilidad sin tener que
asumir un nivel de riesgo ms alto que el estrictamente necesario, es decir que no
se arriesgan mas por obtener lo mismo o en su caso menos. El modelo de
seleccin de portafolios nos muestra como hacer una cartera optima
disminuyendo el riesgo de manera que el rendimiento no se vea afecta, y esto es
lo mas asombroso y til del modelo, ya que quien no querra obtener un mayor
beneficio de cualquier situacin sin arriesgar mas.
Uno de los principios bsicos de finanzas es el famoso no poner todos los
huevos en la misma canasta, en trminos financieros, una cartera de inversin se
debe de integrar por una inversin equilibrada lo cual nos lleva a la
diversificacin, ya que de esta forma obtenemos se reduce la variacin total de
los precios. La idea de la cartera es, entonces, diversificar las inversiones en
diferentes mercados y plazos para as disminuir las fluctuaciones en la
rentabilidad total de la cartera y por lo tanto tambin del riesgo.
Para poder realizar un portafolio de inversin con esta teora es necesario estudiar
los rendimientos de los activos deseados siendo la media de los rendimientos
pasados (! ), y el riesgo (! ) es visto como la desviacin estndar en el
rendimiento.
=

! + ! !

Se llama rendimiento esperado al rendimiento que se espera ganar a lo largo del

siguiente periodo, la desviacin estndar mide la volatilidad de los precios, o sea
es el riesgo.
3

UNIVERSIDAD IBEROAMERICANA
Rodrigo Romn

P-2015

El rendimiento del portafolio es el promedio ponderado de los rendimientos

! = ! ! + ! ! ! !
y la varianza del portafolio se calcula de la siguiente forma:
! = ! (!! ! )
donde Wp es la matriz de el peso del activo en el portafolio, !! es la matriz de
varianzas y covarianzas de los activos Wp* es la matriz transpuesta de el peso del
activo en el portafolio.
La teora y el modelo de portafolio de Markowitz fueron retomados por William
Sharpe y Merton Miller, quienes llevaron a cabo trabajos innovadores que
fortalecieron el campo de la economa financiera y la financiacin empresarial,
gracias a sus grandes aportaciones en el anlisis de los mercados.
Por su parte, el economista estadounidense Merton Miller, especializado en
anlisis financiero, bas sus investigaciones en los problemas de mercados
financieros y sus instrumentos. Sus aportaciones se centraron en la relacin de la
estructura financiera y poltica de dividendos en las organizaciones. Sus trabajos
de investigacin reflejan en la Teora de las Finanzas, que vio la luz en 1972,
misma que revolucion el panorama financiero de Estados Unidos.
Otro gran cambio que se obtuvo con los trabajos de Miller es el estudio de los
rendimientos en tiempos continuos con movimiento Browniano, ya que
Markowitz lo realizaba en tiempo discreto.
A continuacin se revisa como un inversionista podra obtener su portafolio
ptimo a travs de este mtodo.

Fronteras para las Decisiones

La frontera factible consiste en todos aquellos posibles portafolios que pueden
conformarse con diversos ttulos riesgosos, la grfica de esta situacin se
4

UNIVERSIDAD IBEROAMERICANA
Rodrigo Romn

P-2015

representa en un plano retorno esperado versus desviacin estndar, tal y como lo

muestra la grfica1.

Figura 1. Retorno VS Desviacin estndar

Aunque realmente todos los puntos de la grfica son accesibles para un
inversionista, este escoger algunos ya que siempre sern mejores que otros. Por
lo que se un agente sensato limita sus posibilidades de eleccin a solamente
aquellos que son los ms eficientes de todo el conjunto, o sea, los que le otorguen
mayor rendimiento o rentabilidad con un nivel de riesgo dado. Lo que se puede
decir como, escoger el mnimo riesgo para un nivel de rendimiento determinado.
Por lo tanto, tomando en cuenta estos criterios, el conjunto eficiente de puntos a
elegir estara determinado por el segmento AB del grfico, ya que los puntos C y
D no son eficientes porque se puede encontrar un punto con mayor rendimiento o
bien con menor riesgo que ellos.
Una caracterstica muy importante de esta frontera eficiente y que se debe
cumplir siempre es la concavidad, ya que si existiera un tramo convexo siempre
habra un punto intermedio el cual ofreciera mejor desempeo que alguno de los
puntos ubicados en la lnea cncava.

UNIVERSIDAD IBEROAMERICANA
Rodrigo Romn

P-2015

Si existe la posibilidad de comprar ttulos libre de riesgo (solamente son de

Cuando existe la posibilidad de comprar activos de nombre libres de riesgo, ya
que siempre existe un riesgo, si no pregntenle a el gobierno de Grecia), como lo
pueden ser los Certificados de la Tesorera de la Federacin (CETES) o los
Treasury Bill (T-bills), la frontera eficiente cambia de forma.
Si por ejemplo, un inversionista hubiera escogido el portafolio A, y existiera un
ttulo libre de riesgo con un retorno igual a Rf (renta fija) , entonces la recta Rf-A
indicara todas las combinaciones posibles que podran formarse entre el ttulo
libre de riesgo y el portafolio de ttulos riesgosos.
Sin embargo, estas combinaciones no son las ptimas. Si en lugar del portafolio
A se escogiera el portafolio B, entonces las combinaciones de Rf - B, superaran
a las de Rf - A debido a que se podra obtener una mayor rentabilidad para cada
nivel de riesgo.
De esta manera, es posible determinar infinidad de portafolios del conjunto
eficiente que podran entrar en combinacin con el ttulo libre de riesgo, pero
solamente existe un portafolio ptimo. En el grfico 2 se puede apreciar que el
portafolio ptimo (T) es aquel que maximiza la pendiente de la recta que une el
punto asociado al ttulo libre de riesgo y la frontera eficiente inicial.
La existencia de un solo portafolio ptimo determina el Teorema de
Separacin. Este teorema afirma que la combinacin ptima de ttulos riesgosos
para un inversionista puede ser determinada sin tener conocimiento alguno de las
preferencias hacia el riesgo y rentabilidad del inversionista (Castillo y Lama,
2007)
De esta forma, el nuevo conjunto eficiente estara dado por el rayo Rf-T. En el
tramo Rf-T, el inversionista destina parte de sus recursos tanto al ttulo libre de
riesgo como al portafolio de valores riesgosos y estara en posicin de poder
prestar parte de sus recursos que no utiliz.
En el tramo T-H, el inversionista, para adquirir mayor rentabilidad se endeuda a
la tasa Rf, e invierte un monto mayor a sus recursos iniciales en el portafolio T.
6

UNIVERSIDAD IBEROAMERICANA
Rodrigo Romn

P-2015

Grfica 2. Frontera con renta fija

Mecnica Estadstica
Algo suficientemente pequeo, como lo puede ser una partcula, inmerso en un
lquido presenta un movimiento aleatorio. Esto fue primeramente observado por
el botnico Robert Brown en el siglo XIX.
El movimiento Browniano fue descubierto al observar el movimiento de unas
partculas de polen que flotan en el agua. En primer instancia se pensaba que las
partculas de polen tenan vida y eso era lo que ocasionaba su movimiento.
Robert Brown explic que este movimiento observado era causado por la
vibracin de las molculas de agua que chocaban contra las partculas de polen,
causando un movimiento completamente aleatorio. El movimiento browniano
pone de manifiesto las fluctuaciones estadsticas que ocurren en un sistema en
equilibrio trmico.
El movimiento browniano puede explicarse a escala molecular por una serie de
colisiones en una dimensin en la cual, pequeas partculas (denominadas
trmicas) experimentan choques con una partcula mayor.
! = !!! +
7

UNIVERSIDAD IBEROAMERICANA
Rodrigo Romn

P-2015

Donde Rn es la posicin de la partcula, Rn-1 la posicin anterior de esta, y L es el

desplazamiento que sufri.
Ya que se espera que la partcula sufra golpes en ambas direcciones esto nos
lleva a que su valor promedio sea siempre el mismo, por lo que E[L]=0, y
E[L2]=2L.
Si elevamos al cuadrado la ecuacin de la posicin obtenemos:
!
!! = !!!
+ 2!!! !

Usando los valores esperados antes mencionados obtenemos

!
!! = !!!
+ [! ]
!
!! = !!!
+ !!
!
!! = !!!
+ 2!!
!
!! = !!!
+ !!

!! = !! + !!
Al valor esperado de

!
!!

!!

= !! y el de

!!
!!

= ! , a este ltimo se le

conoce como martingala.

Informalmente, podemos definir una martingala como un proceso estocstico
! !! tal que Xn representa ganancia al tiempo n.
Se puede hacer uso de este conocimiento en las finanzas, tomando como posicin
el precio de un activo y la bursatilidad o movimiento del precio como los golpes
que reciben las partculas, esto se debe a las noticias que influencian los precios
de los activos.
Un proceso estocstico describe la evolucin temporal de una variable aleatoria,
y ya que no sabemos que es lo que va a pasar en el futuro, las noticias que
8

UNIVERSIDAD IBEROAMERICANA
Rodrigo Romn

P-2015

puedan influenciar a nuestro activo, tomamos al activo como una variable

aleatoria.
Existen varios tipos de procesos estocsticos, los cuales son:
tiempo discreto: aquel en el que la variable puede cambiar de valor nicamente
en instantes concretos del tiempo.
tiempo continuo: aquel en el que la variable puede cambiar de valor en
cualquier instante del tiempo.
variable discreta: aquel en el que la variable slo puede tomar determinados
valores discretos.
variable continua: aquel en el que la variable puede tomar cualquier valor de la
recta real.
Sabemos que el comportamiento de una variable aleatoria se describe mediante
una adecuada distribucin de probabilidad. En un proceso estocstico el
comportamiento de la variable aleatoria considerada vara en el tiempo. Por
tanto, la distribucin de probabilidad utilizada para describirla tambin podr
variar en el tiempo.
Para describir el proceso estocstico que sigue una variable aleatoria temporal
x(t) , deberemos indicar en cada instante t cual es la distribucin de probabilidad
asociada a x(t).
Para el caso de los activos financieros relacionados a la bolsa es imposible que
estos tengan tiempo continuo, ya que no todo el tiempo se estn realizando
transacciones sobre un activo determinado, y la bolsa no esta abierta las 24 horas
del da, los 7 das de la semana si no, como a mi me gusta decir, la bolsa va a la
escuela. Es decir tiene un horario limitado que inicia a las 8.30 a.m. y termina
para las 3:00 p.m., la hora de la comida , descansa los fines de semana y das
festivos. Adems de todo esto es prcticamente imposible tener todos los datos
de todos los activos por lo que se toman muestran significativas de cada da sobre
cada uno, generalmente el precio de cierre.
9

UNIVERSIDAD IBEROAMERICANA
Rodrigo Romn

P-2015

Pero sabemos que realmente el precio cambia cada instante aunque no

necesariamente se vea en la bolsa, ya que aqu solo se registra cada vez que hay
una transaccin el corro. Pero todos sabemos que si surge una mala noticia por la
noche la bolsa baja y aqu es donde entra el movimiento Browniano, ya que este
nos explica que es lo que esta pasando entre estas mediciones reales que si
tenemos realizadas en el corro.

Proceso de Markov
Un proceso de Markov es un tipo particular de proceso estocstico en el que
nicamente el estado actual del proceso es relevante a la hora de predecir el
estado futuro. Es decir, la historia pasada del proceso y la forma en que el
presente ha emergido del pasado son irrelevantes.
Ms formalmente, el valor esperado de una variable aleatoria x(t) en el instante t,
depende nicamente del valor previo x(t-1) . Generalizando, si poseemos
informacin sobre x (r) , con r < t , entonces a la hora de estimar x(t), la nica
informacin que necesitamos es la de x(r) , para el mayor r para el que tengamos
informacin.
Se supone habitualmente que los precios de las acciones siguen un proceso de
Markov. Esta propiedad de Markov de los precios de las acciones se corresponde
con la denominada eficiencia dbil del mercado. Dicha eficiencia dbil
establece que el precio actual de la accin encierra toda la informacin contenida
en el registro de los precios del pasado. Si esta propiedad no fuese cierta, los
analistas tcnicos podran obtener beneficios por encima de la media
interpretando las bases de datos de la historia pasada de las acciones. Existe poca
evidencia de que sean capaces de hacerlo.
Todo esto tiene fundamento en finanzas con el anlisis tcnico y la teora Dow,
pero esto va mas all de los propsitos de este trabajo.

10

UNIVERSIDAD IBEROAMERICANA
Rodrigo Romn

P-2015

Proceso de Wiener
Se dice que Z [] es un proceso de Wiener o movimiento Browniano si Z es una
funcin definida en algn intervalo I = [0,T] (eventualmente puede ser T = +),
con las siguientes propiedades
i) Z (0) = 0
ii) t, a 0 la variable aleatoria Z [t + a] Z [t] es independiente de {Z [s] : 0
s < t}
iii) t, a > 0
con Z [t + a] Z [t] N (0, a)

Observaciones de lo anterior
1. La proyeccin de Z sobre la coordenada t, Z [t] es una variable aleatoria para
todo t I. En este sentido se dice que {Z [t]} es un proceso estocstico.

2. La propiedad ii) dice que el proceso es independiente de su historia.

3. Existen procesos que son movimientos Brownianos, pero no es trivial su

demostracin. Una de las demostraciones es constructiva y recurre a una base
completa de L2 (I).
4. Se puede probar que con probabilidad uno Z no es diferenciable en ningn
intervalo [t, t + a].
Toda esta informacin es de suma relevancia a la hora evaluar un activo, pero
antes de continuar regresemos a un poco mas de conocimientos financieros.

11

UNIVERSIDAD IBEROAMERICANA
Rodrigo Romn

P-2015

Put y Call
Un put es un contrato que da la opcin, no la obligacin, de vender una cantidad
especifica de securities a un precio especificado dentro de una fecha especificada.
Lo cual es lo opuesto a un call, este ltimo da la opcin de compra a un precio
determinado.
Para nuestro modelo utilizaremos = +
Donde S es el stock o accin, dt es el cambio en el tiempo, es la tendencia,
es el drift y dz es un proceso de Wiener.

Lema de Ito
El Lema de Ito es una herramienta matemtica que no es una herramienta del
calculo normal si que utilizada en el calculo estocstico.
Hablando en trminos generales, se puede considerar la regla de cadena
del clculo estocstico. En finanzas, el lema de Ito se utiliza frecuentemente para
derivar el proceso estocstico seguido por el precio de un ttulo derivado. Por
ejemplo, si el activo subyacente sigue la mocin geomtrica browniana, entonces
el lema de Ito demuestra que un ttulo derivado cuyo precio es
una funcin del precio del activo subyacente y del tiempo tambin sigue la
mocin geomtrica browniana. De hecho, los dos valores presentarn la misma
fuente de riesgo, dando as a entender que una combinacin apropiada de los dos
valores puede eliminar el riesgo.
Antes de definir el Lema de Ito es necesario definir matemtica lo que es un
movimiento Browniano geomtrico en finanzas
P
= +
P
donde P es el precio de la accin, es el rendimiento esperado, es la
volatilidad del activo y es una normal estndar.
12

UNIVERSIDAD IBEROAMERICANA
Rodrigo Romn

P-2015

Un proceso de Ito es un proceso de Wiener generalizado en donde los parmetros

a y b son funciones de los valores de las variables x y t. Lo cual es que el
drift esperado y la volatilidad esperada pueden cambiar con el tiempo.
Un proceso de Ito n dimensional puede ser representado como :
!

! = ! +

! +

! !

Donde W es un proceso Browniano estndar m dimensional, a y b son n

dimensional y un proceso F adaptado (n X m) dimensional.
La ecuacin anterior tambin puede ser representada como
! = ! + ! !
La ecuacin diferencial estocstica n dimensional (SDE por sus siglas en ingles)
tiene la forma
! = ! ! , + ! ! , ! ! =
Ahora podemos representar la ecuacin como :
!

! = +

! , +

(! , )!

Ya con el proceso de Ito podemos definir formalmente al Lema de Ito. Si

suponemos que el valor x de una variable sigue el proceso de Ito.
= , + ,
Donde dz es un proceso de Wiener, la variable x tiene una tasa de drift a y una
tasa de varianza b2. El lema de Ito muestra que una funcin G de x y t sigue el
siguiente proceso.

1 ! !

=
+
+

2 !

entonces G sigue un proceso de Ito con tasa de drift

13

UNIVERSIDAD IBEROAMERICANA
Rodrigo Romn

P-2015

1 ! !
+
+

2 !
y varianza

Llegamos a que el proceso de F esta dado por

1 !

2
=
+
+

Lo que nos deja finalmente en

= !

!!!

!!!

+ 0

+ !

!!!

Formalismo Cannico.
La base matemtica de nuestro trabajo es la frmula de Feynman-Kac, que nos
permite calcular valores esperados resolviendo ecuaciones diferenciales.
Teorema:
Si x es el proceso browniano dx = dt + dz, entonces:

u x, t = E e (!"!

! ! ,!

x T

= ]

resuelve la ecuacin:
0 = ut + Lu + V (x, t)u si t < T

= ( )
14

UNIVERSIDAD IBEROAMERICANA
Rodrigo Romn

P-2015

Donde L es el generador infinitesimal del proceso de difusin, el cual est dado

por el operador.

1 ! !

+
2 !
Prueba. Sean f1 (s) e (!"! ! ! ,! y f2 (s) u(x(s),s). Entonces, por el lema
de Ito.
df1=f1*V*ds
df2 = (ut +Lu)ds + uxdz = Vuds + uxdz = Vf2ds + uxdz
Adems:
d (f1f2) = f1df2 + f2df1 + df1df2 d (f1f2) = {f1f2Vds + f1uxdz} + uf1V
ds + df1df2
Entonces:
E [f1(T) f2(T) f1(t) f2(t)] =0 (porque f2 = u(x(s),s) y E[dz] = 0, adems
df1df2 =0) E [f1(T) f2 (T)] = f1 (t) f2 (t)
Lo que nos lleva a que -> E [f1(T) f2(T)] = f1(t) f2(t)
Por lo que llegamos a:
!

E [ e ! (!"! ! ! ,! (x(T)) ]= e ! (!"! ! ! ,! u(x(t),t) = u(x(t),t)

Adems, L, la adjunta de L, nos permite recuperar la distribucin de
probabilidad de x, que vamos a denotar por f. En particular, f resuelve 0 = ft
Lf.
Definicin. Sea H un espacio de Hilbert y T : H H una transformacin lineal
acotada. Si el operador lineal T satisface:

15

UNIVERSIDAD IBEROAMERICANA
Rodrigo Romn

P-2015

1. (T f, g) = (f, T g) f, g H, donde (, ) denota un producto interior

2. ||T|| = ||T||, donde ||T|| es la norma de T
3. (T) =T
entonces decimos que T es la adjunta de T.
En especfico, la adjunta de L es
!

!!

- !" + ! ! ! ! !

Teorema.
La distribucin de probabilidad de x, que vamos a denominar f, resuelve la
ecuacin 0 = ft Lf.
Prueba. Definamos la retcula xi = i y tj = jt, y consideremos el siguiente
modelo trinomial:

para ciertas funciones no-negativas r y s. Observemos lo siguiente

!"

1. E[x] = ! ! +
!"

!"

!! =

2. Varianza[x]= ! ! ! +

!!!
!

!"

!! =

!!!
!

Entonces, podemos pensar en x como el proceso browniano dx = dt + dz. Si pi

(t) Pr {X (t) = xi}, entonces
16

UNIVERSIDAD IBEROAMERICANA
Rodrigo Romn

! +

P-2015

! !,!!!! !"
!!!
!!

! !,!!!! !"
!!!
!!

+ 1

! !,!! !"
!!

! !,!! !"
!!

! + ! ()

2 , !!! , !!!
=
!!
2 !
2 , !!! , !!!
, ! , !
+

2
!
!!!
2 !
2 !

! ()
, !!! !.!! , !!! !.!!
=

2
, !!! !!! 2 , ! ! () + , !!! !!! ()
+
2 !

(, )
( , (, ) 1 ! ( , ,

=
+
= (, )

2
!

Para ganar intuicin, ahora consideremos el proceso x = z en un marco de

tiempo discreto, y tomemos la trayectoria de xt a xT {xs}Ts=t+1. Recordando
que z N (0,t), la probabilidad de esta trayectoria es proporcional a
!
!!!!!

Donde

!"
!"

! !!! !
!!"

!!! !
!!"

!" !!! !

! !"

es una velocidad.

Este resultado sugiere que en tiempo continuo, la probabilidad de la trayectoria

17

UNIVERSIDAD IBEROAMERICANA
Rodrigo Romn

es proporcional a

P-2015

! ! !" ! !
!
! !
!! ! ! ,! ]

u x, t = E e! !"[!!
e

! !" ! !,

x T

!"
,!
!"

= ]

x T

= ]

En mecnica, el funcional L es conocido como el lagrangiano de la teora,

mientras que la integral I =

!
(,
!

, ) es llamada la accin. Normalmente

es posible derivar las ecuaciones de movimiento de un sistema dinmico a partir

de L, y la ventaja del formalismo lagrangiano es que nos permite derivar la
existencia de cantidades conservadas a principios de simetra. Una cantidad
!"

conservada de especial importancia es el hamiltoniano conocido como ( !!

).
El formalismo hamiltoniano nos permite describir el sistema dinmico usando
ecuaciones diferenciales de primer orden para dos variables: la coordenada
!"

generalizada x y el momento generalizado p !! , que es el conjugado

cannico de x.
Es importante notar que en economa estas matemticas son menos extraas de lo
que parecen a primera vista. Por ejemplo, el modelo de Ramsey es el problema
clsico que se puede resolver buscando la trayectoria (del capital fsico) que
optimiza una accin. Esta trayectoria se implementa controlando el consumo.
Pero no es en el rea de Crecimiento donde el formalismo lagrangiano exhibe su
mayor gloria en Economa. Despus de todo, Por qu podramos estar
interesados en considerar todas las trayectorias posibles del capital (o,
equivalentemente, todas las posibilidades de consumo)?
En 1973 Black y Scholes calcularon la solucin .

x N (d1) cer(tt )N (d2)

18

UNIVERSIDAD IBEROAMERICANA
Rodrigo Romn

P-2015

Para la frmula
wt = rw rxwx v2x2wxx

Donde x es el precio de una accin; w el precio de una opcin call europea sobre
ese activo; c y t son el precio de ejercicio y la fecha de vencimiento de la
opcin, respectivamente; y r es la tasa de inters (constante).
la aplicacin del teorema de Feynman-Kac a la ecuacin de Black-Scholes arroja
una frmula con una bonita interpretacin econmica:
!

w x, t = E e !

!" !!

max x t , 0 = ]

= e!!(!!!) E max x t , 0 = ]
Lo cual es el precio de la opcin es el valor presente del valor esperado de su
pago futuro max {x (t ) c, 0}, donde la esperanza se calcula sobre todas las
trayectorias posibles que puede seguir el precio de la accin entre t y t .

Mientras que en su trabajo original Black y Scholes slo consideraron una tasa de
inters constante, la frmula de Feynman-Kac nos permite incorporar con
facilidad tasas de inters variables. El lector cuidadoso seguro habr observado
que en la ecuacin de Black y Scholes r juega el rol de la funcin V (x, t). Por
tanto, podemos considerar una tasa de inters variable r (x, t) que cambie no slo
con el paso del tiempo, sino adems con el estado de la variable de estado x, en
cuyo caso la ecuacin anterior se convierte en
w x, t = E e!

!
! !"#(!)

max x t , 0 = ]

que preserva la idea de que el precio de la opcin no es ms que el valor esperado

descontado de su pago futuro.
Si bien en los salones de clases normalmente slo aprendemos a calcular de
19

UNIVERSIDAD IBEROAMERICANA
Rodrigo Romn

P-2015

manera explcita integrales gaussianas, resulta que esto tpicamente es suficiente

para construir expansiones perturbativas.
Vale la pena mencionar que las muchas trayectorias que en fsica puede seguir
un electrn de un lugar a otro, en finanzas se convierten en las muchas
historias del precio del activo subyacente. Adems, es importante mencionar que
a pesar de sus xitos en fsica, desde un punto de vista matemtico la tcnica de
Feynman no es un objeto bien definido, problema cuya solucin es uno de los
siete Problemas del Milenio.
Aplicaciones a teora de Portafolios
Un inversionista puede invertir su riqueza W en tres activos: un bono sin riesgo,
con precio B; y dos activos riesgosos, con precio Pi, i {1, 2}. La dinmica de
los precios es descrita por las siguiente difusiones:
dB
= r dt
b
dP!
= ! + ! ! +
P!
donde la correlacin entre dz1 y dz2 es ; y el brinco comn dQ (con magnitud J)
permite cambios discontinuos en los rendimientos de los activos riesgosos. La
ocurrencia de dQ es un proceso de Poisson con tasa que lleva a los precios de
Pi a Pi (1+J).
Retomemos la descripcin de nuestro modelo: sean d y ei las fracciones de la
riqueza invertidas en el bono y los activos riesgosos, respectivamente. Entonces,
podemos escribir la ecuacin de acumulacin como:

dW
!
!
=
+ !

+ !

= + + + ! + !

20

UNIVERSIDAD IBEROAMERICANA
Rodrigo Romn

Donde

!!
!!

!!!!
!! !!

!!
!!

P-2015

y diag () es una matriz con elementos de

en su diagonal y ceros en el resto de las posiciones) y dz

!!!
!!!

El inversionista busca maximizar el valor esperado del beneficio en

! !!!
!!!

una fecha terminal T > t, donde es su aversin al riesgo.

Si u (W, t) = [

!! !!!
!!!

|Wt = W ], entonces, por la frmula de Feynman-Kac, el

portafolio ptimo debe resolver .

0 = max ! + <
!!!
(, ) =
1
Recordando que

1 ! ! !

+ ! + [ 1 + , , ]
2

donde la esperanza del segundo trmino es sobre la distribucin de probabilidad
de J
Proponiendo que una solucin de u(W,t) es de la forma A(t)
0 =

!
!

! !!!
!!!

+ 1 + ! 1 + 1 + ! + !

!!!

1
donde =

!!
! !

! !
!!

La ecuacin anterior arroja las siguientes ecuaciones de primer orden:

21

UNIVERSIDAD IBEROAMERICANA
Rodrigo Romn

0 = + [ 1 + ! + !

P-2015

!!

1
]
1

De forma desafortunada esta ecuacin no es un sistema de ecuaciones

particularmente informativo.
Para desarrollar intuicin econmica sobre la importancia de los brincos, ahora
nos vamos a mover a un marco ms especializado: como en Torres (2007),
vamos a considerar = 2 y vamos a suponer 1 = 2 = . Adems, vamos a
suponer que J, la amplitud del brinco, slo puede tomar dos valores: 0 con
probabilidad (1 p), y k/2 con probabilidad p.
Ait-Sahalia, Cacho, y Hurd (2009) notan que los eigenvalores y eigenvectores de
1
1
1
1 + ! = ; 1 ! = [ ] Dado que
1
1
1
! y ! constituyen una base para R2, entonces debemos poder expresar el
vector e como w1 1 + w2 2 para algn par de escalares w1 y w2 . Notemos
!
+ !
que = ! y ! + ! = 2! , por lo que la ecuacin de la solucin
!
!
!
de u(W,t) se convierte en

0 =

! + !

1
!
! 1 + !! +

2
2 1 +k
!
{! ! ! 2 ! 1 !! }

Adems de que podemos calcular w1 y w2 por separado, la solucin en trminos

de estas variables es muy intuitiva:

22

UNIVERSIDAD IBEROAMERICANA
Rodrigo Romn

P-2015

Esta ecuacin nos lleva a las siguientes condiciones de primer orden:

2

! + !

= 4! 1 + !
2
1 + !!

y
! ! = 4! 1 !

La ecuacin anterior nos dice que la demanda global por activos riesgosos tiene
una parte miope que es creciente en su sobre rendimiento promedio (

!! !!!
!

r), y

un componente de cobertura que cae con la correlacin entre sus rendimientos .

No hay ninguna sorpresa en el efecto de ! sobre la exposicin global a los
activos riesgosos: a medida que aumenta su riesgo, se vuelven menos atractivos
para nuestro inversionista adverso-al-riesgo. w! cambia monotnicamente con y
p, y la direccin del cambio es determinada por el signo de k. La intuicin es
simple:
cambios
discontinuos
positivos/negativos
ms
frecuentes,
aumentan/disminuyen el atractivo de los activos riesgosos. Por cierto, nuestra n
hace observacionalmente equivalentes a y p.
Dos fuerzas en posible competencia pueden volver ambiguos los efectos de k
sobre la eleccin ptima de w! . Por un lado, saltos (positivos) ms grandes
implican mayores ganancias, aumentando as la demanda por activos riesgosos.
Por otro lado, la varianza de la amplitud del brinco aumenta con el valor absoluto
de k, desalentando as la demanda por estos activos. Por supuesto, en presencia
de cadas, ambas fuerzas apuntan en la misma direccin: saltos ms grandes no
slo implican mayores riesgos, sino tambin prdidas mayores.
Podemos ver que la demanda relativa de los activos riesgosos es creciente en sus
rendimientos esperados (demanda miope).

23

UNIVERSIDAD IBEROAMERICANA
Rodrigo Romn

P-2015

Respecto al componente de cobertura de la demanda relativa, la relacin entre w2

y es muy sutil: intuitivamente, a medida que crece, debera volverse cada vez
ms difcil poder diferenciar el riesgo de los activos riesgosos. Por tanto,
esperaramos que w! se volviera cero. Aunque este razonamiento no es
inconsistente con la expresin w! ! ! (todo lo que necesitamos es que a
1 medida que se acerque a uno, (! ! ) tienda a cero con suficiente
rapidez), formalizar esto va ms all de los propsitos de este trabajo.
Por ltimo, por la naturaleza sistmica de los brincos, no debera constituir
ninguna sorpresa su irrelevancia para la demanda relativa de los activos
riesgosos. Cules son los efectos empricos de los riesgos sistmicos en la
eleccin de portafolios? Todava ms importante, Cul es su significancia
econmica? En la siguiente seccin vamos a mostrar como podemos usar la
adjunta de la frmula de Feynman-Kac para esbozar una metodologa para
estimar los parmetros de los procesos de difusin de nuestro modelo.
Ya antes hemos mostrado que podemos usar la adjunta de la frmula de
Feynman-Kac para identificar la distribucin de probabilidad de un modelo de
difusin, que denominamos f. Ahora vamos a hacer operativo este resultado.
Empecemos recordando que la dinmica de los precios de los activos riesgosos es
descrita por

!"!
!!

= ! + ! ! + . Si x logP, entonces, por el lema de

!

Ito, su proceso estocstico es dx=! + ! ! + , donde a ! ! y j

log (1 + J).
En nuestra exposicin del formalismo cannico demostramos que f resuelve la
ecuacin 0 = ft Lf, donde L es la adjunta del generador infinitesimal del
proceso de difusin:

1 ! !
L
+
+ [ , , )]
2 !

donde la esperanza E [f (x j, t) f (x, t)] es sobre la distribucin de

probabilidad de j, (j): E[f(xj,t)]= ( ).
24

UNIVERSIDAD IBEROAMERICANA
Rodrigo Romn

P-2015

En general, ecuaciones como 0 = ft Lf, tambin conocidas como adelantadas

de Kolmogorov, deben ser resueltas numricamente. Pero en el caso de
coeficientes constantes podemos hacer algo mucho mejor.
Usando el hecho de que la transformada de Fourier convierte en multiplicacin la
diferenciacin, podemos trasladar nuestra ecuacin de Kolmogorov al dominio
de Fourier como sigue:
0=

1 ! !
!! + 1 =
+ 1

Hemos llegado a una ecuacin diferencial ordinaria que no es difcil de resolver:

= 0 etK .
Recordemos la definicin de la transformada de Fourier: la transformada de
Fourier de f(x), (k), se define como !"# . Porque f es una distribucin
de probabilidad, entonces podemos pensar en como E[ !"# ], es decir como una
funcin caracterstica. Por tanto, ! = E[ !"!! ] = !"!! , lo cual convierte !" en
[ !"(!!!! ) ] . Es decir !" es una funcin caracterstica para cambios en
logaritmos de los precios a lo largo del horizonte temporal t, para intervalos de
tiempo pequeos, para log-rendimientos (que se denotaran por r).
Podemos usar

!!
!!!

!" (evaluada en k=0) para obtener una frmula para el

momento no-central nmero s de r:

donde por conveniencia analtica, hemos considerado el caso t=1.

25

UNIVERSIDAD IBEROAMERICANA
Rodrigo Romn

P-2015

Supongamos que ~ , . En este caso, la magnitud de los brincos est

acotada por debajo por -1 y no tiene ningn lmite superior; = ^(
!
!

! ; y

Podemos combinar los resultados de los dos cuadros anteriores para obtener
frmulas analticas para los primeros cuatro momentos centrales de r:

Ya estamos listos para discutir la aplicacin del GMM para estimar los
parmetros de nuestro modelo, pero antes vamos a hacer un par de comentarios
breves sobre los resultados del ltimo cuadro.
Dado que es una probabilidad y una varianza, la frmula para el tercer
momento muestra que los rendimientos estn sesgados, en donde , la media de
la magnitud del salto, define el signo del sesgo. Segundo, y ms interesante,
claramente el exceso de kurtosis {E [(r m)4 ]- 3(s2)2 ) }es positivo.
Por ltimo, es importante mencionar que aunque desde un punto de vista terico
no hay ninguna razn para no considerar momentos de orden cinco o superiores,
26

UNIVERSIDAD IBEROAMERICANA
Rodrigo Romn

P-2015

los problemas prcticos que plantean son serios.

Aunque para la mayora de los procesos brownianos de relevancia prctica GMM
sigue siendo el nico estimador consistente y viable desde un punto de vista
computacional, todava es muy poco lo que sabemos sobre sus propiedades. De
hecho, podramos calificar mucho de nuestro conocimiento como negativo, en
el sentido de que sus limitaciones ocupan un lugar prominente entre las cosas que
mejor conocemos.
Por otro lado, si bien es cierto que dinmicas de precios ms complejas aumentan
las combinaciones de parmetros que resultan en los mismas cantidades
observables, ms serios son los problemas de medicin. En particular, bajo
muestreo discreto, todos los cambios son discretos por naturaleza. Al respecto,
Ait-Sahalia (2004) menciona que nuestras habilidades para inferir el origen de
cambios grandes se deterioran rpidamente cuando pasamos de intervalos de
minutos a horas y a das. Adems, para periodos largos, los rendimientos
tienden a suavizarse debido a que los saltos suelen cancelarse entre si,
desapareciendo as de las series de tiempo la evidencia visual de los brincos.
Sin duda todava queda mucho por hacer en el estudio de la eleccin ptima de
portafolios para el largo plazo. Slo por dar un par de ejemplos, en nuestro
anlisis dejamos fuera caractersticas muy importantes de los mercados de
capitales como costos de transaccin, capital humano, y consideraciones de
equilibrio en los precios. Adems, y tal vez ms importante, cerrar la enorme
brecha que existe entre la cantidad y sofisticacin de la teora vs la prctica
permanece como un gran reto.

Trabajo a realizar
El trabajo siguiente es generar datos aleatorios en Montecarlo con una media y
desviacin estndar dadas para revisar si es que el GMM nos regresa a estas
mismas medias y desviaciones. Si logramos realizar estas mediciones con certeza
lo siguiente ser modificar los intervalos de tiempo en las muestras hasta
encontrar el intervalo que mas ajuste a los valores originales, una vez encontrado
esto lo que queda es realizar los portafolios con el mejor rendimiento y el menor
27

UNIVERSIDAD IBEROAMERICANA
Rodrigo Romn

P-2015

riesgo (el santo grial de finanzas seria riesgo cero y covarianzas -1) una vez
armado esto realizar la inversin para cumplir con el objetivo de las finanzas,
generar mas activos con los activos presentes.

Bibliografa
Melino, A. 1994. Estimation of Continuous-Time Stochastic Processes in
Finance. En C. Sims (editor), Advances in Econometrics, Sixth World
Congress, Vol. II, Cambridge University Press. 

http://www.matem.unam.mx/geronimo/peiiCNSF/notas.pdf, revisado el 20 de
marzo del 2015

Merton, R. 1969. Lifetime Portfolio Selection Under Uncertainty: The

Continuous Time Case. Review of Economic and Statistics, 51: 247-257. 

Ross, S. 2005. Neoclassical Finance. Princeton University Press. 

Samuelson, P. 1969. Lifetime Portfolio Selection by Dynamic Stochastic

Programming. Review of Economics and Statistics, 51: 239-246. 

Torres, M. 2007. Essays on International Capital Markets. Tesis doctoral,

Harvard University. 

http://www.uv.es/olmos/mod_din_estocastico.pdf, revisado el 24 de abril del

2015

Merton, R. 1971. Optimum Consumption and Portfolio Rules in a ContinuousTime Model. Journal of Economic Theory, 3: 373-413. 

28