Voluntarios
Voluntarios
Voluntarios
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
InVeStIgacIón<br />
piedad teórica de los modelos de valoración de derivados<br />
sine qua non el modelo no es libre de arbitraje. además<br />
de los futuros se han de incluir otros derivados de<br />
los que se disponga tanto en mercado organizado como<br />
en mercados otc, que se crea que pueden ayudar a cubrir<br />
el derivado objetivo. Pero esta selección no está objetivada<br />
y se ha de basar en la experiencia del usuario<br />
de la metodología, en procesos de prueba y error, etc.<br />
De estas dos últimas consideraciones se pueden extraer<br />
futuras líneas de investigación: la primera, la de modelización<br />
de la distribución a priori ya está siendo abordada<br />
por diversos autores; la segunda, que es mucho más<br />
característica para la metodología eRm aquí expuesta,<br />
es la de objetivar un método robusto para la selección<br />
de las referencias de mercado en función de la información<br />
disponible y de las características concretas del derivado<br />
objetivo T.<br />
anexo<br />
ERM con restricciones en los momentos<br />
Caso General<br />
el punto de partida es la búsqueda de una distribución<br />
de probabilidad f(x), para una variable real x, que satisfaga<br />
Donde gj(x) y Cj son funciones y números dados respectivamente,<br />
y m denota el número de restricciones.<br />
Financieramente vamos definir x como la variable estado<br />
de la economía, g j(x) será el valor actual del instrumento<br />
j-ésimo para el estado x y C j será su precio actual de<br />
mercado.<br />
el método 12 escogido para calcular f(x) va ser minimizar<br />
el funcional<br />
Donde f 0(x) es la densidad de probabilidad a priori. La<br />
expresión H es la entropía relativa de f(x) respecto de<br />
f 0(x), representa la distancia en información entre ambas<br />
distribuciones. no es una distancia en sentido matemático<br />
estricto puesto que no es simétrica, indica la diferencia<br />
de información que hay al pasar de la densidad de<br />
probabilidad f 0(x) a f(x).<br />
52 | análisis afi - 2º semestre 2012<br />
es sabido 13 que si existe una función de densidad de<br />
probabilidad f(x) que verifique todas las restricciones de<br />
(a.1) y tal que su H(f(x)∕f 0(x)) sea finito la solución del<br />
problema de minimización de la entropía con restricciones<br />
existe, y puede ser hallada mediante el método de<br />
los multiplicadores de Lagrange<br />
en primer lugar fijamos λ y buscamos la densidad que<br />
maximiza el lagrangiano, el cálculo de las primeras condiciones<br />
de óptimo, esto es, gradiente nulo, da lugar a<br />
que para cada λ la función de densidad óptima viene<br />
dada por<br />
Donde Z(λ) denota el factor de normalización, cuya expresión<br />
es<br />
substituyendo (a.4) en (a.3) se sigue que la optimización<br />
del lagrangiano es equivalente a minimizar la expresión<br />
(a.1) (a.5)<br />
(a.2)<br />
sobre el espacio de multiplicadores de Lagrange<br />
Λ=(λ 1,λ2,…,λm). La condición de primer orden de mínimo<br />
para el componente j-ésimo del gradiente de (a.5)<br />
y como<br />
La condición de primer orden es lo mismo que<br />
(a.3)<br />
(a.4)<br />
esto verifica, como no podía ser de otro modo, que en el<br />
punto crítico de (a.5) la densidad f(x) está ajustada a las<br />
restricciones.