1 Notas sobre la Validez de la Hipótesis Browniana en Mercados Ilı́quidos: ¿Son los Procesos Estocásticos con Saltos o en Tiempo Discreto una Mejor Alternativa? Luis C. Chávez Bedoya Marzo 2006 Luis F. Rosales Contenidos 2 Contenidos 1 Motivación 3 2 Modelo de Retornos 13 3 Estimación 23 4 Resultados Empı́ricos 24 5 Conclusiones 41 6 Observaciones 42 1 Motivación 1 3 Motivación • La hipótesis Browniana es usualmente empleada para modelar retornos en mercados especulativos. • Existen grandes diferencias entre el comportamiento de los retornos en un mercado lı́quido y en uno ilı́quido. • Veamos algunos gráficos. 1 Motivación 4 4.5 Halliburton 4 3.5 3 2.5 2 500 1000 1500 2000 2500 3000 3500 Figura 1: Log P. Halliburton entre 02/01/92 y 03/02/06. 1 Motivación 5 2.5 Log P. Brocal 2 1.5 1 0.5 0 200 400 600 800 1000 1200 1400 Figura 2: Log P. Brocal entre 30/05/00 y 03/02/06. 1 Motivación 6 1.6 Log P. Milpo 1.4 1.2 1 0.8 0.6 0.4 0.2 0 −0.2 −0.4 50 100 150 200 250 300 350 400 450 500 550 Figura 3: Log P. Milpo entre 07/11/03 y 03/02/06. 1 Motivación 7 2.5 Log P. Morococha 2 1.5 1 0.5 0 −0.5 −1 −1.5 −2 −2.5 500 1000 1500 2000 2500 3000 3500 Figura 4: Log P. Morococha entre 02/01/92 y 03/02/06. 1 Motivación 8 1.5 Log P. Volcan 1 0.5 0 −0.5 −1 200 400 600 800 1000 1200 1400 1600 1800 2000 2200 Figura 5: Log P. Volcan entre 30/06/97 y 03/02/06. 1 Motivación 9 Una primera caracterı́stica que diferencia a los mercados lı́quidos de los ilı́quidos es: la presencia de periodos de estancamiento. Tabla 1: Descripción Preliminar de los Datos Acción Obs. 1era. Obs. ObsSm. % Brocal 1484 30/05/00 900 61% Milpo 586 07/11/03 176 30% Morococha 3678 02/01/92 1557 42% Volcan 2245 30/06/97 1641 73% Halliburton 3547 02/01/92 119 3% 1 Motivación Veamos más de cerca el comportamiento de las acciones VOLCAN y HALLIBURTON entre 01/01/01 y 01/01/03. ¿Es razonable la hipótesis Browniana? 10 1 Motivación 11 4 3.8 Log P. Halliburton 3.6 3.4 3.2 3 2.8 2.6 2.4 2.2 1 Log P. Volcan 0.8 0.6 0.4 0.2 0 −0.2 −0.4 −0.6 Figura 6: Volcan y Halliburton. El gráfico muestra la trayectoria de precios logaritmizados para las acciones de volcan (azul) y Halliburton (rojo) entre 01/01/01 y 01/01/03. 1 Motivación Una segunda caracterı́stica a tomar en cuenta parece ser la presencia de un mayor número de saltos. Ante estos hechos, se plantean dos alternativas para mejorar la estimación Browniana en mercados ilı́quidos: • Procesos con saltos: Poisson Compuesto. • Procesos en tiempo discreto: Camino Aleatorio. 12 2 Modelo de Retornos 2 Modelo de Retornos A las dos primeras partes de esta sección denominaremos al proceso de retornos como Y = (Y (t), t ≥ 0) donde Y (t) := ln(S(t)/S(0)). 13 2 Modelo de Retornos 14 Movimiento Browniano Para modelar el proceso de retornos Y asumimos un movimiento Browniano con tendencia µ y coeficiente de difusión σ 2 . Es decir que Y (t) resuelve la siguiente ecuación diferencial estocástica dY (t) = µdt + σdB(t) (1) donde B es un movimiento Browniano unidimensional. Es inmediato inferir que la solución de (1) está dada por Y (t) = µt + σB(t). (2) No es difı́cil deducir a partir de (2) que Y (t) ∼ N (µt, σ 2 t), con lo cual E[Y (t)] = µt y Var(Y (t)) = σ 2 t. 2 Modelo de Retornos Es importante saber simular el movimiento browniano. p B(ti+1 ) = B(ti ) + ti+1 − ti Zi+1 15 (3) para i = 0, ..., m − 1. Luego para generar Y y sabiendo que Y (0) = 0 se tiene que p Y (ti+1 ) = Y (ti ) + µ(ti+1 − ti ) + σ ti+1 − ti Zi+1 (4) para, i = 0, ..., m − 1. También se tiene el siguiente resultado que es muy útil p Z(ti+1 ) = Y (ti+1 ) − Y (ti ) = µ(ti+1 − ti ) + σ ti+1 − ti Zi+1 (5) la ecuación anterior se simplifica si ti+1 − ti = 1 para todo i. 2 Modelo de Retornos 16 Proceso Poisson Compuesto Se asume que el retorno de una acción sigue un proceso Poisson compuesto, el cual es un proceso en tiempo continuo pero tiene caminos muestrales discontinuos cadlag. Es decir que N (t) Y (t) = X ln ξi i=1 donde N es un proceso Poisson con parámetro λ y la sucesión ξ = (ξi , i ∈ N) está formada por variables aleatorias i.i.d. e independientes de N , tales que ξi > 0, E[ξi ] = µξ < ∞, E[ξi2 ] < ∞ P0 para todo i ∈ N, finalmente se asume que i=1 ln ξi = 0 . Si E[ln ξi ] = µξ∗ y Var(ln ξi ) = σξ2∗ se verifica inmediatamente que E[Y (t)] = λtµξ∗ y V ar(Y (t)) = λtσξ2∗ . (6) 2 Modelo de Retornos 17 El proceso de precios S que induce (6) es tal que N (t) S(t) = S(0) Y ξi (7) i=1 donde a semejanza del modelo de retornos se asume que se cumple que E[S(t)] = eλt(µξ −1) . Q0 i=1 ξi = 1, y (8) 2 Modelo de Retornos 18 Para simular Y (ti+1 ) dado el valor de Y (ti ) basta simular una variable aleatoria X ∼ Poisson(λ(ti+1 − ti )), posteriormente simular simular X PX variables aleatorias ξ y hacer P = i=1 ln ξi si el valor simulado de X fuera igual a 0 se hace P = 0. Luego como Y (0) = 0 se tendrı́a Y (ti+1 ) = Y (ti ) + P (9) donde i = 0, ..., n − 1. Con lo cual Z(ti+1 ) = Y (ti+1 ) − Y (ti ) = P. (10) 2 Modelo de Retornos 19 Camino Aleatorio Ahora se presenta un modelo en tiempo discreto para modelar el proceso de retornos. El proceso de retornos Y = (Y (n), n ∈ N) es tal que: Y (n) = ln(S(n)/S(0)) = ln β1 X1 + ... + ln βn Xn (11) donde X = (Xi , i ∈ N) es una sucesión de variables i.i.d. tal que 1 con probabilidad p Xi = 0 con probabilidad 1 − p y la sucesión β = (βi , i ∈ N) está formada por variables aleatorias i.i.d. e independientes de X, tales que βi > 0, E[βi ] = µβ < ∞, E[βi2 ] < ∞ para todo i ∈ N. 2 Modelo de Retornos 20 Podemos escribir (11) de una manera más simple, al notar que Pn V (n) := i=0 Xi ∼ Binomial(n, p), con lo cual V (n) Y (n) = X ln βi (12) i=1 donde asumimos al igual que en el proceso Poisson compensado que P0 i=1 βi = 1. Asimismo, es obvio que V (n) va a ser independiente de β. Si E[ln βi ] = µβ ∗ y Var(ln βi ) = σβ2 ∗ se verifica inmediatamente que E[Y (n)] = npµβ ∗ y V ar(Y (t)) = np(1 − p)σβ2 ∗ . 2 Modelo de Retornos 21 El proceso de precios S que induce tanto (11) y (12) es tal que V (n) S(n) = S(0) Y βi (13) i=1 donde a semejanza del modelo de retornos se asume que No es difı́cil verificar que n µ p β E[S(n)] = (1 − p)n 1 + . 1−p Q0 i=1 βi = 1. (14) Si hacemos λt = np, ξ = β, hacemos n grande y p la hacemos tender a cero (14) toma la forma de (8). Lo anterior se justifica por debido a la aproximación de la distribución binomial a la Poisson. 2 Modelo de Retornos 22 Para simular caminos muestrales del proceso de retornos dado por (12) de un tiempo n a un tiempo n + 1, basta con simular una variable aleatoria Q ∼ Binomial(n, p) posteriormente simular simular Q variables PQ aleatorias β y hacer P = i=1 ln ξi si el valor simulado de Q fuera igual a 0 se hace P = 0. Luego como Y (0) = 0 se tendrı́a Z(i + 1) = Y (i + 1) − Y (i) = P donde i = 0, ..., n − 1. (15) 3 Estimación 3 23 Estimación • La dificultad de mayor de encuentra en la estimación del proceso Poisson compuesto. • Enfoque MCMC - Eraker y Polson (2003). • Enfoque de la distribución lı́mite - Sapozhnikov (2004). 4 Resultados Empı́ricos 4 Resultados Empı́ricos Para efectos de la aplicación se consideraron los precios de cierre de las acciones Volcán, Milpo, Morococha y El Brocal. Después de realizar una estimación simple utilizando medias y varianzas (pues se buscaban resultados preliminares) podemos simular los procesos estocásticos. A continuación observemos algunos caminos muestrales simulados de Volcan: 24 4 Resultados Empı́ricos 25 1 pc data ca mb 0.5 0 −0.5 −1 −1.5 50 100 150 200 250 300 350 400 450 500 Figura 7: Caminos muestrales Simulados: El gráfico muestra la estimación para el proceso de retornos acumulados. 4 Resultados Empı́ricos 26 1 0.8 data pc ca mb 0.6 0.4 0.2 0 −0.2 −0.4 −0.6 −0.8 50 100 150 200 250 300 350 400 450 500 Figura 8: Caminos muestrales Simulados: El gráfico muestra la estimación para el proceso de retornos punto a punto. 4 Resultados Empı́ricos 27 Para la estimación de ξ y β se ha trabajado con la información de los retornos puntuales sin el cero y con dos distribuciónes tentativas la primera es una LN (µ, σ 2 ) y la segunda es una Gamma(a1 , a2 ). En la Tabla 2 se muestra el valor del estadı́stico de la prueba de ajuste Kolmogorov-Smirnoff (KS) y su respectivo p-value para cada una de las series de datos. Tabla 2: Estadı́stico KS Acción LN p-value Gamma p-value Brocal 0.2024 0.000 0.1910 0.000 Milpo 0.1057 0.021 0.1066 0.018 Morococha 0.0780 0.000 0.0750 0.000 Volcan 0.0824 0.005 0.0869 0.003 4 Resultados Empı́ricos 28 Criterios para la evaluación de los procesos 1. El error cuadrático medio esperado (ECME) " n # X E (Retorno(i) − Z(i))2 /n . i=1 2. El error absoluto medio esperado (EAME) # " n X E |Retorno(i) − Z(i)|/n . i=1 3. El estadı́stico obtenido por la prueba ajuste de Kolmogorov-Smirnoff (KS). 4 Resultados Empı́ricos Es importante mencionar que los tres criterios se han realizado tanto para ξ y β con distribución lognormal y Gamma. Para los primeros dos criterios se han utilizado 25000 réplicas y para el último criterio 250. 29 4 Resultados Empı́ricos 30 Resultados ECME - LN Tabla 3: ECME - ξ, β ∼ LN Acción C. Aleat. M. Brown. P. Comp. Brocal 0.00290 0.00290 0.00290 Milpo 0.00113 0.00113 0.00114 Morococha 0.00336 0.00336 0.00336 Volcan 0.00366 0.00366 0.00367 4 Resultados Empı́ricos 31 Resultados ECME - Gamma Tabla 4: ECME - ξ, β ∼ Gamma Acción C. Aleat. M. Brown. P. Comp. Brocal 0.00274 0.00290 0.00274 Milpo 0.00113 0.00113 0.00114 Morococha 0.00332 0.00335 0.00332 Volcan 0.00373 0.00366 0.00373 4 Resultados Empı́ricos Conclusiones ECME • Todos los modelos tienen un valor de ECME muy similar, debido a que la media estimada por cada modelo es prácticamente la misma. • No se puede concluir que el modelo P.C. y el C.A.D. se comportan mejor que el movimiento browniano bajo este criterio. 32 4 Resultados Empı́ricos 33 Resultados EAME - LN Tabla 5: EAME - ξ, β ∼ LN Acción C. Aleat. M. Brown. P. Comp. Brocal 0.1777 0.2444 0.1652 Milpo 0.1603 0.1678 0.1524 Morococha 0.3070 0.3447 0.2884 Volcan 0.3393 0.3943 0.3337 4 Resultados Empı́ricos 34 Resultados EAME - Gamma Tabla 6: EAME - ξ, β ∼ Gamma Acción C. Aleat. M. Brown. P. Comp. Brocal 0.1704 0.2445 0.1585 Milpo 0.1603 0.1678 0.1524 Morococha 0.3060 0.3444 0.2871 Volcan 0.3404 0.3941 0.3354 4 Resultados Empı́ricos Conclusiones EAME • Se observa un mejor desempeño del proceso P.C. y el C.A.D. sobre el movimiento browniano. • No existe una diferencia significativa entre utilizar la distribu ción LN y Gamma para los modelos P.C. y el C.A.D. 35 4 Resultados Empı́ricos 36 Resultados KS - LN Tabla 7: KS - ξ, β ∼ LN Acción C. Aleat. M. Brown. P. Comp. Brocal 0.0817 0.3149 0.0631 Milpo 0.0758 0.1702 0.1208 Morococha 0.0461 0.2190 0.0841 Volcan 0.0248 0.3759 0.0293 4 Resultados Empı́ricos 37 Tabla 8: % Rechazo de H0 - ξ, β ∼ LN Acción C. Aleat. M. Brown. P. Comp. Brocal 100.00 100.00 99.50 Milpo 40.50 100.00 99.50 Morococha 100.00 100.00 100.00 0.50 100.00 3.00 Volcan 4 Resultados Empı́ricos 38 Resultados KS - Gamma Tabla 9: KS - ξ, β ∼ Gamma Acción C. Aleat. M. Brown. P. Comp. Brocal 0.0769 0.3141 0.0600 Milpo 0.0782 0.1711 0.1211 Morococha 0.0763 0.1693 0.1187 Volcan 0.0261 0.3740 0.0283 4 Resultados Empı́ricos 39 Tabla 10: % Rechazo de H0 - ξ, β ∼ Gamma Acción C. Aleat. M. Brown. P. Comp. Brocal 100.00 100.00 97.00 Milpo 47.50 100.00 99.50 Morococha 100.00 100.00 100.00 0.50 100.00 2.00 Volcan 4 Resultados Empı́ricos Conclusiones KS • Recordar que utilizamos el valor del estadı́stico de la prueba como herramienta de comparación entre modelos. Se podrı́a utilzar el p-value o la probabilidad que se se rechace la hipótesis nula. • Existe una marcada superioridad de los procesos P.C. y el C.A.D. Se debe a la acumulación de retornos con valor 0. • El uso de la variable aleatoria Gamma genera resultados ligeramente superiores. 40 5 Conclusiones 5 41 Conclusiones • Bajo los criterios anteriores los modelos Poisson compuesto y el C.A.D serı́an más adecuados que el movimiento browniano para modelar retornos de acciones poco lı́quidas. • Lo anterior no indica que los modelos Poisson compuesto y el camino aleatorio discreto realicen un buen ajuste. • A medida que la acción presente más periodos sin alteración en el precio los modelos propuestos son más útiles. Revisar Volcan. 6 Observaciones 6 Observaciones • Los resultados son preliminares, se espera una mejora al utilizar métodos más elaborados de estimación. • Ultilizar otras distribuciones diferentes al LN y Gamma dado que su ajuste es pobre. • Modificaciones al modelo binomial. • Probar el ajuste de los procesos Poisson compuesto y C.A.D. a acciones más lı́quidas. • Utilizar prueba χ2 . 42 Referencias Referencias [1] D. Applebaum. Levy processes and stochastic calculus. Cambridge University Press, 2004. [2] B. Eraker, M. Johannes, and N. Polson. The impact of jumps in volatility and returns. Journal of Finance, 58:1269, 2003. [3] P. Glasserman. Monte Carlo methods in financial engineering. Springer-Verlag, 2004. [4] M. Johannes and N. Polson. Handbook of financial econometrics, chapter MCMC methods for continuoustime financial econometrics. Elservier, New York, 2002. [5] R. Merton. Option pricing when the underlying returns are discontinuous. Journal of Financial Economics, 3:323, 1976. [6] P. Sapozhnikov. Estimation of parameters od a compound Poisson process. Journal of Mathematical Sciences, 119(3):307,2004. 43