Caminantes aleatorios. Secuencias Aleatorias Contenidos 1. Secuencias aleatorias. – Caminantes aleatorios. – Movimiento Browniano. La hipótesis de eficiencia de los mercados implica que la cotización de un tı́tulo en el mercado bursátil se comporta como un caminante aleatorio. Por ello, vamos a estudiar desde un punto de vista numérico las propiedades de este caminante random walk. • Supongamos una “partı́cula” cuya dinámica se desarrolla en – Tiempo discreto t = 0, 1, 2, . . . – Espacio discreto n = 0, ±1, ±2, . . . Nota: En finanzas la variable “espacio” corresponde al precio o al rendimiento del subyacente. • La dinámica de la partı́cula es estocástica, y puede ser expresada con la siguiente ecuación ξn←m(t)Im(t), In(t + 1) = m donde In(t) es un indicador igual a 1 si la partı́cula se encuentra en el nodo n en tiempo t, y cero en caso contrario. La variable ξn←m(t) es una variable estocástica que indica si en el tiempo t hay un salto de la partı́cula del nodo m al nodo n. 1 • Dado que la dinámica es estocástica, tiene más sentido estudiar la evolución de un conjunto de caminantes aleatorios: Sea la configuración de nuestro sistema de caminantes aleatorios {Pn(t); n = 0, ±1, ±2, . . .}, donde Pn(t) es la fracción de partı́culas en el nodo n a tiempo t. La ecuación de evolución en promedio de esta distribución es Wn←mPm(t) Pn(t + 1) = Pn(t) + − m=n Wm←nPn(t), τ =1 donde Xτ = +1 con probabilidad p −1 con probabilidad (1 − p) – La ecuación de evolución es Pn(t + 1) = pPn−1(t) + (1 − p)Pn+1(t) – La solución con la condición inicial Pn(0) = δn0 es m=n donde Wm←n es la probabilidad de transición del nodo n al nodo m. Utilizando la propiedad • Consideremos el caso que el camino aleatorio sea de la forma t Xτ Zt = Z0 + P (Zt = n|Z0 = 0) = t 1 2 (t + n) p(t+n)/2(1−p)(t−n)/2 , si n y t tienen la misma paridad, 0 en caso contrario. – Propiedades: Wm←n = 1, ∗ Para p = 1/2 la distribución de probabilidad es el triángulo de Tartaglia, con un factor de normalización. m la ecuación se puede reescribir como Wn←mPm(t). Pn(t + 1) = ∗ Homogeneidad en el espacio y en el tiempo m P (Zt = n|Zτ = m) = P (Zt−τ = n − m|Z0 = 0) 2 3 ∗ La solución para una condición inicial distinta es Pn(t) = Barreras. Pm(0)P (Zt = n|Z0 = m) m Consideremos las propiedades del caminante aleatorio en presencia de barreras ∗ Probabilidad de vuelta al origen P (Zt = 0|Z0 0 = 0) = 2ττ p (1 − p) τ τ si t = 2τ + 1 • ¿ Cual es la probabilidad que un caminante aleatorio que comienza en a alcance N > a antes que 0 ? si t = 2τ P (Zt = N antes que Zt = 0|Z0 = a) a ∗ Número de visitas medias al punto de partida = ∞ 1 P (Zt = 0|Z0 = 0) = N0 = |1 − 2p| t=0 a/N ∞ m m=0 m si p = si p = 1 2 1 2 • Considerar un sistema con la siguiente ecuación dinámica Nota: Se ha utilizado la igualdad 2m x ((1−p)/p) −1 ((1−p)/p)N −1 Pn(t + 1) = pPn+1(t) + qPn−1(t), 1 = √ 1 − 4x con p + q = 1, y las condiciones de contorno ∗ Probabilidad de regreso al punto de partida P0(t) = 0; P (Zt = 0 para algún t > 0|Z0 = 0) = 1 − |2p − 1| ∗ El tiempo medio de regreso al origen diverge. La solución estacionaria es n Pn = 4 PN (t) = 1. (q/p) −1 (q/p)N −1 n/N si p = 1/2 si p = 1/2 5 • Considerar un problema donde cada partı́cula puede encontrarse en los nodos n = 0, 1, 2, 3, 4 de una cuerda. La evolución es del tipo Pn(t + 1) = 4 la distribución de equilibrio es (∗) = 5.263 (∗) = 13.158 (∗) = 13.158 (∗) = 13.158 (∗) = 5.263. P0 P1 Wn←mPm(t), P2 m=0 P3 con la matriz de probabilidades de transición ⎛ ⎞ 0 0.4 0 0 0 ⎜ 1 0.2 0.4 0 0 ⎟ ⎜ ⎟ ⎟, 0 0.4 0.2 0.4 0 W=⎜ ⎜ ⎟ ⎝ 0 0 0.4 0.2 1 ⎠ 0 0 0 0.4 0 P4 En MATLAB: La instrucción de MATLAB sobre la matriz cuadrada M [V,D] = eig(M) correspondiente a dos barreras reflectantes en n = 0, 4. La distribución estacionaria viene dada por la ecuación de autovalores WP ∗ = P ∗. Para una distribución original (∗) = 10 (∗) = 10 (∗) = 10 (∗) = 10 (∗) = 10 P0 P1 P2 P3 P4 6 devuelve en V =⇒ Matriz de autovectores normalizados D =⇒ Vector con los autovalores correspondientes 7 con una constante de difusión Relación entre el caminante aleatorio y un proceso de difusión. D= El caminante aleatorio es la versión discreta de un proceso de difusión • • Caso asimétrico P (x, t + ∆t) = [pP (x + ∆x, t) + qP (x − ∆x, t)] , con p + q = 1 Caso simétrico Consideremos un caminante aleatorio simétrico, en un espacio y tiempo discretos P (x, t + ∆t) = (∆x)2 ∆x→0,∆t→0 2∆t lim 1 [P (x + ∆x, t) + P (x − ∆x, t)] . 2 – La ecuación se puede reformular de la siguiente forma – La ecuación se puede reformular de la siguiente forma P (x, t + ∆t) − P (x, t) = 1 (p − q) [P (x + ∆x, t) − P (x − ∆x, t)] + 2 1 (P (x + ∆x, t) + P (x − ∆x, t) − 2P (x, t)) 2 – En el lı́mite continuo (∆x → 0, ∆t → 0), la ecuación en diferencias finitas se convierte en la ecuación de difusión con un término de advección P (x, t + ∆t) − P (x, t) 1 = (P (x + ∆x, t) + P (x − ∆x, t) − 2P (x, t)) . 2 – En el lı́mite continuo (∆x → 0, ∆t → 0), la ecuación en diferencias finitas se convierte en la ecuación de difusión ∂P (x, t) (∆x)2 ∂ 2P (x, t) = , ∂t 2∆t ∂x2 ∂P (x, t) (∆x)2 ∂ 2P (x, t) ∂P (x, t) = (p − q) + , ∂t ∂x 2∆t ∂x2 con una constante de difusión D= 8 (∆x)2 2∆t 9 • En 2-D Movimiento Browniano. 1 [P (x − ∆x, y, t) + P (x, y − ∆y, t) 4 + P (x + ∆x, y, t) + P (x, y + ∆y, t)] , P (x, y, t + ∆t) = En el lı́mite continuo (∆x → 0, ∆y → 0, ∆t → 0), la ecuación en diferencias finitas se convierte en la ecuación de difusión en 2 dimensiones Consideremos la ecuación diferencial estocástica dZt = µdt + σdWt, con ruido blanco y Gaussiano. ∂ 2P (x, y, t) ∂ 2P (x, y, t) ∂P (x, y, t) = Dxx + Dyy , ∂t ∂x2 ∂y 2 • Ecuación de Langevin con coeficientes de difusión constantes Dxx = 2 (∆x) , 2∆t Dyy = (∆y) 2∆t dZt ≡ Ż(t) = µ + σξ(t) dt con las propiedades 2 ξ(t) = 0 ξ(t)ξ(s) = δ(t − s) – Formalmente, la solución de la dinámica puede escribirse como Z(t) = Z0 + µt + σ 10 0 t dτ ξ(τ ) 11 – El promedio evoluciona según la ecuación – Ecuación de Fokker-Planck Z(t) = Z0 + µt – Definiendo Definimos la densidad de probabilidad P (x, t) ≡ P (Zt = x, t), Ẑ(t) = Z(t) − Z(t) , el segundo momento central evoluciona según la ecuación Ẑ(t)Ẑ(t) = σ 2 t – Autocovarianza que satisface la ecuación ∂ 1 ∂2 ∂ P (x, t) = −µ P (x, t) + σ 2 2 P (x, t). ∂t ∂x 2 ∂x Esta ecuación recibe el nombre de ecuación de Fokker-Planck. ∗ Para la condición inicial Ẑ(t)Ẑ(t0) = σ 2min(t, t0) – Ver demoBrownianoAritmetico.m P (x, 0) = δ(x − Z0) tiene la solución (z − µt)2 , exp − K(x, t) = √ 2σ 2t 2πσ 2 t 1 con z = x − Z0. 12 13 ∗ Para una condición inicial arbitraria – Propiedades del movimiento Browniano P (x, 0) = P0(x) En este apartado estudiaremos de manera numérica alguna de las propiedades del movimiento Browniano con µ = 0, σ = 1. la ecuación de Fokker-Planck tiene la solución ∞ dx K(x − x , t)P0(x ) P (x, t) = ∗ Tiempo de primer paso −∞ ∗ la evolución del promedio xt ≡ ∞ −∞ T (x) = inf {t > 0 : Wt = x} La distribución de probabilidad es xP (x, t) 2 x |x| , exp − P (T (x) = t) = √ 2t 2πt3 sigue la ecuación d xt = µ =⇒ xt = xt + µt dt t≥0 ∗ Máximo en un intervalo ∗ El momento central de orden 2 ∞ 2 2 x2P (x, t) − xt x̂ t ≡ M (t) = max {Ws : 0 ≤ s ≤ t} La distribución de probabilidad es −∞ P (M (t) = u) = sigue la ecuación 2 u 2 exp − , πt 2t t≥0 d 2 x̂ t = σ 2 =⇒ x̂2 t = x̂2 0 + σ 2t dt 14 15 ∗ Nota: Puente Browniano Las distribuciones de probabilidad acumulada de T (x) y de M (t) están relacionadas P (T (x) ≤ t) = P (M (t) ≥ x) ∞ 2 u 2 , du exp − = πt x 2t Objetivo: t, x ≥ 0 ∗ Probabilidad de regreso a 0 Simular un proceso de Wiener que tome los valores W0, W1, . . . , WN en los instantes t0 < t1 < . . . < tN . Consideremos el instante t, tn ≤ t ≤ tn+1 Dado un proceo Browniano que comienza en 0 para t = 0 la probabilidad de encontrar un cero en el intervalo (t0, t1) es 2 t0 P ( cero en (t0, t1)) = arccos π t1 P [W (t) = B | W (tn ) = Wn, W (tn+1 ) = Wn+1] = P [W (t) = B, W (tn+1 ) = Wn+1 | W (tn ) = Wn] P [W (tn+1 ) = Wn+1 | W (tn ) = Wn] Usando las expresiones P [W (t) = B, W (tn+1 ) = Wn+1 | W (tn ) = Wn ] 1 exp − (B − W 2 2π n )(Wn+1 − Wn ) · P [W (tn+1 ) = Wn+1 | W (tn ) = Wn ] 16 = (t − tn ) (t − tn ) = (t − tn ) (tn+1 − tn ) 2π(t 1 (t − tn ) (t − tn ) −1 1 n+1 − tn ) · exp (t − tn ) (tn+1 − tn ) Z − Wn Wn+1 − Wn (Wn+1 − Wn )2 − 2(tn+1 − tn )2 17 con el resultado P [W (t) = B | W (tn ) = Wn, W (tn+1 ) = Wn+1] √ 1 2πσnB (t) 2 (B − µB n (t)) − 2[σnB (t)]2 exp µB n (t) = Wn + [σnB (t)]2 = Movimiento Browniano como lı́mite contı́nuo del caminante aleatorio = t − tn Wn+1 tn+1 − tn Consideremos el problema de lanzar una moneda N veces. El objetivo es encontrar la distribución del número de caras n obtenidas a lo largo de N lanzamientos (t − tn)(tn+1 − t) tn+1 − tn Pn(t + 1) = (1 − p)Pn(t) + pPn−1(t) Esta fórmula sugiere dos maneras de realizar una simulación de un puente Browniano para valores tn ≤ t ≤ tn+1 < n(N + 1) >=< n(N ) > +p, • Método 1 B(t) • La evolución para el promedo de caras obtenidas es = cuya solución en t − tn Wn + (Wn+1 − Wn) + tn+1 − tn < n(N ) >= pN (t − tn )(tn+1 − t) X, tn+1 − tn • La distribución de probabilidad buscada es donde X ∼ N (0, 1). wN (m) = • Método 2 B(t) = W (t) − t − tn (W (tn+1 ) − Wn+1) tn+1 − tn N! (1 − p)N −mpm. m!(N − m)! Antes de buscar el lı́mite asintótico de esta distribución, es necesario derivar el lı́mite asintótico del factorial es necesario donde W (t) es un Browniano tal que W (tn ) = Wn. 18 19 • • Utilizando la fórmula de Stirling para m, N → ∞ Fórmula de Stirling Vamos a derivar la fórmula de Stirling mediante la evaluación asintótica de una cuadratura ∞ dt tne−t n! = 0 – Realizamos el cambio de variable t = sn ∞ n+1 ds exp {−n(s − log s)} I =n 0 – Buscamos el valor para el cual el exponente y(s) = s − log s es mı́nimo N! (1 − p)N −mpm (N − m)!m! wN (m) = NN N ≈ (1 − p)N −m pm N −m m 2πN (N − m)m (N − m) m m−N −1/2 −m−1/2 1 m (N − m) = Np 2πN p(1 − p) N (1 − p) • Definiendo la nueva variable x ≡ m − Np y (s) ≡ 1 − 1/s = 0 =⇒ s = 1. podemos escribir – Hacemos un desarrollo cuadrático del exponente en torno al mı́nimo 1 y(s) = 1 + (s − 1)2 + . . . 2 – Evaluamos la integral gaussiana (extendiendo el lı́mite inferior a −∞) I ≈ n(n/e)n ∞ −∞ ds (s−1)2 −n 2 e wN (m) ≈ 1 2πN p(1 − p) (x−N (1−p)−1/2) x 1− N (1 − p) x 1+ Np −(x+N p+1/2) . resultante √ = 2πn(n/e)n , n → ∞ 20 • Anticipando que la variable √ x ≈ O( N ), N → ∞ 21 y utilizando el desarrollo (1 + x) = exp(ln(1 + x)) = exp(x − x2 + . . .) 2 obtenemos x2 1 exp − , wN (m) ≈ 2N p(1 − p) 2πN p(1 − p) que corresponde a un movimiento Browniano para x con t ∆t µ = 0 1 σ2 = p(1 − p) ∆t N = 22