CÁLCULO ESTOCÁSTICO EN FINANZAS. Daniel PÉREZ Fernandez

T
Cálculo estocástico en finanzas:

Aplicación del Modelo Browniano
Geométrico para la predicción del
activo subyacente FCC.MC en el
IBEX-35
Aplicación del modelo con Python y
representación en página web:
http://cotizaccion.imm.upv.es/Dani
Autor:
D. Daniel Pérez Fernández
Directores:
Dr. Juan Carlos Cortés López
Dr. Rafael Jacinto Villanueva Micó

Índice de contenido
Índice de Figuras ....................................................................................................................... 1
Índice de Tablas ........................................................................................................................ 3
Índice de Gráficos ..................................................................................................................... 5
CAPÍTULO 1. INTRODUCCIÓN ................................................................................................ 7

1.1. Resumen del trabajo de fin de grado .................................................................................. 8
1.2. Objetivos del trabajo de fin de grado ................................................................................ 9
1.3. Justificación de asignaturas relacionadas ........................................................................ 11
CAPÍTULO 2. ANTECEDENTES Y SITUACIÓN ACTUAL. FCC, S.A ................................ 15

2.1. Antecedentes y situación actual ....................................................................................... 15
2.2. FCC, S.A ......................................................................................................................... 17
2.2.1. Historia de FCC .................................................................................................... 18
2.2.2. Estructura del grupo ............................................................................................. 23
2.2.3. FCC en bolsa: Evolución. ..................................................................................... 26
2.2.4. Principales ratios económico-financieros ............................................................ 29
CAPÍTULO 3. CÁLCULO ESTOCÁSTICO DE ITO ............................................................... 33

3.1. Movimiento Browniano ................................................................................................... 33
3.2. Propiedades estadísticas del Movimiento Browniano ..................................................... 35
3.3. Simulación del Movimiento Browniano .......................................................................... 36
3.4. El cálculo de Itô ............................................................................................................... 38
3.4.1. La integral de Itô .................................................................................................. 39
3.4.2. Propiedades de la integral de Itô .......................................................................... 44
CAPÍTULO 4. EL MODELO BROWNIANO GEOMÉTRICO ............................................... 47

4.1. Motivación del modelo para subyacentes en condiciones de certidumbre ...................... 48
4.2. Motivación del modelo para un subyacente cotizado: El Modelo Browniano Geométrico.
................................................................................................................................................. 49
4.3. Solución del Modelo Browniano Geométrico ................................................................. 51
4.3.1. Solución del Modelo Browniano Geométrico sin aplicar el Cálculo de Itô ........ 51
4.3.2. Solución del Modelo Browniano Geométrico aplicando el Cálculo de Itô ......... 55
4.4. Propiedades estadísticas del proceso estocástico solución del Modelo Browniano
Geométrico ............................................................................................................................. 56
4.5. Calibración de los parámetros del Modelo Browniano Geométrico ............................... 58
4.5.1. Método de Máxima Verosimilitud ....................................................................... 59
4.5.2. Método no paramétrico ........................................................................................ 65
4.6. Validación del modelo Browniano Geométrico ............................................................... 67

4.6.1. Medidas de bondad de ajuste: Error Cuadrático Medio y MAPE ........................ 68
4.6.2. Intervalos de confianza ......................................................................................... 69
4.6.3. Gráficos comparativos .......................................................................................... 71
4.7. Predicción ......................................................................................................................... 72
CAPÍTULO 5. APLICACIÓN DEL MODELO BROWNIANO GEOMÉTRICO AL

SUBYACENTE FCC (FCC.MC). METODOLOGÍA ............................................................... 73
5.1. Lenguaje de programación Python ................................................................................... 73
5.2. Estimación de los parámetros del Modelo Browniano Geométrico ................................ 74
5.2.1. Estimación de parámetros por el Método de Máxima Verosimilitud .................. 75
5.2.2. Estimación de parámetros por un método no paramétrico ................................... 76
5.3. Validación del Modelo Browniano Geométrico ............................................................. 77
5.3.1. Estimaciones puntuales: Cálculo de la media y varianza teórica ........................ 78
5.3.2. Validación por intervalos de confianza: Cálculo de los intervalos de confianza

teóricos ......................................................................................................................... 79
5.3.3. Medidas de bondad de ajuste: Cálculo del error cuadrático medio (MSE) y del
error porcentual absoluto medio (MAPE) ..................................................................... 82
5.4. Predicciones para el subyacente FCC (FCC.MC) .......................................................... 83
CAPÍTULO 6. PÁGINA WEB: http://cotizaccion.imm.upv.es/Dani ......................................... 85

6.1. Equipo necesario.............................................................................................................. 85
6.2. Programación con Python ............................................................................................... 85
6.2.1. Obtención del histórico de cotizaciones .............................................................. 86
6.2.2. Ejecución del Modelo Browniano Geométrico sobre el histórico ....................... 87
6.2.3. Generación de ficheros. ...................................................................................... 88
6.2.4. Actualización de la página web ........................................................................... 93

6.3. Cron (Linux) .................................................................................................................. 93
6.4. Página web: http://cotizaccion.imm.upv.es/Dani ........................................................... 93
6.5. Diagrama de proceso de los programas........................................................................... 94
CAPÍTULO 7. CONCLUSIONES Y PROPUESTAS DE MEJORA ........................................ 97
BIBLIOGRAFÍA....................................................................................................................... 101
Modelo Browniano Geométrico para la predicción del activo subyacente FCC.MC
Índice de Figuras
Figura 2.1: Presencia de FCC en el mundo ................................................................................ 18
Figura 2.2: Principales hechos históricos en FCC hasta el año 2003 .......................................... 19
Figura 2.3: Consejo de Administración de FCC ......................................................................... 25
Figura 2.4: Comisión Ejecutiva de FCC ..................................................................................... 26
Figura 4.1: Capitalización a interés compuesto continuo ............................................................ 48
Figura 5.1 Función Log-Verosimilitud en Python ...................................................................... 75
Figura 5.2 Resultados del programa: Parámetros por Máxima Verosimilitud ............................ 76
Figura 5.3 Resultados del programa: Parámetros por método no paramétrico ........................... 77
Figura 5.4 Resultados de las funciones media y varianza ........................................................... 79
Figura 5.5 Resultados Intervalos de Confianza 95% .................................................................. 80
Figura 6.1 Tareas principales de los programas .......................................................................... 86
Figura 6.2 Histórico de cotizaciones de FCC .............................................................................. 87
Figura 6.3 Proceso completo de los programas ........................................................................... 95
1
2
Índice de Tablas
Tabla 2.1 Principales Ratios Económico-Financieros de FCC ................................................... 30
Tabla 3.1 Justificación de la identidad (3.3.1) para la simulación del Movimiento Browniano . 37
Tabla 5.1 Tabla comparativa de parámetros según modelo de estimación ................................. 77
Tabla 5.2 Resultados de las medidas de bondad de ajuste .......................................................... 83
Tabla 5.3 Resultados comparativos de predicciones y valores reales ......................................... 84
Tabla 6.1 Predicciones e Intervalos de Confianza 95% en página web ...................................... 89
Tabla 6.2 Medidas de bondad del ajuste en página web ............................................................. 89
Tabla 6.3 Comparativa predicciones y cotizaciones reales ......................................................... 91
Tabla 6.4 Comparativa predicciones según método y cotizaciones reales .................................. 91
Tabla 6.5 Comparativa medidas de bondad de ajuste ................................................................. 92
3
4
Índice de Gráficos
Gráfico 2.1 Evolución de FCC.MC en bolsa. Período enero 2010 hasta junio 2015 .................. 27
Gráfico 2.2 Evolución del IBEX-35. Período enero 2010 hasta junio 2015 ............................... 28
Gráfico 3.1 Simulación del Movimiento Browniano .................................................................. 38
Gráfico 5.1 Intervalos de confianza, medias teóricas, reales y previsión.................................... 81
Gráfico 6.1 Intervalos de confianza, medias, cotización histórica y predicción en web ............. 90
Gráfico 6.2 Predicción, Intervalos de Confianza y cotizaciones reales últimos 10 días ............. 92
5
6
1. Introducción
La coyuntura económica, con bajos tipos de interés, y una política
por parte del Banco Central Europeo que aplica un gran plan de compra de
deuda para devolver la estabilidad a la zona euro, está favoreciendo que
suban las principales bolsas del mundo.
Estando la demanda asegurada, la rentabilidad de la renta fija va a seguir

cayendo y no se descarta que el bund alemán se sitúe en torno al cero o
que el bono español a diez años alcance el 1%. Ante esta situación, la renta
fija no satisface las expectativas de los inversores, su rendimiento no es
suficiente. Este hecho acerca a muchos inversores a la renta variable como
vía para encauzar sus inversiones y obtener unas plusvalías satisfactorias
en detrimento de la renta fija.
Ante la demanda de renta variable como mecanismo de inversión, aumenta

también la demanda de otros mecanismos: los de predicción de valores
bursátiles. De forma que el inversor se vea dotado de herramientas que le
guíen en la toma de decisiones.
Desde que existe el ser humano, éste se ha preocupado de forma entusiasta

por conocer y explicar lo que le rodea; y para ello ha puesto especial
empeño en cuantificar todo cuanto ha podido. De esta manera surgió como
disciplina, hace aproximadamente unos 4 000 años, la matemática. Desde
entonces ha hecho evidente su descontada capacidad para modelizar el
mundo que nos rodea y, de este modo, realizar predicciones en cualquier
ámbito de estudio, las finanzas no son menos.
A día de hoy, existen numerosos modelos para predecir, entre otras

muchas cosas, el valor de activos subyacentes. Todos estos modelos
matemáticos se han ido haciendo cada vez más efectivos con correcciones,
ampliaciones, etc.
7
1.1 Resumen del trabajo de fin de grado
En el presente TFG estudiamos un modelo estocástico, el Modelo

Browniano Geométrico, y lo aplicamos para el activo subyacente FCC
(FCC.MC). Con esto, nuestro objetivo es obtener predicciones del valor
bursátil del activo a corto plazo.
El Modelo Browniano Geométrico o Log-Normal atiende a modelos

estocásticos de un factor, quedando éstos representados por una ecuación
diferencial estocástica de tipo Itô que contiene en su formulación la
tendencia y la volatilidad local del subyacente. La aleatoriedad se
introduce en dicha ecuación mediante la derivada del Movimiento
Browniano (o proceso estocástico de Wiener), llamado proceso de ruido
blanco (white noise process).
Para la aplicación del modelo, es necesario estimar previamente los

parámetros que aparecen en el mismo. Con este objetivo, se van a aplicar
dos métodos: el método de Máxima Verosimilitud y un método no
paramétrico.
Una vez se obtienen los parámetros por medio de la estimación, se valida

el modelo. Es aquí donde se calculan las estimaciones de media y varianza,
los intervalos de confianza y las medidas de bondad del ajuste. Las
medidas de bondad de ajuste utilizadas en el presente trabajo han sido el
error porcentual absoluto medio (MAPE) y el error cuadrático medio
(RMSE).
Además, se representarán gráficamente la función media y los intervalos

de confianza del 95% junto a los valores reales observados. Así pues,
validaremos la modelización numéricamente y también de forma visual.
Por último, se llevarán a cabo las predicciones del activo subyacente en
cuestión para los 5 días siguientes al último dato del histórico registrado.
Por otro lado, se han empleado dos programas informáticos (uno por cada
método de estimación de parámetros) utilizando el lenguaje de
programación Python en los que aplicaremos el Modelo Browniano
8
Geométrico sobre el activo subyacente escogido, en este caso FCC

(FCC.MC); aunque los programas serán aplicables a cualquier otro activo
subyacente. Dichos programas conectan con la página web
https://es.finance.yahoo.com, de la cual se puede extraer el histórico de
cotizaciones del subyacente, y aplican el modelo y generan ficheros con
los resultados obtenidos en tablas y gráficos.
Por último, una vez aplicados estos programas sobre el activo subyacente
FCC (FCC.MC), los resultados obtenidos con los programas serán
mostrados en una página web editada para el presente TFG,
http://cotizaccion.imm.upv.es/Dani que se actualizará diariamente. Esta
web está emplazada en un dominio propiedad del Instituto de Matemática
Multidisciplinar de la UPV y se encargará de mostrar de forma pública, los
resultados obtenidos con el Modelo Browniano Geométrico. De esta
manera se logra que cualquier persona interesada pueda conocer el modelo
y su aplicación y comprobar su efectividad.
1.2 Objetivos del trabajo de fin de grado
El objetivo principal de este TFG es el estudio en mayor profundidad y

la utilización de métodos cuantitativos para la predicción de valores
bursátiles de activos subyacentes a corto plazo, para después aplicarlos a
una situación real en concreto.
En el caso del presente trabajo, estas técnicas han sido aplicadas a la

modelización y predicción del valor del activo subyacente FCC
(FCC.MC), perteneciente al IBEX-35.
Todo este estudio se realiza a través del modelo estocástico Log-Normal

para la predicción de subyacentes. Para su resolución es necesario conocer
y aplicar el Cálculo Estocástico de Itô. Como se ha señalado
anteriormente, los resultados obtenidos a partir del modelo serán
mostrados en una página web creada para este TFG. Además y en relación
a todo ello, otros objetivos planteados en el desarrollo de esta memoria
son:
9
 Estudiar técnicas estocásticas adecuadas, basadas en el Cálculo de

Itô, que permitan analizar el Movimiento Browniano Geométrico,
desde un punto de vista probabilístico, para estudiar la dinámica
temporal de un activo subyacente.
 Determinar el proceso estocástico solución del Movimiento
Browniano Geométrico utilizando el cálculo estocástico de Itô.
 Determinar las principales propiedades estadísticas del Movimiento
Browniano Geométrico utilizando el cálculo estocástico de Itô y las
propiedades estocásticas del Movimiento Browniano.
 Llevar a cabo la modelización, a partir de un histórico de datos (de
cotización en este caso), de la evolución del subyacente FCC
(FCC.MC).
 Validar el modelo mediante las medidas de bondad de ajuste
RMSE y MAPE y construir intervalos de confianza.
 Predecir los valores que tomará el subyacente FCC (FCC.MC) a
corto plazo.
 Apreciar la eficacia del modelo comparando las predicciones que
éste realice a partir de la calibración de los parámetros del modelo
con base a datos históricos reales.
 Obtener predicciones a partir de dos métodos distintos de
estimación de parámetros y compararlas para asegurar la robustez
de las estimaciones.
 Generar y utilizar un programa basado en el lenguaje de
programación Python para poder aplicar el Modelo Browniano
Geométrico y así obtener predicciones.
 Editar una página web donde se introduzca el estudio realizado en
este trabajo y se muestren los resultados del mismo actualizados
diariamente (en tiempo real) de forma dinámica.
10
1.3 Justificación de asignaturas relacionadas
Para la elaboración del presente TFG han sido empleados los

conocimientos y aptitudes adquiridos en muchas de las asignaturas
cursadas en el Grado de Administración y Dirección de Empresas. A
continuación, se detallan las asignaturas más destacadas para la realización
de este TFG en cada capítulo del mismo.
Capítulo 2: Situación actual. FCC.
Para este capítulo han sido necesarios conocimientos adquiridos en varias

de las asignaturas cursadas a lo largo de la carrera:
 “Introducción a la Administración de Empresas” (Primer

curso): Esta asignatura proporciona un conocimiento de la
administración de empresas y una visión general de los mercados y
los sectores a todos los niveles (local, nacional e internacional).
 “Estrategia y Dirección de la Organización” (Segundo curso):
Esta asignatura provee de un conocimiento general de las
numerosas estrategias que se pueden tomar en el ámbito de la
empresa, de cómo analizar el entorno y desarrollar y aplicar
programas para modificar el impacto de éste en la empresa.
 “Análisis y Consolidación Contable” (Tercer curso): En esta
asignatura se estudian métodos de análisis para las cuentas anuales
de la empresa haciendo uso de ratios económico-financieros de tal
manera que se pueda extraer información y conclusiones sobre la
misma.
 “Dirección Financiera” (Cuarto curso): En esta asignatura se
estudian las diversas vías de financiación y capitalización por parte
de las empresas (préstamos, empréstitos, ampliaciones de capital,
etc.) y cómo valorar los activos financieros que se derivan de estas
operaciones.
 “Banca y Bolsa” (Cuarto curso): En esta asignatura se estudian en
mayor detalle los mercados financieros y las principales
operaciones bursátiles.
11
Capítulos 3, 4 y 5: Cálculo estocástico de Itô, Modelo

Browniano Geométrico y aplicación del mismo
Aunque hemos tenido que llevar a cabo un profundo estudio más allá de lo
que se ha visto en la titulación, las asignaturas de las se han extraído
conocimientos necesarios para el desarrollo de estos capítulos son:
 “Modelos Matemáticos para ADE” (Primer curso): Esta

asignatura proporciona una base matemática imprescindible para
poder analizar todos aquellos aspectos de la economía y de la
empresa que requieran un enfoque cuantitativo. Esta asignatura
aporta una introducción a la modelización matemática aplicada a la
economía y una de las principales herramientas que se estudian, en
lo que respecta a este TFG, son a las ecuaciones diferenciales en
las que se fundamenta el Modelo Browniano Geométrico.
 “Métodos Estadísticos en Economía” (Segundo curso): Mediante
la estadística es posible analizar datos y extraer conclusiones sobre
el comportamiento de las variables implicadas en determinados
procesos. La asignatura aporta un conocimiento clave para
entender el funcionamiento del Modelo Browniano Geométrico, así
como su aplicación.
 “Econometría” (Tercer curso): En esta asignatura se aprenden a
utilizar potentes técnicas estadísticas en el análisis económico con
objeto de poder modelizar, analizar, interpretar y realizar
predicciones sobre sistemas de variables económicas tales como el
precio, la demanda, los costes de producción, etc.
 “Contabilidad de Empresas Financieras” (Cuarto curso): Esta
asignatura abarca el estudio del gobierno corporativo en las
empresas y resulta realmente útil para entender las diferentes
funciones de órganos como el consejo de administración, la junta
de accionistas, la ejecutiva, etc.
12
Capítulo 5: Aplicación del Modelo Browniano Geométrico

al subyacente FCC (FCC.MC)
Para este capítulo resultan muy útiles los conocimientos adquiridos en las
prácticas de laboratorio de diferentes asignaturas (MADE, Métodos
Estadísticos, Econometría, etc.) en las que se han utilizado programas
como Wolfram Mathematica o el software libre R; este conocimiento ha
resultado muy importante para poder hacer uso del lenguaje de
programación Python en este trabajo.
Capítulo 6: Página web: http://cotizaccion.imm.upv.es/Dani
Para el desarrollo de este capítulo hemos tenido que adquirir

conocimientos que no se desarrollan propiamente en el Plan de Estudios de
la titulación, como es el diseño de páginas webs.
13
14
2. Antecedentes y situación actual.

FCC, S.A.
El Capítulo 2 aborda la perspectiva general de la economía y la
inversión en el contexto actual de la compañía FCC, de la cual se va a
realizar la predicción de su cotización en bolsa en el presente TFG.
2.1 Antecedentes y situación actual
El consenso de la mayoría de analistas es que la economía española

crecerá entre un 1.5% y un 2% a lo largo del año 2015, respaldada por el
BCE que con su compra de deuda ha provocado que el bono español a 10
años se sitúe en torno al 1.9%. Los expertos destacan también que el Ibex
podría subir hasta un 15%. En 2014 las familias aumentaron sus
inversiones como demuestra que el volumen en efectivo se redujera en un
8.4% hasta los 76 821 millones de euros. Este dinero se destinó a
depósitos, que aumentaron un 10%, pero sobre todo a los fondos de
inversión, que crecieron en un 26% hasta los 225 192 millones de euros.
Las acciones no cotizadas subieron en un considerable 21.5%. Nos
encontramos, por tanto, ante un panorama de disminución de la aversión al
riesgo por parte de los pequeños inversores, de una bajada considerable de
los tipos de interés y de un buen momento para las empresas españolas,
que aumentarán sus beneficios, y por lo tanto, el reparto de dividendos.
Los valores representativos de los mercados que más destacan desde un

punto de vista técnico son el S&P5001 que se encuentra un 35% por
encima de los máximos que alcanzó antes del estallido de la crisis en 2007.
El Dax2 a su vez también ha superado niveles históricos y la bolsa
española se encuentra en una tendencia claramente alcista que se mantiene
constante desde principio de año.
1
El índice Standard & Poor's 500, también conocido como S&P 500, es uno de los índices bursátiles más
importantes de Estados Unidos y se le considera el índice más representativo de la situación real del mercado.
2
El índice DAX (Deutscher Aktienindex) es el índice bursátil de referencia de la Frankfurter Wertpapierbörse (Bolsa
de Frankfurt).
15
Además se debe tener en cuenta la actual recuperación económica a nivel

global. Europa es la zona que presenta mayores dudas y que ofrece por
tanto rendimientos más atractivos. Reino Unido y Estados Unidos ofrecen
datos estables de recuperación y China resiste con un crecimiento
considerable.
De tal modo, es posible observar cómo se están reuniendo una serie de

condiciones que pronostican un momento inmejorable para la inversión en
activos subyacentes, para lo que es imprescindible el uso de herramientas
que sirvan de ayuda para la toma de decisiones de este tipo. Los modelos
matemáticos de predicción del valor de activos subyacentes pueden
resultar muy efectivos.
Modelizar la evolución del valor de los activos subyacentes no es una tarea

fácil dada la gran volatilidad asociada a los mismos. Sin embargo, la
evolución que ha experimentado el campo de la economía y la
investigación de éste desde hace años, hace que el desarrollo de modelos
matemáticos aplicados a los activos financieros se encuentre en un estado
de mejora y perfeccionamiento continuo.
Las finanzas cuantitativas tienen origen en Estados Unidos alrededor de

los años setenta, cuando algunos inversores vieron en las fórmulas
matemáticas una buena herramienta para determinar el precio de acciones
y bonos; sin embargo, dichas fórmulas no contemplaban la aleatoriedad,
sino que eran determinísticas. Teniendo en cuenta la gran cantidad de
factores que influyen en el valor de los subyacentes, estas fórmulas
resultaban insuficientes para predecir el valor de dichos activos. Era
necesario modelizar la aleatoriedad y tenerla en cuenta en los nuevos
modelos.
La aleatoriedad se introduce formalmente en estos modelos a partir de un

proceso estocástico denominado proceso estocástico Wiener o Movimiento
Browniano. Por lo que son las nuevas ecuaciones diferenciales estocásticas
las que pasan a representar los nuevos modelos para la predicción de
activos subyacentes.
16
Concretamente en 1969, el ganador del Premio Nobel de Economía Robert

C. Merton introdujo y aplicó el cálculo estocástico en el estudio de las
finanzas3.
Previamente, el matemático japonés Kiyoshi Itô4 fue el encargado de

desarrollar el cálculo estocástico requerido en los nuevos modelos de
activos subyacentes. Hoy en día existen numerosos modelos de predicción
tanto de tipos de interés como del valor de activos financieros. En el
presente TFG se estudia y aplica el Modelo Browniano Geométrico para la
predicción de activos subyacentes.
2.2 Fomento de Construcciones y Contratas, S.A.

(FCC)
Fomento de Construcciones y Contratas, S.A. (FCC) es una de las
mayores empresas de servicios ciudadanos e infraestructura, tanto por
rentabilidad como por volumen de cifra de negocios. Tiene su sede en
Barcelona, España, y cotiza en el IBEX-35.
Actualmente, el 44% de su facturación procede de mercados

internacionales y está presente en más de 50 países por todo el mundo.
Desde los 90 fue el primer grupo español de construcción hasta que en
2003, con la fusión de ACS y Dragados, pasó al segundo puesto, cediendo
el primero al Grupo ACS. En la Figura 2.1 se muestra sobre un planisferio
terrestre la presencia internacional de la compañía.
FCC tiene tres grandes líneas de negocio que responden a un modelo

equilibrado de negocio:
 Infraestructuras: desarrolla una labor importante dentro del sector

de la construcción y de la actividad industrial.
3
MERTON, ROBERT C. (1973). "Theory of Rational Option Pricing". Bell Journal of Economics and Management
Science, nº 4, pp. 141–183.
4
ITÔ, K. (1951). “On stochastic differential equations” en Memoirs American Mathematical Society, vol. 4, p. 1–51.
ITÔ, K. (1944). “Stochastic Integral” en Proc. Imperial Acad. Tokyo 20, p. 519-524.
ITÔ, K. (1961). Lectures on stochastic processes. Tata Institute, Bombay.
17
 Servicios Ciudadanos: esta unidad engloba servicios como la

recogida y tratamiento de residuos urbanos e industriales, limpieza
de calles, mantenimiento de jardines y parques, etc.
 Gestión del Agua: esta línea se encuentra en un proceso de
crecimiento sostenido; su actividad está ligada a la de servicios
ciudadanos y se centra en el suministro y gestión integral del agua.
Figura 2.1: Presencia de FCC en el mundo.
Fuente: https://fcc.trabajo.infojobs.net/fcc-en-el-mundo y elaboración propia.
2.2.1 Historia de FCC
Fomento de Construcciones y Contratas, S.A. nace en marzo de 1992,

fruto de la fusión de dos empresas: Fomento de Obras y Construcciones
(Focsa), fundada en Barcelona en el año 1900, y Construcciones y
Contratas (originalmente Construcciones y Reparaciones), fundada en
Madrid en 1944.
En la Figura 2.2 se ha representado en una línea del tiempo los principales

acontecimientos históricos en referencia a la compañía FCC.
18
Figura 2.2: Principales hechos históricos en FCC hasta el año 2003.
Fuente: http://www.fcc.es y elaboración propia.
En julio de 1900 se crea Fomento de Obras y Construcciones (Focsa) con

un capital fundacional de 5 millones de pesetas; unos meses después, en
diciembre de ese mismo año, comienza a cotizar en bolsa. En esos
primeros años llevan a cabo las primeras obras, trabajos tan relevantes
como el asfaltado de El Paseo de Gracia, urbanización de la Gran Vía
Diagonal y Casanova, adoquinado de El Paseo del Triunfo, etc. Todas ellas
en Barcelona.
En 1911 se produce la contratación de los servicios de limpieza y

conservación del alcantarillado de Barcelona. Esta adjudicación marcará
un hito en la historia de la compañía, ya que se trata de la primera
incursión en el sector de los servicios, de modo que Focsa inicia la
diversificación de sus actividades. Dos años más tarde, en 1913, consigue
el primer contrato de servicios en Madrid, al recibir la adjudicación de
saneamiento del subsuelo.
A finales de los años 20, Barcelona se prepara para la Exposición

Universal que tendría lugar en 1929. En este contexto es importante la
contribución de Focsa en dicho evento. Destaca la urbanización del recinto
19
de la Exposición Universal, de la plaza de España, de una parte de la

Rambla de Cataluña, que se transforma en bulevar, y de la calle Balmes.
En 1940, tras la guerra civil, Focsa adquiere una importante labor de

reconstrucción de infraestructuras como carreteras y puentes, así como en
la construcción de factorías que restauren el tejido industrial. En 1944 se
funda en Madrid Construcciones y Reparaciones, nombrada anteriormente,
y que, tras fusionarse con Focsa, dará lugar a la actual FCC.
En la década de los 50, FCC destaca por la construcción de las factorías

SEAT y Pirelli (Barcelona), así como la de la base aérea de Torrejón de
Ardoz (Madrid). Además, con la privatización del servicio de limpieza y
riegos de Valencia, FCC adquiere este negocio. De tal modo que se suma a
los servicios que ya presta en Madrid, Barcelona y Zaragoza. En esta
misma década, en 1952, Ernesto Koplowitz compra Construcciones y
Reparaciones y la cambia de nombre, pasando a convertirse en
Construcciones y Contratas (Conycon) y se convierte en el ejecutivo de la
misma.
Sin embargo, una década después, en 1962, Ernesto Koplowitz fallece tras
caer de un caballo. Es cuando el entonces presidente de El Corte Inglés y
muy amigo de la familia, Ramón Areces, se responsabiliza de la formación
de sus dos hijas, Esther y Alicia, para que se hagan cargo del futuro de la
compañía. Es a finales de los 60, cuando se construyen los centros
comerciales de El Corte Inglés en Barcelona, Bilbao, Gijón, Girona, Las
Palmas, Madrid, Málaga, Sevilla y Zaragoza.
En los años 70, concretamente al final de la década, se produce la

contratación de la primera gran obra en el exterior, que corresponde a la
canalización de 640 km para cable coaxial de la red telefónica de Trípoli,
Libia.
Posteriormente, en los 80 se inicia la expansión internacional en el área de

servicios con la contratación de diversas actividades en Caracas
(Venezuela). Además, en 1988 se produce la adjudicación del primer
20
contrato importante en gestión integral del agua, en Vigo. Un año más

tarde, Sevilla se prepara para albergar la Exposición Universal de 1992,
donde FCC lleva a cabo destacadas obras. Por estas fechas, se finaliza la
construcción de la Torre Picasso, el mayor edificio de oficinas de España,
siendo FCC el propietario del 80% del mismo.
En 1990 se inicia la construcción de las Torres Puerta de Europa, dos

torres inclinadas de singular diseño situadas a ambos lados del Paseo de la
Castellana. Es en esta década cuando las hermanas Koplowitz se
introducen en la empresa como máximas responsables. Es en 1992 cuando
Construcciones y Contratas, S.A. se fusiona con Fomento de Obras y
Construcciones, S.A. dando lugar a Fomento de Construcciones y
Contratas, S.A. (FCC). La empresa resultante de la fusión es la primera de
su sector en tamaño y rentabilidad. Así, el 10 de marzo de 1992 FCC entra
en la lista de empresas que componen el IBEX-35. En 1998, Alicia decide
vender el 28% del capital por 821 millones de euros, dejando a su hermana
Esther como máxima accionista de la compañía. Ese mismo año, Esther
Koplowitz firma una alianza con Vivendi, líder mundial en servicios
urbanos, cuyo objetivo es el desarrollo de FCC, especialmente en el campo
del medioambiente. En 1999, FCC suscribe el primer contrato de gestión
ambiental con financiación privada que se firma en el Reino Unido.
Además, en general, la década de los 90 viene marcada para FCC por la
construcción y desarrollo de numerosos aeropuertos a lo largo y ancho de
la geografía española.
En el año 2000 se lleva a cabo la creación de Realia, empresa con la que

gestiona sus negocios inmobiliarios. Del año 2000 en adelante, FCC lleva
a cabo numerosas operaciones de expansión internacional y de absorción
de otros negocios. Ejemplos claros de ello son la absorción de la
cementera Portland Valderrivas o la creación de Aqualia. En España y de
forma más concreta en Valencia, destaca por diversas obras de
construcción como el Museo de las Ciencias, el Museo Oceanográfico o
La Ciudad de la Justicia.
21
En 2004, FCC puso en marcha un plan de crecimiento que contempla

inversiones por valor de 3 000 millones de euros hasta 2008. Como prueba
de ello es posible observar la oferta pública sobre el 100% del capital de
Cementos Lemona o la compra de la compañía austríaca de servicios
urbanos y medioambientales ASA al grupo francés de electricidad EDF
por 224 millones de euros. De este modo se confirma el despliegue de
FCC hacia la Europa del Este.
Con el estallido de la crisis, toda la economía se ve gravemente afectada,

en especial el sector de la construcción, muy viciado debido a la gran
burbuja inmobiliaria que llevaba tiempo dándose en el país. FCC pasa en
esos momentos a tener serios problemas financieros, sobretodo en relación
a su nivel de endeudamiento. Por este motivo decide refinanciar su deuda
y desinvertir en numerosos activos no estratégicos para reducir los niveles
de deuda. Estos activos son aquellos en los que la participación de FCC es
minoritaria y no tiene el control de la gestión, así como los negocios en los
que FCC no dispone de liderazgo de mercado.
En 2014, atendiendo a las necesidades de capital de la entidad, FCC lleva a

cabo una ampliación de capital por 1 000 millones de euros a modo de
rescate. La ampliación de capital resulta ser un éxito, queda totalmente
suscrita. Las consecuencias de este hecho son que Esther Koplowitz vea
deslucida su participación y quede relegada a la posición de segunda
accionista por detrás de Carlos Slim, que al suscribir 500 millones de euros
en acciones de FCC, pasa a ser el máximo accionista del grupo. Estos
hechos se detallan al final del Apartado 2.2.3, que habla de la evolución de
FCC en bolsa.
22
2.2.2 Estructura del grupo
Líneas de Negocio o Actividades
FCC es un grupo empresarial de servicios ciudadanos a nivel global

que destaca tanto por su diversificación como por su expansión
internacional. Para llevar esto a cabo, FCC divide su actividad en tres
grandes líneas de negocio a las que aplica distintas estrategias. A
continuación, se exponen las principales líneas de negocio del grupo FCC.
 Infraestructuras
En la línea de infraestructuras, FCC abarca todos los ámbitos de la

construcción y los sectores afines; además, tiene una experiencia de más
de 110 años en el desarrollo, la gestión y la construcción de
infraestructuras. Las actividades del área de infraestructuras son las
siguientes:
 Construcción: este sector aporta al Grupo FCC más de la mitad de

su facturación. Para este sector destacan los proyectos de obras
marítimas, carreteras, puentes, infraestructuras ferroviarias, túneles,
viviendas, urbanizaciones, obras aeroportuarias, obras hidráulicas y
rehabilitación de edificios.
 Industrial: esta área de actividad apuesta por el I+D como motor
de cambio hacia un mercado altamente tecnológico y su trabajo se
centra en plantas industriales, instalaciones térmicas, gaseoductos y
oleoductos, instalaciones electro-mecánicas y ferroviarias,
ingeniería de software, redes de distribución, eficiencia energética,
etc.
 Cemento: Cementos Portland Valderrivas es la empresa encargada
de esta área dentro del Grupo FCC. Su actividad se centra sobre
todo en la innovación en los procesos y en la investigación de
nuevos y mejores productos y materiales para la construcción.
 Concesiones: esta filial de FCC se encarga de gestionar la
colaboración Público Privada (CPP) que permita a las
23
administraciones públicas el desarrollo de infraestructuras

sostenibles y a las empresas privadas la posibilidad de generar
negocio.
 Inmobiliaria: a través de Realia, el Grupo FCC desarrolla una
actividad inmobiliaria centrada en la explotación de edificios de
oficinas y centros comerciales que el grupo tiene en propiedad.
 Servicios Ciudadanos
FCC presta servicios a más de 50 millones de habitantes por todo el

mundo. Su actividad en el área de Servicios Ciudadanos se divide en dos
importantes parcelas de negocio que se presentan a continuación:
 Servicios Medioambientales: esta actividad se centra sobre todo

en la gestión de residuos sólidos urbanos y tiene presencia en 5 000
municipios en 13 países del mundo. Las principales acciones que
llevan a cabo son la recogida de residuos y limpieza, el tratamiento
de residuos urbanos, la creación y conservación de zonas verdes
(mantenimiento y restauración de parques y jardines históricos) y
el mantenimiento del alcantarillado.
 Residuos Industriales: FCC se ha especializado en la gestión
integral de estos residuos sean del tipo que sean, peligrosos, no
peligrosos, reciclables, banales, suelo y pasivos medioambientales.
Además también lleva a cabo tareas de descontaminación de
suelos.
 Gestión del Agua
FCC delega su actividad en lo referente a la gestión del agua en la empresa

Aqualia, que se encarga de dar respuesta a las necesidades de empresas
privadas y organismos públicos en cada fase del ciclo integral del agua
para todos los usos: consumo humano, industrial y agrícola. Esto incluye
la captación, potabilización y tratamiento del agua recogida del medio
natural, así como la distribución y recogida de las aguas usadas para su
24
posterior depuración y devolución, en condiciones óptimas, al medio

natural donde se ha obtenido.
Las principales actividades que realiza FCC respecto a la gestión del agua
son: control de calidad del agua, mantenimiento y explotación de
estructuras de riego, diseño y construcción de infraestructuras hidráulicas,
instalaciones acuático-deportivas y servicios públicos del agua en general.
Gobierno corporativo
El Consejo de Administración es el órgano encargado de mediar entre

los accionistas y los directivos de la empresa para supervisar, examinar y
controlar las actividades propias de la gestión. En la Figura 2.3 se detallan
los miembros del Consejo de Administración de FCC.
Figura 2.3: Consejo de Administración de FCC.
Fuente: http://www.fcc.es y elaboración propia.
25
Por otro lado, la Comisión Ejecutiva se encarga de gestionar las directrices

de la empresa y ejecutar las decisiones directivas para poner en marcha las
líneas de actuación del Grupo. En la Figura 2.4 se muestra la composición
de esta comisión.
Figura 2.4: Comisión Ejecutiva de FCC.
Fuente: http://www.fcc.es/ y elaboración propia.
2.2.3 FCC en bolsa: Evolución
Fomento de Obras y Construcciones comenzó a cotizar en bolsa hace

más de un siglo, en diciembre de 1900. En 1992 es cuando se produce la
fusión entre esta compañía y Construcciones y Contratas, dando lugar a
FCC. En marzo de ese mismo año FCC entra en el IBEX-35. No obstante,
nos remontaremos al año 2004 para el repaso de su evolución en bolsa.
En el año 2004, en pleno éxito de FCC, la empresa pone en marcha un

plan de crecimiento que contempla inversiones por valor de 3 000 millones
de euros; dicho plan se extiende hasta 2008. Así comienza el crecimiento
prolongado y acusado de FCC en la bolsa española, ha alcanzado su
momento álgido, adquiriendo numerosos contratos, es aquí donde se
empieza a producir su despegue en bolsa, que se extenderá hasta 2007,
donde alcanza su máximo valor histórico y el precio de la acción se sitúa
por encima de los 60.5€/acción, como podemos ver en el Gráfico 2.1.
26
Gráfico 2.1: Evolución de FCC.MC en bolsa. Período enero 2000 hasta junio 2015.
Fuente: https://es.finance.yahoo.com/echarts?s=FCC.MC#symbol=FCC.MC;range=1d
Con el estallido de la crisis, la caída de FCC en el parqué se hace

inminente. El sector de la construcción, inmerso en una gran burbuja
inmobiliaria, es el más afectado. FCC pasa en esos momentos a tener
serios problemas financieros, sobretodo en relación a su nivel de
endeudamiento. FCC no es la única en caer, todo el IBEX-35 sufre el azote
de la crisis y se enfrenta a la mayor pérdida de valor en su historia.
Si bien, entre los meses de febrero y mayo de 2009, la acción de FCC sufre
un repunte junto al IBEX-35, debido especialmente a las continuas
inyecciones de capital y las líneas de liquidez que abrieron los bancos
centrales, acompañadas de bajadas de los tipos de interés. Este efecto es
observable tanto en el Gráfico 2.1, que hace referencia a FCC, como en el
Gráfico 2.2 que muestra la evolución del IBEX-35.
En el año 2012, entre febrero y mayo, la bolsa española descendía

significativamente, afectada por el anuncio de expropiación de la filial de
Repsol, YPF por parte del gobierno argentino que preside Cristina
Fernández de Kirchner; así como por la venta por parte de ACS del 3.69%
de Iberdrola. A todo esto se unió el aumento de la morosidad de la banca
española y el anuncio, por parte del Banco de España, de medidas
adicionales de saneamiento de la banca española.
27
Gráfico 2.2: Evolución del IBEX-35. Período enero 2000 hasta junio 2015.
Fuente: https://es.finance.yahoo.com/echarts?s=%5EIBEX#symbol=%5EIBEX;range=1d
Toda esta situación fue especialmente grave para las constructoras

españolas que experimentaron una caída media del 39% como
consecuencia de la deuda soberana, las dificultades crediticias y su elevado
nivel de endeudamiento. En esta ocasión, FCC vio reducida su cotización
prácticamente a la mitad (-48.9%), según los analistas las refinanciaciones
pendientes y la dependencia del negocio en España fueron los puntos clave
para esta caída. A finales de año, la cotización de FCC sufre otra sacudida
(-5.69%) al anunciar la suspensión del dividendo debido a las pérdidas que
arrastraba.
A mediados de 2013, la cotización de FCC entabla un crecimiento

sostenido desde los 6 €/acción debido, en gran parte, a que la compañía
logra el mayor contrato de la historia de la construcción española: la
construcción de tres líneas del metro de Riad (Arabia Saudí) por un valor
de 6 070 millones de euros. El presupuesto global estimado del proyecto
asciende a los 16 300 millones de euros. Por otro lado, atendiendo a las
necesidades de capital de la entidad, FCC lleva a cabo en 2014, junto a las
desinversiones en activos no estratégicos, una ampliación de capital por
importe de 1 000 millones de euros que queda suscrita en su totalidad. Con
esta operación, se junta a Bill Gates (actual accionista del grupo con una
participación del 5.7%) otra personalidad muy relevante en el mundo de
las grandes inversiones, Carlos Slim. El mexicano ha suscrito acciones por
500 millones de euros y ha comprado los derechos de suscripción
28
preferente de Esther Koplowitz por 150 millones de euros; de este modo

entra como primer accionista de FCC con un 25.63% de participación
sobre el nuevo capital social. Esther Koplowitz queda relegada al ver su
participación reducida hasta el 22.43%.
Cabe destacar como hecho relevante más reciente que en la semana

posterior a las elecciones municipales del 24 de mayo de 2015, las
acciones de constructoras y eléctricas españolas sufrieron una significativa
caída. Lo que ha llevado, por ejemplo, a que las acciones coticen por
primera vez por debajo del precio al que Carlos Slim las adquirió en la
ampliación de capital del pasado año; esto supone unas minusvalías en su
participación equivalentes a 67 millones de euros.
No obstante, el Gráfico 2.2 muestra una estabilización notable del valor de

la acción. Además, FCC empieza una etapa de recuperación, renovación y
crecimiento que auguran un buen futuro y, actualmente, un bueno
momento para entrar a la inversión de este valor a largo plazo.
2.2.4 Principales ratios económico-financieros
Para analizar de forma más adecuada la evolución y la situación actual

de la compañía, es importante fijarse en los ratios económico-financieros y
la evolución que han sufrido a lo largo de los últimos años. Para ello se ha
confeccionado una tabla a partir de los indicadores económicos y
financieros que se han considerado de mayor relevancia a la hora de
analizar la situación económico-financiera de FCC. Los ejercicios de los
que se disponen datos son los comprendidos en el período 2010-2014.
Además, la última columna ofrece la diferencia porcentual entre los datos
de 2014 con respecto a los de 2013 para poder apreciar de forma más
intuitiva los últimos cambios ocurridos en las cuentas anuales de la
empresa.
29
Ratios 2010 2011 2012 2013 2014 %

13-14
INCN (miles) 12 114 168 11 754 765 11 152 000 6 749 981 6 334 066 -6.16%
EBIDTA 1 366 1 256 820 717 804 12.13%

(millones)
B. Neto (mil.) 313 583 2 914 -1 028 000 -1 530 316 -733 413 52.07%
ROA 4.76% 2.88% 4.09% -9.79% -5.23% 46.57%
ROE 12.24% 0.12% -43.19% -62.94% -14.80% 76.48%
BPA 2.40 0.02 -7.87 -12.02 -2.81 76.59%
Dividendo/acc 1.37 1.35 0.51 0.00 0.00 -
Tabla 2.1: Principales Ratios Económico-Financieros de FCC.
Fuente: Infomercados, Investing, El Economista y Elaboración propia.
Comenzando por arriba, lo primero destacable de la Tabla 2.1 es la

progresiva disminución de la cifra de negocios (INCN), con una
disminución especialmente acusada entre 2012 y 2013 (-39.47%). La
evolución del INCN es coherente con la del EBITDA5, que también sufre
una disminución progresiva pero no tan acusada. No obstante, sí que
contrasta con esto la evolución del beneficio neto, que de 2012 en adelante
pasa a ser negativa. La compañía por su parte afirma que estos resultados
son fruto del deterioro contable en fondos de comercio, de actividades
interrumpidas y de las provisiones extraordinarias por reestructuración de
los negocios y saneamientos contables (cifras que no se incluyen en el
5
El EBITDA es un indicador financiero representado por un acrónimo que en inglés significa Earnings Before
Interests, Taxes, Depreciation and Amortization (beneficio antes de intereses, impuestos, depreciaciones y
amortizaciones. La importancia de este indicador se debe a que facilita la comparación entre los resultados de
diferentes empresas atendiendo a los resultados de explotación y sin tener en cuenta los gastos financieros y la
política de amortización de cada empresa.
30
cálculo del EBITDA pero sí en el del beneficio neto y generan una

diferencia entre ambos indicadores).
Con la disminución de la cifra de negocios y la aparición de beneficios

negativos, se produce también una inversión en la rentabilidad económica
(ROA) que pasa a ser negativa, ya que es el cociente entre beneficio y
activo; el valor del ROA en el año 2014 fue de -5.23%; un dato mejor que
el del año anterior pero que todavía sitúa a la compañía en pérdidas y que
traducido significa que, por cada euro que la empresa tiene invertido en
activo, pierde 5 céntimos anuales. Con la rentabilidad financiera (ROE)
ocurre exactamente lo mismo, al tratarse de un ratio que mide la relación
entre el beneficio neto y los fondos propios, al ser el beneficio neto
negativo el ratio también lo será; y en este caso se sitúa en -14.8% para el
2014, lo que significa que por cada euro invertido en la compañía, el
inversor pierde de media casi 15 céntimos al año. A pesar de las malas
noticias en la evolución de estos últimos años, entre el 2013 y el 2014 se
nota una mejoría significativa en estas medidas de rentabilidad que
vaticina un crecimiento posterior.
El BPA, que se trata del beneficio neto dividido por el número de acciones
de la empresa, manifiesta un empeoramiento (con valores negativos a
partir de 2012 debido a las pérdidas) hasta 2013 (-12.02); si bien, en 2014
alcanza un valor de -2.81 por dos razones diferentes. La primera es el
aumento de capital que pone más acciones en circulación y reduce este
cociente. La segunda es la disminución de las pérdidas, que aunque
mantiene el ratio en un valor negativo hace que el módulo del cociente sea
más pequeño.
Respecto a los dividendos, la empresa dejó de ofrecerlos en 2013 y así

continúa hasta hoy. Su prioridad actual es realizar un saneamiento
completo y recuperar los beneficios, cosa que se espera ya para el ejercicio
actual.
Después de analizar la compañía FCC, parece ser que se encuentra en uno

de sus peores momentos antes de volver a recuperar la senda del
31
crecimiento. Por esta razón, el momento actual es posiblemente uno de los

mejores para invertir en este valor.
32
3. Cálculo estocástico de Itô

El siguiente capítulo tiene como objeto presentar las herramientas
estocásticas necesarias para calcular la solución del Modelo Browniano
Geométrico y las propiedades estadísticas principales del mismo. Antes
que nada, se introducirá un tipo particular de proceso estocástico que
tendrá un papel importante a lo largo de todo el desarrollo teórico del
Modelo Browniano Geométrico, el propiamente conocido como
Movimiento Browniano o proceso de Wiener. Partiendo de su definición
enunciaremos aquellas propiedades del proceso que se requerirán con
posterioridad. En segundo lugar, se explicará cómo obtener simulaciones
del proceso de Wiener. Puesto que el Modelo Browniano Geométrico se
fundamenta en una ecuación diferencial estocástica de Itô, su resolución
requiere conocer las integrales estocásticas de Itô, así como sus
propiedades estadísticas. Este capítulo concluye con el estudio de dichas
integrales.
3.1 Movimiento Browniano
Una función aleatoria o proceso estocástico describe la evolución

temporal de una variable aleatoria. En el presente trabajo, utilizaremos un
importante proceso estocástico denominado Movimiento Browniano o
proceso de Wiener. Este proceso toma valores continuos y es dependiente
de la variable tiempo, la cual es considerada también continua. El
Movimiento Browniano es muy apropiado para describir el
comportamiento de variables económico-financieras, como es el caso de
los activos financieros.
El Movimiento Browniano es un proceso estocástico de tipo gaussiano6.

El descubrimiento de este movimiento aleatorio se llevó a cabo de forma
intuitiva en 1827 por el biólogo y botánico escocés Robert Brown quien lo
6
Se recuerda que un proceso estocástico se dice que es gaussiano si las distribuciones finito
dimensionales de dicho proceso son gaussianas, en particular, es una variable aleatoria gaussiana para cada
.
33
utilizó para describir el movimiento aleatorio de las partículas de polen en

el agua debido a la interactuación de dichas partículas con las moléculas
del fluido. A este fenómeno se le denominó Movimiento Browniano.
A principios del siglo XX, fue descubierta la utilidad de este instrumento

matemático en diversos campos; en particular en finanzas, donde se utilizó
para modelizar el comportamiento de los precios bursátiles. Louis
Bachelier (1900) utilizó estas herramientas en su tesis doctoral “La Teoría
de la Especulación” para modelizar determinados activos financieros7. Sin
embargo, el trabajo de Bachelier no fue entendido en su época y
permaneció inadvertido en los años posteriores. Fue Norbert Wiener quien
años después consiguió formalizar matemáticamente el concepto de
Movimiento Browniano y es por ello que, a menudo, se le denomine
también proceso de Wiener8.
A lo largo de esta memoria, denotaremos al Movimiento Browniano o

proceso de Wiener por: o concisamente por
, si bien en numerosos textos se utiliza indistintamente la
notación: .
Tal y como ya se ha indicado, el objetivo de este trabajo es el análisis y

aplicación de un modelo estocástico denominado Modelo Log-Normal o
Browniano Geométrico aplicado a activos financieros, cuya solución es un
proceso estocástico denominado Movimiento Browniano Geométrico
(MBG). La componente que dota de aleatoriedad a dicho proceso es el
Movimiento Browniano, cuyas trayectorias muestrales son
significativamente irregulares. A continuación se define este proceso
estocástico, enunciando una serie de propiedades estadísticas a través de
las cuales queda caracterizado.
El Movimiento Browniano, ó es un
proceso estocástico que cumple:
7
BACHELIER, L. (1900). “Théorie de la spéculation”.en Annales Scientifiques de l’École Normale Supérieure, vol.
3, p. 21–86.
8
KLEBANER, C. (2011). Introduction to Stochastic Calculus With Applications to Finance. Imperial College Press.
34
 MB.1. Comienza en el origen con probabilidad 1: .

 MB.2. Los incrementos del Browniano dados por, , son
variables aleatorias independientes:
,
con .
 MB.3. Tiene incrementos estacionarios:
donde el símbolo denota que la igualdad anterior es en distribución.

 MB.4. Los incrementos del proceso son gaussianos de media 0 y
varianza :
.
Considerando la propiedad MB.4., en el caso particular en que , se

deduce que
es decir, que fijado , la variable aleatoria sigue una distribución

normal o gaussiana de media 0 y desviación típica .
3.2 Propiedades estadísticas del Movimiento

Browniano
A continuación, se enumeran las principales propiedades estadísticas
del Movimiento Browniano . Para algunas de estas
propiedades no se presenta la demostración, la cual puede chequearse en el
libro de Øksendal9.
P.1. Función Media: A partir de la condición MB.4, se deduce que la

función media del Movimiento Browniano es idénticamente nula:
En la Gráfica 3.1 se ilustra esta propiedad.
9
ØKSENDAL, B.K. (2003). Stochastic Differential Equations: An Introduction with Applications. Berlin: Springer.
35
P.2. Función Covarianza: Mide el grado de relación lineal entre las

variables aleatorias, y , que se obtienen al fijar dos instantes y
, respectivamente. En efecto, veamos que se cumple
Si tomamos , entonces utilizando las propiedades MB.4, P.1 y

las propiedades básicas del operador esperanza se tiene:
Obsérvese que si en la relación anterior tomamos , se obtiene la

propiedad MB.4, es decir, que la varianza del Movimiento Browniano es
P.3. es autosemejante: Esta es, únicamente, una propiedad
geométrica que formalmente se denota de la siguiente manera.
P.4. Las trayectorias muestrales de son continuas, pero no son

diferenciables en ningún punto. Se puede demostrar que tiene
trayectorias que no son de variación acotada, esto es, que no son derivables
(las trayectorias del Movimiento Browniano tienen puntos angulosos, es
decir, con pico, para todo instante ). Este comportamiento muestral se
observa en el Gráfico 3.1.
3.3 Simulación del Movimiento Browniano

En el siguiente capítulo, cuando se estudie y resuelva el Modelo
Browniano Geométrico para la modelización de activos subyacentes, la
solución quedará expresada en términos del Movimiento Browniano. Para
que sea posible realizar predicciones, será necesaria la realización de
36
simulaciones del Movimiento Browniano. A continuación, se indica un

método para simular tal proceso.
Una manera sencilla de simular el Movimiento Browniano es a través de

variables aleatorias normales tipificadas, haciendo uso para ello de la
identidad:
. (3.3.1)
Para justificar esta identidad en distribución es suficiente con probar que

ambos miembros de la identidad tienen la misma distribución. Más
específicamente, es sencillo ver que dicha distribución es gaussiana y
justificar que la media y varianza de ambos miembros coinciden. Esto se
muestra en la Tabla 3.1.
Distribución [MB.4] Transformación lineal de una variable

Gaussiana
Media 0 [MB.4]
Varianza [MB.4]
Tabla 3.1. Justificación de la identidad (3.3.1) para la simulación del Movimiento Browniano.
Fuente: Elaboración propia.
En el Gráfico 3.1 se muestra una simulación de Movimiento Browniano

sobre la ventana temporal . En esta gráfica se ilustra la propiedad
MB.1 y la propiedad estadística P.4 introducidas anteriormente. No
obstante, cabe puntualizar que, pese a que el Movimiento Browniano es el
ingrediente que introduce la componente de aleatoriedad en el Modelo
Log-Normal, éste no se corresponde directamente con el Movimiento
Browniano, sino con su diferencial. El diferencial de éste,
0, genera un nuevo proceso estocástico, también de tipo gaussiano y
denominado Ruido Blanco.
37
Gráfico 3.1. Simulación del Movimiento Browniano.
Con base en el Teorema Central del Límite, la diferencial del Movimiento

Browniano se utilizará para modelizar la aleatoriedad o “ruido” en el
modelo. Son muchos y diferentes los factores externos que pueden llegar a
determinar el valor de un activo financiero. En condiciones generales, este
teorema indica que, si es la suma de variables aleatorias
independientes, la función de distribución de se aproxima a una
distribución normal (o gaussiana). Finalmente, modelizando el “ruido”
con el Teorema Central del Límite, éste sigue una distribución gaussiana o
normal, lo que confiere consistencia a la decisión de modelizar la
aleatoriedad mediante un proceso gaussiano, como lo son el Movimiento
Browniano y su diferencial, el Ruido Blanco.
3.4 EL CÁLCULO DE ITÔ
Kiyoshi Itô fue un matemático japonés que desarrolló una teoría para
la diferenciación e integración de procesos estocásticos. Esta teoría se
conoce como el Cálculo de Itô. El concepto básico de este cálculo es la
Integral de Itô y el resultado más importante es el Lema de Itô. Cabe
señalar que la Integral de Itô es el núcleo del análisis estocástico, facilita la
comprensión matemática de sucesos aleatorios y difiere de la teoría
matemática clásica de integración y diferenciación.
38
La teoría de Itô tiene muchas aplicaciones de interés, sin embargo, en este

apartado se detalla la versión del cálculo de Itô que se adapta al objetivo de
este TFG. Se centra en el cálculo exacto de la solución de una ecuación
diferencial estocástica definida de la siguiente forma:
(3.4.1)
Dicha solución se obtiene, en algunos casos que dependen de la forma

específica de los coeficientes y utilizando el Lema
de Itô. El Lema de Itô es una versión estocástica de la regla de la cadena
para procesos estocásticos . Para el Modelo Browniano Geométrico,
que es el caso que ocupa esta memoria (véase el Capítulo 4), se verá cómo
ello sí es posible. A continuación enunciamos el Lema de Itô:
Lema de Itô (versión integral)
Hipótesis: Sea un proceso estocástico que satisface la siguiente ecuación

diferencial tipo Itô con condición inicial determinista :
y sea una función tal que las siguientes derivadas

parciales existen y son continuas:
Tesis: Entonces para se cumple
3.4.1 La integral de Itô

En este apartado introducimos el concepto de Integral de Itô de un
proceso estocástico. La definición de la Integral de Itô difiere de la teoría
matemática clásica de integración y diferenciación, definiendo lo que
39
debería entenderse por integración de un proceso estocástico con respecto

al Movimiento Browniano (u otro proceso estocástico). El objetivo de este
apartado, por tanto, es dar una interpretación a la siguiente expresión:
, (3.4.2)
donde es un proceso estocástico que cumple determinadas

condiciones que a continuación se detallarán. Se dice que la expresión
(3.4.2) es la Integral de Itô con respecto al Movimiento Browniano. La
explicación seguirá las ideas proporcionadas en el libro de E. Allen10.
Primero daremos la interpretación de dicha integral si y no
fueran procesos estocásticos, sino funciones deterministas.
Supongamos que y son dos funciones deterministas suaves

respecto de la variable tiempo y consideremos la siguiente integral:
. (3.4.3)
Cuando tiende a una función diferenciable, se escribe ,
o equivalentemente, . Sustituyendo esto en la integral

(3.4.3), se llega a:
quedando ésta definida como una integral estándar (de tipo Riemann). Si
no fuese diferenciable, todavía se puede utilizar la teoría determinista
para definir la integral anterior. En efecto, cuando no es demasiado
irregular como función del argumento , es decir, cuando es lo que se
denomina una función de variación acotada, se puede probar que la
integral está bien definida como el siguiente límite:
10
ALLEN, E. (2007). Modelling with Itô Stochastic Differential Equations. Springer (Series Mathematical
Modelling: Theory and Applications).
40
Puesto que es de variación acotada, está próximo a .A

partir de esto es posible probar que el límite anterior existe siempre que
no varíe demasiado. Por supuesto, si la función es
extremadamente fluctuante en diferentes puntos en el tiempo, el límite
puede ser divergente.
Se define la integral (3.4.2) de forma análoga mediante el siguiente límite:
(3.4.4)
Nótese que se toma el límite para cada fijo en el espacio muestral de

la variable aleatoria . El problema aquí es que el límite para cada en
general no existe (empieza en ) para muchos procesos estocásticos
. Para cada , la función es extremadamente volátil.
Como se indicaba con anterioridad (véase la propiedad estadística P.4), el
Movimiento Browniano es un ejemplo de un proceso estocástico con
trayectorias muestrales continuas, pero no diferenciables en ningún punto.
Todavía peor, el Movimiento Browniano como función del tiempo no es
de variación acotada para cada , tal y como se requiere para . Para
compensar la irregularidad de las trayectorias del Movimiento Browniano,
se tienen que exigir dos condiciones que detallaremos después en el
proceso integrador . Bajo estas condiciones, el límite existirá a pesar
de la irregularidad de las trayectorias del Movimiento Browniano. La
primera condición es que se asume que es independiente de los
incrementos del Movimiento Browniano. La segunda condición guarda
relación con la variación del integrando (similar a la condición de que
en (3.4.3) no debe variar demasiado).
A partir de la propiedad MB.2 del Movimiento Browniano se sabe que la

variación de un incremento del mismo, está dada por:
Si es independiente del incremento , se obtiene
41
Considerando el segundo momento de la variable aleatoria
, (3.4.5)
y asumiendo que es independiente de para cada

puede verse por la independencia de los incrementos del
Movimiento Browniano que:
La suma del miembro derecho es una aproximación de la integral
. Por tanto, si esta integral existe, se deduce:
lo cual conduce a la conclusión de que la varianza de la suma en (3.4.5)
converge a . Asumiendo que esta integral existe, se
demuestra:
(3.4.6)
Cabe destacar que la integral que aparece en el lado derecho de la relación

(3.4.6), en algunos casos, puede no existir. Existirá siempre que sea finita,
es decir, siempre que el proceso estocástico sea tal que su segundo
momento puede ser integrado de 0 a .
Por ejemplo, para el proceso por la condición MB.2 del

Movimiento Browniano, se tiene
42
Por otro lado, si tomamos , se puede reconocer fácilmente

que satisface la condición de integrabilidad. Por suerte, esto también
se cumple para una larga clase de procesos estocásticos.
Retomando la relación (3.4.6) y considerando que el término , que

aparece en el miembro izquierdo, debe ser independiente de incrementos
para todos los valores de , a
continuación, se formaliza esta idea intuitiva mediante el importante
concepto de adaptabilidad del proceso integrador:
Definición 1. Una variable aleatoria es llamada -adaptada si

puede ser escrita como (limite de una sucesión de) funciones de para
uno o más , pero no como función de cualquier con . Un
proceso estocástico se dice que es adaptado si para cada tiempo
, la variable aleatoria es -adaptada.
Señalemos algunos aspectos de la Definición 1. En primer lugar, cabe

remarcar algunos procesos que se derivan de composiciones simples del
Movimiento Browniano tales como los cuales son
adaptados; mientras que procesos tales como , no lo son.
La integral , también define un proceso estocástico

adaptado, puesto que la integral es el límite de sumas del Movimiento
Browniano en diferentes tiempos menores que . En definitiva, por la
definición de la integral de Itô, se tiene
Por tanto, focalizando sobre la Integral de Itô, obsérvese que siempre que
el proceso integrando sea adaptado, la integral tiene
sentido como el límite puntual en (3.4.4). Además, este límite (3.4.4)
puede probarse que converge en media cuadrática y por lo tanto, también
para cada . Se concluye la exposición con la definición rigurosa de
la Integral de Itô.
43
Definición 2. Un proceso estocástico , es integrable en el intervalo

en el sentido de Itô si
1. es adaptado para ,y
2. .
La Integral de Itô se define como la variable aleatoria
(3.4.7)
donde el límite es considerado por cada .
3.4.2 Propiedades de la Integral de Itô
Introducido el concepto de Integral de Itô, a continuación enunciaremos

las propiedades estadísticas de dicha integral, algunas de las cuales serán
utilizadas en el próximo capítulo. Estas propiedades se citan distinguiendo
si el integrando es una función determinista o un proceso estocástico .
Sea una función determinista tal que , entonces se

cumplen las siguientes propiedades:
I.1. Media:
I.2. Varianza:
I.3. Covarianza:
siendo . En particular,
44
I.4. Normalidad:
Si el integrando es un proceso estocástico que satisface las

condiciones de la Definición 2 anterior, entonces se verifican las siguientes
propiedades:
I.5. Media:
I.6. Varianza:
Obsérvese que a partir de las propiedades I.5 e I.6 se deduce
llamada isometría de Itô.
45
46
4. El Modelo Browniano
Geométrico
El objetivo de este capítulo es presentar la distribución Log-Normal
o Modelo Browniano Geométrico que constituye el fundamento
matemático sobre el cual se realizarán las predicciones del activo
subyacente FCC (FCC.MC). Este modelo se basa en la siguiente ecuación
diferencial estocástica tipo Itô
(4.0.1)
donde:
 es el valor del subyacente en el instante .

 representa el valor del subyacente en el instante inicial y se
supone conocido, por ello se denota en minúsculas.
 es un parámetro del modelo denominado drift o tendencia.
 es un parámetro del modelo denominado volatilidad local.
 es un proceso estocástico de Wiener o Movimiento
Browniano.
A continuación, motivaremos la consideración del Modelo Browniano

Geométrico (4.0.1) a partir de modelos deterministas sobre activos
financieros. Después, haciendo uso del cálculo de Itô visto en el capítulo
anterior, hallaremos la solución del modelo, así como sus principales
propiedades estadísticas (como la media y la varianza). Más tarde, se
mostrará cómo obtener la estimación de los parámetros y para el
modelo, haciendo uso de técnicas estadísticas. Por último, se explicará
cómo disponer de los resultados del modelo para realizar las predicciones
que se persiguen en este trabajo.
47
4.1 Motivación del modelo para subyacentes en

condiciones de certidumbre
A continuación, se presenta un modelo determinista clásico para
representar la trayectoria temporal de una inversión en condiciones de
certidumbre, es decir, sin riesgo. Este modelo constituye el punto de
partida para motivar, en el siguiente apartado, un modelo estocástico para
subyacentes cotizados denominado Modelo Browniano Geométrico.
Sea un principal que se invierte a un interés compuesto continuo

durante un intervalo temporal dividido en periodos de longitud
cada uno (véase, Figura 4.1).
Figura 4.1. Capitalización a interés compuesto continuo.
Denotemos por , el capital al cabo de períodos (por

convenio de notación, implícitamente se supone que , entonces
sabemos que
, , (3.1.1)
y en general,
, (3.1.2)
y por tanto, razonando recursivamente se tiene
, (3.1.3)
Obsérvese que cuando , se cumple que:

, donde se ha utilizado que y se ha introducido la notación
siguiente: representa el capital al cabo de períodos. Es decir, el
48
efecto de pasos de longitud equivale a un paso de tamaño .

En realidad, este modelo de capitalización resulta de resolver el problema
de valor inicial (ecuación diferencial ordinaria junto a una condición
inicial) siguiente:
(4.1.4)
cuya solución es
, (4.1.5)
la cual, para captura la solución del problema anterior:

. Es importante observar que el modelo (4.0.1), el modelo
estocástico de partida, contiene al modelo clásico determinista de
capitalización continua, pues basta hacer en (4.0.1) para obtener a
partir de la ecuación diferencial estocástica la ecuación diferencial
ordinaria (4.1.4).
4.2 Motivación del modelo para un subyacente

cotizado: El Modelo Browniano Geométrico
El modelo recién presentado es un modelo para un subyacente en
condiciones de certidumbre en el cual no se contempla aleatoriedad
alguna. En la práctica, el valor de un activo subyacente depende de
numerosos factores económicos, políticos, etc. que influyen en los
mercados donde cotiza la acción. Estos factores pueden contener una
elevada incertidumbre dada la complejidad de su determinación.
Considerando el grado de incertidumbre dado en el mercado financiero, es

más apropiado introducir la aleatoriedad en el modelo determinista a la
hora de modelizar cualquier activo subyacente. El parámetro pasa a ser
una cantidad aleatoria en lugar de una cantidad determinada. Haciendo uso
de las herramientas estocásticas presentadas en el Capítulo 3, la
aleatoriedad en el modelo se introducirá mediante el Movimiento
Browniano , más concretamente, con su derivada o diferencial, el
49
denominado proceso de Ruido Blanco . Todo ello motiva la

siguiente expresión estocástica del parámetro :
. (4.2.1)
En la expresión (4.2.1) se sigue denotando al parámetro como el

rendimiento medio del subyacente, pero en este caso, se le han añadido
fluctuaciones aleatorias, siendo el proceso estocástico Ruido Blanco
y su intensidad.
Introduciendo en el modelo la notación diferencial de la derivada
y considerando la aleatoriedad en el parámetro , el modelo se reescribe de

la siguiente forma:
Agrupando los diferentes parámetros se obtiene:
(4.2.2)
donde se puede diferenciar claramente una parte determinista, y

otra estocástica, , en la cual se recoge el Ruido Blanco.
Formalmente, dado que nuevamente el modelo se puede
reescribir como en (4.0.1), el Modelo Browniano Geométrico.
50
4.3 Solución del Modelo Browniano Geométrico
A continuación se resolverá la ecuación diferencial estocástica (4.0.1).

Para ello utilizaremos dos enfoques. El primero de ellos, prescinde del uso
del Cálculo de Itô y resulta más artificial en su presentación por la forma
en la que se introduce la aleatoriedad. Sin embargo, este enfoque no
requiere conocer herramientas complejas como son la integración y la
diferenciación de procesos estocásticos. El segundo enfoque, más
avanzado, hace uso del Cálculo de Itô, y en particular del Lema de Itô
presentado en el Capítulo 3 de este trabajo.
4.3.1 Solución del Modelo Browniano Geométrico

sin aplicar el Cálculo de Itô
El valor de una acción está regido por multitud de factores y variables
que deben considerarse inciertos e indeterminados, por ello (4.1.4) no
resulta un modelo adecuado. A pesar de ello, como se ha determinado en
el Apartado 4.2, el modelo que pueda resultar el adecuado debe contener
en su formulación (y el modelo (4.0.1), así lo hace, como se verá más
adelante) la parte del valor de la evolución del precio de la acción que se
comporta de forma determinista como cualquier otra inversión libre de
riesgo, y la parte, indeterminada o aleatoria, que imposibilita que el valor
de ese subyacente sea predecible de forma determinista.
Partamos de la expresión (4.1.2) con , introduzcamos la aleatoriedad

como sigue:
, (4.3.1)
siendo una constante distinta de cero y libre (fijada posteriormente) y

una variable aleatoria normal o gaussiana tipificada, i.e., , y en
general, introduciendo la aleatoriedad en (4.1.2) se tiene del mismo modo
, (4.3.2)
51
siendo . Haciendo esto para cada de modo que,

sean variables independientes y aleatorias ,
partiendo de (4.3.2) con se obtiene por recursividad que
, (4.3.3)
o equivalentemente,
La aleatoriedad introducida de este modo en (4.3.1) (o de un modo más

general en (4.3.2)), parece coherente porque garantiza que
; pero no es totalmente satisfactoria, ya que, es de esperar que
cuando no haya incertidumbre, en (4.3.1) se comporte como en (3.1.3)
con al menos en media. Sin embargo, se sabe11:
, (4.3.4)
y por tanto
Para lograr el objetivo marcado, vamos a introducir la aleatoriedad como

sigue
, (4.3.5)
ya que, claramente de (4.3.5) se obtiene que
y en general en (4.1.2) introduciremos la aleatoriedad del mismo modo:
. (4.3.6)
Razonando recursivamente como en (4.1.3) obtenemos

11
QUESADA, V. y GARCÍA A. (1988). Lecciones de Cálculo de Probabilidades. Ed. Díaz de Santos.
52
. (4.3.7)
Denotemos por
, (4.3.8)
entonces dado que , , son variables aleatorias

independientes se tiene y como y ,
(4.3.7) equivale a
, (4.3.9)
donde es el precio o subyacente de la acción en el instante inicial;

es la componente determinista del valor de la acción (ligado al valor del
tipo de interés); representa la introducción de la aleatoriedad en el
modelo y es un término (determinista) de corrección.
La modelización dada (4.3.9) tiene una gran ventaja frente a otro tipo de
modelos como los basados en árboles binomiales12, y es que permite que el
valor de la acción no sólo tome dos valores posibles, sino cualquier valor
positivo. No obstante, sigue conteniendo un defecto importante respecto de
nuestros intereses; si fijamos y vamos considerando subintervalos más
pequeños (particiones más finas del intervalo ), es decir, hacemos
ó equivalentemente , con fijo, para la varianza del
término que introduce la aleatoriedad en el modelo (4.3.9) se obtiene por
(4.3.8) que
, (4.3.10)
esto es, la varianza de este término que forma parte del modelo de la
acción aumentará cuantas más discretizaciones tomemos del intervalo
objeto de análisis, con independencia del valor que define su extremo
superior, el cual está fijo. Esto carece de sentido desde el punto de vista
financiero, ya que fijado un intervalo durante el cual se observa una
12
HULL, J.C. (2002). “Introducción a los Mercados de Futuros y Opciones”. Pearson Education. 4ª edición.
53
acción, la volatilidad de la misma es un valor fijo que no debería cambiar

aunque en lugar de observar la acción intra-semana lo hiciéramos intra-día.
Para resolver este inconveniente, recordemos que la constante
introducida en (4.3.6) es libre y por tanto está a nuestro servicio. Tomemos
entonces de modo que
, (4.3.11)
siendo un parámetro fijo identificativo del modelo particular que

manejemos y que en la práctica se calculará a partir de los datos reales
observados. De esta forma,
(4.3.12)
Obsérvese que esto indica algo coherente que se aprecia en la práctica: a

mayor longitud del intervalo , tendremos mayor volatilidad, es
decir, variabilidad de la acción.
Vamos ahora a relacionar dada en (4.3.9) con el Movimiento

Browniano. Para ello, obsérvese que por la propiedad P.3 del Capítulo 3
sabemos que:
. (4.3.13)
Entonces despejando de (4.3.11) se tiene:
, (4.3.14)
y entonces por (4.3.13) se tiene
. (4.3.15)
Finalmente, sustituyendo (4.3.11) y (4.3.15) en (4.3.9) llegamos a:
. (4.2.16)
54
Por lo que desde una motivación basada en la introducción de la

aleatoriedad en el modelo determinista, hemos obtenido la solución del
Modelo Browniano Geométrico.
4.3.2 Solución del Modelo Browniano Geométrico

aplicando el Cálculo de Itô
En este apartado resolveremos la ecuación diferencial estocástica de
tipo Itô (4.0.1) con condición inicial:
aplicando el Lema de Itô introducido en el Apartado 3.4. Para ello,

escribimos (4.0.1) en forma integral:
o equivalentemente:
(4.3.17)
A continuación, aplicamos el Lema de Itô con la siguiente identificación:
escogiendo
Para la aplicación del Lema de Itô se necesitan calcular las siguientes

derivadas parciales:
55
Por tanto,
Simplificando tenemos:
Observemos que por la definición del Movimiento Browniano,

con probabilidad , por tanto obtenemos:
, (4.3.18)
que representa el proceso estocástico solución, llamado Movimiento

Browniano Geométrico del Modelo Log-Normal.
4.4 Propiedades estadísticas del proceso estocástico

solución del Modelo Browniano Geométrico
Desde el punto de vista práctico, la solución (4.3.18) hallada en el
apartado anterior se utiliza para realizar predicciones probabilísticas, en un
tiempo digamos , de tipo puntual del subyacente a partir de la
56
función media y, se completan mediante intervalos de confianza. Se hace

por tanto necesario el cálculo de las funciones media y varianza de (4.3.18)
en .
Función media
Para el cálculo de la función media de (4.3.18), se requiere de la

aplicación de la siguiente relación, denominada propiedad de ½-
autosemejanza del Movimiento Browniano estudiada en el Capítulo 3:
aplicada al caso particular , es decir,
, (4.4.1)
donde recordamos que por definición el Movimiento Browniano:
Por otra parte, también se requiere de la siguiente propiedad:
, Z , (4.4.2)
que se deduce del cálculo de la siguiente integral:
Tomando el operador esperanza en (4.3.18) se tiene:
(4.4.3)
por tanto,
. (4.4.4)
Obsérvese que en el segundo paso de (4.4.3) se ha aplicado la propiedad

(4.4.1) y en el segundo paso se ha aplicado la relación (4.4.2) con
, .
57
La fórmula (4.4.4) indica que el Modelo Browniano Geométrico posee la

propiedad de que el comportamiento del precio medio de la acción es el
mismo que el valor en el caso determinista (véase (4.1.5) con .
Función varianza
Para saber cómo evoluciona la volatilidad del precio de la acción según

el Modelo Browniano Geométrico observemos que, razonando como para
el caso de la media, la varianza está dada por:
es decir,
la cual indica (como cabe esperar desde la experiencia bursátil) que la

varianza crece a medida que lo hace el horizonte temporal .
4.5 Calibración de los parámetros del Modelo

Browniano Geométrico
En este apartado expondremos dos técnicas estadísticas diferentes para
estimar los parámetros y del Modelo Browniano Geométrico:
 Método de Máxima Verosimilitud.

 Método no paramétrico.
El hecho que motiva el hacer uso de dos técnicas distintas para la

calibración de los parámetros es que las estimaciones no dependan del
método en cuestión, de tal modo que si ambos métodos proporcionan
valores iguales o similares sea posible asegurar que se trata de
estimaciones robustas.
58
4.5.1 Método de Máxima Verosimilitud
A continuación se realizará la estimación de los parámetros y del

Modelo Browniano Geométrico usando para ello una técnica estadística
llamada Método de Máxima Verosimilitud.
Para entender mejor cómo se aplica el Método de Máxima Verosimilitud

al problema aquí presentado, es conveniente recordar antes una serie de
conceptos y definiciones que se seguirán en la aplicación de este método
de estimación.
El método de Máxima Verosimilitud se fundamenta en el concepto de

función de verosimilitud, que se debe a R.A. Fisher, y es uno de los
conceptos más importantes en Inferencia Estadística.
Supongamos que hemos obtenido una muestra de una

población descrita por una variable aleatoria continua con una función de
densidad dependiente del vector de parámetros . Los
resultados son análogos si la población es discreta. Si consideramos
muestras aleatorias simples, la probabilidad de que se dé la
muestra para un vector dado del vector de parámetros
viene descrita por la función de densidad de probabilidad conjunta (f.d.p)
de la muestra, y que denotamos por
(4.5.1)
El problema que se plantea ahora es, dada una muestra fija pretendemos
estimar el valor del vector de parámetros que es desconocido.
Recordaremos que si es una muestra dada, se llama función

de verosimilitud a la función de dada por:
Cabe resaltar que esta función se considera ahora como función solo de
y no de la muestra, que ya es fija, al construirse esta función después de
59
haber obtenido la muestra. En este sentido podríamos utilizar simplemente

la notación , aunque lo más usual es mantener la muestra de la
notación de
El Método de Máxima Verosimilitud está basado en una idea muy simple,

y quizás por eso es tan importante, que consiste en considerar como mejor
estimación del vector de parámetros el valor que haga máxima para la
muestra dada. Es decir, dada consideraremos mejor
estimación que si
lo que significa que el valor de es más probable que el valor de dada

la muestra . En otras palabras, es este método de estimación
la idea consiste en elegir la moda de la distribución a posteriori de .
Teniendo en cuenta que la función de verosimilitud es mayor o igual que

cero para todo valor de y que la función logaritmo es monótona creciente
resulta que:
En la práctica se utiliza el en lugar de por ser más fácil, en favor de

calcular el máximo de la función de verosimilitud o equivalentemente de
la función de log-verosimilitud, pues la derivación de una suma es más
simple que la de un producto.
Si la muestra depende únicamente de un parámetro, entonces

es un estimador de máxima verosimilitud de para la
distribución poblacional definida por si hace máximo el valor
de la función de verosimilitud, o lo que es lo mismo, hace máximo:
60
En consecuencia, el cálculo efectivo de se reduce al resolver la ecuación:
de forma que si es solución de esta ecuación sera máximo si la

segunda derivada es negativa.
Si la distribución poblacional depende de parámetros

habrá que resolver el sistema
Comprobando luego que si verifica este sistema,

además hace el hessiano correspondiente definido negativo.
Vamos a adaptar la definición anterior a nuestro contexto, donde dada una

muestra de un proceso estocástico en los momentos
y suponiendo que el proceso depende de un vector
de parámetros , deseamos determinar el vector tal que
siendo la función de densidad conjunta de la

muestra. En general, no es posible asumir que la muestra sea simple, es
decir, que existe independencia; por lo que no será posible legitimar la
factorización dada en (4.5.1). No obstante, para poder aplicar el Método de
Máxima Verosimilitud, necesitamos tener una expresión de la función de
densidad conjunta que sea preferiblemente algebraica.
Para ello, vamos en primer lugar a recordar que el modelo de subyacente

que tenemos es de la forma (véase 4.0.1))
(4.5.2)
61
con
Se puede demostrar13 que la solución de una ecuación de Itô de la forma

(4.5.2) es un proceso de Markov de primer orden. Esto permite, haciendo
uso del Teorema de la Probabilidad Total, reescribir la función de densidad
de probabilidad conjunta de la muestra en términos de la función de
verosimilitud del siguiente modo:
donde es la función de densidad de transición del

proceso estocástico que empieza en y pasa a .
Como se ha señalado anteriormente, para mayor sencillez en el manejo
computacional trabajaremos con la función del log-verosimilitud, es decir,
Como los valores , suelen estar entre y

, el logaritmo neperiano de dichos valores es negativo y el problema de
maximización de la función de log-verosimilitud es equivalente a obtener
el mínimo de su función opuesta, por ello consideraremos el siguiente
programa de optimización:
=- . (4.5.3)
13
Teorema 5.2.5. de Soong, T.T. (1973). “Random Differential Equations in Science and Engineering”. Academic
Press. New York.
62
Ahora vamos a explicitar el valor de . Para ello,

partimos de la ecuación diferencial estocástica de Itô dada en (4.5.2) y le
aplicaremos el esquema discreto de Euler-Maruyama para aproximar dicha
ecuación en los instantes de la muestra que supondremos equiespaciados
en el tiempo siendo el paso temporal. Para ello, consideremos un
subintervalo de tiempo genérico, y mediante la discretización de
Euler-Maruyama obtenemos
(4.5.4)
Por tanto, si denotamos por la aproximación de la solución obtenida por

el esquema anterior en el instante , es decir,
el esquema (4.5.4) se reescribe como
(4.5.5)
Recordemos que por las propiedades del Movimiento Browniano se tiene

que
Por lo tanto de (4.5.5) se sigue que la aproximación vía Euler-Maruyama

de dado , sigue la siguiente distribución normal
(4.5.6)
Por lo tanto,
, (4.5.7)
63
siendo y las expresiones dadas en (4.5.6). Esto permite escribir

explícitamente la función de log- verosimilitud dada en (4.5.3) de la
siguiente forma:
(4.5.8)
Observemos que en nuestro modelo de subyacente, es

determinista, por tanto:
(4.5.9)
Además, las funciones y dadas en (4.5.6) toman la forma:
. (4.5.10)
Entonces sustituyendo (4.5.9) y (4.5.10) en (4.5.8) obtenemos
Por lo tanto el programa de minimización de la función de Log-

Verosimilitud es:
64
Para calcular el mínimo de , en primer lugar calculamos los puntos

críticos, que son aquellos en los que el gradiente es nulo:
(4.5.11)
Resolviendo el sistema de ecuaciones (4.5.11) obtenemos como puntos

críticos:
. (4.5.12)
Se puede comprobar que la matriz hessiana formada por las cuatro

derivadas parciales segundas de la función , es decir,
Evaluada en el punto crítico dado en (4.5.12) posee valores propios

positivos, lo que muestra que es un mínimo de la función opuesta
de Log-Verosimilitud y por tanto son los estimadores máximos
verosímiles del Modelo Browniano Geométrico.
4.5.2 Método no paramétrico
En este apartado se complementa la estimación de parámetros del

modelo realizada por el Método de Máxima Verosimilitud mediante un
método no paramétrico14. Para describir con mayor generalidad este
método de estimación, se parte de una ecuación diferencial estocástica tipo
Itô general dada en (4.5.2), donde el vector de parámetros que se
desea estimar. En el caso del Modelo Browniano Geométrico, A
14
STANTON, R (1997). “A non parametric model of term structure dynamic and the market price of interest rate
risk” en Journal of Finance, vol. 52, issue 5, p. 1973-2002.
65
continuación se discretiza la ecuación (4.5.2) por algún método numérico,

por ejemplo, mediante un esquema de Euler-Maruyama:
(4.5.13)
Fijada una partición del intervalo de tiempo donde se quiere

aproximar la ecuación (4.5.13):
con paso fijo , obsérvese que se está dividiendo el intervalo
en subintervalos de la forma:
siendo , y denotando por la aproximación de en el

punto , por ejemplo, según (4.5.13) se
obtiene:
donde se ha utilizado que (véase propiedad MB.4 del Capítulo 3)
Ahora empleando que la solución de la ecuación diferencial estocástica

(4.5.13) es un proceso de difusión15, se cumplen las siguientes relaciones:
15
KSENDAL, B.(1980). “Stochastic Diffencial Equations”. Nueva York: Springer-Verlag, Edition.
66
que, en su notación de la derecha, indican el tamaño de los órdenes de los

momentos de los términos que aparezcan en los miembros de la izquierda.
Para estimar el vector de parámetros a partir de una muestra

se utilizan las relaciones (4.5.14)-(4.5.15) en su versión
muestral:
En el caso del Modelo Browniano Geométrico, la muestra

pasa a ser el histórico de cotizaciones
resolviendo el sistema de ecuaciones (4.5.16) y (4.5.17),
se estimaría el vector de parámetros . Obsérvese que el contexto
del Modelo Browniano Geométrico,
con la identificación .
4.6 Validación del Modelo Browniano Geométrico
Con el objetivo de valorar el buen ajuste del modelo se pueden emplear

numerosas herramientas. No obstante, en el presente trabajo, las medidas
de bondad de ajuste que se emplearán para la validación del Modelo
Browniano Geométrico aplicado al subyacente FCC (FCC.MC) serán:
 Error cuadrático medio (Root Mean Squared Error, RMSE).

 Error porcentual absoluto medio (Mean Absolute Percentage
Error, MAPE)
 Construcción de Intervalos de Confianza del 95%.
67
 Gráfico de observaciones y predicciones (puntuales y por

intervalos).
En base a los resultados obtenidos según las medidas de bondad del ajuste
anteriormente especificadas, se evalúa la adecuación y ajuste del modelo,
para proceder así a realizar las predicciones del subyacente en cuestión.
4.6.1 Medidas de bondad de ajuste
Error cuadrático medio (RMSE)
La medida de bondad de ajuste RMSE, mide la distancia euclídea por

término medio entre los valores observados y los estimados. Cuanto menor
sea el resultado del RMSE, entonces se podrá decir que el error en el
modelo presentado será menor. Su valor está definido de la siguiente
manera:
El cálculo del RMSE se realizará considerando las predicciones puntuales

(función media) que se obtengan de aplicar el modelo teórico Log-Normal
con ambos métodos de estimación de los parámetros explicados el
Apartado 4.5. Calculados y contrastados los resultados del RMSE que
muestre cada método, será posible tener una primera idea de cuál de ellos
muestra un mejor ajuste.
Error porcentual absoluto medio (MAPE)
La segunda de las medidas de precisión de pronóstico a emplear, el

MAPE, se calcula como el promedio de las diferencias absolutas entre los
valores pronosticados y los observados, todo ello dividido por las
observaciones correspondientes, quedando expresado como un porcentaje
de los valores reales. Es decir, si se pronostican periodos y los valores
reales corresponden a periodos, el MAPE se calcula como:
68
Del mismo modo que con el RMSE, el MAPE será calculado considerando
las predicciones puntuales dadas a partir de la aplicación del modelo
teórico Log-Normal con cada uno de los métodos de estimación de los
parámetros explicados. Además de realizar el correspondiente contraste de
los resultados que esta medida presente con cada uno de los métodos,
individualmente, se considerará un error global de diagnóstico tolerable,
cuando el MAPE obtenido sea inferior al 5%.
4.6.2. Intervalos de confianza
La construcción y análisis de intervalos de confianza (IC) del 95% es

otra de las herramientas a utilizar a la hora de validar la aplicación del
Modelo Browniano Geométrico al activo subyacente FCC (FCC.MC). En
la construcción de los IC, hay dos elementos fundamentales a considerar.
Por un lado, la amplitud del intervalo da la precisión de la estimación y,
por tanto, deberá ser la menor posible y, por otro lado, la probabilidad de
que el intervalo contenga el verdadero valor del parámetro a estimar
(FCC.MC), que se llama nivel de confianza e interesará que sea la mayor
posible. Con base en esto, es cierto que se puede ganar precisión a
expensas de perder confianza en la estimación. En el presente trabajo,
como se ha indicado, los intervalos de confianza construidos atienden a un
nivel de confianza del 95%.
Este apartado se centra en la estimación de la variable (FCC.MC) a partir

del intervalo que tiene por extremos los valores de dos funciones para una
muestra, siendo ésta una estimación de la variable por intervalos de
confianza.
Para centrar ideas, supongamos que se selecciona una muestra aleatoria

simple de una población descrita por la función dependiente del
parámetro que se pretende estimar. El problema se plantea como sigue:
se fija un nivel de confianza, que se denota por , en donde
69
, y se trata de determinar dos funciones y

de forma que:
Al intervalo se le denomina
intervalo de confianza del parámetro al nivel de confianza del
100%. Es importante observar que sería un error afirmar que la
probabilidad indicada anteriormente, es la probabilidad de que esté entre
los números reales y , puesto que no
es una variable aleatoria sino un parámetro que tendrá un valor concreto.
Las variables aleatorias son y al variar
la muestra, luego la probabilidad anterior debe considerarse como la
probabilidad de que el intervalo aleatorio
contenga el verdadero valor de .
Dicho en términos de frecuencias, esto significa que de cada 100 muestras

aleatorias que se tomen, cabe esperar que el de ellas
contenga el verdadero valor de entre y
.
Suponiendo que es una muestra aleatoria simple y que es

la media muestral. La variable aleatoria media muestral se distribuye
según una normal , suponiendo que la población es con
conocida. Esta propiedad permite asegurar que la variable tipificada
sigue una , y por lo tanto, fijando un nivel de confianza
, obtener el valor tal que
Operando, resulta:
70
Con lo que las funciones buscadas son:
El intervalo de confianza para la media poblacional al nivel de confianza

del es:
Nótese que se puede ganar en precisión de dos formas: bien perdiendo

confianza, lo que en general no interesa, o bien aumentando el tamaño
de la muestra seleccionada.
4.6.3 Gráficos comparativos
Por último, calculada la función media (predicción puntual) y los

intervalos de confianza (predicción por intervalos) para cada uno de los
instantes de tiempo que comprenden el horizonte temporal observado y
bajo cada uno de los métodos de estimación dados para la validación del
modelo, se realizarán sus representaciones gráficas.
A través de estas representaciones gráficas se llevará a cabo un estudio

comparativo mediante el cual se podrá observar, visualmente, el grado de
ajuste entre las observaciones de la muestra y las predicciones puntuales
efectuadas por el modelo para cada uno de los métodos. Además, este
análisis se verá reforzado con el cálculo y comparación de las medidas de
bondad del ajuste para cada uno de los dos métodos utilizados.
71
4.7 Predicción
El principal objetivo perseguido con los modelos económico-

financieros es la posibilidad de efectuar predicciones de una determinada
variable. El modelo ajustado debe poder predecir el valor medio
(estimación puntual), y establecer un intervalo que contenga el valor real
con una determinada probabilidad (estimación por intervalos).
Obtener las estimaciones puntuales es posible mediante el valor esperado

de la variable estudiada , asociado a determinados valores de las
variables explicativas del modelo ajustado. Para ello, se calcula la
estimación de correspondiente a su valor medio condicionado
, como se expresa:
Además, es necesario completar la predicción puntual con la varianza de la

estimación; de tal modo se conoce el error de la predicción y se obtiene el
intervalo de confianza. El intervalo de confianza a nivel para la
estimación de se muestra a continuación:
,
siendo S la desviación típica muestral.
72
5. Aplicación del Modelo Browniano

Geométrico al subyacente FCC
(FCC.MC). Metodología
El activo escogido para la validación y aplicación del Modelo
Browniano Geométrico es FCC (FCC.MC). En esta memoria, la
metodología que se ha aplicado se ha implementado de forma práctica
mediante el lenguaje de programación Python, clave a la hora desarrollar
el programa que aplicará este modelo.
En este capítulo se lleva a cabo la estimación de los parámetros por ambos

métodos expuestos en el Apartado 4.5. A continuación, se validará el
Modelo Browniano Geométrico haciendo uso de los resultados de las
estimaciones calculadas por el método de Máxima Verosimilitud. En el
caso del método no paramétrico, la metodología a seguir sería la misma. El
modelo se validará a partir de estimaciones puntuales de media y varianza
y de los Intervalos de Confianza del 95%, así como mediante medidas de
bondad de ajuste explicadas en el capítulo anterior, éstas son el Error
Cuadrático Medio y el Error Porcentual Medio (MAPE). Por último,
procederemos a realizar predicciones para el subyacente mencionado
antes.
5.1 Lenguaje de programación Python
El lenguaje de programación utilizado para realizar el programa que

lleva a cabo la aplicación y validación del Modelo Browniano Geométrico
es Python.
Python es un lenguaje de programación interpretado cuya filosofía hace

hincapié en una sintaxis que favorezca un código legible. Se trata de un
lenguaje de programación multiparadigma, ya que soporta orientación a
objetos, programación imperativa y, en menor medida, programación
funcional.
73
Python fue creado a finales de los años 80 por el científico de la

computación Guido van Rossum en el Centro para las Matemáticas y la
Informática (CWI, Centrum Wiskunde & Informática), en los Países
Bajos, como un sucesor del lenguaje de programación ABC. El nombre del
lenguaje proviene de la afición de su creador por los humoristas británicos
Monty Python16
La elección de Python para realizar la aplicación y validación del modelo

se debe a:
 Posee una licencia de código abierto.

 Su sintaxis es simple y clara.
 Existe una gran cantidad de bibliotecas disponibles.
 Es un lenguaje actualizado y adaptado a las exigencias del usuario.
 Fácilmente extensible.
 Lenguaje de programación Multiplataforma (Windows, Mac,
Linux).
 Permite enviar información en formato HTML.
Algunos casos de éxito en el uso de Python son Google, Yahoo, la NASA,

Industrias Ligh & Magic, y todas las distribuciones Linux, en las que
Python cada vez representa un mayor porcentaje de los programas
disponibles.
En resumidas palabras, es un lenguaje de programación sencillo que se

adapta a las necesidades de este trabajo final de grado. Posee potentes
bibliotecas de cálculo, representación gráfica y una gran facilidad para
generar archivos (de texto, imagen, etc.).
5.2 Estimación de los parámetros del Modelo

Browniano Geométrico
En el Capítulo 4 ya se mostró cómo el Modelo Browniano Geométrico
(véase (4.0.1)) requiere estimar dos parámetros y . Para poder estimar
16
Los Monty Python fue un grupo cómico que representó en clave de humor la personalidad de la población británica
de los años 60.
74
estos parámetros, se van a utilizar dos métodos distintos de estimación de

parámetros en este trabajo. Primero se aplicará el Método de Máxima
Verosimilitud (véase Apartado 4.5.1) y a continuación, se llevará a cabo la
estimación mediante un método no paramétrico (véase Apartado 4.5.2).
5.2.1 Estimación de parámetros por el Método de

Máxima Verosimilitud
El primer método en utilizar será el Método de Máxima Verosimilitud,
en base a la aplicación de la solución del Modelo Browniano Geométrico
(véase (4.3.18)). Como ya hemos dicho antes, los programas con los que se
aplicarán los métodos están escritos en código Python como podemos ver
en la Figura 5.1.
Figura 5.1: Función Log-Verosimilitud en Python.
La Figura 5.1 muestra un extracto del programa en el cual se define la

función de Log-Verosimilitud, que es el objetivo a minimizar y que se
encuentra descrita en el Capítulo 4 (véase Apartado 4.5.1). Tras definir la
75
función, se procede a aplicar la técnica numérica de minimización Nelder-

Mead17.
Nelder-Mead es un método numérico para la optimización de funciones en

un espacio multidimensional. El método utiliza el concepto de un Simplex,
que es un polítopo de vértices en dimensiones. De manera que
esta técnica busca, de modo aproximado, una solución óptima (mínimo o
máximo) global a un problema con variables.
Tras la aplicación de esta técnica al ejecutar el programa, es posible

obtener los valores de los parámetros estimados utilizando la función print,
tal y como aparece en de la Figura 5.2.
Figura 5.2: Resultados del programa: Parámetros por Máxima Verosimilitud.
Fuente: elaboración propia.
Los dos valores de la Figura 5.2 son los resultados obtenidos para las
estimaciones de los dos parámetros. El primer resultado que aparece en
pantalla corresponde a la estimación de (-0.00700969) y el que vemos
justo debajo a (0.01528531).
5.2.2 Estimación de parámetros por un método no

paramétrico
Tal y como se menciona en el Capítulo 4 (véase Apartado 4.5.2), la
estimación de los parámetros requeridos para el modelo también se llevará
a cabo a través de un método no paramétrico. El principal objetivo de
realizar la estimación de ambos parámetros por dos métodos diferentes es
poder comparar los resultados obtenidos y asegurar que el modelo es
robusto. Este aspecto es muy importante, ya que una estimación de los
parámetros incorrecta, haría nuestro modelo inservible.
17
NELDER, J. A. y MEAD, R. (1965). “A simplex method for function minimization” en Computer Journal, vol. 7,
p. 308-313.
76
A partir del método no paramétrico, se plantea un sistema de dos

ecuaciones no lineales con dos incógnitas. Este sistema se puede resolver
con el uso de Python.
Con la aplicación del método no paramétrico, se genera una estimación de

los parámetros tal y como aparece en la Figura 5.3.
Figura 5.3: Resultados del programa: Parámetros por método no paramétrico.
El primer resultado obtenido hace referencia a (-0.00706357) y el

segundo a (0.01623465).
En la Tabla 5.1, es posible contrastar ambos métodos. En este caso, el

método de Máxima Verosimilitud y el no paramétrico, ofrecen un
resultado realmente parecido en la estimación de ambos parámetros para el
Modelo Browniano Geométrico. Esto supone, por tanto, una prueba a
favor de la robustez del modelo.
PARÁMETRO MÉTODO DE MÁXIMA MÉTODO NO

A ESTIMAR: VEROSIMILITUD PARAMÉTRICO
-0.00700969 -0.00706357
0.01528531 0.01623465
Tabla 5.1: Tabla comparativa de parámetros según método de estimación.
5.3 Validación del Modelo Browniano Geométrico
La validación del modelo es el paso posterior a la estimación de los

parámetros requeridos. La validación se realiza a través de criterios
estadísticos, de tal modo se aceptará la solución del modelo para el caso
del activo financiero estudiado en este trabajo, FCC (FCC.MC). Dichos
77
criterios atienden, por una parte, a la construcción de intervalos de

confianza y, por otra, a medidas de bondad de ajuste. Así, el objetivo
principal de este trabajo es validar las predicciones para FCC (FCC.MC),
asegurando su fiabilidad y la no dependencia de los métodos y datos
utilizados.
Además, en este apartado se procede a calcular la función media

(estimación puntual del subyacente) y a la construcción de los intervalos
de confianza, todo ello a través de la validación del modelo y de las
medidas de bondad de ajuste, para, por último, representar gráficamente
los resultados obtenidos.
5.3.1 Estimaciones puntuales: Cálculo de la media y

varianza teórica
Haciendo uso del valor esperado de la variable analizada, se conseguirá
una estimación puntual. Esto se basa en lo ya estudiado en los Apartados
4.3 y 4.4.
De esta manera, de acuerdo al modelo teórico Log-Normal, lo que hay que

hacer en primer lugar es calcular la media y la varianza teórica del activo
FCC (FCC.MC) para cada instante de tiempo fijo t. Aplicando las
ecuaciones (4.4.4) y (4.4.5) con los parámetros y estimados en el
apartado anterior, el resultado obtenido atiende a la media y varianza
teóricas para cada del período fijo estudiado. Cabe subrayar que
en el Modelo Browniano Geométrico se corresponde con el valor del
subyacente FCC (FCC.MC) en el instante inicial del estudio, así como que
el incremento de t en el período que se va a utilizar aquí es la unidad.
En la Figura 5.4 se muestran, en dos columnas, la función media

(izquierda) y la función varianza (derecha) para cada una de las 30
cotizaciones de la muestra.
78
Figura 5.4: Resultados de las funciones media y varianza.
Una vez se tienen las funciones media y varianza para cada uno de los 30
valores del histórico, ya es se puede pasar a construir los Intervalos de
Confianza.
5.3.2 Validación por intervalos de confianza: Cálculo

de los intervalos de confianza teóricos
La validación del Modelo Browniano Geométrico para el activo FCC
(FCC.MC) se completará con la construcción de los intervalos de
confianza del 95% (véase Apartado 4.6.2), una vez que se tengan las
estimaciones puntuales.
79
En este caso el programa se encargará de calcular, en primer lugar, la

desviación típica, aplicando la raíz cuadrada a la varianza. Los intervalos
de confianza se calculan como la estimación puntual (media) más-menos
dos veces el valor de la desviación típica obtenida para el valor
correspondiente. De esta manera, al sumar este último miembro a la media
se obtiene el límite superior del intervalo, y al restárselo se obtiene el
límite inferior.
Ejecutando estas operaciones con el programa, obtenemos los dos límites

(superior e inferior) del intervalo de confianza al 95%, tal y como se
muestra en la Figura 5.5.
Figura 5.5: Resultados Intervalos de Confianza 95%.
80
Una vez que obtenida función media y construidos los intervalos de

confianza teóricos para cada del período observado a partir del
modelo teórico Log-Normal, es posible hacer una representación gráfica
como la del Gráfico 5.1.
Gráfico 5.1. Intervalos de confianza, medias teóricas, reales y previsión.
Esta representación es muy efectiva para, de forma visual, valorar la

efectividad del modelo: comparar la cotización real de la media obtenida
por el modelo (predicciones), comprobar que la cotización real se ha
situado dentro del intervalo de confianza para cada una de las estimaciones
puntuales, etc. En resumen, de este modo es posible completar la
validación del Modelo Browniano Geométrico para el subyacente FCC
(FCC.MC).
81
De hecho, en este caso, se puede observar cómo, efectivamente, los

intervalos superior e inferior recogen las fluctuaciones en el valor real de
la acción y que éste no dista demasiado de la media puntual obtenida para
cada instante (predicciones del modelo). Además, estos datos positivos
quedarán reforzados en el siguiente apartado con el cálculo del Error
Cuadrático Medio (MSE) y del Error Porcentual Absoluto Medio (MAPE).
5.3.3 Medidas de bondad de ajuste: Cálculo del

error cuadrático medio (RMSE) y del error
porcentual absoluto medio (MAPE)
Como ya se señaló en el Apartado 4.6.1, el Error Cuadrático Medio
(RMSE) mide los cuadrados de las distancias entre los valores observados
y los estimados. Cuanto menor sea el resultado de éste o de su raíz
cuadrada (denotada por RMSE), menor es el error del modelo. Además, de
manera complementaria, se calcula el Error Porcentual Absoluto Medio
(MAPE), que será tolerable siempre y cuando sea inferior al 5% como ya
se vio en el Apartado 4.6.1.
Mediante un script en el programa, es posible que éste realice todos los

pasos requeridos para el cálculo de las medidas de bondad del ajuste.
En primer lugar se calcula la diferencia entre la lista que contiene las

medias estimadas y la lista que contiene el histórico de cotización de los
últimos 30 días; se obtiene así una lista de diferencias que es el error
absoluto.
A continuación, por un lado se divide la lista del error absoluto entre la

lista de cotizaciones reales, obteniendo una lista de errores relativos; y por
otro lado se genera una lista fruto de elevar al cuadrado la lista de errores
absolutos. Con estos dos cálculos ya es posible calcular el RMSE y el
MAPE.
Para calcular el MAPE, se realiza el sumatorio de la lista de errores

relativos, se divide entre la longitud de la lista y se multiplica por 100 para
obtener el valor en forma de porcentaje.
82
Para calcular el MSE, se realiza el sumatorio de los valores de la lista de

errores absolutos al cuadrado y se divide éste entre la longitud de esta lista.
Si se desea obtener el RMSE, se aplica la raíz cuadrada al valor obtenido.
En este caso, se ha obtenido el MSE.
En la Tabla 5.2 se muestran los resultados obtenidos para MAPE y para

Error Cuadrático Medio con cada uno de los métodos utilizados en la
estimación de los parámetros del modelo y que se han expuesto en el
Apartado 4.5.
Medidas de MÉTODO DE MÁXIMA MÉTODO NO

VEROSIMILITUD PARAMÉTRICO
Bondad de Ajuste
2.43% 2.56%
0.18 0.135
Tabla 5.2: Resultados de las medidas de bondad de ajuste.
El MAPE está por debajo del 5% en ambos casos, sea cual sea el método
para calcularlos y el Error Cuadrático Medio ofrece también valores bajos.
Los resultados muestran un nivel de aceptación del modelo muy bueno.
5.4. Predicciones para el subyacente FCC (FCC.MC)
Uno de los objetivos perseguidos con la aplicación de modelos

matemáticos, es predecir el valor de una variable objetivo. El objetivo de
este TFG es la predicción de la acción de FCC (FCC.MC), para los 5 días
siguientes al último dato registrado. Una vez ajustado, el modelo permite
predecir las estimaciones puntuales (valor medio) de la variable y
determinar un intervalo de confianza que contenga el valor real de la
misma con una probabilidad determinada (95% en el caso de nuestros
intervalos de confianza).
Incluyendo el correspondiente script en el programa realizado con Python,

es posible obtener las predicciones que se persiguen. Estos resultados
quedan constituidos por tres listas: la función media (estimaciones
83
puntuales), el límite superior del intervalo de confianza y el límite inferior

de éste. Estas listas tienen una longitud de 5 elementos, correspondientes a
los 5 días para los que se ha decido que el Modelo Browniano Geométrico
efectúe predicciones.
Es importante destacar que para la estimación de estas predicciones se han

tenido en cuenta los parámetros estimados con anterioridad con el método
de Máxima Verosimilitud (véase Tabla 5.1).
Así mismo, haciendo uso de los parámetros estimados mediante el método

no paramétrico y siguiendo el mismo procedimiento, también es posible
obtener una buena predicción para el activo FCC (FCC.MC).
Una vez visto ejecutado el programa y realizado todo el proceso, éste

ofrece las predicciones de la cotización de FCC en los próximos 5 días,
que se muestran en la Tabla 5.3. Bajo la fila de predicciones es posible
observar el valor real del subyacente para cada uno de los 5 días.
MÉTODO 1 04-06 05-06 06-06 07-06 08-06
I.C. 95% 10.76 10.71 10.66 10.61 10.56
PREDICCIÓN 8.99 8.99 8.99 8.99 8.99
REAL 9.08 9.18 9.11 9.24 9.02
I.C. 95% 7.67 7.59 7.51 7.43 7.36
Tabla 5.3: Resultados comparativos de predicciones y valores reales.
Como podemos observar en la Tabla 5.3, las predicciones efectuadas por

el modelo siempre han estado acotadas por los límites superior e inferior
del intervalo de confianza, lo que supone un resultado realmente bueno.
84
6. Programas y página web:

http://cotizaccion.imm.upv.es/Dani
El objetivo de este capítulo es presentar el funcionamiento de los
programas utilizados para la aplicación del Modelo Browniano
Geométrico, así como la edición de la página web del departamento de
matemática multidisciplinar para que recoja la representación de los
resultados de este proyecto (predicción del activo subyacente FCC
(FCC.MC)), junto a otros trabajos basados también en la aplicación de
modelos matemáticos para la predicción de otros activos subyacentes. Se
trata pues de tener acceso público a las predicciones, actualizadas
diariamente de forma dinámica, y expuestas a través de tablas y gráficos.
Un modo muy visual y orientativo de acceder a esta información.
6.1 Equipo necesario
Para poder poner en funcionamiento la página web, se ha accedido a un

PC preparado con el sistema operativo Ubuntu server 14.04 LTS (Long
Time Support). Además, tiene instalado el servidor web Apache. Para la
realización de los cálculos requeridos en la aplicación del Modelo
Browniano Geométrico, el PC cuenta también con el lenguaje de
programación Python así como la biblioteca de herramientas y algoritmos
matemáticos para Python: Scipy.
Una vez desarrollados los programas y editada la página web, se han

alojado en un servidor y han sido configurados para su correcto
funcionamiento.
6.2 Programación con Python
Los programas realizados con Python realizan cuatro tareas principales

que se muestran en la Figura 6.1. Ambos programas utilizados son iguales
excepto porque en la tarea “Ejecución del Browniano Geométrico” el
método para estimar los parámetros no es el mismo. Como vimos en
85
capítulos anteriores, un programa estima los parámetros mediante el

método de Máxima Verosimilitud (véase Apartado 4.5.1) y el otro
mediante un método no paramétrico (véase Apartado 4.5.2).
Obtención del histórico de cotizaciones
Ejecución del Modelo Browniano

Geométrico
Generación de ficheros
Actualización de la página web
Figura 6.1: Tareas principales de los programas.
6.2.1 Obtención del histórico de cotizaciones
Para extraer la serie histórica de últimas cotizaciones de la acción FCC

(FCC.MC), es necesario utilizar una técnica como el web scraping.
Scraping es un término que literalmente significa “rascado”. Sin embargo,

en este contexto significa limpieza o filtro de datos.
El Web scraping es un método informático utilizado para obtener

información directamente de sitios web, de tal manera que pueda ser
almacenada, analizada y utilizada con cualquier otro fin (hoja de cálculo,
programa…). Se lleva a cabo a través de robots de búsqueda y lo utilizan
la mayoría de buscadores (Google, Ask, etc.). No obstante, esta técnica se
centra en transformar datos que no poseen estructura en datos
correctamente estructurados.
En el caso que ocupa esta memoria, el web scraping se utiliza en el

dominio web: https://es.finance.yahoo.com/q?s=FCC.MC para obtener las
últimas 30 cotizaciones, datos sobre los que se aplicará el modelo.
86
El uso de esta técnica es posible gracias a un script introducido en el

programa y que ejecuta la tarea de obtención de datos. Lo mejor de este
programa es que es posible aplicar el Modelo Browniano Geométrico y
obtener la predicción para cualquier otro subyacente solo con cambiar la
URL de la que el web scraping obtiene los datos del histórico.
En la Figura 6.2 es posible observar un ejemplo de histórico de

cotizaciones de FCC (FCC.MC).
Figura 6.2: Histórico de cotizaciones de FCC.
Fuente: https://es.finance.yahoo.com/q/hp?s=FCC.MC.
Así, extraídos los datos del histórico, ya se puede aplicar el Modelo

Browniano Geométrico sobre los mismos.
6.2.2 Ejecución del Modelo Browniano Geométrico

sobre el histórico
Para la ejecución del Modelo Browniano Geométrico, es requisito

indispensable contar con el histórico de cotizaciones, una vez conseguido
87
éste, es posible poner en marcha el programa para aplicar el modelo. Al

ejecutar el programa y, por tanto, aplicar el modelo, se obtienen los
resultados en forma de predicciones e intervalos de confianza para los 5
días siguientes, así como el Error Cuadrático Medio y el MAPE.
6.2.3 Generación de ficheros
Una vez ejecutado el programa, éste genera ficheros que contienen la

información que se mostrará en la página web, esta información consta de
tablas y gráficos.
Esta información se genera en código javascript (js18), de tal manera que

puedan ser leídos e interpretados por el navegador. En la página web se
incluyen dos métodos que identifican diferentes técnicas para la
estimación de los parámetros del modelo: Método 1, en el que los
parámetros son obtenidos mediante el método de Máxima Verosimilitud, y
Método 2, en el que los parámetros se obtienen a través de un método no
paramétrico. Para cada uno de los archivos siempre se generan dos
versiones: la del Método 1 y la del Método 2. En esta memoria se incluyen
las tablas y gráficos del Método 1, siendo equivalentes para el Método 2.
Predicción, Intervalos de Confianza 95% y medidas de bondad de

ajuste para los próximos 5 días
Uno de los archivos que genera el programa, y el primero que se puede

observar en la página web, es el que contiene dos tablas. En la primera
(Tabla 6.1) aparecen los Intervalos de Confianza del 95% y la predicción
del activo subyacente para los próximos 5 días desde hoy. En la segunda
tabla (Tabla 6.2) aparecen las medidas de bondad del ajuste: MAPE y
Error Cuadrático Medio. A continuación se pueden observar las citadas
tablas:
18
Un archivo *.js, es un archivo de texto plano que contiene scripts de Javascript, y que puede, por tanto, ser
modificado con cualquier editor de textos. Es ejecutado generalmente por un navegador web.
88
Tabla 6.1: Predicciones e Intervalos de Confianza 95% en página web.
Fuente: http://cotizaccion.imm.upv.es/Dani/metodo1
Tabla 6.2: Medidas de bondad del ajuste en página web.
Fuente: http://cotizaccion.imm.upv.es/Dani/metodo1
Además, es posible observar en la Figura 6.3, el momento en el que se ha

producido la última actualización, de modo que se pueda llevar un control
oportuno sobre el funcionamiento de los programas y la web.
Por otro lado, para hacer más visuales y fácilmente comprensibles los
resultados del programa y poder apreciar la tendencia del subyacente, éste
genera un gráfico en formato png19 que incluye media (línea verde),
intervalos de confianza (líneas rojas), predicciones del modelo a 5 días
(línea de puntos amarillos) y cotización real del subyacente (línea de
puntos azules). Ver Gráfico 6.1.
19
Png es un formato gráfico que se muestra correctamente en navegadores y cuyo uso está libre de derechos.
Además, permite una alta comprensión y una reproducción de imágenes con hasta 16,7 millones de colores.
89
Gráfico 6.1: Intervalos de Confianza, medias, cotización histórica y predicción en web.
Fuente: http:// http://cotizaccion.imm.upv.es/Dani/metodo1
Para generar este tipo de gráficos, es necesario importar las librerías

oportunas: numpy, pylab y matplotlib.
Comparación entre la predicción del modelo y las cotizaciones

reales a posteriori
A continuación, el programa genera el archivo cuya información queda

recogida en la Tabla 6.3 y donde es posible observar la comparación entre
los 5 últimos datos reales del histórico de cotización de FCC (FCC.MC) y
la predicción efectuada por el programa, así como los límites superior e
inferior del Intervalo de Confianza al 95%.
90
Tabla 6.3: Comparativa predicciones y cotizaciones reales.
Fuente: http:// http://cotizaccion.imm.upv.es/Dani/metodo1
La realización de esta tabla requiere de un script que recopile en un fichero

los resultados obtenidos por el modelo a lo largo de los últimos 5 días y le
añada una fila con los últimos 5 datos del histórico.
Comparativa de los dos métodos: según estimación de parámetros
Para poder comparar los dos métodos en lo que se refiere a la

predicción del valor del subyacente, el programa genera dos tablas. La
primera de ellas contiene la predicción efectuada por el Método 1, la
efectuada por el Método 2 y la cotización real del activo. La segunda tabla
contiene El MAPE y el Error Cuadrático Medio, calculado según cada uno
de los dos métodos. Esto es observable en las Tablas 6.4 y 6.5.
Tabla 6.4: Comparativa predicciones según método y cotizaciones reales.
Fuente: http://cotizaccion.imm.upv.es/Dani/comparativa
91
Tabla 6.5: Comparativa medidas de bondad de ajuste.
Gráficos comparativos predicciones/ reales
Para finalizar, el programa genera el Gráfico 6.2. En este gráfico es

posible observar las últimas 10 predicciones del programa (línea verde),
los intervalos de confianza (líneas rojas) y la cotización real del
subyacente en los últimos 10 días (línea de puntos azules). De este modo
podemos observar la distancia entre la predicción y los datos reales, así
como la inclusión del valor real entre los dos intervalos de confianza, a
posteriori y valorar el correcto funcionamiento del modelo.
Gráfico 6.2: Predicción, Intervalos de Confianza y cotizaciones reales últimos 10 días.
92
6.2.4 Actualización de la página web
Cada vez que un usuario entre en la página web, ésta hará una llamada
al programa para que éste envíe los datos necesarios a la web. De tal
modo, la información se encuentra actualizada en todo momento. Se trata
pues de una página web dinámica.
6.3 Cron (Linux)
El PC en el que se alojan los programas cuenta con el sistema operativo

Linux. En este sistema operativo, Cron es un administrador de procesos en
segundo plano y lo hace a intervalos de tiempo regulares. Mediante un
fichero crontab es posible fijar la fecha y hora en la que deben ejecutarse
los procesos para poner en marcha el programa.
En el caso que ocupa este trabajo, se ha configurado el archivo crontab

para que se ejecute diariamente de lunes a viernes a la 1 a.m. En ese
momento los programas obtienen el histórico de FCC, lo procesan y
ofrecen los resultados fruto de la aplicación del modelo. El motivo para
ejecutar el programa a la 1 a.m. es que la web de donde se obtiene la
información no se actualiza hasta después de las 12 a.m.
6.4 Página web: http://cotizaccion.imm.upv.es/Dani
La página web donde se exponen los resultados del presente trabajo

está incluida en otra, dependiente del Instituto de Matemática
Multidisciplinar (IMM), bajo el título “Predicciones Bursátiles”
(http://cotizaccion.imm.upv.es); donde se recogen distintos trabajos de
alumnos en el ámbito de la modelización matemática aplicada a las
finanzas, y más en concreto a la predicción de activos subyacentes.
Para la edición de la página web se escogió una plantilla de la web

http://www.htmltemplates.net y se modificó gracias al programa
Kompozer, un editor de páginas web para OSX.
93
La web en la que se recogen los resultados de este trabajo final de grado se

compone de 4 páginas:
 Home: Recoge la información básica acerca del proyecto.

 Método 1: se muestran los resultados obtenidos mediante el
método de estimación de parámetros de Máxima Verosimilitud.
 Método 2: se muestran los resultados obtenidos mediante el
método de estimación de parámetros no paramétrico.
 Comparativa: recoge la comparación entre los resultados obtenidos
mediante el Método 1 y los recogidos con el Método 2.
Los resultados que se ofrecen en cada una de las páginas han sido
detallados anteriormente a lo largo de este mismo capítulo.
De este modo, se tiene una página web que recoge los resultados de la
aplicación del Modelo Browniano Geométrico para la predicción de un
activo subyacente calculados a partir de dos técnicas diferentes de
estimación de parámetros, así como una comparación de ambos métodos
que ponga de manifiesto la validez del modelo.
6.5 Diagrama de procesos de los programas
Este apartado presenta, a modo de resumen final del capítulo y de

esquema general de la aplicación real de este trabajo, el conjunto de
procesos que siguen los programas, así como sus inputs y outputs. La
manera más clara y sencilla de representarlo es un diagrama de flujo como
el de la Figura 6.3. mostrada a continuación.
94
Figura 6.3: Proceso completo de los programas.
95
96
7. Conclusiones y propuestas de
mejora
El objetivo principal de esta memoria ha sido el estudio y aplicación
del Modelo Browniano Geométrico para llevar a cabo predicciones en el
valor de activos subyacentes.
Para la elaboración de este Trabajo Final de Grado ha sido necesario

ampliar considerablemente los conocimientos obtenidos en el Grado de
Administración y Dirección de Empresas. No obstante, el contenido del
trabajo está siempre relacionado con los contenidos estudiados en
asignaturas como Modelos Matemáticos para ADE, Métodos Estadísticos,
Banca y Bolsa, etc.
En el Capítulo 1 se ha hecho un resumen de lo que supone el presente

trabajo, se han repasado las asignaturas cursadas a lo largo del curso que
han tenido mayor presencia en éste y se han fijado los objetivos
perseguidos con este TFG.
En el Capítulo 2 se pasa a hacer un repaso de la situación económica actual

y precedente, así como un breve estudio de la compañía FCC, uno de los
grupos españoles más importantes y con más presencia internacional. FCC
ha sido escogida para este TFG por su magnitud y por la importancia del
servicio que presta tanto en España como en el resto del mundo. Servicios
de construcción, medioambientales y gestión de recursos naturales, que
supondrán el futuro del mundo que conocemos.
Los Capítulos 3 y 4 de la memoria incluyen el desarrollo teórico del

Modelo Browniano Geométrico como fundamento y pieza angular del
trabajo y justificación para la posterior aplicación del mismo. En este
estudio se introduce el Cálculo Estocástico de Itô, sin el cual es imposible
resolver el modelo y calcular las principales funciones estadísticas del
mismo. Es decir, este cálculo hace posible la aplicación del modelo al
activo subyacente FCC (FCC.MC).
97
A lo largo del Capítulo 5, se presenta la aplicación del Modelo Browniano

Geométrico para con el activo escogido para el trabajo: FCC (FCC.MC),
de tal manera que se puedan realizar predicciones de su valor bursátil. En
este capítulo se presenta el lenguaje Python de programación, gracias al
cual ha sido posible la aplicación del modelo y la realización de los
cálculos pertinentes.
Una vez claro esto, el siguiente paso es construir el modelo. Para ello es
necesario estimar los parámetros del mismo. Esto es posible gracias a dos
métodos: el de Máxima Verosimilitud y uno no paramétrico adaptado a las
ecuaciones diferenciales estocásticas de Itô estudiadas en el capítulo
anterior. Tras estas estimaciones se valida el modelo calculando
estimaciones puntuales y por Intervalos de Confianza del 95% para el
histórico de datos y haciendo uso de medidas estadísticas de bondad de
ajuste: El error cuadrático medio y el MAPE. De este modo, se ha
demostrado la calidad del modelo.
Además, a fin de darle un mayor valor añadido al presente trabajo final de

grado, en el Capítulo 6 se presenta la creación de dos programas, con el
lenguaje de programación Python, para aplicar el Modelo Browniano
Geométrico y llevar a cabo las predicciones, no solo del activo subyacente
FCC (FCC.MC) sino de cualquier otro que cotice en bolsa. De modo que
es posible utilizar este modelo para predecir el valor del activo subyacente
que se desee. Por último, los resultados del modelo (predicción a 5 días),
han sido alojados en un servidor web dinámico que se actualizará
diariamente y hará pública la información que ofrezcan los programas en
la página web http://cotizaccion.imm.upv.es/Dani
Así, con el presente TFG se proporciona una herramienta de iniciación

para la ayuda en la toma de decisiones sobre inversiones bursátiles. Y se
considera de iniciación debido a la existencia de otros modelos
estocásticos más complejos y cuyo estudio y aplicación futuros podría ser
de gran interés; de tal modo podrían compararse los resultados de esos
otros modelos con los obtenidos mediante el Modelo Browniano
Geométrico y comprobar la viabilidad de éste. Algunos ejemplos
98
interesantes de modelos más complejos son los que se fundamentan en

ecuaciones diferenciales estocásticas cuyo proceso aleatorio es una
composición de un proceso continuo como el movimiento Browniano y un
proceso discontinuo o de salto tipo Poisson20 o el Modelo Black-Scholes21
para la valoración de opciones y de otros activos intangibles, como por
ejemplo patentes.
Sería posible programar estos modelos en Python o en cualquier otro

lenguaje de programación y, de igual modo, representar sus resultados en
la página web http://cotizaccion.imm.upv.es de modo que se cree sobre
ella un interés mayor para inversores.
20
BENTH, F.E., KHOLODNYI, V., y LAURENCE, P. (2014). “Quantitative Energy Finance: Modeling, pricing and
hedging in energy and commodity markets”. Springer Science+Business Media.
21
MERTON, R.C. (1973). “Theory of Rational Option Pricing”, en Bell Journal of Economics and Management
Sciences.
99
100
Bibliografía
Libros:
ALLEN, E. (2007). Modelling With Itô Stochastic Differential Equations.

Springer, Series Mathematical Modelling: Theory and Applications.
BAXTER, M. y REMIE, A. (2012). Financial Calculus: An Introduction

to Derivate Pricing. Cambridge Univ. Press, 20th Edition.
BENTH, F.E., KHOLODNYI, V. y LAURENCE, P. (Ed. 2014).

Quantitative Energy Finance: Modeling, Pricing and Hedging in Energy
and Commodity Markets. Springer, Science+Business. Media B.V.
GONZÁLEZ DUQUE, R. (2014). Python para todos.
HULL, J.C. (2002). Introducción a los Mercados de Futuros y Opciones.

Pearson Education, 4º Edición.
ITÔ, K. (1944). Stochastic Integral. Tokio. Proc. Imperial Acad.
ITÔ, K. (1961). Lectures on Stochastic Processes. Bombay. Tata Institute.
KLEBANER, F. C. (2011). Introduction to Stochastic Calculus With

Applications to Finance. Imperial CollegePress.
LAMBERTON, D. y LAPEYRE, B. (1996). Introduction to Stochastic

Calculus to Finance. Chapman & Hall/CRC.
YANAJARA, H. (2012). Manual Sage para principiantes.
ØKSENDAHL, B. (1980). Stochastic Differencial Equations. Nueva York.

Springer.
ØKSENDAHL, B. (1998). Stochastic Differential Equations: An

Introduction with Applications. Springer.
Artículos:
BACHELIER, L. (1900). “Théorie de la spéculation” en Annales du

Science de L’Ecole Normale Supérieure, vol. 17, p. 21-86.
ITÔ, K. (1951). “On stochastic differential equations” en Memoirs,

American Mathematical Society, vol. 4, p. 1–51.
MERTON, R.C. (1973). “An inter temporal capital asset pricing model” en
Econometrica, vol. 41, No. 5, p. 867-887.
101
MERTON, R.C. (1973). “Theory of rational option pricing” en Bell

Journal of Economics and Management Science (The RAND Corporation),
vol. 4, No. 1, p. 141–183.
STANTON, R. (1997). “A non parametric model of term structure

dynamic and the market price of interest rate risk” en Journal of Finance,
vol. 52, issue 5, p. 1973-2002.
NELDER, J.A. y MEAD R. (1965). “A simplex method for function

minimization” en Computer Journal, vol. 7, p. 308-313.
Páginas web:
http://www.fccco.es/construccion/area-
corporativa/presentacion/historia/index.html (Consulta: 13 de Junio 2015)
http://www.expansion.com/especiales/20aniversario/20grandesempresas/fc
c.html (Consulta: 13 de Junio 2015)
http://fcc.es/fccweb/wcm/idc/groups/public/documents/document/mdaw/m
du3/~edisp/cscp074829.pdf (Consulta: 13 de Junio 2015)
http://www.fcc.es/fccweb/wcm/idc/groups/public/documents/document/m
daw/mdu0/~edisp/cscp071851.pdf (Consulta: 13 de Junio 2015)
http://www.fcc.es/fccweb/wcm/idc/groups/public/documents/document/m
daw/mde4/~edisp/ucm_015860.pdf (Consulta: 13 de Junio 2015)
http://www.fccco.es/construccion/area-corporativa/organizacion/personal-
directivo/index.html (Última consulta: 2 de Junio 2015)
http://www.elconfidencial.com/empresas/2014-10-17/fcc-vende-a-la-
americana-crystal-clean-su-division-de-medio-ambiente-en-ee-uu_251906
(Última consulta: 2 de Junio 2015)
http://es.investing.com/equities/fcc-ratios (Última consulta: 2 de Junio

2015)
http://www.infobolsa.es/cotizacion/cnmv-fcc (Última consulta: 2 de Junio

2015)
http://cotizaccion.imm.upv.es (Consulta: 13 de Junio 2015)
http://www.eleconomista.es (Última consulta: 10 de Junio 2015)
https://www.python.org (Consulta: 22 de Marzo 2015)
http://www.scipy.org (Consulta: 20 de Mayo 2015)
102
http://www.ubuntu.com (Consulta: 20 de Mayo 2015)
http://www.yahoo.finance.com (Última consulta: 13 de Junio 2015)
http://es.schoolofdata.org/introduccion-a-la-extraccion-de-datos-de-sitios-
web-scraping/ (Consulta: 5 de Junio 2015)
http://www.asociaciondedirectivos.org/index.php?id=66 (Consulta: 14 de
Junio 2015)
http://vozpopuli.com/economia-y-finanzas/39628-fcc-continua-en-
numeros-rojos-pierde-1-506-3-millones-el-46-mas-que-en-2012 (Consulta:
14 de Junio 2015)
103

CÁLCULO ESTOCÁSTICO EN FINANZAS. Daniel PÉREZ Fernandez

Cargado por

Copyright:

Formatos disponibles

CÁLCULO ESTOCÁSTICO EN FINANZAS. Daniel PÉREZ Fernandez

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

CÁLCULO ESTOCÁSTICO EN FINANZAS. Daniel PÉREZ Fernandez

Cargado por

Copyright:

Formatos disponibles

T

Cálculo estocástico en finanzas:

D. Daniel Pérez Fernández

Dr. Juan Carlos Cortés López

Dr. Rafael Jacinto Villanueva Micó

CAPÍTULO 1. INTRODUCCIÓN ................................................................................................ 7

CAPÍTULO 2. ANTECEDENTES Y SITUACIÓN ACTUAL. FCC, S.A ................................ 15

2.2.2. Estructura del grupo ............................................................................................. 23

2.2.3. FCC en bolsa: Evolución. ..................................................................................... 26

2.2.4. Principales ratios económico-financieros ............................................................ 29

CAPÍTULO 3. CÁLCULO ESTOCÁSTICO DE ITO ............................................................... 33

3.4.2. Propiedades de la integral de Itô .......................................................................... 44

CAPÍTULO 4. EL MODELO BROWNIANO GEOMÉTRICO ............................................... 47

4.5.2. Método no paramétrico ........................................................................................ 65

4.6. Validación del modelo Browniano Geométrico ............................................................... 67

4.6.2. Intervalos de confianza ......................................................................................... 69

4.6.3. Gráficos comparativos .......................................................................................... 71

4.7. Predicción ......................................................................................................................... 72

CAPÍTULO 5. APLICACIÓN DEL MODELO BROWNIANO GEOMÉTRICO AL

5.2.2. Estimación de parámetros por un método no paramétrico ................................... 76

5.3. Validación del Modelo Browniano Geométrico ............................................................. 77

5.3.1. Estimaciones puntuales: Cálculo de la media y varianza teórica ........................ 78

5.3.2. Validación por intervalos de confianza: Cálculo de los intervalos de confianza

5.4. Predicciones para el subyacente FCC (FCC.MC) .......................................................... 83

CAPÍTULO 6. PÁGINA WEB: http://cotizaccion.imm.upv.es/Dani ......................................... 85

6.2. Programación con Python ............................................................................................... 85

6.2.1. Obtención del histórico de cotizaciones .............................................................. 86

6.2.2. Ejecución del Modelo Browniano Geométrico sobre el histórico ....................... 87

6.2.3. Generación de ficheros. ...................................................................................... 88

6.2.4. Actualización de la página web ........................................................................... 93

6.4. Página web: http://cotizaccion.imm.upv.es/Dani ........................................................... 93

6.5. Diagrama de proceso de los programas........................................................................... 94

CAPÍTULO 7. CONCLUSIONES Y PROPUESTAS DE MEJORA ........................................ 97

Estando la demanda asegurada, la rentabilidad de la renta fija va a seguir

Ante la demanda de renta variable como mecanismo de inversión, aumenta

Desde que existe el ser humano, éste se ha preocupado de forma entusiasta

A día de hoy, existen numerosos modelos para predecir, entre otras

1.1 Resumen del trabajo de fin de grado

En el presente TFG estudiamos un modelo estocástico, el Modelo

El Modelo Browniano Geométrico o Log-Normal atiende a modelos

Para la aplicación del modelo, es necesario estimar previamente los

Una vez se obtienen los parámetros por medio de la estimación, se valida

Además, se representarán gráficamente la función media y los intervalos

Geométrico sobre el activo subyacente escogido, en este caso FCC

1.2 Objetivos del trabajo de fin de grado

El objetivo principal de este TFG es el estudio en mayor profundidad y

En el caso del presente trabajo, estas técnicas han sido aplicadas a la

Todo este estudio se realiza a través del modelo estocástico Log-Normal

 Estudiar técnicas estocásticas adecuadas, basadas en el Cálculo de

1.3 Justificación de asignaturas relacionadas

Para la elaboración del presente TFG han sido empleados los

Capítulo 2: Situación actual. FCC.

Para este capítulo han sido necesarios conocimientos adquiridos en varias

 “Introducción a la Administración de Empresas” (Primer

Capítulos 3, 4 y 5: Cálculo estocástico de Itô, Modelo

 “Modelos Matemáticos para ADE” (Primer curso): Esta

Capítulo 5: Aplicación del Modelo Browniano Geométrico

Capítulo 6: Página web: http://cotizaccion.imm.upv.es/Dani

Para el desarrollo de este capítulo hemos tenido que adquirir

2. Antecedentes y situación actual.