Martingalas Vamos a estudiar una clase de procesos que pueden verse como la fortuna de un jugador que juega repetidamente un juego justo. Así que pensemos que M n es la fortuna del jugador luego de jugar n turnos del juego. Decimos que M 0, M 1,... es una martingala si para cualquier n 0 1 E M n < 2 para cualquier sucesión de posibles valores m 0, m 1,..., m n E[M n+1 M 0 = m 0, M 1 = m 1,..., M n = m n ] = m n La segunda propiedad es equivalente a E[M n+1 M n M 0 = m 0, M 1 = m 1,..., M n = m n ] = 0. Es decir, condicionando al pasado, la ganancia neta esperada luego del turno siguiente es cero. Esto es, el juego es justo. Raúl Jiménez y Rosario Romera (UC3M) Procesos Estocásticos Diciembre 2008 1 / 11
Esperanza condicional Martingalas Como el estudio de martingalas recae fuertemente en el concepto de esperanza condicional es conveniente extenderla en un sentido más general. En los cursos introductorios de probabilidad, si X, Y son variables aleatorias, la esperanza de X dado Y = y se entiende como el valor esperado de la distribución de X dado Y = y, { E[X Y = y] = x x P(X = x Y = y) caso discreto x fx Y =y (x)dx caso continuo Sea ψ tal que, para cada posible valor y de Y se tiene ψ(y) = E[X Y = y] La variable aleatoria ψ(y ) es llamada esperanza condicional de X dado Y y se denota por E[X Y ]. Raúl Jiménez y Rosario Romera (UC3M) Procesos Estocásticos Diciembre 2008 2 / 11
Definición Usando el concepto revisado de esperanza condicional, volvemos a la definición de martingala: Decimos que M 0, M 1,... es una martingala si para cualquier n 0 1 E M n < 2 E[M n+1 M 0, M 1,..., M n ] = M n Si en vez de la igualdad en 2 tenemos lo que ocurre en la mayoría de los juegos de casino E(M n+1 M 0, M 1,..., M n ) M n decimos entonces que {M n } es una supermartingala. Si por el contrario, el juego es a favor del jugador y decimos que es una submartingala. E[M n+1 M 0, M 1,..., M n ] M n Raúl Jiménez y Rosario Romera (UC3M) Procesos Estocásticos Diciembre 2008 3 / 11
Ejemplos Paseos aleatorios. Sean X 1, X 2,... variables aleatorias independientes y M n = M 0 + X 1 + + X n. Ya que E[M n+1 M n M 0, M 1,..., M n ] = E[X n+1 ], M n es una supermartingala si E[X i ] 0, una martingala si E[X i ] = 0 y una submartingala si E[X i ] 0. Black-Scholes discreto. Sean Z 1, Z 2,... variables aleatorias independientes normales N(µ, σ 2 ) y definamos M n = M 0 e Z 1... e Zn. Entonces, E[M n+1 M 0, M 1,..., M n ] = M n E[e Z n+1 ], Así que M n es una supermartingala si E[e Z i ] 1, un martingala si E[e Z i ] = 1 y una submartingala si E[e Z i ] 1. Raúl Jiménez y Rosario Romera (UC3M) Procesos Estocásticos Diciembre 2008 4 / 11
Modelo Binomial de precios de acciones Sean Z 1, Z 2,... variables aleatorias independientes, con ( ) ( ) (1 + t) 1 P Z i = e r = p y P Z i = (1 + t)e r = 1 p, y definamos los precios por M n+1 = M 0 Z 1 Z n, n 1. La constante r es la tasa de interés (descontamos por no ganar intereses) y el factor (1 + t) y 1/(1 + t) modela las variaciones del mercado y garantiza que el precio tiene la forma M 0 (1 + t) z e nr, con z n. La volatilidad está asociada a p. Entonces, E[M n+1 M 0, M 1,..., M n ] = M n E[Z n+1 ], Así que M n es una supermartingala si E[Z i ] 1, un martingala si E[Z i ] = 1 y una submartingala si E[Z i ] 1. Raúl Jiménez y Rosario Romera (UC3M) Procesos Estocásticos Diciembre 2008 5 / 11
Martingalas respecto a CM Decimos que M 0, M 1,... es una martingala respecto a X 0, X 1,... si para cualquier n 0, E M n < y E[M n+1 M n X 0, X 1,..., X n ] = 0 Esta nueva definición no es un simple capricho matemático, se justificará cuando enunciemos el teorema de muestreo opcional. Por ahora, mencionamos que en la mayoría de los ejemplos {X n } es una CM y M n = g(x n, n) para alguna función g. Teorema 1 Sea {X n } una CM con espacio de estados S y matriz de probabilidades de transición P. Sea g : S N R tal que g(i, n) = j S p(i, j)g(j, n + 1) Entonces M n = g(x n, n) es una martingala. Raúl Jiménez y Rosario Romera (UC3M) Procesos Estocásticos Diciembre 2008 6 / 11
Ejemplos Martingalas Martingala cuadrática. Sean X 1, X 2,... variables aleatorias independientes con E[X i ] = 0 y E[Xi 2 ] = σ 2. Considere el paseo S n = S 0 + X 1 + + X n, con S 0 constante, y M n = g(s n, n) = S 2 n nσ 2 Entonces M n es una martingala con respecto a S 0, S 1,.... Martingala exponencial. Sean Z 1, Z 2,... variables aleatorias independientes con función generatriz de momentos ψ(α) = E[exp(αZ i )]. Definamos S n = S 0 + X 1 + + X n, con S 0 constante. Entonces M n = g(s n, n) = eαsn ψ n (α) es una martingala con respecto a S 0, S 1,.... Raúl Jiménez y Rosario Romera (UC3M) Procesos Estocásticos Diciembre 2008 7 / 11
Propiedades elementales Antes de discutir los resultados centrales de la teoría de martingalas, es conveniente aclarar algunos resultados elementales: 1 Si {X n } es una martingala (super-martingala) con respecto a {Y n } entonces E[X n+k Y 0,..., Y n ] = X n ( ) para todo k 0. 2 Si {X n } es una martingala (supermartingala) con respecto a {Y n } entonces para 0 k n se satisface E[X n ] = E[X k ] (resp. E[X n ] E[X k ]) 3 Si {X n } es una martingala con respecto a {Y n } y φ es una función convexa entonces {φ(x n )} es una submartingala con respecto a {Y n }. Raúl Jiménez y Rosario Romera (UC3M) Procesos Estocásticos Diciembre 2008 8 / 11
Tiempos de parada Martingalas Decimos que la variable aleatoria T es un tiempo de parada para el proceso {X n } si la ocurrencia o no del evento {T = n} (que se entiende como paramos el proceso en el instante n) puede ser determinado conociendo sólo los valores X 0, X 1,..., X n (no se requiere conocer ni X n+1, ni X n+2,... ). Ejemplo. Si X n es una CM que representa nuestro capital en euros luego de jugar n veces, el instante (aleatorio) T en el que por primera vez tenemos m euros es un tiempo de parada: {T = n} = {X 0 m,..., X n 1 m, X n = m} Podríamos pensar en enriquecernos apostando en un casino y parando de jugar cuando alcancemos la suma deseada. Veamos que dice el resultado central de la teoría de martingalas. Raúl Jiménez y Rosario Romera (UC3M) Procesos Estocásticos Diciembre 2008 9 / 11
Teorema del muestreo opcional Teorema 2. Si M n es una martingala respecto a {X n } y T es un tiempo de parada (también respecto a {X n }) entonces el proceso parado en T, a saber {M min(t,n), n 0}, es también una martingala respecto a {X n }. Si adicionalmente, P(T < ) = 1 y existe una c R + tal que M min(t,n) c para todo n entonces E[M T ] = M 0 La versión del teorema anterior para súper y submartingalas es: Teorema 3. Si M n es una supermartingala respecto a {X n } (respectivamente submartingala) y T es un tiempo de parada (también respecto a {X n }) entonces el proceso parado en T es una supermartingala respecto a {X n } (respectivamente submartingala). Raúl Jiménez y Rosario Romera (UC3M) Procesos Estocásticos Diciembre 2008 10 / 11
Comportamiento asintótico Teorema 4. Si {M n } es una martingala tal que para todo n se satisface E M n c, para algún c <, entonces lim n M n existe y es una variable aleatoria finita con probabilidad 1. Corolario. Si {M n } es una martingala no negativa entonces lim n M n existe casi siempre y es finito. Teorema 5. Sea {M n } una martingala con incrementos acotados, es decir, para todo n, M n+1 M n < c para algún c <. Sea σ 2 n = E[(M n+1 M n ) 2 M 0, M 1..., M n ] y definamos n(s) = min { n : n i=1 σ2 i s }. Entonces M n(s) lim N (0, 1) s s Raúl Jiménez y Rosario Romera (UC3M) Procesos Estocásticos Diciembre 2008 11 / 11