En la fórmula de Black-Scholes, ¿por qué usas la raíz cuadrada del tiempo? Más específicamente, ¿cuál es el significado matemático del sqrt (t) frente a alguna otra función del tiempo?

Es una consecuencia del modelado de los rendimientos de las existencias en intervalos de tiempo consecutivos como independientes entre sí. ( Si tiene variables aleatorias independientes, sus variaciones se suman , por lo que la varianza de un retorno sería directamente proporcional al tiempo. Dado que la desviación estándar se define como la raíz cuadrada de la varianza, crece en proporción a [matemáticas] \ sqrt { t} [/ matemáticas]). En general, se supone que el rendimiento de las acciones solo debe reflejar el valor de la nueva información: si el valor actual de una acción representa las ganancias futuras descontadas de la compañía, entonces el precio de la acción debería cambiar exactamente cuando la información influya en nuestra comprensión de estas ganancias futuras (o la tasa de descuento ) se hace público. Por lo tanto, lo que sucedió con el precio de las acciones ayer no debería tener correlación con lo que sucedió con el precio de las acciones hoy.

Me gustaría señalar que deliberadamente evité dar el tipo de respuesta proporcionada por el usuario de Quora por una razón: a saber, lo que ahora se conoce como la fórmula Black-Scholes es anterior al trabajo de Black and Scholes, y fue muy utilizado por practicantes El principal logro de Black y Scholes fue idear un modelo que tuviera esta fórmula como consecuencia , así como un físico teórico trataría de idear un modelo matemático que hubiera observado fenómenos como consecuencias matemáticas. En ese momento, esto se tomó como un fuerte apoyo para el modelo subyacente de Black-Scholes: explicaba con precisión un fenómeno del mundo real de aspecto complicado, que generalmente es una buena señal de que un modelo está en el camino correcto.

Sin embargo, ahora existe una seria preocupación de que la fórmula pueda derivarse de suposiciones mucho más débiles sobre la paridad put-call y las distribuciones de retorno, y en particular si ésta o una ligera modificación sería válida para cualquier modelo razonable. No he pasado el tiempo para revisar esto, pero si es el caso, entonces debilita significativamente el soporte para el modelo Black-Scholes que da una idea del funcionamiento real de los mercados: sería un punto arbitrario elegido de un gran espacio de modelos internamente consistentes.

Volviendo a la pregunta original, [math] \ sqrt {t} [/ math] aparecerá en cualquier modelo con incrementos independientes por las razones descritas anteriormente; ni siquiera importa si el modelo es continuo o discreto, mucho menos cuál Se utiliza una variante particular.

Puede consultar el siguiente documento de Haug y Taleb:

http://papers.ssrn.com/sol3/pape…

(Haug y Taub se refieren a la fórmula como la fórmula Bachelier-Tharp, después de

La razón formal de esto proviene del Lema de Ito. Recordemos que Black-Scholes, como SDE, es simplemente un movimiento browniano geométrico:

[matemáticas] dX_t = \ mu X_t dt + \ sigma X_t dW_t [/ matemáticas]

La integral de Ito representa el hecho de que los procesos estocásticos no obedecen la regla de la cadena para derivados. Es decir, la medida de Wiener [matemática] dW_ {t} [/ matemática] no tiene una derivada de Radón-Nikodym [matemática] g [/ matemática] tal que [matemática] \ frac {dW_ {t}} {dt} = g [/ matemáticas]. Resulta que el Lema de Ito da una condición para describir cómo se puede rectificar esto:
[matemática] f (T, W_t) -f (0, W_t) = \ int df (t, W_t) = [/ matemática] [matemática] \ \ int \ partial_t f (t, W_t) dt [/ matemática] [ matemáticas] \ + \ int \ partial_ {W} f (t, W_ {t}) dW_t + \ int \ partial ^ 2_ {W} f (t, W_t) dt [/ matemáticas]

A partir de esta fórmula, vemos que, en términos generales, la medida de Wiener [matemáticas] dW_t [/ matemáticas] puede considerarse como “[matemáticas] \ sqrt {dt} [/ matemáticas]” (que es la cantidad de libros de ingeniería que parecen para describirlo).

Déjame intentar y darte una explicación intuitiva, aunque parcial. Si quieres una prueba matemática, los chicos de arriba hicieron un gran trabajo en poco espacio.

Supongamos que tiene un stock que sabe que aumenta o disminuye en un 12% por año.

Supongamos que vengo y le pido que adivine cuánto es probable que varíe el stock en un mes determinado.

¿Te dividirías por 12?

¿No porque? Porque razonaría en la misma línea que si divide entre 12 obtendrá una variación probable del 1% por mes. Sin embargo, usted sabe que es probable que algunos meses aumenten y otros bajen, y que es muy poco probable que las 12 variaciones mensuales se acumulen en una sola dirección (arriba o abajo) y que den como resultado una variación del 12%.

Por lo tanto, hemos eliminado solo dividir entre 12. No puede dividir entre más de 12 porque nunca obtendrá un total de 12% durante los 12 meses.

Entonces debemos dividir por un número menor. ¿Qué tal dividir por 6? Obtiene un movimiento hacia arriba o hacia abajo del 2% al mes, por lo que necesita 6 de 12 meses yendo en una dirección (con los otros seis cancelando). ¿Apostaría dinero a eso? Nah Improbable también.

¿Qué tal si divide entre 3. Eso le da un promedio de 4% al mes. Para obtener una variación del 12% durante un año, solo necesita 3 meses en la misma dirección, mientras que los otros 9 pueden cancelarse aproximadamente. No está mal. Muy plausible.

Al dividir entre 3, te estás acercando al escenario más probable.

Como sucede, 3 está solo ligeramente por debajo de la raíz cuadrada de 12. Por lo tanto, esto debería dar un sentido intuitivo, aunque está lejos de ser una prueba formal.

Si tiene una idea de cuánto variará algo en un año, digamos, luego divida por la raíz cuadrada de 12 para encontrar la variación mensual probable.

Espero que esto ayude.