Módulo 2: Guía de Estudio Completa

Fundamentos Matemáticos para Quants

📚 Tabla de Contenidos

1. Introducción
2. Sección 2.1: Probabilidad para Finanzas
3. Sección 2.2: Álgebra Lineal Esencial
4. Sección 2.3: Cálculo Estocástico Introductorio
5. Casos de Estudio
6. Ejercicios Resueltos
7. Preguntas Frecuentes
8. Glosario de Términos
9. Recursos Adicionales
10. Autoevaluación
11. Conclusión del Módulo

📖 Introducción

En el Módulo 1 entendimos qué es un quant y cómo piensa. Ahora aprendemos el lenguaje con el que se expresan sus ideas: las matemáticas. No te asustes — no necesitas ser matemático profesional. Necesitas dominar un conjunto concreto de herramientas y, sobre todo, entender qué representan en el mundo financiero.

Este módulo es la base sobre la que se apoyan la valoración de opciones (Módulo 4), las métricas de riesgo (Módulo 5) y la construcción de carteras (Módulo 6). Cada concepto matemático que veas aquí tiene una traducción financiera directa.

Objetivos de Aprendizaje

Al completar este módulo, serás capaz de:

✓ Manejar variables aleatorias y las distribuciones clave en finanzas ✓ Calcular e interpretar los cuatro momentos (media, varianza, asimetría, curtosis) ✓ Operar con vectores y matrices en contexto financiero ✓ Construir e interpretar la matriz de covarianza de una cartera ✓ Entender el movimiento Browniano y el modelo GBM de precios ✓ Reconocer la intuición detrás del Lema de Itô sin demostraciones formales

Tiempo Estimado de Estudio

• Lectura completa: 5-6 horas
• Ejercicios prácticos (Python): 4-5 horas
• Casos de estudio: 2 horas
• Total del módulo: 11-13 horas

Prerrequisitos

Antes de empezar, deberías sentirte cómodo con: álgebra de secundaria, concepto de derivada e integral básicos, y haber completado el Módulo 1 (especialmente la parte práctica de Python).

🎲 Sección 2.1: Probabilidad para Finanzas

2.1.1 Variables Aleatorias

Una variable aleatoria es una cantidad cuyo valor depende del azar. En finanzas, el ejemplo por excelencia es el retorno futuro de un activo: no sabemos cuál será, pero podemos describir su comportamiento probabilístico.

Discretas vs. Continuas

Variable discreta: toma valores contables.

• Ejemplo: número de operaciones ganadoras en un día (0, 1, 2, …)

Variable continua: toma cualquier valor en un intervalo.

• Ejemplo: el retorno de mañana del S&P 500 (puede ser 0.31%, -1.47%, etc.)

En finanzas trabajamos casi siempre con variables continuas para los retornos.

Función de Densidad de Probabilidad (PDF)

Para una variable continua, la PDF f(x) describe la “concentración” de probabilidad alrededor de cada valor. La probabilidad de caer en un intervalo es el área bajo la curva:

P(a ≤ X ≤ b) = ∫[a,b] f(x) dx

El área total bajo la curva siempre es 1.

2.1.2 Distribuciones Clave

La Distribución Normal (Gaussiana)

La más famosa, con forma de campana simétrica. Definida por dos parámetros: media (μ) y desviación estándar (σ).

f(x) = (1 / (σ√(2π))) × e^(-(x-μ)² / (2σ²))

Propiedades clave:

• Simétrica alrededor de la media
• ~68% de los datos caen dentro de ±1σ
• ~95% dentro de ±2σ
• ~99.7% dentro de ±3σ (regla 68-95-99.7)

Problema en finanzas: los retornos reales tienen colas más pesadas que la normal. Los eventos extremos (cracks, rallies) ocurren más de lo que la normal predice. Lo comprobamos empíricamente en el Módulo 1.

La Distribución Lognormal

Si los log-retornos son normales, entonces los precios siguen una distribución lognormal. Esto tiene sentido económico:

• Un precio nunca puede ser negativo (la lognormal solo toma valores positivos)
• Los retornos son multiplicativos, no aditivos

Esta es la suposición central del modelo Black-Scholes (Módulo 4).

La Distribución t-Student

Similar a la normal pero con colas más pesadas, controladas por un parámetro llamado “grados de libertad”. Es más realista para modelar retornos financieros precisamente porque captura mejor los eventos extremos.

2.1.3 Los Cuatro Momentos

Los momentos describen la “forma” de una distribución. Son las herramientas básicas para caracterizar retornos.

Primer Momento: Media (μ)

El valor esperado o promedio. En finanzas, el retorno esperado.

μ = E[X] = Σ xᵢ · P(xᵢ)    (discreto)
μ = E[X] = ∫ x · f(x) dx    (continuo)

Segundo Momento: Varianza (σ²) y Volatilidad (σ)

Mide la dispersión alrededor de la media. La volatilidad (σ) es su raíz cuadrada y es la medida de riesgo más usada.

σ² = E[(X - μ)²] = Var(X)
σ = √(σ²)

Tercer Momento: Asimetría (Skewness)

Mide si la distribución se inclina hacia un lado.

• Skewness negativa: cola izquierda más larga (las grandes pérdidas son más probables que las grandes ganancias) → típico en acciones
• Skewness positiva: cola derecha más larga
• Skewness cero: simétrica (como la normal)

Importancia financiera: la mayoría de inversores prefieren skewness positiva. Las acciones suelen tener skewness negativa, lo cual es un riesgo a considerar.

Cuarto Momento: Curtosis (Kurtosis)

Mide el “peso” de las colas.

• Curtosis alta (leptocúrtica): colas pesadas, más eventos extremos
• La normal tiene curtosis = 3 (o “exceso de curtosis” = 0)
• Los retornos financieros casi siempre tienen exceso de curtosis positivo

Regla mnemotécnica: Media = dónde está el centro. Varianza = cuánto se dispersa. Skewness = hacia qué lado se inclina. Curtosis = cómo de gruesas son las colas.

2.1.4 El Teorema Central del Límite (TCL)

El TCL dice que la suma (o media) de muchas variables aleatorias independientes tiende a una distribución normal, sin importar la distribución original.

Por qué importa: justifica usar la normal en muchos contextos.

Por qué hay que tener cuidado en finanzas:

1. Los retornos financieros no son independientes (hay autocorrelación, clustering de volatilidad)
2. Las colas pesadas no desaparecen tan rápido como el TCL sugeriría
3. En crisis, la “independencia” se rompe (todo cae junto)

El TCL es una herramienta poderosa, pero aplicarlo ciegamente a mercados es un error clásico.

🔢 Sección 2.2: Álgebra Lineal Esencial

2.2.1 Vectores y Matrices en Finanzas

Vectores

Un vector es una lista ordenada de números. En finanzas:

• Vector de pesos de una cartera: w = [0.4, 0.3, 0.3]
• Vector de retornos esperados: r = [0.08, 0.05, 0.12]

Matrices

Una matriz es una tabla de números. La más importante en finanzas es la matriz de covarianza (la veremos en breve).

2.2.2 El Producto Escalar = Retorno de Cartera

El producto escalar entre el vector de pesos y el vector de retornos da el retorno esperado de la cartera:

E[Rₚ] = w · r = w₁r₁ + w₂r₂ + ... + wₙrₙ

Ejemplo:

Pesos:    w = [0.4, 0.3, 0.3]
Retornos: r = [0.08, 0.05, 0.12]

E[Rₚ] = 0.4×0.08 + 0.3×0.05 + 0.3×0.12
      = 0.032 + 0.015 + 0.036
      = 0.083 = 8.3%

Esto es álgebra lineal pura aplicada directamente a una decisión de inversión.

2.2.3 La Matriz de Covarianza: El Corazón del Riesgo

La covarianza mide cómo se mueven dos activos juntos:

• Covarianza positiva: tienden a subir y bajar juntos
• Covarianza negativa: cuando uno sube, el otro tiende a bajar
• Covarianza cero: sin relación lineal

La matriz de covarianza (Σ) recoge todas las covarianzas entre los activos de una cartera. Su diagonal contiene las varianzas individuales; fuera de la diagonal, las covarianzas entre pares.

        A₁      A₂      A₃
A₁  [ σ₁²    σ₁₂    σ₁₃ ]
A₂  [ σ₂₁    σ₂²    σ₂₃ ]
A₃  [ σ₃₁    σ₃₂    σ₃² ]

La Fórmula Maestra: Varianza de una Cartera

La varianza de toda la cartera se calcula con una fórmula matricial elegante:

σ²ₚ = wᵀ Σ w

Donde w es el vector de pesos, Σ la matriz de covarianza y wᵀ el vector transpuesto.

Por qué es revolucionaria: captura no solo el riesgo individual de cada activo, sino cómo interactúan entre sí. Es la base matemática de la diversificación de Markowitz. Dos activos arriesgados pero poco correlacionados pueden formar una cartera de bajo riesgo.

Relación entre Covarianza y Correlación

La correlación (ρ) es la covarianza normalizada, siempre entre -1 y 1:

ρᵢⱼ = σᵢⱼ / (σᵢ × σⱼ)

La correlación es más fácil de interpretar; la covarianza es la que entra en los cálculos.

2.2.4 Valores y Vectores Propios (Preview de PCA)

Toda matriz de covarianza puede “descomponerse” en direcciones principales (vectores propios) y la cantidad de varianza en cada dirección (valores propios). Esto es el Análisis de Componentes Principales (PCA).

Intuición financiera: en una cartera de muchos activos, a menudo unos pocos “factores” explican la mayor parte del movimiento. Por ejemplo, en acciones, el primer componente principal suele ser “el mercado en general”. El PCA permite reducir la dimensionalidad y entender qué impulsa realmente el riesgo.

No profundizaremos en el cálculo aquí, pero quédate con la idea: el riesgo de una cartera grande puede resumirse en unos pocos factores ocultos.

📈 Sección 2.3: Cálculo Estocástico Introductorio

2.3.1 ¿Por Qué Necesitamos Esto?

Hasta ahora hemos descrito retornos en momentos puntuales. Pero los precios evolucionan continuamente en el tiempo y de forma aleatoria. Para modelar esa evolución necesitamos el cálculo estocástico: el cálculo aplicado a procesos con azar.

No haremos demostraciones formales. El objetivo es la intuición, que es lo que necesitas para entender Black-Scholes en el Módulo 4.

2.3.2 El Movimiento Browniano

El movimiento Browniano (o proceso de Wiener) es el “ladrillo” fundamental para modelar el azar en tiempo continuo. Sus propiedades:

1. Empieza en cero: W(0) = 0
2. Incrementos independientes: lo que pasa en el futuro no depende del pasado
3. Incrementos normales: el cambio en un intervalo de tiempo t sigue una normal de media 0 y varianza t
4. Trayectorias continuas pero no diferenciables: es continuo pero “infinitamente rugoso”

Intuición: imagina una partícula de polen en agua, golpeada al azar por moléculas, moviéndose erráticamente. Bachelier (Módulo 1) propuso que los precios se mueven así.

2.3.3 El Movimiento Browniano Geométrico (GBM)

El movimiento Browniano simple puede dar valores negativos — inaceptable para un precio. El GBM soluciona esto modelando el precio así:

dS = μ S dt + σ S dW

Descomponiendo la fórmula:

• dS: el cambio infinitesimal en el precio
• μ S dt: la deriva (tendencia) — el crecimiento esperado
• σ S dW: la parte aleatoria — la volatilidad multiplicada por el ruido Browniano

Traducción: el precio crece de media a una tasa μ, pero con sacudidas aleatorias de tamaño proporcional a σ. La solución de esta ecuación produce precios lognormales (siempre positivos), conectando con la Sección 2.1.

Simulación Intuitiva

En la versión discreta (que implementaremos en Python):

S(t+1) = S(t) × exp[(μ - σ²/2)Δt + σ√Δt × Z]

Donde Z es un número aleatorio normal estándar. Este es el motor de las simulaciones Monte Carlo de precios.

2.3.4 El Lema de Itô (Intuición)

El Lema de Itô es la “regla de la cadena” del cálculo estocástico. En cálculo normal, si tienes una función de una variable, sabes derivarla. Pero cuando la variable es aleatoria (como un precio), aparece un término extra que no existe en el cálculo clásico.

La idea clave sin fórmulas: debido a la “rugosidad” del movimiento Browniano, los términos de segundo orden (que normalmente se desprecian) no se pueden ignorar. Ese término extra es lo que hace especial al cálculo estocástico.

Por qué importa: el Lema de Itô es lo que permite a Black y Scholes derivar su famosa fórmula de valoración de opciones. Sin él, la valoración moderna de derivados no existiría.

No necesitas saber demostrarlo ahora. Quédate con: “cuando derivas funciones de procesos aleatorios, aparece un término de corrección que viene de la volatilidad”.

2.3.5 Tiempo Continuo vs. Discreto

En la práctica, los datos llegan en intervalos discretos (diarios, horarios), así que programamos en discreto. La teoría se desarrolla en continuo porque produce fórmulas más limpias.

🔍 Casos de Estudio

Caso 1: El Error de Asumir Normalidad — El “Cisne Negro” de 1987

Contexto

El 19 de octubre de 1987 (“Lunes Negro”), el Dow Jones cayó un 22.6% en un solo día.

El Problema Estadístico

Según una distribución normal con la volatilidad típica del mercado, una caída de esa magnitud tenía una probabilidad tan ínfima que no debería ocurrir ni una vez en la edad del universo.

Y sin embargo, ocurrió.

Lecciones

1. Las colas pesadas son reales: los modelos basados en la normal subestiman gravemente los eventos extremos
2. La curtosis importa: ignorar el cuarto momento puede ser catastrófico
3. Distribuciones alternativas: la t-Student y los modelos de saltos capturan mejor estos eventos
4. Humildad ante el modelo: ningún modelo captura toda la realidad

Caso 2: La Matriz de Covarianza y la Diversificación que Funcionó

Contexto

Considera dos activos, ambos con volatilidad anual del 20%, pero con correlación de -0.3 entre ellos.

El Cálculo

Con pesos iguales (50/50):

σ²ₚ = w₁²σ₁² + w₂²σ₂² + 2w₁w₂σ₁σ₂ρ
σ²ₚ = (0.5)²(0.20)² + (0.5)²(0.20)² + 2(0.5)(0.5)(0.20)(0.20)(-0.3)
σ²ₚ = 0.01 + 0.01 + 2(0.25)(0.04)(-0.3)
σ²ₚ = 0.02 - 0.006 = 0.014

σₚ = √0.014 = 11.8%

El Resultado Sorprendente

Dos activos con 20% de volatilidad cada uno forman una cartera con solo 11.8% de volatilidad. La correlación negativa redujo el riesgo casi a la mitad.

Lección

La matriz de covarianza no es matemática abstracta: es la maquinaria exacta que cuantifica el beneficio de la diversificación. Por eso es “el corazón del riesgo”.

🧮 Ejercicios Resueltos

Ejercicio 1: Calcular Retorno Esperado de Cartera

Enunciado: Una cartera tiene pesos w = [0.5, 0.3, 0.2] y retornos esperados r = [10%, 6%, 15%]. Calcula el retorno esperado de la cartera.

Solución:

E[Rₚ] = 0.5×10% + 0.3×6% + 0.2×15%
      = 5% + 1.8% + 3%
      = 9.8%

Ejercicio 2: Interpretar Momentos

Enunciado: Una estrategia tiene skewness = -1.5 y exceso de curtosis = 6. ¿Qué te dice esto sobre su perfil de riesgo?

Solución:

• Skewness negativa (-1.5): la estrategia tiene una cola izquierda larga → grandes pérdidas ocasionales son más probables que grandes ganancias. Perfil típico de “ganar poco a menudo, perder mucho de vez en cuando” (como vender opciones).
• Exceso de curtosis alto (+6): colas muy pesadas → eventos extremos frecuentes. El riesgo está infravalorado si solo miras la volatilidad.
• Conclusión: estrategia peligrosa pese a poder mostrar buena volatilidad media. La volatilidad sola engaña aquí.

Ejercicio 3: Volatilidad de Cartera de 2 Activos

Enunciado: Dos activos con σ₁ = 15%, σ₂ = 25%, correlación ρ = 0.4, pesos iguales (50/50). Calcula la volatilidad de la cartera.

Solución:

σ²ₚ = (0.5)²(0.15)² + (0.5)²(0.25)² + 2(0.5)(0.5)(0.15)(0.25)(0.4)
σ²ₚ = 0.25×0.0225 + 0.25×0.0625 + 0.5×0.0375×0.4
σ²ₚ = 0.005625 + 0.015625 + 0.0075
σ²ₚ = 0.02875

σₚ = √0.02875 = 16.96% ≈ 17%

Nota: la volatilidad de la cartera (17%) está entre las individuales (15% y 25%), pero por debajo de su media simple (20%) gracias a la diversificación.

Ejercicio 4: Simulación Mental de GBM

Enunciado: Un activo cotiza a 100€, con deriva anual μ = 8% y volatilidad σ = 20%. Conceptualmente, ¿qué representa cada término de dS = μS dt + σS dW?

Solución:

• μS dt = 0.08 × 100 × dt: la tendencia. De media, el precio sube un 8% anual. En un instante pequeño dt, contribuye 8€/año × dt.
• σS dW = 0.20 × 100 × dW: el ruido. Aleatoriamente empuja el precio arriba o abajo, con magnitud proporcional al 20% de volatilidad.
• Interpretación: el precio “quiere” subir un 8% pero sufre sacudidas aleatorias. A corto plazo domina el ruido; a largo plazo, la deriva.

❓ Preguntas Frecuentes

¿Tengo que saber demostrar el Lema de Itô? No para este curso introductorio. Necesitas la intuición: que al derivar funciones de procesos aleatorios aparece un término de corrección. La demostración formal pertenece a cursos avanzados de cálculo estocástico.

¿Por qué usamos log-retornos en lugar de retornos simples para las matemáticas? Porque son aditivos en el tiempo (la suma de log-retornos diarios da el log-retorno del periodo) y porque conectan directamente con la lognormal y el GBM.

¿La matriz de covarianza siempre es fiable? No. Estimarla con datos históricos es ruidoso, especialmente con muchos activos. Las correlaciones cambian (sobre todo en crisis). Existen técnicas de “shrinkage” para estabilizarla, que veremos en el Módulo 6.

¿Necesito álgebra lineal avanzada? Lo esencial: vectores, matrices, producto escalar, transposición y la noción de valores/vectores propios. No necesitas demostrar teoremas, sí saber qué representan financieramente.

¿La distribución normal es inútil entonces? No, es muy útil como primera aproximación y para muchos cálculos. Solo hay que recordar que subestima los eventos extremos. Es un buen modelo el 95% del tiempo; el problema es el 5% restante, que es donde se pierde dinero.

📖 Glosario de Términos

📚 Recursos Adicionales

Libros

1. “Statistics and Data Analysis for Financial Engineering” — David Ruppert
   • Estadística aplicada a finanzas, nivel accesible
2. “Stochastic Calculus for Finance I” — Steven Shreve
   • El modelo binomial; introducción suave al cálculo estocástico
3. “Introduction to Probability” — Blitzstein & Hwang
   • Probabilidad rigurosa pero clara (con curso gratuito en Harvard)

Papers y Lecturas

1. Bachelier, L. (1900). Théorie de la spéculation — origen del movimiento Browniano en finanzas
2. Mandelbrot, B. (1963). The Variation of Certain Speculative Prices — sobre colas pesadas

Herramientas

• NumPy y SciPy: cálculo numérico y distribuciones estadísticas
• scipy.stats: todas las distribuciones (norm, lognorm, t)
• numpy.linalg: operaciones de álgebra lineal (matrices, valores propios)
• 3Blue1Brown (YouTube): serie “Essence of Linear Algebra” — la mejor intuición visual de álgebra lineal

Cursos Online Complementarios

1. MIT 18.06 - Linear Algebra (Gilbert Strang) — gratuito, legendario
2. Harvard Stat 110 - Probability (Joe Blitzstein) — gratuito en YouTube
3. Khan Academy — repaso de cálculo y álgebra

✍️ Autoevaluación

Test de Comprensión

Instrucciones: Responde para evaluar tu comprensión del módulo.

Sección A: Conceptos Básicos (20 puntos)

1. ¿Por qué los retornos financieros no se modelan bien con una distribución normal? (5 pts)
2. Explica qué representa cada uno de los cuatro momentos de una distribución. (5 pts)
3. ¿Qué representa financieramente la matriz de covarianza? (5 pts)
4. ¿Por qué el GBM usa una distribución lognormal en lugar de normal para los precios? (5 pts)

Sección B: Cálculos (40 puntos)

5. Calcula el retorno esperado de una cartera con pesos [0.6, 0.4] y retornos [12%, 7%]. (10 pts)
6. Dos activos: σ₁ = 20%, σ₂ = 30%, ρ = 0.5, pesos 50/50. Calcula la volatilidad de la cartera. (15 pts)
7. Si los incrementos del movimiento Browniano en tiempo t tienen varianza t, ¿cuál es la desviación estándar del incremento en 4 años? (15 pts)

Sección C: Análisis (40 puntos)

8. Una estrategia muestra volatilidad baja pero skewness = -2 y curtosis muy alta. Analiza por qué la volatilidad podría estar dando una falsa sensación de seguridad. (20 pts)
9. Explica con tus palabras qué descompone la fórmula dS = μS dt + σS dW y por qué cada término es necesario. (20 pts)

Respuestas Modelo

Sección A

1. Normal vs. retornos reales: Los retornos reales tienen colas más pesadas (mayor curtosis) y a menudo skewness negativa. La normal subestima la probabilidad de eventos extremos, lo que lleva a infravalorar el riesgo de grandes pérdidas.

2. Los cuatro momentos: Media (retorno esperado, el centro), Varianza/volatilidad (dispersión, el riesgo), Skewness (asimetría, hacia qué lado se inclina), Curtosis (peso de las colas, frecuencia de eventos extremos).

3. Matriz de covarianza: Recoge cómo se mueven juntos todos los pares de activos. Es la maquinaria que cuantifica la diversificación: permite calcular el riesgo total de la cartera (σ²ₚ = wᵀΣw) capturando las interacciones entre activos, no solo sus riesgos individuales.

4. Lognormal vs. normal para precios: Los precios no pueden ser negativos, y la lognormal solo toma valores positivos. Además, los retornos son multiplicativos. El GBM produce precios lognormales de forma natural.

Sección B

5. Retorno esperado:

   E[Rₚ] = 0.6×12% + 0.4×7% = 7.2% + 2.8% = 10.0%

6. Volatilidad de cartera:

   σ²ₚ = (0.5)²(0.20)² + (0.5)²(0.30)² + 2(0.5)(0.5)(0.20)(0.30)(0.5)
   σ²ₚ = 0.01 + 0.0225 + 0.015 = 0.0475
   σₚ = √0.0475 = 21.79% ≈ 21.8%

7. Desviación del incremento Browniano:

   Varianza en t=4 años: 4
   Desviación estándar: √4 = 2

   (La volatilidad escala con la raíz del tiempo, igual que vimos al anualizar en el Módulo 1.)

Sección C

8. Volatilidad engañosa: La volatilidad (segundo momento) solo mide la dispersión típica, pero ignora la forma de las colas. Con skewness = -2, las pérdidas extremas son mucho más probables que las ganancias extremas. Con curtosis muy alta, los eventos extremos son frecuentes. Una estrategia así puede parecer tranquila la mayor parte del tiempo (volatilidad baja) pero sufrir colapsos catastróficos ocasionales — exactamente el perfil de riesgo que destruyó a LTCM. La volatilidad sola no captura el riesgo de cola.

9. Descomposición del GBM: La fórmula describe el cambio del precio (dS) como suma de dos partes. El término de deriva (μS dt) representa la tendencia esperada: de media el precio crece a tasa μ. El término estocástico (σS dW) representa el azar: sacudidas aleatorias proporcionales a la volatilidad σ y al ruido Browniano dW. Ambos son necesarios: sin deriva el precio no tendría tendencia; sin el término aleatorio sería determinista y no reflejaría la incertidumbre real del mercado.

Criterios de Evaluación

• 90-100%: Dominio excelente, listo para el Módulo 3 (Estadística para Datos Financieros)
• 80-89%: Buena comprensión, revisar áreas débiles
• 70-79%: Comprensión básica, reforzar con práctica
• < 70%: Revisar el material antes de continuar

🎯 Conclusión del Módulo

Puntos Clave para Recordar

1. Las matemáticas son el lenguaje, no el objetivo

   • Cada concepto tiene una traducción financiera directa
   • Domina las herramientas, no demuestres teoremas

2. Los cuatro momentos cuentan toda la historia

   • Media, varianza, skewness y curtosis
   • La volatilidad sola engaña: las colas importan

3. La matriz de covarianza es el corazón del riesgo

   • σ²ₚ = wᵀΣw captura la diversificación
   • Correlación negativa = reducción real de riesgo

4. El GBM modela cómo evolucionan los precios

   • Deriva (tendencia) + ruido (volatilidad)
   • Produce precios lognormales, siempre positivos

5. Cuidado con la normalidad

   • Los eventos extremos son más frecuentes de lo que predice
   • Curtosis y skewness revelan riesgos ocultos

Preparación para el Módulo 3

El siguiente módulo aplica estas matemáticas a datos reales con estadística: estacionariedad, regresión, modelos de series temporales (ARIMA, GARCH). Asegúrate de:

✓ Dominar el cálculo de momentos en Python (scipy.stats) ✓ Saber construir y leer una matriz de covarianza con numpy ✓ Entender la intuición del GBM (lo simularás de nuevo en contexto) ✓ Tener clara la diferencia entre tiempo continuo y discreto

Reflexión Final

“Las matemáticas no resuelven el problema de invertir. Solo te dan un lenguaje preciso para pensar sobre la incertidumbre. La sabiduría está en saber cuándo el lenguaje describe la realidad y cuándo solo describe una ficción elegante.”

Has construido la caja de herramientas matemática del quant. No es la parte más glamurosa del oficio, pero es la que separa a quien entiende sus modelos de quien los usa a ciegas. En el próximo módulo, estas herramientas cobrarán vida sobre datos de mercado reales.

¡Éxito en tu viaje de aprendizaje!

Fin de la Guía de Estudio del Módulo 2