En el contexto de la teoría de probabilidad aplicada a los mercados financieros, las medidas de martingala son cruciales para modelar precios y riesgos de activos de una manera consistente. Específicamente, una medida minimal de martingala tiene un papel fundamental en la reducción del error de cobertura y en la adecuada valoración de opciones. La noción de "minimalidad" se refiere a la idea de que una medida de martingala es la más eficiente o la más "económica" en términos de evitar errores de cobertura.

El teorema 10.27 establece que una medida P^\hat{P} es una medida minimal de martingala si y solo si la martingala Λ\Lambda admitida en la descomposición de Doob de XX tiene una representación como una "integral estocástica" con respecto a la martingala YY bajo la medida PP. Es decir, si Λt\Lambda_t se puede escribir como una suma de términos ponderados por un proceso predecible λ\lambda, de forma que la integral estocástica se presente como una suma de cambios en YY.

La estructura de esta medida garantiza que el valor presente de cualquier activo se mantenga constante bajo la medida equivalente de martingala, lo que es fundamental en los mercados sin arbitraje. Por lo tanto, la mínima martingala es la base sobre la cual se puede construir una estrategia de cobertura óptima. La propiedad de ortogonalidad fuerte entre ciertos procesos, como el martingala MM y XX, también se menciona, ya que esta propiedad asegura que los errores de cobertura sean mínimos, dado que la martingala está construida para no generar "ruido" innecesario.

Al aplicar el teorema de la convergencia dominada en la demostración, se puede demostrar que la representación de MZMZ como una martingala bajo la medida P^\hat{P} se mantiene en el límite, lo que confirma que P^\hat{P} cumple con las propiedades de una medida de martingala minimal.

Además, se introduce el concepto de "decomposición de Kunita-Watanabe", que se utiliza para caracterizar la densidad de la medida P^\hat{P} en términos de la integral estocástica con respecto a YY, y de nuevo se verifica que la martingala generada bajo esta descomposición también es mínima. El resultado es significativo porque asegura que, incluso en dimensiones más altas, la estructura de las martingalas minimales se puede extender sin perder las propiedades de no arbitraje.

En cuanto a las implicaciones de este resultado, cabe destacar que la existencia de una medida minimal de martingala está asociada con una serie de condiciones que deben cumplirse en el mercado. Por ejemplo, la condición de varianza condicional de XX, que debe ser mayor que cero en ciertos puntos, es una característica importante que permite la existencia de la medida. Esta condición restringe el comportamiento de los incrementos de XX, lo que implica que los incrementos deben ser medibles en términos de variables observables.

Además, la ecuación de la martingala Λ\Lambda en términos de λ\lambda y YY se utiliza para obtener una relación precisa entre los precios y los rendimientos de los activos. De esta manera, el modelo se convierte en un marco robusto para la toma de decisiones en mercados donde las fluctuaciones de los activos siguen un comportamiento estocástico.

Por último, se debe entender que la existencia y unicidad de la medida minimal de martingala también están relacionadas con la estabilidad de los mercados. De acuerdo con el corolario 10.28, si existen dos medidas P^\hat{P} y P^∗\hat{P}^* que son medidas mínimas de martingala, sus densidades deben coincidir, lo que implica que estas dos medidas no pueden diferir. Esta unicidad es esencial para la consistencia de la valoración y cobertura de riesgos en el mercado, ya que asegura que no existen múltiples interpretaciones de los precios de los activos bajo la misma estructura probabilística.

Es importante resaltar que en el caso unidimensional (d=1d = 1), la condición de varianza condicional juega un papel aún más prominente. La fórmula de λ\lambda derivada en este contexto está íntimamente relacionada con la varianza de los incrementos de XX, lo que lleva a una caracterización más explícita de la medida minimal en mercados con un solo activo riesgoso. Esto se conoce como el "trade-off" entre la media y la varianza, que describe cómo el modelo de martingala minimal se ajusta a las condiciones del mercado. La fórmula λ=−E[Xt−Xt−1∣Ft−1]/σt2\lambda = -E[X_t - X_{t-1} | F_{t-1}] / \sigma^2_t, donde σt2\sigma^2_t es la varianza condicional, ofrece una forma precisa de determinar el proceso de cobertura óptima para este tipo de mercados.

En resumen, una medida minimal de martingala no solo proporciona una forma de modelar mercados de activos financieros, sino que también permite optimizar las estrategias de cobertura y valorar activos de manera consistente, evitando errores de cobertura y asegurando que el proceso estocástico se mantenga dentro de los límites de las condiciones del mercado. La unicidad de la medida también refuerza la estabilidad y la coherencia en la toma de decisiones financieras.

¿Cómo se representa la medida de riesgo coherente utilizando distorsiones cóncavas?

El estudio de las medidas de riesgo coherentes se extiende a través de diversas distorsiones, especialmente las que se aplican a variables aleatorias. La distorsión cóncava permite representar el riesgo de una forma que no solo considera el valor esperado, sino que también incorpora un ajuste por la aversión al riesgo. Un ejemplo de distorsión cóncava es la función de distorsión ψ̂β(x) := 1 − (1 − x β )β, que se utiliza para obtener una medida de riesgo denominada MINMAXVARβ(X). Esta función, para valores enteros de β, tiene la propiedad de que la medida de riesgo MINMAXVARβ(X) puede expresarse como la esperanza del mínimo de una serie de variables aleatorias i.i.d., que están distribuidas de manera tal que el máximo de ellas se aproxima a X. En términos matemáticos, esto se expresa como:

MINMAXVARβ(X)=−E[min⁡(Y1,Y2,…,Yβ)]MINMAXVARβ(X) = −E[\min(Y_1, Y_2, \dots, Y_β)]

donde Y1,Y2,…,YβY_1, Y_2, \dots, Y_β son variables aleatorias independientes e idénticamente distribuidas (i.i.d.) tal que el máximo de estas variables sigue una distribución similar a X.

El resultado anterior forma parte de una teoría más amplia que describe cómo las medidas de riesgo coherentes pueden ser representadas explícitamente utilizando funciones de distorsión cóncavas. El teorema que respalda esta representación establece que, dado un conjunto de medidas de probabilidad Qμ, la medida de riesgo coherente ρμ puede expresarse como el supremo de las expectativas de −X bajo medidas Q en Qμ. Formalmente, esto se describe como:

ρμ(X)=sup⁡Q∈QμEQ[−X]ρμ(X) = \sup_{Q ∈ Qμ} E_Q[-X]

donde Qμ está definido como el conjunto de medidas de probabilidad que cumplen con una restricción de la integral sobre la función de distorsión ψ. Esta caracterización es clave para comprender cómo se construyen las medidas de riesgo coherentes en función de las distorsiones cóncavas.

Además, el teorema también describe que la medida Qμ es el conjunto maximal de M1(P) que representa ρμ, lo que implica que cualquier medida de riesgo coherente puede ser representada por la expectativa de una variable aleatoria bajo una de estas medidas de probabilidad. Este enfoque no solo proporciona una forma de evaluar el riesgo, sino que también conecta las funciones de distorsión con la teoría de la utilidad y la toma de decisiones en condiciones de incertidumbre.

En cuanto a la continuidad de la medida de riesgo, el corolario relacionado con el teorema 4.85 establece que si ρμ es continua desde abajo, entonces la medida de probabilidad que maximiza la expresión anterior está asociada a una densidad decreciente f(X)f(X), la cual minimiza la esperanza de la variable aleatoria bajo ciertas condiciones.

Una consecuencia directa de estos resultados es la conexión entre las distorsiones cóncavas y los riesgos asociados a funciones de distribución. Por ejemplo, si consideramos una distribución Bernoulli de parámetro 1−t1 - t, podemos ver que la medida de riesgo ρμ se comporta de una manera particularmente útil cuando las variables involucradas están definidas en un espacio de probabilidades acotado, como en el intervalo [0,1]. Esta representación permite que las medidas de riesgo sean más fáciles de interpretar en términos de su distribución acumulada, un aspecto importante cuando se trabaja con variables aleatorias que tienen distribuciones conocidas o limitadas.

Al considerar esta teoría en el contexto práctico, es importante entender que las distorsiones cóncavas no solo son herramientas matemáticas abstractas, sino que también reflejan comportamientos reales frente a situaciones de riesgo. Las funciones de distorsión cóncava, como ψ, ajustan la manera en que los inversores o tomadores de decisiones perciben y valoran los riesgos, y por lo tanto, son fundamentales para construir modelos de evaluación de riesgo que sean coherentes con los comportamientos observados en mercados financieros y otros contextos de incertidumbre.

Además, la teoría de las distorsiones cóncavas se puede extender a otros contextos, como la teoría de la utilidad y las decisiones intertemporales. De hecho, un enfoque relevante es considerar que las medidas de riesgo coherentes inducen un funcional de utilidad sobre el espacio de funciones de distribución acumulada GX(t) := 1 − FX(t), el cual es útil cuando se evalúan posiciones financieras con valores en el intervalo [0, 1]. Este funcional puede ser interpretado como un caso de la teoría dual de elección, lo que permite una conexión entre la evaluación de riesgo y la teoría económica clásica de la utilidad.

Por lo tanto, no solo es crucial comprender cómo se define una medida de riesgo coherente usando distorsiones cóncavas, sino también entender las implicaciones de su uso en modelos prácticos. Las distorsiones permiten representar el riesgo de una manera que refleja el comportamiento real de los agentes económicos frente a la incertidumbre y proporcionan herramientas poderosas para la toma de decisiones en un contexto de incertidumbre y aversión al riesgo.

¿Cómo funcionan las opciones financieras y sus estrategias de cobertura?

Las opciones financieras son instrumentos derivados que proporcionan a los compradores el derecho, pero no la obligación, de comprar o vender un activo a un precio determinado (precio de ejercicio o "strike") en una fecha futura o antes de ella. Las opciones pueden tener distintos tipos de estructuras y se utilizan en una amplia variedad de activos financieros como acciones, divisas, futuros y fondos cotizados en bolsa (ETFs). El activo subyacente sobre el que se emite una opción se conoce como el "subyacente", y puede ser un índice o una cesta de activos.

Por ejemplo, el índice Standard & Poor's 500, conocido como S&P 500, es un índice bursátil que incluye aproximadamente 500 grandes empresas de Estados Unidos. Este índice, que no se puede negociar directamente, sirve como base para una gran cantidad de opciones, que suelen liquidarse en efectivo debido a que el índice en sí no es negociable físicamente. En cambio, las opciones sobre ETFs que replican el S&P 500 están normalmente sujetas a entrega física de las acciones subyacentes. Un contrato de opción cotizado puede tener un multiplicador, por ejemplo, 100, lo que significa que cada contrato de opción corresponde a 100 acciones del activo subyacente.

Paridad put-call

Un concepto clave cuando se analizan opciones es la "paridad put-call", que establece una relación entre las opciones call (de compra) y put (de venta) con el mismo activo subyacente y el mismo precio de ejercicio. La fórmula básica es la siguiente:

Ccall−Cput=Si−KC_{\text{call}} - C_{\text{put}} = S_i - K

Esto significa que si el precio de una opción call se ha fijado, el precio de la opción put correspondiente se puede determinar de manera lineal a través de la paridad put-call. Este principio es fundamental en la teoría del arbitraje, ya que ayuda a prevenir que los precios de las opciones se desvíen de valores racionales debido a la existencia de oportunidades de arbitraje entre las opciones call y put.

Estrategias de opciones

Las opciones también se pueden usar como herramientas para diversas estrategias de inversión y cobertura. Por ejemplo, la compra de una opción put sobre un activo puede servir como protección contra una caída del precio del activo. Un inversor que posea un activo SiS_i puede agregar una opción put (K−Si)+(K - S_i)^+ a su cartera, lo que limitará las pérdidas en caso de caída del precio, pero permitirá participar en las subidas sin restricciones.

Otra estrategia popular es la de "call overwriting". Aquí, un inversor que posee el activo SiS_i vende una opción call (Si−K)+(S_i - K)^+ para generar ingresos a partir de la prima de la opción. La posición combinada Si−(Si−K)+S_i - (S_i - K)^+ es conocida como "covered call" y permite a los inversores obtener ingresos adicionales mientras aún participan parcialmente en las ganancias del activo subyacente.

Las combinaciones de opciones también pueden producir perfiles de pago más complejos. Por ejemplo, un "bear put spread" consiste en comprar una opción put con un strike mayor K2K_2 y vender una opción put con un strike menor K1K_1, lo que limita las pérdidas pero también reduce el costo de la cobertura debido a la venta de la opción put con strike inferior.

Un "bull call spread" es una estrategia similar, pero dirigida a la expectativa de que el precio del activo subyacente aumentará. En este caso, se compran opciones call con strike más bajo y se venden opciones call con strike más alto, lo que también limita las pérdidas y reduce el costo de entrada.

Existen también otras estrategias más sofisticadas, como el "straddle", que es una combinación de opciones call y put "at-the-money" sobre un activo. El payoff de esta estrategia aumenta si el precio del activo se mueve en cualquier dirección, lo que convierte al straddle en una apuesta a la volatilidad del mercado.

Otras estrategias de opciones

El "iron condor" es una estrategia que combina un "debit call spread" y un "debit put spread". La idea aquí es apostar a que el precio del activo subyacente estará fuera de un rango determinado, por lo que el inversor se beneficia si el precio se encuentra por debajo de un nivel K2K_2 o por encima de un nivel K3K_3. Esta estrategia permite un control preciso del riesgo al combinar las ganancias de una estrategia de spread con la protección de otro spread en la dirección contraria.

El "butterfly spread" es otra estrategia compleja que busca que el precio del activo se mantenga cerca de un strike específico. Esta estrategia utiliza una combinación de opciones call o put con diferentes strikes para crear una estructura de pago que alcanza su máximo cuando el precio del activo se encuentra en el strike central.

Uso de opciones en estrategias de cobertura

Las opciones también se utilizan ampliamente en el contexto de la cobertura, especialmente cuando los inversores buscan proteger sus carteras contra movimientos adversos en los precios de los activos subyacentes. Por ejemplo, la "seguridad de cartera" (portfolio insurance) busca reducir la exposición a caídas de precios mediante la compra de opciones put. Esta estrategia es particularmente útil cuando se desea mantener la exposición al alza de un activo, pero se necesita limitar las pérdidas en caso de caídas drásticas en el mercado.

En general, las opciones permiten una flexibilidad considerable para construir perfiles de pago no lineales, es decir, estructuras en las que los rendimientos no siguen una simple relación proporcional con los movimientos del activo subyacente. A través de combinaciones de opciones, contratos a plazo y otros instrumentos, los inversores pueden crear estrategias que se ajusten a una variedad de expectativas de mercado, ya sea para protegerse frente a riesgos, aprovechar movimientos esperados de los precios o gestionar su exposición en situaciones de alta volatilidad.

Importancia de comprender las opciones

Es fundamental que los inversores comprendan bien las opciones, no solo en términos de su valor intrínseco y la relación entre las opciones call y put, sino también las implicaciones de las diferentes estrategias de cobertura y especulación. Las opciones no son solo un instrumento de especulación, sino también una herramienta clave en la gestión de riesgos. El uso adecuado de las opciones permite a los inversores gestionar mejor la exposición a la volatilidad y ajustar sus carteras frente a diversos escenarios económicos. Además, es importante tener en cuenta que las estrategias complejas, aunque atractivas, pueden implicar riesgos significativos si no se gestionan adecuadamente, por lo que el conocimiento profundo de cada estrategia es esencial para su implementación exitosa.

¿Cómo convergen los precios de los activos financieros en modelos discretos hacia el precio de Black-Scholes?

En los modelos discretos de precios de activos financieros, la aproximación a los precios de las opciones y otros derivados se puede tornar cada vez más compleja a medida que aumentan los intervalos de tiempo entre las transacciones. No obstante, se espera que, a medida que el número de períodos de trading intermedios crezca, las fórmulas de precios converjan hacia un límite más transparente. Este comportamiento es el que se explora en esta sección, formulando las condiciones necesarias para que dicha convergencia ocurra.

En primer lugar, es importante señalar que, en este contexto, T no representa el número de períodos de trading de un modelo de mercado discreto fijo, sino que hace referencia a una fecha física. El intervalo de tiempo [0, T] se divide en N pasos de tiempo equidistantes, específicamente TN, 2TN,..., N*T/N, donde el valor kTN corresponde al k-ésimo período de trading en un modelo de mercado sin arbitraje. En el modelo considerado, se asume la existencia de un bono libre de riesgo y un único activo riesgoso. En la aproximación N-ésima, el activo riesgoso se denotará como S(N), mientras que el bono libre de riesgo tendrá una tasa de interés constante rN > −1.

El punto clave es determinar si los precios de los activos contingentes en estos modelos aproximados convergen a medida que N tiende a infinito. Suponemos que el valor terminal de los bonos libres de riesgo tiende al límite esperado. En términos matemáticos, esto se expresa como:

lim⁡N→∞(1+rN)N=erT,\lim_{N \to \infty} \left( 1 + r_N \right)^{N} = e^{rT},

lo cual establece que la tasa de interés r de cada modelo aproximado converge hacia una tasa constante rT en el límite.

En cuanto a los activos riesgosos, asumimos que los precios iniciales S(N)_0 no dependen de N, es decir, S(N)_0 = S0, donde S0 es una constante mayor que cero. Los precios S(N)_k son variables aleatorias definidas en un espacio de probabilidad (Ω_N, F_N, P*). En este espacio, P*N es una medida neutral al riesgo para cada modelo de mercado aproximado, y el proceso de precios descontados de los activos riesgosos es una martingala bajo esta medida, con respecto a la filtración F(N).

La variabilidad de los precios de los activos riesgosos se modela a través de los rendimientos relativos de cada activo. Bajo la medida P*N, se asume que los rendimientos R(N)_k son independientes y están acotados, de manera que, para cada N, existen constantes αN y βN tales que:

−1<αN≤Rk(N)≤βN,-1 < \alpha_N \leq R_k^{(N)} \leq \beta_N,

con la condición de que ambos αN y βN tienden a cero cuando N tiende a infinito.

Otra de las condiciones clave es la varianza de los rendimientos, que se debe comportar de tal manera que la suma de las varianzas converja a un valor finito. Específicamente, se tiene:

∑k=1NvarN(Rk(N))→σ2∈(0,∞)cuandoN→∞.\sum_{k=1}^{N} \text{var}_N (R_k^{(N)}) \to \sigma^2 \in (0, \infty) \quad \text{cuando} \quad N \to \infty.

Bajo estas condiciones, es posible demostrar que la distribución de los precios de los activos riesgosos bajo la medida P*N converge débilmente a una distribución log-normal. Esta distribución tiene como parámetros log S_0 + rT − 1/2 σ^2T y σ√T, lo que equivale a la distribución de un activo riesgoso en el tiempo continuo con la forma:

ST=S0exp⁡(σWT+(r−12σ2)T),S_T = S_0 \exp \left( \sigma W_T + (r - \frac{1}{2} \sigma^2)T \right),

donde W_T es un proceso de Wiener estándar con varianza T.

Este resultado se puede interpretar como una versión multiplicativa del teorema central del límite, que describe cómo, a medida que N aumenta, la distribución de los precios se aproxima a una log-normal, la cual es fundamental para la teoría financiera. Este comportamiento se encuentra en línea con lo que se conoce como la convergencia de los precios al modelo de Black-Scholes.

Cuando se analiza un derivado contingent en términos de una función f del valor terminal del activo riesgoso, la fórmula de precios en los modelos discretos aproxima el valor presente de los derivados al calcular las expectativas descontadas, y en el límite, estos precios convergen hacia la fórmula de Black-Scholes para opciones europeas. En particular, para un strike K, la convergencia lleva a la siguiente expresión para los precios de opciones de compra (call) y opciones de venta (put):

lim⁡N→∞e−rTE∗[f(ST)]=∫−∞∞f(S0eσTy+(r−12σ2)T)e−y2/2dy2π,\lim_{N \to \infty} e^{ -rT} \mathbb{E}^* \left[ f(S_T) \right] = \int_{ -\infty}^{\infty} f(S_0 e^{\sigma \sqrt{T} y + (r - \frac{1}{2} \sigma^2)T}) e^{ -y^2/2} \frac{dy}{\sqrt{2\pi}},

lo que implica que la convergencia de precios en el modelo discreto es equivalente a los precios calculados por el modelo continuo de Black-Scholes.

El teorema de Black-Scholes es crucial para la valoración de opciones en mercados sin arbitraje y, por lo tanto, este proceso de convergencia hacia el modelo continuo es fundamental para la teoría moderna de los derivados financieros. La comprensión de este proceso de aproximación es esencial para quienes deseen trabajar con modelos discretos, pues ilustra cómo se pueden obtener resultados de mercado continuos de manera práctica a partir de modelos discretos.

¿Cuál es la estrategia de superhedging para reclamar activos financieros no alcanzables?

Para comprender la existencia de estrategias de superhedging y su implicación en el valor de las reclamaciones financieras, es necesario estudiar el concepto de "Snell envelope" y sus aplicaciones en el contexto de mercados completos e incompletos. Un aspecto clave en este análisis es la existencia de una estrategia que permita cubrir el valor de un activo financiero, como una opción americana, en condiciones de incertidumbre y de información incompleta.

En este marco, se introduce el concepto de "tiempo de parada" τ, que se define como el primer tiempo en el que el valor del activo, denotado por VtV_t, es mayor que el valor de otro activo de referencia, HtH_t, es decir, cuando Vt>HtV_t > H_t para todo tt. Si el tiempo de parada es infinito, es posible demostrar que VtV_t es mayor que HtH_t en todo momento. En caso contrario, se llega a una contradicción al suponer que VtV_t y HtH_t pueden alcanzar un equilibrio sin que haya una estrategia de cobertura viable.

En mercados completos, donde existe una medida martingala equivalente única, se puede utilizar la descomposición de Doob y el teorema de representación de martingalas para obtener una estrategia de superhedging que cubra el precio UP0∗U^*_{P^0}. Este es el precio mínimo necesario para implementar una estrategia de cobertura, garantizando que no exista una oportunidad de arbitraje. Este enfoque se amplía a modelos de mercados incompletos, donde la "Snell envelope" superior reemplaza a la martingala en la estrategia de superhedging.

En los modelos de mercado incompletos, si un activo americano no es alcanzable, el valor de cobertura se define mediante una "Snell envelope" superior, Ut↑U^{\uparrow}_t, que es un proceso predictible que representa la cantidad mínima necesaria para cubrir el activo HtH_t. El proceso de cobertura involucra un flujo de capital que permite al vendedor retirar montos sucesivos, de acuerdo con los incrementos de un proceso de crecimiento BtB_t. Esto asegura que, sin importar cuándo el comprador decida ejercer la opción, el vendedor no enfrente pérdidas, manteniendo su posición segura en todo momento.

Al realizar el análisis para un activo no alcanzable, se observa que el valor mínimo necesario para la cobertura, πsup(H)\pi^{sup}(H), representa el costo de la estrategia de superhedging. Este costo es superior al precio libre de arbitraje para HH, y es importante tener en cuenta que, si un activo es no alcanzable, πsup(H)\pi^{sup}(H) no corresponde al precio justo para su venta en el mercado. Sin embargo, la existencia de una estrategia de superhedging asegura que el vendedor se protege de cualquier escenario en el que el comprador ejercite la opción en el futuro.

Es esencial comprender que el costo de superhedging πsup(H)\pi^{sup}(H) no es simplemente el precio de venta del activo, sino una medida del capital necesario para garantizar la cobertura de la opción americana, incluso en mercados incompletos o con información imperfecta. Este costo refleja las oportunidades de arbitraje que pueden surgir si el activo se negocia a un precio más bajo que el valor de cobertura, lo que crea un escenario favorable para el comprador pero arriesgado para el vendedor.

Por último, es fundamental comprender que el valor de una opción americana puede no ser alcanzable en su totalidad en mercados incompletos. El análisis de superhedging proporciona una estrategia que minimiza el riesgo de pérdidas, asegurando que el vendedor reciba al menos el valor mínimo requerido por la opción, aunque este no sea el precio libre de arbitraje. Esta estrategia es, en última instancia, la mejor forma de gestionar el riesgo en mercados no ideales, donde las reclamaciones financieras pueden no ser alcanzables mediante estrategias simples de cobertura.

¿Cómo las nuevas tecnologías han transformado la investigación criminal?
¿Cómo puede la computación en el borde mejorar los sistemas de salud?
¿Cómo se resuelven las ecuaciones diferenciales en coordenadas cilíndricas?
¿Cómo ha cambiado la presidencia de Estados Unidos bajo la administración de Trump?
Equilibrios Heterogéneos: Solución-Sedimento y Solubilidad de Compuestos Poco Solubles
Plan de acción para el estudio del Mensaje del Presidente de la República de Chuvasia N. V. Fiódorov al Consejo de Estado de la República de Chuvasia en 2009: "Chuvasia desde el futuro y para el futuro" como base conceptual del desarrollo socioeconómico y espiritual-moral de la sociedad
Plan de prevención de lesiones infantiles por accidentes de tráfico para el año escolar 2018–2019
Organización del examen de idioma ruso, historia de Rusia y fundamentos de la legislación de la Federación de Rusia para ciudadanos extranjeros
Actividades y eventos del 15 al 21 de enero