Probabilidade para Financas

Jose Fajardo Barbachan

IBMEC Business School
2 de Junho de 2003
Conte udo
Introducao 3
1 Axiomas da Probabilidade 4
1.1 Medida de Probabilidade . . . . . . . . . . . . . . . . . . . . . 5
2 Independencia e Probabilidade Condicionada 6
3 Variaveis Aleatorias 8
3.1 Vari aveis Aleatorias em Espacos Enumeraveis . . . . . . . . . 8
3.1.1 Esperanca e Vari ancia . . . . . . . . . . . . . . . . . . 10
3.2 Vari aveis Aleatorias em Espacos
nao Enumeraveis . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.2.1 Esperanca e Vari ancia . . . . . . . . . . . . . . . . . . 13
4 Esperanca Condicionada 17
4.0.2 Propriedades . . . . . . . . . . . . . . . . . . . . . . . 17
5 Processos Estocasticos 19
5.1 Processos de Markov . . . . . . . . . . . . . . . . . . . . . . . 19
5.2 Movimento Browniano . . . . . . . . . . . . . . . . . . . . . . 19
5.3 Martingalas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
5.3.1 Exemplo . . . . . . . . . . . . . . . . . . . . . . . . . . 20
6 Medida Martingala Equivalente 23
6.1 Teorema de Radon-Nikodym . . . . . . . . . . . . . . . . . . . 23
6.2 Integral Estocastica . . . . . . . . . . . . . . . . . . . . . . . . 24
6.3 Teorema de Girsanov . . . . . . . . . . . . . . . . . . . . . . . 25
6.4 Formula de Ito . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1
7 Modelo de Black e Scholes 29
7.1 Um pouco de Hstoria . . . . . . . . . . . . . . . . . . . . . . 29
7.2 Derivac ao da Equac ao de Black e Scholes . . . . . . . . . . . . 32
7.2.1 Carteira Equivalente . . . . . . . . . . . . . . . . . . . 32
7.2.2 Carteira de Risco Neutro . . . . . . . . . . . . . . . . . 33
7.3 Formula de Black e Scholes . . . . . . . . . . . . . . . . . . . . 35
7.3.1 Metodo de Merton . . . . . . . . . . . . . . . . . . . . 35
7.3.2 Formula de Feynman-Kac . . . . . . . . . . . . . . . . 38
7.3.3 Aproximac ao Binomial . . . . . . . . . . . . . . . . . . 39
8 Opcoes Americanas 44
9 Opcoes Exoticas 45
10 Exerccios Numericos 46
Bibliograa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2
Introducao
A probabilidade e uma das ferramentas mas utieis em nancas, ela nos
permite modelar a incerteza associada as variaveis de risco existentes no
mercado nanceiro. Para poder analizar e aplicar os modelos ja existentes
teremos que entender a estrutura probabilistica envolvida na engenharia do
modelo. O presente texto tem como objetivo mostrar ao aluno, de uma forma
simples mais rigurosa, a beleza e elegancia desta teoria e como e usada em
nancas.
3
Captulo 1
Axiomas da Probabilidade
Para entender como se obtem uma medida de probabilidade precisamos
de axiomas muito razoaveis. Para presentar estes axiomas precisamos da
noc ao de algebra. Para denir este objeto denotemos por o conjunto
de possveis eventos de um experimento, por exemplo lancar uma moeda,
possveis resultados: cara(c) ou coroa( c), ent ao = {c, c}.
Agora denotemos o conjunto de todos os subconjuntos de por P()
este conjunto possue 2
n()
elementos por isto tambem e denotado por 2

.
Alem disto seja A um subconjunto de P(). O conjunto vacio sera denotado
por .
Denicao 1 A e uma algebra se satisfaz:
1. A e A,
2. Se A A entao A
c
A, onde A
c
denota o complemento de A em
relacao a ,
3. Se A
1
, A
2
, . . . , A
n
A, entao
n

i=1
A
i
A
E dizemos que A e uma algebra se satisfaz (1), (2) e no lugar de
(3) satisfaz
4
4. se A
1
, A
2
, A
3
, . . . A, entao

_
i=1
A
i
A e

i=1
A
i
A
Dado qualquer subconjunto C de P(), temos que a algebra gerada por
C e denotada por (C), e a menor algebra que contem C. Esta sempre
existe por que P() e uma algebra. Alem disto a intersec ao de uma fa-
milia de algebras e outra vez uma algebra (Prove!)
Exemplos
A = {, } e a algebra trivial
A subconjunto, ent ao (A) = {, A, A
c
, }
Se = IR, a algebra de Borel e a algebra gerada pelos conjuntos
abertos, ou pelos fechados.
1.1 Medida de Probabilidade
Usaremos a denicao acima para denir uma medida de probabilidade,
Denicao 2 Uma medida de probabilidade denida numa algebra A de
e uma funcao P : A [0, 1] que satisfaz:
P() = 0 e P() = 1
Para cada sequencia (A
n
)
n1
de elementos de A, disjuntos dois a dois,
isto e se m = n, entao A
n
A
m
= , temos que
P(

_
n=1
A
n
) =

n=1
P(A
n
)
Exerccios
1. Prove que se A, B A e A B, entao P(A) P(B).
2. Prove que se A, B A ent ao P(A B) = P(A) + P(B) P(A B)
5
Captulo 2
Independencia e Probabilidade
Condicionada
A partir de agora dado um , uma algebra F e uma probabilidade P
denida em F, nos referiremos `a tripla (, F, P) como espaco de probabili-
dade.
Sejam A e B dos eventos do espaco de probabilidade denido acima, seja
f
n
(A) o numero de veces que A acontece dividido por n, daqui
lim
n
f
n
(A) = P(A)
. Suponhamos que o evento B ha ocontecido, entao denotemos por P(A/B)
a probabilidade de que aconteca A dado que aconteceu B, entao
P(A/B)
nf
n
(A B)
nf
n
(B)
tomando limites teriamos que P(A/B) =
P(AB)
P(B)
.
Agora que pasaria se o evento A fosse independente de B no sentido de
que a informacao B ha acontecidoem nada afeta a possvel ocorrencia de
A. Entao devemos ter que P(A/B) = P(A), daqui
P(A) =
P(A B)
P(B)
ou P(A B) = P(A)P(B). Isto motiva a seguinte denic ao
6
Denicao 3 Dois eventos A e B sao independentes se P(AB) = P(A)P(B).
Uma colecao de eventos (A
i
)
iI
e uma colecao independente se para todo sub-
conjunto nito J de I, temos
P(

jJ
A
j
) =

jJ
P(A
j
)
Exemplo
Seja = {1, 2, 3, 4} e A = P(). Seja P(i) =
1
4
, i = 1, 2, 3, 4. Seja
A = {1, 2}, B = {1, 3}, C = {2, 3}, entao A, B, C sao idpendentes dois a
dois mais nao sao independentes. (Exerccio!)
Denicao 4 Sejam A, B dois eventos e P(B) > 0. A probabilidade condi-
cional de A dado B e P(A/B) = P(A B)/P(B).
Teorema 1 Suponha que P(B) > 0
A e B sao independentes se e somente se P(A/B) = P(A)
A operacao A P(A/B) de A [0, 1] dene uma nova medida de
probabilidade em A, chamada medida de probabilidade condicional dado
B.
Prova:
(a) e facil. Para (b) e sucente denir Q(A) = P(A/B) e vericar que satisfaz
os axiomas.2
Teorema 2 (Teorema de Bayes) Seja (E
n
) uma particao nita ou enu-
meravel de , e suponha P(A) > 0. Entao
P(E
n
/A) =
P(A/E
n
)P(E
n
)

m
P(A/E
m
)P(E
m
)
A prova sera deixada como Exerccio!
7
Captulo 3
Variaveis Aleatorias
Uma vari avel aleatoria X e denida como uma funcao de em T IR.
Ela representa uma quantidade incerta, daqui o nome vari avel, que varia nao
como se fosse uma variavel algebrica, isto e tomando valores deterministicos,
pelo contrario dando eventos aleatorios.
Podemos denir a distribuicao de uma vari avel aleatoria X como
P
X
(A) = P({ : X() A}) = P(X A)
3.1 Variaveis Aleatorias em Espacos Enumeraveis
No caso que seja enumer avel podemos denir a distribuic ao de X da
seguinte forma:
P(X = j) =

{
i
:X(
i
)=j}
p
i
,
onde p
i
=probabilidade de acontecer
i
. Neste caso a distribuic ao de X sera
P(X A) =

jA
P(X = j)
A este tipo de variavel aleatoria a chamremos discreta.
Exemplos:
X e Poisson com parametro . Ent ao X : IN, e
P(X A) =

jA
P(X = j) =

jA

j
e

j!
8
e facil provar que

j=0
P(X = j) = 1. Esta distribuic ao pode modelar
o n umero depessoas que chega a uma la num banco, ou o n umero de
inadimplentes numa determinada carteira de emprestimos.
X e de Bernoulli, se X toma somente dois valores 0 e 1, este caraterstico
n umerico corresponde a um experimento com dois possveis resultados
erro ou acerto.

E comun asignar as seguintes probabilidades:
P(X = 1) = p e P(X = 0) = 1 p
Daqui, qual sera a distribuicao da variavel Y = n umero de lances ate
o primer acerto? (esta e chamada de distribuicao Geometrica)
Agora modelemos a seguinte vari avel X = n umero de acertos em n
tentativas, X pode tomar valores em {0, 1, 2, . . . , n}, a distribuicao sera
P(X = k) =
_
n
k
_
p
k
(1 p)
nk
,
esta distribuic ao e denominada distribuicao Binomial de parametros p
e n.
Agora deno, Y
i
=1 se acerto no iesimo lance e 0 caso contrario, qual
sera a distribuic ao de Z =

n
i=1
Y
i
?
Uma distribuicao muito conhecida em economia e a distribuica o de
Pareto, o nome e devido a que foi Vilfredo Pareto o primeiro a usar
esta distribuicao para modelar a distribuic ao de renda. X toma valores
em IN, onde
P(X = j) =
a
j
+1
com > 0 sendo um parametro xo, e a e uma constante tal que

j
P(X = j) = 1. A seguinte func ao e conhecida como a Funcao Zero
de Riemann:
(s) =

k=1
1
k
s
, s > 1,
daqui a =
1
(+1)
, e
P(X = j) =
1
( + 1)j
+1
9
3.1.1 Esperanca e Variancia
Dada a distribuicao de uma variavel podemos denir dois constantes impor-
tantes,
Denicao 5 Seja uma variavel aleatoria real num espaco enumeravel . A
esperanca de X, denotada por E(X), e denida por
E(X) =

j
X(
i
)p
i
Seja L
1
o espaco das variaveis aleatorias reais que tem esperanca nita,
entao:
Se X e X
2
pertencem a L
1
. A variancia de X e denida como:

2
X
E(X E(X))
2
e
X
sera o desvio padrao.
Exerccios
1. Encontre a esperanca e a vari ancia das variaveis apresentadas na sec ao
3.1.
2. Se X e Geometrica(p), calcule E(1/X).
3. Se X e Binomial (n, p) a onde tende a distribuicao, se np c quando
n ?
4. Se X e Poisson(), > 0 e inteiro. Encontre E|X |.
5. Se X e Poisson(), que valor de maximiza P(X = j) para j xo?
6. Suponha que temos tres securities no mercado, o primeiro sera um atvo
com risco tal que seu preco satisfaz oseguinte equac ao:
S
t+1
= S
t
H
t+1
onde H e um processo tal que t > 1, H
t
pode tomer dois valores
U > 0 e D > 0 com U > D. Agora suponha que o segundo ativo e um
ativo sem risco, cujo preco e tal que
B
t+1
= RB
t
, B
0
> 0
10
onde R > 1 e uma constante. Consideire agora que o terceiro security
seja uma Opcao de compra Europeia em S com maturidade T e preco
de exerccio K 0. Isto signica que o preco da opcao no tempo T
sera
C(T) = (S
T
K)
+
= max{S
T
K, 0}
com C(t) = 0, t > T. A opcao da ao tenedor o direito, mais nao a
obrigacao, de comprar o ativo S ao preco K na maturidade T. Assu-
mindo ausencia de arbitragem temos que D < R < U. Prove que:
Para todo t < T,
C(t) =
1
R
Tt
Tt

i=0
b(i, T t, p)(U
i
D
Tti
S
t
K)
+
,
onde
p =
R D
U D
e b(i, n, p) =
_
n
k
_
p
i
(1 p)
ni
sao a probabilidade de sucesso num lance e a probabilidade de i
sucessos em n lances.
3.2 Variaveis Aleatorias em Espacos
nao Enumeraveis
Agora asumiremos que e uma algebra. Seja A . Como zimos
anteriormente construiremos uma medida de probabilidade em A. Porem
nao poderemos usar as mesmas tecnicas usadas no caso enumeravel, ja que
uma medida de probabilidade naturalmente fara P() = 0.
Outro problem mais delicado e o fato de tambem nao podemos tomar A
como sendo o conjunto de tosdos os subconjuntos de , ja que se por exem-
plo = [0, 1] e denamos uma medidade de probabilidade P nos conjunto
sdo tipo (a, b] 0 a b 1 como P((a, b]) = b a, agora tentemos ex-
tender P de maneira unica a todos os subconjuntos do [0, 1] (2
[0,1]
) tal que
P() = 0, P() = 1 e P(

n=1
A
n
) =

n=1
P(A
n
) para qualquer sequencia de
conjuntos (A
n
) disjunta dois a dois. Ent ao pode-se provar que tal extensao
nao existe!. O conjunto 2
[0,1]
e muito grande, porem Borel percebeu que tal
extensao podera existir na menor algebra contendo intervalos da forma
11
(a, b].
Agora suponhamos que A e a algebra de Borel em IR.
Denicao 6 A funcao de distribuicao inducida pela probabilidade P em (IR, A, P)
e a funcao
F(x) = P((, x]).
Pode-se provar o seguinte teorema
Teorema 3 Uma funcao F e a funcao de distribuicao de uma probabilidade
se e somente se
i) F e nao-decresente
ii) F e continua pela direita
iii) lim
x
F(x) = 0 e lim
x+
F(x) = 1
Exemplos
Se f e positiva e
_
+

f(x)dx = 1, a func ao
F(x) =
_
x

f(y)dy
e uma func ao de distribuic ao de uma probabilidade em IR, e a func ao
f e chamada de sua densidade. Em geral nao toda distribuicao admite
uma densidade.
Seja c IR uma constante. Uma probabilidade com massa pontoal em
IR e uma que satifaz:
P(A) =
_
1, se c A
0 caso contrario
A func ao de distribuic ao sera
F(x) =
_
0 se x < c
1 se x c
Esta probabilidade e denominada de Delta de Dirac nao tem densidade.
A seguir mostraremos outras distrbuicoes obtidas apartir de densidades,
12
A distribuic ao Uniforme em [a, b] e dada pela seguinte densidade:
f(x) =
_
1
ba
se a x b
0 caso contrario
A ideia desta distribuic ao e que todo ponto tenha a mesma chance.
A distribuicao Exponencial com parametro > 0 e dada pela seguinte
densidade:
f(x) =
_
e
x
se x 0
0 se x < 0
Esta distribuicao e muito usada para modelar o tempo de arrivo de nova
informacao, por exemplo o tempo de arrivo de clientes a um banco.
A distribuic ao Normal com parametros (,
2
), < < +, 0 <

2
< e obtida da seguinte densidade
f(x) =
1

2
e
(x)
2
2
2
tambem conhecida como distribuicao Gaussiana e denotada comun-
mente por N(,
2
), esta e quiza a mais importante em probabilidade.
Se X N(,
2
) ent ao dizemos que Y = e
X
tem uma distribuicao
lognormal, esta distribuicao e muito usada em nancas para modelar
os retornos dos ativoos, isto sera visto com detalhe no modelo de Black
e Scholes.
A distribuicao de Cauchy com parametros e , < < +, 0 <
< e obtida de
f(x) =
1

2
+ (x )
2
com < x < +. Esta distribuic ao possue caudas muito pesadas,
por isto sirvio muito como countraexemplos para muitos teoremas. Em
nancas e usada para capturar eventos extremos.
3.2.1 Esperanca e Variancia
No caso das variaveis aleatorias em espa cos nao enumer aveis a esperanca
e denida da seguinte maneira:
E(X) =
_
xP
X
(dx)
13
onde P
X
(B) = P(X
1
(B)) = P({ : X() A}). De fato podemos obter
resultados mais gerais, como mostra o seguinte teorema
Teorema 4 Seja X uma v.a. em (, A, P) com valores em T e distribuicao
P
X
. Seja h : T IR uma funcao, entao
E[h(X)] =
_
h(x)P
X
d(x).
Agora se a v.a. X tem densidade f e E[|h(X)|] < , entao
E[h(X)] =
_
h(x)f(x)dx
daqui facilmente obtem-se a vari ancia
2
X
= E(X E(X))
2
, ja que basta
tomar h(X) = (X E(X))
2
.
14
Exerccios
1. Encontre a Esperanca e Vari ancia das distribuic oes presentadas nos
exemplos
2. Mostre que a densidade da distribuicao Normal atinge seu maximo em
x = .
3. Dado (, A, P), suponha que se X e uma v.a. com X 0 q.c.(isto
e P({ : X() 0}) = 1) e E(X) = 1. Dena Q : A IR por
Q(A) = E(X1
A
), onde 1
A
() = 1 se A e 0 caso contrario. Prove
que Q dene uma medida de probabilidade em (, A).
4. No caso da distribuic ao lognormal mostre que
E(Y ) = e
+

2
2
e
2
Y
= e
2+
2
(e

2
1)
5. Dena a covari ancia de X com Y , como

XY
Cov(X, Y ) = E [(X E(X))(Y E(Y ))]
Prove que |
XY
|
X

Y
6. Encontre a soluc ao do seguinte problema
min
cIR
E(X c)
2
Isto e encontre c

tal que E(X c

)
2
E(X c)
2
c IR
7. (Desigualdade de Jensen) Seja g concava e X v.a. , entao mostre que
g(E(X)) Eg(X)
8. * Seja h : IR [0, ) e X uma v.a., prove que pata todo c > 0
P(h(X) c)
E(h(X))
c
15
9. * (Desigualdades de Chebyshev) Seja X uma v.a., ent ao para todo c > 0
mostre que
i) P(|X| c)
E(X
2
)
c
2
ii) P(|X E(X)| c)

2
X
c
2
Obs: Se X tivesse uma distribuic ao simetrica com media 0 e vari ancia

2
nita, tomando c = 7, 071 teriamos:
P(X 7, 071) 0, 01,
logo o VaR (Value at Risk) maximo a um nvel de 0,99 seria 7,071, se
calculassemos o V aR assumindo que X e normal teramos V aR
0.99
(X) =
2, 326, daqui se a verdadeira distribuic ao tiver uma cauda mais pes-
sada do que a normal e nita, multiplicando por 3 (32, 326) teramos
uma aproxima cao aceitavel para o verdadeiro valor de V aR
0,99
(X)
6, 978 < 7, 071.
10. ** Seja X uma v.a. uniforme em [, ] e Y = c tan(X), c > 0.
Encontre a densidade de Y
16
Captulo 4
Esperanca Condicionada
Seja (, F, P) um espaco de probabilidade, F
0
F uma sub algebra
e X : IR uma varavel aleatoria.
Denicao 7 Uma varavel aleatoria X
0
: IR a qual e F
0
mesuravel e
chamada de Esperanca Condicionada de X sob F
0
se A F
0
_
A
X
0
dP =
_
A
XdP
E denotamos esta nova varavel por E [X|F
0
].
Observacao
Se X 0 ou E[X] < esta esperanca condicionada existe.Alem disto ela
e unica quace certamente, isto e se existem duas v.a. Y
1
e Y
2
satisfazendo a
denic ao acima ent ao
P({w : Y
1
() = Y
2
()}) = 1
4.0.2 Propriedades
E [X + Y |F
0
] = E [X|F
0
] + [Y |F
0
]
E [cX|F
0
] = cE [X|F
0
]
E [E [X|F
0
]] = E [X]
17
Se X e independente de F
0
, ent ao
E [X|F
0
] = E[X]
Se X e F
0
mesuravel, ent ao
E [X|F
0
] = X q.t.p.
Sejam F
1
, F
2
F
0
, entao
E [E [X|F
1
] |F
2
] = E [X|F
1
F
2
] q.t.p.
Exerccios
1. (Desigualdade de Jensen) Seja g : IR IR uma func ao convexa e X
uma v.a. tal que E|g(X)| , ent ao
E(g(X)|F) g (E(X|F)) q.t.p.
2. Mostre que a soluc ao do seguinte problema:
min
Y F
E(X Y )
2
e Y

= E(X|F)
Daqui em adelante as igualdades de vaeaveis aleatorias serao entendedidas
no sentido q.t.p.(quase toda parte)
18
Captulo 5
Processos Estocasticos
Dizemos que (X
t
)
t0
e um processo estocastico se para todo t, X
t
e uma
variavel aleatoria
5.1 Processos de Markov
Seja (, F, P) um espaco de probabilidade e seja (F
t
)
0tT
uma ltracao,
isto e uma familia de algebras F
t
F t tal que
s t F
s
F
t
,
F
t
pode ser entendido como o conjunto de eventos observados ate o tempo t.
Denicao 8 Dizemos que um processo estocastico (X
t
)
0tT
e um processo
de Markov se
X
t
F
t
t T
A distribuicao de X
t+1
condicionada a F
t
e a mesma que a distribuicao
de X
t+1
condicionada a X
t
5.2 Movimento Browniano
Seja (B
t
)
t0
um processo estocastico tal que
1. B
t
e continuo em t,
19
2. Para todo t e s > t, B
s
B
t
esta Normalmente distribuido com media
0 e vari ancia s t,
3. Para quaisquer tempos t
0
, t
1
, . . . , t
n
tais que t
0
< t
1
< . . . < t
n
< , as
variaveis aleatorias B
t
0
, B
t
1
B
t
0
, . . . , B
t
n
B
t
n1
sao independentes.
Lembremos que este processo esta denido no espaco de probabilidade (, F, P),
onde F e a algebra gerada pelas unioes das ({B
s
: 0 s t}). tambem
observe que os incrementos deste processo sao estacionarios
Este processo e chamado Moviemento Browniano, devido a que foi o
Botanista Ingles Robert Brown (1828) quem simulando o movimento de par-
ticulas de polem num ambiente poroso descubrio este tipo de comportamento
irregular.
5.3 Martingalas
Consideire agora uma ltrac ao (F
t
)
t>0
.
Denicao 9 Um processo estocastico (X
t
)
t>0
e chamado de martingale (sub-
martingale, supermartingale) em relacao a (F
t
)
t>0
) ou um {F
t
}martingale
(submartingale, supermartingale) se as seguintes condicoes sao satisfeitas
i) X
t
e F
t
mesuravel e E |X
t
| < t 0.
ii) E [X
t
|F
s
] = X
s
q.t.p. s t (, , respectivamente).
5.3.1 Exemplo
O Movimento Browniano (B
t
)
t>0
e um martingale.
Prova
Consideremos quaisquer s < t, logo
E [B
t
|F
s
] = E [B
s
+ (B
t
B
s
)|F
s
] = E [B
s
|F
s
] +E [B
t
B
s
|F
s
]
= B
s
+ E [B
t
B
s
]
. .
0
= B
s
.
A partir desta denic ao nos perguntamos se um processo que cumpre a pro-
priedades de martingale para um determinado conjunto de tempos pode ser
de interesse, a resposta e armativa, o seguinte conjunto de tempos nos per-
mitira extender a denicao acima:
20
Denicao 10 Dizemos que e um {F
t
} tempo de parada se a seguinte
condicao e satisfeita:
[ > t] F
t
, t
um exemplo de tempo de parada e:
= inf{t > 0 : B
t
a}
Onde B
t
e um Movimento Browniano standard e a > 0 e uma constante
qualquer.
Os conceitos acima sugerem a seguinte extensao:
Denicao 11 Dizemos que um processo {X
t
} e um Martingala local se existe
uma sequencia de {F
t
} tempos de parada
n
tais que
i)
n

ii) n {X
t
n
} e um {F
t
} martingale.
Um exemplo de martingala local e a integral estocastica que veremos com
mais detalhe na sec ao 6.2. Agora um teorema que permitira analizar e ex-
tender varios resultados de Martingalas para semimartingalas(super and sub-
martingalas), incluindo os Martingalas Locais limitados, ja que todo Martin-
gala Local positivo e um supermartingala(A vericacao deste fato cara como
exerccio):
Teorema 5 (Decomposicao de Doob-Meyer). Seja (X
n
)
n0
um submartin-
gale. Entao existem um martingale (M
n
)
n0
e um processo (A
n
)
n0
com
A
n+1
A
n
q.t.p. e A
n+1
sendo F
n
mensuravel para todo n 0, tais que
X
n
= X
0
+ M
n
+ A
n
e M
0
= A
0
= 0
Esta decomposicao e unica.
Prova
Dena A
0
= 0 e
A
n
=
n

k=1
E [X
k
X
k1
|F
k1
] n 1
Logo e facil comprovar que A
n
satisfaz as propriedades acima e que
M
n
= X
n
A
n
e um martingale.2
21
Exerccios
1. Mostre que o processo X
t
= e
B
t

t
2
e um Martingala. Onde B
t
e um
Movimento Browniano standard.
2. Mostre que se um prosesso X
t
satisfaz a seguinte condicao ent ao e um
Martingala:
E(X
s
) = E(X
t
), t, s 0
3. Mostre que todo Martingala local positivo e um supermartingala.
4. Mostre que = inf{t > 0 : B
t
a} e um {F
t
} tempo de parada
5. Relacione os conceitos Mercados Ecientes e Martingala
22
Captulo 6
Medida Martingala Equivalente
6.1 Teorema de Radon-Nikodym
Seja (, F, P) um espaco de probabilidade. Suponha que a varavel aleatoria
X 0 q.t.p. tem a seguinte propriedade E[X] = 1. Entao se denimos a
func ao Q sob os conjuntos de F por:
Q(A) = E[1
A
X]
`e facil vericar que Q e uma nova probabilidade, alem disto temos que:
Se P(A) = 0 ent ao Q(A) = 0, ja que 1
A
= 0 q.t.p
Para todo > 0 existe um > 0 tal que se A F e P(A) < , entao
Q(A) < .
Mais formalmente temos
Teorema 6 (Radon-Nikodym). Seja (, F, P) um espaco de probabilidade .
Se Q e uma medida nita em F e se P(A) = 0 implica Q(A) = 0 para todo
A F, entao existe uma unica varavel aleatoria integravel e positiva tal que
Q(A) = E[1
A
X]
Denotamos esta nova varavel por X =
dQ
dP
. ( X e unica q.t.p.)
23
6.2 Integral Estocastica
Para construir uma integral estocastica, que denotaremos por I(t), precis-
aremos do movimento Browniano (B(t))
t0
com a ltrac ao associada (F
t
)
t0
.
Tomemos = {t
0
, t
1
, . . . , t
n
} uma partic ao do intervalo [0, T], isto e
0 = t
0
t
1
. . . t
n
= T,
Agora consideire um processo (t) tal que
(t) F
t
t,
E[
_
T
0

2
(t)dt] <
(t) e constante em cada subintervalo [t
k
, t
k+1
]
este processo e chamado de processo elementar. A integral estocastica, ent ao
sera representadapor
I(t) =
_
t
0
(s)dB(s),
A seguinte intuicao podera ajudarnos a denir a integral estocastica: imagine
que
B(t) e o preco por unidade de um ativo no tempo t,
(t) sera o n umero de unidades de ativo adquiridos no tempo t
k
e retidos
ate o tempo t
k+1
.
Daqui podemos entender a integral estocastica I(t) como o ganho acumulado
pelos negocios ate a data t, por exemplo imagine que n = 4, ent ao:
I(t) =
_

_
(t
0
)[B(t) B(t
0
)] 0 x t
1
(t
0
)[B(t
1
) B(t
0
)] + (t
1
)[B(t) B(t
1
)] t
1
x t
2
(t
0
)[B(t
1
) B(t
0
)] + (t
1
)[B(t
2
) B(t
1
)] +(t
2
)[B(t) B(t
2
)] t
2
x t
3
Em geral, se t
k
t t
k+1
,
I(t) =
k1

j=0
(t
j
)[B(t
j+1
) B(t
j
)] + (t
k
)[B(t) B(t
k
)].
24
Exerccios
1. Mostre que sobre certas condic oes I(t) e um Martingala
2. Prove que E(I(t)) = 0
3. * Mostre que
_
T
0
B(s)dB(s) =
B
2
(T)
2

T
2
4. ** Mostre que E(I
2
(t)) = E
_
_
t
0

2
(s)ds
_
6.3 Teorema de Girsanov
Seja (, F, P) um espaco de probabilidade e (B
t
)
t>0
um Movimento Brow-
niano en relac ao a P e = (
1
, ..,
d
) L
2
, denimos a seguinte varavel
aleatoria:

t
() = e
_

_
t
0

s
dB
s

1
2
_
t
0

s

s
ds
_
(6.1)
Se a seguinte condic ao (condic ao de Novikov) e satisfeita, temos que
t
() e
um martingale em relac ao a F:
E
_
e
_
1
2
_
t
0

s

s
ds
_
_
< (6.2)
Suponha que esta condicao e satisfeita, como E(
o
()) = 1, entao E(
t
()) =
1 para todo t e tambem temos que
t
() > 0 q.t.p, podemos denir uma
nova probabilidade:
Q(A) = E
P
(1
A

t
())
ou
dQ
dP
|
F
t
=
t
()
Logo
B

t
= B
t
+
_
t
0

s
ds
`e um Movimento Browniano sob Q.
25
Considere o processo de preco descontado

S
t
= e
rt
S
t
, logo derivando
obtemos
d

S
t
= re
rt
S
t
dt + e
rt
dS
t
(6.3)
Agora se temos que dS
t
= S
t
dt +S
t
dB
t
, ent ao
d

S
t
= re
rt
S
t
dt + e
rt
S
t
dt + e
rt
S
t
dB
t
=

S
t
(( r)dt + dB
t
)
Denimos W
t
= B
t
+
r

t, pelo teorema de Girsanov temos que este novo

processo e um Movimento Browniano sob a nova probailidade Q, onde Q e
obtida subtituindo
s
=
r

em (6.1), isto e:
dQ
dP
=
t
() = e
_
r

B
t

(r)
2
2
2
t
_
(6.4)
Agora com o novo Movimento Browniano temos:
d

S
t
=

S
t
dW
t
(6.5)
esta equac ao tem por soluc ao:

S
t
= S
0
e
W
t

2
2
t
(6.6)
`e facil ver da equacao (6.5) que (

S
t
)
t>0
e um martingale sob Q, pois a
W
t
e um movimento Browniano sobre Q, daqui assumindo a condic ao de
Novikov (6.2), temos que a integral estocastica e uma Martingala sobre Q.
Esta Q e chamada de medida martingale equivalente. Quando os mercados
sao completos esta medida e unica.
26
Para saber como sera o caminho percorrido por este preco bastaria re-
tornar `as varaveis originais:
S
t
= S
0
e
B
t
(

2
2
)t
(6.7)
6.4 Formula de Ito
A seguinte questao apareceu de forma muito natural: se conhecemos o pro-
cesso seguido por S qual sera o processo seguido por f(S, t)? Ja que um
derivativo e uma funca o do preco do ativo objeto e do tempo, resolver esta
questao seria importante para entender o preco do derivativo. Esta reposta
foi dada por Katayoshi Ito para func oes que sejam duas veces continuamente
diferenciaveis no primer argumento e uma vez continuamente diferenciavel
no segundo. Sigamos o razonamento dele:
A serie de taylor de f(x, t) sera
f =
f
x
x +
f
t
t +
1
2

2
f
x
2
x
2
+

2
f
xt
xt +
1
2

2
f
t
2
t
2
+ r
Agora como t
1
n
ent ao (t)
m
0 quando m > 1. Daqui como o
termo S = x tem vari ancia

t entao xt tem variancia (t)

3
2
daqui
a variancia e approx. zero, por tanto xt coincide com sua esperanca: zero.
Por tanto a equac ao acima ca reduzida a:
f =
f
x
x +
f
t
t +
1
2

2
f
x
2
x
2
(6.8)
agora suponhamos que
dx = a(x, t)dt + b(x, t)dB
t
ou
x = at + b

t,
onde N(0, 1). Substituindo na equacao (6.8) e eliminando termos com
(t)
m
, m > 1, obtemos
f =
f
x
x +
f
t
t +
1
2

2
f
x
2
b
2

2
t
27
Agora e facil provar que E(
2
t) = t e a variancia e proporcional a (t)
2

0 por tanto
2
t t, tomando limites na equac ao temos
df =
f
x
dx +
f
t
dt +
1
2

2
f
x
2
b
2
dt
e substituindo dx = adt + bdB
t
temos a formula de Ito:
df =
_
f
x
a +
f
t
+
1
2

2
f
x
2
b
2
_
dt +
f
x
bdB
t
Exerccios
1. Supondo que dx
t
= x
t
dt+x
t
dB
t
, aplique a formula de Ito as seguintes
funcoes:
(a) f(x, t) = ln x
(b) f(x, t) = x
2
(c) f(x, t) =

x
2. Apartir de (1.a) obtenha a solucao da equacao (6.5)
3. ** Considere qualquer soluc ao (x) da equac ao:
1
2

(x) + q(x)(x) = 0, < x < ,

onde q(x) e uma func ao limitada e continua. Mostre que:
M(t) = (B
t
)e
_
_
t
0
q(B
s
)ds
_
,
e um martingala em relacao ao ltro gerado pelo movimento Browniano
standard B
t
.
Dica: Aplique a formula de Ito para (t) e M(t) e obtenha:
dM(t) =

(B
t
)e
_
_
t
0
q(B
s
)ds
_
dB
t
28
Captulo 7
Modelo de Black e Scholes
7.1 Um pouco de Hstoria
O modelo que apresentaremos a continuac ao teve suas raices no modelo pi-
oneiro de Louis Bachelier (1900), quem no da 29 de Marco de 1900 na Fac-
ulte des Sciences de Pars, defendeu sua dissertac ao de Doutorado intitulada
Theorie de la speculation, na qual ele sugere um processo Browniano ar-
itmetico para modelar os precos dos ativos. Cabe destacar que esta tese foi
desenvolvida sob a orientac ao do celebre matematico Henri Poincare. Apartir
deste brilhante trabalho foram desenvolvidos varios modelos que trataram de
explicar o comportamento dos precos dos ativos do Mercado Financeiro.
Varios anos pasaram ate que foram descubertos estos primeiros trabalhos.
Foi na decada do 50 com o desenvolvimento do caculo esocastico que se pudo
entender e aplicar com sucesso as ideias de Bachelier. E aqui que aparece a
gura do Premio Nobel Paul Samuelson quem na decada do sessenta sugere o
seguinte modelo: Imaginemos que estamos no tempo t e queremos ver como
variaria o preco se o tempo avansasse um t
S
t

t
S
t+t
Daqui
S
t
= S
t+t
S
t
Agora daqui temos a taxa de retorno R
t
=
S
t
S
t
, esta taxa tem que ter duas
compoentes: uma compoente deterministica e uma aleatoria.
29
A parte deterministica e conhecida, isto e se a taxa de crescimento for
, ent ao:
S
t+t
= S
t
e
t
S
t
(1 + t)
Daqui obtemos que
S
t
= S
t+t
S
t
S
t
t
fazendo t 0 teriamos
dS
t
= S
t
dt
A parte aleatoria sera modelada da seguinte forma: Suponha que temos
um processo estocastico {B
t
}
t0
tal que :
1. B
t+t
N(B
t
, t) Daqui B
t+t
B
t
N(0, t)
2. B
t
e B
s
sao independentes para todo t e s. Daqui B
t
B
0
=

T
t=0
B
t
N(0, T)
3. B
t+s
B
t
B
s
B
0
(estacionariedade)
4. Por ultimo fazendo 0, temos que dB
t

dtN(0, 1) Como
vimos antes este processo e denominado Movimento Browniano.
Que e um caso particula de Processo de Levy, isto e um processo
com incrementos independentes e estacionarios.
Agora para considerar uma variabilidade maior nos retornos usaremos
a volatilidade , a parte aleatoria sera
dS
t
S
t

dtN(0, 1) dB
t
Desta duas componentes obtemos o modelo de Samuelson para os precos:
dS
t
= S
t
dt + S
t
B
t
, (7.1)
Exemplo:
Podemos simular o caminho de um preco, tome S
0
= 40, = 0, 2, = 0, 3
e t = 0, 001, ent ao
S = 0, 0014S + 0, 02S (7.2)
onde N(0, 1)
30
0 0.5 1 1.5 2 2.5 3
15
20
25
30
Figura 7.1: Simulac ao da equac ao (7.2)
Observacao:
Este modelo foi depois geralizado para funcoes mais gerais no (drift) e
(volatilidade):
dS
t
= (S
t
, t)dt + (S
t
, t)B
t
A partir daqui Black e Scholes analisaram o valor de um opc ao de compra,
isto e um derivativo que te da o direito mais nao a obrigac ao de comprar um
ativo numa determinada data (maturidade) a um determinado preco(preco de
exerccio), que tivesse como ativo subjacente um ativo, cujo preco fosse mod-
elado pela equac ao (7.1), como resultado deste analise eles obtiveram uma
formula que da o preco da opc ao de compra. A continuac ao apresentare-
mos a formula. O mesmo analise pode ser usado para derivativos do tipo
contingente, isto e cujo retorno acontece numa determinada data no tempo.
31
7.2 Derivacao da Equacao de Black e Scholes
Nesta sec ao mostraremos 2 formas diferentes de obter a Equacao de Black e
Scholes:
7.2.1 Carteira Equivalente
Nesta parte apresentaremos a metodolgia usada por Fischer Black e Myron
Scholes (1973), na qual eles usaram a ideia de preco racional, isto e qual sera
unico valor que podera satisfazer a seguintes condicoes:
1. Qualquer investidor que no lugar de aquirir a opc ao aplique este valor
num ativo com risco e num ativo sem risco, poderia gerenciar sua
carteira deacordo com uma estrategia autonanciada, isto e sem in-
vestir mais dinheiro duarante a vida da opc ao, de maneira a obter o
mesmo retorno da opc ao na maturidade,
2. Se a opcao fosse oferecida a outro preco diferente, existiriam oportu-
nidades de arbitragem , isto e ganhos sem o risco de perda associado.
Para determinar este valor escolheamos uma estrategia autonanciada
((t), (t)) onde (t) e a posic ao no ativo com risco S(t) cuja equac ao e
dada por (7.1) e (t) e a posicao no ativo sem risco P(t) cuja equac aoe dada
pela equacao:
dP(t) = rP(t)dt
Isto e o ativo sem risco tem taxa de retorno constante r capitalizada con-
tinuamente. Associada a esta estrategia temos um processo valor V que de-
terminara o valor da carteira no tempo, assim assumiremos que esta V sera
func ao do preco do ativo com risco e do tempo que falta para o vencimento
da opc ao, isto existira uma f talque:
1. V
t
= f(S
t
, T t)
2. f C
2,1
((0, ) (0, T])
3. f(x, 0) = (x K)
+
= max{0, x K}
Aqui T e a maturidade da opc ao e K e o preco de exerccio. Agora se
denotamos por f
x
and f
xx
a derivadas parciais em relacao a x e por f
s
a
32
derivada parcial em relacao ao segundo argumento, aplicando a formula de
Ito teremos:
V
t
V
0
=
_
t
0
f
x
(S
u
, Tu)dS
u

_
t
0
f
s
(S
u
, Tu)du+
1
2
_
t
0

2
S
2
u
f
xx
(S
u
, Tu)du, t.
Por outra parte V e o valor da carteira autonanciada, ent ao ela deve ser
igual a:
V
t
=
t
S
t
+
t
P
t
e V
t
= V
0
+
_
t
0

u
dS
u
+
_
t
0

u
dP
u
t,
comparando os integrandos de V
t
V
0
da parte dS
u
, obtemos:

t
= f
x
(S
t
, T t), t, (7.3)
e do fato de

t
=
V
t

t
S
t
P
t
=
f(S
t
, T t)
t
S
t
P
t
, t
temos que
u
dP
u
= r
u
P
u
du = r(f(S
u
, T u)
u
S
u
), daqui comparando
os elementos de V
t
V
0
da parte du e usando (7.3), obtemos:
r(f(S
t
, T t) S
t
f
x
(S
t
, T t)) = f
s
(S
t
, T t) +
1
2

2
S
2
t
f
xx
(S
t
, T t)
Esta equac ao sera satisfeita se f cumpre a seguinte equacao:
1
2

2
x
2
t
f
xx
+ rxf
x
rf f
s
= 0. (7.4)
Esta equac ao e conhecida como a equacao diferencial parcial de Black e Sc-
holes. Antes de passar a obter a solucao desta equac ao, pasaremos a mostrar
outra forma de encontrar esta equacao.
7.2.2 Carteira de Risco Neutro
Agora construiremos uma carteira de risco neutro, isto e cuja taxa de retorno
seja a tax do ativo sem risco, isto e r. Mais uma vez pela formula de Ito
temos que:
df =
_
f
x
S +
f
t
+
1
2

2
f
x
2

2
S
2
_
dt +
f
x
SdB
t
(7.5)
Agora construiremos a seguinte carteira:
33
1. -1 opc ao (vendi uma opc ao)
2.
f
S
unidades do ativo.
Seja V o valor desta carteira, entao como f e o preco da opcao, temos:
V = f +
f
S
S, (7.6)
a variac ao deste valor no tempo sera:
V = f +
f
S
S
substituindo as versoes continuas (7.5) e (7.1):
dV =
_

f
t

1
2

2
f
S
2

2
S
2
_
dt
Como esta expresao no involve B
t
, esta carteira possue retorno sem risco,
ent ao:
dV = rV dt
Igualando os valotres de V nas duas ultimas equac oes e usando (7.6), temos:
_

f
t

1
2

2
f
S
2

2
S
2
_
= r
_
f +
f
S
S
_
ordenando a equacao:
f
t
+ rS
f
dS
+
1
2

2
f
S
2

2
S
2
= rf (7.7)
A principal diferenca entre a equacao obtida em (7.4) e a equacao (7.7) esta
em que a func ao considerada em (7.7) e f(S, t) e nao f(S, T t), assim o
unico que muda e o sinal da derivada parcial em relacao ao tempo f
t
. As
derivadas parciais em relc ao ao primer argumento x e o mesmo que a derivada
em realc ao a S.
Agora para encontrar a soluc ao da equac ao de Black e Scholes necesitare-
mos da condicao de contorno: f(x, 0) = (x K)
+
ou f(x, T) = (x K)
+
,
dependera de qual seja o segundo argumeto T t ou t, respectivamente. O
importante e que o valor da carteira na maturidade seja igual ao retorno da
opc ao.
34
7.3 Formula de Black e Scholes
Nesta secao mostraremos tres formas de obter a formula de Black e Scholes.
7.3.1 Metodo de Merton
Embora na literatura a formula que vamos a derivar seja conhecida como
formula de Black e Scholes, foi Merton (1973), quem tambem simultanea-
mente obteve a mesma formula, assim formula e conhecida por muitos como
Formula de Black-Scholes-Merton, motivo pelo qual ele tambem obteve o
premio nobel de economia em 1997. A seguir apresentaremos a forma com
ele obteve a formula.
Primeiro linearizaremos a equac ao diferencial parcial (7.7), ja que aparece
um termo x
2
, para isto faremos a seguinte mudanca de vari avel y = log(x),
daqui temos que

f(y, t) = f(e
y
, T t)
_

f
y
(y, t) = f
x
(x, t)x,

f
yy
(y, t) = x
2
f
xx
(x, t) +

f
y
(y, t),
Daqui a equacao (7.7) se transforma em:
1
2

f
yy

2
+ (r

2
2
)

f
y

fr

f
t
= 0
As condic oes de contorno seram:
f(0, T t) =

f(, t) = 0 e f(x, T) =

f(e
y
, 0) = (e
y
K)
+
Agora seja a func ao dada pela seguinte expresao:
(, t) =
1

2
_

f(y, t)e
iy
dy
esta funcao e conhecida como a transformada de Fourier da funcao

f. As-
sumindo que esta integral e limitada e que as condicoes de regularidade sao
satisfeita podemos obter a transformada inversa de Fourier:

f(y, t) =
1

2
_

(, t)e
iy
d,
daqui temos que
35
1.

f
y
=
i

2
_

(, t)e
iy
d
2.

f
yy
=
1

2
_

2
(, t)e
iy
d
3.

f
t
=
1

2
_

t
(, t)e
iy
d
substituindo estas expressoes na equac ao linearizada obtemos:
1

2
_

__

2
2
(r

2
2
)i r
_
(, t) +
t
(, t)
_
e
iy
d = 0, y.
Como a integral e zero para todo y, o integrando tera que ser nulo, logo:

2
2
(
2
i) +r(1 + i)
_
(, t) =
t
(, t)
resolvendo esta equacao diferencial ordinaria, obtemos:
(, t) = (, 0)e

2
2
(
2
i)+r(1+i)
_
t
retornando agora `a funcao

f via transformada inversa de Fourier:

f(y, t) =
1

2
_

(, 0)e

2
2
(
2
i)+r(1+i)
_
t
e
iy
d,
mais lembremos que:
(, 0) =
1

2
_

f(z, 0)e
iz
dz
incluindo isto na equac ao do preco da opcao, temos:

f(y, t) =
1
2
_

f(z, 0)e

2
2
(
2
i)+r(1+i)
_
ti(yz)
ddz,
agora faremos a integrac ao em relac ao a , para isto re-escrevamos a equacao
acima:

f(y, t) =
1
2
_

f(z, 0)e
rt
_

2
2
(
2
i)+ir
_
ti(yz)
d
. .
I

dz,
36
logo esta integral pode ser escrita da seguinte forma:
I

= e
R
2
2
2
t
_

e
(a+b)
2
d
onde a =

2
, b =
R

2t
e R = i
_
(y z) (

2
2
r)t
_
logo fazendo a seguinte
mudan ca de varavel

2
= a +b, e usando o fato de que
_

2
2
d =

2,
obtemos :
I

2e
R
2
2
2
t

t
usando a condic ao de contorno

f(z, 0) = (e
z
K)
+
, temos:

f(y, t) =
1

2
_

e
rt+
R
2
2
2
t

t
(e
z
K)
+
dz,
agora partimos esta integral em duas:

f(y, t) =
1

2
_

z>log(K)
e
zrt+
R
2
2
2
t

t
dz
K

2
_

z>log(K)
e
rt+
R
2
2
2
t

t
dz,
facamos a seguinte mudanca de varavel u =
yz

t
e lembrando que y = log(x),
daqui:

f(y, t) =
x

2
_ log(x/K)

e
u

trt+

_
u

t(

2
2
r)t
_
2
2
2
t
du

Ke
rt

2
_ log(x/K)

_
u

t(

2
2
r)t
_
2
2
2
t
du,
Agora facamos as seguintes mudancas de varaveis: na primeira integral
v = u +

_
r +

2
2
_
e na segunda v = u +

_
r

2
2
_
, daqui obtemos:

f(y, t) =
x

2
_
log(x/K)+(r+

2
2
)t

v
2
2
dv
Ke
rt

2
_
log(x/K)+(r

2
2
)t

v
2
2
dv,
37
Lembrando que a funcao de distribuic ao acumulada da distribuicao Normal
standard e (x) =
1

2
_
x

y
2
2
dy, temos a formula de Black e Scholes:
f(x, Tt) = x
_
_
log(x/K) + (r +

2
2
)t

t
_
_
Ke
rt

_
_
log(x/K) + (r

2
2
)t

t
_
_
7.3.2 Formula de Feynman-Kac
Outra maneira de obter a formula acima e via tecnicas probabilisticas, isto
e usando o teorema de Girsanov, sabemos que a equacao (6.6) e satisfeita,
daqui:
S
t
= S
0
e
(r

2
2
)t+W
t
logo
E
Q
(S
2
t
) = S
2
0
E
Q
_
e
2rt
2
t+2W
t
_
Onde Q e a medida martingala equivalente dada por (6.4). Agora sabendo
que S
t
satisfaz (6.3) obtemos:
dS
t
= rS
t
dt + S
t
dW
t
Daqui apliquemos a formula de Ito `a func ao e
rt
f(S
t
, T t):
e
rt
f(S
t
, T t) f(S
0
, T) =
=
_

0
e
ru
f
x
(S
u
, T u)S
u
dW
u
+ r
_

0
e
ru
f
x
(S
u
, T u)S
u
du

_

0
e
ru
f
s
(S
u
, T u)du r
_

0
e
ru
f(S
u
, T u)du
+
1
2

2
_

0
e
ru
f
xx
(S
u
, T u)S
2
u
du
Como f satisfaz (7.4) a equacao acima se reduz a:
e
rt
f(S
t
, T t) f(S
0
, T) =
_

0
e
ru
f
x
(S
u
, T u)S
u
dW
u
agora se f
x
e limitada, como S
t
tem vari ancia nita, temos que a integral
estocastica em relac ao a W
t
e limitada e tem variancia nita, daqui o lado
38
direito da ultima equacao e um martingala, ou seja a esperanca em relac ao
a Q e constante, neste caso zero, logo tomando esperanca a ambos membros
da equac ao teremos:
f(S
0
, T) = E
Q
_
e
rT
f(S
T
, 0)
_
= E
Q
_
e
rT
(S
T
K)
+
_
esta e famosa formula de Feynman-Kac. Para chegar a formula de Black
e Scholes usaremos a equac ao de S
T
e o fato de W
T
ser um movimento
Browniano sobre Q:
f(S
0
, T) = S
0
_

S
T
>K
e

2
2
T+W
T
dQK
_

S
T
>K
e
rT
dQ
logo a segunda integral se transforma em: Ke
rT
Q(S
T
> K), usando mais
uma ves a expressao de S
T
temos:
f(S
0
, T) = S
0
_

S
T
>K
e

2
2
T+W
T
dQKe
rT
Q
_
W
T
>
log(S
0
/K) + (r
1
2

2
)T

_
Agora como W
T
e uma varavel Normal com media 0 e varancia

T sobre
Q, temos que W
T
tambem o e, logo
W
T

T
e uma varavel Normal standar
sobre Q, daqui:
f(S
0
, T) = S
0
_

S
T
>K
e

2
2
T+W
T
dQKe
rT

_
log(S
0
/K) + (r
1
2

2
)T

T
_
agora use argumento similar para obter a outra distribuic ao acumulada (isto
ca como execcio):
f(S
0
, T) = S
0

_
log(S
0
/K) + (r +
1
2

2
)T

T
_
Ke
rT

_
log(S
0
/K) + (r
1
2

2
)T

T
_
7.3.3 Aproximacao Binomial
Uma outra forma de derivar a formula de Black e Scholes e a via a formula
binomial, cmo foi descrito na captulo das vari aveis aleatorias discretas, o
preco de uma call pode ser escrita como:
C(t) =
1
R
Tt
Tt

i=0
b(i, T t, p)(U
i
D
Tti
S
t
K)
+
,
39
onde
p =
R D
U D
e b(i, n, p) =
_
n
k
_
p
i
(1 p)
ni
Agota tomemos t = 0 e seja n o n umero de perodos considerados na arvore,
ent ao:
C
n
:= C(0) =
1
R
n
n

i=0
b(i, n, p)(U
i
D
ni
S
0
K)
+
,
para desenvolver mais esta formula conseidremos o seguinte n umero:
j = inf{i IN
_
U
i
D
ni
S
0
> K}
Se [[x]] denota a parte inteira de x tal que [[x]] x < [[x]] + 1, ent ao temos
que:
j =
_
_
_
_
ln
_
K
S
0
D
_
ln(
U
D
)
_
_
_
_
+ 1
Este n umero e o mnimo de subidas que devem acontecer durantes os n
perodos para que a opc ao este no dinheiro, isto e para obter lucro. Daqui:
C
n
=
1
R
n
n

i=j
b(i, n, p)(U
i
D
ni
S
0
K),
Agora lembremos que b(i, n, p) representa a probabilidade de que uma varavel
aleatoria, com distribuicao binomial de parametros n e p, tome o valor i.
Agora denotemos por:
B(j, n, p) =
n

i=j
b(i, n, p)
usando a denicao de p =
RD
UD
e a igualdade
1
pU
R
=
D DP
R
obtemos
C
n
= S
0
n

i=j
(
n
i
)
_
pU
R
_
i
_
D Dp
R
_
ni

K
R
n
B(j, n, p),
C
n
= S
0
B(j, n,
pU
R
)
K
R
n
B(j, n, p),
40
Agora como temos n perodos e a maturidade e T, os perodos terao com-
primento
T
n
, logo para conseguir uma approximac ao para o modelo continuo
faremos n . Por tanto para cada n teremos parametros U
n
, D
n
, R
n
e p
n
.
Peguemos R
n
= 1 + r
n
entao:
lim
n
(R
n
)
n
= lim
n
(1 + r
n
)
n
= e
T
onde e a taxa de retorno instantanea. Agora como S
n
(i) = S
0
U
i
n
D
ni
n
,
temos que:
ln
_
S
n
S
0
_
= I ln
_
U
n
D
n
_
+nln D
n
,
onde I e uma vari avel aleatoria com distribuic ao binomial de parametros
n e q
n
, com q
n
sendo a distribuicao dada pela natureza de acontecer uma
s ubida, daqui
1. E(I) = nq
n
2. V ar(I) = nq
n
(1 q
n
)
se denotamos por n
n
e n
2
n
a esperanca e a variancia de ln
_
S
n
S
0
_
e seja S
T
o
preco do ativo na maturidade, temos que
E
_
ln
_
S
n
S
0
__
E
_
ln
_
S
T
S
0
__
V ar
_
ln
_
S
n
S
0
__
V ar
_
ln
_
S
T
S
0
__
como o preco da opc ao e calculado num mundo neutro ao risco, isto e nao
depende da probabilidade q
n
e sim de p
n
, podemos escolher q
n
=
1
2
. Daqui
podemos escolher U
n
e D
n
de tal forma que n
n
T e n
2
n

2
T, onde
e
2
representam a media e a variancia instantanea do retorno do ativo,
isto pode ser feito tomando por exemplo:
U
n
= e

T
n
+

T
n
e D
n
= e

T
n

T
n
(7.8)
Agora analizemos o comportamento de
C
n
= S
0
B
_
j
n
, n,
p
n
U
n
(1 + r
n
)
_

K
(1 + r
n
)
n
B(j
n
, n, p
n
),
onde
41
j
n
=
_
_
_
_
ln
_
K
S
0
D
n
_
ln(
U
n
D
n
)
_
_
_
_
+ 1 e p
n
=
(1 + r
n
) D
n
U
n
D
n
Agora B(j
n
, n, p
n
) = 1P(Y
n
< j
n
) onde Y
n
e a soma de n vari aveis aleatorias
independentes de Bernoulli com parametro p
n
. Daqui
P(Y
n
< j
n
) = P
_
_
Y
n
np
n
_
np
n
(1 p
n
)
<
j
n
np
n
_
np
n
(1 p
n
)
_
_
usando a denicao de j
n
e (7.8), temos que:
j
n
=
1
2
n +
ln(
K
S
0
) T
2

T
+o(

n)
e
p
n

1
2

T
2

n
(
1
2

2
)
Daqui obtemos que:
j
n
np
n
_
np
n
(1 p
n
)

ln(
K
S
0
) (
1
2

2
)T

T
(7.9)
Agora para derivar a formula de Black e Scholes usaremos um Teorema de
Lindeberg:
Teorema 7 Para todo n sejam (X
1,n
, X
2,n
, . . . , X
n,n
) n variaveis aleatorias
independentes e identicamente distribuidas, com distribuicao P(X
i,n
= 1) =
1 P(X
i,n
= 0) = p
n
. Seja Y
n
=

n
i=1
X
i,n
. Entao:
Y
n
np
n
_
np
n
(1 p
n
)

D
N(0, 1)
onde
D
signica convergencia em distribuicao.
Agora apliquemos o teorema tomando enconta (7.9), daqui:
B(j
n
, n, p
n
)
D
1
_
_
ln(
K
S
0
) (
1
2

2
)T

T
_
_
42
Porem como 1 (x) = (x), obtemos
B(j
n
, n, p
n
)
D

_
ln(
S
0
K
) + (
1
2

2
)T

T
_
Tambem podemos obter resultados analogos para p
n
=
p
n
U
n
(1+r
n
)
, isto e:
j
n
n p
n
_
n p
n
(1 p
n
)

ln(
K
S
0
) ( +
1
2

2
)T

T
Daqui,
B(j
n
, n, p
n
)
D

_
ln(
S
0
K
) + ( +
1
2

2
)T

T
_
Por tanto se lim
n
C
n
= C, temos que:
C = S
0
(d) Ke
T
(d

T)
com
d =
ln(
S
0
K
) + ( +
1
2

2
)T

T
que e a formula de Black e Scholes, isto e quando o n umero de perodos da
arvore e muito grande nos aproximamos do valor dado pela formula de Black
e Scholes.
43
Captulo 8
Opc oes Americanas
44
Captulo 9
Opc oes Exoticas
45
Captulo 10
Exerccios Numericos
46
Bibliograa
[1] Bachelier, L. (1900), Theorie de la Speculation, annales Scientiques
de l

Ecole Normale Superieure. troisi`eme serie 17, 21-88. Translation:

The Random Character of Stock Market Prices, ed. Paul Cootner, Cam-
bridge, MA: MIT Press.
[2] Black, F adn Scholes, M. (1973), The Pricing of Options and Corporate
Liabilities, Journal of Political Economy 81, 637-654.
[3] Hull, J. (2002), Fundamentals of Futures and Options Markets. (4th
Edition).
[4] Hull, J. (2002), Options, Futures, and Other Derivatives. (5th Edition).
[5] Jacod, J. and Protter, P.(2000), Probability Essentials. Springer- Verlag.
[6] Karatzas, I. and Shreve, S.(1998), Mathematical Methods in Finance
[7] Merton, R.C. (1973), The Theory of Rational option pricing, Bell
Journal of Economics and Management Science 4, 141-183.
[8] A.N. Shirjaev (1998), Probability. Springer-Verlag.
47