Escolar Documentos
Profissional Documentos
Cultura Documentos
.
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
)
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
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
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
(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