IND 2072: Anlise de Investimentos com

Opes Reais
Parte 5: Simulao de Monte Carlo e
Uso em Derivativos/Opes Reais.
Marco Antonio Guimares Dias,
Professor Adjunto, tempo parcial
Rio de Janeiro, 1o Semestre de 2006 .

Simulao de Monte Carlo: Introduo

X Simulao de Monte Carlo (MC) um mtodo crescentemente
popular para valorar derivativos complexos, inclusive OR.
O O mtodo de MC resolve o problema pela simulao direta do processo
fsico, de forma que no preciso escrever a equao diferencial da OR.
No precisamos do Lema de It, mas podemos ver os seus efeitos.
O uma ferramenta flexvel para manusear vrios detalhes especficos de
problemas da vida real, incluindo vrias restries (condies de
fronteira e outras) e payoffs complexos, e vrias fontes de incertezas.
Veremos simulaes de processos estocsticos p/ as incertezas de mercado.
O Em resumo, um antdoto para a maldio da dimensionalidade
(curse of dimensionality) e da maldio da modelagem (curse of
modeling ) que dificulta a soluo de problemas reais complexos.
O Tenho usado em vrios casos reais na Petrobras.
X A idia e o nome MC so atribudos a S. Ulam e N. Metropolis,
respectivamente, no Projeto Manhattan nos laboratrios de
Los Alamos durante o tempo da segunda grande guerra.
O O 1o paper, The Monte Carlo Method, por Metropolis & Ulam, foi
publicado em 1949 no Journal of the American Statistical Association.

1
Como Funciona a Simulao de Monte Carlo
X O mtodo de Monte Carlo (MC) ilustrado abaixo, sendo
que a previamente temos de ter as distribuies de entradas
(inputs) e as equaes que as ligam ao resultado (output):

output de
uma iterao
Aps muitas (N)
iteraes:

Passos da Simulao de Monte Carlo

X O mtodo de Monte Carlo (MC) consiste basicamente de:
(a) Especifique as distribuies das variveis de entrada
(incluindo seqncias temporais de distribuies, i.,
processos estocsticos) e suas correlaes/dependncias;
(b) Amostre as distribuies de dados de entradas (inputs);
(c) Faa operaes matemticas com as amostras dos
inputs (+, , *, ^, /, exp[.], etc.) para calcular o resultado
(output) gerado por essas amostras;
(d) Repita os passos anteriores N vezes, gerando N
outputs; e
(e) Calcule a mdia e outras propriedades probabilsticas
da resultante distribuio de outputs.
X Esses passos foram mostrados na figura anterior.

2
Incerteza em Funes Cncavas e Convexas
X Vimos que o efeito da incerteza em funes depende se a
funo linear, cncava ou convexa. Esse efeito pode ser
visto com o lema de It ou com a desigualdade de Jensen.
O Desigualdade de Jensen: se x varivel aleatria (v.a.) e
f(x) uma funo (estritamente) convexa de x, ento:
E[f(x)] > f(E[x])
Logo, se o valor esperado de x permanece o mesmo, mas
sua varincia aumenta, ento E[f(x)] aumenta.
Se g(X) funo (estritamente) cncava de x, e x for v.a.,
basta inverter a desigualdade: E[g(x)] < g(E[x])
Se h(x) funo linear da v.a. x, ento: E[h(x)] = h(E[x])
X A simulao de MC permite visualizar esse efeito e
verificar que a desigualdade de Jensen maior (diferena
entre E[f(x)] e f(E[x])) quanto maior for a incerteza.
O Isso permite ver que um aumento da volatilidade (e
logo da varincia) aumenta o valor da opo.

Efeito da Incerteza no Valor da Opo

X Como a opo real F geralmente uma funo
convexa do ativo bsico V, um aumento na incerteza
(volatilidade), aumenta o valor da opo.
O Ex.: no caso de opo de compra perptua, a funo F(V)
uma funo potncia convexa F = A V1, com positivo
O A funo F(V, t = T) = mx{V(T) I, 0} convexa em V.
O A funo mximo de uma funo com v.a. geralmente
convexa, explicando o valor da espera (DP, p.98).
Lembrar da parte 3: E[mx{V(t) I, 0}] mx{E[V(t)] I, 0}
O Mx{exerccio imediato, e r t E[espera])} ou, em geral, a funo
m(x) = mx{f(x), g(x)} convexa em x se f(x) e g(x) forem funes
lineares ou convexas em x.

3
 Efeito da Incerteza e o Lema de It
X No caso de funes contnuas 2 vezes diferenciveis (C2):
F(x) cncava se 2F/x2 = Fxx < 0
F(x) linear se 2F/x2 = Fxx = 0
F(x) convexa se 2F/x2 = Fxx > 0

X A desigualdade de Jensen tornada precisa atravs

do lema de It (termo derivada segunda). Ex.: MGB:
O dx = x dt + x dz. Seja = 0 dx = x dz E[dx] = 0
O Mas para uma funo F(x) qualquer, E[dF(x)] 0. Note
que dF dada pelo lema de It, que resulta em (DP, p.80):
dF = [0,5 2 x2 2F/x2] dt + [ x F/x] dz
O Logo, E[dF] > 0 se 2F/x2 > 0, i. , se F(x) for convexa; e
O E[dF] < 0 se 2F/x2 < 0, i. , se F(x) for cncava em x.
O O Lema de It quantifica o efeito (= [0,5 2 x2 2F/x2] dt),
que maior quanto maior for a incerteza (medida por ).

Simulao de Monte Carlo e Opes

X O mtodo de Monte Carlo faz simulao (forward) e no
otimizao (backward). Mas se tivermos a regra tima de
exerccio, o mtodo de MC mais fcil e mais flexvel.
O At pouco tempo atrs s era usado o mtodo de MC em opes
do tipo europia, pois tem regra clara de exerccio timo em T.
Mas se tivermos a curva de gatilho antes, podemos valorar a OR
do tipo americana, por ex., combinando vrias incertezas.
O Recentemente (de 1993 para c) comearam a surgir mtodos de
otimizao viveis para serem acoplados simulao de MC, de
forma a poder usar com opes do tipo americana.
Ex.: vimos o mtodo evolucionrio (simples, mas comput. intensivo).
O Embora alguns dos mtodos para opes americanas ainda sejam
+ complexos, eles comeam a ser usados em opes reais.
Um mtodo que vem se tornando popular o de Longstaff &
Schwartz (mnimos quadrados). Mas existem mais de 10 mtodos.
O Para opes europias (exceto as path dependent), podemos simular
V apenas na expirao. Nas outras, devemos simular todo o caminho

4
Valorao da Call Europia por Simulao
X Se o ativo bsico V o valor do projeto operando e I o preo de exerccio
(investimento), a equao visual para a opo real tipo Europia :

Opo Real Europia por Simulao

X Podemos ver esse problema da call europia como
sendo o da avaliao de uma integral por simulao.
O Seja uma opo europia de compra C que expira em T
avaliada no instante t, quando o valor do ativo bsico Vt.
O Sejam: EtQ[.] a expectativa neutra ao risco do payoff condicional
a informao em t; p(VT, T | Vt , t) a densidade de probabilidade
neutra ao risco de VT; preo de exerccio I; e taxa livre de risco
r. O valor da opo a avaliao da integral atualizada:

X Ou seja: se simula a distribuio neutra ao risco de V (lognormal

com a mdia neutra ao risco), se aplica a regra de deciso em T
e atualiza usando a taxa r. Faz isso para cada amostra NR de V.

5
 Simulao de Processos Estocsticos
X A depender da aplicao, podemos simular tanto o processo
estocstico real, como o processo estocstico neutro ao risco.
O Simulao Real: aplicaes em value-at-risk, simulaes para
hedge, estimativa de probabilidades de exerccio de opo,
tempo esperado para o exerccio, etc. J falamos sobre isso.
O Simulao Neutra ao risco: valorao de opes e derivativos.
O Lembrar: drift neutro ao risco = drift real prmio de risco.
Vimos que o drift neutro ao risco = = r
X Foi visto que para o MGB, temos as seguintes equaes
para os casos real e neutro ao risco, respectivamente:
dP
= dt + dz (processo real)
P
dP
= (r ) dt + dz (processo neutro ao risco)
P

Simulao Real x Neutra ao Risco

X Tpicas amostras de caminho (sample-paths) p/ MGBs real e neutro-
ao-risco (com os mesmos choques estocsticos): a diferena dt.

X Enquanto a simulao neutra-ao-risco usada para valorar

derivativos, a simulao real til p/ propsito de planejamento
(ex., se a espera tima, qual a probabilidade de exercer a opo?)
e para anlise de risco (ex., VaR, value-at-risk) e hedging.

6
Discretizao de Processos Estocsticos
X Para fazer a simulao preciso a equao de discretizao
do processo estocstico, i. , P(t) = funo de P(t - 1).
X A discretizao mais simples a de Euler de 1a ordem,
onde dP vira P, dt vira t, etc. Ex.: MGB neutro ao risco:
P = Pt - P0 = (r ) P0 t + P0 z ; com z = N(0, 1) t
O Amostra-se a normal N(0, 1) e, dado P0, obtm-se Pt.
O O esquema de Euler tem erro de discretizao de ordem t.
Existem discretizaes melhores (ex.: Milstein).
X Mas aqui (MGB) e para alguns processos estocsticos (mas
no todos) podemos usar uma discretizao exata, i. , uma
discretizao tal que a preciso numrica independe do
tamanho do passo-tempo (independe do t).
O Isso particularmente til para opes reais, que trabalham geralmente
com tempos de expirao longos. Podemos simular muitos anos frente.
O Para opes europias podemos simular apenas na expirao (t = T).

Equaes para Simular Processos Estocsticos

X Uma lista de processos estocsticos que admitem discretizaes
exatas est no livro de Kloeden & Platen (Numerical Solution
of Stochastic Differential Equations, 1992, tpico 4.4).
O Uma delas o Mov. Aritmtico Browniano (MAB). Mas usando o
lema de It podemos transformar um MGB em MAB atravs de
uma transformao logartmica, p = lnP, que resulta no MAB.
Aps isso, podemos aplicar Euler que para o MAB exato:
p = (r 0,5 2 ) t + N(0, 1) t
X Algebrando, obtemos as equaes de discretizao exata para
simular tanto o MGB real como o MGB neutro ao risco:
Real
Neutro
ao Risco
X Bastar amostrar N(0, 1) e obter os Pt correspondentes (lognormal)
X Processos estocsticos com discretizao exata incluem reverso
mdia. Ver: www.puc-rio.br/marco.ind/sim_stoc_proc.html

7
Exemplo: Simulao de Opo Europia
X Iremos calcular o valor da opo europia por simulao e
comparar com o resultado analtico de Black-Scholes-Merton.
O Para tal pode-se simular N caminhos do processo estocstico de V
O Mas como s interessa a distribuio de probabilidades na
expirao, muito melhor simular apenas na expirao.
X Resolve-se o problema com a QMC_Black_Scholes.xls
planilha que tem um simulador de MC embutido (logo,
s precisa do Excel para simular).
O Planilha tem cdigo VBA aberto (ver menu do Excel:
ferramentas/macro/Editor do Visual Basic)
O Planilha usa tanto o Monte Carlo tradicional como o mais
preciso Quase-Monte Carlo (usa nmeros quase-aleatrios),
que ser visto em breve.
O Veremos que necessrio usar um algoritmo para transforma um
nmero aleatrio de distribuio uniforme em distribuio N(0, 1).
O cdigo VBA da Inverso de Moro tambm apresentada.

Simulao em Funes Convexas

X Nas equaes de simulao de processos estocsticos
freqentemente aparecem funes convexas do tipo:
O P(t) = P(t 1) exp{ + N(0, 1) }
O Isso foi visto, por ex., na equao da simulao de MGBs.
X Como a funo exponencial convexa, o valor esperado
esttico (valor mostrado na planilha antes da simulao)
menor do que o valor esperado dinmico (valor esperado da
distribuio obtida aps a simulao). Ver a simulao.
X Alguns lembretes/dicas so teis para simulao de MGBs:
O Se X = exp(Y) e Y ~ N(m; v), sendo m = mdia e v = varincia,
ento X ~ LogN(exp[m + 0,5 v]; exp[2 m + v].{exp[v] - 1}).
O Lembrar da parte 3: p = ln(P) P = exp(p) e pelo lema de It:
dp = ( 2) dt + dz dP/P = dt + dz. Sabemos que
P ~ Lognormal, dp ~ Normal e dP/P ~ Normal. Apesar das
varincias de dp e dP/P serem iguais (2 dt), as mdias dessas
normais diferem por 2 dt = a metade da varincia de dp.

8
Exemplo: Desenvolvimento de Campo de Petrleo
X Suponha que o desenvolvimento de um campo de
petrleo tem dois anos para ser decidido, mas devido a
falta de recursos a deciso ser tomada s na expirao:
Na expirao, o valor da opo F(T) = mx{VPL, 0}
X Assim convenientemente temos uma opo europia e
podemos usar a simulao de Monte Carlo facilmente
X Assuma o modelo: VPL = V D = (q P B) D ; e os dados:
Tempo de expirao dos direitos dado pela ANP: T = 2 anos
Reserva estimada: B = 120 milhes de barris
Qualidade Econmica da Reserva q = 20%
Custo de desenvolvimento D = 480 MM$
Preo corrente do petrleo P0 = 20 $/bbl
Volatilidade dos preos do petrleo = 30% aa.
Taxa de juros livre de risco r = 10% a.a.
Taxa de dividendos (convenience yield de P) = 10% a.a.
Taxa ajustada ao risco = 15% aa. Logo drift = = 5% aa

Exemplo: Opo Real Europia

X O valor presente do ativo bsico V.P.[VT] o mesmo nas
duas simulaes, desde que se use a taxa de desconto:
O Taxa de desconto ajustada ao risco na simulao real
O Taxa de desconto livre de risco r na simulao neutra ao risco
X O mesmo no ocorre para a opo, pois no sabemos a
taxa da opo ( ajustado ao risco de V e no da opo).
O Lembrar do caso em tempo discreto (ex. do seguro, tpico 1)
X Iremos fazer tanto a simulao neutra ao risco como
a simulao real e iremos comparar o valor da opo
obtido com o resultado da frmula do Black-Scholes
O No modelo B&S&M o mercado completo, logo a simulao
neutra ao risco dever dar o mesmo resultado de B&S&M.
Estamos assumindo MGB (pois B&S&M).
Podemos usar um software comercial, por ex. o @Risk, ou
o simulador de quase-Monte Carlo do meu website.

9
 Simulao da Opo Real Europia
X Podemos simular todo o path (usando pequenos t)
ou, diretamente s em t = T, pois a discretizao
exata nesse caso.
O Mostraremos que do aproximadamente os mesmos valores
X O valor terico por Black & Scholes da opo :
O F = 66,02084 MM$
X Com 50.000 iteraes no @Risk foi obtido (neutro ao risco):
O Simulando todo o path: F = 66,50 MM$ (erro BS = - 0,7%)
O Simulando s em T: F = 66,01 MM$ (erro BS = 0,01%)

X Valor presente do ativo bsico V em T:

Simulao neutra ao risco: 480,25 * exp(-0,1*2) = 393,20 MM$
Simulao real: 530,7589 * exp(-0,15*2) = 393,20 MM$ (igual!!)

Simulao Real e Opes

X J para o valor da opo, a simulao real no vale. O
valor de opes obtido pela simulao real e descontando
com a taxa ajustada ao risco do ativo bsico foi de:
O Simulao s em T: F = 83,29 MM$
O Simulao em todo o path: F = 83,71 MM$
O Logo no bate com o resultado terico (= 66,02)
X Concluso: para o ativo bsico pode usar um dos dois
mtodos (simulao real + taxa ajustada ao risco ou
simulao neutra ao risco + taxa livre de risco),
OMas para a opo deve-se usar simulao NR + r, pois no
se sabe a priori qual a taxa ajustada ao risco da opo.
X Pode-se achar a taxa de desconto ajustada ao risco da opo:
O Nesse exemplo, usando uma taxa de 26,6 % para atualizar
a opo (em vez da taxa do ativo bsico de 15%), obtm-se
aproximadamente o valor terico de B&S.

10
Preciso da Simulao de Monte Carlo
X Fazendo uma simulao do mesmo problema mas
com 1.000.000 de iteraes no @Risk, foi obtido:
O F = 66,01711 (erro BS = 0,0057 %)
O Fazendo 20 vezes mais iteraes, o erro caiu apenas cerca
da metade (reduo de erro por um fator 2).
O O erro terico da simulao de Monte Carlo da ordem
de n 0,5, ou seja, para reduzir 10 vezes o erro temos de
multiplicar o nmero de iteraes n por 100 (!)
O Existem mtodos que podem reduzir esse erro:
Tcnicas de reduo de varincia (ex.: Latin Hypercubic)
Uso de nmeros quase-randmicos (Quase-Monte Carlo)
Em vez de usar nmeros aleatrios ou pseudo-randmicos se
usa seqencias determinsticas de baixa discrepncia (Sobol,
Faure, Halton). Vamos olhar as animaes do website na
PUC para entender esse mtodo.

Simulao de MC e Processo de Amostragem

X A qualidade numrica da simulao depende do processo de
amostragem. A figura (Normal padro acumul.) mostra que, em
geral, precisaremos s da distribuio uniforme no intervalo [0, 1].
O Algoritmo transforma a amostra U[0, 1] em amostra de outra distribuio.

Espao equiprovvel
U[0, 1]
Amostre um
no de U[0, 1] Algoritmo transforma
U[0, 1] em N(0, 1) (ou outro)

Ns obtemos uma amostra

de N(0, 1) para um input

11
 Gerando U[0, 1]: Pseudo x Quase-Aleatrio
X Vimos que a qualidade numrica da simulao depende do
processo de amostragem de U[0, 1]. O mtodo tradicional para
gerar U[0, 1] o pseudo-aleatrio, ex., a funo Excel Aleatrio().
X Um mtodo melhor para gerar U[0, 1] o dos nmeros quase-
aleatrios (seqncias de baixa discrepncias). o Quase-MC.
O As figuras comparam os 2 mtodos p/ a dist. uniforme bi-dimensional.
Note que o caso quase-aleatrio apresenta pontos mais igualmente
dispersos (menos clusters de pontos que no caso pseudo-aleatrio).
Pseudo-Aleatrio Quase-Aleatrio

Simulao de Quase-Monte Carlo

X Discusso, algoritmos e comparao das propriedades da
seqncia de quase-Monte Carlo so mostradas no website
em: http://www.puc-rio.br/marco.ind/quasi_mc.html
O Para uma distribuio Uniforme [0, 1], cujas propriedades
tericas so mostradas para benchmarking, vemos a
superioridade da seqncia de baixa discrepncia de van der
Corput na base 2 em relao a 2 seqencias pseudo-random

12
 Simulao de Quase-Monte Carlo
X Seqncia de van der Corput na base 2 (16 primeiros nmeros)
vai preenchendo de forma mais uniforme o intervalo [0, 1):

X Cuidado com o Excel! O gerador de nos aleatrios dele ruim e

pior ainda a funo Normal inversa, NORMSINV()
O Melhor usar o algoritmo da inverso de Moro (cdigo VBA fornecido).
Com o Excel XP, o erro
mais grosseiro foi corrigido.
Excel (antes do XP) apresenta
erro grosseiro nas
caudas da distribuio

Simulao de Reverso Mdia

X Uma discusso detalhada, assim como as equaes
de simulao esto em:
X http://www.puc-rio.br/marco.ind/sim_stoc_proc.html
O L obtemos equaes de simulao tanto real como neutra
ao risco de duas variantes (prximas, Dias e Schwartz) do
processo de reverso mdia mais conhecido (OU).
No caso da neutra ao risco (variante Dias) temos a seguinte
equao, onde entra a taxa ajustada ao risco do ativo bsico :

O A equao para a simulao real muito parecida: basta

suprimir o termo em vermelho na eq. acima. Esse termo um
prmio de risco normalizado que penaliza ln( P).

13
 Simulao do Modelo de Marlim
X Vimos na parte 2 o Modelo de Marlim: um processo
estocstico de reverso mdia combinado com saltos
(Poisson). Veremos agora uma planilha e sample-paths.
O A planilha simulation-reversion-jumps-marlim-real_x_rn.xls
permite uma simulao ilustrativa com saltos p/ cima ou p/
baixo de ocorrncia aleatria, mas de tamanhos fixos.

Opes Reais Europias por Simulao

X Existem muitos problemas prticos da vida real que podemos
aplicar a valorao de opes reais europias por simulao de
MC, principalmente seqncias de opes reais europias (ex.,
opes de compra sobre uma cesta de ativos).
O Esse o melhor caminho para valorar projetos com flexibilidade de
inputs e/ou de outputs, pois a cada data especfica de deciso (ex.:
todo ms) a firma tem de decidir o melhor mix de inputs e outputs
para o prximo perodo operacional (para maximizar o payoff, ex.,
para o prximo ms).
O Veremos alguns casos reais. A idia simular, tanto para inputs
como para outputs, os processos estocsticos neutros ao risco, os
quais no necessariamente so MGBs (ex., pode ser reverso).
O Alm disso, a funo payoff de exerccio da opo pode ser muito
complexa, com vrios detalhes da vida real (ex., um input no
disponvel no primeiro ano ou em certos meses do ano; uma certa
quantidade mnima de um input tem de ser usada por contrato, etc.)
O Simulao de MC dentro de uma planilha muito flexvel para
manusear mltiplos/complexos proc. estocsticos e funes payoff.

14
Planta Flex-Fuel com e sem Opo de Shut-Down
X Uma firma est pensando em investir numa planta que
consome energia. Existem trs alternativas de tecnologia:
O Planta usando s leo combustvel; planta usando s carvo; e
planta flex-fuel, i. , com (sem custo) flexibilidade (leo ou carvo).
O Molho: planta flex-fuel com opo de shut-down (sem custo).
X Quais so os valores da planta em cada caso considerando que
o leo e o carvo seguem processos correlacionados de reverso?
O A resposta d uma idia do mximo valor que uma firma estaria
disposta a pagar pela (mais cara) tecnologia flex-fuel.
O Correlao positiva diminui o valor da opo, mas necessrio uma
(improvvel) correlao muito alta p/ o valor da opo ser desprezvel.
X Qual o efeito da opo de shut-down sem custo?
O Essa opo pode ser muito importante. Existem implicaes contratuais
X A simulao de MC responde facilmente essas questes.
O Essa uma seqncia de opes europias (escolhe o mximo payoff em
cada data de deciso operacional). O prximo slide mostra um exemplo

Planta Flex-Fuel, Correlao e Valor da Flexibilidade

X O grfico mostra um exemplo numrico de reverso mdia
para ambos os inputs (leo e carvo), p/ diferentes correlaes.
O Os valores foram obtidos por MC na planilha planta_flex-fuel.xls.
O Valores de planta com s um input (sem opes) so ~ os mesmos.
Valor da planta mostrado sem o investimento.

15
 Caso Real de Opo Real: Biodiesel
X Nesse caso real, MC foi o mtodo numrico utilizado.
X O projeto biodiesel usa oleaginosas (mamona, soja, algodo,
pinho-manso, licuri, etc.) para fabricar biodiesel.
O O estudo das trs primeiras unidades foi concludo em 2005.
X O preo das oleaginosas e de seus leos (brutos) oscilam no
mercado internacional (commodities), com variada liquidez.
X Uma importante caracterstica das plantas de biodiesel que
elas so multi-oleaginosas, i. , existe flexibilidade de input.
O Logo, natural que a anlise dessas plantas inclua o valor das opes
reais de usar as oleaginosas mais adequadas ao longo da sua vida til
X Alm disso, a planta de biodiesel precisa usar um reagente
que pode ser tanto o etanol como o metanol, que tambm
oscilam no mercado. Logo, temos mais OR de input!
X Assim, no foi toa que foi solicitada e feita a avaliao por
opes reais nesse estudo de viabilidade.

Projeto Biodiesel
X Uma planta de biodiesel tem duas unidades principais:
O A unidade de esmagamento da oleaginosa, gerando leo bruto e
resduo (torta). O leo bruto a principal receita dessa planta; e
O A unidade de transesterificao, que usa o leo bruto gerado no
esmagamento (custo), alm do reagente, e gera biodiesel e resduos.
Plantao Gros
Metanol
ou
Etanol
Esmagamento
leo bruto
Transesterificao

BIODIESEL

leo bruto Glicerina

Torta p/ mercado

16
 Projeto Biodiesel: Flexibilidade de Inputs
X O projeto foi formatado de forma que a Petrobras dona
dos dois negcios (esmagamento e transesterificao),
garantindo a qualidade do leo bruto (input do biodiesel) e
capturando a flexibilidade de escolha das oleaginosas.
X Aps um perodo inicial em que a Petrobras ir garantir a
compra da safra de determinadas culturas, a Petrobras tem
uma opo de escolher livremente qual a oleaginosa usar, a
cada perodo (safra). Essa flexibilidade de input modelada:
O Como uma seqncia de opes europias de uso da(s) oleaginosa(s)
e reagentes (etanol ou metanol) que maximize o lucro a cada perodo
O Escolhe as combinaes oleaginosas + reagentes de maior valor em t
O Assim, fazemos simulaes de Monte Carlo dos processos estocsticos
dos preos de cada um dos gros, de cada um dos leos brutos, de
cada uma das tortas, do etanol e metanol e do biodiesel (= diesel) e a
cada perodo escolhe a combinao (opo) que maximiza o lucro.
O Simulamos diversos tipos de processos estocsticos (movimento
geomtrico Browniano e Marlim = reverso mdia + saltos).

Formato do Projeto Biodiesel

X Na anlise, foi visto que a planta de esmagamento em geral
mais lucrativa do que a unidade de transesterificao.
X A formatao do negcio sugerido que a Petrobras entre
tambm no negcio leo bruto para o mercado com um excesso
de capacidade de esmagamento (investimento ~pequeno).
X Com isso temos dois negcios complementares que fazem um
hedge (seguro) natural:
n O negcio biodiesel, onde o leo bruto entra como custo do biodiesel
(e assim, um leo barato beneficia esse negcio); e
o O negcio leo para o mercado, onde o leo bruto entra como receita
( se um leo estiver caro, ele vai p/ o mercado e no p/ biodiesel).
X Esse formato faz com que sejam aproveitados leos vegetais
tanto num negcio como no outro. bom para todo mundo:
O Para a Petrobras que captura o valor das opes reais (flexibilidades); e
O Para os agricultores, que tero demanda do seu leo pela Petrobras, seja
para fazer biodiesel, seja para vender no mercado de leo vegetal.
O Esse formato at reduz a volatilidade no mercado de leo vegetal bruto.

17
MC para Estimar Volatilidade Agregada
X No caso de opes americanas com diversas fontes de
incertezas, um mtodo prtico agregar as variveis em
uma varivel V e calcular a volatilidade de V por MC.
O Com V (e V), pode-se usar um software tradicional com uma
(V) ou duas (V e I) fontes de incerteza e resolve OR facilmente.
Planilha Timing pode ser usada para resolver mltiplas incertezas.
X Eu tenho usado essa abordagem desde incio de 1999,
baseado na equao visual de opes reais.
X O livro do Copeland & Antikarov (2001) defende um
mtodo similar (mas no igual) e d suas bases tericas.
O Esse mtodo conhecido por MAD (marketed asset disclaimer)
e usa um teorema de Samuelson para justificar o uso de MGB.
O C&A: em muitos casos quase impossvel obter o valor de
mercado do valor do projeto operando (ativo bsico V).
Volatilidade de V em geral maior que a do preo P do produto.

Equao Visual para Opes Reais

X O VME dum prospecto exploratrio negativo, mas existem 5 anos para a deciso
de perfurar o pioneiro e cenrios de variveis tcnicas e de mercado sero revelados.

+
Valorao do Prospecto
(em milhes $)
Valor Tradicional = 5

= Valor de Opo (T) = + 12,5

Valor de Opo (@ t=0) = + 7,6

18
 Copeland & Antikarov: MAD
X MAD (marketed asset disclaimer): usa o valor presente
do valor do projeto (V), sem flexibilidade, como ativo
bsico da opo real.
O Hiptese MAD diz que essa a melhor estimativa no-
tendenciosa do valor do ativo bsico V.
X Vantagem prtica: usa a planilha tradicional do fluxo de
caixa descontado (FCD) para calcular V.
O Assim, no faz premissas mais fortes do que as usadas pelas
empresas que tradicionalmente usam o FCD nas suas decises.
O Assim, dado um conjunto de variveis tais como preo(s) de
produto Pi, custos operacionais fixos COFj e custos
operacionais variveis COVk, conhecidos hoje, a planilha de
FCD calcula o VPL. Tendo o investimento I, V = VPL + I.
Esse a melhor estimativa de mercado para V(t = 0).
O Se o projeto for postergado, os preos Pi e custos COFj e COVk
iro oscilar no mercado e o VPL (assim como V) iro mudar.

C&A: Teorema de Samuelson e MGB

X A segunda premissa de Copeland & Antikarov nessa
abordagem prtica assumir que V segue um MGB,
baseada num teorema de Samuelson (Proof that
Properly Antecipated Prices Fluctuate Randomly, 1965):
O Mesmo que componentes de V (preos, custos, demanda)
sigam processos estocsticos distintos (reverso mdia,
saltos, etc.) em termos agregado V segue ~ um MGB.
O A idia fazer simulao dos processos estocsticos desses
componentes (que podem ser correlacionados) em t = 1 e
calcular a distribuio de valor presente de V na data t = 1.
Essa distribuio de V aproximadamente lognormal e a
simulao de MC d a mdia e a varincia dessa distribuio;
Com a frmula de valor esperado do MGB tira-se o drift de V.
Se a simulao for real temos , se neutra ao risco, r ; e
Com a frmula da varincia do MGB e o drift, estimamos a
volatilidade V. Com isso, temos todos os parmetros do MGB.

19
 MAD versus MAD Modificado
X A maneira que C&A implementam a hiptese MAD e o
teorema de Samuelson meio confusa e inconsistente.
O C&A simulam todos os anos de fluxo de caixa. MAD-Dias s
simula parmetros de mercado do fluxo de caixa em t = 1 e usa
curvas de valor esperado para calcular o valor presente de V:
A partir do conhecido P(t = 0), simula
os preos em t = 1.
Em cada cenrio de P(t = 1), frmula
d a curva de valor esperado de P
desde t = 1 at t = final da operao.
Calcula V(P) = valor presente dos FCs
usando a curva de valor esperado de P
O C&A calcula a distribuio normal do retorno logaritmo e sem
postergar o primeiro fluxo de caixa (por que?). MAD-Dias
simula a distribuio log-normal de V, o que mais simples.
Como pode ocorrer cenrios com valor negativo de V, a maneira
de C&A d problemas computacionais (logarit. de no negativo).

MAD versus MAD Modificado

X A maneira que C&A implementam d inconsistncias.
O Vimos que se V = k P e P segue um MGB, ento V tambm
segue um MGB com a mesma volatilidade de P. A maneira de
C&A d inconsistncia nesse caso (volatilidade maior que P).
Usuriosdo mtodo MAD tem reportado volatilidades V
demasiadamente altas. Erro tendencioso para cima.
O C&A sugere simular tambm a quantidade Q p/ calcular V.
Isso inconsistente: se Q for volume de jazida, ento Q tem
incerteza tcnica e no contribui p/ V (ver tpico 6). Se Q for
quantidade demandada, ento funo do preo (j simulado).
X Outra diferena que C&A usam a volatilidade de V
estimada no mtodo binomial. Aqui usamos como input
da planilha Timing (usa EDP) com resposta instantnea.
O Luiz Brando em 2005 (aps debate com Jim Smith e troca de
e-mails comigo e G. Dumrauf) defende um mtodo similar ao
MAD-modificado (simula s em t = 1), mas ele simula retorno
logaritmo (em vez de V) e usa binomial (em vez do Timing.xls).

20
 MAD-Mod.: Simulao Real ou N.R.?
X Qual a simulao das variveis estocsticas devemos
fazer para estimar V, a real ou a neutra ao risco?
O A princpio qualquer uma d estimativa de V, embora sejam
um pouco diferentes. Se usar a sim. real, obtemos o drift real
e se usar a sim. neutra ao risco obtemos o drift n.r. r .
Na sim. real usamos as frmulas E[V(t)] = V(0) exp( t) (obtm
) e Var[V(t)] = V(0)2 exp[2 t] (exp[2 t] 1) (obtm ); e
Na sim. neutra ao risco: E[V(t)] = V(0) exp[(r ) t] (obtm ) e
Var[V(t)] = V(0)2 exp[2 (r ) t] (exp[2 t] 1) (obtm ).
Prefiro a sim. real, pois ela gera menos valores negativos para V
(e, logo, melhor ajuste da log-normal). Mas veremos as duas.
X Veremos um exemplo simples com uma (P) e duas fontes
de incertezas de mercado (P e custo operacional C).
O Usaremos a equao do modelo rigid cash flow (RCF), ver:
http://www.puc-rio.br/marco.ind/payoff_model.html
O V = k P C (onde C custo operacional). No RCF, k = q B.

MAD-Modificado: Exemplo Simples

X Na equao V = k P C, iremos simular P e C em t = 1 e
gerar a distribuio de V como nosso output.
X O exemplo usa a planilha @Risk-MAD_modif_RCF.xls
X Veremos 3 casos distintos:
1) P e C estocsticos, seguindo MGBs com correlao zero;
2) Apenas P estocstico seguindo MGB; e
3) P e C estocsticos, mas com correlao perfeita = + 1.
X Resumo dos valores obtidos (100.000 iteraes), sendo
usados P = 25% (todos os casos) e C = 25% (casos 1 e 3):

O Exerccios: (1) se no caso 3, fosse = 1, quanto seria V?;

(2) Mostre a consistncia do mtodo MAD-modificado com o
modelo V = k P, i. , se P segue um MGB ento V = P.

21
 MAD-Modificado: Exemplo Simples
X As figuras mostram as
distribuies real (alto) e
neutra ao risco (abaixo) de
V p/ o caso 2 do exemplo.
X Note que elas tem a cara
de log-normal, apesar de ter
alguns cenrios com valores
negativos.
O Esse problema ligeiramente
menor no caso da simulao
real (pois a mdia maior).

MAD-Modificado: Exemplo Simples

X Esse mtodo uma aproximao. No caso 2 do exemplo
podemos calcular o valor terico e comparar o erro.
O O valor terico usa a aproximao analtica de Bjerksund-
Stensland adaptada (software timing-rcf_model-vba-hqr.xls).

O Note que o erro no valor da opo foi pequeno e no valor do

gatilho foi desprezvel.
O Como adaptar a aproximao analtica de Bjerksund-Stensland:
Chama k P de V. Sabemos que V segue o mesmo MGB de P
(mesma , etc.). Logo a EDP de F(V, t) igual a EDP de F(P, t).
Chama C + I de I. Logo nas condies de contorno aparecero
casos conhecidos: em t = T, F(V, T) = Mx[V - I, 0] = F(P, T) =
mx[k P - C - I, 0]; F(V*, t) = V* - I = F(P*, t) = k P* - C - I, etc.
O Logo, F(V, t); F(P, t); F(V, t) usa o mesmo software se V = k P.

22
 Outro Exemplo: Planta com FCD
X A planilha @risk-mad-m_planta_rev.xls apresenta um
outro exemplo, dessa vez para uma planta que fabrica
um produto que tem preo P e que consome combustvel
de custo C por unidade de produto.
O Considere que P(t) e C(t) seguem movimentos de reverso
mdia que podem ser correlacionados.
X Considere que a funo lucro anual :
X Lucro(t) = [{Preo(t) - Custo Energia(t)} * Quantidade -
Outros Custos Operacionais] (1 - alquota de impostos)
X O valor do projeto operando o valor presente dos
lucros atualizados com a taxa ajustada ao risco .
X Numa simulao, com P = C = 25% e P,C = 0, o valor
obtido para a volatilidade do projeto dessa vez foi menor
que as volatilidades individuais: V = 23%.

MATERIAL
ANEXO
Os anexos nos materiais do curso contm slides
que reforam os conceitos tericos e apresentam
exemplos adicionais que no sero discutidos em
sala de aula, mas que podem ser teis para um
melhor entendimento de conceitos apresentados.

23
 Processo de Reverso Mdia
X Considere o processo aritmtico de reverso mdia

X Cuja soluo dada pela equao com a integral estocstica:

X Onde a velocidade de reverso. A varivel x(t) tem

distribuio normal com mdia e varincia dada a seguir:

X Para o processo dos preos do petrleo P, o mesmo ter

distribuio lognormal com mdia = exp{E[x(T)]}

Simulao Neutra ao Risco da Reverso

X Para o preo do petrleo seguir a lognormal com a mdia
desejada, temos de subtrair a metade da varincia (que
uma funo determinstica do tempo):
P(t) = exp{ x(t) (0,5 * Var[x(t)])}

X Iremos fazer tambm , onde o preo de equilbrio de

longo prazo.
X O processo neutro ao risco para a varivel x(t), considerando a
discretizao correta AR(1) de x(t), que vale mesmo p/ t grande:

X Amostrando a normal padro N(0, 1), obtemos os paths para x(t).

X Usando a equao anterior que relaciona P(t) com x(t),
obtemos os paths neutro ao risco para os preos do petrleo
seguindo o processo de reverso mostrado.
X Esse processo de reverso parecido mas no igual ao
chamado modelo 1 de Schwartz (Journal of Finance, 1997)

24
 Reverso Mdia com Jumps
X Parecido com o caso da reverso pura. Relao entre
P(t) e x(t) a mesma, mas a equao da varincia :

X Lembrando que

XA equao de simulao (http://www.puc-rio.br/marco.ind/sim_stoc_proc.html ):

X Onde o termo jumps dado por:

Em que J(t) ~ Poisson( . t)

i a distribuio do jump-size

Funes Cncavas e Convexas

X Uma funo convexa no seu domnio (D) se toda
corda (reta) ligando dois pontos fica acima da funo
X Uma funo cncava no seu domnio (D) se toda
corda (reta) ligando 2 pontos fica abaixo da funo
X Matematicamente, a funo f: D R convexa se e
somente se para todos os pontos x e y D e (0, 1)
f (x) + (1 ) f (y) f [ x + (1 ) y]
O Analogamente, a funo f cncava se e somente se:
f (x) + (1 ) f (y) f [ x + (1 ) y]

25
 Caso Real: Gasoduto Bolvia-Brasil
X Nos anos de 2000 e 2001 houve uma disputa entre a
TBG (Transportadora Bolvia-Brasil; Petrobras o
acionista controlador) e as empresas BG e Enersil.
X A disputa, arbitrada pela ANP, tinha duas questes:
O Livre acesso ao gasoduto, apesar da Petrobras ter
contratado 100% da capacidade com contrato take-or-pay.
O Caso a BG e a Enersil obtivessem livre acesso, qual a tarifa a
ser paga? Eles queriam a mesma tarifa, mas sem take-or-pay.
No pode haver dois take-or-pay sobre a mesma capacidade.
O acesso seria interruptvel (caso a Petrobras conseguisse novos
contratos num volume suficiente para ocupar toda a capacidade),
com aviso prvio. Mas os entrantes tm mais flexibilidade.
X Fizemos uma anlise de opes reais para o caso da tarifa:
O Os entrantes teriam mais flexibilidade, pois em caso de demanda baixa
eles no pagariam take-or-pay, s pagariam quando usassem o duto.
O Essa maior flexibilidade deve ser valorada e cobrada na tarifa.

Tarifa Flexvel no GAS-BOL

X A modelagem para calcular o preo justo da tarifa
dos entrantes, considerando a sua maior flexibilidade
quando comparado ao caso take-or-pay, compreendeu:
O Simulao da demanda de gs na rea de interesse. Usado
um movimento geomtrico Browniano. Simulao mensal.
O Determinao do nvel de excesso de demanda que poderia
ser capturada parcialmente pelos entrantes.
O Modelagem de contratos-padro que poderiam ser fechados
pelos entrantes (de 100.000 m3/d, de renovao anual).
Foi colocado um teto de no de contratos para os entrantes.
Em caso de queda de demanda, um ou mais contratos no seriam
renovados, mas os entrantes no seriam penalizados (no take-or-pay).
Horizonte de anlise de cerca de trs anos.
O O critrio de tarifa justa foi o de ter o mesmo lucro (em
valor presente) para os casos de take-or-pay (tarifa mais baixa)
e de tarifa no-take-or-pay, interruptvel (tarifa mais cara).

26
 Tarifa Flexvel no GAS-BOL
X A anlise de OR mostrou que a tarifa de equilbrio para
os entrantes deveria ser cerca de 20% mais cara (prmio
da flexibilidade) que a tarifa take-or-pay.
X Fizemos uma apresentao para a ANP em 11/01/2001
para mostrar os motivos do nosso pleito de 20% prmio
O Houve uma tima receptividade, j que o modelo da planilha
era bem transparente e as premissas do estudo eram realistas.
X A deciso da ANP saiu alguns dias depois e foi:
O ANP deu livre acesso aos entrantes (derrota da Petrobras);
O ANP reconheceu que os entrantes teriam maior flexibilidade
que a Petrobras/take-or-pay. Vitria da Petrobras:
No entanto, eles deram um prmio de 11% (menor do
que pleiteamos).
O Ver o Parecer Tcnico ANP de 26/01/01: Caso BG vs. TBG
Referente ao Conflito Relacionado ao Servio de Transporte No
Firme em www.anp.gov.br/doc/gas/release_BG_TBG.pdf

27