Mestrado em Finanças e Economia Empresarial

EPGE - FGV

Derivativos
Parte 7:
Introdução ao Cálculo Diferencial
Estocástico

Derivativos - Alexandre Lowenkron Pág. 1

Tipos de Processos Estocásticos

Qualquer variável cuja mudança de valor ao é incerta é
dita uma variável aleatória.
Um processo estocástico é uma sequência de variáveis
aleatórias.
Tempo discreto; variáveis discretas (Árvores Multinomiais)
Tempo discreto; variáveis contínuas (VARs – equações de
diferença)
Tempo contínuo; variáveis discretas
Tempo contínuo; variáveis contínuas (Equações Diferenciais
Estocásticas)
Mais realista
Podemos usar o arcabouço de cálculo que facilita a nossa vida para
chegarmos em fórmulas fechadas
Mas como há incerteza, temos que ver o que muda nas contas…
Cálculo estocástico!

Derivativos - Alexandre Lowenkron Pág. 2

1
 Processos Markovianos
Num processo de Markov movimentos futuros numa variável depende
apenas de onde estamos agora, não de toda a história que nos troxe até
aqui…
E(Pt+1/Pt) = E(Pt+1/ Pt, Pt-1, Pt-2,…)

Se pensarmos em termos de árvores,

um processo Markoviano estaria numa árvore recombinante.
um processo não-Markoviano estaria numa árvore não-recombinante.

Vamos assumir que o processo estocástico do preço de uma ação é

Markoviano.

Em particular vamos assumir que o processo estocástico dos retornos é um

Processo de Wiener (Movimento Browniano).
Seus incrementos são normais não-correlacionados

Compatível com a hipotese de eficiência de mercado e muito próximo das

características empíricas observadas.

Derivativos - Alexandre Lowenkron Pág. 3

Processo estocástico em tempo contínuo: Exemplo

Preço de uma ação hoje é $40

Variá
Variável contí discreto Ao fim de um ano
contínua em tempo discreto:
considera-se que ela terá distribuição de probabilidade
φ(40,10) onde φ(µ,σ) é a distribuição normal com média µ e
desvio padrão σ.

Pergunta:
Qual a distribuição de probabilidade do preço da ação ao final de 2
anos?
½ ano?
¼ ano?
∆t ano?

Tirando limite, definimos uma variável contínua em tempo

contínuo.

Derivativos - Alexandre Lowenkron Pág. 4

2
 Variâncias & Desvios Padrões

Em processos de Markov mudanças em períodos

sucessivos de tempo são independentes…

Isso significa que as médias e as variâncias são

aditivas.

Mas desvios padrões não são aditivos: raiz

quadrado da soma!

Derivativos - Alexandre Lowenkron Pág. 5

Processo de Wiener (ou Brownian Motion)

Consideremos uma variável z cujo valor muda continuamente
A mudança num pequeno intervalo de tempo ∆t é ∆z
Tal variável segue um precesso de Wiener (ou Brownian Motion) se:

1. ∆ z = ε ∆t onde ε e' φ (0,1)

2. Os valores de ∆z para quaisquer 2 períodos distintos (sem

interseção) de tempo são independentes

Propriedades do Processo de Wiener

Média de [z (T ) – z (0)] é 0
Variância de [z (T ) – z (0)] é T
Desvio Padrão de [z (T ) – z (0)] é T

Derivativos - Alexandre Lowenkron Pág. 6

3
 Processo de Wiener generalizado
No processo até aqui apresentado, a média da taxa
de drift (mudança esperada por unidade de tempo)
é zero e a variância é 1.

Podemos generalizar...

O processo de Wiener Generalizado tem média não

nula e variância diferente de 1.

Derivativos - Alexandre Lowenkron Pág. 7

Generalized Wiener Processes

Variável x segue um proceso de Wiener generalizado

com drift a e a taxa de variância de b2 então:
dx=a dt+b dz

Variação esperada média em x no intervalo de tempo T: aT

Variância da variação em x no intervalo de tempo T: b 2T

Desvio padrão da variação em x no intervalo T é: b T

Derivativos - Alexandre Lowenkron Pág. 8

4
 Processo Estocástico de Wiener Generalizado em
Tempo Contínuo

Derivativos - Alexandre Lowenkron Pág. 9

Processo de Itô
Vamos formalizar melhor a definição: Precessos de Itô

Na realidade nem o drift nem a difusão precisam ser

constantes no tempo.

Versão discreta do processo generalizado:

X(tk+1)-X(tk) = µ(tk+1,tk)∆tk + σ(tk+1,tk) [z (tk+1)–z (tk)]
X(tk+1)-X(tk) = µ(tk+1,tk)∆tk + σ(tk+1,tk) ∆z (tk)

Começando em t=0 (processo é markoviano), temos:

k −1 k −1
X (t k ) = X (0) + µ (t j , X t )∆t j +
j
σ (t j , X t )∆zt
j j
j =0 j =0
Derivativos - Alexandre Lowenkron Pág. 10

5
 Processo de Itô e Integral de Itô
Para chegar em tempo contínuo:
Tomamos o limite ∆tk → 0
A última expressão se torna:
t t
X (t ) = X (0) + µ (t , X t ) ds + σ (t , X t ) dz s
s =0 s =0

Este último termo é a integral de Itô.

Itô.
Precisamos saber como manipular a a integral de Itô para apreçar derivativos.
Usualmente a notaç
notação utilizada para descrever tal processo é:

dX t = µ (t , X t )dt + σ (t , X t )dz

Derivativos - Alexandre Lowenkron Pág. 11

Por que usar um processo de Itô e não um processo de

Wiener para modelar a dinâmica do preç
preço de uma ação?
ão?
Implicitamente, se usássemos o processo de Wiener
Generalizado, estaríamos forçando que a mudança no
preço das ações permanecesse constante.

Pelo menos a variação do preço da ação deve ser

proporcional ao nível do preço daqui a um tempo.

Um exemplo do mais simples dos processos de Itô a serem

utlizados:
dS = µS dt +σS dz

Note que o drif não é constante: µSt

Nem a difusão: σSt

Derivativos - Alexandre Lowenkron Pág. 12

6
 Obervação: Simulação de Monte Carlo de um
processo de Itô
Podemos “discretizar” o processo para entender o que ele
significa. ∆S = µS∆t + σSε ∆t
Seja T = 1 ano e vamos dividir o ano em 1000 intervalos.
Suponha µ= 0.14, σ= 0.20. Com os 100 intervalos: ∆t = 0.01
Podemos obter N trajetórias para os processos sorteando
valores ε normais (0,1) e usar em ∆ S = 0 . 0014 S + 0 . 02 S ε
Simulação de Monte Carlo
4 Simulações
34

32

30

28

26
Tendência
24 Trajetória 1

Trajetória 2
22
Trajetória 3
20 Trajetória 4

18

16

14

12

10
0

9
12

15

18

21

24

27

30

33

36

39

42

45

48

51

54

57

60

63

66

69

72

75

78

81

84

87

90

93

96

99
Derivativos - Alexandre Lowenkron Pág. 13

Cálculo Diferencial Estocástico e o

Lemma de Itô
OK, então agora temos um modelo para o processo de uma
ação (ou qualquer ativo) em tempo contínuo. Bom por duas
razões:
Hipótese razoável para o processo de do preço da ações (choques que
alteram o preço, como notícias sobre a firma e sobre a economia são
contínuos e imprevisíveis). Respeira a hipótese dos mercados eficientes.
Nos permite utilizar o instrumental de Cálculo Diferencial
Mas as ferramentas de Cálculo tem que ser adaptadas para
tratar a parte estocástica da equação..
Em particular, sabendo a lei de movimento de S(t), como
podemos achar a lei de movimento de um derivativo C(S(t), t )
que dependa do ativo S(t)?
Usando os resultados do Lema de Itô.

Derivativos - Alexandre Lowenkron Pág. 14

7
 Expansão de Taylor
Podemos usar a expansão de Taylor e para chegar a lei de
movimento de C(S(t), t)

∂C ∂C ∂ 2C
∆C = ∆S + ∆t + ½ ∆S 2

∂S ∂t ∂S 2
∂ 2C ∂ 2C
+ ∆S ∆t + ½ ∆t2 +
∂S∂t ∂t 2

Em cálculo usual, para pequenas variações todos os termos de

ordem superior (dt2, dS2, dtdS, dt3, dS3, etc..) poderiam ser ignorados.

No entanto agora em dS, há termos estocásticos dW que não podem

ser desconsiderados…

Derivativos - Alexandre Lowenkron Pág. 15

Isometria de Itô
Em cálculo diferencial estocástico, não podemos ignorar
aleatórios de ordem 2.
os termos aleató
Intuição:
dt – tem “mordem de grandeza” dt
dW(t) – tem “ordem de grandeza” dW(t)
dW(t)2 – tem “ordem de grandeza”da variância de dW(t)! Ou seja,
tem ordem de grandeza dt.
Portanto a regra que vamos usar será:

dt 2 = dt.dWt = dWt .dt = 0

dWt 2 = dt

Derivativos - Alexandre Lowenkron Pág. 16

8
 Lema de Itô
Usando o fato que só podemos ignorar termos cruzados e
de ordem superior a 2, a expansão de Taylor fica:
∂Ct ∂C ∂ 2C 2
dCt = dSt + t dt +½ 2t dSt
∂St ∂t ∂S
Substituindo para a expressão de S(t) como um processo de
Itô. dSt = µ (t , St ) dt + σ (t , S t )dz
Substituindo na fórmula anterior,
∂Ct
(µ(t, S)dt+σ(t, S)dWt ) + ∂Ct dt+½∂ C2t (µ(t, S)dt+σ(t, S)dWt )2
2
dCt =
∂St ∂t ∂S
mas, pela isometria de Ito,
(µ(t, S)dt+σ(t, S)dWt )2 =σ2(t, S)dt

Derivativos - Alexandre Lowenkron Pág. 17

Lema de Itô
Chegamos assim na formula final do Lema de Itô:

∂Ct ∂Ct ∂ 2C ∂C
dCt = + µ(t, S) + ½ 2t σ 2 (t, S) dt + t σ (t, S)dWt
∂t ∂St ∂S ∂St

Em particular, para o movimento geométrico Browniano,

dS.t = µS t dt + σSt dz o Lema de Itô fica:

∂Ct ∂Ct ∂ 2C ∂C
dCt = + µSt + ½ 2t σ 2 St2 dt + t σSt dWt
∂t ∂St ∂S ∂St

Derivativos - Alexandre Lowenkron Pág. 18

9
 Lema de Itô multidimensional
Se tivermos um processo que dependa de mais de um
fator estocástico, dz(1), dz(2), etc.
Se supusermos ainda que a correlação entre dz(i) e dz(j) é
ρ(i,j) a isometria de Itô será ajustada para
dt 2 = dt.dWt (i ) = dWt (i ).dt = 0 ∀i
dW (i )t2 = dt ∀i
dW (i )dW ( j ) = ρ i , j dt ∀i, j

E então usamos esta regra na expansão de Taylor

multivariada: ∂C ∂C ∂C
dCt = dt + dS (1) + dS (2) + ...
∂t ∂S (1) ∂S (2)
∂ 2C ∂ 2C
+½ dS (1) 2 + ½ dS (2) 2 + ...
∂S (1) 2
∂S (2) 2
∂ 2C
+ dS (1) dS (2) + ...
∂S (1)∂S (2)
Derivativos - Alexandre Lowenkron Pág. 19

Exemplos
Primeiro vamos resolver para o preço do ativo supondo a
formulação geométrica para a dinâmica do ativo mas
supondo que não há o termo estocástico:
T T
dS(t) = µS(t)dt ou seja, dS ( s ) = µS ( s )ds
s =0 s =0

S (t ) = S (0)e µT

A forma geral da solução de um processo geométrico será

exponencial como esta. Agora vamos usar os resultados do
lema de Itô para provar o contrário. Que se o preço de um
ativo segue uma distribuiç log-normal tal que
distribuição log-
S(t) = S(0)e αT+ σW(T) onde W(T) é normal (0,T)

Derivativos - Alexandre Lowenkron Pág. 20

10
 Exemplos
Vamos definir X(t) = αT+σW(T)
S (t ) = S (0)e X (t )
sabemos :
dX (t ) = αdt + σdWt
Queremos saber dS(t) = f(X(t)). Lema de Itô!!
∂f ∂f ∂2 f
dS (t ) = dt + dX t + 1 / 2 2 (dX t ) 2
∂t ∂X ∂X
dS (t ) = 0 + S (0)e X (t ) (αdt + σdWt ) + 1 / 2 S (0)e X ( t )σ 2 dt
mas, S (0)e X ( t ) = S (t )
1
dS (t ) = α + σ 2 S (t )dt + σS (t )dWt
2

Ou seja, se temos dS(t) = µS(t)dt+ σS(t)dW(t), o resultado será:

S(T) = S(0)eX(T)
Onde X(T) é normal N[ (µ-1/2 σ2)T , σ2T ]
Dizemos que S(T) é lognormal.
Derivativos - Alexandre Lowenkron Pág. 21

Exemplos

1. O preço de um futuro de ação

vence ndo em T
G = S e r (T − t )
dG = ( µ − r )G dt + σ G dz

2. G = ln S
σ2
dG = µ − dt + σ dz
2

Derivativos - Alexandre Lowenkron Pág. 22

11