Escolar Documentos
Profissional Documentos
Cultura Documentos
EPGE - FGV
Derivativos
Parte 7:
Introdução ao Cálculo Diferencial
Estocástico
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,…)
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?
2
Variâncias & Desvios Padrões
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
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...
4
Processo Estocástico de Wiener Generalizado em
Tempo Contínuo
Processo de Itô
Vamos formalizar melhor a definição: Precessos de Itô
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
dX t = µ (t , X t )dt + σ (t , X t )dz
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
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
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:
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
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
∂Ct ∂Ct ∂ 2C ∂C
dCt = + µSt + ½ 2t σ 2 St2 dt + t σSt dWt
∂t ∂St ∂S ∂St
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
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
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
Exemplos
2. G = ln S
σ2
dG = µ − dt + σ dz
2
11