FACULDADE DE ECONOMIA E FINANÇAS IBMEC

PROGRAMA DE PÓS-GRADUAÇÃO E PESQUISA EM

ADMINISTRAÇÃO E ECONOMIA

DISSERTAÇÃO DE MESTRADO
PROFISSIONAL EM ECONOMIA

“AVALIAÇÃO DE PROCESSOS
ESTOCÁSTICOS APLICADOS A OPÇÕES
FINANCEIRAS”

THIAGO SÁVIO DE ANDRADE DUMORTOUT

CASTRO

ORIENTADOR: PROF. DR. CARLOS DE LAMARE BASTIAN PINTO

Rio de Janeiro, 13 de outubro de 2014.

i
“AVALIAÇÃO DE PROCESSOS ESTOCÁSTICOS APLICADOS A OPÇÕES
FINANCEIRAS”

THIAGO SÁVIO DE ANDRADE DUMORTOUT CASTRO

Dissertação apresentada ao curso de

Mestrado Profissional em Economia como
requisito parcial para obtenção do Grau de
Mestre em Economia.
Área de Concentração: Finanças

ORIENTADOR: CARLOS DE LAMARE BASTIAN PINTO

Rio de Janeiro, 13 de outubro de 2014.

ii
 “AVALIAÇÃO DE PROCESSOS ESTOCÁSTICOS APLICADOS A OPÇÕES
FINANCEIRAS”

THIAGO SÁVIO DE ANDRADE DUMORTOUT CASTRO

Dissertação apresentada ao curso de

Mestrado Profissional em Economia como
requisito parcial para obtenção do Grau de
Mestre em Economia.

Avaliação:

BANCA EXAMINADORA:

_____________________________________________________

Professor CARLOS DE LAMARE BASTIAN PINTO (Orientador)

Instituição: Ibmec-RJ

_____________________________________________________

Professor LUIZ DE MAGALHÃES OZÓRIO

Instituição: Ibmec-RJ

_____________________________________________________

Professora MARTA CORRÊA DALBEM

Instituição: Unigranrio

_____________________________________________________

Rio de Janeiro, 13 de outubro de 2014.

iii
1) Thiago Sávio de Andrade Dumortout Castro;

2) Avaliação de processos estocásticos aplicados a opções financeiras;

3) 2014;

4) Finanças;

5) Opção; Processo Estocástico; Reversão a Média; Movimento Geométrico Browniano;

6) Este trabalho visa demonstrar o valor justo de uma opção financeira com 1 ano de prazo para maturação europeia
exótica do estilo best of com 3 ativos objetos no lançamento: Ouro, Petróleo e Câmbio (USD x BRL). Para melhor
avaliar o comportamento de cada ativo objeto e definir o processo estocástico que mais se adequa a cada ativo objeto,
analisamos a estacionariedade das series históricas e efetuamos algumas medidas de aderência. Foi utilizada a
decomposição de Cholesky para que pudesse captar as interações entre variáveis e correlacionar o componente
aleatório que está presente no processo estocástico.

7) Mestrado Profissional em Economia.

iv
DEDICATÓRIA

A meus pais, pelo amor, incentivo e apoio incondicional.

v
 AGRADECIMENTOS

A meus pais pelo apoio e confiança incondicional.

Ao meu orientador, Carlos Lamare Bastian Pinto, pela paciência na orientação e incentivo que

tornaram possível a conclusão deste trabalho.

À minha namorada, Rafaela Lima, por toda compreensão de minha ausência no período do

mestrado.

Aos professores do Ibmec, Luiz de Magalhães Ozório e José Valentim Machado Vicente,

pelas ótimas aulas ministradas no curso e pelas contribuições que fizeram no trabalho.

À meus amigos Anderson de Alencar Araripe e Rodrigo Bauce por toda compreensão no

trabalho e incentivo a fazer o mestrado.

vi
 RESUMO

Este trabalho visa demonstrar o valor justo de uma opção financeira com 1 ano de prazo para

maturação europeia exótica do estilo best of com 3 ativos objetos no lançamento: Ouro,

Petróleo e Câmbio (USD x BRL). Para melhor avaliar o comportamento de cada ativo objeto

e definir o processo estocástico que mais se adéqua a cada ativo objeto, analisamos a

estacionariedade das séries históricas e efetuamos algumas medidas de aderência. Foi

utilizada a decomposição de Cholesky para que pudesse captar as interações entre variáveis e

correlacionar o componente aleatório que está presente no processo estocástico.

Palavras Chave: Opção; Processo Estocástico; Reversão à Média; Movimento Geométrico

Browniano.

vii
 ABSTRACT

This work aims to demonstrate the fair value of a financial option with 1 year term to maturity

of exotic European style best of 3 underlying assets at launch: Gold, Oil and Parity USD x

BRL. To better evaluate the performance of each underlying asset and define the stochastic

process that best suits, it was analyzed the stationarity of the historical series and made some

fitting measurements. Cholesky decomposition was used so it could capture the interactions

between variables and correlating the random component that is present in the stochastic

process.

Key Words: Option; Stochastic process; Mean Reversion; Geometric Brownian Motion.

viii
 LISTA DE FIGURAS

Figura 1 – Gráfico dos Payoffs de Opções Plain Vanilla ......................................................... 17

Figura 2 – Árvore binomial de 1 período ................................................................................. 24
Figura 3 - Payoff de uma opção de 1 período via Árvore Binomial ........................................ 25
Figura 4 - Exemplo de Árvores Binomiais para Call e Put ...................................................... 28
Figura 5 - Gráfico do Delta de uma Opção Européia ............................................................... 30
Figura 6 - Gráfico do Gama de uma Opção Européia .............................................................. 32
Figura 7 - Gráfico do Teta de uma Opção Européia................................................................. 33
Figura 8 - Gráfico do Rho de uma Opção Européia ................................................................. 34
Figura 9 - Gráfico do Vega de uma Opção Européia ............................................................... 35
Figura 10 - Tela de Preços da Bloomberg para Opção de Petrobras ....................................... 37
Figura 11 - Payoff Opção da Petrobras via Árvore Binomial .................................................. 38
Figura 12 - Gráfico do Valor da Call no Vencimento via SMC ............................................... 39
Figura 13 - Gráfico da Variância Crescente com o tempo ....................................................... 52
Figura 14 - Histograma dos Sorteios Aleatórios Normalmente Distribuídos........................... 88
Figura 15 - Gráfico de Preços de Fechamento do Ouro ........................................................... 89
Figura 16 - Gráfico de Preços de Fechamento do Petróleo ...................................................... 90
Figura 17 - Gráfico de Preços de Fechamento do Dólar .......................................................... 90

ix
 LISTA DE TABELAS

Tabela 1 – Variáveis que afetam o preço de uma opção européia ........................................... 21 
Tabela 2 - Parâmetros adotados para cálculo da Opção da Petrobras ...................................... 37 
Tabela 3 - Resultado de Opção de Compra via modelo de B&S ............................................. 37 
Tabela 4 – Matriz de Correlação Histórica entre os Ativos Objetos ........................................ 88 
Tabela 5 – Matriz de Cholesky ................................................................................................. 89 
Tabela 6 - Resultado de Estatísticas Descritivas - MGB .......................................................... 91 
Tabela 7 – Resultado de Estatísticas Descritivas - MRMG ..................................................... 91 
Tabela 8 –Parâmetros Estimados .............................................................................................. 91 
Tabela 9 – Resultados Obtidos pelos dois modelos ................................................................. 91 
Tabela 10 – Teste de Raíz Unitária XAU (Ouro) ..................................................................... 93 
Tabela 11 – Teste de Raíz Unitária USDBRL.......................................................................... 94 

x
 LISTA DE ABREVIATURAS

CBLC Câmara Brasileira de Liquidação e Custódia

MGB Movimento Geométrico Browniano

B&S Modelo de Precificação de Opções desenvolvido por Black & Scholes

Call Opção de Compra

Put Opção de Venda

OTC Over the Counter (Ativos negociados em balcão)

BM&F Bovespa Bolsa de Mercadorias e Futuros Bovespa

NDF Non Deliverable Forward

CETIP Central de Custódia e de Liquidação Financeira de Títulos

LTN Letra do tesouro Nacional

DI Depósito Interfinanceiro

CDC Crédito Direto ao Consumidor

MRM Movimento de Reversão a Média

IPCA Índice Geral de Preços ao Consumidor

IGPM Índice Geral de Preços de Mercado

ITM In the Money

OTM Out of the Money

ATM At the Money

xi
Strike Preço de Exercício

MRA Modelo de Reversão à Média Aritmético

CRR Cox, Ross e Rubinstein

SMC Simulação de Monte Carlo

MAB Movimento Aritmético Browniano

RWH Random Walk Hypothesis

RV Razão de Variância

MRMG Modelo de Reversão à Média Geométrico

xii
 SUMÁRIO

1 INTRODUÇÃO .......................................................................................................1

2 DERIVATIVOS .......................................................................................................3
2.1 TIPOS DE RISCOS ASSOCIADOS A DERIVATIVOS ...................................................................... 4

2.2 TIPOS DE DERIVATIVOS ...................................................................................................................... 6

2.2.1 Operações no Mercado a Termo ............................................................................................................. 6
2.2.2 Tipos de Contratos a Termo .................................................................................................................... 9
2.2.3 Operações em Mercado Futuro ............................................................................................................... 9
2.2.4 Operações de Swap ............................................................................................................................... 13

3 OPÇÕES ..............................................................................................................16
3.1 OPÇÕES DE AÇÕES .............................................................................................................................. 21

3.2 MODELOS DE PRECIFICAÇÃO ........................................................................................................ 22

3.2.1 Portfólio Replicante............................................................................................................................... 22
3.2.2 Árvores Binomiais................................................................................................................................. 23
3.2.3 Modelo de Black & Scholes.................................................................................................................. 28
3.2.4 Simulação de Monte Carlo .................................................................................................................... 36

4 PROCESSOS ESTOCÁSTICOS .........................................................................40

4.1 PROCESSOS DE MARKOV ................................................................................................................. 42

4.2 PROCESSO DE ITO ............................................................................................................................... 44

4.3 PROCESSO DE WIENER ...................................................................................................................... 45

4.4 MOVIMENTO BROWNIANO PADRÃO............................................................................................ 47

4.5 MOVIMENTO ARITMÉTICO BROWNIANO .................................................................................. 49

4.6 MOVIMENTO GEOMÉTRICO BROWNIANO (MGB)................................................................... 50

4.7 MODELO DE REVERSÃO A MÉDIA................................................................................................. 54

4.7.1 Movimento de Reversão a Média Aritmética de Orstein-Uhlenbeck .................................................. 56
4.7.2 Modelo Geométrico de Reversão a Média ........................................................................................... 63

xiii
5 SISTEMAS LINEARES .......................................................................................70
5.1 MÉTODO DE ELIMINAÇÃO DE GAUSS.......................................................................................... 71

5.2 DECOMPOSIÇÃO DE LU ..................................................................................................................... 74

5.3 DECOMPOSIÇÃO (FATORAÇÃO) DE CHOLESKY...................................................................... 76

6 AVALIAÇÃO DOS PROCESSOS ESTOCÁSTICOS .........................................79

6.1 TESTE DE RAÍZ UNITÁRIA ................................................................................................................ 79

6.2 TESTE DE RAÍZ DE VARIÂNCIA ...................................................................................................... 81

6.3 MEDIDAS DE ADERÊNCIA ................................................................................................................. 82

6.3.1 Pseudo R2............................................................................................................................................... 82
6.3.2 Erro Quadrático Médio ......................................................................................................................... 84
6.3.3 Erro Percentual Absoluto Ponderado .................................................................................................... 85

7 ESTUDO DE CASO .............................................................................................87

8 CONCLUSÃO ......................................................................................................96

REFERÊNCIAS BIBLIOGRÁFICAS ..........................................................................98

ANEXO A - TABELA DE CONTRATOS FUTUROS NEGOCIADOS NA BM&F

BOVESPA .................................................................................................................100

ANEXO B - RESUMO DE CONTRATO FUTURO DE DI NEGOCIADO NA BM&F

BOVESPA .................................................................................................................102

ANEXO C - TABELAS DE VARIÁVEIS ADMITIDAS NAS NEGOCIAÇÕES DE

SWAP NA BM&F BOVESPA ...................................................................................103

ANEXO D - TABELAS DE VENCIMENTOS DAS OPÇÕES DE AÇÕES

NEGOCIADAS NA BM&F BOVESPA......................................................................104

ANEXO E - DEDUÇÃO DA FÓRMULA DE BLACK & SCHOLES PELO PRÊMIO

JUSTO.......................................................................................................................105

ANEXO F - DEDUÇÃO DA FÓRMULA DE BLACK & SCHOLES PELA

CONVERGÊNCIA DO MODELO CRR .....................................................................108

xiv
1 INTRODUÇÃO

A negociação de derivativos que viabilizam um payoff diferenciado das estruturas tradicionais

tem sido frequente pelo mercado. Além disso, ativos que proporcionem custos mais atrativos,

rentabilidades que podem estar atrelada a mais de um ativo objeto e características que estão

relacionadas à gestão de riscos dos investidores, como flexibilidade do vencimento da

operação e tamanho do contrato, são outros fatores que auxiliam sua disseminação. A esses

ativos intitulamos de derivativos de balcão ou Over-the-Counter por seu registro não ser em

bolsas de valores e seu risco estar associado à contraparte da operação.

Dentre os quatro grandes grupos de derivativos as opções são aquelas que possuem maior

variedade quanto à estrutura de custo e rentabilidade, sendo essas já bastante negociadas

principalmente no mercado offshore. As desvantagens associadas a um investimento mais

moldado ao perfil do investidor giram em torno da complexidade de seu apreçamento, não

consensualidade na modelagem e dificuldades na obtenção de inputs, como a volatilidade. Em

geral, soluções analíticas como a fórmula de Black & Scholes (1973) não podem ser aplicadas

no apreçamento de tais ativos, visto as características da operação. Sendo assim, soluções

alternativas como árvores binomiais, trinomiais e a Simulação de Monte Carlo (SMC) se

tornam algumas das alternativas mais utilizadas.

1
No mercado brasileiro são chamadas de exóticas aquelas opções que o payoff não sejam igual

a uma plain vanilla. Em geral, os fundos de investimentos brasileiros que negociam opções

exóticas preferem as opções com barreira simples do tipo knock in e knock out, ao passo que

no mercado offshore além das opções citadas anteriormente pode-se verificar opções

asiáticas, binárias, worst of, best of, compound, opções a termo entre outras.

Esse trabalho visa efetuar o apreçamento no data do lançamento de uma opção exótica do tipo

best of composta por três ativos com base na SMC. Porém, antes disso foi avaliado o

comportamento histórico individual além da implementação de testes estatísticos para auxiliar

na determinação do processo estocástico que melhor descreve cada ativo, Movimento de

Reversão à Média Geométrico ou Movimento Geométrico Browniano. Por fim, foi utilizada a

técnica matricial Fatoração de Cholesky como forma de correlacionar os retornos históricos

dos ativos a parte estocástica dos modelos propostos.

2
2 DERIVATIVOS

Derivativos são instrumentos financeiros cujo preço de mercado deriva do preço de um

ativo/bem ou outro instrumento financeiro que lhe serve de referência. É um contrato no qual

se estabelecem pagamentos futuros, cujo montante é calculado com base no valor assumido

por uma ou mais variáveis como, por exemplo: taxa de juros, preço de título ou valor

mobiliário, preço de mercadoria, taxa de câmbio, índice de bolsa de valores, índice de preços,

índice ou classificação de crédito ou qualquer outra variável similar específica cujo

investimento inicial seja inexistente ou pequeno em relação ao valor do contrato, e que sejam

liquidados em data futura.

A principal função dos derivativos é de se proteger (Hedge) do risco de oscilações de câmbio,

taxas de juros, índices, entre outros, transferindo os riscos aos quais um agente econômico não

pode ou não deve se expor. Outras finalidades que são atribuídas ao uso dos derivativos são

de alavancagem, especulação e arbitragem.

Hedge (Proteção): O objetivo de um hedger é proteger-se das oscilações de preços. A

principal preocupação não é obter lucro em derivativos, mas garantir o preço de compra ou

venda de determinada mercadoria em data futura. Equivale a ter uma posição em mercado

derivativo oposta à posição assumida no mercado à vista, para minimizar o risco de perda

financeira decorrente da alteração de preços.

3
Alavancagem: Dado que o aporte inicial de recursos para poder negociar esse tipo de

instrumento exige menos capital do que a compra de ativos à vista, o investidor poderá

adicionar posições de derivativos a seus investimentos para tentar obter uma maior

rentabilidade tendo um custo mais reduzido.

Especulação: O especulador é um participante do mercado cujo propósito é a obtenção de

lucro. Sua atuação consiste na compra e venda de contratos futuros apenas para ganhar o

diferencial entre o preço de compra e o preço de venda, sem ter interesse no ativo objeto. O

objetivo do especulador é identificar e operar as tendências de preços no mercado.

Arbitragem: O objetivo do arbitrador é tirar proveito da diferença de preços de um mesmo

produto/ativo que é negociado em mercados distintos. O arbitrador tem como meta o lucro,

mas não assume nenhum risco. Sua atividade consiste em buscar distorções de preços entre

mercados e tirar proveito dessa diferença ou expectativa futura dessa diferença.

Os derivativos podem ser negociados tanto em bolsas de valores como também em mercado

de balcão (Over-the-Counter).

2.1 TIPOS DE RISCOS ASSOCIADOS A DERIVATIVOS

O investidor que aplica seus recursos em instrumentos derivativos, basicamente estará

exposto ao que é chamado de risco de mercado. Risco de mercado é o risco associado a

perdas econômicas no valor de ativos e passivos devido a alterações nas condições de

mercado. Os eventos de mercado podem impor desvalorizações ou valorizações nos preços de

ativos e passivos basicamente a partir de três componentes fundamentais: flutuações nos

preços de mercado, volatilidade dos fatores de risco e correlação entre os mesmos. O efeito de

flutuações de preços está intrinsecamente relacionado às metodologias utilizadas para

4
apuração do valor justo ou “valor de mercado” dos diferentes tipos de ativos e passivos.

Abaixo listamos os principais riscos de mercado, a que uma empresa possa estar exposta,

fazendo-a procurar hedge via derivativos.

i. Risco de Câmbio: Consiste na possibilidade de perdas decorrentes de oscilações nas taxas

de câmbio. Ex.: Possuir títulos, no exterior, de empresas ou governos estrangeiros. Captar

recursos no exterior, havendo custo indexado a variação cambial. Possuir ativos vinculados à

variação cambial.

ii. Risco de Taxa de Juros: Consiste no risco de perdas em função de oscilações observadas

nas taxas de juros. Ex.: Estar comprado (long) em títulos pré-fixados. Existência de

descasamento de prazos entre ativos e passivos.

iii. Risco de Preços de Ações: Consiste no risco de perdas devido às oscilações no valor de

mercado de carteiras de ações. Ex.: Variação nos preços das ações da Petrobras, Vale, Itaú,

Bradesco, etc.

iv. Risco de Commodities: Consiste no risco de perdas devido a alterações no valor de

mercado das commodities. Ex.: Variação nos preços de carteiras constituídas por ouro, prata,

soja, petróleo, etc.

No âmbito dos derivativos, o risco de crédito associado refere-se à possibilidade da

contraparte não cumprir com suas obrigações, enquanto o risco operacional diz respeito a

falhas nos sistemas de operações da BM&F Bovespa. Para que esses riscos sejam

minimizados, a BM&F Bovespa utiliza alguns mecanismos de segurança como: exigência de

depósito de margens iniciais de garantia, estabelece limites de oscilações diária das cotações

5
para que não acumulem perdas muito grandes em um único pregão e cobra ajustes diários dos

investidores cujas posições no mercado futuro tenham sofrido perdas em um dado pregão.

Para tentar mitigar mais ainda o risco de crédito, caso a perda de um investidor inadimplente

não possa ser coberta com as garantias por ele depositadas, a BM&F Bovespa recorrerá as

garantias que os membros de compensação devem prestar para serem autorizados a atuar

como tais e, em caso destas não serem suficientes, ela recorre ao patrimônio de fundos de

garantia instituídos pela BM&F Bovespa para esse fim.

2.2 TIPOS DE DERIVATIVOS

Existem quatro grupos principais de derivativos: Operações a Termo, Contratos Futuros,

Swaps e Opções. Este último será descrito em um capítulo a parte, por ser o instrumento mais

complexo e por ser o objeto fundamental de nosso estudo.

2.2.1 Operações no Mercado a Termo

Operação a termo é aquela onde o investidor assume o compromisso de comprar ou vender

certa quantidade de um bem (mercadoria ou ativo financeiro) por um preço fixado, na data de

realização do negócio, para liquidações futuras. Em geral, as operações a termo são mantidas

até a data de entrega física do ativo ou a liquidação financeira, impedindo assim o repasse do

compromisso a outro participante.

Os contratos a termo não são padronizados, o que permite uma maior maleabilidade na

negociação entre as partes. Em geral os contratos a termo ocorrem em mercado de balcão,

sem que haja a necessidade de depósito de margem ou garantia entre as partes para que sirva

6
de colchão caso ocorra algum default de uma das partes, o que faz com que a operação seja

mais arriscada do que, por exemplo, um contrato futuro.

Toda operação a termo que é registrada na BM&F Bovespa requer que seja depositada uma

garantia na Companhia Brasileira de Liquidação e Custódia (CBLC), que é a empresa

responsável pela liquidação e controle de risco de todas as operações realizadas na BM&F

Bovespa. As garantias a serem apresentadas podem ser feitas de duas formas: Cobertura ou

Margem (Como Investir no Mercado a Termo – Bovespa).

i. Cobertura: Um vendedor a termo que possua os títulos-objeto pode depositá-los na CBLC,

como garantia de sua obrigação. Esse depósito é chamado de cobertura, dispensando o

vendedor de prestar outras garantias adicionais;

ii. Margem: O valor da margem inicial requerida é igual ao diferencial entre o preço à vista e

o preço a termo do papel acrescido do montante que represente a diferença entre o preço à

vista e o menor preço à vista possível no pregão seguinte, estimado com a volatilidade

histórica do título. Existe a possibilidade de ser solicitada uma margem adicional, isso ocorre

quando ocorre a redução no valor de garantia do contrato, decorrente da oscilação na cotação

dos títulos depositados como margem e/ou dos títulos-objeto da negociação, será necessário o

reforço a garantia inicial, que poderá ser efetuado mediante depósito de dinheiro ou demais

ativos autorizados pela CBLC.

As principais vantagens para o investidor que decide fazer um termo de compra são: proteger

o preço de compra de uma eventual elevação, diversificar risco e obter recursos e alavancar

ganhos.

7
i. Proteger preço: Dado que o investidor espere uma alta no preço do ativo objeto no futuro,

ele pode comprar a termo, fixando o preço de compra em uma data futura beneficiando-se

assim da alta do ativo;

ii. Diversificar riscos: Um investidor que deseja adquirir algumas ações que acredite que

estejam com preços deprimidos, porém, não quer concentrar todos os seus recursos em apenas

um ou dois papéis para não assumir riscos elevados. Ele adquire, por exemplo, quatro ações a

termo, desembolsando apenas a margem de garantia. Essa diversificação envolve riscos

menores do que a compra à vista de um papel, já que a eventual perda com uma ação poderá

ser compensada por ganhos com as outras três;

iii. Obter recursos – Operação Caixa: Para os investidores que possuem carteiras de ações que

necessitam de recursos para uma aplicação rápida e não querem se desfazer de nenhuma ação,

podem vender à vista as suas ações e fazer uma compra a termo dos mesmos ativos. Dessa

forma, o investidor conseguirá obter caixa no momento inicial e ao mesmo tempo manterá sua

participação na empresa.

As principais vantagens para um investidor que deseje fazer um termo de venda são:

financiamento e aumento de receita.

i. Financiamento: O investidor compra ações no mercado à vista e as vende a termo, no prazo

que deseja financiar, com o objetivo de ganhar a diferença entre os preços à vista e a termo;

ii. Aumento de receita: Tomada a decisão de vender uma ação sem haver a necessidade de uso

imediato do dinheiro, o investidor poderá optar por vender a termo os papéis, maximizando

assim o seu ganho, pois receberá juros de um período além do preço à vista da ação;

8
2.2.2 Tipos de Contratos a Termo

Existem dois tipos de contratos a termo: contrato a termo com entrega física e contrato a

termo sem entrega física.

i. Contrato a termo com entrega física: São aqueles que no vencimento do contrato o

comprador entrega o dinheiro acordado no início da operação e recebe o ativo-objeto. O

exemplo mais comum para ilustrar esse tipo de operações é o termo de ações;

ii. Contrato a termo sem entrega física: Popularmente conhecido no mercado por Non

Deliverable Forward (NDF), essa modalidade de contrato a termo permite que no vencimento

da operação tanto o comprador quanto o vendedor de termo possam receber dinheiro no

vencimento da operação. É estipulado no início do contrato um valor base da operação e o

valor a ser recebido pelo comprador do termo será a diferença entre o preço no vencimento da

operação e o preço inicialmente acordado multiplicado pelo valor base (se o preço no

vencimento for maior que o preço inicial). Caso o preço no vencimento seja inferior ao inicial,

o vendedor receberá a diferença entre o preço inicial e o preço no vencimento multiplicado

pelo valor base;

2.2.3 Operações em Mercado Futuro

O contrato futuro é um acordo para comprar ou vender um ativo em determinada data no

futuro a preço previamente estabelecido. Diferentemente do contrato a termo, existem

diversas bolsa de valores que negociam esses contratos. As duas maiores bolsas dos Estados

Unidos que negociam contratos futuros são a Chicago Board of Trade e a Chicago Mercantile

Exchange. Na Europa, a London International Financial Futures and Options Exchange e a

9
Eurex são as bolsas de valores com maior destaque que negociam contratos futuros. No Brasil

a bolsa que negocia contratos futuros é a Bolsa de Valores Mercadorias e Futuros Bovespa.

Na grande maioria dos casos onde se operam mercados futuros ocorre que não há entrega

física na data de vencimento, isso acontece devido à maior parte dos investidores preferir

encerrar suas posições antes do período de entrega especificado no contrato. (HULL, 2005, p.

19) Para encerrar uma posição em contrato futuro, basta realizar a operação inversa à

operação inicial.

Os contratos futuros são padronizados, dessa forma, existe uma especificação para cada tipo

de contrato como: data de entrega, o tipo de ativo, qualidade do ativo, tamanho do contrato,

local de entrega do ativo, etc. Para a qualidade do ativo e os locais de entrega, são

especificadas algumas alternativas e, como regra geral, quem assumiu o compromisso de

vender o ativo escolhe entre as alternativas apresentadas pela Bolsa.

Quando o ativo atrelado ao futuro é uma commodity é importante que a bolsa estipule o(s)

tipo(s) da commodity que são aceitáveis para entrega. A New York Cotton Exchange

especificou o ativo em seu contrato futuro de suco de laranja da seguinte forma:

Padrão U.S. Grade A, com mínimo de 57 graus de valor Brix, tendo razão
entre o valor Brix e acidez inferior a 13 por 1 nem supeior a 19 por 1, com os
fatores de com e sabor não inferiores a 37 pontos cada, com um mínimo de
19 pontos para defeitos, e com pontuação mínima total de 94 pontos.
(HULL, 2005, p. 20)

O contrato especifica a quantidade do ativo a ser entregue, dessa forma, se o contrato for

muito grande, muitos investidores que desejarem fazer hedge de posições pequenas ou que

pretendem assumir posições especulativas pequenas irão ficar impossibilitados de operar o

10
contrato. Por outro lado, se o contrato for muito pequeno, a negociação será excessivamente

cara dado que existem custos associados a cada contrato negociado. A decisão do tamanho

correto de um contrato depende do seu possível usuário. Nos Estados Unidos, os contratos

futuros de produtos agrícolas variam de US$ 10.000 a US$ 20.000. Já os contratos futuros

financeiros possuem valores consideravelmente superiores. Um exemplo disso é o contrato

futuro de bônus do Tesouro, negociado na Chicago Board of Trade, que estabeleceu a entrega

de títulos cujo valor de face é de US$100.000 (HULL, 2005, p. 21)

Esses mercados funcionam como uma garantia, tanto para o produtor rural quanto para a

indústria processadora em operações de hedge de preço, eliminando incertezas de preços na

época da comercialização da safra (contratos agrícolas). Entretanto, para que esses mercados

funcionem efetivamente como um instrumento de garantia de preços, é necessário que haja

liquidez no mercado, ou seja, facilidade de entrar e sair do mercado, o que implica num

volume considerável de contratos negociados diariamente. O preço futuro desses contratos é a

cotação para uma data futura. Esse preço reflete as expectativas que os participantes do

mercado têm sobre as condições de oferta e demandas futuras do produto. Os preços futuros

são negociados em pregão eletrônico e de viva-voz, e mudam constantemente a cada dia de

negociação. Os preços futuros referem-se ao local de formação de preço, ou seja, uma região

geográfica representativa daquele mercado que a Bolsa considera como local de referência do

preço do produto.

Com relação aos contratos futuros de dólar (DOL), que segundo a Futures Industry

Association (FIA) é um dos contratos futuros de moeda mais negociados no mundo, as

principais características são:

11
O objeto de negociação é a taxa de câmbio de reais por dólar dos Estados Unidos, para

entrega pronta, contratada nos termos da Resolução 1.690/90, do Conselho Monetário

Nacional; a cotação do contrato é expressa em reais por US$ 1.000; o comprador ou vendedor

dos contratos futuros não receberá ou entregará a moeda negociada; apenas estará

estabelecendo, previamente, a taxa e câmbio à qual estará sujeito no vencimento do contrato;

Para o primeiro vencimento, o preço de ajuste é estabelecido pelo preço médio dos negócios

realizados no período de cálculo (das 15:50 às 16:00);

O preço de ajuste dos demais vencimentos é calculado pela condição de não arbitragem entre

os preços de ajuste dos contratos de cupom cambial;

 O código dos contratos futuros negociados na BM&F Bovespa é composto por seis

caracteres. Esta estrutura indica qual é o ativo objeto, o mês de vencimento e o ano de

vencimento. Os três primeiros caracteres do código dos futuros BM&F referem-se ao

ativo objeto do contrato futuro. O quarto caractere indica qual é o mês de vencimento

deste contrato, enquanto o quinto e o sexto caracteres indicam qual é o ano de vencimento.

Outro tipo de contrato futuro bastante negociado na BM&F Bovespa é o futuro de depósitos

interfinanceiros (DI) de um dia, que tem como ativo objeto a taxa de juros dos depósitos

interfinanceiros de 1 dia de prazo que é apurada pela Cetip acumulada para o período entre a

data de operação e a data de vencimento do contrato futuro.

Este derivativo é uma referência para a economia como um todo ao sintetizar, em seus

pregões, as expectativas do mercado para a taxa de juros para períodos futuros. Isso é possível

12
porque esse ativo possui elevado grau de liquidez, o que garante a formação de preços em

ambiente competitivo e com transparência.

O contrato futuro DI de um dia é utilizado principalmente pelo mercado financeiro para

proteger investimentos em títulos públicos com taxa prefixada, como a Letra do Tesouro

Nacional (LTN), e em ativos gerados no financiamento ao consumidor, também chamados de

Crédito Direto ao Consumidor (CDC).

Por convenção, em seu vencimento, o contrato futuro de DI de 1 dia possui um PU de

100.000 pontos, sendo que cada ponto é igual a R$ 1,00. Dessa forma, as taxas de juros

negociadas são expressas em Preço Unitário, ao trazer os 100.000 pontos a valor presente,

considerando a taxa de juro efetiva até o vencimento do contrato, ou seja:

Onde:
n: nº de dias úteis entre a data atual e a data de vencimento do contrato futuro.

2.2.3 Operações de Swap

Swap é um acordo bilateral para troca de fluxos de caixa no futuro. O acordo define as datas

em que os fluxos de caixa serão pagos e de que forma serão calculados. Em geral, o cálculo

dos fluxos de caixa envolve os valores futuros de uma ou mais variáveis de mercado. No

Brasil, são contratos negociados em balcão e registrados na BM&F Bovespa via sistema

eletrônico ou na Cetip.

13
O tipo mais comum de swap no Brasil é o swap “plain vanilla” de taxas de juros. Neste tipo

de modalidade uma das partes se compromete a pagar fluxos de caixa referente a uma taxa de

juros predeterminada com base em um valor nocional por um período de tempo previamente

estabelecido. Em contrapartida, receberá fluxos de caixa baseados em uma taxa de juros pós-

fixada com base no mesmo nocional e período de tempo.

O contrato a termo pode ser visto como um exemplo simples de swap dado que o comprador

do termo irá receber o ativo objeto do contrato que irá variar indefinidamente (indexador pós-

fixado) ao passo que o vendedor do termo irá receber um valor predefinido no vencimento do

contrato. Enquanto os contratos a termo estabelecem a troca de fluxos de caixa em uma única

data no futuro, nos swaps podem ocorrer diversas trocas de fluxos de caixa em datas futuras.

A liquidação de um swap em geral ocorre na data de vencimento do contrato, porém, pode ser

encerrado antecipadamente se houver acordo entre as partes. Caso ocorra a liquidação normal

do swap, o valor a ser pago/recebido no vencimento é dado pela seguinte fórmula:

Onde:
VLt = valor de liquidação no contrato na data “t”;
VI = valor inicial;
FCA1t = fator de correção acumulado do parâmetro 1;
FCA2t = fator de correção acumulado do parâmetro 2;

Na BM&F existem 21 variáveis que são autorizadas que podem ser alternativas de negociação

de um swap, o que totaliza o número de 172 combinações possíveis. Dentre elas, as mais

líquidas são: DI, Pré, Dólar, IPCA e IGPM.

Para o mercado offshore, os tipos de swap mais comuns são os de taxas de juro e o de moedas.

Assim como no swap de taxa de juro onshore, em geral não ocorre troca do valor principal no

14
vencimento da operação. Já no swap de moeda, uma parte concorda pagar juros sobre o

principal em uma moeda e em contrapartida recebe juros no principal em outra moeda.

15
3 OPÇÕES

Opção é o direito que se tem de comprar ou vender algum ativo a um preço pré-determinado

em uma data previamente estipulada. Existem dois tipos de opções, opção de compra (call) ou

opção de venda (put), no qual o indivíduo poderá adquirir ou lançar opções de compra ou

venda.

i. Compra opção de compra: O investidor que adquire uma opção de compra, paga um prêmio

para ter o direito e não a obrigação de poder comprar o ativo atrelado à opção pelo preço pré-

estabelecido na / até a data de vencimento da opção;

ii. Compra opção de venda: O investidor que compra uma opção de venda, paga um prêmio

para ter o direito e não a obrigação de poder vender o ativo atrelado à opção pelo preço pré-

estabelecido na / até a data de vencimento da opção;

iii. Vende opção de compra: O investidor que vende uma opção de compra recebe um prêmio

para que o comprador da opção tenha o direito e não a obrigação de poder comprar o ativo

atrelado à opção pelo preço pré-estabelecido na / até a data de vencimento da opção;

iv. Vende opção de venda: O investidor que vende uma opção de venda recebe um prêmio

para que o comprador da opção tenha o direito e não a obrigação de vender o ativo objeto

16
atrelado à opção ao lançador da opção pelo preço pré-estabelecido na/até a data de

vencimento da opção;

y: payoff; t: tempo;

Figura 1 – Gráfico dos Payoffs de Opções Plain Vanilla

Opção europeia, americana ou asiática: Além das opções serem classificadas como opção de

compra ou venda elas também são classificadas quanto ao seu estilo, europeia, americana ou

asiática.

i. Opção europeia é aquela que dá o direito de exercer ou ser exercido somente na data de

vencimento da opção pelo preço pré-estabelecido;

ii. Opção americana dá o direito de exercer ou ser exercido a qualquer momento até a data de

vencimento da opção pelo preço pré-estabelecido;

iii. Opção asiática é aquela que dá o direito de comprar ou vender o ativo atrelado a opção

pela média de suas cotações durante a vigência do contrato;

17
No mercado brasileiro as opções de venda não possuem muita liquidez, desse modo, foi

padronizado pela BM&F Bovespa que as opções de compra negociadas em bolsa são opções

americanas e as opções de venda são opções europeias.

Ativo objeto: As opções podem ter diversos tipos de indexadores atrelados à opção, como por

exemplo: ações, commodities, taxas de juros, moedas estrangeiras, índices futuros, etc.

As opções podem ser classificadas de acordo com o preço corrente do ativo objeto e o seu

strike.

i. Para uma opção de compra (call) na qual o preço do ativo subjacente esteja sendo

negociado a um preço superior ao seu strike price, ela é chamada de opção in-the-money

(ITM). Dessa forma, para uma opção de venda (put) em que o preço do ativo objeto seja

superior ao seu strike é chamada de opção out-of-the-money (OTM);

ii. Para uma opção de compra (call) na qual o preço do ativo subjacente esteja sendo

negociado a um preço inferior ao seu strike, ela é chamada de opção out-of-the-money

(OTM). Dessa forma, para uma opção de venda (put) em que o preço do ativo objeto seja

inferior ao seu strike price é chamada de opção in-the-money (ITM);

iii. As opções sejam elas de compra (call) ou de venda (put), que estão sendo negociadas por

um preço que se equivale ao seu strike são chamadas de opções at-the-money (ATM);

Uma opção é chamada de out-of-the-money (OTM) quando sua probabilidade de exercício é

baixa, da mesma forma, uma opção é chamada de in-the-money (ITM) quando sua

18
probabilidade de exercício é alta. Por fim, uma opção é chamada de at-the-money (ATM)

quando a probabilidade de exercício e de não exercício são aproximadamente iguais.

Chamamos de valor intrínseco o valor imediato de uma opção em relação ao preço do ativo

objeto, independente de outros fatores como juros e tempo até o vencimento. O valor

intrínseco de uma opção é calculado como a vantagem imediata que a opção proporciona ao

titular da opção. Dessa forma, uma opção de compra só possui valor intrínseco quando seu

preço corrente for superior ao seu strike price, valendo a pena assim o titular da opção exercer

o seu direito de compra do ativo objeto. O valor intrínseco de uma opção de compra (call) é

calculado pela subtração do valor corrente do ativo objeto do strike. Por outro lado, as opções

de venda somente possuem valor intrínseco quando seu strike for maior que o preço corrente

do ativo objeto, valendo a pena assim o titular da opção exercer o seu direito de venda do

ativo objeto. O valor intrínseco de uma opção de venda (put) é calculado como a diferença

entre o strike e o preço corrente do ativo objeto. (ADVFN. O que é o Valor Intrínseco e

Valor Extínseco de um contrato de opção. Disponível em.

<http://br.advfn.com/educacional/opcoes/valor-intrinseco>. Acesso em: 27 mar 2014).

Exemplo 1: O ativo BBAS3 (ativo objeto) está sendo negociado no mercado à vista pelo valor

de R$ 24,94. Uma opção de compra deste ativo-objeto pelo valor de R$ 24,00 (strike) possui

um valor intrínseco de R$ 0,94. (ADVFN. O que é o Valor Intrínseco e Valor Extínseco de

um contrato de opção. Disponível em. <http://br.advfn.com/educacional/opcoes/valor-

intrinseco>. Acesso em: 27 mar 2014).

Exemplo 2: O ativo BVMF3 está sendo negociado no mercado à vista pelo valor de R$ 11,02.

Uma opção de venda deste ativo (ativo objeto) pelo valor de R$ 12,00 (strike) possui um valor

intrínseco de R$ 0,98. (ADVFN. O que é o Valor Intrínseco e Valor Extínseco de um

19
contrato de opção. Disponível em. <http://br.advfn.com/educacional/opcoes/valor-

intrinseco>. Acesso em: 27 mar 2014).

Chamamos de valor extrínseco da opção a parcela do prêmio que é atribuída ao risco ou ao

custo de oportunidade e expectativas com relação a alterações no preço do ativo objeto. O

valor extrínseco é subjetivo e depende da percepção do mercado quanto à possibilidade desta

opção gerar algum tipo de vantagem para o investidor. Quanto maiores forem as chances de

que a opção gere vantagens ao titular maior será o valor extrínseco da opção. Dessa forma, o

valor extrínseco da opção deverá ser acrescido ao valor intrínseco da opção para compor o

prêmio. O valor extrínseco da opção é calculado pela subtração do preço corrente da opção

pelo valor intrínseco da mesma. (ADVFN. O que é o Valor Intrínseco e Valor Extínseco de

um contrato de opção. Disponível em. <http://br.advfn.com/educacional/opcoes/valor-

intrinseco>. Acesso em: 27 mar 2014).

Exemplo 1: Uma opção está sendo negociada no mercado a R$ 1,50 e o seu valor intrínseco

está R$ 1,20. Dessa forma, o valor extrínseco da opção é a diferença entre o preço corrente da

opção e o seu valor intrínseco, sendo assim o valor extrínseco é de R$ 0,30. (ADVFN. O que

é o Valor Intrínseco e Valor Extínseco de um contrato de opção. Disponível em.

<http://br.advfn.com/educacional/opcoes/valor-intrinseco>. Acesso em: 27 mar 2014).

Abaixo estão apresentadas as variáveis que afetam os preços das opções:

20
 Tabela 1 – Variáveis que afetam o preço de uma opção européia

Variáveis que afetam o preço de uma opção (Europeia)

Variável Prêmio de Opção de Compra Prêmio de Opção de Venda
Preço do Ativo Objeto Direta Inversa
Preço de Exercício Inversa Direta
Taxa de Juros Direta Inversa
Volatilidade Direta Direta
Prazo de Vencimento Direta Direta

As opções de compra europeias em ações que não pagam dividendos serão mais valiosas

quanto maior for o período para a expiração, todas as outras coisas sendo iguais, por duas

razões. Em primeiro lugar, o preço da ação final será mais incerto quanto maior for o tempo

até a expiração. A incerteza representada anteriormente faz com que as opções sejam as mais

valiosas. Além disso, dado o mesmo preço de exercício, quanto maior for o prazo para o

vencimento, menor será o valor presente do preço de exercício pago pelo detentor de uma

opção de compra. Por outro lado, o desconto de um preço de exercício faz com que as opções

de venda europeias sejam menos valiosas. Assim, a combinação dos efeitos de incerteza e

desconto gera um resultado ambíguo. Dessa forma, as opções de venda europeias podem ter

seus valores aumentados ou diminuídos quanto mais elevado for o período de expiração.

(GRINBLATT; TITMAN , 2005)

3.1 OPÇÕES DE AÇÕES

O mercado de opções no Brasil não é tão maduro quanto os mercados americano, europeu e

asiático. Dessa forma, observamos em geral baixa liquidez para boa parte desses ativos. Os

participantes de mercado utilizam com frequência modelos de precificação para tentar estimar

o valor justo dos ativos, deixando de observar muitas vezes a quantidade de negócios.

21
Em geral, podemos observar que grande parte das instituições financeiras do país utiliza o

preço negociado ao final do dia da opção na precificação de suas carteiras, acreditando ser

esse o valor justo do ativo. Porém, existem outras várias instituições financeiras que acreditam

que a melhor forma de mensurar o valor justo de uma opção, seja ela um ativo líquido ou não,

seja via modelagem financeira.

Segundo o CPC 38, parágrafo 48, a melhor evidência de valor justo de um instrumento

financeiro é a utilização de preço cotado em mercado ativo. Caso o instrumento não seja

líquido, a entidade deverá estabelecer o valor justo por meio de uma técnica de avaliação. A

técnica de avaliação escolhida inclui o uso de transações recentes com isenção de partes

conhecedoras e de preferência ser uma técnica de avaliação comum por participantes no

mercado. Adicionalmente, essa técnica deverá utilizar o máximo de informações disponíveis

no mercado e o mínimo possível de informações da própria entidade.

3.2 MODELOS DE PRECIFICAÇÃO

3.2.1 Portfólio Replicante

Partindo do modelo de Black & Scholes & Merton (1973) é possível provar que a opção tem o

mesmo valor que a carteira composta de um ativo livre de risco e do seu ativo risco de

referência. O objetivo é transformar o preço desse ativo de risco em um processo que tenha

uma taxa de crescimento esperada que ele teria em um mundo livre de risco. Dessa forma, em

uma realidade que não possua risco, os indivíduos estariam dispostos a manter o ativo em

questão em suas carteiras desde que a taxa de crescimento esperada fosse igual à taxa livre de

risco (FLORES, 2010).

22
Cox, Ingersoll e Ross (1985) defendem, através de seu Lema 4, que o preço de equilíbrio de

um ativo é dado pelo valor esperado descontado pela taxa livre de risco, quando se leva em

consideração que o cenário é ajustado pelo risco. Este ajuste de risco é feito através da

redução do drift de cada variável pelo prêmio de risco (FLORES, 2010).

Mesmo em um mundo livre de risco não é possível resolver de forma analítica o problema,

isto porque em um mundo livre de risco os indivíduos descontam fluxos de caixa apenas pela

taxa livre de risco, impossibilitando a valoração das funções não lineares que derivam do

preço. Sob o mesmo contexto, Majd & Myers (1985) e Jacoby & Laughton (1985) utilizaram

uma técnica de simulação conhecida por convergir para o valor correto, esta simulação é

chamada de Monte Carlo. Este método foi introduzido por Cox & Ross (1976) e parte do

princípio de que o preço do ativo de referência segue um processo de difusão (FLORES,

2010).

3.2.2 Árvores Binomiais

Uma técnica bastante conhecida do apreçamento de opções é a construção de árvores

binomiais. Ela é uma representação gráfica de possíveis valores intrínsecos que uma opção

pode obter em diferentes períodos no tempo. O Valor da opção depende do valor do ativo

subjacente, e o valor da opção em qualquer nó ou período do tempo depende da probabilidade

de que o preço do ativo subjacente cresça ou diminua em qualquer um dos nós.

Em 1979, Cox, Ross e Rubinstein (CRR) desenvolveram um modelo com base no método

discreto que permite desenvolver uma aproximação para o Movimento Geométrico

Browniano. CRR mostraram que a distribuição de probabilidade lognormal contínua pode ser

modelada através de árvore binomial discreta, onde Ds = μSdt + σSdz. Nesse modelo, a cada

23
passo o preço (S) é multiplicado por uma variável aleatória que pode tomar dois valores, “u”

ou “d”.

Figura 2 – Árvore binomial de 1 período

Para que essa representação simule uma distribuição lognormal, é necessário escolher valores

apropriados para “u”, “d” e a probabilidade “p” de forma que a média “ “ e a variância

dos retornos de “S” sejam os mesmos que os parâmetros do Movimento Geométrico

Browniano (MBG) de “S”. Após um período, ”S1“ assumirá o valor “Su” ou “Sd”. Para

valores pequenos de os valores de “u” e “d” são: e .

3.2.2.1 Premissas do Modelo

O modelo binomial assume que o preço S do ativo objeto segue um processo binomial

geométrico, ou seja, durante um período de tempo h (passo), a mudança proporcional de preço

pode assumir dois valores: u (com probabilidade p) ou d (com probabilidade 1 – p),

onde 0 < d < u.

Adicionalmente, o ativo não paga dividendos e a taxa livre de risco é igual a r. (VALENTIM,

p. 50-51)

Exemplo 1: Considere um portfólio que consiste em uma posição comprada em ações e

uma posição vendida em uma opção de compra. Calcula-se o valor do , o que faz que o

24
portfólio seja sem risco. Se o preço da ação subir de US$20 para US$22, o valor das ações

será de 22 e o valor da opção será US$1, de tal modo que o valor do portfólio seja 22 -

1.Se o preço da ação cair de US$20 para US$18, o valor das ações será 18 e o valor da

opção será zero, de tal forma que o valor total do portfólio seja 18 .

Figura 3 - Payoff de uma opção de 1 período via Árvore Binomial

Resolução: O portfólio será sem risco se o valor de for escolhido de modo que o valor final

do portfólio seja o mesmo para ambas alternativas. Isso significa que:

Portanto, um portfólio sem risco é long em 0,25 ação e short em uma opção. Se o preço da

ação aumentar para US$22, o valor do portfólio será: . Se o preço da ação

diminuir para US$ 18, o valor do portfólio será: .

Dessa forma, independentemente do preço que a ação assuma no próximo período, o valor do

portfólio sempre será US$4,50 ao fim da vida da opção.

25
Portfólios sem risco devem, na ausência de arbitragem, render a taxa de juros livre de risco.

Suponha que a taxa de juros livre de risco seja de 12% ao ano. Então, o valor do portfólio hoje

deve ser o valor presente de US$4,5 que é .

Sabe-se que o valor do preço da ação hoje é US$20 e que o preço da opção seja “f”. O valor

do portfólio hoje é:

Isso mostra que na ausência de arbitragem o valor da opção deverá ser US$0,633. Se o valor

da opção for superior a US$0,633, o portfólio custaria menos que US$4,367 e renderia mais

que a taxa de juros livre de risco. Se o valor da opção fosse inferior a US$0,633, ficar vendido

no portfólio iria proporcionar uma forma de pegar dinheiro emprestado a uma taxa de juros

menor que a taxa de juros livre de risco.

Vamos supor um portfólio com posição long (comprada) em ações posição short (vendida)

em uma opção. Calcula-se o valor de , o que faz que o portfolio seja sem risco. O preço da

opção é denotado por “f”. Caso o preço da ação suba, o valor do portfólio no vencimento da

opção será . Caso o preço da ação caia, o valor será . Os dois valores são

iguais quando:

ou

26
Nesse caso, o portfólio é sem risco e deve render a taxa de juro livre de risco. Se a taxa e juros

livre de risco for denotada por “r”, o valor presente do portfolio será: . O

custo para montar a carteira é: . Igualando as equações, temos:

ou

Substituindo o pela equação acima e simplificando-se, podemos reduzir a equação acima

por: em que .

Exemplo 2: Com base nos dados do exemplo anterior, vamos assumir os seguintes valores: u

= 1,1; d = 0,9; r = 0,12; T = 0,25; e .

Resolução:

Exemplo 3: Calcule o valor de uma put e uma call americana at-the-money (ATM) com seu

preço à vista igual a 50, taxa de juros livre de risco igual a 10% ao ano e volatilidade igual a

40% ao ano. Suponha que as opções vencem em 5 meses.

Resolução:

27
 Árvore Binomial da Ação
Árvore Binomial da Put
Árvore Binomial da Call

Figura 4 - Exemplo de Árvores Binomiais para Call e Put

Dessa forma, podemos dizer que o preço justo da Put seria de 4,49 e o preço justo da Call de

6,36.

3.2.3 Modelo de Black & Scholes

O Modelo de Black & Scholes & Merton (1973) é o modelo de precificação de opções de

compra e de venda europeias mais utilizado pelo mercado financeiro, pelo fato de ser de

simples compreensão e aplicação, além da convergência de preços com os preços praticados

no mercado. Porém, existem alguns vieses sistemáticos, já amplamente estudados, associados

ao modelo de Black & Scholes (B&S), a saber, a sub precificação de opções fora-do-dinheiro

(BLACK, 1975; GULTEKIN et al, 1982), a sub-precificação de opções de ações com baixa

28
volatilidade (GULTEKIN et al, 1982; WHALEY, 1982) e a sub-precificação de opções com

curto tempo para vencimento (BLACK, 1975; WHALEY, 1982). Outra evidência já bem

documentada é o sorriso da volatilidade (volatility smile/smirk). (ARAÚJO et al, 2003)

A fórmula de Black & Scholes é baseada no prêmio justo com a suposição de que os preços

das ações seguem uma distribuição log-normal, ou um Movimento Geométrico Browniano, as

probabilidades são neutras ao risco, logo a esperança do retorno da ação é igual ao da renda

fixa, o ativo não paga dividendos ou outros benefícios, a opção é europeia e não há custos de

transação. A justificativa para o uso da distribuição log-normal pode ser feita através do

Teorema Central do limite, que afirma que a adição de muitas variáveis aleatórias

independentes tende a uma distribuição normal. Como os log-retornos são aditivos, então os

retornos devem seguir uma distribuição log-normal.

Outra forma de demonstrar a fórmula de Black & Scholes é feita através do limite do modelo

de Cox, Ross e Rubinstein (CRR) para um número de períodos tendendo a infinito. A terceira

forma, que foi a publicada por Black & Scholes, vem através da solução de uma equação

diferencial estocástica que pode ser reduzida a equação da difusão.

3.2.3.1 Letras Gregas

A compra ou a venda de um derivativo cria uma posição com vários tipos de riscos, dos quais

alguns podem ser indesejados. Fazer hedging, neste caso, é o ato de reduzir estes riscos

através de operações financeiras que contrabalanceiam os riscos assumidos. Para verificar

onde os riscos se encontram o trader deverá saber a sensibilidade do preço do derivativo com

relação a diversos parâmetros que afetam o seu valor. As sensibilidades do preço de uma

opção são comumente conhecidas como gregas, visto que muitas delas são rotuladas por letras

29
gregas. Dessa forma será abordado o que cada grega representa e suas equações, para uma

opção que não pague dividendos.

i. Delta (): é a sensibilidade do preço da opção com relação ao ativo subjacente, ou seja, ele

mede a variação do preço da opção em relação à mudança de uma unidade monetária no preço

do ativo subjacente. O delta é sempre positivo para uma opção de compra (call) (entre 0 e 1) e

negativo para uma opção de venda (put). Quando a opção está entrando muito dentro do

dinheiro (deep Into The Money), o delta se aproxima do seu valor máximo, 1, e se a opção

está ficando muito fora do dinheiro (deep Out-of-the-Money), o seu delta será próximo do seu

valor mínimo, 0. No caso de uma opção In-the-Money (ITM), um delta próximo de 1 reflete a

maior probabilidade de que a opção seja exercida e, no caso de uma opção Out-of-the-Money

(OTM), existe uma grande probabilidade de que a opção não seja exercida.

Abaixo, está sendo representado o gráfico do delta de uma call e de uma put em função do

preço à vista do ativo objeto. Ceteris paribus, à medida que o preço do ativo objeto reduz o

delta da call vai se aproximando de zero e o delta da put tende a -1.

Figura 5 - Gráfico do Delta de uma Opção Européia

30
Do modelo de Black & Scholes, podemos obter o delta das opções pelas seguintes equações:

ii. Gama (): Representa a sensibilidade de segunda ordem da opção à medida que ocorra

uma variação no preço do ativo subjacente. Ele nos diz o quanto o delta irá se alterar se o

preço do ativo subjacente não for mais o mesmo. Podemos usar delta e gama em conjunto

para calcular as mudanças da opção, devido a mudanças no preço das ações subjacentes. Esta

mudança pode ser aproximada pelas seguintes relações.

1
   var iação no preço do ativo 
2
var iação no preço da opção    var iação no preço do ativo 
2

Da equação acima, podemos observar que gama faz a correção para o fato de que o valor da

opção não é uma função linear do preço do ativo subjacente. Essa aproximação vem da

expansão de Taylor, perto do valor inicial do ativo.

Abaixo, está sendo representado o gráfico do gama de uma call e de uma put em função do

preço à vista do ativo objeto. Ceteris paribus, à medida que o preço do ativo objeto se reduz,

o gama vai aumentando até o seu limite de 0,03 e posteriormente à medida que o preço do

ativo objeto continua reduzindo volta ao seu estado inicial, tendo o seu valor máximo quando

o preço do ativo objeto está próximo de 85. Como podemos observar no gráfico, o gama de

uma call e de uma put é o mesmo. Outra coisa que podemos observar é que o gama é um

número sempre positivo.

31
 Figura 6 - Gráfico do Gama de uma Opção Européia

N ' d 1 

Com base no modelo de Black & Scholes, o gama é igual a: S T  t

iii. Teta (): O teta de uma opção é a taxa pela qual o preço da opção varia ao longo do tempo.

As gregas anteriores medem a mudança do preço da opção à medida que varia um dos fatores

de risco, porém, como o tempo está sempre se movendo para frente, dessa forma mesmo que

todas as outras variáveis estejam em ceteris paribus, o valor da opção irá se alterar a medida

que o tempo passe.

O valor da opção é a combinação de valor de tempo e o valor do ativo. À medida que o tempo

passa, o valor temporal da opção diminui. Dessa forma, a taxa de variação do preço da opção

com a passagem do tempo, teta, é geralmente negativa. Como a passagem do tempo em uma

opção não é incerto, não é necessário efetuar um hedge de um portfolio contra o efeito da

passagem do tempo. No entanto, o teta ainda é considerado um parâmetro útil, porque ele é

uma proxy do gama no portfolio delta gama neutro (HULL, 2005).

32
Abaixo, está sendo representado o gráfico do teta de uma call e de uma put em função do

preço à vista do ativo objeto. Com base no modelo de Black & Scholes, o teta de uma call e

uma put é igual a:

Error! Objects cannot be created from editing field codes.

Figura 7 - Gráfico do Teta de uma Opção Européia

iv. Rho (): Rho é a letra grega que representa a sensibilidade do preço da opção com relação

a um movimento na taxa de juros quando todas as demais variáveis estão constantes. No

modelo de Black & Scholes o rho de uma opção europeia é dado por:

 Call  KTe  r T t  N d 2 
 Put   KTe  r T t  N  d 2 

Tanto os preços das calls quanto das puts são praticamente lineares a alterações na taxa de

juros. O motivo para isso é que alterações na taxa de juros somente causam efeitos de

primeira ordem no preço das opções. A interpretação do rho é o quanto irá variar o preço da

opção se ocorrer uma variação de 100 bps (1%) na taxa de juros livre de risco.

33
Abaixo, está sendo representado o gráfico do rho de uma call e de uma put em função do

preço à vista do ativo objeto.

Figura 8 - Gráfico do Rho de uma Opção Européia

v. Vega (): Apesar do vega não ser uma letra grega ela representa a sensibilidade do preço da

opção a alterações na volatilidade do ativo objeto. Apesar das opções europeias serem

precificadas com base em suas volatilidades implícitas, o Vega é a sensibilidade a

movimentos da volatilidade implícita do ativo subjacente. É importante reparar que isso

contradiz uma das hipóteses do modelo de Black & Scholes de que a volatilidade assumida é

constante ao longo do tempo.

No modelo de Black & Scholes o Vega de uma opção de compra e de venda é dado pela

seguinte equação:

  S T N ' d 1 

Abaixo está sendo representado o Vega de uma call e uma put em função do preço à vista do

ativo objeto.

34
 Figura 9 - Gráfico do Vega de uma Opção Européia

vi. Vanna-Volga: Delta e Vega são os parâmetros de sensibilidade mais relevantes no

apreçamento de opções de câmbio de até um ano de vencimento. Uma posição delta neutra

pode ser obtida por meio de negociações do ativo objeto, porém, o mesmo não pode ser feito

para se obter uma posição vega neutra. Uma posição Vega neutra está sujeita a alterações

tanto no preço do ativo objeto como na volatilidade. O modelo de precificação de opções

chamado Vanna-Volga é uma técnica de precificação de opções exóticas principalmente no

mercado de derivativos de cambio. Esse modelo consiste em ajustar o valor teórico obtido

pelo modelo de Black & Scholes pelo custo de uma carteira que protege contra o risco de três

principais riscos associados à volatilidade da opção: vanna, a derivada do Vega em relação ao

preço à vista do ativo objeto, e volga, a derivada do vega com relação a volatilidade.

 2C  2C
Vanna   2 0
S  0 S

 2C
Vo lg a 
 2

Onde    0 .

35
3.2.4 Simulação de Monte Carlo

O método conhecido como Monte Carlo surgiu no ano de 1949 com o artigo The Monte Carlo

Method, o qual foi escrito por John von Neumann e Stanishlaw Ulam. O nome dado ao

método foi em homenagem ao tio de Ulam, o qual era frequentador do cassino em Monte

Carlo.

O método em questão permite simular qualquer processo que dependa de fatores aleatórios. O

método consiste na geração de n amostragens aleatórias para obter um resultado numérico,

isto é, repetindo diversas simulações um elevado número de vezes para calcular

probabilidades. Essa abordagem é utilizada já há bastante tempo como forma de obter

aproximações numéricas de funções complexas no qual não é viável obter uma solução

analítica ou pelo menos determinística. Adicionalmente, são empregadas em simulações

estocásticas com aplicações em áreas como a física, matemática, finanças e biologia.

O apreçamento de opções por meio de Simulação de Monte Carlo (SMC) foi proposto

inicialmente por Boyle (1977) na tentativa de simular o processo de geração de preços do

ativo objeto com base na premissa de neutralidade ao risco.

Para demonstrar a convergência entre modelos, foi efetuado o apreçamento de uma opção de

compra da Petrobras pelos métodos: Black & Scholes, Árvore Binomial e Simulação de

Monte Carlo, e posteriormente compará-los com o preço negociado. Os dados para

apreçamento da opção são dados reais retirados do terminal Bloomberg.

36
 Figura 10 - Tela de Preços da Bloomberg para Opção de Petrobras

Tabela 2 - Parâmetros adotados para cálculo da Opção da Petrobras

Parâmetros
Preço à vista (S) R$ 20,93
Strike descontado os dividendos (K) R$ 19,34
Vencimento (T) 16/12/2013
Data de cálculo 21/11/2013
Taxa de juros livre de risco (i) 9,545% ao ano
Volatilidade   41,397% ao ano

Tabela 3 - Resultado de Opção de Compra via modelo de B&S

Black & Scholes: R$ 1,97554

S K r  T-t q    d1 d2 Call
20,93  19,34  9,5450%  41,397% 0,06746 0    0,848463  0,740942  1,97554

Árvore Binomial: R$ 1,9658

37
 Figura 11 - Payoff Opção da Petrobras via Árvore Binomial

Simulação de Monte Carlo (SMC): R$ 1,97784 (trazido a valor presente)

38
Figura 12 - Gráfico do Valor da Call no Vencimento via SMC

39
4 PROCESSOS ESTOCÁSTICOS

O processo estocástico pode ser entendido como a tentativa de descrever uma variável que se

desenvolve no tempo de forma total ou parcial aleatória. Os processos estocásticos podem ser

classificados das seguintes maneiras:

i. Processos estacionários: Dizemos que um processo é estacionário se todas as características

do comportamento do processo não são alteradas no tempo, ou seja, o processo se desenvolve

no tempo em torno da média, de modo que a escolha de uma origem dos tempos não é

importante;

ii. Processos não-estacionários: Os processos não estacionários são aqueles que o valor

esperado da variável aleatória pode crescer sem limite e sua variância, T anos a frente,

aumenta com T;

iii. Processos de tempo discreto: t é uma variável que assume valores discretos. O valor da

variável objeto somente pode mudar apenas nestes pontos;

iv. Processos de tempo contínuo: t é uma variável continua;

40
v. Processos de estado discreto: A variável objeto pode assumir somente alguns valores

discretos;

vi. Processos estado contínuo: A variável objeto pode assumir qualquer valor;

De acordo com Dixit e Pindyck (1994), um processo estocástico pode ser descrito como uma

variável que evolui com o tempo e que é, pelo menos em parte, aleatória. Colocando de forma

mais formal, o processo estocástico pode ser definido por uma lei da probabilidade para a

evolução de uma variável x no intervalo de tempo t.

Variáveis cujo valor muda no tempo de forma não determinística no qual o estado no período

seguinte, momento t + 1 não está determinado pelo estado atual, t. Processo estocástico, que é

definido como uma coleção indexada de variáveis aleatórias , onde o índice t pertence a

um dado conjunto T. O conjunto T é normalmente composto de números inteiros não

negativos, e representa uma característica mensurável de interesse num instante de tempo

t. A notação abaixo define processo estocástico sobre um dado espaço de probabilidade

Os processos estocásticos podem ser qualificados como estacionários, quando as

propriedades estatísticas (média e variância) da variável são constantes ao longo do tempo, ou

não estacionários, onde o valor esperado pode crescer sem fronteira. Estes processos podem

ser ainda definidos em tempo contínuo ou discreto.

Uma questão importante a ser considerada na avaliação de modelos de finanças é a escolha do

processo que melhor descreve a trajetória dos preços do ativo objeto a ser avaliado. Nesta

análise devem ser levadas em consideração questões como: as características econômicas e o

41
tempo de vida do ativo, as dificuldades de estimação de parâmetros do modelo escolhido,

aplicação do processo em soluções analíticas ou numéricas adotadas pelo modelo, entre

outros.

De uma forma geral, se o vencimento do ativo ou derivativo for relativamente curto, o

aprofundamento do estudo na determinação do processo estocástico pode vir a ser

considerado algo de menor relevância, possibilitando sua escolha ser em função da facilidade

de obtenção de parâmetros e da construção do modelo. Em situações em que o ativo objeto da

modelagem possuir um vencimento longo, a busca por um processo mais fidedigno ao

desempenho do ativo será crucial na determinação do seu valor. Dixit & Pindyck (1994)

demonstraram que em períodos curtos de tempo, processos do tipo MGB são dominados

prioritariamente por choques estocásticos, enquanto, à medida que tempo evolui passam a ser

mais influenciados pelos componentes que determinam suas tendências.

4.1 PROCESSOS DE MARKOV

Processos de Markov constituem um tipo especial de processo estocástico que possui a

propriedade de que as probabilidades associadas com o processo num dado instante do futuro

dependem somente do estado presente, sendo assim independentes dos eventos que ocorreram

no passado. Esse tipo de processo estocástico também é conhecido como “falta de memória”.

Um processo estocástico é chamado de processo de Markov quando, para

qualquer tempo , a distribuição condicional de para os valores

dependem somente de se:

42
 assumir valores discretos, essa definição é expressa como

assumir valores contínuos, essa definição é expressa como

Nas expressões acima, t_0,t_1…t_(n-1) representam o passado, e t e t_n são o futuro e o

presente respectivamente.

A interpretação da equação 1 é que a probabilidade da variável X ter valor igual a certo valor

x no tempo t, dado que a variável aleatória tenha assumido valores

respectivamente, nos tempos é igual a probabilidade da variável X ter valor

igual a um certo valor x no tempo t, dado apenas que a variável tenha assumido o valor no

tempo . Dessa forma, podemos definir que o Processo de Markov é um tipo de processo

estocástico onde somente o valor presente de uma variável é relevante para prever o futuro.

Usualmente se assume que a evolução nos preços das ações obedece a um processo de

Markov, com predições do futuro somente feitas em termos de distribuição de probabilidade.

A propriedade de Markov implica que essa distribuição de probabilidade do preço em um

tempo futuro qualquer dependa somente do seu preço atual.

Essa propriedade é consistente com a forma fraca de eficiência de mercado1. Caso a forma

fraca de eficiência de mercado não fosse verdadeira, decisões poderiam garantir ganhos acima

1
Forma fraca de eficiência de mercado diz que o preço atual de uma ação encerra toda a informação contida num
registro de preços passados. Forma semi-forte de eficiência de mercado diz que o preço atual da ação somente
reflete todas as informações contidas nos dados históricos, mas também reflete todos os conhecimentos públicos
disponíveis. A forma forte de eficiência de mercado vai além e diz que o preço atual da ação reflete também
todas as informações, sejam elas insiders ou públicas.
43
da média somente a partir da análise de tendências do comportamento histórico de preços

passados, que eventualmente se repetissem no presente. O que não é possível, pois em um

mercado eficiente se supõe que devido ao grande número de participantes no mercado que, se

observassem tal tendência, atuariam no sentido de obter vantagens em suas posições.

4.2 PROCESSO DE ITÔ

Os Processos de Itô são processos de Markov em tempo contínuo, e podem ser utilizados para

representar a dinâmica do valor de um projeto, preços de venda de mercadorias e outras

variáveis que se desenvolvam estocasticamente através do tempo e que afetam a decisão de

investir.

Uma das dificuldades deste processo é não possuir uma derivada convencional em relação ao

tempo, ou seja, que não pode ser manipulada usando-se regras ordinárias de cálculo. Para isto,

é usado o Lema de Itô.

O processo de Itô é contínuo no tempo e não diferenciável pelas regras ordinárias de cálculo.

Porém, para calcular o valor de uma opção é necessário achar algumas derivadas e integrais

que tem como argumento Processos de Itô. Para conseguir resolver esse problema é

necessário utilizar o Lema de Itô, também conhecido como Teorema Fundamental do Cálculo

Estocástico.

O Lema de Itô pode ser entendido como uma versão da Expansão de Taylor para o cálculo

estocástico (DIXIT, PINDYCK, 1994)). Para ilustrar sua utilidade prática será considerada

abaixo a variável x(t), que segue um Processo de Ito, ou Movimento Browniano

Generalizado, onde dz novamente representa o incremento de Wiener, conforme na equação

44
2. Considera-se também a função F(x,t) que é diferenciável ao menos duas vezes em relação à

x e uma vez em relação à t. Utilizando o Lema de Ito, sua derivada será:

Sabendo-se que (ver 4.3) para n > 1; e que (ver 4.4), obtêm-se:

Então pelo Lema de Ito encontra-se a derivada da função F:

4.3 PROCESSO DE WIENER

Modelos que descrevem o comportamento de ações são usualmente expressos em termos de

um processo de Wiener, que é um tipo particular de um processo estocástico de Markov. Ele é

usado na física para descrever o movimento de partículas sujeitas a um grande número de

choques entre moléculas e que é chamado algumas vezes de Movimento Browniano.

O comportamento de uma variável z, a qual segue um processo de Wiener, pode ser entendido

considerando pequenas variações em z nos seus valores em pequenos intervalos de

tempo (∆t).

Existem três propriedades básicas que deve apresentar para que z siga tal processo

estocástico:
45
Propriedade 1:

com uma variável randômica, ou seja, , uma distribuição normal padrão.

Propriedade 2: Os valores de dz para cada dois distintos intervalos de tempo são

independentes.

Da propriedade 1: então

. Conclusões que decorrem de propriedades estatísticas conhecidas.

Da propriedade 2: z segue um processo de Markov.

Considerando-se agora um incremento em z durante um relativo período de tempo

, e tomando , teremos: , com

variáveis randômicas com .

Da propriedade 2 decorre que os são independentes dois a dois. Dessa forma, da equação

acima temos que , ou seja, ,

É plausível em obter um desvio padrão crescente em relação a T, dado que é o desvio padrão

que mensura a incerteza de quanto será o valor da variável em um tempo T, e, quanto maior

for T, maior será a incerteza. Dessa forma, é possível entender melhor porque foi definido que

46
 como o , pois é a variância da soma será a soma das variâncias. Dessa forma, surge a

informação que depende somente do tempo.

O processo de Wiener é o limite com do processo descrito acima para z. O caso

limite será dado por: , representando a adoção do cálculo infinitesimal.

Propriedade 3: A distribuição de probabilidade para todos os valores futuros do processo

dependem unicamente de seu valor atual, não sendo afetada por valores passados ou qualquer

outra informação, ainda que atual. Ou seja, o valor atual da variável é tudo o que se precisa

para fazer a melhor previsão de seu valor futuro.

Como a distribuição no processo de Wiener deve ser sempre normal, é possível que alguns

considerem que os preços são variáveis que não podem ser modeladas através deste processo,

já que não podem assumir valores negativos, sendo mais apropriada, então, uma distribuição

lognormal. No entanto, esta condição implica apenas que se deve trabalhar com os logaritmos

dos preços para fazer a distribuição.

4.4 MOVIMENTO BROWNIANO PADRÃO

Movimento Browniano Padrão é um processo estocástico que satisfaz as seguintes

propriedades:

 É um processo de Markov: ; 

 Possui incrementos independentes: ; 

47
  Mudanças normalmente distribuídas e com variância crescente ao longo do tempo;

A terceira propriedade é decorrente das duas primeiras. A primeira propriedade remete para a

normalidade de dz é dado por uma constante dt e por uma variável aleatória que segue uma

distribuição normal, dz também seguirá uma distribuição normal. A média e a variância de dz

são:

Então, .

O Movimento Browniano, ou mais genericamente o processo de Ito, pode ser representado

pela seguinte equação:

A derivada dt é considerada infinitesimamente pequena, o que faz com que toda vez que for

elevada por um número maior do que um o resultado seja igual à zero.

48
4.5 MOVIMENTO ARITMÉTICO BROWNIANO

O Movimento Aritmético Browniano é um processo de Wiener com uma tendência, e que

pode ser descrito da seguinte forma:

Onde:

: tendência;

: variância;

A equação acima é conhecida como a de um Movimento Aritmético Browniano (MAB) por

apesentar uma tendência linear no tempo. O valor esperado e a variância podem ser

calculados para a variação de dx, da seguinte maneira:

Onde:

Então:

49
Portanto, dx terá uma distribuição de probabilidade dada por:

Caso haja um derivativo escrito sobre um ativo que segue um MAB, o seu diferencial

estocástico poderá ser determinado por intermédio da aplicação do Lema de Ito. Seja

um derivativo escrito sobre , temos o Lema de Ito que:

O problema na utilização do MAB na determinação da trajetória do valor de ativos é que ele

possibilita o surgimento de valores negativos. O que seria uma característica não desejável

para preços (OZÓRIO, 2010).

4.6 MOVIMENTO GEOMÉTRICO BROWNIANO (MGB)

Também conhecido como movimento browniano exponencial é um processo estocástico

contínuo no qual o logaritmo de uma quantidade que varia aleatoriamente segue um

Movimento Browniano, ou um processo de Wiener. Esse modelo em geral é aplicado à

modelagem matemática de fenômenos no mercado financeiro, sendo utilizado principalmente

em precificação de opções.

Um processo estocástico segue um MGB se satisfaz a seguinte equação diferencial

estocástica:

50
Onde é um Movimento Browniano ou processo de Wiener, e são respectivamente a

média e a volatilidade do processo estocástico. Segundo Dixit & Pindyck (1994), ao se

observar o comportamento de uma variável que segue este processo, é possível verificar que

no curto prazo a variância é mais determinante no comportamento da variável, mas que no

longo prazo a tendência desta variável predomina.

Onde ~ N(0,1) significa ter distribuição Normal padronizada (média zero e variância 1) de

probabilidade.

No caso particular em que , a equação estocástica passa a ser uma equação diferencial

ordinária,

cuja solução obtida por integral usual:

Em particular, quando é constante, obtém-se

O MGB é processo estocástico mais utilizado no apreçamento tanto de opções financeiras

quanto de opções reais. Esse processo estocástico é utilizado no modelo de Black & Scholes e

Merton (1973) para cálculo de opções financeiras como também no modelo de Padock, Siegel

& Smith (1988) de opções reais em petróleo.

51
No modelo de Padock, Siegel & Smith (1988), a variável estocástica é a reserva de petróleo

desenvolvida, porém em Dias (1999), ele observa que em diversos outros modelos a variável

estocástica, ou ativo subjacente, é o preço do petróleo. Sob a hipótese do MGB, a variável

estocástica seja ela a reserva desenvolvida ou o preço do petróleo, seguem a cada instante

futuro t uma distribuição lognormal.

Sob a hipótese do MGB, a previsão dos preços tem as seguintes expressões para a média e a

variância em função do tempo, onde a notação é o valor inicial, conhecido, e S (t = 0):

Fonte: DIAS, 2005.

Figura 13 - Gráfico da Variância Crescente com o tempo

Pode-se observar que à medida que t tende a ∞ a variância do preço também tenderá para ∞.

A figura 13 ilustra o MGB para preços, mostrando uma sequência de distribuições lognormal

com variâncias que crescem monotonicamente com o horizonte temporal de previsão, e média

(ou tendência ou “drift” > 0) que cresce (ou decresce se < 0) exponencialmente.

52
O grande problema do MGB é o fato de que ele pode divergir, fazendo com que os preços

tendam para o infinito à medida que o intervalo de tempo seja aumentado, característica essa

indesejável quando se está avaliando ativos com vencimento longo.

O procedimento adotado para estimação dos parâmetros do MGB inicia com a obtenção da

série de sobre a qual é aplicada uma regressão linear para obtenção dos parâmetros da

equação:

Com base no erro padrão da série, serão utilizadas as fórmulas abaixo para estimação dos

parâmetros:

   S t  1  2 
  N Média ln ; 
   S t 1  2 N 

O teste padrão para o processo efetuado é efetuado a partir da análise da hipótese nula de

que o coeficiente (b) de na regressão seja unitário, teste esse conhecido como raiz

unitária de Dickey-Fuller2 .

Pode-se verificar na prática que dificilmente será rejeitada a hipótese nula, e, por

consequência, a hipótese de que o processo segue um MGB. Isso não significa que não exista

outro processo que mais se adeque na descrição do comportamento dos preços. Um caso

interessante ocorre quando b < 1, o que mesmo sem a rejeição do MGB, indicaria a

possibilidade da presença de um movimento de reversão à média.

2
A hipótese nula do teste de Dickey-Fuller é que a série tenha raiz unitária, e portanto não seja estacionária.
53
Outra forma de efetuar o teste de Dickey-Fuller é através da regressão abaixo:

Para esse caso, a hipótese nula do teste é que o coeficiente na regressão seja

igual a zero, o equivale dizer que (OZÓRIO, 2010).

4.7 MODELO DE REVERSÃO A MÉDIA

Uma das críticas à utilização do processo de Movimento Geométrico Browniano para estimar

preço de commodities é a de que ele tende a se afastar de seu ponto de partida. Segundo

alguns autores, isto pode ser verdadeiro para algumas variáveis econômicas, mas não reflete o

comportamento de outras variáveis, especificamente no caso das commodities. Em alguns

casos, esta é uma característica desejada, como em preços de ativos especulativos, mas em

outros não. Preços de commodities como o cobre ou o óleo tendem a estar relacionados com o

custo marginal de produção de longo prazo. Isto significa que no curto prazo o preço do

petróleo, por exemplo, pode subir ou descer aleatoriamente, mas no longo prazo ele tende a

voltar para o custo marginal de produção. Logo, o preço do petróleo ou do cobre deve seguir o

processo de reversão para a média. No entanto, a hipótese dos preços das commodities

seguirem um MGB não pode ser descartada, portanto este estudo analisa os resultados sob as

duas teorias com a intenção de comparar os resultados.

Os autores que defendem a utilização do processo de reversão à média se valem de alguns

argumentos para validar esta hipótese. Os principais argumentos utilizados são descritos

abaixo.

No curto prazo, o preço do petróleo flutua para cima e para baixo em resposta a

acontecimentos de mercado, no entanto, a teoria básica de microeconomia diz que no longo

54
prazo o preço tende a retornar ao seu custo marginal de produção ou, “no caso de uma

commodity cartelizada como o petróleo, o preço que maximiza o lucro no longo prazo

buscado pelos administradores do cartel” (Jacoby & Laughton, 1995). Logo, o preço de

petróleo deve ser modelado como um processo de reversão à média.

Um dos problemas na utilização do MGB é o fato de que este processo pode divergir levando

os preços para o infinito, gerando modelos eventualmente não muito realistas em caso de

ativos de longa duração comuns nas opções reais.

A lógica do modelo vem da microeconomia, quando os preços estão abaixo da média de

longo prazo, a demanda do produto tende a crescer à medida que a produção reduz. Isso se

deve ao aumento do consumo da commodity de preço baixo ao passo que o baixo retorno para

as empresas produtoras irá forçar a postergação de novos investimentos e até mesmo reduzir

fábricas menos eficientes, acarretando em uma redução na disponibilidade do produto.

Um teste realizado por Pilipovic (1998) mostra que o melhor modelo para estimar o preço

futuro do petróleo tipo WTI é a reversão à média do logaritmo do preço. Pindyck & Rubinfeld

(1991) mostraram, utilizando o teste de Dickey-Fuller, que a reversão do preço do petróleo

tende a ser lenta e rejeitaram a hipótese do movimento geométrico browniano. Os testes

econométricos feitos por Bessembinder (1995) também sugerem que a reversão à média deve

ser utilizada para modelar o preço do petróleo.

Outra evidência importante de que a reversão à média é um modelo mais adequado para a

modelagem dos preços de petróleo vem do mercado futuro. De acordo com Baker, Mayfield e

Parsons (1998), foi observado que o preço futuro está caindo se o preço spot está alto e

subindo se o preço spot está baixo. Além disso, se o preço seguisse um movimento

55
browniano, a volatilidade do preço futuro deveria ser aproximadamente igual à volatilidade do

preço spot, o que não acontece. Na prática, o preço spot é muito mais volátil que o preço

futuro.

Dias e Rocha (1999) defendem que não só o preço do petróleo deve ser modelado através de

um processo de reversão à média, como deve ser combinado a um choque estocástico (jump),

que é modelado como um processo de Poisson, para refletir alterações bruscas no preço

provocado por mudanças políticas e/ou econômicas de grande impacto no mercado. Essa

combinação também é conhecida como modelo de Poisson-Gaussian (FLORES, 2010).

4.7.1 Movimento de Reversão a Média Aritmética de Orstein-Uhlenbeck

A Equação Diferencial Estocástica que define o processo conhecido como processo de

Ornstein-Uhlenbeck, também chamado de movimento de reversão à média aritmética (MRA)

é dada por:

 
dx   x  x dt  dz

Onde dz é um incremento de Wiener,  é a velocidade de reversão à média e x é o nível

normal de x (o nível para o qual x tende a reverter). O processo de reversão à média é um

processo de Markov, mas não possui incrementos independentes.

Apesar do MRA ser um processo de Markov ele não possui incrementos independentes, dado

que a variação esperada em x é função da diferença entre a média de longo prazo e a última

observação do processo.

56
4.7.1.1 Média e Variância (Momentos)

A média e variância, que também podem ser chamadas de os 2 primeiros momentos de um

processo estocástico, são fundamentais para avaliação do modelo, além de traduzirem o

comportamento da variável em análise.

O processo de Orstein-Uhlenbeck tem o seu valor esperado e variância conhecidos e dados

por Dixit e Pindyck (1994, p.76-77) da seguinte forma:

 
E xt   x  x0  x e  t t0 

2
Var  xt  
2
1  e 2 t t 0 


Se comparamos os modelos MRA com MGB podemos observar os efeitos do tempo e do

parâmetro de reversão   , nos 2 primeiros momentos de sua distribuição. Quando t → ∞, o

valor esperado e a variância de tendem para:

lim Ex t   x
t 

2
lim Var x t  
t  2

Quando  → ∞, temos:

lim E x t   x
 

57
 lim Var x t   0
 

Quando  → 0, temos:

lim Ex t   x0
 0

lim Var x t    2T
 0

Podemos concluir que quando t → ∞, o valor esperado do processo MRA irá convergir para

2
x e a variância para , diferentemente do MGB cujo valor esperado e a variância da
2

variável aleatória tendem a crescer infinitamente. Quando  → ∞, o valor esperado do

MRA também irá convergir para x e a sua variância irá convergir para zero. Pode-se observar

quando  → 0, o MRA tende para o processo Movimento Browniano Simples. Uma forma

diferente de poder verificar esse resultado é se substituirmos  por zero na equação do MRA

e obteremos assim a equação do Movimento Browniano.

Para que se possa simular o processo em questão, será necessária a equação em tempo

discreto, que é obtida somando-se a parcela determinística da média com a parcela

estocástica, a qual é multiplicada por uma distribuição normal com média 0:

1  e 2t
 
xt  xt 1e t  x 1  e t  
2
N 0,1

58
Dessa forma, podemos assim concluir que a variável aleatória x(t) possui distribuição normal.

Essa discretização é exata e independente do tamanho de (KLOEDEN; PLATEN, 1992, p.

118).

Para que possamos determinar os parâmetros do MRA, escrevemos esse processo a partir da

equação da média em termos do intervalo temporal :

   
xt  x  x 0  x e t  xt  x 1  e t  e t xt 1

  
xt  xt 1  x 1  e t  e t  1 xt 1 

4.7.1.2 Estimação dos Parâmetros

A equação de discretização do modelo é a expressão para tempo contínuo do processo auto

regressivo de primeira ordem (AR(1)) da seguinte expressão:

   
xt  xt 1  x 1  e t  e t  1 xt 1   t

Onde o erro ε_t é normalmente distribuído com média zero e variância . Substituindo os

termos abaixo, teremos:

xt  xt 1  a  b  1xt 1   t

 
x 1  e t = a

e t
 1 = b – 1

59
Então poderemos estimar os parâmetros do processo em questão fazendo uma regressão linear

em relação às séries . A partir dos estimadores da regressão podemos calcular os

parâmetros a partir das equações acima:

 ln b 

t

a
x
b  1

Reescrevendo a equação da variância dos erros da regressão do processo de Orstein-

Uhlenbeck, podemos extrair a volatilidade . Das equações acima, temos:

2
 2 
2
1  e 2 t t 0 


e t

1  b

 ln b 

t

Rescrevendo a equação em função de , temos:

Onde é o erro padrão da regressão.

4.7.1.3 Método e Avaliação Neutra ao Risco

60
Bastian-Pintoe Brandão (2007) apresentam duas formas equivalentes de avaliação de fluxos

de caixa descontados: utilizando a taxa ajustada ao risco, utilizando, por exemplo, o modelo

CAPM ou descontando a taxa livre de risco, utilizando uma certeza equivalente (método de

neutralidade ao risco).

O apreçamento de derivativos requer a utilização da abordagem neutra ao risco do processo

estocástico adotado na modelagem da incerteza, dado que em um mundo neutro ao risco se

utiliza a taxa livre de risco como fator de desconto do processo. Para um MRM de Orstein-

Uhlenbeck ou para um MBG, o modelo é convertido para neutro ao risco se alterarmos o

parâmetro de crescimento (drift) (DIXIT; PINDICK, 1994).

Sendo:

Taxa de crescimento ajustada ao risco;

Taxa de crescimento do processo (drift);

Taxa de dividendos do processo, ou no caso de uma commodity: taxa de conveniência;

Taxa livre de risco;

Para o caso de um processo ajustado ao risco, ou processo real, temos:

r           

61
Na forma neutra ao risco, substituímos o crescimento do processo, , por . No

processo de MRM de Orstein-Uhlenbeck, o crescimento real é dado por    x  x , e de  

forma oposta ao MGB, assume-se que a taxa de dividendos não é constante, e sim uma função


de x :            x  x . 

Com base na equação acima, é possível calcular o crescimento neutro ao risco para o processo

MRM:

   
r    r      r    r     x  x  r     x  x    r 


r      x 
  r   x

   

Comparando o crescimento ajustado ao risco, ou real, com o neutro ao risco, podemos

verificar que a diferença entre os processos ocorre pela subtração do prêmio de risco

normalizado,
  r  , na média de longo prazo ( x ).Dessa forma, podemos concluir que o


processo neutro ao risco os valores revertem para um nível abaixo daquele que é observado no

processo real, e que a diferença entre eles é o prêmio de risco normalizado.

Dessa maneira, é possível obter a equação ajustada à simulação nutra ao risco de . A

equação m tempo contínuo é:

  r 
dx    x    x  dt  dz
   

62
Na forma neutra ao risco, o processo é simulado (válido também para grande) pela

equação em tempo discreto:

  r 1  e 2t
xt  xt 1e t   x 
 
1  e 
t
 
2
N 0,1


4.7.2 Modelo Geométrico de Reversão a Média

Como foi dito anteriormente, a maior limitação do modelo de movimento de reversão à média

de Orstein-Uhlenbeck, como também de outros processos estocásticos aritméticos como o

movimento browniano aritmético é que é possível obter valores negativos para a variável .

Apesar de números negativos serem aceitáveis quando se está modelando o retorno de algum

ativo, acaba gerando um problema quando se está tentando modelar o comportamento de um

preço ativo, por exemplo.

4.7.2.1 Modelo de 1 Fator de Schwartz (1997)

Em seu artigo de 1997, “The Stochastic Behavior of Commodity Prices: Implications for

Valuation & Hedging”, The Journal of Finance .vol. LII, no. 3, July 1997, Eduardo Schwartz

desenvolveu três modelos de reversão à média, sendo um de fator único, e outros dois de dois

e três fatores.

A equação básica do modelo de MRM geométrico é descrito pela seguinte equação

diferencial:

dS     ln S  Sdt  Sdz

63
Onde:

S : Variável estocástica;
 : Parâmetro de equilíbrio de longo prazo;
 : Velocidade de reversão;
 : Volatilidade do processo;
dz : Pr ocesso padrão de Wiener;
dt : Incremento do tempo no processo;

Em geral, considera-se   ln S  para tornar o modelo mais intuitivo. No modelo de

Schwartz (1997) essa premissa não foi adotada e o mesmo deduziu diretamente o valor de α a

partir de séries de preços futuras utilizando a técnica do filtro de Kalman. Será considerado


nesse estudo consideraremos que   ln S e, a equação passará a ser:

 
dS   ln S  ln S Sdt  Sdz

Podemos observar que diferentemente do modelo de reversão à média aritmética de Orstein-

Uhlenbeck, os modelos geométricos trabalham com o logaritmo natural dos preços. Para o

caso de commodities, que em geral possuem uma distribuição log-normal dos preços, é

conveniente porque se , então S não pode ser negativo.

4.7.2.2 Média e Variância (Momentos)

Vamos assumir que , e pelo lema de Ito encontraremos o processo estocástico de :

 x x

dx     ln S  ln S S  
1 2x 2 2  x
 S  dt  S dz
 t S 2 S S
2


64
 x x 1 2x 1
0   2
t S S S 2
S

 1

dx  0   ln S  ln S S 
2S

1 1 2 2
2
1
 S  dt  S dz
 S  S

 

  1 
dx    ln S  ln S S   2  dt   dz  dx    ln S 
2 
2
2

  ln S  dt   dz
   

2
Como e x  ln S  , podemos observar que a equação acima é a mesma do
2

modelo de reversão à média aritmética de Orstein-Uhlenbeck. Substituindo os resultados

encontrados acima nas equações de média e variância apresentadas no modelo aritmético de

Orstein-Uhlenbeck encontramos:



E  xt   lnS t 0 e t  ln S 
2
2

 1 e
 2t

 

2
VarlnS t   Varxt  
2

1  e  2t 

Com base na propriedade de log-normalidade:

 


E S t   exp ln S t 0 e t  ln S 
2

2 

1  e  2t

2
4

1  e  2t  
  

65
4.7.2.3 Discretização do Modelo

Da discretização do modelo de reversão à média aritmética de Orstein-Uhlenbeck temos:

1  e 2t
 
xt  xt 1e t  x 1  e t  
2
N 0,1

xt   lnS t  e x  ln S  2

2

Temos:



x t  ln S t 1 e t  ln S 
2

2 
1  e t

 
1  e 2t
2
N 0,1

 


S t  explnS t 1 e t  ln S 
2

2 

1  e t
 
1  e  2t
 2
N 0,1 
  

A equação de simulação do modelo de Schwartz de um fator é dada pela equação acima e

fornece uma discretização exata, permitindo altos valores em . Para simular trajetórias

aleatórias por n caminhos, basta simular valores de .

Se fizermos , o valor esperado de não irá convergir para S como era de se

 2
esperar, mas para S exp  , o que cria uma limitação no modelo de Schwartz.
 4 

 2 2   2 

E S T    exp ln S    
2  4 
 E S T     exp  ln S  
4  

 E S T     S exp
 2
 
   4 

66
4.7.2.4 Simulação de Parâmetros

De forma análoga ao modelo de reversão à média de aritmético de Orstein-Uhlenbeck, é

possível escrever a variável :

   
xt  xt 1  x 1  e t  e t  1 xt 1

Substituindo os termos xt por ln S t  e x por ln S   2

2
e reordenando a equação, temos:

 S   2 
ln t   1  e t  ln S    e t  1ln S t 1
 t 1 
S  2 

 2 
 
a  1  e t  ln S 
2

 

b  1  e t  1

 S 
ln t   a  b  1S t 1
 S t 1 

Da mesma maneira que o modelo de reversão à média de Orstein-Uhlenbeck é possível

estimar os parâmetros do processo por meio de uma regressão linear sobre as séries de preços

 ln b 
S t . O parâmetro  também se comporta da mesma maneira, então temos que:   .
t

67
Assim como no modelo de Orstein-Uhlenbeck, a volatilidade, , também pode ser estimada

2
através da variância dos erros da regressão, , que é dada pela equação:   
2

1  e  2t  .
2

Isolando o parâmetro b e elevando ao quadrado toda a equação b  1  e t  1 , temos:

b 2  e 2t . Dessa forma, podemos calcular a volatilidade :

2 2 2
 2 
2

1  e  2t   2 2   2 1  e  2t    2 
1  e 2t 

2  2 ln b 2 ln b
      
1  e  2t 1  b 2 t      b  1t
2

Das equações acima, podemos escrever também:

a  2  a 2
 ln S    S  exp   
1  b   2   1  b  2 

Com base na equação acima, podemos verificar que o nível de reversão de longo prazo

depende tanto da volatilidade do processo quanto da sua velocidade de reversão. Para

 ln b
determinarmos os parâmetros da regressão, substituiremos o valor de  por , e também
t

2 ln b
de  por   , como podemos verificar anteriormente:

b 2 1 t

 a 2t ln b   a  2    2  
S  exp    2   exp   exp    1  b 
1  b  
2t  ln b  b  1 
2
 S  2 
1  b 1  b  
ou S
 
a
1  b   

68
4.7.2.5 Simulação Neutra ao Risco

Para se obter a equação que simula o movimento de reversão a média geométrico de Schwartz

é necessário subtrair o prêmio normalizado,

  r  , da média de longo prazo,



x  ln S 
2
2
, e substituir na equação de discretização o modelo. Desse modo, temos:

  2   r   


S t  explnS t 1 e t  ln S 
2

 
1 e t

1  e  2t
2
N 0,1 
  

A diferença entre a equação de simulação real (discretização do modelo) para a equação a

simulação neutra ao risco é o prêmio normalizado,

  r  .


69
5 SISTEMAS LINEARES

A resolução de sistemas de equações lineares e o cálculo de determinantes são dois exemplos

de problemas fundamentais da álgebra linear que foram estudados desde longa data. Leibniz

em 1693 encontrou a solução para o cálculo de determinantes e, em 1750 Cramer apresentou

o método para resolver sistemas de equações lineares, também conhecida como Regra de

Cramer. Em 1948, Alan Turing iniciou o método de decomposição de matrizes em um

produto de uma matriz inferior por uma matriz escalonada (conhecido atualmente como

fatoração de LU).

A solução para sistemas de equações algébricas lineares é obtida através de técnicas diretas e

iterativas. Estas técnicas são implementadas pelos métodos direto e iterativo. Os métodos

diretos são caracterizados por uma sequência de operações, depois da qual se obtém a solução

do sistema. No presente trabalho, serão abordados os métodos de Eliminação de Gauss,

Decomposição de LU e Fatoração de Cholesky.

A decomposição (fatoração) de Cholesky, assim chamada em alusão a André-Louis Cholesky,

estabelece que uma matriz simétrica e positiva definida3 possa ser decomposta em uma matriz

triangular inferior e a sua transposta. Assim como a decomposição de LU, a decomposição de

3
Em álgebra linear, uma matriz é chamada de definida positiva se ela for simétrica de ordem n e todos os seus
autovalores são maiores que zero .
70
Cholesky é um método direto de resolução de sistemas de equações lineares . Antes

de falarmos sobre a decomposição de LU e Cholesky vale a pena falar sobre o método de

eliminação de Gauss. A decomposição de LU é uma consequência do método de eliminação

de Gauss.

5.1 MÉTODO DE ELIMINAÇÃO DE GAUSS

O método de eliminação de Gauss (ou método de escalonamento) é um algoritmo utilizado

para resolver sistemas de equações lineares. Usando operações elementares entre linhas na

matriz aumentada ou equações no sistema de equações lineares, transformar um sistema linear

qualquer em sistema linear triangular superior. Utilizando as operações elementares entre

equações no sistema de equações lineares, ou entre linhas na matriz aumentada, a solução do

sistema permanece a mesma.

O modelo de eliminação de Gauss para que se possa encontrar a solução do sistema consiste

em 3 etapas:

 Etapa 1: Obter a matriz aumentada que representa o sistema de equações;

 Etapa 2: Transformar a matriz aumentada em uma matriz aumentada na forma

A b onde A é uma matriz triangular superior;

  
Etapa 3: Resolver o sistema linear A b por substituição regressiva;

Etapa 1: Considere o sistema linear de 3 equações abaixo:

71
 a11 x1  a12 x 2  a13 x3  b1 L1 
a 21 x1  a 22 x 2  a 23 x3  b2  L2 
a31 x1  a32 x 2  a33 x3  b3 L3 

A matriz aumentada A do sistema é dada por:

 a11 a12 a13 b1 

A b 0  
 a 21 a 22

a 23 b2   
 a31 a32 a33 b3 

Etapa 2: A etapa 2 consiste em duas fases:

Fase 1: Zeragem de todos os elementos da primeira coluna abaixo da diagonal principal.

a 21 a
Dessa forma, a11  0 e vamos definir as constantes k  e w  31 . A partir daí são feitas
a11 a11

as seguintes operações lineares:

L21  L2  kL1
L31  L3  wL1

Obtendo-se assim a matriz A b  :

1

a111 a121 a131 b11 

 1 1 
A b 
1
 0 1
a 22 a 23 b2 
 0 1
a32 1 1 
a33 b3 


72
Fase 2: A partir daí, o objetivo passa ser zerar todos os elementos da segunda coluna abaixo

e a linha 2 como pivô de A b 

1 1
da diagonal principal. Sendo o elemento pivô a22 , supõe-se

1
1 a 31
que a 22  0 , e define-se outra constante v  1 . Efetuando a operação abaixo, temos:
a 22

L32   L31  vL21

a112  a122  a132  b12  

 2  2  
A b 
2
 0 2 
a 22 a 23 b2 
 0 0 2  2  
a33 b3 


Podemos observar que a matriz A b 

2 
é uma matriz aumentada cuja matriz A é uma matriz

triangular superior.

Etapa 3: Resolução do sistema A b  . Dessa forma teremos:

2 

 
 2 
 
b 2 
x3  3
2  , a33 0
a 33

x2 
b    a   x 
2
2 2
23 3
2 
a 22

x1 
b 1
2 
 
 a122  x 2  a132  x3
a112 

Assim, encontra-se a solução x1 , x 2 , x3  do sistema A b  , que é a mesma solução de A b .

2 

Uma consideração que deve ser feita sobre o método de eliminação de Gauss é que ele só

pode ser usado para resolver sistemas lineares associados a matrizes escalonadas reduzidas

73
com elementos das suas diagonais principais diferentes de zero, ou seja,

a111 , a 22
 2  3  n 
, a 33 ,..., a nn  0.

5.2 DECOMPOSIÇÃO DE LU

Em álgebra linear, a decomposição LU (em que LU vem do inglês lower e upper) é uma

forma de fatoração de uma matriz não singular como o produto de uma matriz triangular

inferior (lower) e uma matriz triangular superior (upper). A decomposição de LU de uma

matriz A vem da necessidade de se resolver um conjunto de sistemas do tipo

Ax  b1 , Ax  b2 , Ax  b3 , e assim por diante.

A importância de se escrever uma matriz como o produto de duas outras matrizes triangulares,

uma inferior e a outra superior, se dá pelo fato de que, ao assumir que é possível

reescrever a equação como ou, pela propriedade associativa, e

. Fazendo , temos e . Resolvendo a primeira equação para

e a segunda para , obteremos a conclusão de uma forma mais simples do que fazer pelo

método tradicional, visto que as matrizes são triangulares.

Para conseguir calcular as matrizes, é necessário que seja feito o escalonamento da matriz

com operações de substituição de linhas. A matriz resultante será a matriz . A matriz é

composta pelas colunas pivô de cada passo do escalonamento, com os elementos de cada

coluna divididos pelo pivô correspondente.

74
  3 1 2 
Para exemplificar, vamos escrever a matriz A   3  2 10 em sua forma fatorada
 9  5 6 

. Como A possui três linhas, a matriz L será 3 x 3. Note que a matriz A não precisa

ser quadrada, como no exemplo. Realizando o escalonamento de A através das operações

elementares, obtemos:

 3 1 2  3  1 2  3  1 2 
A   3  2 10 ~ 0  3 12 ~ 0  3 12 
   
 9  5 6  0  2 0  0 0  8

Neste momento, já sabemos que a última matriz obtida é a nossa matriz U, ou seja,

3  1 2 
U  0  3 12  . Observe que U é, de fato, uma matriz triangular superior (“upper”).
0 0  8

Agora, será demonstrado como será obtida a matriz L. Sabe-se que ela é triangular inferior.

Os elementos de suas colunas, então, serão os elementos das colunas pivô de cada estágio do

escalonamento de A, abaixo do pivô daquela coluna, divididos pelo mesmo, a fim de

formarmos a diagonal principal só de 1′s.

A primeira coluna da matriz L será composta pelos elementos da primeira coluna de A

divididos pelo pivô que, neste caso, é 3. Assim, como a primeira coluna de A é (3, -3, 9),

sabemos que a primeira coluna de L deverá ser (1,-1, 3).

Assim, a primeira coluna de L será (1, -1, 3), pois esses são os elementos da primeira coluna

de A divididos pelo pivô 3. O pivô da segunda coluna, no segundo estágio, é -3 e, abaixo dele,

75
temos -2. Dividamos esses elementos por -3 e obtemos a segunda coluna, (0, 1, 2⁄3). O pivô

da terceira coluna, no terceiro estágio, é -8, sem elementos abaixo dele. Dividindo-o por -8,

1 0 0
obtemos a terceira coluna, (0, 0, 1). Dessa forma, nossa matriz L será L   1 1 0 .

 3 2 3 1

Fazendo a multiplicação de L por U e verifique que a mesma resulta em A.

(http://www.andremachado.org/artigos/950/fatoracao-lu-como-fazer.html)

5.3 DECOMPOSIÇÃO (FATORAÇÃO) DE CHOLESKY

O método de Cholesky tem como objetivo decompor uma matriz A na forma , onde

L é uma matriz triangular inferior com elementos da diagonal principal estritamente positivos.

Para que a fatoração de Cholesky possa ser realizada é necessário que a matriz A seja definida

positiva4.

Teorema da Fatoração de Cholesky

Se é uma matriz simétrica, então A possui n autovalores reais e n autovalores

ortogonais;

 2 1 0 
4
Ex.:
 1 2  1 é simétrica e, além disso,
 
 0  1 2 
 2  1 0   x
x z   1 2  1  y   2 x 2  2 xy  2 y 2  2 yz  2 z 2  x 2  x  y    y  z   z 2  0
2 2
y
 0  1 2   z 

76
Uma matriz simétrica A é definida positiva se, e somente se, cada um dos seus autovalores

são reais positivos;

Uma matriz simétrica A é definida positiva se, e somente se, as suas submatrizes principais

tem determinante positivo;

Uma matriz simétrica A é definida positiva se, e somente se, o processo de eliminação de

Gauss pode ser realizado sem permutação de linhas e colunas e todos os seus elementos pivôs

positivos;

Abaixo, será demonstrado como se obter a matriz L do método de Cholesky (CONTE, 1965).

 a11 a 21 ... a n1  l11 0 0 0 ... 0 l11 l 21 ... l k1 ... l n1 

a a 22 ... a n 2  l 21 l 22 0 0 ... 0  0 l ... l k 2 ... l n 2 
 21  22

 ... ... ... ...   ... ... ... ... ... ...  0 0 ... ... ... ... 
    
a k1 ak 2 ... a kn  l k1 lk 2 ... l kk ... 0 0 0 ... l kk ... l kn 
 ... ... ... ...   ... ... ... ... ... ...   ... ... ... ... ... ... 
     
a n1 an2 ... a nn  l n1 ln2 ... l nk ... l nn   0 0 ... 0 ... l nn 

Agora, vamos calcular os coeficientes da primeira coluna lij  para depois calcularmos a

segunda coluna e assim por diante:

Coluna 1 aij   

 a11   l112 
a   
 21   l 21l11   
 ...   ... 
   
a n1  l n1l11 

77
 a j1
Então: l11  a11 e l j1  , j  2,3,..., n
l11

Coluna 2 a j 2   

 a 21   l11l 21 
a   l 2  l 2 
 22   21 22 
 a32   l31l 21  l32 l 22   
   
 ...   ... 
a n 2  l n1l 21  l n 2 l 22 

a j 2  l j1l 21
Então: l 22  a 22  l 212 e l j 2  , j  3,4,..., n
l 22

Coluna k a jk 

 a k1   l11l 21 
a   
 k2   l 21l k1  l 22 k k 2 
 ...   ... 
   2 2 
 a kk    l k1  l k 2  l k 3  ...  l kk   
2 2

 ...   ... 
   
 a kj  l j1l k1  l j 2 l k 2  ...  l jk l kk 
 ...   ... 
   
 a nk  l n1l k1  l n 2 l k 2  ...  l nk l kk 

Então: a kk  l k21  l k22  l k23  ...  l kk2 e a kj  l j1l k 1  l j 2 l k 2  ...  l jk l kk

 k 1

 jk  l ji l ki 
a 
Ou ainda: l kk  a kk  l k21  l k22  l k23  ...  l k2,k 1  e l kj    , j  k  1, k  2,...n
i 1

l kk

78
6 AVALIAÇÃO DOS PROCESSOS ESTOCÁSTICOS

A tarefa de avaliar qual processo estocástico melhor explica a realidade de um problema está

longe de ser trivial. Para isso, existem diversas técnicas que podem auxiliar na escolha do

modelo mais aderente. Nesse trabalho, serão abordadas as técnicas de Raiz Unitárias, Razão

de Variância, Pseudo R² e o Erro Quadrático Médio.

6.1 TESTE DE RAÍZ UNITÁRIA

Em modelos de séries temporais em econometria, a unidade de raiz é uma característica dos

processos que evoluem ao longo do tempo e que podem causar problemas na inferência

estatística, se não for tratada adequadamente. Um processo estocástico linear tem uma raiz

unitária se 1 é raiz da equação característica do processo, caracterizando assim a não

estacionariedade do processo.

A grande parte das séries econômicas possui raiz unitária. Quando a hipótese de raiz unitária

for verdadeira para uma série, os choques aleatórios que ela sofre geram um efeito

permanente. As flutuações neste caso não são transitórias, derrubando, por exemplo, as teorias

de que os ciclos econômicos seriam flutuações temporárias em torno de uma tendência 1.

79
Portanto, quando uma variável apresenta raiz unitária, os pressupostos estatísticos de que a

média e a variância devem ser constantes ao longo do tempo são violados comprometendo,

dessa forma, os resultados obtidos com a utilização de modelos econométricos.

Também conhecido como teste de Dickey-Fuller, este teste consiste em analisar a hipótese

alternativa de que o coeficiente angular (b) da regressão entre os log-retornos e os log-

retornos defasados dos preços seja diferente de 1, demonstrado na equação abaixo:

Onde é o preço do ativo no período t.

A não rejeição da hipótese nula reforça a ideia da presença do MGB. No caso dos

logaritmos dos preços não apresentarem estacionariedade recomenda-se a aplicação do teste

de Dickey-Fuller com Tendência, que consiste na aplicação da regressão entre os log-retornos

e os log-retornos defasados incluindo um termo de tendência temporal conforme demonstrado

na equação abaixo:

Onde c é o coeficiente de tendência temporal.

A prática demonstra que normalmente é difícil rejeitar a hipótese que o processo siga um

MGB, o que também não permite dizer que não haja outro processo estocástico mais

adequado que descreva o comportamento dos preços. Um caso interessante ocorre quando

o que, mesmo sem a rejeição do MGB, indicaria a possibilidade de presença de um

MRM. Dixit & Pindick (1994) mostram que testes efetuados com séries de 30 a 40 anos não

80
permitem rejeitar o MGB para os preços do petróleo, apenas conseguindo rejeitar a raiz

unitária para séries de 120 anos.

6.2 TESTE DE RAÍZ DE VARIÂNCIA

Outra abordagem que pode ser utilizada como suporte à escolha do processo mais adequado é

a verificação de até que nível os choques de preços são permanentes. Muitos testes estatísticos

foram concebidos para testar a Random Walk Hypothesis (RWH), mas uma classe de teste,

com base na metodologia da razão de variância (RV), ganhou enorme popularidade nos

últimos anos (ver, por exemplo, Campbell e Mankiw, 1987; Cochrane, 1988; Lo e

MacKinlay, 1988; Poterba e Summers, 1988). A metodologia de RV consiste em testar a

RWH contra alternativas estacionárias, explorando o fato de a variação dos incrementos de

passeios aleatórios é linear em todos os intervalos de amostragem, isto é, a variação da

amostra do retorno de k-período (ou k-período de diferenças), da série de tempo

é vezes a variância da amostra do retorno de um período (ou a primeira diferença)

O RV em é então definido como o razão entre do retorno k-período (ou a diferença

de ordem k) para a variância do retorno de um período (ou a primeira diferença). Assim, para

um processo de passeio aleatório, a variância computada para cada desfasamento intervalo

indivíduo deve ser igual à unidade (CHARLE, 2006).

Em um processo auto-regressivo, os choques de preço tendem a desaparecer sob constante

força de reversão, ao passo que em um MGB os choques de preço são permanentes. Pindick

(1999) utiliza o Teste de Razão de Variância (Variance Rato Test) que consiste em verificar

se a variância do logaritmo natural dos preços aumenta proporcionalmente ao tempo, que é

81
umas hipóteses primárias do MGB. O teste mede o nível para qual a variância de uma série

cresce com o “atraso” ou lag do dos preços. A razão de variância pode ser medida por

meio da seguinte equação:

O termo Na fórmula representa a variância das séries de diferenças entre de

preços , com atraso (lag) de períodos. No caso de um MGB, à medida que a variância

cresce linearmente com , a razão deveria convergir para 1 quando cresce. Na

presença de reversão à média, por outro lado, a variância é delimitada a certo nível com

crescimento de . Ou seja, para valores altos do atraso , ou lag, a razão da variância

deveria cair indicando que os choques de preço não são permanentes e que os preços revertem

para algum nível de equilíbrio o que reforça a hipótese da presença de um MRM.

6.3 MEDIDAS DE ADERÊNCIA

Em adição aos testes de Dickey-Fuller de Raiz Unitária e de Raiz de Variância, podemos

efetuar análises com base em medidas de aderência “dentro da amostra”, que partem dos

resultados estimados “um passo a frente” dos modelos e das observações das séries de preços.

Dentre as medidas de aderência, abordaremos três metodologias: Pseudo R2, Erro Médio

Quadrático (EQM) e Erro Percentual Absoluto Médio (MAPE).

6.3.1 Pseudo R2

O Pseudo R2 consiste no quadrado da correlação entre os valores das séries e preço e as

previsões um passo à frente estimadas correspondentes ao mesmo período das observações de

82
preço. Valores maiores (mais próximos a 1) do Pseudo R2 indicam em tese uma maior

aderência do modelo testado.

Pesquisadores muitas vezes têm o desejo de criar uma estatística que varie de 0 a 1, que possa

representar a aderência de um determinado modelo, com 0 indicando um modelo sem valor

preditivo e 1 indicando o ajuste perfeito. O coeficiente de determinação R2 para o modelo de

regressão linear serve como um padrão para tais medidas (DRAPER; SMITH, 1998). Os

estatísticos têm procurado um correspondente indicador para modelos com desfecho

binário/multinomial. Muitas estatísticas diferentes do R2 foram propostas nas últimas três

décadas (ver, por exemplo, McFadden (1973), McKelvey e Zavoina (1975), Maddala (1983),

Agresti (1986), Nagelkerke (1991), Cox e Wermuch (1992), Ash e Shwartz (1999), Zheng e

Agresti (2000)). Estatísticas do tipo R2 baseadas em entropia, também chamados de pseudo

R2, ganharam alguma popularidade nas ciências sociais (MADDALA, 1983; LAITILA, 1993;

LONGAS, 1997). McKelvey e Zavoina (1975) propuseram um pseudo R2 com base em um

modelo de estrutura latente, em que o resultado binário/polinomial resulta da discretização de

uma variável latente contínua que está relacionada com os preditores, através de um modelo

linear. O pseudo R2 é definido como a proporção da variância da variável latente, que é

explicada pela covariável. (HU; JUN SHAO; MARI PALTA, 2006)

O cálculo do pseudo R2 pode ser efetuado pela seguinte equação:

Onde:

 a, b  é a correlação entre a e b;

S t são observações da série de preços;

83
E S t S t 1  são valores estimados um passo a frente das observações de preço.

6.3.2 Erro Quadrático Médio

Na inferência a estatística clássica existe mais de um critério para a escolha de estimadores

para um dado problema, mas sim um conjunto de critérios que podem ser utilizados para

seleção e comparação. Dessa forma, podemos definir o Erro Quadrático Médio como a média

dos quadrados das diferenças da série de preços, ou seja, uma forma de avaliar a diferença de

um estimador e o verdadeiro valor da quantidade estimada. Menores valores encontrados para

o EQM indicam uma melhor capacidade preditiva no modelo testado.

Seja uma amostra aleatória tomada de uma distribuição parametrizada por . Dessa


forma, podemos definir o EQM de um estimador  de como:

2
  
EQM    E    
   

Podemos escrever a equação acima como:

2
          
EQM    E   E      E     
        
2 2
       
EQM    E   E     E     
        
2
    
EQM    Var     E     
       

84
 
Onde o termo E     é chamado de vício ou viés de estimador e denotado por B  .
 

Portanto, podemos definir o EQM também como a variância do estimador mais o quadrado do

seu viés.

Em modelagem estatística, o EQM é usado para determinar em que medida o modelo não se

ajustou aos dados ou se remover certos termos poderia simplificar o modelo de forma

benéfica. Um EQM mínimo frequente indica a variação mínima, e, portanto um bom

estimador. Se tirarmos a raiz quadrada do EQM iremos obter o Desvio Quadrático Médio, que

também é uma boa medida de precisão que é chamada de Média Quadrática.

Ter um EQM igual à zero é o ideal, porém na maioria das situações não é possível. O EQM

igual à zero significa que o estimador prevê observações com precisão perfeita. Uma crítica

ao modelo é que o EQM coloca mais peso em grandes erros do que em pequenos (resultado

do termo de cada quadratura), enfatizando, assim, dados discrepantes de maneira

inconsistente com a mediana de dados de amostra.

6.3.3 Erro Percentual Absoluto Ponderado

O Erro Percentual Absoluto Ponderado consiste na média dos módulos das diferenças dos

valores estimados um passo à frente e os valores reais das observações da série de preços. De

forma análoga a interpretação do EQM, menores valores encontrados para o MAPE indicam

uma melhor capacidade preditiva do modelo testado. Podemos definir o MAPE por meio da

seguinte equação:

85
Onde são observações da série de preços e são valores estimados um passo à

frente das observações de preço.

Muitas organizações utilizam o MAPE ao avaliar a precisão das previsões. Isso se deve à

facilidade de interpretação, pelo fato de ser em termos percentuais. Apesar disso, o MAPE é

uma escala sensível e não deve ser utilizado quando se trabalha com poucos dados históricos.

Note que, por o valor da demanda estar no denominador da equação, o MAPE irá assumir

valores extremos no caso de baixa demanda de um determinado item. Essa sensibilidade de

escala torna o MAPE ineficiente como medida de erro quando utilizamos um baixo volume de

dados.

86
7 ESTUDO DE CASO

O objetivo desse trabalho é avaliar qual seria o valor justo no lançamento de uma call exotica

européia, estilo Best of5, que esteja atrelada a 3 ativos objeto distintos: ouro, petróleo e o

dólar. Dado que a opção não é uma opção plain vanilla não utilizaremos o cálculo via solução

analítica de Black & Scholes e por árvores binomiais e sim por simulações. Avaliou-se o

comportamento dos ativos objetos via dois processos estocásticos: Movimento Geométrico

Browniano e Movimento de Reversão à Média Geométrico de Schwartz. Após calcular o

resultado de cada ativo via os dois processos estocásticos, avaliamos os resulados encontrados

por meio dos testes de aderência para que possamos definir qual processo estocástico mais se

adequa a cada ativo. Verificamos as correlações entre os ativos objetos e calculamos a matriz

de Cholesky e aplicamos o resultado encontrado nas simulações de valores aleatórios

normalmente distribuídos.

A opção possui 1 ano para a maturação e o preço de exercício para cada ativo objeto são os

preços de fechamento do dia anterior ao lançamento da opção.

5
Uma opção best/worst of é uma opção composta por uma cesta de opções, sejam elas calls ou puts, todas com
mesma data de vencimento, porém com ativos subjacentes distintos. Na data de vencimento, apenas a opção de
melhor desempenho será exercida, ou seja, a opção In-the-Money (ITM). O payoff de uma opção de compra best
of será aquela que o ativo objeto apresentar a maior relação com o strike, ou seja: % de mudança da opção de
melhor desempenho > strike. Para uma opção de venda a conta é o inverso: % de mudança da opção de melhor
desempenho < strike. Para uma opção worst of de uma opção de compra o payoff será: % de mudança da opção
de pior desempenho > strike. Para uma opção de venda o payoff de uma opção worst of é: % de mudança da
opção de pior desempenho < strike.
87
Dado que a opção em questão é europeia, ou seja, só poderá ser exercida na data de

vencimento, adotou-se a hipótese simplista de efetuar um único sorteio aleatório distribuído

normalmente simbolizando o resultado dos erros agregados de cada uma das variáveis até o

vencimento. Para esse sorteio foram efetuadas 10.000 simulações de erros normalmente

distribuídos (N(0,1)) pela ferramenta análise de dados, suplemento do programa Excel.

Abaixo está apresentado o histograma do sorteio.

Figura 14 - Histograma dos Sorteios Aleatórios Normalmente Distribuídos

Após isso, calculamos as correlações históricas dos ativos entre o período de 14/06/2000 até

14/06/2013 com base em dados dos preços de fechamento. Após isso, calculamos a matriz de

Cholesky que foi aplicada às 10.000 simulações de erros normalmente distribuídos.

Tabela 4 – Matriz de Correlação Histórica entre os Ativos Objetos

Correlação (Matriz ) 
   XAU Cmdty  USD x BRL Crncy  CL1 Cmdty 
XAU Cmdty  1 ‐11% 27% 
USD x BRL Crncy  ‐11% 1 ‐19% 
CL1 Cmdty  27% ‐19% 1 

88
 Tabela 5 – Matriz de Cholesky

Fatoração de Cholesky 
 = A.A'
A 
                                                                                
1,0000   ‐     ‐    
‐                                                                     
0,1119   0,9937   ‐    
                       ‐                                     
0,2715   0,1576   0,9494  
        
A' 
                       ‐                                   
1,0000   0,1119   0,2715  
                                                ‐                    
‐     0,9937   0,1576  
                                                                              
‐     ‐     0,9494  

Abaixo, estão apresentadas as séries diárias dos preços históricos de fechamento, em dólar

considerando a inflação do período, desde 14 de junho de 2000 até a data de lançamento da

opção.

Figura 15 - Gráfico de Preços de Fechamento do Ouro

89
 Figura 16 - Gráfico de Preços de Fechamento do Petróleo

Figura 17 - Gráfico de Preços de Fechamento do Dólar

Após calcularmos a média e a volatilidade histórica dos ativos foram feitos os testes de

aderência nas séries e obtivemos os seguintes resultados:

90
 Tabela 6 - Resultado de Estatísticas Descritivas - MGB
MAPE EQM Pseudo^2
CL1 Comdty MGB 0,0177915 2,3283305 0,997
XAU BGN Curncy MGB 0,0083844 129,01728 0,999
USDBRL BGN Curncy MGB 0,0073901 0,0007440 0,997

Tabela 7 – Resultado de Estatísticas Descritivas - MRMG

MAPE EQM Pseudo^2
CL1 Comdty MRMG - Schwartz 0,0177921 2,3257010 0,997
XAU BGN Curncy MRMG - Schwartz 0,0083841 128,98350 0,999
USDBRL BGN Curncy MRMG – Schwartz 0,0073742 0,0007426 0,997

A seguir, calculamos os parâmetros que influenciam a modelagem dos ativos-objetos. Os

resultados são apresentados abaixo e expressos em taxas anualmente:

Tabela 8 –Parâmetros Estimados

Velocidade de
Ativo Média Volatilidade Média (LP)
Reversão à Média
XAU Cmdty 17,38% 22,38% 7,20% 10.255,79
CL1 Cmdty 12,11% 46,58% 41,93% 95,00
USDBRL Curncy 1,83% 20,79% 51,00% 2,36

Com base nos parâmetros acima obtivemos os seguintes resultados de cada ativo objeto no

vencimento da operação:

Tabela 9 – Resultados Obtidos pelos dois modelos

Ativo  Strike  Média (LP) MGB  MRM 

XAU Cmdty 1.388,03 10.255,79 310,35 71,42
CL1 Cmdty 97,39 95,00 26,25 4,10
USDBRL Curncy 2,13 2,36 0,19 0,24

Observando os resultados estimados pelos dois processos estocásticos, pode-se verificar que o

ouro (XAU Cmdty) foi o ativo que apresentou o melhor desempenho com base no MGB e o

91
câmbio (USDBRL Curncy) foi o ativo que apresentou os melhores resultados quando

utilizado o Movimento de Reversão à Média de Schwartz.

Efetuando os cálculos via Modelo de Reversão à Média Geométrico, haveria exercício da

opção atrelada ao Ouro (XAU Cmdty) em 1299 das 10000 simulações feitas. Com relação ao

câmbio (USDBRL Curncy), foi verificado que em 5655 simulações ocorreriam o exercício e

para o petróleo (CL1 Cmdty) ocorreriam 1330 cenários de exercício da opção. Considerando

o cálculo feito pelo MGB, o número de vezes em que o ouro (CL1 Cmdty) seria exercido

passaria para 7431 vezes, ao passo que o câmbio (USDBRL Curncy) seria exercido 4886

vezes e o petróleo (CL1 Cmdty) 5085.

Após obtenção dos resultados de desempenho dos ativos, efetuou-se o teste de raíz unitária

nas séries XAU Cmdty e USDBRL Curncy para verificar se são estacionárias. A hipótese nula

(Ho) testa se as séries possuem raíz unitária. A não rejeição da hipótese nula, ou seja, a série

possuir raíz unitária reforça a hipótese de que a série segue um MGB.

Abaixo, aprsentamos os resultados obtidos da série XAU Cmdty com base no programa

Eviews em nível e considerando que há uma tendência de crescimento e uma constante.

92
 Tabela 10 – Teste de Raíz Unitária XAU (Ouro)
Null Hypothesis: SERIES01 has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic - based on SIC, maxlag=28)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -2.372836 0.3938

Test critical values: 1% level -3.960882
5% level -3.411197
10% level -3.127431

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(SERIES01)
Method: Least Squares
Date: 10/07/14 Time: 19:51
Sample (adjusted): 6/15/2000 6/14/2013
Included observations: 3230 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

SERIES01(-1) -0.003089 0.001302 -2.372836 0.0177

C 0.212795 0.399694 0.532395 0.5945
@TREND("6/14/2000") 0.001580 0.000675 2.342431 0.0192

R-squared 0.001768 Mean dependent var 0.339406

Adjusted R-squared 0.001149 S.D. dependent var 11.35756
S.E. of regression 11.35103 Akaike info criterion 7.697422
Sum squared resid 415785.7 Schwarz criterion 7.703070
Log likelihood -12428.34 Hannan-Quinn criter. 7.699446
F-statistic 2.857501 Durbin-Watson stat 1.956094
Prob(F-statistic) 0.057557

Com base na estatística de Durbin-Watson podemos observar que a série não é

autocorrelacionada visto que seu coeficiente está entre 1,85 e 2,15. A partir disso podemos

avaliar o resultado da regressão e, verificamos que a hipótese nula da série possuir raíz

unitária não foi rejeitada a 1%, 5% e 10% de significância. Outro indicativo para isso é o

resultado obtido para o p-valor que é superior aos níveis de significância citados acima. Dessa

forma, podemos concluir a não estacionariedade da série e que ela possivelmente segue um

MGB.

93
Abaixo, apresentamos o resultado para a série do USDBRL Curncy para efeito de

comparação. A hipótese nula (Ho) é de a série possuir raíz unitária.

Tabela 11 – Teste de Raíz Unitária USDBRL

Null Hypothesis: SERIES03 has a unit root
Exogenous: Constant
Lag Length: 2 (Automatic - based on SIC, maxlag=28)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -1.512777 0.5272

Test critical values: 1% level -3.432187
5% level -2.862237
10% level -2.567185

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(SERIES03)
Method: Least Squares
Date: 10/07/14 Time: 20:06
Sample (adjusted): 6/19/2000 6/14/2013
Included observations: 3228 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

SERIES03(-1) -0.001418 0.000938 -1.512777 0.1304

D(SERIES03(-1)) 0.014401 0.017523 0.821877 0.4112
D(SERIES03(-2)) -0.099550 0.017527 -5.679659 0.0000
C 0.003278 0.002147 1.526950 0.1269

R-squared 0.010894 Mean dependent var 0.000102

Adjusted R-squared 0.009974 S.D. dependent var 0.027277
S.E. of regression 0.027140 Akaike info criterion -4.374361
Sum squared resid 2.374772 Schwarz criterion -4.366828
Log likelihood 7064.219 Hannan-Quinn criter. -4.371662
F-statistic 11.83660 Durbin-Watson stat 1.995678
Prob(F-statistic) 0.000000

Podemos observar que a série não é autocorrelacionada com base no resultado da estatística

de Durbin-Watson e que a série não rejeita a hipótese nula de possuir raíz unitária aos níveis

de significância de 1%, 5% e 10%. Analisando o resultado do p-valor podemos confirmar que

a hipótese nula não foi rejeitada e dessa forma podemos assumir que a série possa ser

modelada pelo MGB.

94
Dessa forma, podemos concluir que o ativo que apresentou o melhor desempenho foi o XAU

Cmdty e que o modelo que o melhor explica é o MBG. Trazendo a valor presente o payoff

calculado para o Ouro pela taxa Libor, verificamos que o valor dessa opção seria de USD

308,31.

95
8 CONCLUSÃO

Opções de balcão estão sendo cada vez mais comercializadas por instituições financeiras e

adquiridas principalmente por fundos de investimentos nacionais e offshore que tentam

maximizar seus ganhos.

Esse trabalho teve como objetivo calcular o valor justo de uma opção exótica de estilo Best of

com 3 ativos objetos no seu lançamento. Os ativos objetos foram modelados com base em

dois processos estocásticos distintos: Movimento Geométrico Browniano e Movimento de

Reversão à Média Geométrico de Schwartz.

Foram utilizadas técnicas estatísticas como o teste de raíz unitária, ou teste de Dickey-Fuller,

para avaliar se as séries possuíam ou não raíz unitária, além da utilização de algumas medidas

de aderência. Utilizou-se a decomposição de Cholesky para correlacionar o sorteio aleatório

normalmente distribuído entre as séries e por fim chegou-se a conclusão que o ativo que

obteve o melhor resultado foi o ouro.

Como sugestões para trabalhos futuros na mesma linha de pesquisa ficam a ser desenvolvido

e apresentado o cálculo da opção adotanto o processo de reversão à media com saltos.

Processos com saltos de Poison podem ser modelados com base em equações estocásticas,

96
conforme demonstrado por Dias e Rocha (1999). Dessa maneira, é importante ressaltar a

relevância em pesquisas futuras para contribuição nesta linha de trabalho.

97
REFERÊNCIAS BIBLIOGRÁFICAS

ADVFN. O que é o Valor Intrínseco e Valor Extínseco de um contrato de opção.

Disponível em: <http://br.advfn.com/educacional/opcoes/valor-intrinseco>. Acesso em: 27
mar 2014.

ARAÚJO, Gustavo Silva; BARBEDO, Claudio Henrique da Silveira; FIGUEIREDO,

Antonio Carlos; LEMGRUBER, Eduardo Facó. Contornando os Pressupostos de Black &
Scholes: aplicação do modelo de precificação de opções de duan no mercado brasileiro.
Disponível em: <http://www.bcb.gov.br/pec/wps/port/wps78.pdf>. Acesso em 21 abr 2014.

BASTIAN PINTO, Carlos Lamare. Modelagem de opções reais com processos de reversão
à média em tempo discreto: uma aplicação na indústria brasileira de etanol. Tese (Doutorado
em Administração de Empresas). Rio de Janeiro: PUC, 2005.

______; BRANDÃO, Luiz E. T. Modelando opções de conversão com movimento de

reversão a média. Revista Brasileira de Finanças, v. 5, 2007.

BOUZOUBAA, Mohamed; OSSEIRAN, Adel. Exotic options and hybrids: a guide to

structuring, pricing and trading. Paris: John Wiley, 2010.

BURDEN, Richard L.; FAIRES, J. Douglas. Análise numérica. 8. ed. São Paulo: Cengage
Learning, 2008.

CHARLES, Amélie; DARNÉ, Olivier. Variance-ratio tests of random walk: an overview.

Journal of Economic Surveys, 2009, v. 23, n. 3, p. 503–527.

CONTE, S. D. Elementary Numerical Analysis. New York: MacGraw-Hill, 1965.

DIAS, M. Real options with petroleum applications. Tese (Doutorado em Engenharia

Industrial). Rio de Janeiro: PUC, 2005.

______. Stochastic processes with focus in petroleum applications, Part 2 – mean

reversion models. Disponível em: <http://sphere.rdc.puc-rio.br/marco.ind/revers.html#mean-
rev>. Acesso em 10 fev 2014.

DIAS, M. A. G.; ROCHA, K. Petroleum concessions with extendible options using mean
reversion with jumps to model oil prices. 3rd Real Option Conference, Anals,
Wassenaar/Leiden, 1999.

98
DICKEY, D., FULLER, W. Likelihood ratio statistics for autoregressive time series with a
unit root. Econometrica, n. 49, 1057-1072, 1981.

DIXIT, A., PINDYCK, R. Investment under uncertainty. Princeton: Princeton University

Press: 1994.

FLORES, Ana Luiza Silva de Alvarez. O impacto do marco regulatório sobre o

desenvolvimento do pré-sal. Dissertação (Mestrado em Administração de Empresas). Rio de
Janeiro: PUC, 2010.

GRINBLATT, Mark; TITMAN, Sheridan. Mercados Financeiros & Estratégias

Corporativas. 2. ed. Porto Alegre: Bookman, 2005.

HU, Bo; SHAO, Jun; PALTA, Mari. Pseudo-r2 in logistic regression model. Statistica
Sinica, n. 16, 2006, p. 847-860.

HULL, John. Fundamentos dos mercados futuros e de opções. São Paulo: BM&F, 2005.

KITATANI, Sabrina Orsi; PINTO, Afonso de Campos. Produtos estruturados no mercado

brasileiro: uma análise sobre a sua valorização entre 2006 e 2011. Disponível em:
<http://www.anpec.org.br/encontro/2012/inscricao/files_I/i7-
781fdb1a74301f18495e41799fef3569.pdf>. Acesso em 13 mar 2014.

LAY, David C. Álgebra linear e suas aplicações. 2. ed. Rio de Janeiro: LTC, 1999.

MACHADO, André. Fatoração LU: como fazer? Disponível em:

<http://www.andremachado.org/artigos/950/fatoracao-lu-como-fazer.html>. Acesso em 10
mar 2014.

OZÓRIO, Luiz de Magalhães; BASTIAN-PINTO, Carlos de Lamare; BAIDYA, Tara Nanda;

BRANDÃO, Luiz Eduardo Teixeira. Reversão à média com tendência e opções reais na
siderurgia. Disponível em:
<http://bibliotecadigital.fgv.br/ojs/index.php/rbfin/article/viewFile/3591/2689>. Acesso em
21 mar 2014.

OZÓRIO, Luiz de Magalhães. Opções Reais na Siderurgia: O caso brasileiro. Doutorado

(Engenharia de Produção). Rio de Janeiro: PUC, 2010.

ROUAH, Fabrice Douglas. The Heston Model and its Extensions in Matlab and C#, +
Website. New Jersey: Wiley, 2013.

SABILY, Eduardo; PROENÇA DE GOUVÊA, Sérgio Luiz Medeiros; MARINS, Jaqueline

Terra Moura. Amostragem descritiva no apreçamento de opções europeias através de
simulação de monte carlo: o efeito da dimensionalidade e da probabilidade de exercício no
ganho da precisão. Pesquisa Operacional, v. 27, n. 1, p. 1-13, jan-abr 2007.

SCHWARTZ, Eduardo. The stochastic behavior of commodity prices: implications for

valuation & hedging. The Journal of Finance, v. LII, n. 3, jul 1997.

99
ANEXO A - TABELA DE CONTRATOS FUTUROS NEGOCIADOS NA BM&F
BOVESPA

Código Ativo Objeto

ISU Contrato Futuro de Açúcar Cristal Especial
BGI Contrato Futuro de Boi Gordo com Liquidação Financeira
ICF Contrato Futuro de Café Arábica
ETN Contrato Futuro de Etanol Denominado em Dólar Americano
ETH Contrato Futuro de Etanol Hidratado com Liquidação Financeira
CCM Contrato Futuro de Milho com Liquidação Financeira
CTM Contrato Futuro de Base de Preço de Milho / Triângulo Mineiro (MG)
COP Contrato Futuro de Base de Preço de Milho / Cascavel (PR)
CVR Contrato Futuro de Base de Preço de Milho / Rio Verde (GO)
CPG Contrato Futuro de Base de Preço de Milho / Paranaguá (PR)
OZ1 Contrato Futuro de Ouro
SFI Contrato Futuro de Soja com Liquidação Financeira
IND Contrato Futuro de Índice Ibovespa
BRI Contrato Futuro de Índice Brasil-50
IGM Contrato Futuro de Índice Geral de Preços do Mercado
IAP Contrato Futuro de Índice Nacional de Preços ao Consumidor Amplo
JSE Contrato Futuro BVMF do Índice FTSE/JSE Top 40
HSI Contrato Futuro BVMF do Índice Hang Seng
MIX Contrato Futuro BVMF do Índice MICEX-RTS
BSE Contrato Futuro BVMF do Índice SENSEX-BSE
ISP Contrato Futuro BVMF do Índice S&P 500
DDI Contrato Futuro de Cupom Cambial
DDM Contrato Futuro de Cupom de IGP-M
DAP Contrato Futuro de Cupom de IPCA
DI1 Contrato Futuro de Taxa Média de Depósitos Interbancários de 1 Dia
DIL Contrato Futuro de Taxa Média de Depósitos Interbancários de Longo Prazo
SCC Contrato de Swap Cambial com Ajuste Periódico
A18 Contrato Futuro de A-Bond
BC3 Contrato Futuro de Swap de Crédito de 3 Anos da Dívida Soberana do Brasil
BC5 Contrato Futuro de Swap de Crédito de 5 Anos da Dívida Soberana do Brasil

100
 BC7 Contrato Futuro de Swap de Crédito de 7 Anos da Dívida Soberana do Brasil
B13 Contrato Futuro de Global Bond Due 2013
B14 Contrato Futuro de Global Bond Due 2014
B15 Contrato Futuro de Global Bond Due 2015
B19 Contrato Futuro de Global Bond Due 2019
B20 Contrato Futuro de Global Bond Due 2020
B24 Contrato Futuro de Global Bond Due 2024
B25 Contrato Futuro de Global Bond Due 2025
B27 Contrato Futuro de Global Bond Due 2027
B30 Contrato Futuro de Global Bond Due 2030
B34 Contrato Futuro de Global Bond Due 2034
B37 Contrato Futuro de Global Bond Due 2037
B40 Contrato Futuro de Global Bond Due 2040
T10 Contrato Futuro de US Treasury Note de 10 Anos
DOL Contrato Futuro de Dólar Americano Comercial
AUD Contrato Futuro de Dólar Australiano
CAD Contrato Futuro de Dólar Canadense
NZD Contrato Futuro de Dólar Neozelandês
EBR Contrato Futuro de Euro
EUR Contrato Futuro de Euro
CHF Contrato Futuro de Franco Suíço
JPY Contrato Futuro de Iene
CNY Contrato Futuro de Iuan
GBP Contrato Futuro de Libra Esterlina
TRY Contrato Futuro de Lira Turca
CLP Contrato Futuro de Peso Chileno
MXN Contrato Futuro de Peso Mexicano
ZAR Contrato Futuro de Rande Sul-africano
WBG Contrato Futuro Mini de Boi Gordo
WCF Contrato Futuro Mini de Café Arábica
WDO Contrato Futuro Mini de Dólar Americano Comercial
WEU Contrato Futuro Mini de Euro
WIN Contrato Futuro Mini de Índice Ibovespa

Fonte: BM&F Bovespa

101
ANEXO B - RESUMO DE CONTRATO FUTURO DE DI NEGOCIADO NA BM&F
BOVESPA

Resumo do Contrato de DI

Item Descrição
A taxa de juros efetiva até o vencimento do contrato, definida para
Objetivo de esse efeito pela acumulação das taxas diárias de DI no período
Negociação compreendido entre a data de negociação, inclusive, e o último dia
de negociação do contrato, inclusive.
Ambiente de Pregão viva-vos (somente vencimentos estipulados pela BM&F) e
Negociação sistema eletrônico (GTS).
PU multiplicado pelo valor em reais em cada ponto, estabelecido
Unidade de Negociação pela BM&F.
Taxa de juro anual, base 252 dias úteis, com até três casas
Cotação decimais.
Os quatro primeiros meses subsequentes ao mês em que a operação
Meses de Vencimento for realizada e, a partir daí, os meses que se caracterizarem como
início de trimestre (janeiro, abril, julho outubro).
Último dia de
Negociação Dia útil anterior à data de vencimento.
Na data de vencimento, as posições em aberto, após o último
ajuste, serão liquidadas financeiramente pela Bolsa, mediante o
registro de operação de natureza inversa (compra ou venda) à da
Liquidação no
posição, na mesma quantidade de contratos, pela cotação (preço
Vencimento
unitário) de 100.000 pontos. Os resultados financeiros da
liquidação serão movimentados no dia útil subsequente a data de
vencimento.

Fonte: BM&F Bovespa

102
ANEXO C - TABELAS DE VARIÁVEIS ADMITIDAS NAS NEGOCIAÇÕES DE
SWAP NA BM&F BOVESPA

Variáveis Admitidas nas Negociações de Swap

1 PRE Taxa Prefixada

2 DI1 Taxa de Depósitos Interfinanceiros de 1 dia
3 DOL Taxa de Câmbio de dólar Comercial
4 TR Taxa Referencial (TR)
Índice de Preços - Abertura de novas posições suspensa pelo
5 IGP OC 044/2002-DG que introduzidas variáveis IGM, IGD, IPC,
INP e IAP
6 OZ1 Variação do Peço do Ouro
7 SEL Taxa Selic
8 TBF Taxa Básica Financeira (TBF)
9 ANB Taxa ANBID
10 IND Índice Bovespa (Ibovespa)
11 TJL Taxa de Juro de Longo Prazo (TJLP)
12 SB1 Valor de uma Carteira de Ações (STOCK BASKET 1)
13 SB2 Valor de uma Carteira de Ações (STOCK BASKET 2)
14 REU Taxa de Câmbio de Reais por Euro
15 IGM Índice Geral de Preços-Mercado (IGPM)
16 IGD Índice Geral de Preços-Disponibilidade Interna (IGP-DI)
17 IPC Índice de Preços ao Consumidor (IPC)
18 INP Índice Nacional de Preços ao Consumidor (INPC)
19 IAP Índice Nacional de Preços ao Consumidor Anplo (IPCA)
20 JPY Taxa de Câmbio de Reais por Iene
21 IBR Índice Brasil-50 (IBrX-50)

Fonte: BM&F Bovespa

103
ANEXO D - TABELAS DE VENCIMENTOS DAS OPÇÕES DE AÇÕES
NEGOCIADAS NA BM&F BOVESPA

Opção Mês de
Compra Venda Vencimento
A M Janeiro
B N Fevereiro
C O Março
D P Abril
E Q Maio
F R Junho
G S Julho
H T Agosto
I U Setembro
J V Outubro
K W Novembro
L X Dezembro
Fonte: BM&F Bovespa

104
ANEXO E - DEDUÇÃO DA FÓRMULA DE BLACK & SCHOLES PELO PRÊMIO
JUSTO6

A ideia para a dedução da fórmula de Black & Scholes para precificação de uma opção pelo

conceito do prêmio justo adota as seguintes premissas:

1. O preço das ações seguem uma distribuição log-normal com parâmetros , na

forma para qual .

2. A esperança do log-retorno tem que ser igual à renda fixa “r”, ou seja,

, para evitar a possibilidade de arbitragem. Nesse caso,

3. O prêmio deve ser igual à esperança de lucro intrínseco do titular usando a log-normal

Com base nas premissas descritas acima, podemos escrever:

6
Fórmula utilizada para o cálculo dos prêmios das opções no capítulo 22 de André Marins, “Mercado e
Derivativos e Análise de Risco”, AMS Editora 2004.
105
Que pode também ser escrita como:

2 2
  2     2  
ln  ST   ln  S    r   T   ln  ST   ln  S   r   T 
 2   
  2  
 
  
2 2T 2 2 T
e e
c  e  rT  dST  Xe  rT  dST
X 2 T X 2 T ST

dST
w  ln ST dw  dST  ST dw  e w dw
Vamos fazer a mudança de variável ST para reescrever a

integral como:

2 2
  2     2  
 w  ln  S    r   T   w  ln  S    r   T 
 2   
  2  
 
  
2 2T 2 2 T
e e
c  e  rT 
ln X 2 T
e w dw  Xe  rT 
ln X 2 T
dw

2
  2  
 w  ln  S    r   T 
  2  

 2 2 T
e
I2   2 T
dw
Vamos começar com a segunda integral ln X . Mudando a variável para

  2  
 w  ln  S    r  T
2   z2

 1 
z  I2  e 2
dz     zo 
 T 2
chegamos a zo
, onde

  S   2  
ln     r  T
 X  2  
zo    d 2
 T , logo I 2    d 2  .

106
 2
  2  
 w  ln  S    r  T 

  2  
  2
w
2 T
e
c  e  rT  dw  Xe  rT   d 2 
Nesse ponto já temos o resultado: ln X 2 T , faltando
2
  2  
 w  ln  S    r  T 
  2  
   2
w
2 T
e
I1   2 T
dw
apenas resolver a primeira integral ln X . A ideia é completar

quadrado no expoente chegando, após álgebra direta, ao resultado:

2 2
  2     2  
 w  ln  S    r  T  w  ln  S    r  T
  2     2  
 w  ln  S   rT
2 2 T 2 2 T

  2  
 w  ln  S    r  T
  2  
z
Nesse ponto troca-se a variável para  T , a qual nos leva ao limite

   
2
S
ln  r 
2 
T
X  
zo     d1
inferior  T , e ao resultado intermediário:

Cancelando rT , finalmente, recuperamos Black & Scholes:

c  S   d1   Xe  rT   d 2 
e p  Xe   d 2   S   d1  , com:
 rT

S       
2 2
S
ln     r   ln   r 
2 
T T
X  2  X  
d1  d2 
 T e  T .

107
ANEXO F - DEDUÇÃO DA FÓRMULA DE BLACK & SCHOLES PELA
CONVERGÊNCIA DO MODELO CRR7

Convergência da Binomial para a Normal pode ser estabelecida como:

 
 n  n k k
n
1    k  np 2  1 


z2

 k q p 
ko   2 npq
 e

2 npq
dk  

  e dz 
2  ko  np
2

 ko  
 npq 

x z2
1 
  x  e 2
dz
Seja 2  a função distribuição de probabilidade cumulativa da Normal

N  0,1
padrão . Podemos usar a simetria da Normal,

  z  x  z 
2 2
1 1
  e 2 dz     e 2 dz      x 
2  x  2    , para expressar a somatória como

n
n  k  np 
 k  q n k
pk     o
 
pq n 
ko    . Já a somatória complementar será dada diretamente por

ko
n  k  np 
 k  q n k
pk    o
 npq 
0    .

7
Convergência do modelo de CRR para Black & Scholes foi retirada nas notas do Prof. Don M. Chance,
Teaching Note 00-08: Convergence of the Binomial to the Black-Scholes Model (July 8, 2008). Disponível em:
<http://www.bus.lsu.edu/academics/finance/faculty/dchance/Instructional/Instr.htm>. Acesso em 21 mar 2014.
108
Trocando o retorno pelo log-Retorno r  ln 1  R  , ou 1  R   e , no modelo CRR chegamos
r

a:

n
n n
n
c  S     D* n k U* k  Xe  rn     Dn k Uk
k k  k 
*
k k  k 
*

* *
k
n k
n
p  Xe  rn     Dn k Uk  S     D* n k U* k
k 0  k  k 0  k 

No limite de T  n   nos leva a:

 k  *T   k  UT 
c  S    cut U
  Xe  rT    cut 
   U D T
   , ou c  S   d1   Xe   d 2  .
* *  rT
 U U T  

Essa é quase a fórmula de Black & Scholes desde que possamos expressar tudo em termos do

log-retorno r e sua volatilidade  , em lugar das probabilidades  . Note que o preço da ação

não segue as probabilidades risco-neutras do modelo binomial, mas um conjunto  p, q 

qualquer. A idéia, portanto, é escrever tudo em termos da esperança e variância dos preços

das ações evitando utilizar o conjunto de probabilidade  p, q  específico. Se o preço só pode

nk k
subir ou descer pelos fatores U e D ao fim de n períodos teremos que ST  D U S e

k
ST U  S U   S  U 
 Dn   ln T  k ln    n ln D E  ln T   E  k  ln    n ln D
S  D  , portanto, S D . Nesse caso  S  D de

 S 
E ln T   n ln D
k  
S 
U 
ln  
onde tiramos que D . Nada aqui depende das probabilidades.

109
  S  S      U 
2 2

E  ln T  E ln T     ln    E  k  k    ST  ln    k

2
U
            S  D  .
Por outro lado 
S S D ln
, ou seja,

 S   ST 
k 
ln S S 
T
kcut  k
ln    E  ln 
    S 
X
U  
ln   k 
Dessa forma obtemos  D  , e podemos escrever ln S S 
T

Para o segundo termo da call temos que e  U  D   U  D   UU   D D . Isso significa que

r

S  S 
   UU   D D   e   rT
n
E T rT
ln E  T
S , e que S . Se x segue uma log-normal então

2 2 1
E  x  e

2 ln E  x      E  ln x   V ln x 
, de onde tiramos que 2 2 . Daqui vemos

1 2
E  ln x   ln E  x   V  ln x    
que 2 2 . Usando esse resultado obtemos:

S   T   
2 2
 S 
E ln T   ln E  T    r  T
 S S 2  2 

O qual nos permite expressar d2 como:

S   
2
ln     
2 
r T
k*  k X 
d2   
k  T .

Para o primeiro termo as probabilidades agora são  U  e  UU e  D  e  D D . Nesse caso

* r * r

 U*  e  rU U 
U
1  e  r D  e r D  1 
U  D  U*
U  D   r
. Isolando para e temos que, U , que

U D*  D  U*
e r 
pode ser transformado em UD . Desse resultado extraímos que:

110
 U  D*  D U* 1  *  1 
er    U*   D  
UD U  D

S  1 1 S  S 
E  t 1    U*     D*   e  r  E  t 1   r  ln E  t 1 
Mas  St  U  D logo  St  e  St  . Entretanto

S  S  S 
S S S S S
 o 1  T 1   t 1 E    E  t 1    E  t 1 
ST S1 S 2 ST t St e  ST   t St  t  St  , porque se x e y são

independentes, então E  xy   E  x  E  y  e os passos são independentes entre si. Agora

S    1 
n
 1  S   1  1 
E  t 1    U*     D*    E     U*     D*     e  rT
 t    
S U   e
D  T   
S U  D  . De onde tiramos que

S
 rT  ln E  
 ST  .

2 2
 S     S    
E t  e 2 E  t 1   e 2
Agora se S segue uma log-normal, então  t 1  . Todavia,  t 
S S
porque a

 S   S 
E ln t    E  ln t 1 
esperança troca de sinal, mas a variância não, ou seja:  St 1   St  , mas

2
 S   S   S   T  2 T 2
V ln t   V ln t 1  E  e r
 St 1   St  . Dessa forma  ST  e 2 . Daqui, portanto,

   
2
S
ln  r 
2 
T
 S   2
X  
E  ln T   rT  2 T d1 
extraímos que  S . Assim obtemos  T .

Dessa forma chegamos aos resultados de Black & Scholes:

c  S   d1   Xe  rT   d 2 
e p  Xe   d 2   S   d1  , com:
 rT

111
        
2 2
S S
ln  r  T ln   r 
2 
T
X   2  X  
d1  d2 
 T e  T .

112