Cálculo Estocástico

Oficina - 28/09/2019
Alfredo Rossi
Victor Matheus
Revisão Probabilidade (termos e
conceitos básicos)
Primeiramente, vamos considerar um experimento em que o
resultado é a face de uma moeda jogada para cima. Dessa forma,
há somente dois resultados possíveis: cara ou coroa.

► Como entender processos em que a saída não consiste em valores

determinísticos, mas aleatórios?

► Como descrever tais processos de forma analítica para poder

verificar as possibilidades de resultados?

Outros exemplos: controle de processos industriais, preço de uma

ação, poker, número de gols em partida de futebol.
Revisão Probabilidade (termos e
conceitos básicos)
► Espaço de Eventos

Ω = {cara, coroa}

► Variável Aleatória: pode ser discreto ou contínuo

X:Ω→R
Ω X
CARA 1

COROA -1
Revisão Probabilidade (termos e
conceitos básicos)
► Probabilidade:
► Discreto: função massa de probabilidade

fx : Ω → R≥0
Revisão Probabilidade (termos e
conceitos básicos)
► Probabilidade:
► Contínuo: função densidade de probabilidade

fY : Ω → R≥0
Revisão Probabilidade (termos e
conceitos básicos)
► Esperança: “centro de gravidade” da distribuição

► Discreto

► Contínuo
Revisão Probabilidade (termos e
conceitos básicos)
► Variância: dispersão em torno da média de X

► Discreto

► Contínuo
Revisão Probabilidade (termos e
conceitos básicos)
► Independência: Dado duas variáveis aletórias X1
e X2. Elas serão independentes se,

para todos eventos A e B.

Revisão Probabilidade (termos e
conceitos básicos)
► Exemplo: distribuição normal
Uma variável aleatória X contínua possui distribuição normal N(μ,
𝝈) se
Processos Estocásticos
► Definição: Evento de interesse que se desenvolve no tempo
de uma maneira que pelo menos uma componente do
processo é aleatória. Ou seja, trata-se de uma coleção de
variáveis aleatórias indexadas pelo tempo.

► Definição formal: trata-se de uma função distribuição de

probabilidade em que o espaço de eventos são os possíveis
comportamentos da curva de X.
Processos Estocásticos
► Exemplos:
a. f(t) = t com probabilidade 1.

b. f(t) = t para todo t, com probabilidade ½

f(t) = -t para todo t, com probabilidade ½

c. Para cada t, f(t) = t para todo t, com probabilidade ½

-t para todo t, com probabilidade ½

O objetivo é tomar decisões inteligentes ou concluir algo interessante sobre o futuro

Processos Estocásticos

► A maioria dos problemas reais são modelados utilizando

processos estocásticos de tempo contínuo com variável
contínua.

► Processos de tempo contínuo exigem o uso de cálculo para

a resolução das equações diferenciais estocásticas que
modelam estes processos.

► Processos de tempo contínuo podem ser aproximados

através de processos discretos, cuja modelagem é mais
simples.
Processos Estocásticos

Podem ser classificados dentro das seguintes categorias:

► Processos de Tempo Contínuo: A variável pode mudar o seu valor em
qualquer momento de tempo;
► Processos de Tempo Discreto: A variável somente pode alterar o seu valor a
intervalos fixos de tempo;
► Processos Estacionários: A média e variância são constantes no tempo.
► Processos não-estacionários: O valor esperado da variável aleatória pode
crescer sem limite e sua variância aumenta com o tempo.
Processo de Markov
► O Processo de Markov é um processo estocástico onde somente o valor atual
da variável é relevante para predizer a evolução futura do processo (depende
apenas de 1 momento já realizado);

► Valores históricos (caminho realizado) através do qual a variável atingiu o seu

valor atual são irrelevantes para a determinação do seu valor futuro;

► Nesse modelo, assumimos que o preço atual de uma ação reflete todas as
informações históricas bem como as expectativas a respeito do preço futuro
desta ação;

► Dentro desse modelo, seria impossível prever o valor futuro de uma ação
baseado em informações históricas de preço;
Processo de Markov
► Definição: Um processo estocástico discreto é um processo de Markov se

para todo t ≥ 0 e S.

► Geralmente, o processo é totalmente descrito pela matriz de probabilidade

de transição A que indica todas as probabilidades de sair de um estado i
para j.
Random Walk
► Random Walk é um processo de Markov em tempo discreto que tem
incrementos independentes e estacionários na forma de:

em que S0= 0, εt é o valor da variável no tempo t e ε é uma variável aleatória

com probabilidade P(εt= 1) = P(εt= -1) = 0.5
► O Random Walk pode incluir um termo de crescimento, ou “drift”, que
representa um crescimento de longo prazo.
► Sem o termo de drift, a melhor estimativa do próximo valor da variável St+1
é o seu valor atual (markov), uma vez que o termo de erro é normalmente
distribuído com média zero.
► Com o termo de drift os valores futuros da variável tendem a crescer de
maneira proporcional a taxa de crescimento.
Processo de Wiener
(Movimento Browniano)
► O movimento browniano B é caracterizado pelas seguintes
propriedades:

I. P(B(0) = 0) = 1
II. (Estacionário) Para todo 0 ≤ s ≤ t, B(t) - B(s) ~ N(0,
t-s)
III. (Incremento independente) Se o intervalo (Si, ti) não
são sobrepostos, então B(ti ) - B(Si ) são
independentes.
IV. É um processo contínuo. Pode-se dizer que é um
Random Walk com amostras infinitesimais.
V. Não é diferenciável!
Processo de Wiener
(Movimento Browniano)
► Exemplo: suponha que desejamos fazer com que a
diferença percentual do preço de uma ação St seja
normalmente distribuído. Ou seja,

Possível solução:
Cálculo de Itô
► (Variação Quadrática) É possível demonstrar que o
processo browniano e o tempo possuem relação
quadrática. Ou seja,

Como veremos, a propriedade de Bt ser não-diferenciável e

essa variação quadrática levam algumas consequências para
o cálculo estocástico.
Cálculo de Itô
► Suponha que desejamos realizar o seguinte cômputo

para alguma função suave diferenciável. Quais as possíveis

formas de se obter as diferenças infinitesimais de tal função?

1. Cálculo Tradicional (Regra da Cadeia)

Cálculo de Itô
2. Somente em termos das diferenças

Esta opção já é factível. No entanto, esta ainda não pode ser

a solução final devido à propriedade de variação
quadrática.
Pela expansão de Taylor, é possível mostrar que:
Cálculo de Itô
Lema de Ito
Movimento Aritmético Browniano (MAB)
Processo de Wiener Generalizado
► O processo de Wiener é um processo estacionário, sem termo de drift. Se
adicionarmos um crescimento de longo prazo ao processo de Wiener obtemos um
Movimento Aritmético Browniano (MAB):

► A evolução de um MAB é a soma de duas parcelas:

1. Um crescimento linear, com taxa µ (fixo);
2. Um crescimento aleatório com distribuição normal e com desvio padrão σ (fixo);
► O foco do MAB é na mudança no valor da variável, ao invés do valor da variável em
si;
► Por ser um Random Walk, o MAB também tem uma distribuição normal.
Movimento Aritmético Browniano (MAB)
Processo de Wiener Generalizado

► Considerando uma função f e aplicando o lema de

Ito, tem-se que
Comparação Wiener e Wiener
generalizado
Black and Scholes

► Black and Scholes (década de 70) é utilizado como padrão para precificação
de opções;
► Primeiramente, vamos assumir a seguinte dinâmica de preço de uma ação:

Deseja-se achar um portfólio de substituição tal que

Substituindo dSt na segunda equação, usando o lema de Ito e comparando os

termos resultantes, acha-se os valores de a e b. Por fim, chega-se à seguinte
equação diferencial
Black and Scholes
Black and Scholes

► Delta (derivada no preço): o quanto o preço da opção irá se alterar conforme

o preço do ativo subjacente altera;
► Gamma (segunda derivada no preço, aceleração): a velocidade de mudança
do Delta;
► Theta (derivada no tempo): sensibilidade do preço da opção conforme o
tempo passa ao longo dos dias;
► Vega (derivada na volatilidade): como o preço da opção se move dado o
tamanho da volatilidade do ativo;
► Rho (derivada na taxa livre de risco): mudanças na taxa de juros livre de
risco.
Estrutura dos processos
Referências

► Elementary Stochastic Calculus with Finance in View. Mikosch, Thomas. University of

Copenhagen. World Scientific Publishing.
► John C Hull.Opções, futuros e outros derivativos. Bookman, 9oedition, 2016.Tradução:
Francisco Araújo da Costa ; revisão técnica: Guilherme Ribeiro de Macêdo.
► Apresentação Opções reais. Prof. Luiz Brandão, IAG PUC-Rio, brandao@iag.puc-rio.br
► Aulas MIT: Topics in Mathematics with Applications in Finance
(https://ocw.mit.edu/courses/mathematics/18-s096-topics-in-mathematics-with-applicat
ions-in-finance-fall-2013/video-lectures/)