Anlise de Investimentos com Opes Reais IND 2072

Parte 3: Processos Estocsticos

. Marco Antonio Guimares Dias

Professor Adjunto (tempo parcial)
Rio de Janeiro, 1o Semestre de 2008 .

Opes Reais x F.C.D.: Preos/Custos de Mercado

Fluxo de Caixa Descontado (FCD):
Trabalha com valores esperados dos preos futuros de comodities e/ou de custos (valor nico ou tendncia).

Opes:
Considera a natureza estocstica dos preos e/ou custos e, mais importante, as aes gerenciais que so tomadas nos projetos devido a essas variaes nos preos.

A abordagem por opes mais realista e mais adequada do ponto de vista terico, ao considerar a incerteza e a reao racional frente a ela.

Processo estocstico X = { X(t), t T } uma coleo de variveis aleatrias. Ou seja, para cada t no conjunto de ndices T, X(t) uma varivel aleatria.
Freqentemente t interpretado como tempo e chamamos X(t) de estado do processo no tempo t (Ross, 1996, p.41). Quando o conjunto de ndices T um conjunto contvel, temos um processo estocstico em tempo discreto (ex. binomial, parte 2). Se esse conjunto incontvel/contnuo, temos um processo estocstico em tempo contnuo. Uma realizao aleatria de X chamada de amostra de caminho (sample path); pode ser discreta ou contnua.

Processos Estocsticos

Mas no caso de incerteza tcnica o ndice no tempo

So eventos, tais como exerccios de opes de aprendizagem (parte 7, veremos se der tempo), na maior parte dos casos.

Exemplo: Preo do Petrleo 1970-2006

Preos do petrleo Brent e similares, valores nominais: a evoluo dos preos parece ser aleatria, sem padro

Fontes: FMI/IFS e Pratts

Preos do Petrleo em 1996 (Brent)

Zoom: trajetrias serrilhadas, variaes imprevisveis.

A Dificuldade de Prever os Futuros Preos

Pouco depois de alguns cenaristas (ex.: CERA, em The Economist 6 de maro/99) preverem a queda de preos at 5 $/bbl, a OPEP mostra fora retirando cerca de 2 milhes de bpd do mercado (menos de 3% do consumo mundial) no final de fevereiro de 1999.

CERA prev preos entre 5 e 10 US$/bbl

Preos de Commodities Agrcolas: Soja

O grfico mostra que os preos da soja oscilam muito, mas no h uma tendncia de longo-prazo clara.
Fonte: livro de H. Geman (Commodities and Commodities Derivatives)

Distribuio Lognormal e Taxa de Retorno

A distribuio lognormal de longe a mais usada para modelar a incerteza de preos de ativos e mercadorias no futuro. Veremos alguns motivos dessa popularidade. Uma varivel aleatria Y tem dist. lognormal se e som. se o seu logaritmo neperiano tem distribuio normal:
Y ~ lognormal X = ln(Y) ~ normal

Um formato mais conveniente Y = eX, pois:

Ao contrrio da dist. Normal, ela no admite valores negativos, j que mesmo que X seja negativo, Y = eX sempre positivo;

O formato exponencial o link entre retornos compostos em tempo contnuo, (geralmente se assume distribuio normal para os retornos) e a lognormalidade dos preos.
O retorno composto continuamente entre 0 e t, por definio R(0, t) = ln(Vt/V0) Vt = V0 eR(0, t). Isso um bom motivo p/ se trabalhar em tempo contnuo (em vez de discreto), mas tem +.

Distribuio Lognormal e Taxa de Retorno

Assim, retornos em tempo contnuo com distribuio normal equivale a dizer preo do ativo com distribuio lognormal.
Veremos que processos estocsticos populares usam dist. lognormais.

Alm disso, retornos compostos continuamente podem ser somados, i. , se t0 < t1 < t2, e as taxa de retorno contnuo nos intervalos [t0, t2], [t0, t1], [t1, t2] so, respectivamente, R(t0, t2), R(t0, t1), R(t1, t2), ento: R(t0, t2) = R(t0, t1) + R(t1, t2)
Prova: V(t1) = V(t0) exp[R(t0, t1)] e V(t2) = V(t1) exp[R(t1, t2)] podem ser combinados: V(t2) = V(t0) exp[R(t0, t1)] exp[R(t1, t2)] = V(t0) exp[R(t0, t1) + R(t1, t2)] V(t2)/V(t0) = exp[R(t0, t1) + R(t1, t2)] ln[V(t2)/V(t0)] = R(t0, t1) + R(t1, t2) R(t0, t2) = R(t0, t1) + R(t1, t2)

Outro fato: sabe-se que a soma de distribuies normais uma dist. normal o produto de lognormais lognormal. Prova:
Y1 = exp(X1); Y2 = exp(X2); Y1 x Y2 = exp(X1) x exp(X2) = exp(X1 + X2), como X1 + X2 tem distrib. normal, ento Y1 x Y2 tem distrib. lognormal.

Distribuio Lognormal e Taxa de Retorno

Note que tendo dist. normal, esse retorno pode ser menor que 100%, embora na prtica a probabilidade seja bem pequena.
Mesmo assim o preo lognormal ser sempre positivo! exp(-2) > 0

O reinvestimento contnuo de dividendos no ativo bsico tambm gera um nmero exponencial de ativos, e T:
Se em t0 tenho n0 = 1 ativo e todo dia t eu recebo e reinvisto o dividendo /365 V(t), ento eu terei n1 = (1 + /365) ativos no 1o dia; no 2o dia eu recebo dividendo (1 + /365) /365 V(t) e terei n2 = (1 + /365) /365 + (1 + /365) = (1 + /365) (1 + /365) = (1 + /365)2 ativos no 2o dia; etc., de forma que em T anos terei:

n 365 T = 1 + e T 365 T mais ativos em T, para ter exatamente uma Assim, como terei e unidade do ativo em t = T, basta comprar e T unidades em t = 0. Ou: num intervalo dt se ganha o dividendo dV(t) = V(t) dt, que se reinvestido em V tem a soluo (integrando): V(t) = V(0) e t .

365 T

Distribuio Lognormal: Mdia e Varincia

Seja a varivel com distr. normal X ~ N(m, s2), por ex., X = retorno = ln(Vt/V0). O valor esperado da varivel lognormal Y = eX, em funo dos parmetros de X :
A prova est nas mencionadas notas da Pasta 76. Note que E[eX] > eE[X] (efeito de convexidade, desigualdade de Jensen).

E[Y] = E e = e
X

m+

s2 2

A varincia da varivel lognormal Y dada por:

Var[Y] = Var[e X ] = e 2 m + s (e s 1)
Pasta 76: material do livro do McDonald sobre distribuio lognormal e seu link com a frmula do Black-Scholes.

Densidade da dist. lognormal

Agora veremos propriedades dos retornos contnuos normais em relao varivel tempo, que servir para justificar o uso de processos estocsticos populares tais como o movimento geomtrico Browniano.

Retornos e Varincias Proporcionais ao Tempo

Com retornos contnuos vimos que podemos som-los:
ranual =

r
i=1

12

ms i

; se rms i = constante = rmensal ranual = 12 rmensal

A varincia dos retornos pode ser escrita no caso como:

Ou seja, o retorno esperado proporcional ao tempo (no ex., 12 meses), o que intuitivo. E no caso da varincia, tambm?

12 2 Var [ranual ] = anual = Var rms i i = 1 Se rms i = cte = rmensal e se os retornos so no-correlacionados ( independentes p/ dist. normais), o que desejvel (i.i.d.), ento a varincia da soma igual soma das varincias individuais. No caso, se teria 12 termos iguais nessa soma, logo:

2 anual =

Var [r
i=1

12

mensal

i=1

12

2 mensal

2 2 anual = 12 mensal

Que proporcional ao tempo tambm. Se dividirmos o ano em n perodos de tamanho h (i. , h = 1/n) e tirarmos a raiz, ento o desvio-padro do retorno no intervalo de tempo h : h = anual h

Processo Estocstico Indexado pelo Tempo

Processo Estocstico = Tempo + Aleatoriedade
Num intervalo dt, a variao ser : dt, varia ser

d(varivel) = Fator d(tempo) + Fator d(aleatoriedade) Ex: Valor do projeto V segue um Movimento Geomtrico Browniano (MGB, processo estocstico mais popular):

dV

= V dt + V dz
Incremento de Wiener dz ~ N ( 0 , dt )

Como dz tem varincia dt (alm de ser no tendencioso por ter mdia zero), ento a varincia do processo proporcional ao intervalo de tempo em que se olha no futuro (geralmente desejvel) No MGB, dV/V tem distrib. normal e V tem dist. lognormal.
J dV tem distribuio lognormal com uma translao.

dz = t dt t ~ N(0,1)

V = 0 uma barreira absorvente, pois se V(t = 0) = 0 dV = 0, t.

Pode-se ver um processo estocstico X(t) como uma previso E[X(t)] mais um erro dessa previso. Ou seja:
X(t) = E[X(t)] + erro(t)

Processos Estocsticos e Previso

No caso do Movimento Geomtrico Browniano (MGB):

dV V

= dt

+ +

dz
Parcela de Erro (desvio padro; incerteza)

Taxa de Variao Parcela da Varivel = de Valor Estocstica Esperado

No caso de V(t) seguir MGB, V(t) tem distribuio lognormal e dV/V tem distribuio Normal: dV/V ~ N( dt; 2 dt). Prova-se (usa o lema de It, parte 4) que o retorno contnuo tambm tem distrib. normal: ln(Vt/V0) ~ N[( 2/2) t; 2 t].
Note que tanto dV/V como ln(Vt/V0) tem mdia e varincia proporcionais a t.

Previso: Movimento Geomtrico Browniano

comum traar intervalos de confiana da previso, usando percentis das distribuies (lognormal no MGB). No MGB, a varincia cresce com o horizonte de previso
Quanto mais longe se tenta prever os preos, mais incerta a previso. Tendncia: exponencial de crescimento ou queda

Figura: Dixit & Pindyck

Processo de Wiener (Movimento Browniano)

O movimento Browniano tambm chamado processo de Wiener e pode ser definido pelas propriedades:
um processo de Markov no sentido que depende do preo corrente, mas independe da trajetria dos preos no passado; Tem incrementos independentes (variao num intervalo t independente da ocorrida em outro intervalo t); e Os incrementos tm distribuio Normal com parmetros que dependem s do intervalo de tempo: incrementos estacionrios.

O termo dz = dt, implica em mudanas bruscas:

Para um pequeno intervalo t, o movimento do desvio-padro ser muito maior que o movimento do termo de tendncia: se t pequeno, (t) muito maior que t. Isso determina um comportamento serrilhado dos caminhos do proc. de Wiener. Por razes similares, o processo de Wiener no tem derivada em relao ao tempo no sentido convencional:
z/t = (t) , torna-se infinito quando t se aproxima de zero.

Propriedades do Movimento Browniano

Num intervalo de tempo a variao de V dada por dois termos: o determinstico V dt e o estocstico V dz.
Num intervalo pequeno de tempo o termo estocstico o dominante. Se o intervalo de tempo grande, o inverso ocorre, i. , o termo dominante a tendncia determinstica. Ex.: = 10 % a.a.; = 10% a.a., as variaes de dV/V so:
Intervalo de Tempo 5 anos 1 ano 1 ms 1 dia 1 minuto t 5 1 0,0833 0,0027 0,000002 t 0,5 0,10 0,0083 0,00027 0,0000002 t 0,2236 0,10 0,0289 0,0052 0,00014 t / t 0,447 1 3,464 19,105 724,98

Na prtica, se voc observa a variao diria de um preo, a oscilao parece errtica, como um MGB sem drift: parece no ser detectvel. Mas ao longo dos anos o drift observvel.

Propriedades do Movimento Browniano

As variaes totais e quadrtica de dz geram propriedades tpicas do movimento Browniano.
O movimento Browniano dz tem uma natureza fractal, pois uma amostra de caminho tem uma trajetria serrilhada e se colocarmos um microscpio num aparente segmento de linha reta desse serrilhado veremos uma novo serrilhado. Isso significa que num intervalo finito t = T 0 = T, o tamanho total da amostra de caminho infinito, i. :

variao total do mov. Browniano = |dz| =

Curiosamente, a variao quadrtica de dz finita e igual ao intervalo de tempo T. Ou seja:

variao quadrtica do mov. Browniano = (dz)2 = T
0 T

Na parte 4 isso ficar claro, pois mostraremos que (dz)2 = dt.

Um processo de Wiener tambm um caso especial de um processo de difuso forte (strong diffusion process) que uma classe particular de um processo de Markov em tempo contnuo (livro do Merton, p. 121-122 e n. 3). Processos de Markov independem da histria passada, dado o valor corrente, i. , toda a informao relevante est contida no valor corrente da varivel estocstica.
Formalmente, a distribuio de probab. de xt + 1 depende somente de xt e no do que ocorreu antes do tempo t.
Logo, no depende de xs, onde s < t, i. , condicionalmente independente de xs (condicional a saber xt, independe de xs). O MGB um tipo particular de processo markoviano.

Processos de Markov e de It

Processos de Markov so consistentes com a forma fraca de eficincia do mercado (rever parte 2).
Preos correntes refletem toda informao dos preos passados.

Um processo Browiano generalizado chamado de processo de It (inclui processos de reverso mdia): dV = a(V, t) dt + b(V, t) dz O Movimento Aritmtico Browniano (MAB) o caso particular mais simples de processo de It, pois os termos a e b so constantes: a(V, t) = e b(V, t) = . dV = dt + dz
Pode-se escrever tambm: dV = V(t + dt) V(t) = dt + dz V(t + dt) = V(t) + dt + dz. Ou seja, um processo de Markov, j que V(t + dt) depende do valor corrente V(t), mas no dos preos passados V(s), onde s < t.

Processos de It e Movimento Aritmtico Browniano

Como E[dz] = 0, segue que E[dV] = dt = E[dV]/dt representa a variao esperada em V por unidade de tempo.

Movimento Aritmtico Browniano

J a varincia de V(t + dt) fcil de ver que 2 dt.

Como o MAB descreve a variao em V e no na taxa de retorno de V, o MAB no exibe as propriedades de retornos normais (MGB) que vimos.

No MAB, o valor V tem distribuio normal (no MGB era lognormal): V(t + dt) ~ N{V(t) + dt; 2 dt)
Por ter distrib. normal, V pode assumir valores negativos. usado em modelos em que se deseje permitir valores negativos. Veremos uma aplicao em termoeltricas (spark-spread).

MAB foi o 1 modelo matemtico usado para valorar opes: tese de doutorado de Bachelier (1900).
Samuelson (Nobel em Economia; orientador do Merton) em 1965 props o MGB para evitar os preos negativos do MAB.

Ver em casa um exemplo numrico do MAB no anexo.

A forma integral do MAB (a 2a integ. a integral de It): V(T) = V(0) + dt + dz(t)

Movimento Geomtrico Browniano (MGB)

Vimos na eq. do Movimento Geomtrico Browniano que os retornos esperados e suas varincias so proporcionais ao tempo, propriedades geralmente desejadas:
V(t + dt) V(t) dV onde dz = N(0, 1) dt = = dt + dz V(t) V Alm disso, no permite preos negativos (tambm desejvel).

A figura abaixo mostra duas amostras de caminho de dois ativos que seguem MGBs correlacionados ( = 60%).

Planilha simula-MGBs_correlac.xls

MGB: Valor Esperado e Varincia

No MGB o valor esperado de V no instante t, dado o valor corrente V0, : E [Vt] = V0 e t

Assim, espera-se que V cresa exponencialmente taxa . Para mostrar isso, pode-se provar (com o lema de It) que v = ln(V) segue o MAB: dv = d(lnV) = ( 2/2) dt + dz.
A eq. diferencial de dv tem a seguinte soluo exata p/ t = t 0: ln(Vt) ln(V0) = ln(Vt/V0) = ( 2/2) t + N(0, 1) t Vt = V0 exp[( 2/2) t + N(0, 1) t] E[Vt] = V0 exp[( 2/2) t] E{exp[ N(0, 1) t]]} E[Vt] = V0 exp[( 2/2) t] E{exp[N(0, 2 t)]]};
Mas vimos que se X ~ N(m, s2) ento E[eX] = exp[m + s2], logo:

A varincia de V, dado V0 em t = 0, (ver slide sobre a lognormal): Note que se t Var[V] (varincia ilimitada)

E[Vt] = V0 exp[( 2/2) t] exp[ 2 t] E [Vt] = V0 e t

Movimento Geomtrico Browniano (MGB)

Um processo estocstico indexado pelo tempo um mapeamento de probabilidades ao longo do tempo.
No caso do MGB, a tendncia um crescimento (ou queda) exponencial e os preos tem uma distribuio lognormal com varincia crescendo (sem limites) com o horizonte temporal.
Varincia cresce com o horizonte de previso

Distribuio de probabilidades log-normal

tendncia ou drift (aqui > 0)

Movim. Geomtrico Browniano: Exemplo

Seja um projeto cujo valor V segue um MGB, com um crescimento exponencial esperado igual a 3% ao ano e tem uma volatilidade de 20% ao ano.
Se o valor corrente do projeto igual a 100, qual o valor esperado desse projeto e seu desvio padro daqui a 5 anos?

Escreva a equao estocstica do projeto:

dV = 0,03 V dt + 0,2 V dz

Martingale e Martingale Descontado

Um processo estocstico X(t) um martingale sob a medida de probabilidade Q se o seu valor esperado (sob essa medida Q) o seu valor corrente X(0).
EQ[X(t)] = X(0), t > 0; em geral: EQ[X(t) | F(s)] = X(s), t > s, onde F(s) representa o conhecimento/informao no instante s
Ex.: se X(0) = 10 e X(t) martingale EQ[X(t)] = 10, para todo t 0.

Martingale um processo estocstico sem tendncia (MGB: = 0).

Matemtica: ligada teoria das expectativas condicionais.

A importncia aqui porque prova-se que se o processo do valor descontado de um ativo um martingale sob a medida Q, ento o processo do valor descontado de um derivativo desse ativo tambm um martingale sob Q.
Essa medida em que se toma valores esperados chamada de medida neutra ao risco e o desconto com a taxa livre de risco.
EQ[e r t V(t) | F(0)] = V(0); p/ a opo F(V): EQ[e r t F(t) | F(0)] = F(0)

Medida Neutra ao Risco e Valor Esperado

Na parte 2 foi definida a medida de probabilidade neutra ao risco (Q) como aquela que faz o retorno esperado do ativo bsico ser a taxa livre de risco.

fcil ver que isso equivale a subtrair um prmio de risco do valor esperado do ativo bsico V. Seja o caso simples com dois instantes, V(0) conhecido em t = 0 e V(1) estocstico em t = 1. Os retornos sob medida real (P) e medida de martingale (Q) so:

claro que diminuindo o primeiro do segundo encontra-se o prmio de risco do ativo bsico = r. Essa subtrao pode ser vista tambm em termos de diferenas de valor esperado: EP[V(1)] EQ[V(1)] = ( r) V(0) = V(0), logo a expectativa neutra ao risco a expectativa real menos um prmio de risco: EQ[V(1)] = EP[V(1)] V(0)

Tendncia Neutra ao Risco em Tempo Contnuo

Podemos fazer algo similar em tempo contnuo e t: V(0) = e t EP[V(t)] e V(0) = e r t EQ[V(t)]
Por hora assumiu-se = 0. Logo, com uma lgebra elementar: e t = EP[V(t)]/ V(0) e e r t = EQ[V(t)]/ V(0) t = ln{EP[V(t)]/ V(0)} ln{EQ[V(t)]/ V(0)} t = ln{EP[V(t)]/ EQ[V(t)]}

EQ[V(t)]

= e t EP[V(t)]. Logo, com > 0, EQ igual a expectativa real EP penalizada por um prmio de risco .
Alm disso, se V(t) segue um MGB, EP[V(t)] = V(0) e t. Logo:

EQ[V(t)] = V(0) e( ) t (= V(0) e(r ) t)

Assim, sob medida NR, em vez do drift real , o MGB passa a ter o drift NR, i. , . J o termo de varincia ( dz) do MGB NR o mesmo (prova: Tavella, pasta 76). Se quisermos saber a diferena entre os dois valores esperados, uma lgebra elementar resulta em:

EQ[V(t)] = EP[V(t)] V(0) [e t e( ) t ] = EP[V(t)] (t)

Tendncia NR em Tempo Contnuo com Dividendos

A demonstrao anterior foi para o caso sem dividendos. Se o ativo V distribui dividendos a uma taxa contnua que so reinvestidos continuamente em V, em t se ter et ativos V em t. Como os retornos totais sob medida P e sob medida Q devem ser respectivamente e r, temos: V(0) = e t EP[V(t)] e t e V(0) = e r t EQ[V(t)] e t
Logo, dividindo um pelo outro e com uma lgebra elementar: e t EP[V(t)] = e r t EQ[V(t)]

= e t EP[V(t)], que o mesmo resultado obtido antes assumindo = 0. Logo, com > 0, EQ igual a expectativa real EP penalizada por um prmio de risco .
EQ[V(t)]

Alm disso, se V(t) segue um MGB, EP[V(t)] = V(0) e t. Logo:

EQ[V(t)] = V(0) e( ) t = V(0) e(r ) t

EQ[V(t)]
Como antes, a diferena entre os dois valores esperados : = EP[V(t)] V(0) [e t e( ) t ] = EP[V(t)] (t)

Processos Estocsticos Reais x Neutros ao Risco

Foi visto que subtraindo o prmio de risco da tendncia real , se obtm a tendncia neutra ao risco e foi mostrado na parte 1 que = r .

Assim, um MGB neutro ao risco (sob medida de martingale) : dPNR

= (r ) dt + dz

Processos neutros ao risco so usados em opes/derivativos Dois sample-paths dos processos reais e NR so mostrados ao lado (ver planilha simula-real-neutral.xls):

Processos Estocsticos Reais x Neutros ao Risco

O processo (real) do MGB pode ser escrito da seguinte forma, lembrando que = + : dP = P dt + P dz = ( ) P dt + P dz dP = P dt + P dz P dt

Interpretao: o ativo P cresce a uma taxa mas paga dividendos a uma taxa P tem crescimento lquido = .
A variao dP considera os dividendos preos ex-dividendos.

Vimos que a medida Q definida como aquela que faz o retorno total ser livre de risco. Assim, a equao acima para os preos sob medida NR fica:
dPNR = r P dt + P dz P dt = (r ) P dt + P dz
mais comum na literatura ver dzQ (mas aqui os dz so iguais) e no usar dPNR e sim dP (mas aqui eles so diferentes).
Aqui os dz so N(0; 1) dt. Os dP so iguais se dzQ = dz + dt (a seguir).

Mudana de Medida e Teorema de Girsanov

Teorema de Girsanov (simplificado): um movimento Browniano dz com densidade f(t) pode ser transformado num novo mov. Browniano dzQ(t) = dz(t) + dt onde zQ tem densidade g(t) f(t), sendo g(t) = exp[ z 2 t].
A escolha de ser conveniente para gerar martingales desc.

dV/ V = dt + dz dV/V = ( ) dt + dz dV/V = ( + r r ) dt + dz dV/V = (r ) dt + dz + ( r) dt dV/V = (r ) dt + [dz + {( r)/} dt] Aplicando o teorema de Girsanov com = ( r)/: dV/V = (r ) dt + dzQ
Nesse caso dV o incremento real e dzQ inclui a translao dt (que soma com dt N(0; 1)) para obter o mesmo dV. No teor. de Girsanov a escolha e a notao foram propositais j que o preo de mercado do risco (ou ndice de Sharpe).

Mudana de Medida e Intuio Econmica

A intuio econmica da mudana de medida que os investidores em equilbrio so indiferentes entre uma mudana na alocao do seu portflio entre os ativos de risco e livre de risco desde que a reduo no retorno seja acompanhada de reduo de risco.
O ndice de Sharpe aparece na transformao porque ele mede o retorno em equilbrio demandado pelos investidores para absorver mais ou menos risco.

O processo transformado dV/V = (r ) dt + dzQ til pois o processo descontado e r t [V e t] no tem drift (Q-martingale): d{e r t [V e t]} = e (r ) t V dzQ.
Isso pode ser provado facilmente com o Lema de It (ver parte 4) aplicado funo F(V) = e r t [V e t].

Note que sob medida P o processo dF = e (r ) t V dzQ no um martingale, j que EP[dF] = e (r ) t V dt. Mas sob medida Q o teorema de Girsanov diz que dzQ um movimento Browniano, i. , sob Q, dzQ = N(0; 1) dt. Assim, sob medida Q, EQ[dF] = 0 e um Q-martingale.
Assim, se fizermos dzQ = N(0; 1) dt estaremos no mundo da medida Q e o incremento dF ser sob essa medida Q. Por isso, se fizer dzQ = N(0; 1) dt ser prefervel usar tambm a notao dFQ ou dFNR para distinguir das variaes reais dF.
Lembrar da diferena nos sample-paths dos MGBs real (P) e neutro ao risco (Q) no grfico da planilha simula-real-neutral.xls.

Mudana de Medida e Martingale

Aqui, mudana de medida P para Q significa mudar de retorno real total para retorno livre de risco r.
Assim, parece natural penalizar os retornos do ativo de risco por um prmio de risco para poder descontar com a taxa r. O teorema de Girsanov s faz isso ter um rigor matemtico.

Uma translao dt no processo estocstico corresponde a uma mudana na taxa de variao desse processo. No caso de ativos uma mudana no retorno desse ativo.
A escolha conveniente de nos deu a medida adequada que tornou Q-martingales os processos descontados.

Notas sobre Mudana de Medida

O processo descontado do ativo que um martingale sob medida Q. O ativo em s no um Q-martingale. O fator de probabilidade g(t) = exp[ z 2 t] um caso particular da derivada de Radon-Nikodym = dQ/dP, que d a razo de mudana de medida. Para uma intuio matemtica mais apurada ver, por ex., o livro Financial Calculus de Baxter & Rennie. Iremos usar mudana de medida principalmente em simulao de Monte Carlo para avaliar opes reais.

Movimento de Reverso Mdia (MRM)

O movimento de reverso mdia um processo de Markov, mas, ao contrrio do MGB, o sentido e a intensidade da tendncia dependem do preo corrente. O MRM aritmtico, chamado Ornstein-Uhlenbeck, :
Onde: = velocidade de reverso e x = mdia de longo prazo (valor de equilbrio)

Na eq. acima, p/ evitar preos P < 0 comum ter reverso em P usando a relao x = ln(P), pois x ~ normal; P ~ lognormal.

Outros modelos de reverso mdia so o MRM geomtrico (Dixit & Pindyck) e o de Battacharya. Resp.: dP = ( P P ) dt + dz | dP = ( P P) dt + P dz P Ver tambm www.puc-rio.br/marco.ind/revers.html

Reverso Mdia de Longo Prazo

No caso do processo de reverso mdia, a tendncia o preo reverter para um nvel de equilbrio do mercado, P, chamada de mdia de longo prazo. Analogia: mola.
Nesse caso a varincia cresce inicialmente e depois se estabiliza Figura: varincias ~ iguais em ti , tj , tk (i. , ~ estveis aps ti )
Caso P0 < P Tendncia do preo subir Caso P0 > P Tendncia do preo cair

O caso mais simples o do MRM aritmtico, chamado Ornstein-Uhlenbeck (que pode gerar valores negativos): O mtodo geral de obter os momentos probabilsticos de processos estocsticos atravs da equao diferencial da densidade de probabilidade (eq. de Komolgorov).
DP (apndice do cap. 3) usam a eq. diferencial de Komolgorov p/ mostrar a mdia e a varincia do MRM aritmtico, que so:

Reverso Mdia: Caso Simples

Se t Var[x(t)] 2/2 e no para como no MGB. Logo, ao contrrio do MGB, o MRM tem varincia limitada.

Reverso Mdia e Microeconomia

Se os preos do petrleo (ou de outra commodity) esto baixos (abaixo do preo de equilbrio de longo prazo):
A demanda tende a aumentar e a oferta tende a diminuir:
Empresas e pessoas tendem a consumirem mais derivados de petrleo por estarem baratos (ex: carres nos EUA/anos 90); Oferta tende a cair pois os projetos so postergados; manuteno em poos so adiados; OPEP tende a reduzir cotas de produo; Campos marginais/maduros comeam a apresentar prejuzo e podem ser fechados; companhias de petrleo pequenas fecham.

A depleo aumenta e a explorao tende a ser reduzida:

Apesar da atividade ser de longo prazo, firmas tendo menores receitas e tendo de ter lucro, reduzem o investimento em explorao

Se os preos esto altos (2008), ocorre o inverso. A reverso, no entanto, tipicamente lenta.
Se os preos do petrleo esto altos, leva tempo at para desenvolver um campo j descoberto (~ 3 anos no mar).

Contrato a termo (forward) quando duas partes combinam e fixam um preo P hoje (t = 0) para um ativo bsico que ser pago e entregue numa data futura T. Contrato futuro (futures) em essncia um contrato a termo negociado em bolsa (mais liquidez, transparncia e menor risco de crdito). Mas tem chamada de margem.
Margem a garantia de que o contrato ser honrado, a qual depositada numa conta remunerada pela taxa de juros (rf).
Todo dia ajustada a posio em funo das oscilaes do mercado futuro (marcao a mercado): investidor coloca mais dinheiro se a oscilao for desfavorvel ou resgata dinheiro se ela for favorvel. Podem ter outras diferenas tais como no custo de transao e impostos.

Mercados a Termo e Futuro

Empiricamente os preos a termo e futuro so similares. Aqui eles sero considerados iguais. Mas em modelos com taxa de juros estocstica a diferena relevante.
Se a taxa estocstica rf for positivamente correlacionada com P ento o preo futuro ser maior que o preo a termo e vice-versa.

Reverso Mdia nos Preos do leo

Evidncias empricas e lgica microeconmica (foras de oferta x de demanda, etc.) indicam o processo estocstico do preo do leo como tendo o componente de MRM. No entanto, testes economtricos s rejeitam o MGB para sries muito longas (ex.: Pindyck & Rubinfeld usaram srie com 117 anos e rejeitaram o MGB).
Com sries de 30 a 40 anos no se consegue rejeitar o MGB!

Preos do mercado futuro (estrutura a termo) outro indicativo da presena do processo de reverso mdia, pelo menos dentro do horizonte de at ~ dois anos.
Estruturas backwardation para preos altos e de contango para preos baixos, so coerentes com a hiptese de MRM. Volatilidade maior dos preos spot e menor p/ preos futuros (Samuelson effect) mais coerente com a reverso mdia.

Filme da estrutura a termo do mercado futuro de petrleo

Preos do Petrleo no Mercado Futuro

A estrutura termo dos preos do mercado futuro indica a existncia de foras de reverso para um nvel de equilbrio.
Fonte: livro de H. Geman (Commodities and Commodities Derivatives) backwardation

contango

Petrleo: Preos Spot x Preo Futuro

Note que os preos spot ( vista) so mais volteis, alcanam valores mais extremos que os preos do mercado futuro.
Brent Prices: Spot (Dated) vs. IPE 12 Month Jul/1996 - Jan/2002
40 Brent Platt's Dated Mid (US$/bbl) 35 Brent IPE Mth12 Close (US$/bbl)

30

Brent (US$/bbl)

25

20

15

10

5 7/22/1996 1/22/1997 4/22/1997 7/22/1997 1/22/1998 4/22/1998 7/22/1998 1/22/1999 4/22/1999 7/22/1999 1/22/2000 4/22/2000 7/22/2000 1/22/2001 4/22/2001 7/22/2001 10/22/1996 10/22/1997 10/22/1998 10/22/1999 10/22/2000 10/22/2001 1/22/2002

Preos do Petrleo no Mercado Futuro em 2007

O grfico mostra a estrutura a termo do mercado futuro (5 anos) de bolsa em janeiro, julho e agosto de 2007.
Aqui estamos mostrando o mercado do WTI de bolsa (Nymex), que em bolsa tem contratos mais longos que o Brent (Londres).

Preo do Mercado Futuro e Futuro Preo Spot

A pergunta natural : ser que o preo do petrleo de um contrato do mercado futuro hoje (ex.: p/ entrega em t = 1 ano), uma boa previso do futuro preo spot (no ex., p/ daqui a 1 ano)? Isto , ser o preo futuro = E[P(t=1)]?

Se o prmio de risco > 0 preo hoje do mercado futuro Ft p/ t uma estimativa conservadora (i., tendenciosa p/ baixo) do valor esperado do futuro preo spot E[P(t)]. A diferena o :

Ft = E[P(t)] (t)

A razo simples: um comprador de um ativo de risco (ex.: 1 bbl de leo) no mercado futuro est incorrendo no risco daquele ativo se desvalorizar na data de vencimento.
P/ o investidor aceitar esse risco, ele exige um prmio (desconto em P).

Como vimos que subtrair um prmio de risco de uma mdia uma mdia neutra ao risco, Ft a expectativa neutra ao risco do futuro (em t) preo spot desse ativo. Ser mais formalizado. Ver: http://www.fenews.com/fen36/teach_notes/teaching_notes.htm

Mercado Futuro e Taxa de Convenincia

O preo no mercado termo (forward), que igual ao do mercado futuro (assumindo r no-estocstico), Ft em relao ao preo corrente (spot) P dum ativo com taxa de dividendos (ou taxa de convenincia, se commodity) : Antes de provar essa equao devemos notar que ela til para estimar a taxa de convenincia (convenience yield) do preo de uma commodity, a ser usada em OR: investimentos em petrleo, agri-business e minerao.

Ft = P e(r ) t

( Ft a expectativa NR de P) .

A taxa um fluxo de benefcios de possuir estoque fsico (em funo do risco de escassez) e lquido do custo de estocagem (Kaldor, 1939; Working, 1948, 1949; Brennan, 1958). Podemos calcular taxas t diferentes para cada contrato futuro Ft . Em OR usamos o de contrato com t mais longo (+ estvel). fcil ver que na expirao t os preos convergem: P(t) = Ft(t). Caso contrrio, nessa data t se faria arbitragem instantnea!

Relao entre Preos Futuros e Spot

fcil ver que se um ativo no tem dividendo ( = 0), ento o preo forward (futuro) tem de ser Ft = er t P.
Se Ft > er t P, se poderia obter um ganho por arbitragem emprestando a uma taxa r um valor P, comprando o ativo por P e entrando num contrato futuro de valor Ft. Total caixa = 0. No vencimento, ele entrega o ativo em troca do pagamento Ft com o qual se paga o emprstimo (er t P), lucrando a diferena. Se Ft < er t P, se faria as operaes inversas, com arbitragem.

No caso com dividendo > 0, vimos que para ter uma unidade do ativo no vencimento, em vez de comprar uma unidade do ativo em t = 0, basta comprar e t P e reinvestir todos os dividendos no ativo para ter P em t.
Assim, s precisa pegar emprestado (em t = 0) o valor e t P. Na expirao ele pagar er t (e t P) = e(r ) t P e entregar seu ativo, recebendo Ft. Logo, p/ no ter arbitragem temos Ft = e(r ) t P.

Futuros de divisas (ex.: dlar): juros externos faz papel de .

Notas Sobre a Taxa de Convenincia

Embora a taxa de convenincia deva ser em mdia positiva para justificar a existncia de estoques (j que existe um custo de estocagem), ela pode ser negativa:
Ela negativa quando o custo de estocagem supera o seu benefcio. Isso ocorreu, por ex., com o petrleo no ano de 1998. Taxas de convenincia negativas no geram arbitragem (mito).

A demonstrao anterior de Ft = P e(r ) t para o caso de commodities ( interpretado como taxa de convenincia) pode ser questionada, pois um especulador no teria o benefcio advindo do estoque e no faria lucro sem risco.
P e(r ) t Ft P e(r + c) t onde c = custo de estocagem e = bruto c
O livro do McDonald um dos poucos que chamam ateno para isso e coloca um range de no-arbitragem no caso de commodities: Mas pode-se argumentar que existem empresas de petrleo no mercado que podem usufruir de e fazer esse range ser + estreito. A maioria dos livros no consideram esse range, s Ft = P e(r ) t.

Qual o Melhor Modelo Estocstico?

Erro com a viso determinstica , em geral, bem maior.

Um razovel mapeamento probabilstico ao longo do tempo (processo estocstico), mesmo no sendo perfeito, melhor do que nenhum mapeamento. O modelo mais simples (matematicamente) e mais usado o Movimento Geomtrico Browniano (MGB)
A rigor o MGB um timo processo para preos de aes, ouro, ndice Ibovespa, etc. (ativos financeiros em geral), mas tambm para demanda de novos produtos, terrenos.

O modelo de reverso mdia considerado o mais lgico para commodities e para taxa de juros.
No entanto, o processo puro de reverso para um nvel fixo demasiado previsvel e pode ser pior que o MGB. Por isso mais realista combinar o MRM com um MGB para o nvel de equilbrio ou com processo de saltos.

Processos Estocsticos para Preos do leo

Existem vrios modelos de processos estocsticos para preos do leo na literatura de opes reais. Eu classifico eles em trs classes

As propriedades adequadas do Movimento Geomtrico Browniano (poucos parmetros para estimar, homogeneidade do ativo bsico e da opo) um grande incentivo prtico para seu uso. Pindyck (1999) escreveu: improvvel que a premissa do MGB leve a erros significativos na regra tima de investimento

Simplicidade do Mov. Geomtrico Browniano

O uso do MGB em modelos de opes mais simples por ter menos parmetros para estimar e por causa da homogeneidade da equao diferencial.

Temos de estimar somente os parmetros r, e . Na rever. mdia temos de estimar ao menos r, , , e P

A homogeneidade ocorre tanto na equao do valor da opo como na prpria equao original do MGB:
Ex.: Se o preo P segue um MGB e o valor do projeto V proporcional a P (isto , V = k P), ento V segue tambm um MGB e com os mesmos parmetros do MGB de P:
dP = P dt + P dz e V = k P k dP = k P dt + k P dz

d(k P) = (k P) dt + (k P) dz dV = V dt + V dz Uma demonstrao usando o Lema de It tem no website.

A homogeneidade da opo ser vista depois. Essa no ocorre p/ a reverso mdia (distr. de retornos depende de P em t = 0)

um processo de Markov que conta o nmero de eventos aleatrios independentes ao longo do tempo, N(t).
um processo de contagem particular, com incrementos independentes e estacionrios (s depende de t), com N(0) = 0 e com o nmero n de eventos em t tendo uma distribuio de Poisson: Prob{N(t + t) N(t) = n} = exp( t) . ( t)n / n!; E[N(t)] = t; a freqncia de ocorrncia de um evento; Se o intervalo t pequeno, Prob{n 2} 0 (ou o(t)); O tempo entre ocorrncias de eventos tem distribuio exponencial com mdia 1/. Processo usado para modelar a ocorrncia de eventos raros, tais como a ocorrncia de um sinistro (indstria de seguros), a entrada de um concorrente (viso exgena), uma crise, etc.

Processos de Saltos de Poisson

Em finanas/opes reais ele mais usado combinado com um processo de difuso (jump-diffusion ou Poisson-Gaussian).

O caso anterior dum processo de Poisson homogneo. Um processo no-homogneo de Poisson no requer a premissa de incrementos estacionrios e em vez de constante, a freqncia de saltos uma funo do tempo. Processo composto de Poisson (muito usado):
Seja i uma seqncia de variveis aleatrias independentes e identicamente distribuidas (i.i.d.). Essas distribuies de probabilidades idnticas aqui podem ser interpretadas como distribuies de tamanho do salto (jump-size distributions). Seja N(t) um processo de Poisson independente de i. O seguinte processo chamado de Processo composto de Poisson:

Processos de Poisson: Tipos

A soma de dois processos compostos de Poisson independentes (ex.: jumps-up + down) um outro processo de Poisson composto.

Exemplo de Saltos de Poisson: Salrio

Seja uma trabalhadora que ir trabalhar 40 anos. Seu salrio inicial S0 = R$ 1.000,00 por ms. Ao longo de sua vida ela ter reajustes que ocorrem aleatoriamente com freqncia de Poisson = 1 por ano.
O percentual de reajuste (salto percentual no salrio) uma varivel aleatria com a seguinte distribuio discreta:

O salrio ao longo do tempo S(t) pode ser descrito pela equao diferencial dS = S dq, dado S0, onde:

Simulao do Processo Puro de Saltos

A figura mostra uma possvel amostra de caminho (sample-path) do processo de Poisson composto puro (no-combinado com difuso) do exemplo. Ver planilha.

Processos Mistos de Difuso com Saltos

dV = a(V, t) dt + b(V, t) dz + V dq Com dz (Wiener) e dq (Poisson composto) independentes; e

Um processo misto de difuso com saltos de Poisson:

Merton (1976) justificou o modelo para aes V:

Em caso de notcias normais, V segue um processo de difuso (MGB em Merton), mas em caso de notcias anormais (raras, mas de muito impacto) ocorre o evento de Poisson (salto em V) Para opes europias sob um processo de MGB + Poisson em que o tamanho dos saltos tem distribuio lognormal, Merton (1976) encontrou uma soluo analtica.

Em vez do MGB, pode-se usar um processo de reverso mdia. Ex.: modelos para taxa de juros e para cmbio
Reverso + jumps em OR: Dias & Rocha (1998) os pioneiros.

Processo de Jump-Reverso: os Sample Paths

Um outro modelo de reverso + jumps foi usado no financiamento de Marlim. Ver www.puc-rio.br/marco.ind/sim_stoc_proc.html
Na simulao de preos do petrleo, a freqncia de 1 salto a cada 5 a.

Motivao para Processos de Saltos de Poisson

Vemos saltos (jumps) nos preos do leo em ambas direes, dependendo do tipo de notcia anormal: jumps-up em 1973/4, 1978/9, 1990, 1999, 2002; e jumps-down em 1986, 1991, 1997, e 2001

Jumps-up

Jumps-down

Um modelo com vantagens prticas usado algumas vezes (Merton, 1976; Dias & Rocha, 1998), o processo de Poisson compensado.
A compensao a subtrao de k dt do processo misto de difuso com saltos, onde k = E[], o valor esperado do salto.

Processo de Poisson Compensado

Por exemplo, no caso de Merton (1976), temos um MGB como processo de difuso de um ativo V que sofre saltos em caso de notcias anormais: dV = ( k) V dt + V dz + V dq Uma das idias da compensao preservar a interpretao de como a taxa de crescimento esperada do ativo (apreciao ou ganho de capital esperado), pois:
E[dV/V] = ( k) dt + E[dz] + E[dq] E[dV/V] = ( k) dt + 0 + k dt E[dV/V] = dt

O processo de Poisson compensado permite usar a medida equiv. de martingale por no influir no retorno.
Parte do princpio simples: Se um processo estocstico no um martingale, ento subtraindo uma apropriada mdia ele pode ser tranformado em martingale (ex.: Neftci, 1996, p.115). Um processo de Poisson Nt um processo de contagem e, logo, aumenta com o tempo e no pode ser um martingale. Mas um processo de Poisson compensado (N*t = Nt t) um martingale (Neftci, 1996, p.116; Neftci, 2000, p.179). No caso do processo de Poisson composto (ex.: combinado com processo de difuso), a mdia de dq E[dq] = E[] dt. Assim:

Processo de Poisson Compensado

dP = [a(P, t) k P] dt + b(P, t) dz + P dq , com k = E[]

No caso de Merton (1976), a(P, t) = P (difuso MGB); e em Dias & Rocha (1998): a(P, t) = ( P P) P (difuso MRM). Eu tenho usado modelo com saltos simtricos (tamanho dos saltos com mdia igual a zero): a no precisa compensar.

Processos de Difuso com Saltos: Prs & Contras

A vantagem do processo de difuso com saltos que descreve melhor a realidade de dois pontos de vista:
Estatstico: explica fenmenos empricos encontrados em sries temporais tais como assimetria de retornos (skewness) e maior probabilidade de eventos extremos (distribuio c/ fatter tails). Econmico (lgica microeconmica): especialmente no caso de reverso mdia. Os saltos evitam o excesso de previsibilidade.

As duas maiores desvantagens so:

Existindo saltos, em teoria no possvel ter um portflio com retorno livre de risco, a menos que o risco dos saltos tenha prmio de risco igual a zero (condi. de equilbrio conveniente).
Foi o que Merton (1976) assumiu. O ponto se razovel dizer que os saltos num certo modelo tm correlao zero com a economia.

Aumenta a quantidade de parmetros a serem estimados no nosso modelo, inclusive da distribuio de tamanhos de salto.
Como saltos so eventos raros, os dados tambm so raros

Processos Mais Gerais: Processos de Lvy

Processo de Lvy um processo estocstico com incrementos estacionrios e independentes, e caminhos contnuos em probabilidade. Em geral no-gaussiano.
Uso em finanas recente. Os processos de Wiener (MGB, etc.) e de Poisson so casos particulares do processo de Lvy. A combinao de processos de Poisson com o movimento Browniano relacionado ao processo de Lvy:
Karlin & Taylor ("A Second Course in Stochastic Processes", p.432) diz: Um processo geral de Lvy pode ser representado como a soma de um movimento Browniano, uma translao uniforme e um limite (no caso, uma integral) de uma famlia de processos compostos de Poisson de um parmetro, onde todos os processos que contribuem so mutuamente independentes". Nos processos de Lvy os saltos so chamados de "Lvy flights.

Processos de Lvy podem ter mais de uma medida equivalente de martingale implicando em mercado incompleto (h divergncias).

Suponha uma curva de demanda de um produto qualquer. Ela relaciona preos com a demanda. Preo mais baixo significa maior demanda e preos altos reduzem a demanda pelo produto. Ver os grficos das curvas de demanda exponencial e linear: planilha Existe incerteza na curva de demanda, ou seja, a curva de demanda futura pode estar mais elevada refletindo uma economia aquecida ou pode estar mais baixa refletindo um desaquecimento do consumo Existem vrias maneiras de modelar a incerteza na curva de demanda. Ex.: o valor do fator Y nas curvas abaixo estocstico.

Incerteza na Curva de Demanda

Processos Estocsticos e Sazonalidade

Sazonalidade ocorre com algumas commodities tais como gs natural, gasolina (EUA), eletricidade, etc.
Vero no Brasil significa aumento na demanda de eletricidade; vero nos EUA significa aumento na demanda de gasolina; etc.

Sazonalidade pode ser incorporada nos processos estocsticos usuais de preos (ou demanda) alterando o termo da tendncia para incluir esse efeito
Ex.: Uma funo peridica mt para um processo de reverso mdia de preos duma commodity (P). Fazendo p = lnP:
dp = (p mt) + dz ; onde mt uma funo cclica em que p reverte (ex.: senide com o mximo no pico esperado da estao).

Dornier and Queruel (2000) modelaram a temperatura (T) de Chicago como: dT = (T t) dt + dt + dz

t a temperatura mdia (no qual h reverso), uma funo do tempo incluindo a sazonalidade e uma tendncia linear devido ao global warming (aquecimento global), por ex: t = a + b sin( t) + c t .

Produtos com ciclo de vida tais como os chips de memria DRAM tem curva de demanda crescente seguido de curva de demanda decrescente. So modelados com um processo estocstico com mudana de regime.

Produtos com Ciclo de Vida

Fonte: Bollen (1998)

Modelo para Produtos com Ciclo de Vida

Para modelar a incerteza na demanda dado que existe mudana de regime (demanda crescente seguida de decrescente), se usa dois movimentos Brownianos, um com tendncia c positiva e outro com tendncia d negativa. O instante de troca de regime (crescente para decrescente) incerto, mas com probabilidade crescente. Exs.:
Colocar a probabilidade de mudana como alguma funo do parmetro da demanda ou como funo das vendas acumuladas Bollen (1998) usa distribuio acumulada normal do tempo desde t0 para a probabilidade de mudana de regime. Ex.: Para uma distribuio com mudana de regime esperada de 5 anos e com desvio-padro de 1 ano, a demanda decrescente no ano 4 com 2,28 % de chances; no ano 6 com 50% de chances; e no ano 8 de 97,72 %. Os objetivos so: (a) calcular o valor da firma que tem as opes de expanso e de contrao de acordo com o nvel de demanda; (b) escolher a capacidade inicial tima.
Ele calcula para o caso de monoplio, mas a extenso para duoplio (ou oligoplio) no difcil (especifica equilbrio, veremos no 2o sem.)

Bollen usa uma estrutura pentanomial para modelar a incerteza, sendo os dois ramos superiores representando o crescimento e os dois de cima representando o decaimento da demanda. O quinto ramo (central) conveniente para a rvore recombinar. Com 4 ramos haveria problemas computacionais j que a rvore no recombina. A rvore de 5 ramos permite grande economia:
Ex.: para uma rvore com 500 passos-tempo, com 5 ramos em vez de 4 ramos se obtm uma reduo de 99% na quantidade futura de ns.

rvore Pentanomial

Nmero de ns: 1; 5; 9; 4t + 1, para t = 0; 1; 2...

Estimativa de Parmetros: Regresso

Para usar processos estocsticos temos de estimar os seus parmetros, tais como a volatilidade e outros.
Embora econometria no seja o foco do curso, veremos o mtodo mais simples que a regresso linear p/ MGB e MRM.
Tem outros mtodos. No discutiremos detalhes do tipo autocorrelao, etc.

A regresso tima (a que minimiza o MSE) de Y em relao a X a funo expectativa condicional E[Y | X]:
A medida mais usada para medir a qualidade de um previsor g(X) o erro quadrtico mdio (MSE): MSE(g) = E[Y g(X)]2.
A funo g*(X) que minimiza o MSE a expectativa condicional E[Y|X], que em geral no-linear, mas linear no caso de X e Y ~ dist. Normal.

Na regresso: Y = g(X) + , onde E[] = 0, se X ~ N(mX, X2) e Y ~ N(mY, Y2), ento a distribuio condicional Normal com mdia linear em X: fY|X ~ N(mY + Y (xi - mX)/X, Y2 (1 - 2))

Isto , a funo expectativa condicional g(xi) = E[Y|X = xi] linear em X.

Trabalhar com distr. Normais faz com que a regresso tima seja linear. Por isso vamos trabalhar com logaritmo dos preos.

Seja Pt o preo em t. Para trabalhar com dist. normais, o 1o passo pegar os dados e calcular os logaritmos ln(Pt).
Se os preos seguem um movimento geomtrico Browniano (, ), foi dito antes que isso implica na seguinte eq. discreta:
ln(Pt) = ( 2/2) t + ln(P0) + N(0, 1) t. Assim, temos a equao:

Estimativa de Parmetros: MGB

ln(Pt ) = a + ln(Pt 1 ) + t ou ln(Pt ) ln(Pt 1 ) = a + t

Var[ln(Pt ) ln(Pt 1 )] = Var[ t ] = 2/N

seqncia i.i.d. t ~ Normal(0, 2/N); para dados dirios, N = 252

Corrigimos com N para obter parmetros anuais (para dados mensais, N = 12)

= N {Mdia[ln(Pt /Pt 1 )] + 0,5 2/N} Com dados dirios, para calcular a volatilidade no MGB, basta calcular a varincia de ln(Pt /Pt 1 ), multiplicar por 252 (para passar para varincia anual) e extrair a raiz quadrada.

2 = N Var[ln(Pt /Pt 1 )]

O MGB pode ser testado, por ex., checando a hiptese do coeficiente de ln(Pt 1 ) da equao discreta ser unitrio.
chamado de teste da raiz unitria de Dickey-Fuller.

Na reverso mdia, o coeficiente de ln(Pt 1 ) na equao anterior ser menor que um. Seja a equao mais geral: ln(Pt ) = a + b ln(Pt 1 ) + t
Deixaremos os dados dizerem sobre b em vez de estipular b = 1

Estimativa em Reverso Mdia

Se 0 < b < 1, teremos indcios de reverso mdia

Faa a regresso [ln(Pt ) ln(Pt 1 )] versus ln(Pt 1 ) : ln(Pt ) ln(Pt 1 ) = a + (b 1) ln(Pt 1 ) + t

As seguintes frmulas permitem estimar um processo de reverso para o logaritmo dos preos (Dixit & Pindyck, p.77, corrigido):

= ln(b) . N e

O nvel de reverso j em termos de preo de equilbrio dado pela equao (prova: Sheldon Ross, 1999, p.171):
P = exp[(a + 0,5 2/N) / (1 b)]

Regresso Para Preos do Petrleo

Fazendo a regresso [ln(Pt ) ln(Pt 1 )] versus ln(Pt 1 ) para os preos do petrleo Brent (de jan/1970 a out/2004), se a inclinao da reta for ~ zero, no se pode rejeitar a hiptese de MGB. Se a inclinao for negativa, indcio de MRM.
A figura mostra a inclinao zero (MGB no rejeitado). O teste da raiz unitria de Dickey-Fuller tb. no rejeita o MGB.

Critrios para Escolha do Estimador

Pindyck (1999) e Dixit & Pindyck (1994) recomendam uma srie longa de preos para estimar parmetros de tendncia.
Com apenas 30 a 40 anos no se rejeita a hiptese de MGB. Com srie longa se observa uma reverso lenta (H = 5 anos). Tem muita gente estimando parmetros de reverso com srie temporal de apenas dois a 5 anos: estimadores no-confiveis. O livro de econometria de Campbell & Lo & MacKinlay (1997, p.364) demonstra isso. O melhor estimador o estimador de menor varincia e critrio depende do parmetro a estimar: Drift: quantidade de dados no resolve. O melhor estimador aquele baseado no maior intervalo de tempo. Var(drift) ~ 2/T
Usar sries longas (duas ou mais dcadas) para estimar tendncia.

Volatilidade: aqui a quantidade de dados o que resolve e no o intervalo tempo (ao contrrio do drift). Var( ) ~ 2 4/n.
Usar dados dirios para estimar volatilidade.

Incerteza em Funes Cncavas e Convexas

O efeito da incerteza em funes depende se a funo linear, cncava ou convexa. Esse efeito conhecido por desigualdade de Jensen e quantificado com o lema de It.

Desigualdade de Jensen: se x varivel aleatria (v.a.) e f(x) uma funo (estritamente) convexa de x, ento: E[f(x)] > f(E[x])
Logo, se o valor esperado de x permanece o mesmo, mas sua varincia aumenta, ento E[f(x)] aumenta. Ex.: opo. Se g(X) funo (estritamente) cncava de x, e x for v.a., basta inverter a desigualdade: E[g(x)] < g(E[x]) Se h(x) funo linear da v.a. x, ento: E[h(x)] = h(E[x])
Ex. (DP, p.49): r a taxa de desconto e a perpetuidade f(r) de $1 1/r. Se r = 10% 1/r = $10. Se r v.a. com distrib. discreta {r = 5% com 50% chances; r = 15% com 50% chances}, i. , E[r] = 10%, o E[.] de f(r) maior que $10: E[f(r)] = 50% (1/0,05) + 50% (1/0,15) = 13,33 > 10

Barreiras Absorventes e Refletoras

Um processo estocstico X(t) pode atingir um nvel superior ou inferior onde algo ocorre com o processo.
Esse nvel chamado de barreira, que pode ser absorvente, refletora ou elstica (parcialmente absorvente ou refletora).

Uma barreira absorvente quando o processo estocstico termina assim que ele toca nessa barreira.
Ex.: processo estocstico do valor de um projeto V(t) toca num nvel superior V* (gatilho) onde a opo exercida. O processo de V(t) deixa de ter interesse e termina para efeitos prticos. O valor de uma firma em indstria declinante atinge um valor inferior V** em que a firma entra em falncia (abandona).

Uma barreira refletora quando o processo estocstico refletido (direo oposta) aps tocar essa barreira.
Ser muito usado em jogos de opes: o preo de uma indstria no consegue superar P*, pois as firmas inundam o mercado de produtos (exercem opes) quando P atinge P*.

Tempo de Toque de um Processo Estocstico

First hitting time ou first passage time ou first exit time denotam o primeiro instante em que um processo estocstico toca (ou cruza) um certo valor (ex.: o gatilho)

Ver planilha simula-hit_time.xls.

A definio de first hitting time T*(V = b) = T*b para um processo estocstico V(t) alcanar (ou cruzar) a barreira b, assumindo que o processo inicia com V(t = 0) < b, :
; onde o nfimo de um conjunto vazio infinito

Tem inmeras aplicaes em opes e jogos de opes

Planejamento: se um projeto no est deep-in-the-money, qual o tempo esperado para ele atingir a curva de gatilhos? Clculo da opo: exerce a opo em t* (t que atinge o gatilho), o valor da opo F(0) o payoff descontado por E[exp( r t*)]. No primeiro caso se considera o processo real e no segundo caso o processo estocstico neutro ao risco.

First Hitting Time: Aplicaes

Valor Esperado do Tempo de Toque E[t*]

O valor de E[t*] depende da tendncia do processo estocstico. Ex.: p/ uma barreira superior P*, o processo NR demora mais do que o processo real para atingir P*. O clculo do valor esperado desse tempo de toque, E[t*], relevante p/ planejamento de portflio (processo real):
Quando esperado o exerccio da OR de investir num projeto?

Se o ativo bsico V segue um MGB com drift e valor inicial V0, ento E[t*] at uma barreira superior b fixa :

Mais detalhes: http://www.puc-rio.br/marco.ind/hittingt.html Ver planilha simula-hit_time.xls que inclui frmulas (MGB) p/ densidade de probabilidade de t*, probabilidade acumulada de atingir b e probabilidade de eventual toque p/ 1 e 2 barreiras.

Valor Esperado do Fator de Desconto

Mas, para resolver problemas de OR, veremos que bem mais til saber o fator de desconto esperado E[exp(- r t*)]
Saber E[t*] no suficiente: E[exp(- r t*)] > exp(- r E[t*]). Note que no h problema em ter caminhos com t* = , pois exp(- r ) = 0. Logo, E[exp(- r t*)] [0, 1], sempre finito.

Pode-se provar a importante frmula p/ X seguindo MGB:

onde X* o gatilho e X < X*

Onde 1 a raiz positiva da eq. quadrtica p/ o caso de contingent claims: MGB com tendncia NR (r ) e taxa de desconto livre de risco r: Na parte 4 iremos ver os mtodos do contingent claims (ativos contingentes) e da programao dinmica para obter a equao diferencial do valor da opo e a equao quadrtica caracterstica, que gera duas razes, 1 e 2.

Valor Esperado do Fator de Desconto

No caso de termos uma barreira inferior V** < V (ex.: V** um gatilho para exercer uma opo de abandono ou de parada temporria), a equao fica:
onde X** o gatilho e X > X**

Onde 2 a raiz negativa da eq. quadrtica do caso de contingent claims: MGB com tendncia NR (r ) e taxa de desconto livre de risco r:

No caso de usar o mtodo da programao dinmica em que se usa uma tendncia real e taxa de desconto exgena (ajustada ao risco?) , i. , se quer E[exp( t*)], s muda o parmetro beta. No caso de uma barreira superior, o 1 fica: Prova: http://www.puc-rio.br/marco.ind/hittingt.html#proof

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

Exemplo: Movim. Aritmtico Browniano

Considere a seguinte verso discreta de um movimento aritmtico Browniano para V:
Sendo: valor esperado (ou mdia) de V = Vt V0 = a t varincia de V = b2 t O caixa de uma firma tem hoje $50, tendncia de subir $20/ano e um desvio padro anual (b) de b = $30/ano. Qual o valor esperado e o desvio padro do caixa da firma daqui a 1 ano, se o caixa segue o processo acima?
Daqui a 1 ano a mdia ser de 70 (= V0 + a t = 50 + 20 x 1).

O desvio padro ser de 30 (= b t = 30 x 1). Exerccio: Resolva para o caso de 6 meses. VOLTAR

Valor Esperado do MGB: Outra Prova

Outra maneira de calcular o valor esperado de V no instante t, dado o valor corrente V0, no MGB:
Vimos que esse valor esperado : E[V (t)] = V0 e t

A outra maneira tomar o valor esperado de dV na eq. original dV/V = dt + dz, pois o termo aleatrio (2o termo) desaparece j que E(dz) = 0:

Ou seja, dV = V dt descreve a curva de valor esperado de V. Assim, a soluo dessa equao diferencial para um instante t, V(t), d o valor esperado de V no instante t.

Preos do leo em 1997 e a Crise da sia

Em novembro/97 os preos do petrleo comeam a cair muito rapidamente. A crise da sia foi o fator mais importante, mas inverno ameno e atuao da OPEP so os outros fatores que fizeram a oferta superar muito a demanda

Preos reais (no-nominais), mas com dlar de 1967.

Preos do Petrleo (120 anos)

Preos do Petrleo: 2004 e Pico Real Histrico

Em termos reais, os valores 2004 (recordes nominais na poca) estavam abaixos do pico real histrico do incio dos anos 80. O pico real depende do ndice de inflao usado (varia de 70 a 80 US$/bbl conforme a fonte). Em 2006 chegou a + de 70 $/bbl.

Mudana nos Preos de Longo-Prazo

Alguns autores dizem que existe uma mudana de patamar de longo-prazo, pois o volume de novas descobertas no tem acompanhado o crescimento da demanda de petrleo.
O fato que os cenaristas tm errado muito na previso de preos.

Reverso Mdia de Longo Prazo

Varincia inicialmente cresce com o tempo e depois se estabiliza devido fora de reverso
Tendncia o preo se aproximar da mdia de longo prazo. Se os preos estiverem altos, a tendncia cair; se os preos estiverem baixos, a tendncia subir.
Fonte: Dixit & Pindyck

Meia Vida do Processo de Reverso

Uma medida mais gerencial da velocidade de reverso o conceito de meia-vida da reverso H (half-life), que d uma medida da lentido do processo. Meia vida H o tempo em que a varivel estocstica leva para percorrer a metade do caminho entre o seu valor corrente e a mdia de longo prazo.
Ex.: se o preo corrente do leo 12 $/bbl, se a mdia de longo prazo P 20 $/bbl e se a meia vida H = 2 anos, ento se espera que os preos em 2 anos subam para 16 $/bbl [= 12 + (20 12)/2]. Nesse exemplo o processo para P e no lnP.
Isso no significa que se espera que os preos atinjam 20 $/bbl em 4 anos. Em 4 anos se atingiria 18 $/bbl [= 12 + (20 12)/2 + (20 16)/2]

A relao entre a velocidade de reverso e a meia vida H para o logaritmo de P H = ln(2)/

Reverso com Saltos: Dias & Rocha (1998)

Assuma que os preos do petrleo (P) seguem o seguinte processo geomtrico de reverso + saltos:

Logo,

Notcias normais causa apenas ajustes marginais nos preos do leo. Notcias anormais (guerra, grandes crises, surpresas da OPEP, ...) causam saltos discretos nos preos do leo. Incerteza no tamanho/direo dos saltos representada por
O salto pode ser sistemtico (no poderia construir um portflio sem risco) ou no-sistemtico (poderia usar contingent claims). Dias & Rocha (1998) analisaram os dois casos.

Dias & Rocha: Saltos (Jumps) Incertos

O tamanho e sentido dos saltos so incertos e tem a seguinte distribuio de probabilidades (2 normais truncadas):

Em caso de ocorrer uma notcia anormal, existem 50% de chances do salto ser positivo (jump-up, aumentando o preo) e 50% de chances de ser negativo (jump-down, reduz o preo) Se ocorrer um jump-up, espera-se que os preos dobrem, e em caso de jump-down, espera-se que os preos caiam metade. Mas existe incerteza e os saltos podem ser maiores ou menores

Derivada de Radon-Nikodym
A derivada de Radon-Nikodym dQ/dP um processo estocstico que permite mudar da medida P (medida de probabilidade aqui) p/ a medida Q um outro processo.
No caso de tempo discreto, modelo binomial em 1 perodo:
p V 1p V V+ V 1q V q V+
RadonNikodym

q p 1q 1 p

Cenrio V+

Cenrio V

Pois multiplicando as probabilidades originais p e 1 p por essas derivadas de Radon-Nikodym se obtm q e 1 q.

Para o caso de dois perodos, apesar de dois caminhos resultarem num nico cenrio central (recombinao da rvore), dQ/dP deve ser especificado em t = 1 e t = 2 p/ cada um dos 4 caminhos possveis.

Movimento Browniano e Auto-Similaridade

Foi dito que o movimento Browniano z(t) = N(0; 1) t tem uma natureza fractal devido a auto-similaridade de suas amostras de caminho se ampliadas sucessivamente.
Mandelbroot escreveu The Fractal Geometry of Nature para enfatizar o carter universal da auto-similaridade (selfsimilarity) (Shiryaev, Essential of Stochastic Finance, p. 224).
Ver tambm Etheridge, A Course in Financial Calculus, 2002, p. 55.

O movimento Browniano tem a propriedade estatstica de auto -similaridade com expoente de Hurst H = .

Uma classe mais geral de movimentos Brownianos chamada de Fractional Brownian Motion.
Esses processos tm a propriedade de auto-similaridade So processos gaussianos quando H (0, 1].
O movimento Browniano (H = ) um caso particular.

Esses processos em geral tm incrementos dependentes, sendo casos particulares quando eles so independentes, como no movimento Browniano tradicional.