Beruflich Dokumente
Kultur Dokumente
1
Simulação de Monte Carlo - Aspectos Gerais
2
Simulação de Monte Carlo - Fundamentos
• Seja S1,S2,….,SN uma sequência de variáveis aleatórias com média S e variância 2.
• A soma destas variáveis, de acordo com o Teorema Central do Limite, converge para
uma distribuição normal quando N cresce com média N*S e variância N*2, ou seja:
N
Prob. N * S * N * i S N * S * N * significân cia
i 1
N
N
Si N
Prob. S * * i 1
S* * significân cia
N N N
N
i S
1
Prob. S i 1 * * significân cia
N N
• O valor médio das realizações da variável aleatória converge para S quando N
cresce.
3
Geração de números aleatórios
• Distribuição
• Periodicidade
• Reprodução
4
Tipos de Geradores
• Aleatórios
– Estes números são de difícil obtenção, confiabilidade e manuseio,
portanto não é utilizado na prática.
• Pseudo-Aleatórios
– São gerados através de um algoritmo, de forma a parecer o mais aleatório
possível.
• Quasi-Aleatórios
– São obtidos através de um algoritmo mais refinado onde existe a
preocupação de gerar sequências mais uniformes. São, de certa forma,
“determinísticos”. Existem 3 tipos: Sobol, Halton e Faure. Vamos nos
concentrar no primeiro porque é o que apresenta resultados superiores.
5
10
15
20
25
30
35
40
45
0
5
0.00
0.03
0.06
0.10
0.13
0.16
0.19
0.23
0.26
0.29
0.32
0.35
0.39
0.42
0.45
0.48
0.52
0.55
0.58
PSEUDO-ALEATÓRIO
0.61
0.64
0.68
0.71
0.74
0.77
0.81
0.84
0.87
0.90
0.93
0.97
More 10
15
20
25
30
35
40
0
5
0.00
0.03
0.06
0.10
0.13
0.16
0.19
0.23
Distribuição de probabilidade para 1000 números
0.26
0.29
0.32
0.35
0.39
0.42
Pseudo-Aleatórios x Quasi-Aleatórios(Sobol)
0.45
0.48
SOBOL
0.52
0.55
0.58
0.61
0.64
0.68
0.71
0.74
0.77
0.81
0.84
0.87
0.90
0.93
0.97
More
6
Pseudo-Aleatórios x Quasi-
Aleatórios(Sobol)
Distribuição em 2 dimensões (1000 números)
PSEUDO-ALEATÓRIO SOBOL
1 1
0.9 0.9
0.8 0.8
0.7 0.7
0.6 0.6
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
7
Pseudo-Aleatórios x Quasi-
Aleatórios(Sobol)
•Para a obtenção de bons números aleatórios devemos ter uma
sequência uniformemente distribuída. No gráfico da distribuição em 1
dimensão o intervalo(0.42,0.45) apresenta 22 observações e o
intervalo(0.71,0.74) 42 eventos, ou seja, temos agrupamentos de pontos
que diminuem a medida que aumenta-se o número de simulações. Esta
observação fica mais evidente com o gráfico em 2 dimensões.
8
Convergência
Abaixo temos uma distribuição normal com base nos números aleatórios gerados
na distribuição uniforme do exemplo anterior.
Convergência - 1000 números aleatórios
100
90
80
70
60
Sobol
50 Pseudo
Excel
40
30
20
10
0
0
10
30
70
50
90
0
50
90
10
.1
.7
.3
.5
.1
.3
.9
.7
0.
2.
0.
0.
1.
1.
2.
2.
-3
-2
-2
-1
-1
-1
-0
-0
9
Simulação de Monte Carlo - Cálculo de
Risco
Modelo básico da SMC
10
Simulação de Monte Carlo - Cálculo de Risco
5) Cálculo do valor das opções através da fórmula de Black & Scholes com os
novos preços do ativo-objeto e volatilidade.
11
Decomposição de Cholesky
Decomposição de para um modelo com 2 fatores de risco:
Decomposição de Cholesky
• Pelas equações do slide anterior, a nova série de números aleatórios do fator de risco 1 é igual a série original e,
portanto, tem média zero e desvio padrão igual a 1 como se deseja. Tomando o valor esperado e a variância da
segunda equação, verifica-se que a nova série de números aleatórios do fator de risco 2 terá média zero e
desvio padrão 1 como também se deseja:
• Assim, as correlações entre as séries originais criadas pelo gerador de números aleatórios são iguais a zero, pois
os geradores sempre geram séries não correlacionadas.
• Após a transformação de Cholesky chegamos a séries com as correlações desejadas entre si, porém todas ainda
possuem desvio padrão igual a 1. Portanto, é necessário multiplicar cada série pelo seu respectivo desvio
padrão (calculado por GARCH ou EWMA, por exemplo). Após essa multiplicação garante-se que as séries de
números aleatórios têm distribuição N(0, s2(carteira) ).