MFEE – EPGE FGV

Avaliação de Empresas com Opções Reais

Prof. Edson Gonçalves

Simulação de Monte Carlo - Aspectos Gerais

1
Simulação de Monte Carlo - Aspectos Gerais

• Método numérico que utiliza números “aleatórios” para

resolver problemas que não possuem solução analítica, por
exemplo, processos de discretização de equações diferenciais
parciais.

• Na realidade não existem números aleatórios. Algoritmos

geram sequências aleatórias que seguem certas propriedades
estatísticas (“pseudo-aleatórios”).

• O grande obstáculo para sua utilização era o elevado tempo

computacional. Com o surgimento de novas técnicas e os
avanços computacionais tornou-se uma ferramenta mais
valiosa.

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

• As sequências de números aleatórios são geradas através de uma

distribuição uniforme no intervalo (0,1). O sucesso da utilização da
SMC está ligado a qualidade destes números que devem seguir certas
propriedades listadas abaixo:

• 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.

•A sequência de Sobol converge mais rapidamente para uma distribuição

normal padrão porque um máximo de espaços posíveis são ocupados
gerando uma distribuição mais uniforme.

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

1) Geração de números pseudo-aleatórios com distribuição

normal com média 0 e desvio-padrão 1.

2) Geração de números correlacionados através da Transformação

de Cholesky.

3) Geração dos preços futuros dos ativos seguindo o processo de

Wiener

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.

6) Cálculo da variação da carteira para cada uma das simulações

7) Obtém-se a distribuição de probabilidades do retorno total da carteira

8) Calcula-se o VAR(Value at Risk) da carteira através da ordenação dos retornos

dos cenários e escolhe-se o resultado ao nível de significância desejado. Por
exemplo, vamos supor que temos 20000 cenários e deseja-se calcular o VAR
5% de uma carteira (existe uma probabilidade de 5% de perda de um valor
maior ou igual ao VAR) . O resultado é obtido da seguinte forma: ordena-se os
retornos simulados e escolhe-se o milésimo(5% de 20000) menor retorno .

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) ).

Copyright © 2010 Accenture All Rights Reserved.