Métodos Matemáticos em Finanças I

Tamanho: px
Começar a partir da página:

Download "Métodos Matemáticos em Finanças I"

Transcrição

1 Métodos Matemáticos em Finanças I Jorge P. Zubelli IMPA 5 de Setembro de 2017 MMF I c Zubelli (IMPA) / 93

2 Comportamento Estocástico dos Mercados Exemplo Figura: Dados do IBOVESPA MMF I c Zubelli (IMPA) / 93

3 Comportamento Estocástico dos Mercados Dados de Alta Frequencia Figura: Dados de Alta Frequencia do IBOVESPA Ano 2006 MMF I c Zubelli (IMPA) / 93

4 Um dos problemas centrais Como determinar o preço justo, hoje, de um contrato financeiro sobre um ativo cujo o comportamento futuro é imprevisível e sujeito a flutuações aleatórias? Intimamente ligada a questão de apreçamento está a questão de proteção e cobertura de riscos. Algumas perguntas naturais Por quê? Quando? Quem? MMF I c Zubelli (IMPA) / 93

5 Observações Históricas Dois Mil BC - Índia Thales de Mileto - Grécia Pescadores holandeses de baleias do secúlo XVI faziam contratos de venda forward antes de partirem nas suas viagens. Século XVII - Holanda - opções sobre preços de tulipas Contratos a termo e opções foram negociados no século XVII em Amsterdã e Osaka (mercado de arroz). MMF I c Zubelli (IMPA) / 93

6 Introdução Conceitos Iniciais Histórico - Grandes Contribuições Thales de Mileto L. Bachelier (Paris) P. Samuelson F. Black M. Scholes R. Merton Figura: Thales de Mileto MMF I c Zubelli (IMPA) / 93

7 Introdução Conceitos Iniciais Histórico - Grandes Contribuições L. Bachelier (Paris) P. Samuelson F. Black M. Scholes R. Merton Figura: L. Bachelier MMF I c Zubelli (IMPA) / 93

8 Introdução Conceitos Iniciais Histórico - Grandes Contribuições L. Bachelier (Paris) P. Samuelson F. Black M. Scholes R. Merton Figura: R. Merton MMF I c Zubelli (IMPA) / 93

9 Introdução Conceitos Iniciais Histórico - Grandes Contribuições L. Bachelier (Paris) P. Samuelson F. Black M. Scholes R. Merton Figura: M. Scholes MMF I c Zubelli (IMPA) / 93

10 Problemas centrais Pergunta: Como determinar o preço justo, hoje, de contratos financeiro sobre um ativo cujo o comportamento futuro é imprevisível e sujeito a flutuações aleatórias? Fato: Intimamente ligada a questão de apreçamento está a questão de proteção e cobertura de riscos. MMF I c Zubelli (IMPA) / 93

11 Estratégia Passos Modelar o Mercado (ou os ativos subjacentes) Modelar os Contratos Calibrar os Modelos (do mercado e do contrato) Desenvolver Métodos e Algoritmos de Cálculo Modelos : Contínuos Discretos MMF I c Zubelli (IMPA) / 93

12 Modelos Contínuos Discretos Contínuos: PROS 1 Teoria Sólida Sofisticada 2 Boas Propriedades 3 Resultados Teóricos 4 Independe de Escalas (logo aplicável em muitos contextos) CONS 1 Teoria Sofisticada 2 Difícil Intuição 3 Dificuldades de Implementação Discretos: PROS 1 Teoria Simples 2 Exemplos de Pequeno Porte Fáceis 3 Fácil Implementação em Máquinas Rápidas 4 Em última análise temos sempre que discretizar CONS 1 Depende de Escalas e Discretizações 2 Alta Complexidade Computacional MMF I c Zubelli (IMPA) / 93

13 Opção de compra européia (call) Um contrato que dá ao possuidor o direito, mas não a obrigação, de comprar uma unidade de um ativo subjacente no instante futuro T por um preço (strike) K. O chamado payoff F deste contrato é { ST K se S F(S T ) = T > K, 0 se S T K. MMF I c Zubelli (IMPA) / 93

14 Apreçamento da Call C(t,S t ) = E Q [e r(t t) payoff S t ] = E Q [e r(t t) (S T K ) + S t ] MMF I c Zubelli (IMPA) / 93

15 Opção de venda européia (put) Dá o direito ao possuidor de vender uma unidade de um ativo subjacente no instante futuro T por um preço (strike) K Payoff { K XT se X F(X T ) = T < K, 0 se X T K. Fonte de Valor em uma Opção: Assimetria entre direito mas não obrigação. MMF I c Zubelli (IMPA) / 93

16 Apreçamento da Put P(t,S t ) = E Q [e r(t t) payoff S t ] = E Q [e r(t t) (K S T ) + S t ] MMF I c Zubelli (IMPA) / 93

17 Contratos e Opções Exemplos 1 Opções Americanas:O contrato pode ser exercido a qualquer momento τ até a expiração T. 2 Opções Bermudianas: O contrato pode ser exercido em qualquer momento τ dentro de um conjunto de tempos [T 1,T 2 ], [T 3,T 4 ],..., [T 2N+1,T N ]. 3 Opções Asiáticas: O contrato depende de uma média (aritmética ou geométrica) dos valores do ativo durante um período antes do vencimento. MMF I c Zubelli (IMPA) / 93

18 Modelos (Contínuos) de Mercado Contexto Probabilístico: 1 Espaço de Probabilidade (Ω,F,P) 2 Processos Estocásticos em Tempo Contínuo S = {S t (ω)} t [0,T ] Para cada t temos uma v.a. X t : Ω R 3 Fluxo de Informação: Família de σ-algebras {F t } t.q. o processo X é adaptados a {F t }. 4 Dinâmica dos processos: Típicamente E.D.E. ds t = g(t,ω)dt + ν(t,ω)dw t. ou mais geralmente processos de Levy. MMF I c Zubelli (IMPA) / 93

19 Modelo Clássico Black-Scholes-Merton Movimento Browniano Geométrico: ds t S t = µdt + σdw t com µ e σ constantes. Obs: O que significa dw? Consideramos t+ t W t = dw s Aqui, o símbolo W tem as seguintes características: W é uma variável aleatória normal A média de W é zero A variância de W é t Além disso, incrementos W em intervalos que não se intersectam são independentes. O valor de σ, chamado de volatividade está relacionado com a incerteza do fenômeno e de uma certa forma controla a presença de risco. Quanto maior a t MMF I c Zubelli (IMPA) / 93

20 Exemplo Movimento Browniano Figura: Exemplo de realizações do movimento Browniano no intervalo [0, 1.5] e a distribuição em t = 1.5 dos valores. MMF I c Zubelli (IMPA) / 93

21 Modelos de Reversão à Média Ornstein-Uhlembek Na modelagem de taxas de juros, de volatilidade e de commodities, surgem processos que revertem a valores históricos. dx t = θ(µ X t )dt + σdw t Figura: Exemplo de realizações de processos do tipo OU. MMF I c Zubelli (IMPA) / 93

22 Extensões Modelo de Volatilidade Local de Dupire: Modelo de Volatilidade Estocástica: ds t = µ t S t dt + σ(t,s t )S t dw t ds t = µ t dt + σ t S t dw t com σ t = f(y t ) e Y t processo estocástico. Modelos com Saltos: ds t = µ t dt + σ t S t dw t + dq t MMF I c Zubelli (IMPA) / 93

23 Princípios Básicos no Apreçamento Princípios: Não arbitragem Replicação Hedging (cobertura de risco) Medida Neutra ao Risco Algumas Aplicações: Noção de Valor Justo (que evita arbitragem). Paridade Call-Put Valor Presente Líquido MMF I c Zubelli (IMPA) / 93

24 Princípio de Não Arbitragem Arbitragem pode ser entendida intuitivamente como a possibilidade de fazer dinheiro do nada, sem risco. Um dos princípios básicos de apreçamento (justo!) é que em um mercado em equilíbrio não existem oportunidades de arbitragem. Definição Uma arbitragem é uma posição no mercado satisfazendo: 1 custo inicial zero; 2 impossibilidade de prejuízo no futuro; 3 probabilidade não-nula de lucro no futuro. MMF I c Zubelli (IMPA) / 93

25 Exemplo Considere uma roleta que paga 2:1 quando sai vermelho, e nada quando sai preto e cujas probabilidades são { Vermelho 70% Preto 30% Se jogarmos muitas vezes, esperamos receber, em média, = R$1,40 por real apostado. Um negociante local oferece um bilhete que vale R$100,00, se sair vermelho na roleta R$0,00, se sair preto. O bilhete é vendido a R$60,00. Você compra ou você vende? MMF I c Zubelli (IMPA) / 93

26 Valor esperado: R$70,00 para o bilhete. Portanto, o bilhete barato e vale a pena comprá-lo. Entretanto... 1 Ele guarda os R$60,00. Se sair preto, ele fica com R$60,00 de lucro. Se sair vermelho, ele tem um prejuízo de R$40,00. 2 Ele aposta os R$60,00 na roleta. Se sair preto, ele perde tudo, mas também não tem que pagar nada. Se sair vermelho, ele recebe R$120,00, paga R$100,00 e lucra R$20,00. 3 Ele aposta R$ 50,00 na roleta. Se sair preto, ele perde os R$50,00, não precisa pagar nada e fica com um lucro de R$10,00. Se sair vermelho, ele recebe R$100,00, com os quais paga o prometido pelo bilhete e lucra R$10,00. A simples estratégia 2, já garante que ele não terá prejuízo e ainda poderá ter lucro. A estratégia 3, entretanto, ainda é mais eficiente. Independente do resultado da roleta, ele lucra R$10,00. MMF I c Zubelli (IMPA) / 93

27 Exemplo Considere uma moeda cujas probabilidades são { Cara 3 Coroa Suponha também que você receba R$0,50 quando sai coroa e R$2,00 quando sai cara para cada real apostado. Em média, esperamos acumular um valor de = 13 8 = 1,625. Quanto vale um bilhete que retorna R$12,00 se der cara e nada se der coroa, numa cidade com empréstimo sem juros? MMF I c Zubelli (IMPA) / 93

28 Almoço de graça Se cobrarmos R$9,00 como seria o esperado podemos proceder da seguinte forma: Apostamos R$6,00 na moeda. Se der cara, recebemos R$12,00, pagamos o valor do bilhete e lucramos R$3,00. Se der coroa recebemos R$3,00 e lucramos R$6,00. Nesse caso o preço justo seria R$4,00!! Hedging: estratégia, ao vender um bilhete por R$4,00: Tomamos R$4,00 emprestado. Apostamos na moeda R$8,00. Considere a seguinte Se der cara: ganhamos R$16,00 pagamos R$12,00 ao comprador do bilhete e usamos os R$4,00 restantes para quitar o empréstimo. Se der coroa: ganhamos R$4,00 e quitamos o empréstimo. MMF I c Zubelli (IMPA) / 93

29 Mais Hedging Se o bilhete fosse vendido por R$3,00 em vez, poderíamos nos aproveitar da situação usando a seguinte estratégia: Tomamos R$7,00 de um terceiro, nos comprometendo a pagar o retorno de uma aposta desse valor na moeda. Compramos o bilhete do vendedor por R$3,00. Esperamos o resultado da moeda. Se der cara: ganhamos R$12,00, juntamos mais R$2,00 e pagamos o terceiro; lucramos R$2,00. Se der coroa: ficamos com R$4,00, pagamos R$3,50 ao terceiro e embolsamos R$0,50. MMF I c Zubelli (IMPA) / 93

30 Mas... Algumas objeções podem aparecer: Isso deve ser uma conseqüência de se ter a possibilidade de ganho nulo; Empréstimos sem juros nem nos contos de fada; Tomar dinheiro com um terceiro e aplicar no ativo com risco não parece algo factível. Entretanto: De fato não! Se o bilhete pagasse R$3,00 no caso de coroa e R$12,00 se for cara o preço justo é R$6,00 e não R$9,75 como poderia parecer a primeira vista! Note que o bilhete está na mesma proporção da moeda agora! Juros não mudam a conclusão, embora mudem os valores. Ficar vendido é uma operação comum no mercado. MMF I c Zubelli (IMPA) / 93

31 No exemplo acima, a probabilidade neutra ao risco é 1/3 para cara e 2/3 para coroa. Assim, nos dois casos mencionados no exemplo, temos: 1 3 R$12, R$0,00 = R$4, R$12, R$3,00 = R$6,00 3 Note que um bilhete que paga R reais, no caso da moeda dar cara, custa menos que um bilhete que para R reais no caso da moeda dar coroa. Nesse sentido, o bilhete pode ser interpretado com uma espécie de seguro que cobra mais no caso adverso. MMF I c Zubelli (IMPA) / 93

32 Replicação e cobertura de risco (Hedging) Princípio Básico: Para apreçar opções construimos uma carteira autofinanciada que replica o derivativo no vencimento. Definição Dizemos que um portfólio (θ 1,...,θ K ) t de ativos S 1,...,S K replica o ativo S, se o fluxo de caixa do portfólio e do ativo S são os mesmos, qualquer que seja o estado da economia. Proposição (Lei do Preço Único) Em um mercado sem oportunidade de arbitragem, se um ativo admite um portfólio replicador, então o preço justo do ativo é o mesmo do seu portfólio replicador. MMF I c Zubelli (IMPA) / 93

33 Cobertura de Risco - Hedging Obs Um investidos adquire um contrato do tipo call para se proteger contra subidas excessivas do ativo. E.G.: pagamento de uma dívida em dólar. Um especulador pode usar opções para multiplicar seus ganhos (alavancagem) - com risco! Um market maker ou um vendedor de uma opção se protege construindo um portfolio replicador dinâmico, de forma que no vencimento ele possa entregar (ou não) o payoff. De forma geral: O objetivo do investidor é redução do risco (em algum sentido) e a maximização do retorno (em algum sentido). Em mercados incompletos, a minimização de risco se torna fundamental para o apreçamento. Isto pode ser feito por diversas técnicas (indiferença, medida martingal mínima, etc). MMF I c Zubelli (IMPA) / 93

34 Apreçamento em Mercados Completos Seja X T o valor do ativo subjacente no instante T. X T é uma variável aleatória: X T = X(ω), com ω Ω. Suponha que h é o valor do payoff associado ao derivativo. Então o preço do derivativo P t no instante t é dado por: [ P t = E Q e r(t t) h(x T ) ] F t aonde Q é a medida neutra ao risco. MMF I c Zubelli (IMPA) / 93

35 Modelo de Arrow-Debreu Economia com N ativos s 1,s 2,...,s N e M possíveis estados. Especificado a partir de p = (p 1,...,p N ) t R e D = (d ij ), p é o vetor de preços D é a matriz de fluxos de caixa. D é conhecida por todos Estado final da economia não é conhecido a priori. Um portfólio (ou carteira) de ativos é um vetor θ = (θ 1,...,θ N ) t, R N, Riqueza da carteira: V = θ t p MMF I c Zubelli (IMPA) / 93

36 Arbitragem Intuitivamente: possibilidade de fazer dinheiro do nada, sem risco. Definição (Intuitiva) Uma arbitragem é uma posição no mercado satisfazendo: 1 custo inicial zero; 2 impossibilidade de prejuízo no futuro; 3 probabilidade não-nula de lucro no futuro. Definição Um portfólio de arbitragem é um portfólio θ satisfazendo uma das duas condições abaixo: 1 θ p = 0, θ t D 0 e para algum j, θ D,j > 0. 2 θ p < 0 e θ t D 0. MMF I c Zubelli (IMPA) / 93

37 Não-Arbitragem Teorema Existe um vetor de números positivos π, tal que se, e somente se, não existem portfólios de arbitragem. Consequência: Além disso vale: Corolário Lei do preço único. p = Dπ, (1) Se portfólios de arbitragem e empréstimo sem risco a taxa R. = uma medida de probabilidade no conjunto de estados t.q. o valor justo do ativo é o valor esperado dos seus fluxos de caixa descontado pela taxa R. Valor = E π [ (1 + R) 1 Fluxos ] MMF I c Zubelli (IMPA) / 93

38 Replicação Definição Um portfólio (θ 1,...,θ K ) t de ativos S 1,...,S K replica o ativo S, se o fluxo de caixa do portfólio e do ativo S são os mesmos, qualquer que seja o estado da economia. Proposição (Lei do Preço Único) Em um mercado sem oportunidade de arbitragem, se um ativo admite um portfólio replicador, então o preço justo do ativo é o mesmo do seu portfólio replicador. Aplicação: Precificação de Derivativos - Preço de uma call é obtido construindo um portfolio que replica. MMF I c Zubelli (IMPA) / 93

39 Aplicação: Paridade Call-Put Proposição (Paridade Put-Call) Numa economia sem arbitragem, seja S o preço de um ativo e R a taxa livre de risco. P = preço da put C = preço da call Então, P = C S + K 1 + R. (2) MMF I c Zubelli (IMPA) / 93

40 Medida Neutra ao Risco (Medida Martingal Equivalente) A existência da medida π na qual podemos calcular o preço dos nossos ativos é fundamental. Esta medida NÃO é a medida obtida observando a série histórica de preços. Veremos que mais geralmente (para múltiplos períodos) temos que [ ] Preço = E π Payoff (1 + R) n ou no caso contínuo [ ] Preço = E π e r(t t) Payoff MMF I c Zubelli (IMPA) / 93

41 Descrição do Modelo de 1 Período Figura: Ilustração do Modelo de 1 Período MMF I c Zubelli (IMPA) / 93

42 Hedging e replicação Considere um portfólio θ = (θ 1,θ 2 ) t, com θ 1 unidades do ativo de risco a um preço S e θ 2 unidades em depósito remunerado a um preço de 1/(1 + R). O valor do portfólio vai ser então θ 1 SU + θ 2 = D 1, no estado I; θ 1 SD + θ 2 = D 2, Resolvendo para θ 1 e θ 2, temos Logo, o valor do portfólio será no estado II. θ 1 = D 1 D 2 SU SD e θ 2 = UD 2 DD 1 U D i.e. V = θ 1 S + θ R V = R {ˆπ 1D 1 + ˆπ 2 D 2 }. MMF I c Zubelli (IMPA) / 93

43 Moral Em alguns mercados: probabilidade neutra ao risco ativo portfólio replicador. Nesse caso, podemos precificar ativos através da Lei do Preço Único. No que se segue, vamos estudar um pouco mais sobre esses mercados. MMF I c Zubelli (IMPA) / 93

44 Mercados Completos e Incompletos Definição Um mercado com N ativos e M estados é dito completo se, vetor de fluxo de caixa (D 1,...,D M ) t, portfólio θ = (θ 1,...,θ N ) t, cujo fluxo de caixa no estado j é D j. Em outras palavras, tem sempre solução para E R M. Da álgebra linear este é o caso s.s.s.: Teorema θ t D = E t, posto ( D t) = M. Suponha uma economia sem arbitragem. O mercado é completo! vetor de preços π de estado satisfazendo p = Dπ. (3) MMF I c Zubelli (IMPA) / 93

45 Recapitulando Teorema Fundamental do Apreçamento Lembrando: Medida Martingal Equivalente (ou medida neutra ao risco) é aquela nas quais os preços dos ativos descontados pela taxa de juros são martingais: Teorema E Q [e r(t t) X T F t ] = X t, t < T Sob hipóteses razoáveis: Existência de uma medida martingal equivalente. Não existem oportunidades de arbitragem. Teorema A medida martingal equivalente é única O mercado é completo (i.e., todo contrato contingenciado pode ser replicado). MMF I c Zubelli (IMPA) / 93

46 Modelo Binomial Vamos considerar uma economia com dois ativos e dois possíveis estados, i.e, N = M = 2 no modelo de Arrow-Debreu. Vamos supor que haja empréstimo a uma taxa R, i.e, um ativo sem risco. O ativo c/ risco tem preço S e fluxos de caixa SU no estado I e SD no estado II, com D < U. Figura: Ilustração do Modelo de 1 Período MMF I c Zubelli (IMPA) / 93

47 Que pode ser rescrito como cuja solução é S = R {ˆπ 1SU + ˆπ 2 SD} ˆπ 1 + ˆπ 2 = 1. ˆπ 1 = 1 + R D U D ˆπ 1 + ˆπ 2 = 1 ˆπ 1 U + ˆπ 2 D = 1 + R U (1 + R) e ˆπ 2 =. U D Note que temos soluções positivas se, e somente se, D < 1 + R < U. Essa condição está diretamente relacionada com não-arbitragem. MMF I c Zubelli (IMPA) / 93

48 Pagamento contigenciado ao estado Considere um ativo que tem fluxo de caixa D 1 no estado I e D 2 no estado II. Temos então que o preço justo desse ativo seria V = R {ˆπ 1D 1 + ˆπ 2 D 2 } Exemplo Considere uma Call no ativo de risco com SD < K < SU. Nesse caso os possíveis fluxos de caixa são D 1 = SU K e D 2 = 0. Portanto, o valor justo desta call, V call, é dado por V call = R D 1 + R U D (SU K ) MMF I c Zubelli (IMPA) / 93

49 Hedging e replicação Portfólio θ = (θ 1,θ 2 ) t, c/ 1 θ 1 unidades do ativo de risco a um preço P 2 θ 2 unidades em depósito remunerado a um preço de 1/(1 + R). MMF I c Zubelli (IMPA) / 93

50 O valor do portfólio: θ 1 SU + θ 2 = D 1, no estado I; θ 1 SD + θ 2 = D 2, Resolvendo para θ 1 e θ 2, temos Logo, o valor do portfólio será no estado II. θ 1 = D 1 D 2 SU SD e θ 2 = UD 2 DD 1 U D V = θ 1 S + θ R MMF I c Zubelli (IMPA) / 93

51 O Modelo Binomial p/ Descrever o Mercado Figura: Esquerda: Valores do índice IBOVESPA. Direita: Simulação numérica de um índice fictício seguindo o modelo binomial MMF I c Zubelli (IMPA) / 93

52 Mercados Completos e Incompletos Definição Um mercado com N ativos e M estados é dito completo se, para todo vetor de fluxo de caixa (D 1,...,D M ) t, existe um portfólio θ = (θ 1,...,θ N ) t, cujo fluxo de caixa no estado j é D j. Em outras palavras, θ t D = E t, E R M tem sempre solução. Este será o caso quando posto ( D t) = M. Teorema Suponha uma economia sem arbitragem. O mercado é completo se, e somente se, existe um único vetor de preços de estado satisfazendo (1). MMF I c Zubelli (IMPA) / 93

53 O Modelo Básico Dois ativos e dois estados Entretanto, temos agora N + 1 datas de negócio. Ω = {U,D}. satisfazendo P[{U}] = p e P[{D}] = q, com p + q = 1. Vamos denotar por S n o preço do ativo de risco em t = t n. A dinâmica de preços do ativo é dada por S n+1 = H n+1 S n, 0 n N 1, onde { U, com probabilidade p, H n = D, com probabilidade q, MMF I c Zubelli (IMPA) / 93

54 S 3 3 S 2 2 S 1 1 S 2 3 S 0 0 S 1 2 S 0 1 S 1 3 S 0 2 S 0 3 MMF I c Zubelli (IMPA) / 93

55 Hipótese Martingal Existe uma medida de probabilidade para H n tal que S n = R E[S n+1 S n ], A afirmativa acima pode ser escrita como 1 = R {UP U + DP D }, P U + P D = 1. A unica solução do sistema acima é dada por P U = 1 + R D U D, P D = U (1 + R), D < 1 + R < U. U D MMF I c Zubelli (IMPA) / 93

56 Unicidade Proposição Dado parâmetros U, D e R, satisfazendo D < 1 + R < U, existe uma única medida de probabilidade neutra ao risco para H n e, conseqüentemente, para a os espaço de caminhos de preço do ativo de risco. MMF I c Zubelli (IMPA) / 93

57 Precificação via Recursão Suponha um payoff F(S), cujo vencimento ocorre em t = t N. Vamos denotar por S j n o preço do ativo no tempo t = t n, que teve j choques de preço dados por U. Vamos escrever também V j n = V(S j n), onde V n (S n ) denota o preço do contrato no tempo t = t n com o ativo custando S n. Sob a medida neutra ao risco, temos então: V j n = R E{V n+1 S n = S j n} V j n = R {P UV j+1 n+1 + P DV j n+1 } Temos que ter também a condição terminal, i.e, V j N = F(Sj N ). MMF I c Zubelli (IMPA) / 93

58 Para resolver a recursão acima em forma fechada, escrevemos ) N n E{F(S N ) S n = S j 1 + R n}. ( 1 = 1 + R ( 1 V j n = Vamos precisar do seguinte resultado ) N n N P[S N = SN S k n = Sn]F(S j N). k k=0 Lema P[S N = S k N S n = S j n] = ( ) N n P k j U k j PN n k+j D. MMF I c Zubelli (IMPA) / 93

59 Demonstração Um caminho até SN k começando em Sj n pode ser pensando com uma palavra de N n letras com k j letras U e N n k + j letras S. Se a probabilidade de termos uma letra U for P U e de termos uma letra D for P D, então a probabilidade de termos uma certa palavra com N n letras, das quais k j são U é P k j U PN n k+j D. Logo P [ ] S N = SN S k n = S j n = k,j C N,n Pk j U PN n k+j D, onde C k,j N,n denota o número de caminhos começando em Sj n e terminando em SN k ou, equivalentemente, o número de palavras e N n letras com k j letras U e N n k + j letras S. Por outro lado, temos N n lugares vazios onde podemos colocar k j letras U e as restantes terão quer ser preenchidas com D. Mas, combinatória básica nos diz que ( ) C k,j N n N,n = k j Isto conclui a demonstração. MMF I c Zubelli (IMPA) / 93

60 Portanto, ( 1 V j n = 1 + R ) N n N n+j k=j ( ) N n k j P k j U PN n k+j D F(SN). k Se n = j = 0, temos ( ) N 1 V 0 N 0 = 1 + R k=0 ( ) N k P k U PN k D F(SN). k Proposição O preço de uma opção com payoff F(S), vencimento em T = N unidades de tempo a partir do instante atual é dado por ( ) N 1 V 0 = E [ F(S N ) ] S R MMF I c Zubelli (IMPA) / 93

61 O valor esperado na proposição anterior é definido pela probabilidade de se estar na folha k no tempo N. No caso de uma árvore com P U = P D = 1/2 a distribuição de probabilidade pode ser vista abaixo. Figura: Gráfico de P [ S N = U j D N j S0 = S ]. MMF I c Zubelli (IMPA) / 93

62 Precificação via Hedging Considere um portfólio θ j n = ( j n,b j n) t. O valor do portfólio será Dependendo do estado, teremos V j n = j n Sj n + B j n. j n Sj+1 n + B j n(1 + R) = V j+1 n+1 j n Sj n + B j n(1 + R) = V j n+1 Resolvendo para j n e B j n, obtemos j n = V j+1 n+1 V j n+1 S j+1 n+1 Sj n+1 e B j n = 1 S j n+1 V j+1 n+1 Sj+1 n+1 V j n R S j+1 n+1 Sj n+1 MMF I c Zubelli (IMPA) / 93

63 Portanto V j n = R [ Sn(1 j + R) S j n+1 S j+1 n+1 V j+1 Sj n+1 = R [P UV j+1 n+1 + P DV j n+1 ] n+1 + Sj+1 n+1 Sj n(1 + R) S j+1 n+1 Sj n+1 V j n+1 Levando em conta que V j N = F(Sj N ), temos a mesma recursão anterior. Temos então a seguinte estratégia: 1 No tempo t = t n montamos um portfólio θ j n = ( j n,b j n) t. 2 A partir daí 3 Claramente teremos j k = V j+1 k+1 V j k+1 S j+1 k+1, n k N. Sj k+1 B j k = V j k j k Sj k. ] MMF I c Zubelli (IMPA) / 93

64 Calls Neste caso, temos F(S N ) = max(s N K,0) Escrevendo S0 0 = S, temos que 1 C(S,K ;N) = (1 + R) N 1 = (1 + R) N Como S k N = SUk D N k, temos que S ( U D N k=0 N S k N K ( ) N k ( ) N k P k U PN k D max(s k N K,0) P k U PN k D (S N K ). ) k D N > K k > ln( K SD N ) ln( U D ). MMF I c Zubelli (IMPA) / 93

65 Assim, se escrevermos k 0 = ln(k /SD n )/ln(u/d), onde x denota o menor inteiro maior ou igual a x, observamos que (1 + R) N = (1 + R) k (1 + R) N k, obtemos C(S,K ;N) = S N k>k 0 K (1 + R) N ( )( N U k N k>k R P U ( ) N k ) k ( ) N k D 1 + R P D P k U PN k D. MMF I c Zubelli (IMPA) / 93

66 Sejam Q U = podemos então escrever C(S,K ;N) = S N k>k 0 U 1 + R P U e Q D = D 1 + R P D ( ) N Q k U k QN k D K (1 + R) N N k>k 0 ( ) N P k U k PN k D. (4) Observe que Q U + Q D =1, Aplicando a fórmula de precificação dada por (6), temos o seguinte gráficos normalizados MMF I c Zubelli (IMPA) / 93

67 Figura: Preços de opções de compras com maturidades de 1 mês, 6 meses e um ano, comparados com o payoff. MMF I c Zubelli (IMPA) / 93

68 Construção do Portfólio Replicador Vamos agora construir explicitamente o portfólio equivalente, que um emissor de uma Call deve montar para se proteger de um eventual pagamento. Vamos denotar por En j o valor de um portfólio, por unidade do ativo, no tempo t = t n e S n = Sn. j Temos então que E j n = R satisfazendo as seguintes condições [ P U E j+1 n+1 + P DE j n+1 E j N = Sj N, Sj N K e E j N = 0, Sj N < K. Analogamente, se Bn j denota o valor no ativo sem risco que devemos ter no portfólio no tempo t = t n, com o ativo S n = Sn, j temos então que: B j n = 1 [ ] P U B j+1 n R + P DB j n+1, satisfazendo B j N = K, Sj N K e Bj N = 0, Sj N < K. ] MMF I c Zubelli (IMPA) / 93

69 Assim observamos que o portfólio replicador é basicamente: Ficar comprado no ativo de risco Ficar vendido em dinheiro ou seja, contrair uma dívida. Note também que 1, quando S K ; 0, quando S K ; Isso reflete um fato natural, quando o ativo se valoriza muito, o único jeito de se proteger contra uma obrigação de fornecer uma certa quantidade é ficando comprado neste ativo. Por outro lado, quando um ativo se desvaloriza muito, investe-se num depósito remunerado sem risco. MMF I c Zubelli (IMPA) / 93

70 Puts No caso da Put, podemos usar a paridade Put-Call para N períodos, i.e, Como Obtemos que N k=0 P = C S + ( ) N P k U k PN k K P(S,K ;N) = (1 + R) N N D = k=0 k<k 0 k=0 K (1 + R) N, ( ) N Q k U k QN k D = 1 ( ) N P k U k PN k D S k<k 0 k=0 ( ) N Q k U k QN k D MMF I c Zubelli (IMPA) / 93

71 Plano: Passagem ao Limite Assumiremos como antes que estamos na medida neutra ao risco. Fixaremos um período de tempo T Tomaremos dt 0 e N de modo que T = Ndt MMF I c Zubelli (IMPA) / 93

72 Estatística dos Preços do Modelo Seja dt = T N, R = erdt 1 rdt. Seja Y o processo de crescimento dado por Y = 1 T ln ( SN S 0 ) OBS: Se S N fosse o ativo sem risco teriamos Y r.) De fato: Y = 1 ( ) (1 + R) N T ln S 0 S 0 = 1 T lnerndt = r. MMF I c Zubelli (IMPA) / 93

73 Por outro lado, no caso do ativo de risco temos Vamos escrever ln ( SN S 0 ν = E[Y ] = 1 T ) = N n=1 ( ) Sn ln S n 1 = N n=1 ln(h n ). N E[ln(H n )] = 1 n=1 dt {lnup U + lndp D }. Fato Um cálculo tedioso, mas direto, nos dá que: ν = r 1 2 σ2 +O(dt 1/2 ) MMF I c Zubelli (IMPA) / 93

74 Quanto à variância, temos por conta da independência dos H n s que: ( N ) Var[Y ] = 1 T 2 Var[ln(H n )] = N n=1 T 2 Var[ln(H 1)]. Portanto, Var[Y ] = 1 { T dt = 1 T dt ln 2 UP U + ln 2 DP D [lnup U + lndp D ] 2} = ( )] 2 U P U P D. [ ln D MMF I c Zubelli (IMPA) / 93

75 Fazendo T = 1 na expressão acima, nos dá uma quantidade que é conhecida como a volatilidade do ativo de risco: σ 2 = 1 [ ( )] 2 U ln P U P D. dt D A volatilidade mede, como o próprio nome sugere, o grau de incerteza associada ao valor do ativo de risco. Note que, se σ 2 = 0, então U = D = 1 + R e o ativo de risco é equivalente, financeiramente, ao ativo sem risco. Nesse contexto, um investidor que aplique no ativo de risco espera ter um ganho médio ν, que pode variar dentro de um intervalo de incerteza proporcional a σ. MMF I c Zubelli (IMPA) / 93

76 Teorema do Limite Central Teorema Sejam X 1,,X n, uma sequência de v. a. independentes identicamente distribuidas (v.a.i.i.d) com média µ e variância σ 2 > 0, ambas finitas. Então a variável aletória Z N := N n=1 (X n µ)/( Nσ) converge em distribuição para a normal padrão N(0, 1), ou seja b lim P[a Z e x 2 /2 N b] = dx. (5) N a 2π MMF I c Zubelli (IMPA) / 93

77 Teorema do Limite Central Podemos reescrever Z N na forma: Z N = ou se definirmos a média amostral 1 N X N := 1 N ( N n=1 X n ) µ σ/ N ( N n=1xn ), então Z N = ( X N µ ) σ/ N. O Teorema do Limite Central nos diz que a média X N se aproxima de µ no sentido que: P [ X N µ > ε ] 0 qdo N MMF I c Zubelli (IMPA) / 93

78 Teorema do Limite Central Ilustração Figura: Gráfico de P [ S N = U j D N j S0 = S ]. MMF I c Zubelli (IMPA) / 93

79 Teorema do Limite Central Ilustração Figura: histfit(mean(rand(10000, 10000))) Veja também o site: limit_theorem MMF I c Zubelli (IMPA) / 93

80 O Limite do Modelo Binomial quando N. Assumindo que estamos na medida neutra ao risco Conclusão Pelo TLC a v.a. 1 T ln(s N/S 0 ) converge para uma variável normal com média r 1 2 σ2 e variância σ 2. Lembrando: Φ(x) = 1 2π x e s2 /2 ds. MMF I c Zubelli (IMPA) / 93

81 O Limite do Modelo Binomial quando N Assumindo que estamos na medida neutra ao risco Opção europeia de compra (call): No caso binomial: C(S,K ;N) = S N k>k 0 ( ) N Q k U k QN k D K (1 + R) N N k>k 0 ( ) N P k U k PN k D. (6) ficará C(S,K ;T ) = SΦ(d 1 ) Ke rt Φ(d 2 ) com d 1 = ln(s/k ) + (r σ2 )T σ T d 2 = ln(s/k ) + (r 1 2 σ2 )T σ T, MMF I c Zubelli (IMPA) / 93

82 O Limite do Modelo Binomial quando N Assumindo que estamos na medida neutra ao risco Opção europeia de venda (put) temos ficará K P(S,K ;N) = (1 + R) N k<k 0 k=0 ( ) N P k U k PN k D S k<k 0 k=0 P(S,K ;T ) = Ke rt Φ( d 2 ) SΦ( d 1 ) ( ) N Q k U k QN k D com d 1 = ln(s/k ) + (r σ2 )T σ T d 2 = ln(s/k ) + (r 1 2 σ2 )T σ T, MMF I c Zubelli (IMPA) / 93

83 Calibragem com Dados de Mercado no Modelo Binomial Obs: Mais de uma maneira de calibrar modelos binomiais! NO QUADRO MMF I c Zubelli (IMPA) / 93

84 Calibragem Modelo Binomial D = 1/U : Proposição Para calibrarmos o modelo binomial podemos escolher, partindo de r e σ dados: A := 1 ( ) e r t + e (r+σ2 ) t 2 Tome, D := 1/U e U := A + A 2 1 P = er t D U D MMF I c Zubelli (IMPA) / 93

85 Calibragem Modelo Binomial p = 1/2 : U + D = 2e r t U 2 + D 2 = 2e (2r+σ2 ) t Proposição d = e r t (1 e σ2 t 1) u = e r t (1 + e σ2 t 1) p = 1/2 MMF I c Zubelli (IMPA) / 93

86 Cálculo via Árvores Binomiais Passos 1 Definir o contrato e seus parâmetros 2 Obter dados históricos do ativo subjacente. E.G.: 3 Salvar usando a função Download to Spreadsheet 4 Importar os dados para o matlab 5 Calibrar o valor de σ a partir da série histórica 6 Aplicar o algoritmo de cálculo. MMF I c Zubelli (IMPA) / 93

87 Exemplo 1 Problema: calcular o preço de uma call européia no modelo de Black-Scholes. Parâmetros: Maturidade (T): 1 ano. Preço de Exercício (K): Preço Inicial do Ativo (S 0 ): Taxa de Juros (r): 0.05, contínua e anual. Volatilidade (σ): 0.30 anual. Técnica: Árvore Binomial. Código(s): preco call arvore binomial 1.m e preco call arvore binomial 2.m. MMF I c Zubelli (IMPA) / 93

88 Exemplo 1 Problema: calcular o preço de uma call européia no modelo de Black-Scholes. Parâmetros: Maturidade (T): 1 ano. Preço de Exercício (K): Preço Inicial do Ativo (S 0 ): Taxa de Juros (r): 0.05, contínua e anual. Volatilidade (σ): 0.30 anual. Técnica: Árvore Binomial. Código(s): preco call arvore binomial 1.m e preco call arvore binomial 2.m. MMF I c Zubelli (IMPA) / 93

89 Pequena Intro às Opções Americanas No Quadro 1 Motivação 2 Tempo de Parada (fazer exemplo binomial) 3 Hedging e Replicação: X θ (t) payoff(t) 4 Condições de Exercício 5 Propriedades e Geometria 6 Problemas de Fronteira Livre 7 Recursão e Método SOR projetado MMF I c Zubelli (IMPA) / 93

90 Cálculo via Árvores Binomiais (Opções Americanas) Algoritmo: 1 Calcular disc = exp( r t) 2 Construir Árvore 3 V M n = h(s M n ) para n = 0,,M 4 Para n = (M 1) : 1 : 0 calcular V m n = max ( payoff(s m n ),exp( r t)(pv m+1 m+1 n+1 + (1 p)vn ) ) para n = 0, MMF I c Zubelli (IMPA) / 93

91 Cálculo via Árvores Binomiais (Opções Bermudianas) Algoritmo: 1 Calcular disc = exp( r t) 2 Construir Árvore 3 V M n = h(s M n ) para n = 0,,M 4 Para n = (M 1) : 1 : 0 se estivermos em período permitido de exercício: calcular V m n = max ( payoff(s m n ),exp( r t)(pv m+1 m+1 n+1 + (1 p)vn ) ) para n = 0, caso contrário: V m n = exp( r t)(pv m+1 m+1 n+1 + (1 p)vn ) para n = 0,,M MMF I c Zubelli (IMPA) / 93

92 Exemplo 2 Problema: calcular o preço de uma call bermudiana no modelo de Black-Scholes. Parâmetros: Maturidade (T): 1 ano. Preço de Exercício (K): Preço Inicial do Ativo (S 0 ): Taxa de Juros (r): 0.05, contínua e anual. Volatilidade (σ): 0.30 anual. Datas de Exercícios: dia primeiro de cada mês. Técnica: Árvore Binomial. Código(s): preco berm call arvore binomial 2.m MMF I c Zubelli (IMPA) / 93

93 Exemplo 3 Problema: calcular o preço de uma put americana no modelo de Black-Scholes. Parâmetros: Maturidade (T): 1 ano. Preço de Exercício (K): Preço Inicial do Ativo (S 0 ): Taxa de Juros (r): 0.05, contínua e anual. Volatilidade (σ): 0.30 anual. Técnica: Árvore Binomial. Código(s): preco amer put arvore binomial 2.m MMF I c Zubelli (IMPA) / 93

Matemática e Finanças: O homem que calculava e negociava

Matemática e Finanças: O homem que calculava e negociava Matemática e Finanças: O homem que calculava e negociava Max O. Souza & Jorge P. Zubelli 9 de novembro de 2006 Outline Precificação via arbitragem 1 Precificação via arbitragem 2 O modelo básico Análise

Leia mais

Precificação de Opções

Precificação de Opções Um modelo em tempo-discreto Arthur Mendes Alves Instituto de Matemática, Estatística e Física Universidade Federal do Rio Grande 15 de dezembro de 2014 Sumário 1 Introdução Opções Arbitragem 2 Processos

Leia mais

A Matemática e as Finanças da Matemática Financeira

A Matemática e as Finanças da Matemática Financeira A Matemática e as Finanças da Matemática Financeira 1 1 Departamento de Matemática Faculdade de Ciências e Tecnologia Universidade de Coimbra Centro de Matemática da Universidade de Coimbra O que é a Matemática

Leia mais

Mestrado em Finanças e Economia Empresarial EPGE - FGV. Curso de Derivativos. Alexandre Lowenkron.

Mestrado em Finanças e Economia Empresarial EPGE - FGV. Curso de Derivativos. Alexandre Lowenkron. Mestrado em Finanças e Economia Empresarial EPGE - FGV Curso de Derivativos Alexandre Lowenkron alexandrelowenkron@bancobbm.com.br Derivativos - Alexandre Lowenkron Pág. 1 Bibliografia Principal: Hull,

Leia mais

Good Deal Bounds e o caso das opções EuroStoxx50

Good Deal Bounds e o caso das opções EuroStoxx50 Good Deal Bounds e o caso das opções EuroStoxx50 André Ribeiro Carlos Pinto Mestrado em Matemática Financeira Factor de Desconto Estocástico Os indíviduos, valorizam mais o consumo presente que o futuro.

Leia mais

Exercício Programa - MAP2310. Prof. Pedro Peixoto. Entrega 28/09/14

Exercício Programa - MAP2310. Prof. Pedro Peixoto. Entrega 28/09/14 Precificação de Opções no Mercado Financeiro Exercício Programa - MAP2310 Prof. Pedro Peixoto Entrega 28/09/14 1 Precificação de Opções Uma opção é um contrato que dá o direito, mas não a obrigação, a

Leia mais

Mestrado em Finanças e Economia Empresarial EPGE - FGV. Derivativos

Mestrado em Finanças e Economia Empresarial EPGE - FGV. Derivativos Mestrado em Finanças e Economia Empresarial EPGE - FGV Derivativos Parte 4: Opções 1 Introdução (Ch. 8), Payoffs e Estratégias (Ch. 10) e Propriedades dos Preços das Opções (Ch. 9) Derivativos - Alexandre

Leia mais

Mestrado em Finanças e Economia Empresarial EPGE - FGV. Derivativos. Parte 9: Gregas e Delta Hedging

Mestrado em Finanças e Economia Empresarial EPGE - FGV. Derivativos. Parte 9: Gregas e Delta Hedging Mestrado em Finanças e Economia Empresarial EPGE - FGV Derivativos Parte 9: Gregas e Delta Hedging Derivativos - Alexandre Lowenkron Pág. 1 Fórmula de Black-Scholes Fórmula de Black-Scholes da Call Européia

Leia mais

Derivativos. Que é um Derivativo. Que é um Derivativo. Prf. José Fajardo Fundação Getulio Vargas. Contrato Duas Partes

Derivativos. Que é um Derivativo. Que é um Derivativo. Prf. José Fajardo Fundação Getulio Vargas. Contrato Duas Partes Derivativos Prf. José Fajardo Fundação Getulio Vargas Contrato Duas Partes Que é um Derivativo Visando um conjunto de Pagamentos e Retornos Alguns numa direção, alguns na outra Alguns agora, e outros mais

Leia mais

Opções Reais. Modelagem do Ativo Básico. Processos Estocásticos. Modelando Incerteza. Processos Estocásticos. IAG PUC-Rio

Opções Reais. Modelagem do Ativo Básico. Processos Estocásticos. Modelando Incerteza. Processos Estocásticos. IAG PUC-Rio Opções Reais Modelagem do Ativo Básico Prof. Luiz Brandão brandao@iag.puc-rio.br IAG PUC-Rio Processos Estocásticos Modelando Incerteza Processos Estocásticos A incerteza em um projeto pode ter mais do

Leia mais

Opções. Opção. Tipos de Opções. Uma opção de compra (call) é um contrato que te da o direito de comprar

Opções. Opção. Tipos de Opções. Uma opção de compra (call) é um contrato que te da o direito de comprar Opções Prf. José Fajardo FGV \ EBAPE Opção É um contrato que da o direito, mais não a obrigação de comprar ou vender um determinado ativo subjacente a um determinado preço Tipos de Opções Uma opção de

Leia mais

MAT 461 Tópicos de Matemática II Aula 8: Resumo de Probabilidade

MAT 461 Tópicos de Matemática II Aula 8: Resumo de Probabilidade MAT 461 Tópicos de Matemática II Aula 8: Resumo de Probabilidade Edson de Faria Departamento de Matemática IME-USP 28 de Agosto, 2013 Probabilidade: uma Introdução / Aula 8 1 Desigualdades de Markov e

Leia mais

MOQ-12: PROBABILIDADES E PROCESSOS ESTOCÁSTICOS. VA s e Distribuições

MOQ-12: PROBABILIDADES E PROCESSOS ESTOCÁSTICOS. VA s e Distribuições Motivação: MOQ-2: PROBABILIDADES E PROCESSOS ESTOCÁSTICOS VA s e Distribuições Definimos anteriormente Espaço de Probabilidades como sendo a tripla (W,, P(.)), em que, dado um eperimento, W representa

Leia mais

OPÇÕES FINANCEIRAS - Exame (resolução)

OPÇÕES FINANCEIRAS - Exame (resolução) OPÇÕES FINANCEIRAS - Exame (resolução) 18/4/25 1. (a) Integrando ambos os membros entre [,t]: X t = t + Z t W 2 s dw s. Aplicando valores esperados a ambos os membros, E (X t F )=t, visto que R t W 2 s

Leia mais

4 Processos Estocásticos e Simulação de Monte Carlo

4 Processos Estocásticos e Simulação de Monte Carlo 33 4 Processos Estocásticos e Simulação de Monte Carlo O processo estocástico faz a descrição de uma variável com comportamento ao menos em parte de maneira aleatória através do tempo, onde se assume valores

Leia mais

Mestrado em Finanças e Economia Empresarial EPGE - FGV. Curso de Derivativos. Alexandre Lowenkron.

Mestrado em Finanças e Economia Empresarial EPGE - FGV. Curso de Derivativos. Alexandre Lowenkron. Mestrado em Finanças e Economia Empresarial EPGE - FGV Curso de Derivativos Alexandre Lowenkron alexandrelowenkron@bancobbm.com.br Derivativos - Alexandre Lowenkron Pág. 1 Bibliografia Principal: Hull,

Leia mais

Módulo III: Processos de Poisson, Gaussiano e Wiener

Módulo III: Processos de Poisson, Gaussiano e Wiener Módulo III: Processos de Poisson, Gaussiano e Wiener Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia Elétrica Processos Estocásticos Campina Grande - PB Módulo

Leia mais

Princípios de Modelagem Matemática Aula 10

Princípios de Modelagem Matemática Aula 10 Princípios de Modelagem Matemática Aula 10 Prof. José Geraldo DFM CEFET/MG 19 de maio de 2014 1 Alguns resultados importantes em estatística A distribuição normal tem importante papel em estatística pois

Leia mais

Mercados e Investimentos Financeiros. Cesaltina Pacheco Pires

Mercados e Investimentos Financeiros. Cesaltina Pacheco Pires Mercados e Investimentos Financeiros Cesaltina Pacheco Pires Índice geral Prefácio ix 1 Introdução 1 1.1 Activos reais e activos nanceiros........................ 1 1.2 Escolha intertemporal e taxa de

Leia mais

Cálculo das Probabilidades e Estatística I

Cálculo das Probabilidades e Estatística I Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Variáveis Aleatórias Ao descrever um espaço

Leia mais

ELE2005: Análise Estratégica de Investimentos e de Decisões com Teoria dos Jogos e Jogos de Opções Reais.

ELE2005: Análise Estratégica de Investimentos e de Decisões com Teoria dos Jogos e Jogos de Opções Reais. ELE2005: Análise Estratégica de Investimentos e de Decisões com Teoria dos Jogos e Jogos de Opções Reais. Segunda Prova Extra (P2 de segunda chamada) 18/12/2006 OBS: 1) A prova é SEM CONSULTA. A nota da

Leia mais

Unidade I ESTATÍSTICA APLICADA. Prof. Mauricio Fanno

Unidade I ESTATÍSTICA APLICADA. Prof. Mauricio Fanno Unidade I ESTATÍSTICA APLICADA Prof. Mauricio Fanno Estatística indutiva Estatística descritiva Dados no passado ou no presente e em pequena quantidade, portanto, reais e coletáveis. Campo de trabalho:

Leia mais

Matemática & Finanças: o homem que calculava e negociava

Matemática & Finanças: o homem que calculava e negociava : o homem que calculava e negociava 13 de novembro de 2006 Outline 1 2 3 Mercado de Capitais Negociação de títulos fungíveis. Um bem é fungível se pode ser facilmente trocado ou substituído por outro de

Leia mais

MAT 461 Tópicos de Matemática II Aula 5: Resumo de Probabilidade

MAT 461 Tópicos de Matemática II Aula 5: Resumo de Probabilidade MAT 461 Tópicos de Matemática II Aula 5: Resumo de Probabilidade Edson de Faria Departamento de Matemática IME-USP 26 de Agosto, 2013 Probabilidade: uma Introdução / Aula 5 1 Variáveis aleatórias Definição

Leia mais

CAPÍTULO 1 INTRODUÇÃO CAPÍTULO 2 CONCEITOS BÁSICOS DE MERCADOS FUTUROS CAPÍTULO 3 MERCADO FUTURO DE DÓLAR COMERCIAL

CAPÍTULO 1 INTRODUÇÃO CAPÍTULO 2 CONCEITOS BÁSICOS DE MERCADOS FUTUROS CAPÍTULO 3 MERCADO FUTURO DE DÓLAR COMERCIAL SUMÁRIO CAPÍTULO 1 INTRODUÇÃO CAPÍTULO 2 CONCEITOS BÁSICOS DE MERCADOS FUTUROS 2.1. Introdução 2.2. Posições 2.3. Padronização dos Contratos 2.4. Margem e Ajustes Diários 2.5. Custos Operacionais 2.6.

Leia mais

Revista Brasileira de Finanças ISSN: Sociedade Brasileira de Finanças Brasil

Revista Brasileira de Finanças ISSN: Sociedade Brasileira de Finanças Brasil Revista Brasileira de Finanças ISSN: 1679-0731 rbfin@fgv.br Sociedade Brasileira de Finanças Brasil Marinho Junior, José Ferreira; Rincon, Mauro Antonio Aplicaçã o das Opções Compostas na Avaliação da

Leia mais

DEPARTAMENTO DE CONTABILIDADE E ATUÁRIA DA FEA/USP. Aula 05.1 Opções Padrão (vanilla option)

DEPARTAMENTO DE CONTABILIDADE E ATUÁRIA DA FEA/USP. Aula 05.1 Opções Padrão (vanilla option) DEPARTAMENTO DE CONTABILIDADE E ATUÁRIA DA FEA/USP EAC 0466 Precificação de Derivativos e Outros Produtos Aula 05.1 Opções Padrão (vanilla option) Ciências Atuariais 2017 Programa 1. Introdução 2. Aspectos

Leia mais

Estatística I Aula 8. Prof.: Patricia Maria Bortolon, D. Sc.

Estatística I Aula 8. Prof.: Patricia Maria Bortolon, D. Sc. Estatística I Aula 8 Prof.: Patricia Maria Bortolon, D. Sc. MODELOS PROBABILÍSTICOS MAIS COMUNS VARIÁVEIS ALEATÓRIAS CONTÍNUAS Lembram o que vimos sobre V.A. contínua na Aula 6? Definição: uma variável

Leia mais

Optimização Financeira (Estimação da Função de Densidade de Probabilidade de Risco Neutro para Preços de Opções)

Optimização Financeira (Estimação da Função de Densidade de Probabilidade de Risco Neutro para Preços de Opções) Optimização Financeira (Estimação da Função de Densidade de Probabilidade de Risco Neutro para Preços de Opções) Ana Margarida Monteiro (Univ. Coimbra) Reha H. Tütüncü (Carnegie Mellon Univ.) Luís Nunes

Leia mais

VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE

VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE.1 INTRODUÇÃO Admita que, de um lote de 10 peças, 3 das quais são defeituosas, peças são etraídas ao acaso, juntas (ou uma a uma, sem reposição). Estamos

Leia mais

UNIVERSIDADE FEDERAL DA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros

UNIVERSIDADE FEDERAL DA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros UNIVERSIDADE FEDERAL DA PARAÍBA Variáveis Aleatórias Departamento de Estatística Luiz Medeiros Introdução Como sabemos, características de interesse em diversas áreas estão sujeitas à variação; Essa variabilidade

Leia mais

PROF. RICARDO RATNER ROCHMAN

PROF. RICARDO RATNER ROCHMAN Opções Reais PROF. RICARDO RATNER ROCHMAN FGV-EESP RICARDO.ROCHMAN@FGV.BR Orçamento de Capital com o VPL A receita do bolo: Fazer a previsão dos fluxos de caixa futuros esperados do projeto Descontar os

Leia mais

COMO DETERMINAR O PREÇO DE UMA

COMO DETERMINAR O PREÇO DE UMA COMO DETERMINAR O PREÇO DE UMA Modelo Cox-Ross Rubinstein Árvore recombinante de 3 passos Autores: Francisco Cavalcante(f_c_a@uol.com.br) Administrador de Empresas graduado pela EAESP/FGV. É Sócio-Diretor

Leia mais

Ajuste de mínimos quadrados

Ajuste de mínimos quadrados Capítulo 5 Ajuste de mínimos quadrados 5 Ajuste de mínimos quadrados polinomial No capítulo anterior estudamos como encontrar um polinômio de grau m que interpola um conjunto de n pontos {{x i, f i }}

Leia mais

INE5403 FUNDAMENTOS DE MATEMÁTICA DISCRETA

INE5403 FUNDAMENTOS DE MATEMÁTICA DISCRETA INE5403 FUNDAMENTOS DE MATEMÁTICA DISCRETA PARA A COMPUTAÇÃO PROF. DANIEL S. FREITAS UFSC - CTC - INE Prof. Daniel S. Freitas - UFSC/CTC/INE/2007 p.1/30 3 - INDUÇÃO E RECURSÃO 3.1) Indução Matemática 3.2)

Leia mais

Análise de Dados e Simulação

Análise de Dados e Simulação Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Simulação de Variáveis Aleatórias Contínuas. O método da Transformada Inversa Teorema Seja U U (0,1). Para qualquer

Leia mais

4 Modelo de Equilíbrio Geral e Opções

4 Modelo de Equilíbrio Geral e Opções 37 4 Modelo de Equilíbrio Geral e Opções 4.1. Introdução Para melhor compreender a teoria utilizada para encontrar a probabilidade de default de uma empresa, é importante conhecer as bases conceituais

Leia mais

IND 1115 Inferência Estatística Aula 6

IND 1115 Inferência Estatística Aula 6 Conteúdo IND 5 Inferência Estatística Aula 6 Setembro de 004 A distribuição Lognormal A distribuição Beta e sua relação com a Uniforme(0,) Mônica Barros mbarros.com mbarros.com A distribuição Lognormal

Leia mais

Parte III MODELAGEM DA INCERTEZA COM PROCESSOS ESTOCÁSTICOS... 1

Parte III MODELAGEM DA INCERTEZA COM PROCESSOS ESTOCÁSTICOS... 1 SUMÁRIO Apresentação da Petrobras/Recursos Humanos... Apresentação da Petrobras/Planejamento Financeiro... Prefácio do Autor... Lista de Figuras... Lista de Tabelas... Lista de Símbolos e Abreviaturas...

Leia mais

Teoria das Desições Financeiras II p.1/22

Teoria das Desições Financeiras II p.1/22 Teoria das Desições Financeiras II José Fajardo Barbachan IBMEC Business School Rio de Janeiro Teoria das Desições Financeiras II p.1/22 Objetivo Neste curso o aluno aprenderá diversas ferramentas probabílisticas,

Leia mais

VARIÁVEIS ALEATÓRIAS

VARIÁVEIS ALEATÓRIAS UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA VARIÁVEIS ALEATÓRIAS Joaquim H Vianna Neto Relatório Técnico RTE-03/013 Relatório Técnico Série Ensino Variáveis

Leia mais

Equilíbrio, Arbitragem e Mercados Completos

Equilíbrio, Arbitragem e Mercados Completos Equilíbrio, Arbitragem e Mercados Completos, D. Sc. jvalent@terra.com.br 1 Conteúdo da Aula Equilíbrio. Estrutura dos mercados - Mercados completos. Arbitragem. Probabilidades neutras ao risco. Teorema

Leia mais

Definição. Características. Classificações da Opções. Valor das Opções. Modelo Black & Scholes. Gregas. Estratégias de Opções

Definição. Características. Classificações da Opções. Valor das Opções. Modelo Black & Scholes. Gregas. Estratégias de Opções Definição Características Classificações da Opções Valor das Opções Modelo Black & Scholes Gregas Estratégias de Opções O que é uma opção? É um contrato acordo - que lhe dá o direito de negociar um determinado

Leia mais

Introdução à Inferência Estatística

Introdução à Inferência Estatística Introdução à Inferência Estatística Capítulo 10, Estatística Básica (Bussab&Morettin, 7a Edição) 2a AULA 02/03/2015 MAE229 - Ano letivo 2015 Lígia Henriques-Rodrigues 2a aula (02/03/2015) MAE229 1 / 16

Leia mais

MANUAL DE APLICAÇÃO DO MODELO BLACK SCHOLES PARA A PRECIFICAÇÃO DE OPÇÕES

MANUAL DE APLICAÇÃO DO MODELO BLACK SCHOLES PARA A PRECIFICAÇÃO DE OPÇÕES São Paulo, 2014 MANUAL DE APLICAÇÃO DO MODELO BLACK SCHOLES PARA A PRECIFICAÇÃO DE OPÇÕES Time: Guilherme Sola Raphael Noronha Luiz Razuk Mateus Schwening NassimGhosn Caio Conde Mateus Ribeiro Guilhermessantos94@gmail.com

Leia mais

São Paulo, 2014 MANUAL DE APLICAÇÃO DO MODELO BINOMIAL PARA A PRECIFICAÇÃO DE OPÇÕES

São Paulo, 2014 MANUAL DE APLICAÇÃO DO MODELO BINOMIAL PARA A PRECIFICAÇÃO DE OPÇÕES São Paulo, 2014 MANUAL DE APLICAÇÃO DO MODELO BINOMIAL PARA A PRECIFICAÇÃO DE OPÇÕES Objetivo do Manual O presente manual tem como objetivo explicar os conceitos básicos referentes ao Modelo Binomial de

Leia mais

Avaliação de Empresas Profa. Patricia Maria Bortolon

Avaliação de Empresas Profa. Patricia Maria Bortolon Avaliação de Empresas RISCO E RETORNO Aula 2 Retorno Total É a variação total da riqueza proporcionada por um ativo ao seu detentor. Fonte: Notas de Aula do Prof. Claudio Cunha Retorno Total Exemplo 1

Leia mais

Opções de IDI. Operando Reuniões do COPOM e o CDI. Riccardo Aranha

Opções de IDI. Operando Reuniões do COPOM e o CDI. Riccardo Aranha Opções de IDI Operando Reuniões do COPOM e o CDI Sumário 1- Introdução... 2 2- CDI Certificado de Depósito Interbancário... 2 3- Taxa SELIC... 2 4- COPOM... 2 5- IDI... 3 6- Opções sobre IDI... 3 a) Exemplo

Leia mais

Cálculo da Superfície de Volatilidade Implícita via Método de Kahalé.

Cálculo da Superfície de Volatilidade Implícita via Método de Kahalé. Instituto Nacional de Matemática Pura e Aplicada Cálculo da Superfície de Volatilidade Implícita via Método de Kahalé. Autor: Carlos Humberto de Oliveira Martins Orientador: Dr. Jorge P. Zubelli Co-Orientador:

Leia mais

σ-álgebras, geradores e independência

σ-álgebras, geradores e independência σ-álgebras, geradores e independência Roberto Imbuzeiro M. F. de Oliveira 15 de Março de 2009 Resumo Notas sobre a σ-álgebra gerada por uma variável aleatória X e sobre as condições de independência de

Leia mais

3 Dependência homogênea e heterogênea de cauda

3 Dependência homogênea e heterogênea de cauda 3 Dependência homogênea e heterogênea de cauda Neste trabalho, usaremos o conceito de dependência homogênea de cauda, introduzido na década de 60, em conjunto com o conceito de dependência heterogênea

Leia mais

Um modelo estocástico para o fluxo de caixa de um plano de previdência de um indivíduo 15

Um modelo estocástico para o fluxo de caixa de um plano de previdência de um indivíduo 15 2 Simulação estocástica A simulação computacional consiste em empregar técnicas matemáticas em computadores com o propósito de gerar ensaios que tentam reproduzir de maneira análoga um processo ou operação

Leia mais

Processos Estocásticos e Cadeias de Markov Discretas

Processos Estocásticos e Cadeias de Markov Discretas Processos Estocásticos e Cadeias de Markov Discretas Processo Estocástico(I) Definição: Um processo estocástico é uma família de variáveis aleatórias {X(t) t T}, definidas em um espaço de probabilidades,

Leia mais

TE802 Processos Estocásticos em Engenharia. Valores Esperados de Somas de Variáveis Aleatórias Notes. PDF da Soma de Duas Variáveis Aleatórias.

TE802 Processos Estocásticos em Engenharia. Valores Esperados de Somas de Variáveis Aleatórias Notes. PDF da Soma de Duas Variáveis Aleatórias. TE802 Processos Estocásticos em Engenharia Somas de Variáveis Aleatórias 25 de abril de 2016 Valores Esperados de Somas de Variáveis Aleatórias Seja W n = X 1 + + X n, E[W n ] = E[X 1 ] + E[X 2 ] + + E[X

Leia mais

Econometria em Finanças e Atuária

Econometria em Finanças e Atuária Ralph S. Silva http://www.im.ufrj.br/ralph/especializacao.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Maio-Junho/2013 Tópicos Tópicos Séries

Leia mais

MAE GABARITO DA LISTA 2-04/10/2016

MAE GABARITO DA LISTA 2-04/10/2016 MAE5709 - GABARITO DA LISTA - 04/0/06 Exercício.7.5. Primeira Parte Seja P uma matriz de transição sobre um espaço de estados finito S. Mostre que uma distribuição π é invariante para P se e somente se

Leia mais

Produtos de potências racionais. números primos.

Produtos de potências racionais. números primos. MATEMÁTICA UNIVERSITÁRIA n o 4 Dezembro/2006 pp. 23 3 Produtos de potências racionais de números primos Mário B. Matos e Mário C. Matos INTRODUÇÃO Um dos conceitos mais simples é o de número natural e

Leia mais

Capítulo 1. Fundamentos

Capítulo 1. Fundamentos Capítulo 1 Fundamentos A probabilidade moderna se baseia fortemente na Teoria da Medida e supomos durante esse curso que o leitor esteja bem familiarizado com conceitos tais como: Medida de Lebesgue, extensões

Leia mais

ESTATÍSTICA BAYESIANA

ESTATÍSTICA BAYESIANA UNIVERSIDADE FEDERAL DE MINAS GERAIS INSTITUTO DE CIÊNCIAS EXATAS PET MATEMÁTICA Orientadora: Rosângela Helena Loschi ESTATÍSTICA BAYESIANA Marina Muniz de Queiroz INTRODUÇÃO A estatística clássica associa

Leia mais

Métodos Estatísticos Básicos

Métodos Estatísticos Básicos Aula 6 - Introdução à probabilidade Departamento de Economia Universidade Federal de Pelotas (UFPel) Maio de 2014 Experimento Experimento aleatório (E ): é um experimento que pode ser repetido indenidamente

Leia mais

PARTE TEÓRICA Perguntas de escolha múltipla

PARTE TEÓRICA Perguntas de escolha múltipla PROBABILIDADES E ESTATÍSTICA MIEEC/FEUP PARTE TEÓRICA Perguntas de escolha múltipla 1 Dada a experiência aleatória ε define-se espaço amostral associado a ε como sendo: A O espaço físico onde se realiza

Leia mais

Variáveis Aleatórias

Variáveis Aleatórias Variáveis Aleatórias Conceitos, Discretas, Contínuas, Propriedades Itens 5. e 6. BARBETTA, REIS e BORNIA Estatística para Cursos de Engenharia e Informática. Atlas, 004 Variável aleatória Uma variável

Leia mais

Formas da Equação de Black-Scholes

Formas da Equação de Black-Scholes Capítulo 1 Formas da Equação de Black-Scholes No essencial a equação de Black-Scholes apresenta-se sob a forma V t +1 2 σ2 2 V S 2 +rs V S rv =0 (1.1) ondev =V(S,t)éumafunçãodefinidaem(0,+ ) [0,+ )querepresenta

Leia mais

4 A modelagem estocástica

4 A modelagem estocástica 4 A modelagem estocástica A utilização da metodologia de opções ficou, durante muito tempo, limitada a ativos financeiros que possuíam dados abundantes, e o preço de mercado do ativo subjacente era diretamente

Leia mais

Demonstração. Ver demonstração em [1]. . Para que i j se tem µ i µ j? Determine a derivada no sentido de Radon-Nikodym em cada caso.

Demonstração. Ver demonstração em [1]. . Para que i j se tem µ i µ j? Determine a derivada no sentido de Radon-Nikodym em cada caso. Proposição 2.39 (Propriedades de e.). Sejam µ, λ, λ 1, λ 2 medidas no espaço mensurável (X, F). Então 1. se λ 1 µ e λ 2 µ então (λ 1 + λ 2 ) µ. 2. se λ 1 µ e λ 2 µ então (λ 1 + λ 2 ) µ. 3. se λ 1 µ e λ

Leia mais

O limite de uma função

O limite de uma função Universidade de Brasília Departamento de Matemática Cálculo 1 O ite de uma função Se s(t) denota a posição de um carro no instante t > 0, então a velocidade instantânea v(t) pode ser obtida calculando-se

Leia mais

Estatística II Aula 2. Prof.: Patricia Maria Bortolon, D. Sc.

Estatística II Aula 2. Prof.: Patricia Maria Bortolon, D. Sc. Estatística II Aula Prof.: Patricia Maria Bortolon, D. Sc. Distribuições Amostrais ... vocês lembram que: Antes de tudo... Estatística Parâmetro Amostra População E usamos estatíticas das amostras para

Leia mais

Funções Geradoras de Variáveis Aleatórias. Simulação Discreta de Sistemas - Prof. Paulo Freitas - UFSC/CTC/INE

Funções Geradoras de Variáveis Aleatórias. Simulação Discreta de Sistemas - Prof. Paulo Freitas - UFSC/CTC/INE Funções Geradoras de Variáveis Aleatórias 1 Funções Geradoras de Variáveis Aleatórias Nos programas de simulação existe um GNA e inúmeras outras funções matemáticas descritas como Funções Geradoras de

Leia mais

Instituto Tecnológico de Aeronáutica Divisão de Engenharia Mecânica-Aeronáutica. Professora: Denise Beatriz T. P. do Areal Ferrari

Instituto Tecnológico de Aeronáutica Divisão de Engenharia Mecânica-Aeronáutica. Professora: Denise Beatriz T. P. do Areal Ferrari Instituto Tecnológico de Aeronáutica Divisão de Engenharia Mecânica-Aeronáutica Professora: Denise Beatriz T. P. do Areal Ferrari denise@ita.br Distribuições Discretas Uniforme Bernoulli Binomial Poisson

Leia mais

Cálculo Numérico. Santos Alberto Enriquez-Remigio FAMAT-UFU 2015

Cálculo Numérico. Santos Alberto Enriquez-Remigio FAMAT-UFU 2015 Cálculo Numérico Santos Alberto Enriquez-Remigio FAMAT-UFU 2015 1 Capítulo 1 Solução numérica de equações não-lineares 1.1 Introdução Lembremos que todo problema matemático pode ser expresso na forma de

Leia mais

Aplicação da Teoria das Opções Reais em Ambientes de Incerteza: Um Caso de Estudo no Setor das Telecomunicações

Aplicação da Teoria das Opções Reais em Ambientes de Incerteza: Um Caso de Estudo no Setor das Telecomunicações Aplicação da Teoria das Opções Reais em Ambientes de Incerteza: Um Caso de Estudo no Setor das Telecomunicações Dissertação de Mestrado em Gestão Barcarena, Dezembro 2013 Luis Manuel Rocha rocha.luismlp@gmail.com

Leia mais

3 Metodologia Objetivo da análise

3 Metodologia Objetivo da análise 3 Metodologia 3.1. Objetivo da análise Esse trabalho tem como objetivo comparar os prêmios de referência da BM&F Bovespa para as opções de dólar e de futuro de Ibovespa, disponíveis a cada data analisada,

Leia mais

Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma:

Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: 46 VALOR ESPERADO CONDICIONADO Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: Variável contínua E + ( X Y

Leia mais

FAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES

FAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES FAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES 1 Os modelos lineares generalizados, propostos originalmente em Nelder e Wedderburn (1972), configuram etensões dos modelos lineares clássicos e permitem analisar a

Leia mais

O valor esperado de uma quantidade aleatória Paulo Cezar Pinto Carvalho IMPA e EMAp/FGV

O valor esperado de uma quantidade aleatória Paulo Cezar Pinto Carvalho IMPA e EMAp/FGV O valor esperado de uma quantidade aleatória Paulo Cezar Pinto Carvalho IMPA e EMAp/FGV Um conceito simples e útil mas que não é normalmente explorado no Ensino Fundamental no Brasil é o de valor esperado

Leia mais

Binomiais e Primos. p p 2 + p 3 + p k. Demonstração. No produto n! = n, apenas os múltiplos de p contribuem com um fator p.

Binomiais e Primos. p p 2 + p 3 + p k. Demonstração. No produto n! = n, apenas os múltiplos de p contribuem com um fator p. Polos Olímpicos de Treinamento Curso de Teoria dos Números - Nível 3 Carlos Gustavo Moreira Aula 16 Binomiais e Primos Começamos lembrando a Proposição 1 (Fatores do Fatorial) Seja p um primo Então a maior

Leia mais

da dx = 2 x cm2 /cm A = (5 t + 2) 2 = 25 t t + 4

da dx = 2 x cm2 /cm A = (5 t + 2) 2 = 25 t t + 4 Capítulo 13 Regra da Cadeia 13.1 Motivação A área A de um quadrado cujo lado mede x cm de comprimento é dada por A = x 2. Podemos encontrar a taxa de variação da área em relação à variação do lado: = 2

Leia mais

Variáveis Aleatórias. Departamento de Matemática Escola Superior de Tecnologia de Viseu

Variáveis Aleatórias. Departamento de Matemática Escola Superior de Tecnologia de Viseu Variáveis Aleatórias Departamento de Matemática Escola Superior de Tecnologia de Viseu Exemplo No lançamento de duas moedas ao ar, os resultados possíveis são: FF, FC, CF ou CC. No entanto, o nosso interesse

Leia mais

Estimação e Testes de Hipóteses

Estimação e Testes de Hipóteses Estimação e Testes de Hipóteses 1 Estatísticas sticas e parâmetros Valores calculados por expressões matemáticas que resumem dados relativos a uma característica mensurável: Parâmetros: medidas numéricas

Leia mais

Notas em Matemática Aplicada 29

Notas em Matemática Aplicada 29 Notas em Matemática Aplicada 29 Editores Eliana X.L. de Andrade Universidade Estadual Paulista - UNESP São José do Rio Preto, SP, Brasil Rubens Sampaio Pontifícia Universidade Católica do Rio de Janeiro

Leia mais

Modelos Lineares Distribuições de Probabilidades Distribuição Normal Teorema Central do Limite. Professora Ariane Ferreira

Modelos Lineares Distribuições de Probabilidades Distribuição Normal Teorema Central do Limite. Professora Ariane Ferreira Distribuições de Probabilidades Distribuição Normal Teorema Central do Limite Professora Ariane Ferreira Modelos Probabilísticos de v.a. continuas Distribuição de Probabilidades 2 IPRJ UERJ Ariane Ferreira

Leia mais

Prova de Seleção ao Doutorado Macroeconomia

Prova de Seleção ao Doutorado Macroeconomia Prova de Seleção ao Doutorado Macroeconomia Programa de Pós-Graduação em Economia, FEA/USP Área Teoria Econômica 1. (40 pontos) Considere o modelo de Ramsey-Cass-Koopmans em tempo contínuo, o qual inclui

Leia mais

Variáveis Aleatórias Discretas - Esperança e Variância

Variáveis Aleatórias Discretas - Esperança e Variância Exemplo Um empresário pretende estabelecer uma firma para montagem de um componente mecânico. Cada peça é composta de duas partes, A e B, cada uma com uma chance específica de ser defeituosa. Só é possível

Leia mais

Conhecimentos Bancários

Conhecimentos Bancários Conhecimentos Bancários Item 3.8 Derivativos (Continuação) Mercado a Termo Mercado Futuro Swap Item 3.8 - Derivativos Mercado de Opções: Aquele em que uma parte adquire o direito de comprar (opção de compra)

Leia mais

Conteúdo Teórico: 04 Esperança

Conteúdo Teórico: 04 Esperança ACH2053 Introdução à Estatística Conteúdo Teórico: 04 Esperança Marcelo de Souza Lauretto Sistemas de Informação EACH www.each.usp.br/lauretto Referência: Morris DeGroot, Mark Schervish. Probability and

Leia mais

Step-up. Proteção com ganho mínimo

Step-up. Proteção com ganho mínimo Perfil: Moderado-Agressivo e Agressivo Step-up Proteção com ganho mínimo A Step-up é uma estrutura semelhante à fence, utilizada como proteção parcial para o investidor que já possui um ativo ou deseja

Leia mais

Distribuições Amostrais e Estimação Pontual de Parâmetros

Distribuições Amostrais e Estimação Pontual de Parâmetros Distribuições Amostrais e Estimação Pontual de Parâmetros - parte I 2012/02 1 Introdução 2 3 4 5 Objetivos Ao final deste capítulo você deve ser capaz de: Entender estimação de parâmetros de uma distribuição

Leia mais

Finanças Internacionais - Macroeconomia Aberta: Teoria, Aplicações e Políticas

Finanças Internacionais - Macroeconomia Aberta: Teoria, Aplicações e Políticas Finanças Internacionais - Macroeconomia Aberta: Teoria, Aplicações e Políticas Capítulo 6 Moeda e câmbio no longo prazo Roteiro 1 Mercados de moeda, títulos e bens Introdução Mercado de moeda Mercado de

Leia mais

Avaliação e Desempenho Aula 18

Avaliação e Desempenho Aula 18 Avaliação e Desempenho Aula 18 Aula passada Fila com buffer finito Fila com buffer infinito Medidas de interesse: vazão, número médio de clientes na fila, taxa de perda. Aula de hoje Parâmetros de uma

Leia mais

Probabilidade I. Departamento de Estatística. Universidade Federal da Paraíba. Prof. Tarciana Liberal (UFPB) Aula Esperança e Variância 06/14 1 / 19

Probabilidade I. Departamento de Estatística. Universidade Federal da Paraíba. Prof. Tarciana Liberal (UFPB) Aula Esperança e Variância 06/14 1 / 19 Probabilidade I Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Esperança e Variância 06/14 1 / 19 Nos modelos matemáticos aleatórios parâmetros podem ser

Leia mais

DISTRIBUIÇÃO DOS RETORNOS DE UM ÍNDICE DE AÇÕES COM VOLATILIDADE ESTOCÁSTICA

DISTRIBUIÇÃO DOS RETORNOS DE UM ÍNDICE DE AÇÕES COM VOLATILIDADE ESTOCÁSTICA DISTRIBUIÇÃO DOS RETORNOS DE UM ÍNDICE DE AÇÕES COM VOLATILIDADE ESTOCÁSTICA Isabel Cristina Ribeiro (BIC/CNPq-UEPG) e-mail: icribeiro1989@gmail.com José Tadeu Teles Lunardi (Orientador) e-mail: jttlunardi@uepg.br

Leia mais

2. EXERCÍCIOS PROPOSTOS SOBRE V.A. E DISTRIB.PROBAB.

2. EXERCÍCIOS PROPOSTOS SOBRE V.A. E DISTRIB.PROBAB. 2. EXERCÍCIOS PROPOSTOS SOBRE V.A. E DISTRIB.PROBAB. 1) Classifique as seguintes variáveis aleatórias como discretas ou contínuas. X : o número de acidentes de automóvel por ano na rodovia BR 116. Y :

Leia mais

Intervalos de Confiança

Intervalos de Confiança Intervalos de Confiança Carla Henriques e Nuno Bastos Departamento de Matemática Escola Superior de Tecnologia de Viseu Carla Henriques e Nuno Bastos (DepMAT) Intervalos de Confiança 2010/2011 1 / 33 Introdução

Leia mais

4. Distribuições de probabilidade e

4. Distribuições de probabilidade e 4. Distribuições de probabilidade e características Valor esperado de uma variável aleatória. Definição 4.1: Dada uma v.a. discreta (contínua) X com f.m.p. (f.d.p.) f X (), o valor esperado (ou valor médio

Leia mais

Universidade Federal de Pelotas Disciplina de Microeconomia 1 Professor Rodrigo Nobre Fernandez Lista 3 - Soluções. x 2 5 = 40 x.

Universidade Federal de Pelotas Disciplina de Microeconomia 1 Professor Rodrigo Nobre Fernandez Lista 3 - Soluções. x 2 5 = 40 x. Universidade Federal de Pelotas Disciplina de Microeconomia 1 Professor Rodrigo Nobre Fernandez Lista 3 - Soluções 1) Dada as funções de demanda p(x) = 40 x e de oferta p(x) = x 5, pede-se: a) O ponto

Leia mais

Variáveis Aleatórias. Esperança e Variância. Prof. Luiz Medeiros Departamento de Estatística - UFPB

Variáveis Aleatórias. Esperança e Variância. Prof. Luiz Medeiros Departamento de Estatística - UFPB Variáveis Aleatórias Esperança e Variância Prof. Luiz Medeiros Departamento de Estatística - UFPB ESPERANÇA E VARIÂNCIA Nos modelos matemáticos aleatórios parâmetros podem ser empregados para caracterizar

Leia mais

Resumo. Parte 7 Processos Estocásticos. Ramiro Brito Willmersdorf

Resumo. Parte 7 Processos Estocásticos. Ramiro Brito Willmersdorf Parte 7 Processos Estocásticos Ramiro Brito Willmersdorf ramiro@willmersdorf.net Departamento de Engenharia Mecânica Universidade Federal de Pernambuco 2011.2 Resumo 1 Processos Estocásticos 2 Classicação

Leia mais

2 Mercado de Juros no Brasil

2 Mercado de Juros no Brasil 16 2 Mercado de Juros no Brasil As taxas de juros negociadas no mercado financeiro são influenciadas pelas políticas econômica, monetária e fiscal do governo federal. A expectativa do mercado por estas

Leia mais

Probabilidades objetivas versus probabilidades Risk-neutral

Probabilidades objetivas versus probabilidades Risk-neutral GV INVEST 04 Probabilidades objetivas versus probabilidades Risk-neutral Para evitar arbitragem, os preços dos derivativos têm que ser calculados via probabilidades que pertencem a um espaço de probabilidade

Leia mais