CEF Old

Probabilidade, Processo Estocástico, Martingale
A integral estocástica
Equações diferenciais estocásticas (EDE)
Aplicações do cálculo estocástico em finanças
Cálculo Estocástico
H. Dreifus1
1 Departamento de Matemática Aplicada
Universidade de São Paulo
Caixa Econômica Federal/2010
H. Dreifus Cálculo Estocástico

Cálculo Estocástico I
Mikosch T., Elementary Stochastic Calculus With Finance in View
1 Probabilidade, Processo Estocástico, Martingale

Probabilidade
Processos Estocásticos
Movimento Browniano
Esperança Condicional
Martingais
2 A integral estocástica
As integrais de Riemann e de Riemann-Stieltjes
A integral de Ito
O lema de Ito
Cálculo Estocástico II
3 Equações diferenciais estocásticas (EDE)
Equações diferenciais determinísticas
As equações diferenciais estocásticas de Ito
A equação diferencial linear geral
Solução numérica
4 Aplicações do cálculo estocástico em finanças

A fórmula de Black-Scholes do apreçamento de opções
Uma técnica útil: a mudança de medida

Probabilidade
Movimento Browniano
Martingais
Probabilidade
Movimento Browniano
Martingais
A integral de Ito
O lema de Ito
Solução numérica H. Dreifus Cálculo Estocástico
Probabilidade
Movimento Browniano
Martingais
Probabilidade
Variáveis Aleatórias
Vetores Aleatórios
Independência e dependência

Probabilidade
Movimento Browniano
Martingais
Probabilidade
Vetores Aleatórios

Probabilidade
Movimento Browniano
Martingais
Probabilidade
Vetores Aleatórios

Probabilidade
Movimento Browniano
Martingais
Espaço de Eventos
Ω = {cara, coroa}
X :Ω→R
Exemplo:
X (cara) = 1
X (coroa) = −1

Probabilidade
Movimento Browniano
Martingais
Espaço de Eventos
Ω = {cara, coroa}
X :Ω→R
Exemplo:
X (cara) = 1
X (coroa) = −1

Probabilidade
Movimento Browniano
Martingais
Espaço de Eventos
Ω = {cara, coroa}
X :Ω→R
Exemplo:
X (cara) = 1
X (coroa) = −1

Probabilidade
Movimento Browniano
Martingais
Espaço de Eventos
Ω = {cara, coroa}
X :Ω→R
Exemplo:
X (cara) = 1
X (coroa) = −1

Probabilidade
Movimento Browniano
Martingais
Espaço de Eventos
Ω = {cara, coroa}
X :Ω→R
Exemplo:
X (cara) = 1
X (coroa) = −1

Probabilidade
Movimento Browniano
Martingais
Quais os valores mais prováveis de X (ω)?

Onde estão concentrados ?
Como estão distribuídos ?

Probabilidade
Movimento Browniano
Martingais


Probabilidade
Movimento Browniano
Martingais


Probabilidade
Movimento Browniano
Martingais
σ-álgebra
F - Coleção de subconjuntos de Ω,
Ω∈F
∅∈F
F é fechado por uniões e intersecções enumeráveis
A ∈ F; B ∈ F ⇒
A∪B ∈F e A∩B∈F

Probabilidade
Movimento Browniano
Martingais
σ-álgebra
Ω∈F
∅∈F
A ∈ F; B ∈ F ⇒

Probabilidade
Movimento Browniano
Martingais
σ-álgebra
Ω∈F
∅∈F
A ∈ F; B ∈ F ⇒

Probabilidade
Movimento Browniano
Martingais
σ-álgebra
Ω∈F
∅∈F
A ∈ F; B ∈ F ⇒

Probabilidade
Movimento Browniano
Martingais
Probabilidade, Distribuição e Funções de distribuição
Probabilidade
Para cada evento A ∈ F associamos um valor P(A) ∈ [0, 1]
Função Distribuição
FX (x) = P({ω : X (ω) ≤ x})
Distribuição de X
PX (B) = P(X ∈ B) = P({ω : X (ω) ∈ B})

Probabilidade
Movimento Browniano
Martingais
Probabilidade
FX (x) = P({ω : X (ω) ≤ x})
Distribuição de X
PX (B) = P(X ∈ B) = P({ω : X (ω) ∈ B})

Probabilidade
Movimento Browniano
Martingais
Probabilidade
FX (x) = P({ω : X (ω) ≤ x})
Distribuição de X
PX (B) = P(X ∈ B) = P({ω : X (ω) ∈ B})

Probabilidade
Movimento Browniano
Martingais
Probabilidade
FX (x) = P({ω : X (ω) ≤ x})
Distribuição de X
PX (B) = P(X ∈ B) = P({ω : X (ω) ∈ B})

Probabilidade
Movimento Browniano
Martingais
Probabilidade
FX (x) = P({ω : X (ω) ≤ x})
Distribuição de X
PX (B) = P(X ∈ B) = P({ω : X (ω) ∈ B})

Probabilidade
Movimento Browniano
Martingais
Probabilidade
FX (x) = P({ω : X (ω) ≤ x})
Distribuição de X
PX (B) = P(X ∈ B) = P({ω : X (ω) ∈ B})

Probabilidade
Movimento Browniano
Martingais
Probabilidade
FX (x) = P({ω : X (ω) ≤ x})
Distribuição de X
PX (B) = P(X ∈ B) = P({ω : X (ω) ∈ B})

Probabilidade
Movimento Browniano
Martingais
Probabilidade
FX (x) = P({ω : X (ω) ≤ x})
Distribuição de X
PX (B) = P(X ∈ B) = P({ω : X (ω) ∈ B})

Probabilidade
Movimento Browniano
Martingais
Probabilidade
FX (x) = P({ω : X (ω) ≤ x})
Distribuição de X
PX (B) = P(X ∈ B) = P({ω : X (ω) ∈ B})

Probabilidade
Movimento Browniano
Martingais
Propriedades da Medida de Probabilidade
Para eventos A, B ∈ F
P(A ∪ B) = P(A) + P(B) − P(A ∩ B)
e, se A e B são disjuntos,
P(A ∪ B) = P(A) + P(B).

Além disto,
P(Ac ) = 1 − P(A), P(Ω) = 1 e P(∅) = 0

Probabilidade
Movimento Browniano
Martingais
Exemplos de Distribuições
Binomial

n
P(X = k ) = pk (1 − p)n−k , k = 0, 1, 2, ...n.
k
Normal
(x − µ)2

1
fX (x) = √ exp − , x ∈R
2πσ 2σ 2
Z x
Fx = fX (y )dy
−∞

Probabilidade
Movimento Browniano
Martingais
Exemplos de Distribuições
Binomial

n
P(X = k ) = pk (1 − p)n−k , k = 0, 1, 2, ...n.
k
Normal
(x − µ)2

1
fX (x) = √ exp − , x ∈R
2πσ 2σ 2
Z x
Fx = fX (y )dy
−∞

Probabilidade
Movimento Browniano
Martingais
Esperança, Variância e Momentos
Esperança
Variância
Momentos
Esperança de Funções

Probabilidade
Movimento Browniano
Martingais
Esperança
Variância
Momentos

Probabilidade
Movimento Browniano
Martingais
Esperança
Variância
Momentos

Probabilidade
Movimento Browniano
Martingais
Esperança
Variância
Momentos

Probabilidade
Movimento Browniano
Martingais
Estimativas Úteis
P(µ−1, 96σ ≤ X ≤ µ+1.96σ) = Φ(µ+1.96σ)−Φ(µ−1.96σ)
Φ(µ + 1.96σ) − Φ(µ − 1.96σ) = 0, 95

onde X é uma variável aleatória N(µ, σ 2 )
P(|X − µX | > x) ≤ x −2 σX2 , x > 0

Probabilidade
Movimento Browniano
Martingais
Estimativas Úteis
P(µ−1, 96σ ≤ X ≤ µ+1.96σ) = Φ(µ+1.96σ)−Φ(µ−1.96σ)
Φ(µ + 1.96σ) − Φ(µ − 1.96σ) = 0, 95

P(|X − µX | > x) ≤ x −2 σX2 , x > 0

Probabilidade
Movimento Browniano
Martingais
Estimativas Úteis
P(µ−1, 96σ ≤ X ≤ µ+1.96σ) = Φ(µ+1.96σ)−Φ(µ−1.96σ)
Φ(µ + 1.96σ) − Φ(µ − 1.96σ) = 0, 95

P(|X − µX | > x) ≤ x −2 σX2 , x > 0

Probabilidade
Movimento Browniano
Martingais
Vetores Aleatórios
X = (X1 , X2 , ..., Xn )
é um vetor aleatório n-dimensional se os seus componentes
X1 , X − 2, ..., Xn são variáveis aleatórias unidimensionais a
valores reais.

Probabilidade
Movimento Browniano
Martingais
Probabilidade, Distribuição e Função de distribuição

Probabilidade Considera-se uma σ-álgebra, F, na qual
definimos a medida de probabilidade. Isto é, para cada
A ∈ F nós atribuimos um valor P(A) ∈ [0, 1]
Distribuição A coleção de probabilidades
PX (B) = P({ω ∈ Ω : X (ω) ∈ B})

para conjuntos B ⊂ Rn , é a distribuição de X
Função de distribuição
Dado um vetor aleatório X = (X1 , ..., Xn ), a coleção de
probabilidades
FX (x) = P({ω : X1 (ω) ≤ x1 ...Xn (ω) ≤ xn }),

x = (x1 , ..., xn ) ∈ Rn , é a função distribuição de X
Probabilidade
Movimento Browniano
Martingais

PX (B) = P({ω ∈ Ω : X (ω) ∈ B})

probabilidades
FX (x) = P({ω : X1 (ω) ≤ x1 ...Xn (ω) ≤ xn }),

Probabilidade
Movimento Browniano
Martingais

PX (B) = P({ω ∈ Ω : X (ω) ∈ B})

probabilidades
FX (x) = P({ω : X1 (ω) ≤ x1 ...Xn (ω) ≤ xn }),

Probabilidade
Movimento Browniano
Martingais

PX (B) = P({ω ∈ Ω : X (ω) ∈ B})

probabilidades
FX (x) = P({ω : X1 (ω) ≤ x1 ...Xn (ω) ≤ xn }),

Probabilidade
Movimento Browniano
Martingais

PX (B) = P({ω ∈ Ω : X (ω) ∈ B})

probabilidades
FX (x) = P({ω : X1 (ω) ≤ x1 ...Xn (ω) ≤ xn }),

Probabilidade
Movimento Browniano
Martingais

PX (B) = P({ω ∈ Ω : X (ω) ∈ B})

probabilidades
FX (x) = P({ω : X1 (ω) ≤ x1 ...Xn (ω) ≤ xn }),

Probabilidade
Movimento Browniano
Martingais

PX (B) = P({ω ∈ Ω : X (ω) ∈ B})

probabilidades
FX (x) = P({ω : X1 (ω) ≤ x1 ...Xn (ω) ≤ xn }),

Probabilidade
Movimento Browniano
Martingais

PX (B) = P({ω ∈ Ω : X (ω) ∈ B})

probabilidades
FX (x) = P({ω : X1 (ω) ≤ x1 ...Xn (ω) ≤ xn }),

Probabilidade
Movimento Browniano
Martingais

PX (B) = P({ω ∈ Ω : X (ω) ∈ B})

probabilidades
FX (x) = P({ω : X1 (ω) ≤ x1 ...Xn (ω) ≤ xn }),

Probabilidade
Movimento Browniano
Martingais
Exemplos:
Z ∞ Z ∞
FX1 (x1 ) = fX (x)dx2 dx3
−∞ −∞

1 1 t −1
fX (x) = exp − (x − µ) Σ (x − µ)
(2π)n/2 (detΣ)1/2 2

Probabilidade
Movimento Browniano
Martingais
Esperança, Covariância
Esperança
µX = EX = (EX1 , ..., EXn )
Matriz de Covariância
[ΣX ]i,j = cov (Xi , Xj ) = E{(Xi − µXi )(Xj − µXj )}

Probabilidade
Movimento Browniano
Martingais
Esperança
µX = EX = (EX1 , ..., EXn )

Probabilidade
Movimento Browniano
Martingais
Esperança
µX = EX = (EX1 , ..., EXn )

Probabilidade
Movimento Browniano
Martingais
Esperança
µX = EX = (EX1 , ..., EXn )

Probabilidade
Movimento Browniano
Martingais
Esperança
µX = EX = (EX1 , ..., EXn )

Probabilidade
Movimento Browniano
Martingais
Esperança
µX = EX = (EX1 , ..., EXn )

Probabilidade
Movimento Browniano
Martingais
Esperança
µX = EX = (EX1 , ..., EXn )

Probabilidade
Movimento Browniano
Martingais
Correlação
cov (X1 , X2 )
corr (X1 , X2 ) =
σX1 σX2
E{(Xi − µXi )(Xj − µXj )}
=
σX1 σX2

Probabilidade
Movimento Browniano
Martingais
Dois eventos A1 e A2 são independentes se
P(A1 ∩ A2 ) = P(A1 )P(A2 )

Duas variáveis aleatórias X1 e X2 são independentes se
P(X1 ∈ B1 , X2 ∈ B2 ) = P(X1 ∈ B1 )P(X2 ∈ B2 )

Probabilidade
Movimento Browniano
Martingais
Dois eventos A1 e A2 são independentes se
P(A1 ∩ A2 ) = P(A1 )P(A2 )

Duas variáveis aleatórias X1 e X2 são independentes se
P(X1 ∈ B1 , X2 ∈ B2 ) = P(X1 ∈ B1 )P(X2 ∈ B2 )

Probabilidade
Movimento Browniano
Martingais
Duas variáveis aleatórias X1 e X2 são independentes se e

somente se:
FX1 X2 (x1 , x2 ) = FX1 (x1 )FX2 (x2 ), x1 , x2 ∈ R

somente se:
fX1 X2 (x1 , x2 ) = fX1 (x1 )fX2 (x2 ), x1 , x2 ∈ R

Probabilidade
Movimento Browniano
Martingais

somente se:
FX1 X2 (x1 , x2 ) = FX1 (x1 )FX2 (x2 ), x1 , x2 ∈ R

somente se:
fX1 X2 (x1 , x2 ) = fX1 (x1 )fX2 (x2 ), x1 , x2 ∈ R

Probabilidade
Movimento Browniano
Martingais
Se X1 e X2 são variáveis aleatórias independentes,
E{F (X1 )G(X2 )} = EX1 {F (X1 )}EX2 {G(X2 )}

Probabilidade
Movimento Browniano
Martingais
Variáveis aleatórias independentes são não

correlacionadas.
Variáveis não correlacionadas não são necessáriamente
independentes.

Probabilidade
Movimento Browniano
Martingais
Variáveis aleatórias independentes são não

correlacionadas.
Variáveis não correlacionadas não são necessáriamente
independentes.

Probabilidade
Movimento Browniano
Martingais
Uma coleção de variáveis aleatórias, {Xt , t ∈ T } é

independente se para toda escolha de índices t1 , ..., tn ∈ T ,
com n > 1, se as variáveis aleatórias {Xt1 , ..., Xtn } forem
independentes.
Se uma coleção de variáveis aleatorias {Xt , t ∈ T } for tal que

Xt tem a mesma distribuição então nós dizemos que a coleção
é i.i.d, independente identicamente distribuídas.

Probabilidade
Movimento Browniano
Martingais
Uma coleção de variáveis aleatórias, {Xt , t ∈ T } é

independente se para toda escolha de índices t1 , ..., tn ∈ T ,
com n > 1, se as variáveis aleatórias {Xt1 , ..., Xtn } forem
independentes.
Se uma coleção de variáveis aleatorias {Xt , t ∈ T } for tal que

Xt tem a mesma distribuição então nós dizemos que a coleção
é i.i.d, independente identicamente distribuídas.

Probabilidade
Movimento Browniano
Martingais
Probabilidade
Movimento Browniano
Martingais
A integral de Ito
O lema de Ito
Probabilidade
Movimento Browniano
Martingais
Processos Estocásticos.
Definição
Passeio Aleatório

Probabilidade
Movimento Browniano
Martingais
Processos Estocásticos.
Definição
Passeio Aleatório

Probabilidade
Movimento Browniano
Martingais
Definição
Um processo estocástico X é uma coleção de variáveis

aleatórias
{Xt , t ∈ T } = {Xt (ω), t ∈ T , ω ∈ Ω}

Probabilidade
Movimento Browniano
Martingais
Um processo aleatório é uma função de 2 varáveis:

Para um t ∈ T fixado,
Xt (ω) : Ω → R
é uma variável aleatória.
Para um resultado aleatório fixo ω ∈ Ω,
Xt (ω) : t ∈ T → R
é uma função do tempo t

Probabilidade
Movimento Browniano
Martingais

Xt (ω) : Ω → R
Xt (ω) : t ∈ T → R

Probabilidade
Movimento Browniano
Martingais

Xt (ω) : Ω → R
Xt (ω) : t ∈ T → R

Probabilidade
Movimento Browniano
Martingais
Distribuição
As distribuições de dimensão finita (disfi) de um processo

estocástico X são as distribuições dos vetores de dimensão
finita.
(Xt1 ...Xtn ), t1 ...tn2 ∈ T ,

para todas as escolhas possíveis dos instantes t1 ...tn ∈ T e
para todo n ≥ 1.

Probabilidade
Movimento Browniano
Martingais
Exemplo
Processo Gaussiano
P(Xt1 ≤ x1 , ..., Xtn ≤ xn ) = P(Xt1 ≤ x1 )...P(Xtn ≤ xn ) =

= Φ(x1 )...Φ(xn )
0 ≤ t1 ≤ ... ≤ tn ≤ T , (x1 ...xn ) ∈ Rn .

Probabilidade
Movimento Browniano
Martingais

Probabilidade
Movimento Browniano
Martingais
Esperança, Covariância e Variância
A função esperança de X é dada por
µX (t) = µXt = EXt , t ∈ T

A função de covariância de X e dada por
cX (t, s) = cov (Xt , Xs ) = E[(Xt − µX (t))(Xs − µX (s))], t, s ∈ T .
A função de variância e dada por
σX2 (t) = cX (t, t) = var (Xt ), t ∈ T .

Probabilidade
Movimento Browniano
Martingais
Estrutura de Dependência
Processos Estacionários
Um processo estocástico é dito ser estacionário se os difi’s são

invariantes por translações em t.
d
(Xt1 ...Xtn ) = (Xt1 +δ ...Xtn +δ )

Probabilidade
Movimento Browniano
Martingais
Estrutura de Dependência
Processos com Incrementos Estacionários

Seja X = (Xt , t ∈ T ) um processo estocástico e T ⊂ R um
intervalo. Dizemos que X possui incrementos estacionários se
d
Xt − Xs = Xt+δ − Xs+δ
para todo t, s ∈ T e δ, com t + δ, s + δ ∈ T X é dito possuir
incrementos independentes se para cada escolha de ti ∈ T
com t1 < ... < tn e n ≥ 1,
Xt2 − Xt1 ...Xtn − Xtn−1
são variáveis aleatórias independentes.

Probabilidade
Movimento Browniano
Martingais
Passeio Aleatório
Tempo Discreto: 0 = t0 < t1 ... < tn = t, tm+1 − tm = δ

Em cada instante tm , uma moeda é lançada:
Se o resultado for Cara é dado um passo para a esquerda.
Se o resultado for Coroa é dado um passo para a direita

Probabilidade
Movimento Browniano
Martingais
Passeio Aleatório


Probabilidade
Movimento Browniano
Martingais
Passeio Aleatório


Probabilidade
Movimento Browniano
Martingais
Passeio Aleatório


Probabilidade
Movimento Browniano
Martingais
Distribuição de probabilidade no instante t

pk (t) = P{Xt (ω) = k }; k ∈ Z
Matriz de Transição
Kjk (t) = P{Xt+δ (ω) = j|Xt (ω) = k }
1

|j − k | = 1
2
Kjk (t) =
0 |j − k | =
6 1

Probabilidade
Movimento Browniano
Martingais
pk (t) = P{Xt (ω) = k }; k ∈ Z
Kjk (t) = P{Xt+δ (ω) = j|Xt (ω) = k }
1

|j − k | = 1
2
Kjk (t) =
0 |j − k | =
6 1

Probabilidade
Movimento Browniano
Martingais
pk (t) = P{Xt (ω) = k }; k ∈ Z
Kjk (t) = P{Xt+δ (ω) = j|Xt (ω) = k }
1

|j − k | = 1
2
Kjk (t) =
0 |j − k | =
6 1

Probabilidade
Movimento Browniano
Martingais
pk (t) = P{Xt (ω) = k }; k ∈ Z
Kjk (t) = P{Xt+δ (ω) = j|Xt (ω) = k }
1

|j − k | = 1
2
Kjk (t) =
0 |j − k | =
6 1

Probabilidade
Movimento Browniano
Martingais
pk (t) = P{Xt (ω) = k }; k ∈ Z
Kjk (t) = P{Xt+δ (ω) = j|Xt (ω) = k }
1

|j − k | = 1
2
Kjk (t) =
0 |j − k | =
6 1

Probabilidade
Movimento Browniano
Martingais
pk (t) = P{Xt (ω) = k }; k ∈ Z
Kjk (t) = P{Xt+δ (ω) = j|Xt (ω) = k }
1

|j − k | = 1
2
Kjk (t) =
0 |j − k | =
6 1

Probabilidade
Movimento Browniano
Martingais
pk (t) = P{Xt (ω) = k }; k ∈ Z
Kjk (t) = P{Xt+δ (ω) = j|Xt (ω) = k }
1

|j − k | = 1
2
Kjk (t) =
0 |j − k | =
6 1

Probabilidade
Movimento Browniano
Martingais
Dinâmica do Passeio Aleatório

Probabilidade Condicional
P(A ∩ B)
P(A|B) =
P(B)
P(A|B)P(B) = P(A ∩ B)
Considerando uma coleção de eventos independentes
Bk ; ∪k ∈Z Bk = Ω,
P(A|Bk )P(B) = P(A ∩ Bk )

X
P(A|Bk )P(B) = P(A)
k ∈Z
Probabilidade
Movimento Browniano
Martingais

P(A ∩ B)
P(A|B) =
P(B)
P(A|B)P(B) = P(A ∩ B)
Bk ; ∪k ∈Z Bk = Ω,

X
P(A|Bk )P(B) = P(A)
k ∈Z
Probabilidade
Movimento Browniano
Martingais

P(A ∩ B)
P(A|B) =
P(B)
P(A|B)P(B) = P(A ∩ B)
Bk ; ∪k ∈Z Bk = Ω,

X
P(A|Bk )P(B) = P(A)
k ∈Z
Probabilidade
Movimento Browniano
Martingais

P(A ∩ B)
P(A|B) =
P(B)
P(A|B)P(B) = P(A ∩ B)
Bk ; ∪k ∈Z Bk = Ω,

X
P(A|Bk )P(B) = P(A)
k ∈Z
Probabilidade
Movimento Browniano
Martingais

P(A ∩ B)
P(A|B) =
P(B)
P(A|B)P(B) = P(A ∩ B)
Bk ; ∪k ∈Z Bk = Ω,

X
P(A|Bk )P(B) = P(A)
k ∈Z
Probabilidade
Movimento Browniano
Martingais
Considerando A = {Xt+δ (ω) = j}, temos

X
pj (t + δ) = Kjk pk (t)
k ∈Z

Probabilidade
Movimento Browniano
Martingais
Considerando A = {Xt+δ (ω) = j}, temos

X
pj (t + δ) = Kjk pk (t)
k ∈Z

Probabilidade
Movimento Browniano
Martingais
 
.

 . 


 . 


 0 0 1 0 1 0 0 0 0 0 0 0 0 0 


 0 0 0 1 0 1 0 0 0 0 0 0 0 0 


 0 0 0 0 1 0 1 0 0 0 0 0 0 0 

0 0 0 0 0 1 0 1 0 0 0 0 0 0
 
2K = 
 
0 0 0 0 0 0 1 0 1 0 0 0 0 0

 
0 0 0 0 0 0 1 0 1 0 0 0 0 0
 
 
0 0 0 0 0 0 0 1 0 1 0 0 0 0
 
 
 
 0 0 0 0 0 0 0 0 1 0 1 0 0 0 
 

 . 

 . 
.
Probabilidade
Movimento Browniano
Martingais
1 1
pj (t + δ) = pj+1 (t) + pj−1 (t)
2 2
1 1
pj (t + δ) − pj (t) = pj+1 (t) + pj−1 (t) − pj (t)
2 2

Probabilidade
Movimento Browniano
Martingais
1 1
pj (t + δ) = pj+1 (t) + pj−1 (t)
2 2
1 1
pj (t + δ) − pj (t) = pj+1 (t) + pj−1 (t) − pj (t)
2 2

Probabilidade
Movimento Browniano
Martingais
Considerando em lugar de passos de magnitude 1, passos de

magnitude ∆, de forma que em lugar das posições possíveis
Xt (ω) = k , temos Xt (ω) = k ∆
1 1
px (t + δ) − px (t) = px+∆ (t) + px−∆ (t) − px (t)
2 2
1
px (t + δ) − px (t) = [px+∆ (t) + px−∆ (t) − 2px (t)]
2

Probabilidade
Movimento Browniano
Martingais

1 1
2 2
1
2

Probabilidade
Movimento Browniano
Martingais

1 1
2 2
1
2

Probabilidade
Movimento Browniano
Martingais
Considerando σ 2 δ = ∆2
px (t + δ) − px (t) [px+∆ (t) + px−∆ (t) − 2px (t)]

= σ2
δ 2∆2
de forma que no limite δ → 0
∂p ∂2p
(t, x) = σ 2 2 (t, x)
∂t ∂x

Probabilidade
Movimento Browniano
Martingais

= σ2
δ 2∆2
∂p ∂2p
(t, x) = σ 2 2 (t, x)
∂t ∂x

Probabilidade
Movimento Browniano
Martingais

= σ2
δ 2∆2
∂p ∂2p
(t, x) = σ 2 2 (t, x)
∂t ∂x

Probabilidade
Movimento Browniano
Martingais
Z ∞ (x−y )2
1 −
p(t, x) = √ e 4tσ 2 p(0, y )dy
σ 4πt −∞

Probabilidade
Movimento Browniano
Martingais
Probabilidade
Movimento Browniano
Martingais
A integral de Ito
O lema de Ito
Probabilidade
Movimento Browniano
Martingais
Movimento Browniano.
Propriedades da definição
Processos derivados do movimento browniano
Simulações de caminhos amostrais brownianos

Probabilidade
Movimento Browniano
Martingais

Probabilidade
Movimento Browniano
Martingais

Probabilidade
Movimento Browniano
Martingais
Movimento Browniano
Um processo estocástico B = (Bt , t ∈ [0, 1)) é chamado de

movimento browniano (padrão) ou um processo de Wiener se
as seguintes condições estiverem verificadas:
ele começa no zero: B0 = 0;
possui incrementos independentes e estacionários;
para todo t > 0, Bt possui uma distribuição normal N(0, t);
possui caminhos amostrais contínuos.

Probabilidade
Movimento Browniano
Martingais
Movimento Browniano


Probabilidade
Movimento Browniano
Martingais
Movimento Browniano


Probabilidade
Movimento Browniano
Martingais
Movimento Browniano


Probabilidade
Movimento Browniano
Martingais
Movimento Browniano

Probabilidade
Movimento Browniano
Martingais
Movimento Browniano
As variáveis aleatórias Bt − Bs e Bt−s possuem uma

distrobuição N(0, t − s) para s < t.

Probabilidade
Movimento Browniano
Martingais
Movimento Browniano

Probabilidade
Movimento Browniano
Martingais
Movimento Browniano

Probabilidade
Movimento Browniano
Martingais
µB (t) = EBt = 0, t ≥0
σB2 (t) = EBt2 = t
cB (t, s) = E(B(t)B(s)) =
E[(B(t) − B(s) + B(s))B(s)] =
E[(B(t) − B(s))B(s)] + E[B(s)B(s)] = 0 + s = s; 0 ≤ s < t

Probabilidade
Movimento Browniano
Martingais
µB (t) = EBt = 0, t ≥0
σB2 (t) = EBt2 = t
cB (t, s) = E(B(t)B(s)) =
E[(B(t) − B(s) + B(s))B(s)] =

Probabilidade
Movimento Browniano
Martingais
µB (t) = EBt = 0, t ≥0
σB2 (t) = EBt2 = t
cB (t, s) = E(B(t)B(s)) =
E[(B(t) − B(s) + B(s))B(s)] =

Probabilidade
Movimento Browniano
Martingais
µB (t) = EBt = 0, t ≥0
σB2 (t) = EBt2 = t
cB (t, s) = E(B(t)B(s)) =
E[(B(t) − B(s) + B(s))B(s)] =

Probabilidade
Movimento Browniano
Martingais
µB (t) = EBt = 0, t ≥0
σB2 (t) = EBt2 = t
cB (t, s) = E(B(t)B(s)) =
E[(B(t) − B(s) + B(s))B(s)] =

Probabilidade
Movimento Browniano
Martingais
O movimento Browniano é um processo estocástico gaussiano

caracterizado por:
µB (t) = 0
cB (s, t) = min(s, t)

Probabilidade
Movimento Browniano
Martingais
Auto-similaridade
Um processo estocástico (Xt , t ∈ [0, 1)) é dito H-auto similar

para um dado H > 0 se os seus disfi’s satisfizerem à condição
dada por
d
(T H Bt1 ...T H Btn ) = (BTt1 ...BTtn )
para todo T > 0 e qualquer escolha dos ti ≥ 0, i = 1...n, e
n ≥ 1.

Probabilidade
Movimento Browniano
Martingais
Não diferenciabilidade
O movimento browniano é 0.5-auto-similar, i.e.,

d
(T 1/2 Bt1 ...T 1/2 Btn ) = (BTt1 ...BTtn )
para todo T > 0 e qualquer escolha dos ti ≥ 0, i = 1...n, e

n ≥ 1. Portanto, os caminhos amostrais não são diferenciáveis
em parte alguma.

Probabilidade
Movimento Browniano
Martingais
Variação ilimitada
Os caminhos amostrais brownianos não possuem variação

limitada em nenhum intervalo finito [0, T ]. Isto significa que
n
X
sup |Bti (ω) − Bti−1 (ω)| = ∞
τ
1
onde o supremo é tomado sobre todas as partições possíveis

τ : 0 = t0 < ... < tn = T do intervalo [0, T ].

Probabilidade
Movimento Browniano
Martingais
Processos Derivados do movimento Browniano

Movimento Browniano com drift
Xt = µt + σBt

Probabilidade
Movimento Browniano
Martingais
Movimento Browniano Geométrico
Xt = eµt+σBt

Probabilidade
Movimento Browniano
Martingais
Probabilidade
Movimento Browniano
Martingais
A integral de Ito
O lema de Ito
Probabilidade
Movimento Browniano
Martingais
Esperança Condicional.
Esperança condicional sob a condição discreta
Sobre σ-álgebras
A esperança condicional geral
Regras para o cálculo da esperança condicional
A propriedade da projeção de esperanças condicionais

Probabilidade
Movimento Browniano
Martingais
Sobre σ-álgebras

Probabilidade
Movimento Browniano
Martingais
Sobre σ-álgebras

Probabilidade
Movimento Browniano
Martingais
Sobre σ-álgebras

Probabilidade
Movimento Browniano
Martingais
Sobre σ-álgebras

Probabilidade
Movimento Browniano
Martingais
Probabilidade
Movimento Browniano
Martingais
A integral de Ito
O lema de Ito
Probabilidade
Movimento Browniano
Martingais
Martingais.
Propriedades definidoras
Exemplos
A interpretação de um martingal como um jogo não viciado

Probabilidade
Movimento Browniano
Martingais
Martingais.
Exemplos

Probabilidade
Movimento Browniano
Martingais
Martingais.
Exemplos

A integral de Ito
O lema de Ito
Probabilidade
Movimento Browniano
Martingais
A integral de Ito
O lema de Ito
A integral de Ito
O lema de Ito
As integrais de Riemann e de Riemann-Stieltjes.
A integral de Riemann ordinária
A integral de Riemann-Stieltjes

A integral de Ito
O lema de Ito
As integrais de Riemann e de Riemann-Stieltjes.
A integral de Riemann ordinária
A integral de Riemann-Stieltjes

A integral de Ito
O lema de Ito
Probabilidade
Movimento Browniano
Martingais
A integral de Ito
O lema de Ito
A integral de Ito
O lema de Ito
A integral de Ito.
Um exemplo motivador
A integral estocástica de Ito para processos simples
A integral estocástica geral de Ito

A integral de Ito
O lema de Ito
A integral de Ito.

A integral de Ito
O lema de Ito
A integral de Ito.

A integral de Ito
O lema de Ito
Probabilidade
Movimento Browniano
Martingais
A integral de Ito
O lema de Ito
A integral de Ito
O lema de Ito
O lema de Ito.
A regra da cadeia clássica para a diferenciação
Uma versão simples do lema de Ito
Versões estendidas do lema de Ito
A integral de Stratonovich e outras integrais

A integral de Ito
O lema de Ito
O lema de Ito.

A integral de Ito
O lema de Ito
O lema de Ito.

A integral de Ito
O lema de Ito
O lema de Ito.

Probabilidade, Processo Estocástico, Martingale Equações diferenciais determinísticas
A integral estocástica As equações diferenciais estocásticas de Ito
Equações diferenciais estocásticas (EDE) A equação diferencial linear geral
Aplicações do cálculo estocástico em finanças Solução numérica
Probabilidade
Movimento Browniano
Martingais
A integral de Ito
O lema de Ito
Probabilidade
Movimento Browniano
Martingais
A integral de Ito
O lema de Ito
As equações diferenciais estocásticas de Ito.
O que é uma equação diferencial estocástica?
Resolvendo EDEs usando o lema de Ito
Resolvendo equações diferenciais estocásticas de Ito através

do cálculo de Stratonovich





Probabilidade
Movimento Browniano
Martingais
A integral de Ito
O lema de Ito
A equação diferencial linear geral.
Equações lineares com ruído aditivo
Equações homogêneas com ruído multiplicativo
O caso geral
As funções de esperança e variância da solução

O caso geral

O caso geral

O caso geral

Probabilidade
Movimento Browniano
Martingais
A integral de Ito
O lema de Ito
A aproximação de Euler
A aproximação de Milstein

A aproximação de Euler
A aproximação de Milstein

A integral estocástica A fórmula de Black-Scholes do apreçamento de opções
Equações diferenciais estocásticas (EDE) Uma técnica útil: a mudança de medida
Probabilidade
Movimento Browniano
Martingais
A integral de Ito
O lema de Ito
A fórmula de Black-Scholes do apreçamento de

opções.
Uma breve excursão através das finanças
O que é uma opção?
Uma formulação matemática do problema de apreçamento de

opções
A fórmula de Black e Scholes


opções.

opções


opções.

opções


opções.

opções

Probabilidade
Movimento Browniano
Martingais
A integral de Ito
O lema de Ito
Uma técnica útil: a mudança de medida.
O que é a mudança da medida subjacente
Uma interpretação da fórmula de Black-Scholes pela mudança

de medida

Uma técnica útil: a mudança de medida.
O que é a mudança da medida subjacente
Uma interpretação da fórmula de Black-Scholes pela mudança

de medida




CEF Old

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

CEF Old

Uploaded by

Copyright:

Available Formats

Probabilidade, Processo Estocástico, Martingale

Caixa Econômica Federal/2010

H. Dreifus Cálculo Estocástico

Mikosch T., Elementary Stochastic Calculus With Finance in View

1 Probabilidade, Processo Estocástico, Martingale

4 Aplicações do cálculo estocástico em finanças

H. Dreifus Cálculo Estocástico

H. Dreifus Cálculo Estocástico

H. Dreifus Cálculo Estocástico

H. Dreifus Cálculo Estocástico

H. Dreifus Cálculo Estocástico

H. Dreifus Cálculo Estocástico

H. Dreifus Cálculo Estocástico

H. Dreifus Cálculo Estocástico

H. Dreifus Cálculo Estocástico

Quais os valores mais prováveis de X (ω)?

H. Dreifus Cálculo Estocástico

Quais os valores mais prováveis de X (ω)?

H. Dreifus Cálculo Estocástico

Quais os valores mais prováveis de X (ω)?

H. Dreifus Cálculo Estocástico

H. Dreifus Cálculo Estocástico

H. Dreifus Cálculo Estocástico

H. Dreifus Cálculo Estocástico

H. Dreifus Cálculo Estocástico

Probabilidade, Distribuição e Funções de distribuição

FX (x) = P({ω : X (ω) ≤ x})

PX (B) = P(X ∈ B) = P({ω : X (ω) ∈ B})

H. Dreifus Cálculo Estocástico

Probabilidade, Distribuição e Funções de distribuição

FX (x) = P({ω : X (ω) ≤ x})

PX (B) = P(X ∈ B) = P({ω : X (ω) ∈ B})

H. Dreifus Cálculo Estocástico

Probabilidade, Distribuição e Funções de distribuição

FX (x) = P({ω : X (ω) ≤ x})

PX (B) = P(X ∈ B) = P({ω : X (ω) ∈ B})

H. Dreifus Cálculo Estocástico

Probabilidade, Distribuição e Funções de distribuição

FX (x) = P({ω : X (ω) ≤ x})

PX (B) = P(X ∈ B) = P({ω : X (ω) ∈ B})

H. Dreifus Cálculo Estocástico

Probabilidade, Distribuição e Funções de distribuição

FX (x) = P({ω : X (ω) ≤ x})

PX (B) = P(X ∈ B) = P({ω : X (ω) ∈ B})

H. Dreifus Cálculo Estocástico

Probabilidade, Distribuição e Funções de distribuição

FX (x) = P({ω : X (ω) ≤ x})

PX (B) = P(X ∈ B) = P({ω : X (ω) ∈ B})

H. Dreifus Cálculo Estocástico

Probabilidade, Distribuição e Funções de distribuição

FX (x) = P({ω : X (ω) ≤ x})

PX (B) = P(X ∈ B) = P({ω : X (ω) ∈ B})

H. Dreifus Cálculo Estocástico

Probabilidade, Distribuição e Funções de distribuição

FX (x) = P({ω : X (ω) ≤ x})

PX (B) = P(X ∈ B) = P({ω : X (ω) ∈ B})

H. Dreifus Cálculo Estocástico

Probabilidade, Distribuição e Funções de distribuição

FX (x) = P({ω : X (ω) ≤ x})

PX (B) = P(X ∈ B) = P({ω : X (ω) ∈ B})

H. Dreifus Cálculo Estocástico

Propriedades da Medida de Probabilidade

P(A ∪ B) = P(A) + P(B) − P(A ∩ B)