Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Simulação Estocástica - Introdução à Simulação Estocástica
1. Draft Cap´
ıtulo de Introdu¸˜o ` Simula¸˜o Estoc´stica
ca a ca a
Th´rsis T. P. Souza
a
t.souza@usp.br
Instituto de Matem´tica e Estat´
a ıstica
Universidade de S˜o Paulo
a
29 de outubro de 2012
Th´rsis T. P. Souza (USP)
a Introdu¸˜o ` Simula¸˜o Estoc´stica
ca a ca a 29 de outubro de 2012 1 / 36
2. Agenda
1 Preliminares
2 Equa¸˜es Diferenciais Estoc´sticas
co a
3 Solu¸˜es Num´ricas
co e
Th´rsis T. P. Souza (USP)
a Introdu¸˜o ` Simula¸˜o Estoc´stica
ca a ca a 29 de outubro de 2012 2 / 36
3. Agenda
1 Preliminares
2 Equa¸˜es Diferenciais Estoc´sticas
co a
3 Solu¸˜es Num´ricas
co e
Th´rsis T. P. Souza (USP)
a Introdu¸˜o ` Simula¸˜o Estoc´stica
ca a ca a 29 de outubro de 2012 3 / 36
4. Processos Estoc´sticos
a
Defini¸˜o [Mikosch, 1999]
ca
Um Processo Estoc´stico X ´ uma cole¸˜o de vari´veis aleat´rias
a e ca a o
(Xt , t ∈ T ) = (Xt (ω), t ∈ T , ω ∈ Ω),
definido em um espa¸o Ω.
c
Th´rsis T. P. Souza (USP)
a Introdu¸˜o ` Simula¸˜o Estoc´stica
ca a ca a 29 de outubro de 2012 4 / 36
5. Processos Estoc´sticos
a
Um Processo Estoc´stico X ´ uma fun¸˜o de duas vari´veis.
a e ca a
Para um valor fixo de tempo t, X ´ uma vari´vel aleat´ria:
e a o
Xt = Xt (ω), ω ∈ Ω.
Para uma amostra aleat´ria ω ∈ Ω, X ´ uma fun¸˜o do tempo:
o e ca
Xt = Xt (ω), t ∈ T .
Th´rsis T. P. Souza (USP)
a Introdu¸˜o ` Simula¸˜o Estoc´stica
ca a ca a 29 de outubro de 2012 5 / 36
6. Esperan¸a e Covariˆncia
c a
Defini¸˜o
ca
Seja X = (Xt , t ∈ T ) um processo estoc´stico.
a
A fun¸˜o de esperan¸a de X ´ dado por
ca c e
µX (t) = E [Xt ], t ∈ T .
A fun¸˜o de covariˆncia de X ´ dado por
ca a e
cX (t, s) = cov (Xt , Xs ) = E [(Xt − µX (t))(Xs − µX (s))], t, s ∈ T .
A fun¸˜o de variˆncia de X ´ dado por
ca a e
2
σX (t) = cX (t, t) = var (Xt ), t ∈ T .
Th´rsis T. P. Souza (USP)
a Introdu¸˜o ` Simula¸˜o Estoc´stica
ca a ca a 29 de outubro de 2012 6 / 36
7. Incrementos Estacion´rios e Independentes
a
Defini¸˜o [Mikosch, 1999]
ca
Seja X = (Xt , t ∈ T ) um processo estoc´stico e T ⊂ R um intervalo. X ´
a e
dito ter incrementos estacion´rios se
a
d
Xt − Xs = Xt+h − Xs+h , para todo t, s ∈ T e t + h, s + h ∈ T .
X ´ dito ter incrementos independentes se para cada escolha de ti ∈ T
e
com t1 < . . . < tn e n ≥ 1,
Xt2 − Xt1 , . . . , Xtn − Xtn−1
s˜o vari´veis aleat´rias independentes.
a a o
Th´rsis T. P. Souza (USP)
a Introdu¸˜o ` Simula¸˜o Estoc´stica
ca a ca a 29 de outubro de 2012 7 / 36
8. Incrementos Estacion´rios e Independentes
a
Exemplo
Seja ξ1 , ξ2 , . . . uma sequˆncia de vari´veis aleat´rias independentes e
e a o
identicamente distribu´ ıdas. Ent˜o
a
Xn = ξ1 + ξ2 + . . . + ξn
´ um processo estoc´stico de incremento estacion´rio e independente em
e a a
respeito a n.
Th´rsis T. P. Souza (USP)
a Introdu¸˜o ` Simula¸˜o Estoc´stica
ca a ca a 29 de outubro de 2012 8 / 36
9. Incrementos Estacion´rios e Independentes
a
Exemplo
Existe um processo Xt de incremento estacion´rio e independente tal que
a
todo incremento ´ uma vari´vel aleat´ria normal, i.e.
e a o
Xt+∆t − Xt ∼ N (0, ∆t).
Al´m disso, Xt deve possuir uma distribui¸˜o de probabilidade normal, i.e.
e ca
Xt ∼ N (0, t).
Th´rsis T. P. Souza (USP)
a Introdu¸˜o ` Simula¸˜o Estoc´stica
ca a ca a 29 de outubro de 2012 9 / 36
10. Passeio Aleat´rio
o
Defini¸˜o
ca
Seja {Xk }∞ uma sequˆncia de vari´veis aleat´rias discretas
k=1 e a o
identicamente distribu´
ıdas. Para cada inteiro positivo n, denotamos Sn
como a soma X1 + X2 + . . . + Xn . A sequˆncia {Sn }∞ ´ chamada de
e n=1 e
Passeio Aleat´rio.
o
Propriedade
Incrementos em um Passeio Aleat´rio s˜o independentes e identicamente
o a
distribu´
ıdos.
Th´rsis T. P. Souza (USP)
a Introdu¸˜o ` Simula¸˜o Estoc´stica
ca a ca a 29 de outubro de 2012 10 / 36
11. Processo de Wiener
Defini¸˜o [Mikosch, 1999]
ca
Um processo estoc´stico B = (Bt , t ∈ [0, ∞)) ´ chamado Processo de
a e
Wiener ou Movimento Browniano Padr˜o se:
a
O processo tem seu in´ em zero: B0 = 0;
ıcio
Possui incrementos estacion´rios e independentes;
a
Para todo t > 0, Bt tem uma distribui¸˜o normal N (0, t).
ca
Th´rsis T. P. Souza (USP)
a Introdu¸˜o ` Simula¸˜o Estoc´stica
ca a ca a 29 de outubro de 2012 11 / 36
12. Processo de Wiener
Segue da defini¸˜o que um Movimento Browniano tem uma fun¸˜o de
ca ca
esperan¸a
c
µB (t) = E [Bt ] = 0, t ≥ 0,
e como os incrementos Bs − B0 = Bs e Bt − Bs s˜o independentes para
a
t > s, sua fun¸˜o de covariˆncia ´
ca a e
2
cB (t, s) = E [[(Bt − Bs ) + Bs ]Bs ] = E [(Bt − Bs )Bs ] + E [Bs ]
= E (Bt − Bs )E [Bs ] + s = 0 + s = s, 0 ≤ s < t.
Th´rsis T. P. Souza (USP)
a Introdu¸˜o ` Simula¸˜o Estoc´stica
ca a ca a 29 de outubro de 2012 12 / 36
13. Movimento Browniano com Drift
Defini¸˜o [Mikosch, 1999]
ca
Considere o processo
Xt = µt + σBt , t ≥ 0,
com constantes σ > 0 e µ ∈ R. X ´ chamado de Movimento Browniano
e
com drift (linear) e possui as seguintes fun¸˜es de esperan¸a e covariˆncia,
co c a
respectivamente
µX (t) = µt e cX (t, s) = σ 2 s, s, t ≥ 0 com s < t
Th´rsis T. P. Souza (USP)
a Introdu¸˜o ` Simula¸˜o Estoc´stica
ca a ca a 29 de outubro de 2012 13 / 36
14. Movimento Browniano Geom´trico
e
Defini¸˜o [Mikosch, 1999]
ca
Considere o processo
Xt = e µt+σBt , t ≥ 0,
com constantes σ > 0 e µ ∈ R. X ´ chamado de Movimento Browniano
e
Geom´trico e possui as seguintes fun¸˜es de esperan¸a e covariˆncia,
e co c a
respectivamente
2 )t
µX (t) = e (µ+0.5σ e
(µ+0.5σ 2 )(t+s) 2 s−1
cX (t, s) = e (e σ ), s, t ≥ 0 com s < t
Th´rsis T. P. Souza (USP)
a Introdu¸˜o ` Simula¸˜o Estoc´stica
ca a ca a 29 de outubro de 2012 14 / 36
15. Agenda
1 Preliminares
2 Equa¸˜es Diferenciais Estoc´sticas
co a
3 Solu¸˜es Num´ricas
co e
Th´rsis T. P. Souza (USP)
a Introdu¸˜o ` Simula¸˜o Estoc´stica
ca a ca a 29 de outubro de 2012 15 / 36
16. Integral de Itˆ
o
Considere a seguinte equa¸˜o
ca
t t
X (t) = X (0) + a(X (τ ), τ )dτ + b(X (τ ), τ )dW (τ ) (1)
0 0
Em um intervalo infinitesimal, podemos re-escrever essa equa¸˜o em sua
ca
forma diferencial:
dX (t) = a(X (t), t)dt + b(X (t), t)dW (t), (2)
onde W (t) representa um processo de Wiener e a(X (t), t) e b(X (t), t)
s˜o, respectivamente, a m´dia instantˆnea e desvio padr˜o instantˆneo.
a e a a a
Th´rsis T. P. Souza (USP)
a Introdu¸˜o ` Simula¸˜o Estoc´stica
ca a ca a 29 de outubro de 2012 16 / 36
17. Integral de Itˆ
o
Genericamente, podemos escrever
t t
X (t) = X (0) + A(τ )dτ + B(τ )dW (τ ), (3)
0 0
onde A(τ ) e B(τ ) s˜o fun¸˜es de X (τ ) para 0 ≤ τ ≤ t.
a co
Estamos interessados no caso em que
t t
E [|A(τ )|]dτ + E [|B(τ )|2 ]dτ < ∞ (4)
0 0
Processos que s˜o solu¸˜es dessa equa¸˜o s˜o chamados de Processos de
a co ca a
Itˆ.
o
Th´rsis T. P. Souza (USP)
a Introdu¸˜o ` Simula¸˜o Estoc´stica
ca a ca a 29 de outubro de 2012 17 / 36
18. Integral de Itˆ
o
Defini¸˜o [Soumar´, 2008]
ca e
A integral de Itˆ ´ definida como
oe
t n−1
t
B(τ )dW (τ ) = lim B(tk )[W (tk+1 ) − W (tk )], onde tk = k (5)
0 n→∞ n
k=0
Nota
No caso particular onde B(t) ´ uma fun¸˜o determin´
e ca ıstica, essa integral ´
e
chamada de Integral de Wiener.
Th´rsis T. P. Souza (USP)
a Introdu¸˜o ` Simula¸˜o Estoc´stica
ca a ca a 29 de outubro de 2012 18 / 36
19. Lema de Itˆ
o
Considere X um processo uni-dimensional definido como:
dX (t) = a(X (t), t)dt + b(X (t), t)dW (t). (6)
Seja Y (t) = g (t, X (t)), onde g ´ duplamente diferenci´vel e cont´
e a ınua.
Ent˜o, o Lema de Itˆ diz que
a o
∂g ∂g 1 ∂2g
dY = + a(X (t), t) + b 2 (X (t), t) 2 dt
∂t ∂x 2 ∂x
∂g
+ b(X (t), t) dW .
∂x
Th´rsis T. P. Souza (USP)
a Introdu¸˜o ` Simula¸˜o Estoc´stica
ca a ca a 29 de outubro de 2012 19 / 36
20. Lema de Itˆ
o
Similarmente ao caso uni-dimensional, a mesma regra aplica-se para o caso
multi-dimensional.
¯
Seja X ∈ Rn um vetor de vari´veis aleat´rias com processo definido como
a o
¯ ¯ ¯ ¯
d X (t) = A(X (t), t)dt + B(X (t), t)d W (t). (7)
¯ ¯ ¯
onde A(X (t), t) ∈ Rn , W ∈ Rn e B(X (t), t) ∈ Rn×m .
Fazendo
¯ ¯ ¯
Y (t) = g (t, X (t)) = (Y1 (t, . . . , Yd (t)))T (8)
com g : R × Rn → Rd , ent˜o o Lema de Itˆ generalizado ´
¯ a o e
∂gk ∂gk 1 ∂ 2 gk
dYk (t) = dt + dXi (t) + dXi (t)dXj (t) (9)
∂t ∂xi 2 ∂xi ∂xj
i i
Th´rsis T. P. Souza (USP)
a Introdu¸˜o ` Simula¸˜o Estoc´stica
ca a ca a 29 de outubro de 2012 20 / 36
21. Lema de Itˆ
o
Exemplo de aplica¸˜o do Lema de Itˆ
ca o
Deseja-se calcular a seguinte integral
t
W (τ )dW (τ )
0
Para isso, fazemos X (t) = W (t) e escolhemos g tal que
Y (t) =g (t, X (t))
1
= W 2 (t).
2
Th´rsis T. P. Souza (USP)
a Introdu¸˜o ` Simula¸˜o Estoc´stica
ca a ca a 29 de outubro de 2012 21 / 36
22. Lema de Itˆ
o
Aplicando o Lema de Itˆ, temos
o
1
dY (t) = W (t)dW (t) + dt.
2
Assim,
t
1
W (τ )dW (τ ) =Y (t) − Y (0) − t
0 2
1 2 1
= W (t) − t.
2 2
Th´rsis T. P. Souza (USP)
a Introdu¸˜o ` Simula¸˜o Estoc´stica
ca a ca a 29 de outubro de 2012 22 / 36
23. Processo Log-Normal
Considere o processo
dS = µSdt + σSdz,
onde µ e σ s˜o constantes e dz representa um processo de Wiener.
a
Definimos
Y = ln S
Pelo Lema de Itˆ, temos que o processo seguido por Y ´
o e
σ2
dY = µ− dt + σdz
2
Como µ e σ s˜o constantes, essa equa¸˜o indica que Y = ln S segue um
a ca
processo de Wiener. O mesmo possui, ent˜o, m´dia µ − σ 2 /2 e variˆncia
a e a
com taxa constante σ 2 .
Th´rsis T. P. Souza (USP)
a Introdu¸˜o ` Simula¸˜o Estoc´stica
ca a ca a 29 de outubro de 2012 23 / 36
24. Processo Log-Normal
O incremento em ln S de um tempo 0 a um tempo futuro T segue,
portanto, uma distribui¸˜o normal com m´dia (µ − σ 2 /2)T e variˆncia
ca e a
σ 2 T . Isso significa que
ln ST − ln S0 ∼ N ( µ − σ 2 /2 T , σ 2 T ).
ou
ln ST ∼ N (ln S0 + µ − σ 2 /2 T , σ 2 T ).
Esse ´ um processo comumente utilizado para descrever a dinˆmica de
e a
ativos financeiros.
Th´rsis T. P. Souza (USP)
a Introdu¸˜o ` Simula¸˜o Estoc´stica
ca a ca a 29 de outubro de 2012 24 / 36
25. Processo de Ornstein-Uhlenbeck
Seja X um processo aleat´rio representado por
o
dX (t)
= −aX (t) + bξ(t),
dt
dW (t)
onde ξ segue uma distribui¸˜o normal. Se fizermos ξ(t) =
ca dt com
W (t) sendo um processo de Wiener, ent˜o
a
dX (t) = −aX (t)dt + bdW (t).
A resolu¸˜o dessa equa¸˜o diferencial implica em
ca ca
t
X (t) = X (0)e −at + e −a(t−s) bW (s)
0
Em finan¸as, esse ´ um processo de revers˜o ` m´dia muito comum para
c e a a e
descrever a dinˆmica de taxas de juros e volatilidades estoc´sticas de
a a
retornos de ativos.
Th´rsis T. P. Souza (USP)
a Introdu¸˜o ` Simula¸˜o Estoc´stica
ca a ca a 29 de outubro de 2012 25 / 36
26. Agenda
1 Preliminares
2 Equa¸˜es Diferenciais Estoc´sticas
co a
3 Solu¸˜es Num´ricas
co e
Th´rsis T. P. Souza (USP)
a Introdu¸˜o ` Simula¸˜o Estoc´stica
ca a ca a 29 de outubro de 2012 26 / 36
27. Solu¸oes Num´ricas de Equa¸oes Diferenciais Estoc´sticas
c˜ e c˜ a
Considere a seguinte equa¸˜o diferencial estoc´stica
ca a
dS(t) = a(S(t), t)dt + b(S(t), t)W (t), t ∈ (0, T ]
(10)
S(0) = S0
onde b : Rd × [0, T ] → Rd ´ conhecido e W (·) representa um processo de
e
Wiener.
Seja
t t
S i+1 (t) = S0 + a(S i (r ))du b(S i (r ))dW (u) (11)
0 0
para i ≥ 1 e S 0 = S0 . Ent˜o, S i → S quando i → ∞, onde S ´ a solu¸˜o
a e ca
da equa¸˜o 10.
ca
Th´rsis T. P. Souza (USP)
a Introdu¸˜o ` Simula¸˜o Estoc´stica
ca a ca a 29 de outubro de 2012 27 / 36
28. Solu¸oes Num´ricas de Equa¸oes Diferenciais Estoc´sticas
c˜ e c˜ a
Assim, a equa¸˜o 11 fornece uma forma de obten¸˜o de uma solu¸˜o
ca ca ca
num´rica da equa¸˜o 10.
e ca
H´ dois m´todos principais na literatura de como aproximar as
a e
integrais enunciadas: a Discretiza¸˜o de Euler e a Discretiza¸˜o de
ca ca
Milstein.
Th´rsis T. P. Souza (USP)
a Introdu¸˜o ` Simula¸˜o Estoc´stica
ca a ca a 29 de outubro de 2012 28 / 36
29. Discretiza¸˜o de Euler
ca
Para N ∈ N, seja h = T . Denotemos Si , Wi , ai para o i-´simo componente
N e
de S, W , a e bij para a ij-´sima entrada de b.
e
Seja
(k+1)h
Si ((k + 1)h) =Si (kh) + ai (S(u))du
kh
m (k+1)h
+ bij (S(u))dWj (u)
j kh
Th´rsis T. P. Souza (USP)
a Introdu¸˜o ` Simula¸˜o Estoc´stica
ca a ca a 29 de outubro de 2012 29 / 36
30. Discretiza¸˜o de Euler
ca
Na discretiza¸˜o de Euler, a integral ´ aproximada como
ca e
(k+1)h
ai (S(u))du ≈ ai (S(kh))h (12)
kh
e a Integral de Itˆ como
o
(k+1)h
bij (S(u))dWj (u) ≈ bij (S(kh))[Wj ((k + 1)h) − Wj (kh)] (13)
kh
Th´rsis T. P. Souza (USP)
a Introdu¸˜o ` Simula¸˜o Estoc´stica
ca a ca a 29 de outubro de 2012 30 / 36
31. Discretiza¸˜o de Milstein
ca
A diferen¸a da Discretiza¸˜o de Milstein para Discretiza¸˜o de Euler
c ca ca
est´ na forma como a Integral de Itˆ ´ aproximada.
a oe
Na Discretiza¸˜o de Euler, n˜o s˜o considerados os termos de maior
ca a a
ordem na s´rie de expans˜o de Taylor da Integral de Itˆ, enquanto
e a o
que a Discretiza¸˜o de Milstein os consideram.
ca
Isso faz com que o esquema de Milstein seja mais preciso e tenha
maior taxa de convergˆncia.
e
Th´rsis T. P. Souza (USP)
a Introdu¸˜o ` Simula¸˜o Estoc´stica
ca a ca a 29 de outubro de 2012 31 / 36
32. Discretiza¸˜o de Milstein
ca
Para N ∈ N, seja h = T . Denotemos Si , Wi , ai para o i-´simo componente
N e
de S, W , a e bij para a ij-´sima entrada de b.
e
Seja
(k+1)h
Si ((k + 1)h) =Si (kh) + ai (S(u))du
kh
m (k+1)h
+ bij (S(u))dWj (u)
j kh
Th´rsis T. P. Souza (USP)
a Introdu¸˜o ` Simula¸˜o Estoc´stica
ca a ca a 29 de outubro de 2012 32 / 36
33. Discretiza¸˜o de Milstein
ca
Na discretiza¸˜o de Milstein, a integral ´ aproximada como
ca e
(k+1)h
ai (S(u))du ≈ ai (S(kh))h (14)
kh
e a Integral de Itˆ como
o
(k+1)h
bij (S(u))dWj (u) ≈ bij (S(kh))[Wj ((k + 1)h) − Wj (kh)]
kh
d d (k+1)h
∂bij
+ (S(kh))blm [Wm (u) − Wm (kh)]dWj (u)
∂xl kh
l=1 m=1
Th´rsis T. P. Souza (USP)
a Introdu¸˜o ` Simula¸˜o Estoc´stica
ca a ca a 29 de outubro de 2012 33 / 36
34. Solu¸oes Num´ricas de Equa¸oes Diferenciais Estoc´sticas
c˜ e c˜ a
Exemplo de Discretiza¸˜o
ca
Se tomarmos a(S(t), t) = µSt e b(S(t), t) = σSt na Equa¸˜o 10, ent˜o
ca a
chegamos ao seguinte modelo
dSt = µSt dt + σSt W (t), t ∈ (t0 , T ]
(15)
S(t0 ) = S0
Th´rsis T. P. Souza (USP)
a Introdu¸˜o ` Simula¸˜o Estoc´stica
ca a ca a 29 de outubro de 2012 34 / 36
35. Solu¸oes Num´ricas de Equa¸oes Diferenciais Estoc´sticas
c˜ e c˜ a
Os poss´
ıveis valores assumidos por ST s˜o, ent˜o, gerados ao sub-dividir o
a a
−t
tempo T − t0 em M passos temporais discretos de tamanho δt = TM 0 .
Assim, pela discretiza¸˜o de Euler chegamos a
ca
√
Si+1 = Si + µSi δt + σSi δtx (16)
Utilizando a discretiza¸˜o de Milstein temos
ca
√ 1
Si+1 = Si + µSi δt + σSi δtx + σ 2 Si (δtx 2 − δt) (17)
2
onde x ∼ N (0, 1) e i = 1, . . . , M.
Th´rsis T. P. Souza (USP)
a Introdu¸˜o ` Simula¸˜o Estoc´stica
ca a ca a 29 de outubro de 2012 35 / 36
36. Referˆncias
e
Mikosch, T. (1999)
Elementary Stochastic Calculus With Finance in View. Advanced Series on
Statistical Science and Applied Probability, Vol 6.
Huynh, H. T. and Lai, V. S. and Soumar´, S. (2008)
e
Stochastic Simulation and Applications in Finance with MATLAB Programs. Wiley,
1 edition.
Th´rsis T. P. Souza (USP)
a Introdu¸˜o ` Simula¸˜o Estoc´stica
ca a ca a 29 de outubro de 2012 36 / 36