( PDF ) A importância da volatilidade no mercado financeiro brasileiro

Download PDF

ads:

CARLOS ALBERTO ARAGÓN DE PLANAS

A IMPORTÂNCIA DA VOLATILIDADE

NO MERCADO FINANCEIRO BRASILEIRO

UERJ / FCE

2006

ads:

Livros Grátis

http://www.livrosgratis.com.br

Milhares de livros grátis para download.

A IMPORTÂNCIA DA VOLATILIDADE

NO MERCADO FINANCEIRO BRASILEIRO

CARLOS ALBERTO ARAGÓN DE PLANAS

Dissertação apresentada à Faculdade de Ciências

Econômicas da Universidade do Estado do Rio de

Janeiro para obtenção do título de Mestre em

Ciências Econômicas. Área de Concentração:

Economia Internacional.

RIO DE JANEIRO

Estado do Rio de Janeiro – Brasil

Junho – 2006

ads:

iii

A IMPORTÂNCIA DA VOLATILIDADE

NO MERCADO FINANCEIRO BRASILEIRO

CARLOS ALBERTO ARAGÓN DE PLANAS

Orientador: Prof. LÉO DA ROCHA FERREIRA

Co-orientador: Prof. GERSON LACHTERMACHER

Dissertação apresentada à Faculdade de Ciências

Econômicas da Universidade do Estado do Rio de

Janeiro para obtenção do título de Mestre em

Ciências Econômicas. Área de Concentração:

Economia Internacional.

RIO DE JANEIRO

Estado do Rio de Janeiro – Brasil

Junho – 2006

Dedico esta dissertação em memória ao meu pai,

José Planas, pela compreensão e carinho nos

momentos que deixei de estar ao seu lado para que

este sonho fosse realizado, sem perceber que aquelas

seriam nossas últimas oportunidades de estarmos

juntos.

AGRADECIMENTOS

À Deus pela saúde, força e proteção ao longo desta trajetória;

À minha mãe pela compreensão, carinho e apoio constantes, e principalmente,

pela sua presença nos momentos mais difíceis;

À minha esposa por estar sempre ao meu lado me incentivando e acreditando no

alcance deste objetivo, jamais permitindo que as dificuldades criadas pela vida

impedissem mais esta conquista;

À minha irmã e familiares por compreenderem o motivo de minha ausência em

alguns momentos de suas vidas;

Ao querido amigo Manuel Sanchez De La Cal, pela orientação, motivação e

otimismo ao longo do curso;

Ao amigo Hélcio Fajardo Henriques por permitir a realização de mais este

sonho, contribuindo para meu desenvolvimento profissional e pelo apoio, sem o qual

nada disso seria possível;

Ao amigo Ricardo Pinto Nogueira pela compreensão e colaboração, ao longo

desta trajetória, tornando possível a conclusão deste curso;

Ao professor e orientador Léo da Rocha Ferreira pela paciência, estímulo e

atenção durante a elaboração deste estudo, revisando os textos e enriquecendo-os com

robustas sugestões, sem o qual não seria possível realizá-lo;

Ao professor Gerson Lachtermacher pela atenção e apoio, dedicando diversos

momentos a fim de me transmitir conhecimentos, e por ter delineado, juntamente

comigo, os rumos desta dissertação, cruciais para o seu desenvolvimento e conclusão;

Aos demais professores do Programa de Pós-Graduação em Ciências

Econômicas, pelos conhecimentos adquiridos;

Aos meus colegas de mestrado por dividirmos momentos de incertezas e

alegrias;

Aos demais amigos da BOVESPA, pelo carinho com que me receberam e

agradável convivência dentro e fora do trabalho.

vii

"A mente que se abre a uma nova idéia

jamais voltará ao seu tamanho original."

Albert Einstein

viii

SUMÁRIO

LISTA DE ABREVIATURAS OU SIGLAS................................................................. xii

LISTA DE FIGURAS ................................................................................................... xiii

LISTA DE

TABELAS .................................................................................................xiiii

LISTA DE ANEXOS .................................................................................................. xivv

RESUMO ....................................................................................................................... xv

ABSTRACT ................................................................................................................. xvii

1. INTRODUÇÃO....................................................................................................... xviii

1.1. O problema e sua relevância................................................................................ 19

1.2. Objetivos.............................................................................................................. 20

1.3. Estrutura do Trabalho.......................................................................................... 22

2. REVISÃO DA LITERATURA.................................................................................. 25

3. VOLATILIDADE ...................................................................................................... 29

3.1. Definições Básicas............................................................................................... 30

3.2. Tipos e Características......................................................................................... 32

3.3. Estimando a Volatilidade .................................................................................... 33

3.3.1. Estimador não viesado de mínima variância uniforme ................................ 35

3.3.2. Estimador de máxima verossimilhança ........................................................ 36

3.3.3. Estimador de média móvel exponencialmente ponderada ........................... 37

3.3.4. ARCH........................................................................................................... 39

3.3.5. GARCH ........................................................................................................ 41

3.4. Previsão de Volatilidade...................................................................................... 42

3.4.1. Previsão de Volatilidade Histórica ............................................................... 43

3.4.2. Volatilidade Implícita................................................................................... 45

3.4.3. Volatilidade Implícita versus Volatilidade Histórica ................................... 46

4. TAXA DE CÂMBIO.................................................................................................. 48

4.1. A importância da taxa de câmbio ........................................................................ 48

4.2. Regime cambial................................................................................................... 50

4.3. Evolução da política cambial brasileira............................................................... 51

4.4. Impacto da volatilidade da taxa de câmbio sobre o mercado.............................. 68

5. OPÇÕES..................................................................................................................... 71

5.1. Conceito e tipos de opções .................................................................................. 72

5.2. Classificação das opções e suas características................................................... 73

5.3. Contrato de Opção versus Contrato Futuro......................................................... 76

5.4. Valores que influenciam no preço de uma opção................................................ 77

5.4.1. Preço do ativo-objeto.................................................................................... 77

5.4.2. Preço de exercício da opção ......................................................................... 78

5.4.3. Prazo de vencimento da opção ..................................................................... 78

5.4.4. Taxa de juro livre de risco............................................................................ 79

5.4.5. Volatilidade do preço do ativo-objeto .......................................................... 79

5.4.6. Smile de volatilidade .................................................................................... 81

5.5. Modelo de Black & Scholes................................................................................ 82

5.6. Redes Neurais Artificiais..................................................................................... 89

5.6.1. Introdução..................................................................................................... 91

5.6.2. Histórico ....................................................................................................... 92

5.6.3. O Neurônio Artificial ................................................................................... 97

5.6.4. Função de Ativação .................................................................................... 100

5.6.5. Topologia das Redes Neurais Artificiais.................................................... 103

5.6.6. Arquitetura.................................................................................................. 107

5.6.7. Processo de Aprendizagem......................................................................... 109

5.6.8. Redes Multilayer Perceptron ..................................................................... 112

5.6.9. Algoritmo Backpropagation ....................................................................... 113

5.6.10. Conclusão ................................................................................................. 119

6. METODOLOGIA E ANÁLISE DOS RESULTADOS EMPÍRICOS..................... 121

6.1. Introdução.......................................................................................................... 121

6.2. Dados................................................................................................................. 122

6.2.1. Ajustes no preço de exercício..................................................................... 123

6.2.2. Tempo até o vencimento da opção ............................................................. 124

6.2.3. Volatilidade do preço da ação .................................................................... 124

6.2.4. Taxa de juro livre de risco.......................................................................... 125

6.2.5. Taxa de câmbio........................................................................................... 125

6.3. Definição do modelo de Redes Neurais ............................................................ 126

6.3.1. Fases para o desenvolvimento de uma Rede Neural Artificial................... 126

6.3.2. Análise de modelos de Redes Neurais........................................................ 128

6.4. Arquitetura da Rede Neural............................................................................... 131

6.5. Comparação entre os modelos........................................................................... 132

6.5.1. Grupo de previsão....................................................................................... 132

6.5.2. Grupo de treinamento................................................................................. 134

6.6. Análise dos Resultados Empíricos .................................................................... 135

6.6.1. Modelo Black & Scholes versus Redes Neurais Artificiais ....................... 136

7. CONCLUSÕES E RECOMENDAÇÕES................................................................ 145

8. REFERÊNCIAS BIBLIOGRÁFICAS ..................................................................... 149

LISTA DE ABREVIATURAS OU SIGLAS

ARCH

Autoregressive Conditional Heteroskedasticity

BACEN Banco Central do Brasil

BIRD Banco Internacional de Reconstrução e Desenvolvimento

BM&F Bolsa de Mercadorias & Futuros

BMS Black-Merton-Scholes

BOVESPA Bolsa de Valores de São Paulo

CETIP Central de Custódia e de Liquidação Financeira de Títulos

DI Depósito Interfinanceiro

FMI Fundo Monetário Internacional

GARCH

General Autoregressive Conditional Heteroskedasticity

IOF Imposto sobre Operações Financeiras

ITM

In the money

LTF Letra do Tesouro Federal

MERCOSUL Mercado Comum do Sul

MLP Redes Multilayer Perceptron

MSE

Mean Squared Error

OTM

Out of the money

PN Ações Preferenciais Nominativas

RNA Redes Neurais Artificiais

URV Unidade de Referência de Valor

xii

LISTA DE FIGURAS

Figura 1 – Modelo de McCullock e Pitts (1943)............................................................ 98

Figura 2 – Modelo de um Neurônio Artificial................................................................ 99

Figura 3 – Rede Neural Artificial Não-Recorrente ...................................................... 104

Figura 4 – Rede Neural Artificial Recorrente .............................................................. 105

Figura 5 – Modelo de uma Rede Neural de camada única........................................... 107

Figura 6 – Modelo de uma Rede Neural de múltiplas camadas ................................... 108

Figura 7 – Rede Neural Artificial Multilayer Perceptron............................................ 112

Figura 8 – Fases do desenvolvimento de uma Rede Neural Artificial. ........................ 127

xiii

LISTA DE TABELAS

Tabela 1 – Estimativas para a volatilidade da Cia Vale do Rio Doce (Vale PN)........... 44

Tabela 2 – Grupos de moneyness das opções e suas características............................... 75

Tabela 3 – Efeitos no valor da opção ............................................................................. 82

Tabela 4 – Parâmetros considerados no processo de construção e avaliação das Redes

Neurais........................................................................................................ 131

Tabela 5 – Séries de opções escolhidas para apreçamento pelas RNA’s e Black &

Scholes........................................................................................................ 133

Tabela 6 – Resultados dos EAM, EQM, REQM nos apreçamentos das séries de opções

fora do preço calculadas pelos modelos de Black & Scholes e Redes Neurais

Artificiais.................................................................................................... 136

Tabela 7 – Resultados dos EAM, EQM, REQM nos apreçamentos das séries de opções

no preço calculadas pelos modelos de Black & Scholes e Redes Neurais

Artificiais.................................................................................................... 138

Tabela 8 – Resultados dos EAM, EQM, REQM nos apreçamentos das séries de opções

dentro do preço calculadas pelos modelos de Black & Scholes e Redes

Neurais Artificiais ...................................................................................... 139

Tabela 9 – Resultados dos EAM, EQM, REQM nos apreçamentos das séries de opções

fora do preço calculadas pelas RNA’s e RNA’s_US$ ............................... 140

Tabela 10 – Resultados dos EAM, EQM, REQM nos apreçamentos das séries de opções

no preço calculadas pelas RNA’s e RNA’s_US$....................................... 141

Tabela 11 – Resultados dos EAM, EQM, REQM nos apreçamentos das séries de opções

dentro do preço calculadas pelas RNA’s e RNA’s_US$............................ 142

Tabela 12 – Número de acertos entre B&S/RNA e RNA/RNA_US$.......................... 143

xiv

LISTA DE ANEXOS

ANEXO 1 - Gráfico gerado pelo software Neural Net Analizer da série de opçoes de

abril out the money com modelo de RNA_US$ na qual se aplicou o corte do early

stopping quando a linha de treinamento cortou a linha de validação........................... 154

ANEXO 2 – Gráfico gerado pelo software Neural Net Analizer da série de opçoes de

fevereiro in the money com modelo de Rede Neural Artificial na qual foi aplicado o

corte do early stopping uma vez que as duas linhas de validação e treinamento tendiam

ao infinito paralelamente. ............................................................................................. 155

ANEXO 3 – Gráfico gerado pelo software Neural Net Analizer da série de opções de

janeiro out the money com modelo de RNA_US$ onde ocorre a convergência das linhas

de validação e treinamento. .......................................................................................... 156

ANEXO 4 - Tela Training Track Board do software Neural Net Analizer na qual foram

definidos para cada grupo de cada vencimento os parâmetros de treinamento da Rede

Neural Artificial e a topologia utilizada, demonstrando o resultado através do erro

quadrado mínimo na saída (MSE on out put), após o treinamento de 50.000 épocas, para

uma série de janeiro, fora do preço, sem a variável Dólar. .......................................... 157

ANEXO 5 – Tela Training Track Board do software Neural Net Analizer na qual foram

definidos para cada grupo de cada vencimento os parâmetros de treinamento da Rede

Neural Artificial e a topologia utilizada, demonstrando o resultado através do erro

quadrado mínimo na saída (MSE on out put), após o treinamento de 100.000 épocas,

para uma série de fevereiro, no preço, com a variável Dólar....................................... 158

A IMPORTÂNCIA DA VOLATILIDADE

NO MERCADO FINANCEIRO BRASILEIRO

Autor: CARLOS ALBERTO ARAGÓN DE PLANAS

Orientador: Prof. LÉO DA ROCHA FERREIRA

Co-orientador: Prof. GERSON LACHTERMACHER

RESUMO

A presente dissertação tem por objetivo verificar a influência da volatilidade da

taxa de câmbio no cálculo do apreçamento de opções através da técnica das Redes

Neurais, posto não ser possível a aplicação desta variável no Modelo de Black &

Scholes em razão das limitações por este apresentadas. Para tanto, utilizou-se séries

históricas das ações preferenciais da empresa Telemar Participações S.A.,

correspondentes ao período de 02 de janeiro de 2004 a 30 de maio de 2006, obtidos

diretamente da Bolsa de Valores de São Paulo. Dentre as variáveis utilizadas somente a

volatilidade precisou ser estimada, utilizando-se para isso o tipo da volatilidade histórica

sendo a forma de estimação o estimador não viesado de mínima variância uniforme.

Propôs-se o desenvolvimento de uma Rede Neural feedforward, multicamada, com

algoritmo de treinamento backpropagation para realizar a previsão de preços das opções

da empresa analisada. O modelo desenvolvido apresentou, em seus resultados,

estimativas de retornos aproximadas dos valores reais, principalmente quando

acrescentada a taxa de câmbio, confirmando a assertiva de que as Redes Neurais são

superiores ao Modelo Black & Scholes no apreçamento de opções. Em suma, a inclusão

da variável cambial na técnica das Redes Neurais acarreta melhora no apreçamento de

opções ativo, devendo ser levada em consideração.

xvi

A IMPORTÂNCIA DA VOLATILIDADE

NO MERCADO FINANCEIRO BRASILEIRO

Autor: CARLOS ALBERTO ARAGÓN DE PLANAS

Orientador: Prof. LÉO DA ROCHA FERREIRA

Co-orientador: Prof. GERSON LACHTERMACHER

ABSTRACT

xvii

1. INTRODUÇÃO

A volatilidade, tema muito bem difundido nos mercados dos países mais

desenvolvidos e de recente aplicabilidade no mercado financeiro brasileiro, permite

analisar o risco de determinados mercados e auxiliar a determinação de preços de

derivativos, principalmente de opções.

Estudos em finanças afirmam que em países onde a volatilidade é baixa, o risco

e o retorno também tendem a ser baixos.

Esta afirmativa não é necessariamente

verdadeira quando se trata do mercado financeiro brasileiro, em que as taxas de juros

são altíssimas.

Neste contexto, cumpre destacar, por oportuno, que o conceito de risco se difere

do conceito de volatilidade. Entendida por alguns como desvio padrão dos retornos de

determinados ativos, a correta estimativa da volatilidade auxilia o investidor no

gerenciamento de risco, na negociação de opções, no desenvolvimento de novos

produtos e na determinação de preços de derivativos de forma geral. A volatilidade é,

portanto, o parâmetro matemático que calcula a incerteza dos mercados. Sem

volatilidade não há retorno e, claro, sem oscilação dos mercados a oportunidade de

ganhos é extremamente limitada.

Alexandre Bourgeois (2005) afirma que, “no Brasil, o mercado tende a

considerar eventos prováveis como certos e eventos extremamente improváveis como

impossíveis.” Para ele, “temos várias provas, no mínimo uma vez por ano, que o

improvável torna-se bastante possível”. E esclarece que,

Sobre o assunto, ver Pinheiro (1996).

“risco é definir qual é o valor fixo em reais que você

pretende perder numa posição – antes de sair dela, espera-

se. Devolver parte do lucro para salvar o restante não é

risco, é volatilidade. Volatilidade existe, faz parte de

nossas vidas e permite oportunidade de ganhos maiores

que a média.” (BOURGEOIS, 2005)

Dados disponíveis sobre determinado ativo auxiliam o investidor na análise da

melhor opção de investimento, permitindo que escolha aquele com maior retorno dentre

os que possuem a mesma volatilidade, ou os que têm menor volatilidade dado o mesmo

retorno.

Assim, dependendo dos objetivos, dívidas e prazos dos seus investimentos,

mercados voláteis não representam necessariamente um grande risco. Mas, frisa-se que

ao escolher um determinado investimento, o que importa é analisar não apenas a

dimensão dos retornos potencialmente esperados, mas também os riscos potencialmente

envolvidos.

Atualmente o Brasil possui uma das mais altas taxas de volatilidades no mercado

financeiro mundial, apesar de sua constante queda devido à sua maior estabilidade

econômica. Sua importância é indiscutível para o desenvolvimento do mercado de

capitais do Brasil e do mundo e tem sido cada vez mais analisada e estudada por

pesquisadores.

Sabe-se que alterações políticas afetam a volatilidade em um país, o que poderá

gerar maior instabilidade no mercado e a conseqüente redução de investimentos. Nos

últimos anos, o Governo Brasileiro vem dispensando contínuos esforços para diminuir a

sensibilidade das variáveis macroeconômicas em relação a choques externos e cumprir

as metas de inflação, a fim de transmitir segurança ao mercado e contribuir para o

estímulo ao investimento e crescimento econômico do país.

1.1. O problema e sua relevância

A regra geral é que quanto maior o risco de um investimento, maior será o

retorno demandado pelo investidor, ou seja, quanto maior a volatilidade, maior o risco.

Neste sentido, a preocupação com as oscilações no mercado financeiro e a recente

importância dispensada ao estudo da volatilidade se tornam claras e justificáveis.

Neste contexto, uma das formas de demonstrar a importância da volatilidade é

através da análise do apreçamento de opções, razão pela qual passou a ser objeto de

estudo de várias pesquisas.

Ressalta-se, por oportuno, que o apreçamento de opções é tarefa importante para

a definição do comportamento do mercado de opções, exercendo influência sobre as

operações de hedge

, especulação e arbitragem.

Assim, no intuito de resolver o problema do apreçamento de opções e

demonstrar a importância atual da volatilidade no mercado financeiro, foi desenvolvido

por Fischer Black e Myron Scholes (1973) o modelo de determinação de preços de

opções chamado Black & Scholes, um dos mais utilizados em Finanças.

Neste modelo, caracterizado pela facilidade de utilização, o preço de uma opção

não depende do valor esperado da ação, mas exclusivamente da volatilidade da ação a

que ela se refere.

No entanto, alguns de seus pressupostos não foram confirmados na prática, o

que levou a diferenças significativas entre o valor da opção, calculado pelo modelo, e o

valor realmente verificado no mercado.

Opções são valores mobiliários derivativos que conferem ao seu titular o direito de comprar ou vender

um ativo a um preço futuro predeterminado, conforme será visto no capítulo 5 do presente estudo.

Operação que protege o investidor contra variação brusca das cotações.

Houve, assim, a necessidade de um modelo alternativo que demonstrasse reais

resultados no cálculo do apreçamento de opções. Neste sentido, a utilização de Redes

Neurais surge como importante alternativa aos modelos já propostos, principalmente se

considerarmos a dificuldade em especificar um modelo de apreçamento de opções que

estabeleça, satisfatoriamente, as relações entre as diferentes variáveis envolvidas.

As Redes Neurais desenvolvem modelos matemáticos intrínsecos a partir de

dados empíricos do problema, por meio de um processo de aprendizagem. Logo são

capazes de extrair as relações entre as diferentes variáveis do problema de forma

empírica, facilitando a descoberta dessas relações.

Sendo assim, a aplicação das Redes Neurais no apreçamento de opções, a ser

apresentada neste estudo, despertou o interesse de pesquisadores de diferentes áreas.

Trabalhos analisados sobre o tema são convergentes ao concluir que a técnica das Redes

Neurais é uma importante ferramenta para a compreensão do mercado de opções. No

entanto não foram encontrados estudos sobre a inclusão da taxa de câmbio nesta técnica

e sua influência no apreçamento de opções, despertando o interesse para o presente

estudo.

Dessa forma, considerando que a volatilidade é importante não só para apreçar

opções, mas também como medida de risco, torna-se necessária uma maior

compreensão do tema a fim de buscar maior retorno no mercado nacional.

1.2. Objetivos

Um dos objetivos deste estudo é verificar se a utilização de um modelo do

apreçamento de opções, baseado nas técnicas de Redes Neurais, é capaz de superar os

resultados do Modelo de Black & Scholes na determinação de preços de opções mais

condizentes com os preços realmente verificados no mercado brasileiro e se a

volatilidade da taxa de câmbio tem alguma influência nesse cálculo.

Seus objetivos específicos são:

 Avaliar os estudos realizados por pesquisadores e seus respectivos

resultados (revisão da literatura recente);

 Comparar os estudos apresentados e a visão de cada um deles;

 Especificar o conceito de volatilidade, bem como seus diferentes tipos, e

sua importância no mercado financeiro brasileiro.

 Utilizar a técnica das Redes Neurais no apreçamento de opções, como

melhor modelo para a tomada de decisões;

 Validar o modelo proposto, comparando-o ao Modelo de Black &

Scholes;

 Analisar a volatilidade da taxa de câmbio no modelo proposto, no

período determinado.

Os resultados da fórmula final para o apreçamento de opções, deverão mostrar se

o preço da opção depende ou não da volatilidade do câmbio.

Enfim, este estudo deverá explicar a importância da volatilidade, avaliando seus

efeitos no mercado financeiro como um todo e enfatizando que com eventuais

modificações na política nacional ou internacional haverá alterações econômicas

diversas como conseqüência de variações do risco-país.

Procura-se, assim, contribuir para o desenvolvimento da teoria das opções e na

ampliação do conhecimento sobre o mercado financeiro brasileiro, na medida em que

será apresentado testes empíricos à partir de dados recentes, não analisados

anteriormente e que se tornam objeto do presente trabalho.

Dessa forma, demonstraremos que devido à capacidade de desenvolver modelos

matemáticos intrínsecos a partir de dados empíricos, as Redes Neurais são utilizadas em

situações reais para as quais a dedução de modelo representativo é tarefa complexa.

1.3. Estrutura do Trabalho

Esta dissertação está organizada em oito capítulos, ordenados de forma

cronológica por assunto.

O primeiro capítulo compreende uma introdução do tema escolhido, ou seja,

uma abordagem geral do assunto, demonstrando sua importância e utilidade no atual

mercado financeiro nacional e internacional. Os objetivos também são apresentados e

descritos neste capítulo.

O segundo capítulo apresenta uma revisão dos estudos anteriores sobre o

assunto, que são de extrema importância na defesa da utilização das Redes Neurais

como melhor modelo para o apreçamento de opções.

O terceiro capítulo aborda, especificamente, a volatilidade: conceituando,

definindo, estimando e previsionando-a, e esclarecendo sua importância e finalidade.

O quarto capítulo relata breve estudo sobre a taxa de câmbio, apresentando a

evolução histórica da política cambial brasileira e seu impacto sobre a variabilidade da

taxa de câmbio.

Já o quinto capítulo trata do mercado de opções, explicando seu funcionamento,

a que e a quem se destinam e suas características. Apresenta ambos os modelos já

utilizados no apreçamento de opções, o Modelo Black & Scholes e o das Redes Neurais,

definindo-os e demonstrando suas premissas básicas. Neste capítulo cada modelo será

analisado separadamente, facilitando a compreensão e a percepção da diferença entre

eles.

Importante destacar que, para construir o modelo de apreçamento de opções

utilizando as Redes Neurais e compará-lo com o Modelo tradicional Black & Scholes

foram utilizadas séries históricas das ações preferenciais da empresa Telemar

Participações S.A., com registro de negociação de seus valores mobiliários na Bolsa de

Valores de São Paulo (BOVESPA).

Os dados relacionados às opções utilizados são: o preço do ativo-objeto, o preço

de exercício, o tempo até o vencimento, a volatilidade do preço do ativo-objeto e a taxa

de juro livre de risco. Para tanto foi aplicada a volatilidade histórica do preço da ação

utilizando o estimador não viesado de mínima variância uniforme já que o foco deste

estudo é analisar a influência da taxa de câmbio no apreçamento de opções.

Salienta-se que esses dados correspondem ao período de 02 de janeiro de 2004 a

30 de maio de 2006 e foram obtidos diretamente da BOVESPA. Já os dados relativos às

séries históricas das taxas de câmbio utilizados no estudo da volatilidade e os relativos à

taxa de juro livre de risco, foram obtidos através do Banco Central do Brasil e do

CETIP, respectivamente.

Os resultados desta pesquisa visam demonstrar a superioridade do modelo

baseado em Redes Neurais, em comparação com o Modelo Black & Scholes, no

apreçamento de opções fora do preço (out-of-the-money), no preço (at-the-money) e

dentro do preço (in-the-money), conforme comentado anteriormente, bem como

verificar se o câmbio afeta no cálculo do preço teórico da opção.

Assim, no sexto capítulo, é feita uma análise comparativa dos modelos

anteriormente estudados, comentando suas diferenças e demonstrando o porquê da

escolha do modelo das Redes Neurais para o apreçamento de opções e qual o impacto

da variabilidade do câmbio adicionado ao modelo proposto.

No penúltimo capítulo são apresentadas as considerações finais do presente

trabalho, tecendo comentários conclusivos do estudo realizado, como fruto da

aprendizagem adquirida no presente curso, bem como recomendações para futuras

pesquisas.

Por fim, no oitavo capítulo, como não poderia deixar de ser, é apresentada a

bibliografia utilizada, cruciais na formulação do tema e desenvolvimento do estudo.

2. REVISÃO DA LITERATURA

Desenvolvido em conjunto por Fischer Black e Myron Scholes (1973), o

Modelo então denominado Black & Scholes foi o precursor das teorias de valorização

para determinar o preço ou prêmio de opções de compra e venda européias sobre ações

sem dividendos, sendo considerado um dos modelos mais utilizados e de maior sucesso

em finanças.

No entanto, apesar do sucesso inicial, que se justifica pela facilidade de sua

aplicação, na prática algumas de suas premissas não foram constatadas, ocorrendo, em

determinadas situações, diferenças significativas entre os valores calculados mediante o

modelo e os realmente verificados no mercado.

Dessa forma, várias foram as tentativas em construir um modelo que

conseguisse alcançar um resultado condizente com a realidade. Hull e White (1987),

Scott (1987), e Wiggins (1987) desenvolveram um modelo de volatilidade estocástica,

em que a volatilidade do preço da ação é considerada incerta. Geske (apud Hull, 1998),

desenvolveu em 1979 um modelo baseando-se na idéia de que a ação de uma empresa

alavancada pode ser considerada uma opção de compra sobre o valor da empresa,

contrariando a hipótese de mudança contínua dos preços da ação.

Segundo Hull (1998), em 1973 Merton propôs um modelo que substituía a taxa

de juro do Modelo Black & Scholes por uma taxa de juro, R(t,T), de um título sem risco,

que vence no mesmo instante T do vencimento da opção; além de realizar mudanças no

cálculo da volatilidade.

De acordo com Freitas (2002), em 1976, Merton, e posteriormente, Cox, Ross e

Rubinstein (1979), desenvolveram modelos baseados em comportamento dos preços das

ações, caracterizados por saltos ou descontinuidades.

Outra alternativa ao Modelo de Black & Scholes foi apresentada em 1994, por

Rubinstein, Derman e Kani, e Dupire, que consiste na construção de árvores binomiais

ou trinomiais ajustadas aos preços observados na data da análise, o que permite prever o

comportamento da volatilidade futura, conforme comenta Adler (1999).

Neste contexto, Freitas (2002) relata os modelos citados por Bakshi, Chao e

Chen, em 1997, como o modelo de taxa de juro estocástica de Amim e Jarrow (1992),

os modelos de difusão por saltos/saltos puros de Bates (1996) e de Madan e Chang

(1996), o modelo de elasticidade constante da volatilidade de Cox e Ross (1976), os

modelos Markovianos de Ait-Shalaia e Lo (1996), os modelos de volatilidade

estocástica de Heston (1993), Melino e Turnbull (1990, 1995), Stein and Stein (1991),

os modelos de volatilidade estocástica e taxa de juro estocástica de Amin e NG (1993),

Bailey e Stulz (1989), Bakshi e Ghen (1997a,b) e Scott (1997) e os modelos de difusão

por salto da volatilidade estocástica de Bates (1996a,b) e Scott (1997). Segundo ele,

Bakshi, Chao e Chen desenvolveram um modelo de avaliação de opções européias que

inclui outros modelos de apreçamento como casos especiais às equações propostas.

De acordo com Hull (1998), além dos procedimentos numéricos que envolvem o

uso de árvores, como o proposto por Cox, Ross e Rubinstein, em 1979, também são

utilizados na avaliação de opções o método de diferenças finitas e a simulação de Monte

Carlo. Segundo ele, na avaliação de derivativos utilizando o método de diferenças

finitas, a equação diferencial satisfeita pelo derivativo é convertida em equações de

diferença, que são resolvidas iterativamente. No caso da simulação de Monte Carlo, são

geradas amostras das diferentes trajetórias que podem ser seguidas pelas variáveis que

influenciam o preço do derivativo. Conforme comenta Freitas (2002), a estimativa do

preço da opção será a média aritmética dos retornos calculados para cada trajetória e

descontada a taxa de juro livre de risco.

Importante destacar que alguns modelos citados foram aplicados no mercado de

opções brasileiro, como o método de árvores binomiais implícitas, proposto por

Rubinstein (1994) e analisado por Adler (1999), utilizando os preços de opções dos

recibos de Telebrás no período de 2 de março a 16 de abril de 1999. Comparado ao

Modelo de Black & Scholes, não se pôde chegar a nenhuma conclusão quanto à

superioridade de um método sobre o outro, devido às pequenas diferenças obtidas; o

modelo genérico proposto por Bronstein (1999) para avaliação de preços de opções

contemplando processos de difusão e salto, fazendo-se uma analogia com dividendos

concluiu-se, através dos resultados obtidos para o período posterior à crise cambial de

janeiro de 1999, que “para as opções fora do preço, o modelo não apresenta diferença

significativa em relação aos preços de mercado e supera o Modelo de Black &

Scholes”.

Outro estudo comparativo foi realizado por Vitiello Júnior (1998) com os

modelos de Black & Scholes e o de Cox e Ross em 1996. Neste, foram avaliadas todas

as opções lançadas na BOVESPA durante o período de outubro de 1994 a junho de

1997 e concluiu que o segundo se ajustou melhor às opções dentro do preço e o

primeiro às opções fora do preço e no preço.

Vargas e Pisciotto (1999) realizaram um estudo baseado em uma opção sobre

recibo da Telebrás com vencimento em 08 de fevereiro de 1999 utilizando os métodos

Ver Adler (1999).

de árvores trinomiais e o Modelo de Black & Scholes. A partir dos resultados obtidos,

concluíram que o método de árvores trinomiais mostrou ser eficiente e compatível com

o Modelo de Black & Scholes.

Nota-se, assim, que já foram apresentadas várias alternativas para o apreçamento

de opções visando substituir o Modelo Black & Scholes e obter resultados condizentes

com a realidade do mercado. Atualmente as Redes Neurais vem sendo o método

utilizado para apreçar opções em razão dos resultados obtidos, conforme será visto

adiante.

3. VOLATILIDADE

Conforme comentado anteriormente, a volatilidade pode ser entendida como a

dispersão de dados em torno de seu valor esperado. Logo, pode-se dizer que a

volatilidade representa uma medida de risco. Neste sentido, torna-se imprescindível

estimá-la a fim de se decidir a alocação de recursos.

Entretanto, tal fato não é tão fácil quanto parece em razão da ausência de estudos

pacíficos quanto ao modelo que deve ser utilizado para estimar a volatilidade e que seja

capaz de obter resultados condizentes com os verificados no mercado. Até porque, sabe-

se que existe uma gama de métodos elaborados por pesquisadores e que diferentes

modelos de volatilidade podem resultar em estimativas consideravelmente diferentes.

Importante esclarecer que, até meados dos anos 80, pesquisadores e analistas

financeiros usavam modelos nos quais a volatilidade era assumida constante no longo

prazo. Posteriormente, verificou-se que a volatilidade pode variar consideravelmente ao

longo do tempo, afinal possui como causa diversos fatores, tais como o fluxo de

informações, antecipadas ou não-antecipadas, e o processo de negociação dos ativos,

dentre outros. Assim, quanto mais incerto estiver o mercado frente a crises ou fato

exógenos, mais os preços dos ativos tendem a variar, implicando em maiores

possibilidades de ganhos ou perdas, diante do alto risco assumido.

3.1. Definições Básicas

Inicialmente, é necessário esclarecer determinados conceitos a fim de facilitar a

compreensão e análise de se estimar a volatilidade como desvio padrão dos retornos de

determinados ativos.

O primeiro conceito elencado por Pinheiro (1996) é o de distribuição normal.

Uma variável qualquer, denominada X, segue uma distribuição normal caso sua função

densidade de probabilidade seja:

)(

∞<<−∞=

⎜

⎝

⎛

⎟

⎠

⎞

−−

xeXf

πσ

onde

é a média e é a variância da distribuição. Ambos são parâmetros de

distribuição capazes de representar completamente a distribuição normal.

Importante esclarecer que, a função densidade de probabilidade tem seu pico na

média, formato semelhante ao de um sino, e é simétrica com relação a sua média, ou

seja,

),( ℜ∈∀+ xxf

O segundo conceito importante para o estudo da volatilidade, e elencado por

Pinheiro, é o de desvio padrão. Trata-se da raiz quadrada da variância (

representada apenas por

e nos informa qual a probabilidade de um resultado estar a

uma determinada distância da média. O desvio padrão de uma distribuição lognormal de

preços é definido como sua volatilidade e indicado em percentual.

Costa (1998) explica que “um ativo que exiba volatilidade para x dias igual a 2%

é um ativo que, em termos práticos, possui 68% de chance de ser encontrado, findos x

dias, entre 2% abaixo ou acima de seu valor mais provável”. Nas palavras de Pinheiro

(1996), “há 68% de probabilidade de um resultado distar um desvio padrão da média”.

E afirma que, “dada a simetria da distribuição normal, um valor tem 68% de

probabilidade de estar no seguinte intervalo:

”.

Esta volatilidade mede o nível de oscilação de um mercado, ou seja, “é a medida

de risco de um mercado”

. Conforme Costa (1998) esclarece, um mercado calmo

possui volatilidade baixa, já um mercado agitado, incerto, possui volatilidade alta, e

conseqüentemente, retornos maiores em razão do risco assumido pelo investidor.

Assim, quando pensamos em descrições da evolução de variáveis aleatórias no

tempo, ou seja, em processos estocásticos, surge a idéia de volatilidade. E, neste

sentido, torna-se importante esclarecer, ainda que seja de fácil percepção, que o

interesse do presente estudo está direcionado ao processo estocástico, em especial o

movimento Browniano.

Conforme bem define Pinheiro (1996), o movimento Browniano é um processo

que incorpora a idéia de movimentos puramente aleatórios, capturados por uma

distribuição normal. No entanto, ainda que interessante por suas características

, o

movimento Browniano não é adequado para preços, mas somente para retornos. Para

obter melhor resultado na análise do comportamento de preços sugere-se o processo de

difusão, no qual as variações nos preços são aleatórias, apesar de possuírem uma

tendência definida.

O processo de difusão pode ser definido da seguinte forma

Ver Costa (1998).

Pinheiro (1996) afirma que o movimento Browniano satisfaz duas suposições básicas: os retornos de um

determinado ativo seguem uma distribuição normal e de que mudanças nos preços são independentes

umas das outras. Para ele, mercado eficiente é aquele onde o preço de um ativo incorpora toda informação

disponível, o que faz com que as mudanças nos preços sejam imprevisíveis.

representa o movimento Browniano; dz

representa a tendência; e

é o chamado termo de volatilidade, que neste caso depende de t e

dzTXdttXdX ).(),(

Pinheiro (1996) destaca o seguinte modelo como o mais comum para preços de

ativos:

,dzdt

σµ

onde

SdS é o retorno instantâneo,

a tendência e

é a volatilidade.

Do exposto, chega-se à volatilidade, que nada mais é do que a parte da variação

dos preços que não é determinalística, pois, frisa-se, é o desvio padrão dos retornos de

determinados ativos

3.2. Tipos e Características

Conforme comentado anteriormente, existem dois tipos de volatilidade: a

volatilidade histórica (

historical volatility) e a volatilidade implícita (implied volatilty).

A volatilidade histórica de um ativo é determinada à partir de uma estimativa

baseada em dados históricos sobre variações do preço do referido ativo, ou seja,

depende da escolha de um modelo estatístico a ser aplicado aos dados históricos dos

retornos do ativo, que geralmente é um modelo de série de tempo. A volatilidade

histórica supõe que cenários passados tenderão a se repetir no futuro. Tal fato é

interpretado por analistas como uma desvantagem em relação aos outros tipos de

volatilidade.

Silva (1996) define volatilidade como “a variabilidade no preço do ativo subjacente de um contrato de

opção, e é definida como o desvio-padrão do logaritmo do preço do ativo-objeto expressado numa taxa

anual”. E afirma que “a expectativa de volatilidade é uma variável usada para a avaliação de preço ou

precificação de opções”.

Já a volatilidade implícita é obtida à partir da utilização de um modelo de

apreçamento de opções, ou seja, “é aquela que, mantendo os outros dados constantes,

devemos substituir no nosso modelo para obter como resultado um preço idêntico ao do

mercado de opções”

. Possui como principais características o fato do preço de uma

opção depender da volatilidade futura esperada ao longo do horizonte de sua

maturidade, bem como do modelo teórico de apreçamento de opções a ser utilizado.

Logo, esta pode variar dependendo das características da opção que estiver sendo

analisada. No entanto, ainda que aparentemente satisfatória, suas características são

interpretadas por muitos como certa desvantagem, ao depender da precisão do modelo

em uso, afinal se este apresentar defeitos interferirá no cálculo da volatilidade implícita.

Nota-se, assim, que a volatilidade não é diretamente observável no mercado,

podendo obter diferentes estimativas em ambos os casos. Logo, a volatilidade somente

poderá ser estimada e prevista no contexto de um modelo.

3.3. Estimando a Volatilidade

É de suma importância esclarecer, em princípio, que a volatilidade refere-se a

um lapso temporal que pode ser expresso em qualquer unidade de tempo, seja ele em

dia (volatilidade-dia), mês (volatilidade-mês), ano (volatilidade-ano) e período

(volatilidade-período). Sendo assim, para estimar a volatilidade deve-se inicialmente

definir o intervalo de tempo a ser analisado, ou seja, se fechamento diário, semanal,

mensal, etc.

Ver Pinheiro (1996).

Ressalta-se, por oportuno, que após o cálculo da volatilidade para a

periodicidade da série escolhida (diária, por exemplo) pode-se converter o número

calculado para uma outra unidade de medida conveniente (volatilidade-ano, por

exemplo) utilizando-se a seguinte expressão

..)%(252)( aadiaanual

σσ

×=

Nas palavras de Silva (1996), “para calcular a volatilidade, o desvio-padrão é

multiplicado pela raiz quadrada do período escolhido”. Segundo ele, tal procedimento

“é importante, pois na avaliação dos riscos, a incerteza sobre o preço do ativo aumenta

com a raiz quadrada do tempo no futuro que estamos considerando, e esse aumento não

é linear”.

Conforme visto no tópico anterior, a volatilidade implícita depende do modelo

de apreçamento de opções que estiver sendo utilizado e das características da opção.

Trata-se, na verdade, de um indicador da estimativa do mercado com respeito a

volatilidade futura média do dia em que foi colhido o preço da opção até o vencimento

da mesma. Logo, pode ser considerada como uma previsão de volatilidade.

Já a volatilidade histórica, como o próprio nome diz, se baseia em um histórico

de variação de preços, sendo este utilizado para sua estimativa. Ou seja, quando se

utiliza o critério da volatilidade histórica na estimação da volatilidade, está sendo aceita

a hipótese de que os dados passados têm relevância no que deve ocorrer com o

comportamento do ativo objeto no futuro.

Para calcular o desvio padrão equivalente, considera-se que existem 252 dias úteis no ano. Tratando-se

de retornos semanais é necessário multiplicar o

(semanal) obtido por 52 e no caso de

(mensal) o

resultado deve ser multiplicado por

12 , tendo em vista que o ano possui 52 semanas ou 12 meses.

Dessa forma, ao estimar a volatilidade está-se referindo a volatilidade histórica

posto inexistir sentido na utilização desta terminologia para a volatilidade implícita.

Existem várias formas de se alcançar o objetivo aqui desejado. Em decorrência,

o presente estudo vai se ater a 5 (cinco) delas, quais sejam: estimador não viesado de

mínima variância uniforme, estimador de máxima verossimilhança, estimador de média

móvel exponencialmente ponderada, ARCH (Autoregressive Conditional

Heteroskedasticity) e, por último, GARCH (General Autoregressive Conditional

Heteroskedasticity).

Aqui, vale citar as palavras de Lemgruber (1992):

“a procura por melhores estimadores para a volatilidade

tem sido objeto de estudo de muitos pesquisadores, que

argumentam que a perda de simplicidade é compensada

pelo ganho de eficiência.”

3.3.1. Estimador não viesado de mínima variância uniforme

Conforme comentado anteriormente, inicialmente faz-se necessário definir a

freqüência de nossa série. Sendo assim, em razão deste trabalho ter como foco o

mercado financeiro, optou-se por trabalhar com dados diários de fechamento.

Seguindo as orientações feitas por Pinheiro (1996), definido o intervalo de

tempo a ser analisado, escolheu-se a quantidade de observações que serão usadas

Em seu estudo, Lemgruber (1992) comenta que alguns analistas contestam o uso de pesos iguais para

as observações (retornos) incluídas no cálculo da volatilidade, argumentando que deve-se ser dada maior

importância às informações mais recentes. E ensina: “uma maneira usual de distribuir esses pesos é

assumir um crescimento exponencial contínuo partindo-se da observação mais antiga até a mais recente”.

Para Costa (1998), a quantidade de observações que se utiliza para calcular o desvio-padrão depende do

estilo de cada operador e de seus objetivos.

Dessa forma, a estimativa do desvio padrão dos retornos é representada pela

seguinte equação:

()

−

∑

∧

Sendo esta a raiz quadrada do estimador não viesado de mínima variância

uniforme, donde, “n” será o número de observações de retornos; como conseqüência,

tem-se “n - 1” como observações de preços; “r

” como o iésimo retorno e “r” como a

média dos retornos.

3.3.2. Estimador de máxima verossimilhança

Partindo da equação apresentada acima e utilizando as mesmas variáveis, pode-

se chegar ao estimador de máxima verossimilhança do desvio-padrão dos retornos, na

forma a seguir:

()

∑

∧

−

Pinheiro (1996) realizou uma análise prática com este estimador utilizando

dados diários de fechamento de mercado de preços da Petrobras PN e verificou que é

extremamente importante que a escolha de n seja apropriada, ainda que tal escolha não

seja fácil, tendo em vista que esta influencia de forma sobremaneira na estimativa

obtida

. Outro ponto notado e que requer atenção é o fato de que ao aumentar o número

de observações a estimativa fica mais suave, mas em contrapartida, falha em responder

rapidamente o movimento nos preços.

Sendo assim, Pinheiro (1996) conclui que “a diminuição do número de

observações pode acarretar perda de precisão”. E finaliza afirmando que “não existe

nada como um n ótimo que possibilite respostas rápidas a movimentos bruscos nos

preços e que ao mesmo tempo, encampe um número razoável de observações, dando

precisão à estimativa”. No entanto, a escolha é feita pelo próprio usuário e de acordo

com seu interesse.

Assim, visando resolver o problema acima, apresentado pelo estimador de

máxima verossimilhança, surgiu o estimador de média móvel exponencialmente

ponderada.

3.3.3. Estimador de média móvel exponencialmente ponderada

Considerado um avanço quando comparado aos outros esquemas de ponderação,

o estimador de média móvel exponencialmente ponderada “consiste basicamente em

designar maior peso para as observações mais recentes”

. Possui como objetivo fazer a

estimativa reagir de forma mais rápida a movimentos bruscos de preço.

Assim, diferentemente dos demais estimadores, neste o peso das observações

diminui com o decorrer do tempo fazendo com que a volatilidade estimada tenha um

decaimento gradual.

No exemplo da utilização do estimador de máxima verossimilhança apresentado por Pinheiro foram

usados dois n diferentes, 20 e 60 dias úteis. Pinheiro notou que, “como a amostra é igualmente ponderada,

uma observação nova, recém-coletada, terá o mesmo peso que a mais antiga de todas”. No entanto,

conclui ser importante a realização de observações tendo em vista ser prejudicial sua redução.

Ver Pinheiro (1996).

A fórmula utilizada para calcular a volatilidade e que representa este estimador

é:

(

)(

)

tNt

xXw

−−

−

∑

−=

onde:

)

(

λλ

−=

w .10

Percebe-se, assim, que o peso alocado para cada observação, representado na

equação por

, depende do fator de decaimento

w ""

. Seguindo este raciocínio,

quando

temos: ,∞→N

,))(1(

−−

−−+=

tttt

λλλσσ

∑

∞

−−−

Dessa expressão extrai-se que a cada nova observação as estimativas são

refeitas, ou seja, esta fórmula é recursiva. Para chegarmos a , faz-se necessário

definir , que pode ser feito da seguinte forma:

∑

−

−=

)1,0(

,)(

No entanto, em razão do estimador de média móvel exponencialmente

ponderada depender da escolha do fator ótimo de decaimento, tal escolha, que deve ser

)1,0( −k

x é a média aritmética do tempo t a k-1.

baseada numa comparação de estimativas ex-ante e ex-post de volatilidade, conforme

define Pinheiro (1996), não está inserida nos objetivos deste trabalho.

Sendo assim, o próximo passo é o estudo dos processos auto-regressivos

mencionados anteriormente.

3.3.4. ARCH

Autoregressive Conditional Heteroskedasticity é um processo auto-regressivo

heterocedástico derivado da suposição de que a volatilidade segue um processo AR (de

ordem

). Este, na definição de Pinheiro (1996), consiste num processo onde a

variável independente é explicada por ela própria, porém defasada de p períodos e

representado da seguinte forma:

[

)( pARp

]

,2211

...

tptpttt

uyyycy

−−−

onde

é a variável; p é ordem do processo e é chamado de ruído branco, isto é:

0)(

para

)(

=uuE

0)(

uuE

em outros casos.

Na verdade, os modelos ARCH são uma tentativa de aplicar as características de

reversão para a média e de autocorrelação da volatilidade para ajudar na sua estimativa.

Assim, para se chegar ao processo ARCH(m), basta supor que segue um processo

AR(m), na forma a seguir

,...

tmtmttt

wuuuku +++++=

−−−

ααα

onde

é o novo ruído branco, com as mesmas características de já definidas

anteriormente.

Importante destacar que, apesar da variância incondicional ser constante, ou

seja,

, a variância condicional pode variar com o tempo. Dessa forma, o

processo não apresentará necessariamente a mesma variância sempre, o que de certa

forma pode ser interpretado como um ponto positivo frente ao mercado financeiro,

afinal ativos mais voláteis, com altas variâncias, são capazes de proporcionar maiores

retornos aos investidores, compensando assim o risco por estes assumido. Até porque,

agentes avessos ao risco exigem uma compensação em termos de retorno, de acordo

com o grau de risco do ativo.

)(

Por fim, se considerar:

ttt

vu ×=

onde

é uma variável aleatória independente identicamente distribuída com média

zero e variância um, tem-se:

{}

Trata-se de um processo autoregressivo de heterocedasticidade condicional de ordem m.

∑

−

itit

ασ

s de Pinheiro

(1996), “os modelos ARCH parecem responder mais rapidamente a “observações de

variações nos preços com reflexo sobre a volatilidade)”.

3.3.5.

mória mais longa e uma estrutura de defasagens para a variância

mais fl

esmo ambos

terem a

como um processo ARCH.

Segundo analistas, os modelos ARCH são superiores em precisão quando

comparados ao estimador de máxima verossimilhança, em decorrência da falta de

precisão e da ausência de respostas suficientemente rápidas. Nas palavra

choque” (bruscas

GARCH

Os modelos GARCH (General Autoregressive Conditional Heteroskedasticity)

são uma generalização dos modelos ARCH. Diferenciam-se destes últimos por

permitirem uma me

exível. São também utilizados para entender a relação entre a volatilidade e os

retornos esperados.

De acordo com Souza Sobrinho (2004), os modelos GARCH apresentaram

ligeira superioridade em relação aos modelos de volatilidade estocástica, m

lcançado seus objetivos com “razoável robustez”, quando aplicados na extração

de volatilidade a uma série do Ibovespa durante a vigência do Plano Real.

Estudos demonstram que uma vez satisfeitas as restrições paramétricas, o

modelo GARCH não apresenta problemas como distribuição incondicional degenerada

dos retornos, persistência unitária da volatilidade e não-reversão à média.

Uma versão simplificada de um processo GARCH pode ser expressa da seguinte

forma:

∑∑

++= uk

222

σβασ

odelos GARCH são o

de má

essa forma, vale dizer que em razão do seu bom desempenho e parcimônia, o

modelo-padrão da família ARCH tanto em aplicações

acadêm as quanto em aplicações práticas mais sofisticadas.

o estudo da estimativa da volatilidade e dos tipos de volatilidade

existen

−−

itiitit

Importante destacar que, de acordo com o estudo realizado por Souza Sobrinho

(2004), os métodos geralmente empregados na estimação dos m

xima verossimilhança, sob a hipótese de a taxa de retorno ser distribuída

conforme uma normal e o da quase-máxima verossimilhança, que prescinde da exata

especificação da função densidade da taxa de retorno.

modelo GARCH tornou-se o

3.4. Previsão de Volatilidade

Após

tes, fica fácil compreender que o termo “previsão” somente é utilizado para a

volatilidade histórica, afinal, como visto, a volatilidade implícita já é por si só um tipo

de previsão.

Por exemplo, ver o artigo de Souza Sobrinho (2004).

Assim, como o cálculo da volatilidade é um processo que tenta avaliar

estatisticamente o potencial de variação do ativo, entende-se por bem apresentar o passo

a passo para o cálculo da volatilidade de um ativo antes de se adentrar em como prever

a volatilidade futura.

A primeira decisão a ser tomada é escolher a série de preços do ativo para o

período escolhido. Em seguida, calcula-se a variação diária dos preços, através da

divisão do preço de fechamento do dia pelo preço de fechamento do dia anterior. A

terceira providência é calcular a média das variações através da soma de todas as

variações e a posterior divisão deste resultado pelo número de observações em que se

realizou o cálculo. A seguir, deve-se calcular a diferença entre cada variação e a

variação média. Para cada resultado anterior d

everá ser elevado ao quadrado, somados e

depois divididos pelo número de observações que compuseram o cálculo menos um. Por

btido, dando assim o desvio-padrão das

ariações de preço, ou seja, o quanto a variação de preço pode sair do valor esperado,

represe

Para o alcance da previsão da volatilidade futura é imprescindível a existência e

média aritmética dos valores apresentados, conforme dados apresentados na Tabela 1.

fim, extrai-se a raiz quadrada do valor o

ntando um risco para o investidor.

3.4.1. Previsão de Volatilidade Histórica

conhecimento de alguns dados de volatilidade, posto aquela ser obtida através da

Ver Silva (1996).

Tabela 1 – Estimativas para a v ilidade da Comp ale do Rio Doce (Vale PN)

n (dias úteis) Volatilidade (%)

olat anhia V

20 35,19

40 31,01

60 31,30

120 28,01

250 28,89

Tecendo a média aritmética dos valores apresentados tem-se::

(35,19% + 31,01% + 31,30% + 28,01% + 28,89%) ⁄ 5 = 30,88%

De acordo com o cálculo apresentado, a volatilidade futura seria de 30,88%.

No exemplo apresentado, as estimativas foram obtidas utilizando o estimador

não viesado de mínima variância uniforme. No entanto, este exemplo também é válido

para o caso onde as estimativas tenham sido obtidas pelos estimadores de máxima

verossimilhança ou de média móvel exponencialmente ponderada, bem como pelos

modelos ARCH.

Nota-se ainda que o valor obtido é a volatilidade anualizada através da previsão

mais simples de ser realizada. Qualquer combinação linear dos valores acima

apresentados que atenda a interesses específicos pode ser considerada como uma

previsão coerente de volatilidade da Vale PNA. Em poucas palavras, pode-se prever que

a volatilidade no período de 40 dias é de 31,01% e assim por diante.

Fonte dos dados: BOVESPA

Nota: Estimativas obtidas em 01/06/2006

Vide item 3.3 do presente estudo.

3.4.2.

implícita é obtida através da volatilidade histórica e depende de

vários

de mercado para o ativo subjacente, a data de

exercíc

antes do mercado sobre qual será a volatilidade de

determ a como parâmetro

para a negociação da opção.

Costa (1998) adotou u

latilidade implícita dessa opção, que nada

ais é do que o valor de σ que, colocado na fórmula de

valor de V igual ao que está sendo negociado no

Volatilidade Implícita

A volatilidade

fatores, tais como: o modelo de apreçamento de opções, as características da

opção, dentre outros.

Silva (1996) esclarece que, a partir do cálculo da volatilidade histórica assume-

se que o prêmio é “conhecido” (através da utilização do prêmio da mais líquida),

verifica-se a taxa de juro e o preço

io, e executa-se a fórmula para determinar o nível de volatilidade implícita que

carrega o preço de mercado da opção.

Na definição de Pinheiro (1996), “volatilidade implícita é algo como um

consenso entre os particip

inado ativo durante a vida restante da opção”. Logo, é utilizad

ma definição mais técnica ao dizer que

“o nível de risco embutido no prêmio de uma opção é

medido pela vo

precificação de Black e Scholes produz como output um

mercado”.

Para o autor, ao detalhar em diferentes tipos a volatilidade estamos ofuscando a simplicidade do

fundamento, o que pode nos induzir a erro. Segundo ele, o que importa é conhecer o grau de oscilação

atual verificado no mercado do ativo e o grau de oscilação do preço do ativo que vigorará desde a data

atual até o vencimento das opções (esta é estimada).

Sobre o Modelo Black & Scholes vide capítulo 5, item 5.5 do presente estudo.

Conforme ainda afirma Costa (1998), como a volatilidade implícita é

relacionada ao sobrepreço de uma opção, variações da volatilidade implícita de uma

opção são variações em reais no preço dessa opção.

Nota-se, assim, qu

e a volatilidade implícita pode ser considerada como uma

previsã volatilidade, na medida em que é um indicador da estimativa do mercado

ido o preço da opção até

vencimento da mesma.

na previsão da volatilidade futura,

mesmo erros de medida e problemas estatísticos, afinal a

volatilidade implícita é, com

respeito da previsão futura do

Costa (1998) explica q

o principal sobre utilizar a volatilidade histórica

como parâmetro para operações de volatilidade reside em

que as opções são sensíveis à volatilidade futura e não à

é uma expectativa do mercado para a volatilidade que S

(preço) exibirá entre a data atual e a data de exercício da

opção”.

o de

com respeito à volatilidade futura média do dia em que foi colh

3.4.3. Volatilidade Implícita versus Volatilidade Histórica

Estudos comparativos entre as volatilidades implícita e histórica concluíram que

a primeira tem melhor performance do que a segunda

contando com possíveis

o visto, formada a partir de expectativas de mercado a

s preços/volatilidades.

“a questã

histórica. A volatilidade implícita nos prêmios das opções

Dessa forma, para um operador o número calculado como volatilidade histórica

pode ser de pouca utilidade.

Logo, em um mercado eficiente, onde as informações relevantes encontram-se

incorporadas instantaneamente nos preços, a volatilidade implíc

ita é o melhor previsor

não-vie

ante às tendências de

preços

endo assim, em razão da sua facilidade de aplicação, neste trabalho será

utilizada a volatilidade histórica estimada através do estimador não viesado de mínima

variância uniforme. Afinal o que se pretende é a validação do modelo proposto e a

análise dos impactos da variável cambial no apreçamento de opções, bastando para

tanto aplicar o mesmo tipo de volatilidade em ambos os modelos analisados.

sado da volatilidade futura.

Conclui-se, assim, que ambos os tipos de volatilidade são formas de estimativas

possíveis de volatilidade futura, no entanto a volatilidade implícita apresenta padrões de

tendência que podem ser tratadas de alguma maneira semelh

de ativos e perseguidas mais ou menos pelo operador.

Ressalta-se, por oportuno, que a volatilidade implícita em uma opção pode

depender de vários fatores observados empiricamente, posto não figurarem nas fórmulas

de apreçamento, nem nos modelos, mas terem seus conceitos conhecidos por todo o

mercado, como por exemplo os smiles e a volatilidade intraday.

4. TAXA DE CÂMBIO

Dado a importância da taxa de câmbio no comércio internacional é essencial

verificar sua influência no apreçamento de opções. A escolha desta variável se deve à

sua influência na economia brasileira

e às suas características próprias, em principal, a

volatilidade. Utilizou-se a taxa de câmbio apenas no modelo das Redes Neurais, visto

não ser possível seu emprego no Modelo Black & Scholes em razão das limitações

apresentadas, que serão abordadas futuramente, em outra parte deste trabalho.

Inicialmente, considerou-se demonstrar a importância da taxa de câmbio e os efeitos de

sua volatilidade sobre o mercado, bem como a escolha de um regime cambial mais

adequado ao país, para em um momento posterior analisar o impacto da volatilidade da

taxa de câmbio no apreçamento de opções.

4.1. A importância da taxa de câmbio

A taxa de câmbio é uma variável importante na política econômica e no

comércio internacional, visto representar uma relação de preço entre duas moedas

nacionais.

Existem dois regimes cambiais básicos: a taxa de câmbio fixa que estabelece

uma relação fixa entre duas moedas nacionais; e a taxa de câmbio flutuante que é

determinada livremente no mercado pela livre interação da oferta e da procura. Desde o

advento do regime flutuante no Brasil, as taxas de câmbio têm sido excessivamente

voláteis e os desvios de seus valores de equilíbrio persistem ao longo do tempo. A

flexibilidade da taxa de câmbio facilita ajustes no balanço de pagamentos, reduzindo a

Sobre o assunto, ver item 4.3 do presente trabalho.

necessidade de se aumentar o controle de capitais para que se atinja o equilíbrio

econômico

. Por outro lado, o regime de câmbio fixo proporciona maior segurança,

agilidade e certeza, tendo em vista a existência de uma relação fixa entre duas moedas.

Segundo Ferreira (2004), “a liberação cambial faz parte da ampliação do

movimento internacional de capitais. Neste contexto, a política de câmbio flexível

passou a ser instrumento essencial à ampliação do movimento de capitais entre países e

regiões”.

Vários são os benefícios decorrentes do regime cambial flexível, dentre eles

pode-se citar a proteção da economia a choques externos e a potencial independência de

ações de política econômica. No entanto, vale destacar que nenhum país adota um

regime puro de câmbio flutuante. Na prática, prevalece o regime de câmbio flutuante

“sujo”

no qual há a interferência do Banco Central para evitar uma excessiva

desvalorização ou valorização da moeda.

A intervenção do Banco Central no mercado cambial pode ser feita de várias

formas e seguindo diferentes estratégias. A escolha da melhor delas é de extrema

importância e depende de vários fatores, tais como os objetivos da política cambial, a

credibilidade do Banco Central e suas restrições institucionais e do volume de reservas

cambiais, dentre outros. Neste sentido, Crusius (2003) esclarece que, “os objetivos

destas intervenções são defendidos, de maneira geral, como importantes para assegurar

uma flutuação ordenada da taxa de câmbio, tendo como base seus fundamentos, e não

para defender uma paridade fixa para esta variável”. E continua dizendo que “a rigor,

Sobre o assunto, Ferreira (2004) esclarece que “qualquer evento que possa trazer dúvidas sobre o

balanço de pagamentos do país, acaba interferindo no mercado de câmbio”. De fato, no regime cambial

flutuante, um desequilíbrio no balanço de pagamentos pode incidir na desvalorização da moeda local.

Neste sistema, também chamado de regime de flutuação administrada, as cotações podem variar

somente até o limite que o Banco Central considerar adequado.

Ver Lacerda (2003).

portanto, não há qualquer restrição formal à magnitude de um realinhamento do câmbio

nominal, desde que este seja percebido como compatível com os fundamentos

econômicos subjacentes”.

4.2. Regime cambial

A escolha do regime cambial a ser adotado é um dos temas mais controversos na

definição da política econômica. A elaboração de critérios para a fixação do valor da

moeda local não é tarefa fácil, principalmente quando se trata de países que não são

possuidores de moedas transacionáveis internacionalmente.

Assim, a decisão de qual

o regime cambial condizente com o país em questão deve fundamentar-se em fatores

econômicos, monetários e fiscais sólidos, afinal sua economia e desenvolvimento estão

diretamente ligados a correta escolha do regime de câmbio adotado.

Neste sentido, Ferreira (2004) esclarece que

“o regime cambial de um país tem a necessidade de

combinar dosagens de flexibilidade e rigidez a fim de

combinar múltiplos objetivos econômicos, nem sempre

fáceis de conciliar, como estabilidade e equilíbrio externo

num contexto de mobilidade de capitais”.

Crusius (2003) afirma que, “do ponto de vista teórico, os regimes de câmbio

flexível ou fixo não são melhores ou piores entre si, mas são adequados ou não do ponto

de vista da consistência com as políticas monetária e fiscal”.

Ver Lacerda (2003).

Assim, com a globalização financeira, permitindo livre fluxo de capitais e

trazendo maior facilidade na comercialização entre países, houve crescente tendência na

adoção de regimes cambiais flexíveis por inúmeras economias emergentes. De fato,

países como Israel, Hungria, México, Colômbia, Chile, Uruguai, Argentina e Brasil

evoluíram de regimes cambiais fixos para regimes cambiais flutuantes. Inicialmente,

Israel adotou o regime de bandas de câmbio fixas e a partir de dezembro de 1991 passou

para o regime de bandas de câmbio flutuantes, objetivando introduzir maior

flexibilidade ao sistema. Em 1989, a Hungria adotou o regime de bandas fixas e em 16

de março de 1995 passou a utilizar o regime de bandas flutuantes. Entre 1992 e

dezembro de 1994, o México utilizou o regime de bandas de câmbio flutuante, na qual a

taxa de desvalorização da margem superior da banda era preestabelecida. A Colômbia e

o Chile passaram a utilizar o regime de câmbio flutuante em setembro de 1999. E o

Uruguai e a Argentina mais recentemente. Já o Brasil iniciou o regime de bandas de

câmbio fixas em outubro de 1994 com uma política de intervenções intramarginais e

paridade central da taxa de câmbio fixada em 0,845 Real/Dólar (em termos nominais) e,

em janeiro de 1999 passou para o regime flutuante, como veremos a seguir.

4.3. Evolução da política cambial brasileira

A reordenação do sistema monetário internacional, ocorrido no período pós-

guerra, foi marcada pela criação do Fundo Monetário Internacional (FMI) e do Banco

Mundial (BIRD) no fórum internacional de Bretton Woods, em 1944. Naquele

momento, duas regras básicas foram estabelecidas, conforme lembra Ferreira (2004):

“(1) o dólar norte-americano seria a moeda central do

sistema monetário internacional, tendo em vista o

compromisso americano de garantir aos bancos centrais

dos países membros do FMI – do qual o Brasil faz parte –

a livre conversibilidade do dólar em ouro, à razão de US$

35,00 por onça-troy do metal; e (2) os demais países

membros fixariam as paridades de suas moedas em

relação ao dólar, podendo apenas reajustá-las em casos de

desequilíbrios fundamentais dos seus balanços de

pagamentos, mediante prévia concordância do FMI”.

A partir daí, os países membros do FMI passaram a fixar a paridade de suas

moedas em relação ao Dólar, sendo o Brasil um dos primeiros a adotar este sistema

fixando Cr$ 18,82 por Dólar. No entanto, com o passar do tempo, verificou-se que em

razão das diferentes taxas de inflação entre os países o sistema de paridades fixas não

era o mais adequado.

Assim, no período pós-guerra as taxas de inflação evoluíram de tal forma que,

em 1948, o Brasil passou a viver com o problema da escassez de divisas. Naquele

momento, o problema foi contornado pelas filas de câmbio e, mais adiante, pela criação

do regime de licenças de importação através da Carteira de Exportações e Importações

do Banco do Brasil (CEXIM).

Em fevereiro de 1951, o então presidente Getúlio Vargas denunciou a

regulamentação do retorno de capitais estrangeiros como lesiva aos interesses nacionais.

Assim, em fevereiro de 1953 tornou-se livre o fluxo de capitais estrangeiros no país

pelo sistema de taxa de câmbio livre. Finalmente, em setembro de 1953, com a

Instrução nº 70 da Superintendência da Moeda e do Crédito (SUMOC)

, que

Ver Ferreira (2004). Vale dizer que devido as freqüentes denúncias de corrupção na época, o governo

extinguiu a Carteira de Exportação e Importação em dezembro de 1953, criando a Carteira de Comércio

Exterior em sua substituição.

Criada em 1945, com a finalidade de exercer o controle monetário e preparar a organização de um

banco central, a SUMOC tinha a responsabilidade de fixar os percentuais de reservas obrigatórias dos

bancos comerciais, as taxas do redesconto e da assistência financeira de liquidez, bem como os juros

disciplinava o mercado de câmbio, o governo passou a distribuir as divisas disponíveis

em lotes (alocados inicialmente em bens de acordo com sua essencialidade), sendo a

taxa de câmbio para cada categoria determinada por meio de leilões. Neste sistema que

durou, com algumas alterações, até 1957, o governo fixava a quantidade de divisas

distribuídas, mas não o valor da moeda estrangeira.

A partir de 1960, tornava-se cada vez mais inevitável uma nova reorganização

do sistema financeiro, uma vez que os desafios da economia já exigiam uma maior

sofisticação dos instrumentos de captação e de aplicação dos recursos financeiros.

Assim, em 1961, houve uma reformulação no mercado cambial brasileiro, retornando-se

ao sistema de taxa de câmbio fixa, ajustada esporadicamente.

O período compreendido entre 1961 e 1964 foi marcado por uma política

cambial instável, posto a taxa de câmbio não ter acompanhado a aceleração do processo

inflacionário, o que despertou a desconfiança do investidor estrangeiro agravando ainda

mais os desequilíbrios no balanço de pagamentos.

Assim, objetivando instituir um mercado de capitais forte e utilizá-lo na política

global de desenvolvimento e de controle da inflação, em 1965 foi promulgada a Lei de

Mercado de Capitais

, que fora bem recepcionada pelo mercado financeiro da época, e

criado o Banco Central do Brasil, como gestor da política monetária, cujas diretrizes

eram determinadas pelo Conselho Monetário Nacional. Com isso, funções antes

executadas pelo Banco do Brasil e pela SUMOC, como emissão de moeda, controle do

redesconto e dos depósitos de reservas obrigatórias, regulação das atividades bancárias,

financeiras e dos capitais estrangeiros, foram atribuídas ao BACEN. Neste período,

sobre depósitos bancários. Além disso, supervisionava a atuação dos bancos comerciais, orientava a

política cambial e representava o País junto a organismos internacionais.

Lei nº. 4.728, de 14 de julho de 1965.

houve forte oscilação nas reservas cambiais e na oferta monetária do país em razão da

inflação brasileira ter sido consideravelmente superior à norte-americana.

Em 1967, surge a nova moeda, o “Cruzeiro Novo” em razão da desvalorização

do "Cruzeiro" e com valor mil vezes maior que este. Posteriormente, em 1968, o

sistema baseado em maxidesvalorizações, em que as revisões da taxa de câmbio tinham

periodicidade de oito a quatro meses, foi substituído pelo sistema de

minidesvalorizações cambiais, com o intuito de incentivar a exportação.

Segundo Ferreira (2004), “esse sistema consistia, basicamente, em ajustar a taxa

de câmbio em intervalos menores de tempo, pela diferença entre as taxas de inflação

doméstica e externa, com desvios maiores ou menores em função do desempenho do

saldo total do balanço de pagamentos”.

O sistema de minidesvalorizações, que perdurou até 1989, baseava-se na

variação da paridade do poder de compra (purchasing power parity), seguindo o

enfoque das metas reais, no qual mudanças na taxa de câmbio alteram a relação entre os

preços domésticos e os externos, o que afeta a competitividade da economia com o resto

do mundo. Este sistema tinha o objetivo de manter constante a taxa de câmbio efetiva

real e evitar ataques especulativos.

Ferreira (2004) destaca que o “aspecto altamente positivo desse sistema cambial

foi o fato de ser um instrumento de rápido ajustamento”. E elenca as seguintes

vantagens do sistema de minidesvalorização:

“(1) estabilização da renda real dos exportadores

brasileiros; (2) manter o grau de proteção efetiva da

indústria nacional em relação às exportações; e (3) evitar

os ciclos de liquidez e de reservas cambiais provocados

pelo antigo sistema de revisão cambial em degraus

longos”.

No entanto, a política de minidesvalorizações sofreu algumas interrupções. A

primeira delas ocorreu em 1979 (nove anos após a volta do “Cruzeiro”) quando o

Governo foi obrigado a realizar uma maxidesvalorização de 30% da moeda nacional em

relação ao Dólar devido a problemas de inflação e com balanços de pagamentos.

Assim, para combater a inflação, em 1980 os reajustes do câmbio passaram a ser

prefixados

. No entanto, como a economia permanecia sob um amplo sistema de

indexação, a inflação chegou a alcançar os três dígitos ao ano e os reajustes do câmbio,

que no início eram de um mês, chegaram a ser diários, ainda que fixados pelo governo e

não pelo mercado.

A crise externa obrigou o Brasil à assinatura de um acordo com o Fundo

Monetário Internacional (FMI) em fevereiro de 1983, objetivando melhorar a posição

do balanço de pagamentos, reduzir o déficit do setor público e promover a liberalização

da economia, suspendendo a política de minidesvalorização pela segunda vez. Até esse

período, os intervalos entre as minidesvalorizações eram de três a três dias.

No entanto, devido à aceleração da inflação ocorrida no final de 1985, que

elevou a taxa ao patamar de 15% ao mês, o governo instituiu, em janeiro de 1986, um

novo plano de estabilização. Este novo plano baseava-se no congelamento dos preços,

dos salários e do câmbio, na desindexação da economia, na criação de um novo padrão

monetário, o “Cruzado”, e no aumento de taxas de juros para conter a demanda. No

início, obteve grande sucesso em termos de controle da inflação e de níveis de

crescimento econômico. Mas não durou muito. E com o aumento da inflação, no final

daquele ano, foi reintroduzida a política de minidesvalorizações diárias.

A taxa de desvalorização para aquele ano foi prefixada em 40%.

Em junho de 1987, com o objetivo de controlar a inflação, que em maio daquele

ano atingia 23,26%, foi instituído o “Plano Bresser” que decretava o congelamento de

preços, dos alugueis e salários por 60 dias, dentre outras medidas adotadas. Porém, o

Plano não teve êxito fazendo com que a inflação alcançasse o patamar de 366% em

dezembro. Assim, em janeiro de 1988, Maílson da Nóbrega assume o Ministério da

Fazenda propondo uma política econômica sem medidas drásticas, denominada “Feijão

com Arroz”, para tentar conviver com a inflação e evitar a hiperinflação.

Mas em janeiro de 1989, em razão da inflação ter alcançado 933%, o governo

cria uma nova moeda, o “Cruzado Novo”, com valor 1.000 vezes maior que o extinto

“Cruzado” e lança o “Plano Verão”, que dentre outros objetivos, visava o congelamento

dos preços, a extinção da correção monetária e a privatização de algumas estatais. Como

conseqüência, em um ano de sua implementação a inflação atingiu 2.751%.

Assim, em março de 1990, no início do governo Collor, foi adotado o regime de

câmbio flutuante, a retomada do Cruzeiro como moeda nacional e o confisco de 80% da

poupança financeira, reduzindo a liquidez geral da economia.

Na área cambial, foi transferida para o mercado a responsabilidade pela

determinação das taxas e a conciliação entre oferta e demanda de divisas no segmento

comercial

, ou seja, caberia aos bancos e corretoras determinar diariamente o preço do

Dólar no mercado, efetuando operações de compra e venda da moeda americana. E

mais, as instituições credenciadas a operar no mercado de câmbio poderiam adquirir

qualquer volume de divisas, sendo obrigadas a depositar no Banco Central somente o

que excedesse determinado limite.

Sobre o assunto, Crusius (2003) esclarece que “se a procura por divisas for maior do que a oferta, o

preço sobe (há desvalorização), assim como, se houver mais agentes querendo vender divisas, o câmbio

se valoriza”.

Com essas novas regras, o BACEN modificou seu critério de atuação no

mercado de taxas livres. Ao invés de ter a obrigação de comprar e vender dólares a uma

taxa anunciada pela política das minidesvalorizações, o BACEN somente interviria para

garantir o cumprimento das metas monetárias.

A partir daí, o mercado de câmbio tornou-se mais sensível às taxas de juros, à

instabilidade da política doméstica, sobretudo ao balanço de pagamentos, e às

expectativas de desvalorização do câmbio.

No entanto, apesar do regime adotado pretender uma alta conversibilidade e

flutuação cambial, na prática somente a crescente conversibilidade da moeda nacional

se verificou. E em setembro de 1990, o Banco Central passou a efetuar compras no

mercado de câmbio a fim de acumular reservas internacionais e evitar a volatilidade da

taxa no curto prazo, desvalorizando o Cruzeiro em relação ao Dólar. Surge aí a

expressão “flutuação suja”, conceituada anteriormente

A abertura da economia prosseguiu até agosto de 1991, registrando uma

valorização real de 11,34% do Cruzeiro em relação ao Dólar dentro do sistema de

flutuação suja, o que prejudicou as exportações brasileiras e levou à retração do ingresso

de divisas no país. Assim, em setembro, o Banco Central promoveu uma desvalorização

de 14% no Cruzeiro em relação ao Dólar, retornando ao regime de câmbio fixo em

outubro daquele ano.

Ao final de 1991, “quando a taxa de câmbio do Cruzeiro em relação ao Dólar se

tornou compatível com o processo inflacionário interno e o governo adotou uma política

de juros elevados, houve substancial ingresso de capital no País, fruto não apenas de

Vide item 4.1 (A importância da taxa de câmbio), desta dissertação.

investimentos estrangeiros, mas também de captação de recursos externos por empresas

estrangeiras”, conforme esclarece Munch (2003).

A partir de 1992, o governo manteve a orientação de ampliar a abertura

econômica, com o estímulo à entrada de recursos externos, sendo implementadas várias

medidas para regular o fluxo de capitais estrangeiros, dentre as quais “estava a

revogação da proibição de remessas (royalties e assistência técnica) de uma subsidiária

para sua matriz no exterior e a isenção da obrigatoriedade de se depositar, no Banco

Central, a remessa destinada ao exterior para pagamento do principal e dos juros de

natureza financeira”.

Neste ano, o BACEN passa a controlar o distanciamento das

cotações entre paralelo e comercial comprando e vendendo moeda estrangeira

diretamente no mercado flutuante a fim de alcançar a unificação cambial e,

conseqüentemente, a estabilização.

E em abril de 1992, a crise monetária e o excesso de divisas começam a

desestabilizar a economia, provocando alta do ágio do Dólar paralelo em relação ao

oficial e o início das intervenções quase diárias do Banco Central no câmbio.

Assim, em 1993, com a desvalorização do Cruzeiro, cria-se o Cruzeiro-real, com

valor 1.000 vezes maior. Neste ano a inflação foi de 2.477,12%, a mais alta desde 1990.

No primeiro semestre de 1994, o Governo tentou novamente restringir a entrada

de recursos externos no País através da regulamentação da atuação do investidor

estrangeiro. De acordo com Munch (2003), “mesmo assim, as operações do setor

externo foram as principais responsáveis pelo crescimento da base monetária nos

primeiros seis meses do ano”.

Ver Munch (2003).

Em março de 1994 foi criada a Unidade de Referência de Valor (URV)

como

unidade de conta alternativa, cuja cotação em 30 de junho de 1994, no valor de C$

2.750,00, passaria a equivaler a uma nova moeda brasileira, o Real (R$).

Assim, diante do grande fluxo de divisas e buscando a estabilidade da moeda, o

então Governo de Fernando Henrique Cardoso implanta o Plano Real em 1º de julho de

1994, baseando-se em um regime explícito e flexível de bandas cambiais. Neste

momento, o Banco Central adotou a paridade fixa de 1,00 R$/US$ na cotação de venda,

sem mencionar a taxa de compra, permitindo sua livre flutuação de acordo com o

mercado, mas comprometendo-se a vender dólares sempre que a taxa de câmbio

atingisse o limite máximo fixado.

O ingresso líquido de divisas e a combinação de taxa flutuante com juros

elevados, utilizada para fixar as bandas cambiais, conduziram a uma apreciação do

câmbio, atingindo sua cotação mais baixa no valor de R$ 0,889 por Dólar em agosto

daquele ano, deteriorando a balança comercial. Dessa forma, em setembro de 1994 o

BACEN teve que intervir no mercado de câmbio a fim de sinalizar um limite mínimo

para as cotações, fato que não acontecia desde a implantação do Plano Real.

No mês seguinte, com o intuito de auxiliar no processo de estabilização

econômica do país, o BACEN estabeleceu uma banda informal com paridade central da

taxa de câmbio fixada em 0,845 R$/US$ (em termos nominais), iniciando o regime de

bandas de câmbio no Brasil.

A partir de novembro de 1994, já eram sinalizados problemas com o câmbio. O

Dólar estava sofrendo uma apreciação e as medidas de estímulo às importações levaram

ao primeiro déficit comercial brasileiro desde 1986.

A URV refletia uma cesta de índices de preços e variava tendo o Dólar como parâmetro.

Em dezembro, estourou a crise do México. Tal fato criou um ambiente de

incertezas, afastando investidores internacionais do Brasil e fazendo com que as

reservas brasileiras caíssem de US$43,4 bilhões em setembro, para US$ 38 bilhões em

dezembro. Como conseqüência da elevação significativa da demanda por Dólar, o

BACEN interferiu no mercado vendendo dólares, na tentativa de impedir uma oscilação

mais brusca da taxa de câmbio.

No início de 1995, com a fuga de capitais especulativos, a equipe econômica

passou a estimular as exportações. A deteriorização da balança comercial agravava o

déficit do balanço de pagamentos em conta corrente.

Em março daquele ano, objetivando a eliminação das especulações quanto à

possível desvalorização da moeda brasileira, o BACEN alterou a política de câmbio,

fixando uma banda de câmbio com flutuação de 0,86 R$/US$ a 0,90 R$/US$. A falta de

transparência e informações contraditórias passadas pelo governo, ocasionados pela

inexperiência com o sistema, provocou confusão no mercado e criou um amplo

movimento especulativo contra o Real. Os principais bancos não acreditavam na

estabilidade das bandas. E os demais interpretaram que os limites máximos e mínimos

destas poderiam ser alternados constantemente.

Para se ter uma idéia, no dia 08 de março de 1995, o governo interveio cinco

vezes no mercado de câmbio e no dia seguinte o Banco Central foi obrigado a realizar o

recorde de 32 leilões de venda de Dólar, posto o movimento especulativo ter atingido

seu auge. Assim, no dia 10 de março o BACEN alterou os limites da faixa cambial

permitindo ao Dólar flutuar entre 0,88 R$/US$ a 0,93 R$/US$ e adotou uma série de

medidas para estimular o ingresso de recursos no país e desestimular a saída de capitais,

dentre as quais estava a redução do volume de dólares que os bancos poderiam manter

em seu poder (de US$50 milhões para US$5 milhões), devendo o restante ser

depositado no Banco Central a juros baixos; a elevação considerável da taxa de juros e a

eliminação do imposto sobre Operações Financeiras (IOF) para empréstimos; e

aplicações de capital estrangeiro nas Bolsas de Valores.

Em 12 de junho de 1995, o governo conseguiu vender todo o lote de papéis

atrelados ao Dólar (as NTN´s cambiais), sinalizando que não pretendia alterar a banda

cambial no curto prazo e acalmando o mercado da moeda estrangeira. Adotou, ainda,

outras medidas visando trazer maior estabilidade ao mercado de Dólar, quais sejam: a

instituição dos leilões de spread

e a atuação do BACEN em intrabandas (pequena

faixa dentro da banda oficial). Dez dias depois, houve a modificação das bandas de

câmbio, passando para 0,91 R$/US$ e 0,99 R$/US$, conferindo maior flexibilidade na

condução da política cambial.

Neste contexto, vale lembrar que com o advento das minibandas, implementadas

através dos leilões spread, o mercado de câmbio passou a ser menos volátil, posto a

variação média do Dólar no período de 7 de março a 22 de junho ter sido de 0,40%

contra 0,10%, entre 23 de junho a 25 de julho.

Em janeiro de 1996, houve nova alteração das margens superiores e inferiores

das bandas de câmbio, passando para 0,99 R$/US$ e 1,06 R$/US$, respectivamente. O

Conselho Monetário Nacional (CMN) determinou que os limites da banda cambial

fossem definidos periodicamente pelo BACEN e que este deveria intervir no mercado

de câmbio todas as vezes que os limites das faixas de flutuação fossem atingidos.

Assim, em 1997 os limites da banda cambial foram novamente modificados,

passando para 1,05 R$/US$ e 1,14 R$/US$, e posteriormente, em 20 de janeiro de 1998,

No leilão de spread, o banco que quiser negociar com o Banco Central deverá mostrar os dois preços, o

de compra e o de venda.

foram elevados para R$ 1,12 e R$ 1,22 por Dólar. Este último ano foi marcado pela

intensiva preocupação com a perda de reservas internacionais totalizadas em US$ 36,1

bilhões, apesar das medidas adotadas com o objetivo de incentivar o ingresso de

recursos externos.

Pelo exposto até então, nota-se que nos primeiros anos do Plano Real, a

preocupação e o esforço do governo em manter a cotação do Real mais próxima

possível da paridade com o Dólar norte-americano, trouxeram resultados satisfatórios

para a época. No entanto, devido a política de juros elevados que desencadeou no

aumento da dívida interna e a insegurança de investidores estrangeiros agravada com as

crises asiática e russa no final de 1997 e 1998, respectivamente, o Brasil teve grande

perda de reservas internacionais demonstrando a vulnerabilidade da economia brasileira

a uma crise externa e a necessidade de modificar a política cambial vigente na época.

Neste contexto, cumpre destacar as palavras de Ferreira (2004): “O real

sobrevalorizado prejudicou sensivelmente as exportações, gerando déficits comerciais.

A conseqüência foi não só a perda de competitividade no mercado externo, como

também perda de reservas cambiais.”

Dessa forma, a fim de tentar conter a perda de reservas e em razão da taxa

cambial aproximar-se do limite superior da intrabanda, em 13 de janeiro de 1999, o

Banco Central ampliou a banda cambial para 1,20 R$/US$ a 1,32 R$/US$ e aumentou

suas intervenções nos mercados presente e futuro. Além destas medidas, o BACEN

decidiu unificar as posições de câmbio existentes nos dois segmentos, o livre, também

chamado de "comercial", e o flutuante, conhecido como "turismo", inexistindo, assim,

diferença entre eles na formação da taxa de câmbio.

Contudo, o ajuste inicial (aumento da banda) mostrou-se pequeno e as novas

elevações nas taxas de juros foram ineficientes. Como a fuga de capital continuou em

ritmo acelerado, em 15 de janeiro, o Banco Central decidiu não intervir, deixando que o

Real passasse a flutuar livremente de acordo com o estabelecido pelo mercado

interbancário. A partir daí, o BACEN somente atuaria com vistas a conter as oscilações

bruscas da taxa de câmbio. Neste ano, houve uma forte desvalorização do Real, que de

1,21 R$/US$ alcançou uma média de 1,52 R$/US$ em janeiro, 1,91 R$/US$ em

fevereiro e 1,90 R$/US$ em março.

Diante da inexistência de pressões do setor externo e da retomada da confiança

no país pelos agentes econômicos, nos primeiros três meses do ano 2000 houve uma

diminuição da cotação da moeda norte-americana e os investimentos externos líquidos

voltaram a crescer. Porém, no segundo semestre, rumores do mercado externo causaram

pressões sobre a taxa de câmbio, terminando o ano a 1,95 R$/US$.

Em 2001, devido a fatos internos e externos, tais como a crise do setor elétrico, a

recessão norte-americana agravada com os atentados terroristas de 11 de setembro, a

estagnação econômica do Japão e as crises da Turquia e Argentina, a economia

brasileira cresceu somente 1,5% e a taxa de inflação atingiu 10,4%. A cotação chegou a

2,80 R$/US$ em setembro e no final do ano, com interferência do Banco Central,

fechou em 2,32 R$/US$.

Segundo Ferreira (2004),

”em situações de crise, como ocorreu em setembro, o que

o Banco Central fez foi acionar os instrumentos clássicos

de política monetária que tem a seu alcance: elevação dos

depósitos compulsórios sobre os depósitos à vista e a

prazo dos bancos comerciais; ampliação dos leilões de

títulos governamentais com correção cambial; e aumento

de suas intervenções no mercado de câmbio”.

Em resposta à maior confiabilidade do mercado na economia brasileira, a taxa

de câmbio manteve-se relativamente estável no período entre novembro de 2001 a abril

de 2002. No entanto, as expectativas econômicas para 2002, principalmente por ser um

ano eleitoral, não se confirmaram. Na prática, houve novo clima de incerteza e

instabilidade causado por uma série de fatores, tais como, a incerteza quanto ao

processo eleitoral e o agravamento da crise da Argentina, dentre outros.

Segundo analistas, a crise política instaurada no governo de FHC, como a saída

de lideranças do PFL de cargos executivos, provocou a desvalorização cambial em

março daquele ano e causou efeitos negativos no mercado.

Assim, em 06 de maio de 2002, o Banco Central cria o hedge, nova modalidade

de proteção cambial, com o objetivo de controlar as oscilações da moeda norte-

americana, e permite ao investidor contratar a proteção cambial do BACEN apenas pelo

“swap”, sem a necessidade de comprar títulos do Tesouro Nacional.

Em setembro de 2002, o clima de incertezas e a desvalorização do Real frente ao

Dólar elevaram as expectativas de inflação. Após esse período de turbulências

internacionais e com o fim do processo eleitoral, a economia brasileira adquiriu

novamente estabilidade e, diante do compromisso assumido pelo novo governo em

continuar com a política fiscal e monetária, a taxa de câmbio desvalorizou-se

acentuadamente fechando o ano em 3,53 R$/US$ e a inflação atingiu 12,53%.

Segundo Bacha (2005), “o compromisso com o equilíbrio fiscal contribui para

reduzir as expectativas futuras de inflação e permitir que a política monetária cumpra

seu papel de estabilizar os preços no curto prazo com custos mais baixos”.

Vigente até então, o “swap casado” consistia em uma forma de investidores protegerem suas dívidas

em Dólar com a contratação de operação no Banco Central de troca de rentabilidade comprando

obrigatoriamente títulos pós-fixados (LTF’s corrigidos a juros de mercado). Esta modalidade amarrava o

Tesouro Nacional ao investidor e o fazia vender títulos depreciados no mercado (a um valor mais baixo

do que havia pago anteriormente).

Assim, em outubro de 2003, houve uma valorização cambial em razão da

expectativa de que o Banco Central suspendesse os leilões para rolagem da dívida

cambial até dezembro, fazendo com que o Dólar encerrasse em baixa de 2,87 R$/US$

no dia 20 daquele mês, fechando o ano em 2,89 R$/US$ e inflação de 9,30%.

No segundo mês de 2004, o Grupo dos Sete países mais industrializados do

mundo (G7) alertou contra a volatilidade excessiva nos mercados. No entanto, o Japão

se recusou a mudar sua política de intervir no câmbio

, conforme afirmou o vice-

ministro das Finanças do Japão na época, Masakazu Hayashi (2004): “é desejável que o

câmbio reflita fundamentos econômicos. Nossa política de agir contra movimentos

excessivos está inalterada”.

Após uma reunião econômica, em dezembro, líderes chineses prometeram

manter estáveis as políticas fiscal e monetária no ano de 2005 e o controle sobre

investimento em capital fixo.

No Brasil, em junho de 2004, o Banco Central decide rolar até 40% dos

vencimentos cambiais em razão de uma demanda competitiva no mercado, o que não

fazia desde novembro de 2003. No entanto, em novembro deste mesmo ano, com a

tendência de baixa do Dólar em razão da incerteza quanto ao resultado da eleição

presidencial americana, inexistia no mercado demanda por hedge, não fazendo sentido a

realização de leilão de rolagem dos títulos. Na verdade, o BACEN objetivava reduzir a

exposição da dívida pública às oscilações do câmbio, que fechou o ano em 2,65R$/US$.

O ano de 2005 inicia com o Banco Central anunciando que passará a promover

leilões de “swaps” cambiais com periodicidade inicial semanal, a fim de reduzir o

passivo cambial do setor público. Essa medida implementada desde 2003, mas com

Para conter a alta do Iene, o Japão vendeu um recorde de 20 trilhões de Ienes em 2003.

Publicado em 09 de fevereiro de 2004, no Universo On Line – UOL:

http://www1.uol.com.br/economia/reuters/ult29u32809.shl

algumas modificações contratuais, seria baseada em condições adequadas de mercado a

cada momento e teria como objetivo não adicionar volatilidade ao mercado cambial

nem interferir na tendência de flutuação da taxa de câmbio.

No final, mesmo com a crise política no governo Lula, o câmbio encerra o

período em baixa, cotado a 2,34 R$/US$ e a inflação reduz para 5,69% contra 7,60% do

ano anterior.

Por fim, o ano de 2006 inicia com valorização da moeda brasileira de 9,82% em

20 de fevereiro, sendo 40% de alta apenas neste dia.

Conforme Fonseca (2006), “por mais restritivas que fossem as regras cambiais

vigentes nos últimos 70 anos, elas não nos livraram de recorrentes crises cambais e de

gigantescas fugas de capitais”.

O autor do texto lembra a evasão de divisas na

economia brasileira ocorridas nos anos 1980 e 1998. Para ele, é ingênua a idéia de

quanto mais controlado o cambio, menor a vulnerabilidade cambial, afirmando que “na

era da globalização, são inúteis os controles cambiais e cada vez mais se impõem o livre

fluxo de capitais, a livre cotação e a conversibilidade das moedas”.

Conclui-se, assim, que o regime de câmbio flutuante introduzido em janeiro de

1999 após experiências insatisfatórias de indexação cambial, das bandas cambiais, de

câmbio fixo e de maxidesvalorizações periódicas, é o que melhor se adequa à política

econômica brasileira.

Após as desvalorizações cambiais ocorridas nos anos anteriores, em especial em

2002

, a cotação do Dólar chega a 2,11 R$/US$, em 03 de março de 2006, menor valor

em 5 anos. Essa queda de 0,14% se deve, dentre outros fatores à balança comercial e ao

“O cambio em debate”, publicado no Jornal Folha de São Paulo, em 20 de fevereiro de 2006. Roberto

Giannetti da Fonseca é economista e diretor titular do Departamento de Relações Internacionais e

Comércio Exterior da Fiesp (Federação das Indústrias do Estado de São Paulo) e presidente da Funcex

(Fundação Centro de Estudos do Comércio Exterior).

Desde 2002 a moeda norte-americana caiu quase 40% em relação ao Real.

maior fluxo de divisas desde 1998, refletindo assim a melhora do cenário externo.

Coincidentemente, o Banco Central está atuando de forma mais discreta no câmbio,

indicando que possivelmente as reservas em moeda estrangeira já estão em níveis

confortáveis.

Em 07 de março deste ano, o BACEN avisou que não realizaria leilão de “swap

cambial reverso”, contrariando o afirmado anteriormente. No dia 10, o BACEN somente

realizou leilão para comprar dólares diretamente dos bancos. A divulgação de dados de

inflação dentro do esperado pelo mercado (em 0,41% em fevereiro) ocasionou queda na

taxa de juros na BM&F (Bolsa de Mercadorias & Futuros).

Em 14 de março, a notícia de que o Governador de São Paulo, Geraldo Alckmin,

será o candidato à Presidência pelo PSDB reforçou o otimismo no mercado, e o ingresso

de recursos no país fizeram com que o Dólar atingisse o menor nível do dia, a 2,12

R$/US$. Até então, o Banco Central não realiza leilão de contratos de swap cambial

reverso há cinco sessões, efetuando somente o leilão de compra de dólares. Segundo

analistas, sua atuação mais fraca torna mais difícil enxugar a liquidez do mercado.

De acordo com o boletim do Banco Central

, a taxa de câmbio será de 2,22

R$/US$ no primeiro semestre de 2006 e de 2,13 R$/US$ no segundo semestre. A nós,

só nos resta esperar e torcer para que fatores como a política não reverta a apreciação do

Real.

Vide “Fluxo cambial é o maior desde 98, e dólar atinge novo mínimo em 5 anos”. Jornal Folha de São

Paulo, de 03 de maço de 2006. p. B1.

BCB Boletim/BP, atualizado em 02 de março de 2006.

4.4. Impacto da volatilidade da taxa de câmbio sobre o mercado

A globalização financeira permitiu o livre fluxo de capitais e trouxe maior

facilidade na comercialização entre países, provocando maior adoção de regimes

cambiais flexíveis por inúmeras economias emergentes. Neste regime mudanças bruscas

nas expectativas provocam variações bruscas na taxa de câmbio o que pode ser um fator

altamente instabilizador.

Nas palavras de Crusius (2003), “movimentos bruscos da taxa de câmbio

nominal, ainda que justificados, podem causar desequilíbrios de curto prazo envolvendo

os setores exportadores, importador e bancário, afetando o lado real da economia”. E

acrescenta que, “além disso, pode haver problemas de liquidez, aumentando a

volatilidade cambial”. Sendo assim, o efeito da volatilidade da taxa de câmbio, ou seja,

a incerteza gerada por variações no câmbio, sobre os movimentos do comércio

internacional tornou-se uma questão importante em economia internacional.

Vários estudos teóricos analisaram a reação do comércio frente ao

comportamento da taxa de câmbio. A maioria concluiu que um aumento da incerteza em

relação à taxa de câmbio leva a um menor nível de comércio, em razão do risco ali

existente.

No estudo sobre considerações e perspectivas do MERCOSUL, Ferreira (2004)

conclui que “um ambiente marcado por um processo de instabilidade cambial, que

Ferreira (2004) menciona que um levantamento feito por Hausmann & outros (1999) mostra “que a

habilidade da taxa de câmbio flutuar livremente está intimamente relacionada ao nível de

desenvolvimento de um país”. De acordo com o estudo, “quanto mais desenvolvido o país, mais volátil

será a taxa de câmbio, tanto em relação ao nível das reservas internacionais quanto da taxa de juros”

Dessa forma, de acordo com o autor, “nos países em desenvolvimento, o regime de câmbio flutuante é

menos volátil em razão da interferência direta do Banco Central”, como é o caso do Brasil.

acarrete alterações freqüentes nos preços relativos, gera incertezas nas decisões de

investimentos e distorções na produção de bens e serviços”.

Nesse contexto, a volatilidade funciona como fator extremamente importante

para a tomada de decisão do investidor, posto auxiliá-lo na análise dos riscos e dos

possíveis retornos advindos do negócio.

Lacerda (2003) elenca três medidas de proteção capazes de minimizar a

volatilidade de países em desenvolvimento, quais sejam, “diminuir a dependência de

recursos externos, gerando expressivos superávits comerciais; ampliar o volume de

reservas cambiais líquidas; e selecionar o ingresso de capitais externos, privilegiando os

investimentos diretos e recursos de longo prazo”.

Examinando a relação existente entre volatilidade e comércio internacional,

alguns estudiosos argumentam que a volatilidade da taxa de câmbio impõe custos sobre

os participantes de mercado avessos ao risco, que geralmente irão responder a isso na

margem, favorecendo o comércio interno em detrimento do comércio externo. Este

argumento vê os agentes como se não pudessem diversificar os riscos de câmbio. Já

outros defendem que há benefícios para o comércio internacional advindos da

volatilidade da taxa de câmbio ou risco cambial. De acordo com eles, o comércio pode

ser visto como uma opção comprada pelas firmas. Como qualquer outro tipo de opção, o

valor do comércio pode subir com a alta da volatilidade.

No entanto, na análise do efeito da volatilidade da taxa de câmbio sobre os

preços tem-se que o exportador que fatura em moeda estrangeira enfrenta risco de

preços afinal a quantidade demandada é conhecida (já que os preços não mudam

durante o período do contrato) mas o fluxo de receita e dos lucros é incerto. No entanto,

o exportador que recebe em moeda doméstica enfrenta o risco quantidade, ou seja, a

quantidade demandada é incerta já que o preço enfrentado pelo comprador e os custos

da produção são incertos.

Dessa forma, a incerteza sobre a taxa de câmbio faz com que participantes do

mercado avessos ao risco reduzam suas atividades, mudem preços, ou modifiquem sua

oferta ou demanda de forma a minimizar a sua exposição aos efeitos da volatilidade da

taxa de câmbio.

5. OPÇÕES

As opções são um tipo de derivativo que vem sendo muito utilizado no mercado

financeiro, e por isso merece grande atenção por parte de analistas. Derivativos são

instrumentos financeiros cujo valor depende de outro ativo, que pode ser financeiro ou

não.

Segundo Damodaran (1997), “embora a negociação de opções tenha origem

comparativamente recente, valores com características de opções existem há muito mais

tempo”. Para ele, “a tecnologia disponível para a avaliação de opções expandiu-se

fortemente nos últimos 25 anos, especialmente após o desenvolvimento do modelo

básico de precificação de opções de Black e Scholes”.

No entanto, este modelo já não apresenta resultados condizentes com a realidade

no cálculo de apreçamentos de opções, surgindo as Redes Neurais como importante

alternativa aos modelos propostos. Sendo assim, neste capítulo será visto que, em razão

das funções que representa, a volatilidade é uma variável muito importante no mercado

de opções

, bem como será analisado ambos os modelos para o apreçamento de opções

de forma a encontrar aquele que apresente resultados condizentes com a realidade e que

estabeleça de forma satisfatória as relações entre as diferentes variáveis envolvidas. Para

tanto, torna-se imprescindível analisar o mercado de opções, apresentando suas

características e os fatores determinantes do valor das opções.

O Modelo de Black e Scholes foi criado em 1973, conforme será visto mais adiante.

Vale dizer que a volatilidade auxilia na determinação de preços de derivativos de forma geral,

principalmente de opções.

5.1. Conceito e tipos de opções

As opções conferem a seus proprietários o direito de comprar ou vender uma

quantidade específica de um bem ou um ativo a um preço predeterminado (denominado

preço de exercício) numa data prefixada ou num prazo determinado até a data de

vencimento ou expiração.

As opções podem ser de compra (chamado de call) ou de venda (put). Uma

opção de compra permite ao comprador adquirir um determinado ativo

a um preço

predeterminado a qualquer momento antecedente à data de vencimento da opção. Já

uma opção de venda dá o direito ao comprador de vender à outra parte uma quantidade

prefixada de um ativo-objeto

, por determinado preço de exercício, até a data de

maturidade do contrato. Em ambos os casos, o comprador paga um prêmio para adquirir

esse direito.

Vale esclarecer que o prêmio de uma opção responderá à variação dada no preço

do ativo-objeto da opção. Sendo assim, se o preço do ativo-objeto da opção baixa, o

prêmio da opção de compra tende a baixar também. Já o prêmio da opção de venda é

inversamente relacionado com o preço do ativo-objeto da opção.

Sobre o assunto, Freitas (2002) reconhece que “em virtude da diferença entre os

riscos assumidos por cada investidor, é de se esperar que a opção tenha um preço que

reflita a possibilidade de ganhos ou perdas futuras do lançador devido à variação do

preço do ativo-objeto”.

De acordo com Lemgruber (1992), “o ativo em questão, denominado ativo-objeto, pode ser o ouro ou o

Dólar negociados na BM&F, ou qualquer outro, não necessariamente negociado em bolsa, bastando que

haja concordância entre as partes envolvidas sobre suas características”.

Na definição de Silva (1996), ativo-objeto ou subjacente é “o instrumento ou ativo designado que pode

ser entregue para um contrato de opções”.

5.2. Classificação das opções e suas características

De acordo com a data de exercício

, as opções podem ser classificadas em

opções americanas e opções européias. As primeiras podem ser exercidas a qualquer

momento até seu vencimento. Já nas segundas o direito somente poderá ser exercido na

data de exercício

. Assim, por exigir apenas o conhecimento do preço final do ativo, o

apreçamento de opções européias apresenta-se como tarefa bastante simples se

comparada com opções mais complexas do estilo americano. Neste sentido, o que

tornam as opções americanas mais interessantes e difíceis de avaliar é a necessidade de

determinar seu momento ótimo de exercício antecipado.

Conforme Costa (1998), o resultado das opções de compra americanas sobre

ativos que não proporcionam rendas adicionais superiores às taxas de juro demonstra

que o exercício antecipado nunca é mais vantajoso do que a venda e reduz o problema

ao das opções européias. No entanto, para opções de venda americanas sobre o mesmo

tipo de ativo, certas situações (notadamente a alta de taxas de juro) favorecem o

exercício antecipado. Para o autor, “avaliar uma put (opção de venda) americana nessas

circunstâncias não pode ser feito por Black e Scholes, e necessita de um outro modelo.

O mesmo vale para calls (opções de compra) americanas sobre ativos que proporcionem

rendas maiores que as taxas de juro vigentes.”

Nota-se, assim que as opções conferem ao seu titular o direito de compra e

venda do ativo-objeto, permitindo que ele exerça sua opção somente quando lhe for

Entende-se por data de exercício o prazo que o comprador possui para exercer a opção; e data de

vencimento o último dia no qual a opção pode ser exercida.

As opções brasileiras são do tipo americano e possuem cláusula de proteção a variações de preço da

ação-objeto, causadas por distribuições de dividendos, bonificações, subscrições e desdobramentos.

Ver Costa (1998).

vantajosa. O fato de ser um direito implica que a parte titular possui uma escolha

possível de exercer ou não exercer o direito e permitir que a opção expire

O comprador de uma opção está exposto a muito menos risco de preço do que o

vendedor ou lançador da opção. O risco do comprador da opção está limitado ao prêmio

pago no ato da compra, ao passo que o risco do vendedor é proporcional ao potencial

movimento de preço.

Aqui, vale esclarecer que o preço de exercício é o preço predeterminado pelo

qual a opção pode ser exercida, ou seja, é o preço pelo qual pode-se comprar (vender) o

ativo caso deseje exercê-la.

Sendo assim, as opções podem estar dentro do preço (in-the-money), no preço

(at-the-money) ou fora do preço (out-of-the-money). Uma opção está in the money se

existe algum lucro que o comprador pode obter imediatamente ao exercer a opção, do

tipo americana

, resultando num fluxo de caixa positivo. Já em uma opção at the money

o preço de exercício é igual ao preço de mercado, que faz com que o valor intrínseco

seja “zero”. E finalmente, quando a opção está out of the money significa que não

oferece condições de exercício para o momento, pois seu preço de exercício é maior

(menor) que o preço de mercado no caso de uma opção de compra (de venda).

Sobre essa escolha, segundo Costa (1998) “não há praticamente nenhum tipo de opção em que, dada

uma situação e assumida a racionalidade do titular, o resultado da escolha não seja conhecido. Isto é,

assumindo-se que o titular é um agente racional que prefere mais dinheiro a menos dinheiro, na verdade

não há escolha alguma sobre o exercício, e a opção deixa de representar uma escolha para representar um

perfil de fluxo de caixa a ser atribuído ao titular em alguma data futura”.

O lucro é derivado da diferença entre o preço de mercado do ativo-objeto da opção e o preço de

exercício da opção.

Conforme Silva (1996), “do ponto de vista teórico, no preço de uma opção ou prêmio estão embutidos

dois elementos: o valor intrínseco e o valor temporal”. Valor intrínseco, na definição de Silva, é o valor

em espécie que seria alcançado se a opção fosse exercida imediatamente pelo comprador, especificamente

no caso de opções in the money (dentro do preço). Já valor temporal representa o valor que os

compradores estão dispostos a pagar por uma opção, com expectativa de que o preço do ativo-objeto da

opção varie, pelo menos, a uma quantia suficiente para motivar um aumento no prêmio da opção.

A Tabela 2 apresenta um resumo dos grupos de moneyness das opções e suas

principais características.

Tabela 2 – Grupos de moneyness das opções e suas características

Grupos de moneyness Opção de Compra Opção de Venda

In the money(“dentro do preço”)

At the money (“no preço”)

Out of the money (“fora do

preço”)

Preço do Ativo > Preço de

Exerc.

Preço do Ativo = Preço de

Exerc.

Preço do Ativo < Preço de

Exerc.

Preço do Ativo < Preço de

Exerc.

Preço do Ativo = Preço de

Exerc.

Preço do Ativo > Preço de

Exerc.

Referidos conceitos podem ser facilmente compreendidos através do gráfico

abaixo (Gráfico 1).

Gráfico 1 – Grau de moneyness das opções

Silva (1996) esclarece que “o preço de venda, ou valor total, de uma opção

geralmente excede ao seu valor intrínseco. Isto é verdadeiro para operações do tipo

americano porque o valor temporal é sempre mantido positivo para cima até a data de

expiração”. E continua dizendo que

“o caso é mais duvidoso para opções do tipo

europeu, visto que aproximando-se o tempo de

expiração pode não aumentar seu valor, dado que ele

somente pode ser exercido na data de exercício. Isto

é, uma opção do tipo europeu pode estar in the

money antes da expiração, contudo próximo da data

de expiração ela poderá estar out of the money”.

(SILVA, 1996)

5.3. Contrato de Opção versus Contrato Futuro

Objetivando evitar confusões e propiciar uma melhor compreensão à respeito do

mercado de opções, entende-se por bem tecer breve comentário acerca das diferenças

entre o contrato de opção e o contrato futuro.

Apesar de ambos tratarem de uma opção futura, criando ligeira semelhança entre

eles, suas diferenças são facilmente perceptíveis. Em um contrato de opções, inexiste a

obrigatoriedade do seu cumprimento. Como o próprio nome diz, no contrato de opções

o comprador tem a faculdade de exercer a opção, o que ocorrerá apenas se for de seu

máximo interesse fazê-lo, ou seja, se o preço do ativo exceder o preço de exercício da

opção em uma de opção de compra e vice-versa em uma opção de venda. Nota-se,

assim, que no mercado de opções as partes negociam o direito (e não a obrigação) de

comprar ou vender uma quantidade específica de um ativo a um preço predeterminado

para exercê-lo numa data prefixada até a data de exercício ou expiração. Vale dizer que

o comprador da opção paga antecipadamente por esse privilégio.

Já em um contrato futuro, tanto o comprador quanto o vendedor são obrigados a

cumprir suas partes no acordo. Neste, as partes assumem o compromisso

de realizar

no futuro a compra e venda do ativo a um preço acordado entre as partes. Dessa forma,

o comprador não tem uma vantagem sobre o vendedor e não tem que pagar um preço

antecipado para o contrato de futuros. A Bolsa de Futuros além de atuar como

intermediário e garantidor no contrato futuro, ela padroniza e regulamenta a forma

como este é criado e negociado no mercado.

5.4. Valores que influenciam no preço de uma opção

O preço de uma opção, usualmente denominado prêmio, depende basicamente

de cinco variáveis: preço do ativo-objeto, preço de exercício da opção, prazo de

vencimento da opção, taxa de juro livre de risco e volatilidade do preço do ativo-

objeto.

Nesta seção, comentar-se-á como essas variáveis limitam e afetam os prêmios

das opções de compra e de venda.

5.4.1. Preço do ativo-objeto

O prêmio da opção está diretamente relacionado ao preço do ativo-objeto, de tal

forma que mudanças no valor deste ativo afetam o valor da opção sobre o mesmo.

Assim, como as opções de compra conferem o direito de comprar o ativo-objeto a um

O contrato de futuros é um acordo entre duas partes.

Freitas (2002) acrescenta os dividendos esperados durante a vida da opção como mais uma variável que

afeta o preço de uma opção de ação. Ver Freitas apud Hull (1998).

preço fixo, um aumento no valor do ativo-objeto valorizará as opções. Em

contrapartida, as opções de venda se desvalorizam à medida que o valor do ativo-objeto

aumenta.

5.4.2. Preço de exercício da opção

Conforme comentado anteriormente, o preço de exercício é o preço pelo qual o

comprador da opção pode exercê-la. Esta variável é, na verdade, uma característica-

chave que descreve a opção.

O valor da opção é função direta do preço de exercício.

Quanto menor for o preço de exercício, maior será o valor da opção de compra e menor

valor terá a opção de venda.

5.4.3. Prazo de vencimento da opção

Tanto as opções de compra quanto as de venda valorizam à medida que seus

prazos de vencimento aumentam, ou seja, quanto mais distante estiver a data de

vencimento da opção, maior será o direito concedido e, conseqüentemente, maior será o

prêmio, afinal sendo maior o prazo de uma opção há maiores possibilidades de que ela

ofereça condições para o exercício.

Logo, “quanto maior o prazo de vencimento, maior o valor das opções de

compra. Para opções de venda do tipo europeu, os efeitos atuam em sentidos opostos, e

o resultado final não é determinado de maneira geral.”

Segundo Lemgruber (1992),

“para as opções de venda do tipo americano, o efeito da possibilidade de exercício

Ver Damodaran (1997).

Ver Lemgruber (1992).

antecipado elimina a desvantagem oriunda da redução do valor presente do preço de

exercício e, como conseqüência, o efeito do prazo de vencimento será idêntico aos das

opções de compra.” Ou seja, “quanto maior o prazo do vencimento maior será o valor

da opção de venda do tipo americano”, conforme afirma o autor.

5.4.4. Taxa de juro livre de risco

A taxa de juro livre de risco afeta o preço das opções na medida em que

influencia a determinação do valor atual do preço de exercício. Como este é um valor

preestabelecido, quanto maior for a taxa de juro, menor será seu valor atual e,

conseqüentemente, maior será o valor (prêmio) das opções de compra (call) e menor o

valor das opções de venda (put).

5.4.5. Volatilidade do preço do ativo-objeto

A incerteza em relação aos retornos proporcionados por determinado ativo-

objeto advém da variação de movimentos de seus preços, afinal estes não são

determinados arbitrariamente ou por qualquer outro mercado nem seguem um padrão.

Logo, quanto maior a volatilidade do ativo-objeto, maior o valor das opções, tanto de

compra como de venda, e portanto, mais valorizada estará a opção.

Dessa forma, faz-se importante observar o reflexo das alterações da volatilidade

sobre o preço das opções a fim de minimizar o risco ou maximizar os ganhos para o

investidor. Afinal, conforme Damodaran (1997) esclarece:

“Embora possa parecer contra-intuitivo que o

aumento numa medida de risco (variância) aumente

valor, opções são diferentes de outros títulos, uma

vez que os compradores de opções jamais poderão

perder mais do que o prêmio pago por elas e podem

potencialmente realizar ganhos significativos

decorrentes de grandes movimentos de preços.”

Segundo Costa (1998), “uma pressão compradora persistente nas opções pode

levantar seus níveis de volatilidade constantemente, criando uma tendência de alta que

pode durar dias”. E continua dizendo que, “da mesma maneira, em um mercado calmo,

o desinteresse geral por opções acaba provocando uma oferta, que causa uma downtrend

na volatilidade”.

Analisando o comportamento da volatilidade implícita no mercado brasileiro

percebe-se que esta mostra padrões de tendência que podem ser mais ou menos

perseguidos pelo operador. No entanto, existem outros fatores que devem ser

observados ainda que não estejam na fórmula de apreçamento nem nos modelos, posto

existirem dependências da volatilidade implícita em relação a cada uma delas. Dentre as

mais conhecidas, segundo Costa (1998), estão: a volatilidade no intraday (volatilidade

maior na abertura do pregão e declinante durante o pregão em razão do emagrecimento

da opção ocorrer durante o pregão e do momento de maior inquietação no mercado

ocorrer na sua abertura); volatilidade e direção de mercado (a tendência da volatilidade

implícita nas opções de ações é subir quando o mercado cai e cair quando o mercado

sobe, afinal um mercado acionário em baixa é naturalmente mais volátil que um

mercado em alta)

; volatilidade e at the moneyness (onde as opções at the money

Costa (1998) menciona que “alguns modelos (como o EGARCH) podem quantificar a dependência

entre a volatilidade do mercado e a sua direção, fornecendo valores de volatilidade histórica diferentes

dos que são calculados assumindo o passeio aleatório dos preços”.

apresentam volatilidade implícita menor que as não at the money, resultando no

chamado smile de volatilidade).

5.4.6. Smile de volatilidade

O termo smile (sorriso) surgiu da observação da forma resultante dos gráficos

volatilidade implícita de uma opção versus seu preço de exercício. De acordo com esses

gráficos as opções at the moneyness apresentam volatilidade implícita menor, ao passo

que nas opções out of the money e in the money a volatilidade torna-se maior.

Segundo Costa (1998), “pode-se argumentar que o smile não é um fenômeno da

volatilidade, e sim do preço”, tendo em vista que diferenças constantes nos preços das

opções produzem padrões de smile na volatilidade.

Vale destacar que, no mercado acionário brasileiro ainda não houve

demonstração deste efeito sorriso bem estabelecido em razão das poucas séries de

opções com liquidez simultâneas, ao contrário do mercado de opções de câmbio onde

ocorreram vários casos de smiles. No entanto, apesar das opções out of the money

ocorrerem com maior freqüência e terem liquidez (em razão da existência de

interessados em hedgear uma desvalorização potencial do real), o mercado de opções de

câmbio carecia de opções in the money o que fez com que a outra metade superior do

smile jamais chegou a ser observada com exatidão, coincidindo assim com as

volatilidades escalonadas, tipo mais comum de smile das opções de bolsa brasileiras.

A Tabela 3 abaixo, resume os efeitos no valor da opção de acordo com o

comportamento de suas variáveis.

Ver Costa (1998). Outra forma de smile que geralmente está relacionada à taxa de juro que é utilizada

no modelo.

Tabela 3 – Efeitos no valor da opção

Efeito sobre

Fator

Valor da opção

de Compra

Valor da opção

de Venda

Aumento no preço do ativo-objeto Aumenta Diminui

Aumento no preço de exercício da opção Diminui Aumenta

Aumento no prazo de vencimento da opção Aumenta Aumenta

Aumento nas taxas de juros Aumenta Diminui

Aumento na variância do ativo subjacente Aumenta Aumenta

Fonte: Adaptado de Damodaran (1997).

5.5. Modelo de Black & Scholes

Criado em 1973, por Fischer Black e Myron Scholes, o modelo então

denominado Black & Scholes foi desenvolvido para a avaliação de opções européias,

que são protegidas de dividendos. Representou um enorme avanço na teoria do

apreçamento de opções, sendo considerado um dos modelos mais utilizados e de maior

sucesso em finanças.

A facilidade de sua aplicação, onde o preço da opção pode ser calculado a partir

de uma fórmula, cujas variáveis de entrada, excetuando uma, são diretamente

observáveis, conquistou analistas do mercado. Assim, após sua publicação surgiram

diversos estudos a respeito e os mercados de opções começaram a se desenvolver,

crescendo o volume então negociado.

A fórmula de Black & Scholes pode ser utilizada para o apreçamento de

qualquer derivativo dependente de uma ação sem dividendos.

Logo, nem a

possibilidade de exercício antecipado nem o pagamento de dividendos afetam o preço

das opções.

Na verdade, este modelo é uma sofisticação do modelo binomial. Enquanto este

requer grande quantidade de dados de entrada, em termos de preços futuros esperados

em cada nó, o Modelo de Black & Scholes reduz substancialmente as necessidades de

informações.

De acordo com Damodaran (1997), “o Modelo Black & Scholes se aplica

quando a distribuição limitadora for a distribuição normal e supõe, explicitamente, que

o processo de preços é contínuo e que não há salto nos preços dos ativos”.

Frisa-se, por oportuno, que as determinantes de valor no Modelo Black &

Scholes são aquelas já apresentadas acima, ou seja, o preço atual do ativo-objeto, o

preço de exercício, o tempo a decorrer até o vencimento da opção, a taxa de juro livre

de risco e a variabilidade nos preços dos ativos-objeto.

A fim de produzir resultados úteis, este modelo possui certas premissas básicas

que procuram ser as mais realistas possíveis, quais sejam

- os mercados têm negociação contínua, isto é, a qualquer tempo há a

possibilidade de realização de um negócio;

- o comportamento do preço da ação segue o modelo lognormal, com taxa de

retorno

()

esperada da ação e volatilidade

(

)

do preço da ação constantes;

Segundo Silva (1996), “a fórmula Black-Scholes pode ser muito útil para investidores do mercado de

opções, já que pode ser usada tanto para medir o valor como o risco de uma opção em relação a ação

subjacente”.

Conforme esclarece o autor, a distribuição limitadora é a distribuição normal se, à medida que t se

aproxima de zero, as variações de preços se tornarem menores.

Sobre o assunto, ver Freitas (2002) e Pinheiro (1996).

- não há custos operacionais, nem impostos e todos os títulos são perfeitamente

divisíveis;

- as ações não pagam dividendos até o vencimento das opções, o que permite

que o modelo possa ser utilizado para opções Européias e opções de compra

Americanas;

- não existem oportunidades de arbitragem sem risco

;

- há a possibilidade de venda a descoberto, sem qualquer custo adicional;

- a taxa de juro livre de risco é conhecida e constante.

Nota-se assim que, de acordo com este modelo os preços do ativo-objeto de uma

opção possui comportamento estocástico contínuo, na forma de Movimento Geométrico

Browniano, o que significa dizer, nas palavras de Lemgruber (1992), que “a distribuição

probabilística dos preços do ativo-objeto em uma data futura é log-normal e, por

conseqüência, a distribuição probabilística das taxas de retorno calculadas de forma

contínua e composta entre duas datas é normal”.

Outra particularidade do Modelo Black & Scholes é de que nele o preço de uma

opção dependerá exclusivamente da volatilidade da ação a que ela se refere, e não do

valor esperado da mesma.

A fórmula de avaliação para opções definida por Black & Scholes pode ser

derivada em função das seguintes variáveis:

 S que é o preço corrente do ativo sobre o qual a opção foi lançada ou ativo-

objeto;

Segundo Freitas (2002), “para derivar a equação diferencial que descreve o modelo, Black & Scholes

utilizaram a hipótese de não existência de oportunidades de arbitragem. Dessa forma, construíram uma

carteira sem risco, composta por uma posição na ação-objeto e uma posição na opção, e igualaram seu

retorno à taxa de juro livre de risco”.

 X é o preço sobre o qual será comprado ou vendido o ativo-objeto na data de

exercício, ou preço de exercício da opção;

 r é a taxa de juro livre de risco entre hoje e o vencimento da opção

;

 T é o tempo, medido em anos, até o exercício;



é a volatilidade anual do ativo subjacente entre hoje e o vencimento da opção;

tendo, assim, um modelo matemático da forma

),,,,(

TrXSfC

Dessa forma, utilizando estas variáveis, Black & Scholes definiram fórmulas

para apreçar opções de compra e venda européias de ações sem dividendos, quais

sejam

)()(

dNXedSNc

−

−=

)()(

dSNdNXep

−=

−

Onde:

TrXS

)2/()/ln(

TrXS

−=

−+

)2/()/ln(

A taxa de juro livre de risco usada neste modelo deve ser capitalizada continuamente. Para tanto, pode-

se utilizar a seguinte transformação: e

– 1 = b, donde a é a taxa capitalizada continuamente e b é a taxa

efetiva.

Silva (1996) lembra que algum tempo atrás, a montagem da fórmula do Modelo Black-Scholes era uma

tarefa bastante complexa. Porém, a disseminação da microinformática e o uso intensivo de ferramentas ou

utilitários, como as planilhas eletrônicas, pôs fim ao obstáculo para a montagem do modelo.

Aqui, cumpre esclarecer que N(x) é a função de distribuição cumulativa de uma

normal, ou seja, é a probabilidade de uma variável que segue uma distribuição normal

padrão (média igual a 0 e desvio padrão igual a 1) ser menor que determinado valor x;

-rT

é o valor presente do preço de exercício; c e p são os preços das opções de compra

(call) e venda (put), respectivamente; e ln é o logaritmo neperiano.

Analisando a expressão acima, percebe-se que o modelo requer o conhecimento

de todos os parâmetros nele contidos, os quais são facilmente verificados no momento

da negociação, exceto um, a volatilidade, que não pode ser diretamente observada,

devendo ser estimada.

Como visto no capítulo 3 do presente estudo, há diversas formas de estimar a

volatilidade: a partir de dados históricos do preço da ação-objeto ou através do cálculo

da volatilidade implícita, na qual consiste em determinar a volatilidade a partir do

próprio modelo de apreçamento Black & Scholes, igualando-se a fórmula ao preço de

mercado da opção

. No entanto, neste trabalho utilizar-se-á a volatilidade histórica para

o cálculo do apreçamento de opções, em razão dos motivos já expostos anteriormente.

Até porque, conforme afirma Freitas (2002), “ainda não existe consenso quanto

ao método de estimativa da volatilidade mais adequado ao mercado de opções”. Para

Lanari (2000), que analisou vários trabalhos sobre a volatilidade implícita e sua

capacidade de prever o futuro, “não há (...) conclusão definitiva sobre a melhor maneira

de se estimar a volatilidade”.

Nestes 30 anos de existência do Modelo de Black & Scholes, diversas críticas

foram a ele direcionadas. Seja em razão da inovação que trouxe ao sistema, resultando

no seu imenso sucesso, ou à facilidade de sua utilização, a verdade é que à partir daí

Neste contexto, a volatilidade implícita pode ser definida como a volatilidade que, aplicada ao Modelo

de Black & Scholes, resulta em um preço igual àquele negociado no mercado.

Apud Freitas (2002).

surgiram muitos estudos à respeito do assunto: uns procurando criar novos modelos

capazes de apreçar opções, outros analisando a precisão do Modelo Black & Scholes no

alcance dos objetivos por ele almejados.

O resultado encontrado pelos estudiosos foi de que algumas de suas premissas

não são confirmadas na prática, levando a diferenças significativas entre o valor da

opção, calculado pelo modelo, e o valor realmente verificado no mercado.

Dentre as premissas apontadas pelo modelo estão as que se referem ao

comportamento estocástico dos preços dos ativos-objeto e da taxa de juro. Black &

Scholes consideraram que as mudanças nos preços do ativo-objeto são constantes e que

a taxa de juro também é constante durante o tempo de vida da opção. Entretanto,

observando o mercado, é possível notar drásticas variações nos preços dos ativos com

freqüência e alterações na taxa de juro, principalmente no Brasil, onde a estabilidade da

taxa de juro é premissa mais fraca.

Costa (1998), ao criticar a premissa de juro constante apontada pelo Modelo

Black & Scholes, enfatiza

“Acontece que toda opção sobre S é, indiretamente,

uma opção sobre juros: se os juros caírem, o valor

futuro de S também cai, podendo até transformar um

call em out-of-the-money ou uma put em in-the-

money. Se os juros sobem, o valor futuro de S

também sobe, podendo transformar uma call em in-

the-money, ou uma put em out-of-the-money. Em

ambos os casos, o deslocamento das opções deveu-

se apenas à variação dos juros. Isso quer dizer que

uma opção pode entrar e sair do dinheiro movida a

juros.”

Outra premissa básica do Modelo de Black & Scholes é de que a volatilidade do

preço das ações é constante. Porém, na prática, essa assertiva não se confirma, afinal a

volatilidade futura do preço de uma ação é incerta, posto depender do preço de exercício

e da maturidade da opção em questão.

Sobre o assunto, Freitas (2002) completa ao dizer que “se o Modelo Black e

Scholes fosse um modelo perfeito, as opções sobre a mesma ação e de mesmo

vencimento deveriam estar relacionadas à mesma volatilidade implícita”.

Nesta mesma linha de raciocínio encontra-se Oliveira (2003) ao afirmar que

“empiricamente, observa-se que os preços estimados pelo BMS, usando-se previsores

estatísticos para

, não se ajustam perfeitamente àqueles praticados pelo mercado”. De

acordo com o autor,

“mesmo em mercados com alta liquidez e com

significativa similaridade às hipóteses subjacentes

ao modelo de BMS, principalmente para opções

muito fora do dinheiro (OTM) ou muito dentro do

dinheiro (ITM), os preços de mercado apresentam

discrepância com relação ao que se esperaria caso o

BMS fosse o “verdadeiro” modelo de formação dos

preços”.

Como se isso não bastasse, o Modelo de Black & Scholes apresenta outras

limitações, quais sejam, não levar em consideração a possibilidade de exercício

antecipado nem o pagamento de dividendos. Conforme Damodaram (1997), ambos

impactam o valor de opções, e há ajustes que, embora não sejam perfeitos, oferecem

correções parciais de valor. Segundo Freitas (2002), na prática, nem sempre essa

premissa de não-pagamento de dividendos antes do vencimento da opção se confirma.

Por outro lado, Silva Neto (1996) faz críticas às premissas de ausência de custos

operacionais e igualdade das taxas de captação e aplicação. Segundo ele, há muitos

Daigler (1997) apud Freitas (2002).

As abreviações contidas no texto são utilizadas pelo próprio autor para definir Black-Merton-Scholes

(BMS), neste trabalho definido como Black & Scholes, out-of-the-money (OTM) e in-the-money (ITM).

custos operacionais envolvidos na negociação de opções, incluindo os impostos e as

taxas cobradas pelas Bolsas.

Pelo exposto, nota-se que as premissas nas quais o Modelo Black & Scholes se

baseia estão longe de refletir a realidade. No entanto, ainda é largamente utilizado no

mercado de ações em razão da sua popularidade e da maneira rápida, prática e barata de

calcular opções.

Tal situação demonstra a fragilidade do mercado e incerteza nos resultados,

afinal ao preferir aplicar um modelo que não proporciona confiança estar-se-ão

admitindo a ingerência do operador de mercado e o aumento do risco para o investidor.

É preciso muito mais que um simples cálculo matemático onde encaixa-se os

valores numa fórmula e obtêm-se um resultado. É preciso encontrar uma forma de

apreçar opções que consiga incorporar não só o comportamento estocástico da

volatilidade como evitar demais erros capazes de ocasionar grandes transtornos aos

investidores em razão do enorme risco por eles assumidos.

5.6. Redes Neurais Artificiais

Nos anos de 1980 e 1990, especialmente os últimos, houve mudança

extraordinária na ordem internacional econômica. A área financeira passou por uma

evolução tecnológica que resultou no relacionamento dos mercados globais e

intensificou a necessidade de uma perspectiva global de negociação. A tendência em

torno da globalização interconectando os mercados resultou da convergência de fatores

como o avanço das telecomunicações e das tecnologias computacionais.

Assim, no decorrer dos anos, houve um aumento considerável na utilização de

técnicas matemáticas, estatísticas e computacionais para a previsão de movimentos

futuros no mercado financeiro, dentre elas destacam-se as Redes Neurais Artificiais

uma das técnicas mais difundidas da Inteligência Artificial.

A Rede Neural Artificial é um sistema de processamento de informação que

possui certas características de performance em comum com as redes neurais biológicas,

tendo em vista que procura simular o funcionamento do cérebro humano, de forma a

adquirir conhecimento para a solução de um determinado problema através de um

processo de aprendizagem.

Em razão de sua habilidade em lidar com dados ruidosos, incompletos ou

imprecisos, e de prever sistemas não lineares, a aplicabilidade das redes neurais

artificiais no mercado financeiro torna-se bastante eficiente, pelo fato deste mercado ser

um sistema não-linear visto que sofre a influência de diversos fatores políticos,

econômicos, entre outros

Vale destacar, por oportuno, que o avanço da tecnologia computacional

possibilitou o desenvolvimento das Redes Neurais que conseguiram superar as

dificuldades encontradas por outros métodos já utilizados na tentativa de realizar

previsões no mercado financeiro.

Cumpre esclarecer que a técnica das Redes Neurais Artificiais também são utilizadas em outras áreas,

tais como recursos humanos, marketing, médica, engenharia, etc, não sendo apenas aplicável ao mercado

financeiro. No entanto, o presente estudo analisará a sua utilização neste último setor em razão do tema

abordado.

As Redes Neurais não estabelecem hipóteses ou suposições sobre a distribuição ou propriedades dos

dados, o que faz com que sejam mais úteis em situações práticas.

5.6.1. Introdução

A Rede Neural Artificial

é uma técnica de Inteligência Artificial que tenta

simular em máquinas (computadores) o funcionamento do cérebro humano, de uma

maneira simplificada, a fim de solucionar problemas. Pode ser implementada por meio

de componentes eletrônicos ou através de software.

Nas palavras de Freiman (2005), “as redes neurais artificiais são ferramentas de

Inteligência Artificial que possuem a capacidade de se adaptar e de aprender a realizar

uma certa tarefa, ou comportamento, a partir de um conjunto de exemplos dados”. Ou

seja, são técnicas computacionais que apresentam um modelo inspirado na estrutura

neural de organismos inteligentes e que adquirem conhecimento através da experiência.

Como o cérebro humano, as Redes Neurais são constituídas de um conjunto de

unidades de processamento conectadas entre si, chamadas de neurônios artificiais, ou

simplesmente, neurônios. Essas unidades geralmente são conectadas por canais de

comunicação que estão associados a um determinado peso, chamado de peso

sináptico

. As unidades fazem operações apenas sobre seus dados locais, que são

entradas recebidas pelas suas conexões. O comportamento inteligente de uma Rede

Neural Artificial provém das interações entre as unidades de processamento da rede.

Para Haykin (2001), uma Rede Neural assemelha-se ao cérebro humano em dois

aspectos:

“(1) o conhecimento é adquirido pela rede a partir de seu

ambiente através de um processo de aprendizagem; (2)

forças de conexão entre neurônios (os pesos sinápticos)

são utilizadas para armazenar o conhecimento adquirido”.

Conforme esclarece Smith & Gupta (2000), existem vários tipos de redes, cada uma com diferentes

objetivos, arquitetura e algoritmo de aprendizagem.

De acordo com Freitas (2002), “pode-se dizer que os pesos sinápticos constituem o meio utilizado por

uma rede neural para armazenar o conhecimento adquirido durante o processo de aprendizagem.”

Assim, as Redes Neurais Artificiais utilizam o processamento distribuído, onde

os neurônios comunicam-se através de arestas exibindo um peso sináptico associado a

cada uma destas. Cada neurônio possui uma função de ativação, permitindo que, a partir

de um valor recebido como entrada e do valor já armazenado internamente, seja gerado

um valor de saída, que será propagado ao neurônio seguinte. Ou seja, de forma

sintetizada, estas operações consistem na multiplicação do valor de cada entrada pelo

respectivo peso associado e na posterior soma para resultar em um valor.

5.6.2. Histórico

O primeiro modelo artificial de um neurônio biológico foi desenvolvido por

Warren McCulloch e Walter Pitts, em 1943. McCulloch e Pitts criaram uma máquina

inspirada e baseada no cérebro humano, denominada Psychon, a partir de um modelo

matemático do neurônio biológico. No entanto, os diversos tipos de Redes Neurais

Artificiais por eles criados, executavam tarefas lógicas elementares e reconheciam

padrões visuais e auditivos simples, não apresentando técnicas de aprendizado, em

razão de seus idealizadores se concentrarem mais em descrever um modelo artificial de

neurônio e apresentar suas capacidades computacionais.

A partir daí, surgiram muitos estudos sobre o assunto, fruto da rápida

disseminação do entendimento de possíveis modelos neurais.

Em 1949, Donald O. Hebb mostrou que a plasticidade da aprendizagem de redes

neurais é conseguida através da variação dos pesos de entrada dos nodos. Ele propôs

uma teoria, conhecida como Regra de Hebb, para explicar o aprendizado em nodos

biológicos baseada no reforço das ligações sinápticas entre os nodos excitados, sendo o

pioneiro a propor uma lei de aprendizagem específica para as sinapses dos neurônios.

Este primeiro passo inspirou muitos outros pesquisadores. Hoje, a Regra de Hebb é

utilizada em vários algoritmos de aprendizado.

Em 1958, Frank Rosenblatt cria os Perceptrons

, modelos de neurônios

baseados nos conceitos de McCulloch e Pitts

e o primeiro neurocomputador a obter

sucesso. Com este novo modelo, Rosenblatt demonstrou que se as Redes Neurais

Artificiais, com nodos desenvolvidos por McCulloch e Pitts, fossem acrescidas de

sinapses poderiam ser treinadas para classificar certos tipos de padrões.

Segundo Smith (1993), “Rosenblatt demonstrated that the perceptron can

generalize. That is, if a perceptron gives a certain response to an input, it gives the

same response when it receives a novel but similar input”.

Posteriormente, em 1962, Bernard Widrow, fundador da primeira companhia de

hardware de neurocomputadores e componentes, e Marcian Hoff desenvolveram um

modelo similar ao Perceptron chamado Adaline (Adaptive Linear Element), equipado

com uma poderosa lei de aprendizado, que ainda permanece em uso.

Esses modelos do tipo Perceptron, incluindo o Adaline, são baseados no

aprendizado supervisionado por correção de erros, uma classe muito importante de

Redes Neurais Artificiais que possui uma larga aplicação na atualidade.

Para Smith

(1993),”the Adaline’s method of learning illustrates two key concepts: supervised

learning and gradient descent”.

“For Rosenblatt, the fundamental question was how the brain, despite the imprecision oh its initial

wiring, comes to respond insimilar ways to similar stimuli. How do we group together experiences that

are similar, and how do we differentiate them from dissimilar experiences? Rosenblatt’s answer was a

theory of statistical separability: a mathematical analysis oh the behavior of a class of network models

called perceptrons.” (SMITH, 1993)

Sobre o assunto, ver Loesch & Sari (1996).

Sobre o assunto ver Freiman (2004).

Minsky e Papert fizeram um estudo cuidadoso desses algoritmos e, em 1969

criticaram severamente os modelos baseados no Perceptron, dizendo que estes eram

limitados a resolver problemas linearmente separáveis. Estes resultados e observações

formalmente apresentados foram devastadores, e a abordagem conexionista ficou

relegada a um plano secundário durante toda a década de 70 e início da década de 80.

Ultrapassado o impacto e após um período de pesquisas silenciosas, surgiram

novos modelos, que deram um novo impulso às Redes Neurais. Assim, em 1982, John

Hopfield, renomado físico de reputação mundial, criou um modelo baseado em um tipo

de rede diferente dos modelos que tinham como base o Perceptron. Conforme esclarece

Freiman (2004), tal modelo tratava-se de uma rede com conexões recorrentes e com um

comportamento baseado na competição entre os neurônios, em que o aprendizado era

não supervisionado.

Alguns anos mais tarde, com o desenvolvimento dos computadores e de

modelos matemáticos foi possível analisar o problema apontado por Minsky e Papert.

Em 1986, surge, então, o modelo que permitiu o ressurgimento das redes baseadas em

Perceptrons, o das redes multinível, que possuía como algoritmo de aprendizado o

Backpropagation ou Retropropagação, desenvolvido por Rumelhart, Hinton e Williams.

Este algoritmo permitia realizar o aprendizado por correção de erros em uma rede de

múltiplas camadas.

Conforme afirma Smith (1993):

“They called the method “backward propagation of

errors”. Backpropagation is based on a generalization of

the Adaline’s gradient descent learning method, and it

provides the solution to the problem that had stymied

Connectionism for two decades”.

Os problemas de aprendizado existentes até então, foram resolvidos em grande

parte. E com o desenvolvimento da informática, a partir dos anos 80, os estudos sobre

Redes Neurais sofreram grande revolução, tornando-se destaque, seja em razão das

promissoras características apresentadas pelos modelos propostos, seja pelas condições

tecnológicas atuais de implementação, que permitem desenvolver arrojadas arquiteturas

neurais paralelas em hardwares dedicados e obter ótimas performances destes sistemas.

Surgiram assim, diversos estudos aplicando as Redes Neurais no mercado de

opções. Freitas (2002) analisou esses trabalhos, que utilizaram os modelos de Redes

Neurais no apreçamento de opções e na previsão de volatilidade implícita, e verificou

que todos são convergentes ao concluírem que a técnica de Redes Neurais é uma

importante ferramenta para a análise e compreensão do mercado de opções.

Tecendo breve resumo dos trabalhos analisados por Freitas (2002) que aplicaram

Redes Neurais ao mercado de opções, tem-se que:

- Hutchinson et al. (1994) utilizaram Redes Neurais no apreçamento e hedge de

opções sobre fundos do índice S&P 500, entre 1987 e 1991 e verificaram que o

resultado obtido pela fórmula de Black & Scholes foi superado pelas Redes Neurais

quando se utilizou, como conjunto de treinamento, dados sobre os preços diários das

opções vistos durante dois anos.

- Lajbcygier et al. (1996) compararam o modelo de Hutchinson et al. (1994)

com um modelo de quatro parâmetros de entrada: e rTXS ,,/

, onde T é o tempo até

o vencimento, r é a taxa de juro livre de risco e

é a volatilidade histórica estimada a

partir de dados diários de um período de 60 dias, aplicado ao mercado australiano de

derivativos. Segundo Freitas (2002), estes pesquisadores verificaram que o modelo de

quatro entradas mostrou-se superior ao modelo de duas entradas de Hutchinson et al.

(1994) e ao Modelo de Black & Scholes.

- Garcia e Gençay (2000) propuseram variação do modelo de Hutchinson et al.

(1994), dividindo a função do apreçamento em duas partes: uma controlada pela razão

e outra, por uma função do tempo até o vencimento. De acordo com Freitas

(2002), os resultados indicaram que a utilização dessa técnica reduz o erro de predição,

embora não se tenha verificado diferença significativa para o hedge com opções.

XS /

- Malliaris e Salchenberger (1996) desenvolveram um modelo de Redes Neurais

backpropagation para estimar a volatilidade futura, aplicando-o ao mercado de opções

sobre o índice S&P 100 e utilizando opções que estavam mais no preço (at-the-money).

Os resultados obtidos demonstraram que, em comparação aos métodos tradicionais de

volatilidade histórica e volatilidade implícita, a volatilidade estimada por meio das

Redes Neurais descreve melhor o movimento da volatilidade implícita calculada pelo

Modelo de Black & Scholes, conforme comenta Freitas (2002).

- Yao et al. (2000) construíram modelos de Redes Neurais backpropagation para

apreçar opções sobre futuros do índice Nikkei 225, em negociação no Singapore

International Monetary Exchange (SIMEX). O estudo realizado mostrou, em

comparação com o Modelo Black & Scholes, a superioridade do modelo de Redes

Neurais no apreçamento de opções dentro do preço e fora do preço. No entanto, no

apreçamento de opções no preço, o Modelo de Black & Scholes obteve um desempenho

superior.

- QI et al. (1996), por meio de rede MLP, apreçaram opções de compra sobre o

índice S&P 500, negociadas entre dezembro de 1994 e janeiro de 1995, e concluíram

que as Redes Neurais podem ser uma boa alternativa quando os pressupostos básicos do

Modelo de Black & Scholes são desrespeitados.

- Ormoneit (1999) propôs um algoritmo de treinamento para situações em que as

relações não-lineares de interesse mudam gradualmente com o tempo. Ormoneit utilizou

modelo de Rede Neural MLP no apreçamento e hedge de opções de compra sobre o

DAX, índice alemão de ações. E, em comparação ao Modelo de Black & Scholes,

obteve resultados melhores em relação aos erros de apreçamento.

- Burgess e Refenes (1999) empregaram redes neurais para estimar a

volatilidade implícita de opções sobre o índice Ibex35, que contém as 35 ações mais

líquidas negociadas na bolsa de valores espanhola por meio do sistema CATS. Segundo

Freitas (2002), os resultados empíricos mostraram que, por meio das Redes Neurais,

pode-se obter boas estimativas da volatilidade implícita.

5.6.3. O Neurônio Artificial

Conforme comentado anteriormente, uma Rede Neural busca inspiração na

estrutura do cérebro humano, sendo formada por diversos neurônios organizados em

camadas. Estas, por sua vez, são classificadas em três grupos divididos em camadas de

entrada (na qual os padrões são apresentados à rede), camadas intermediárias ou ocultas

(nas quais é feita a maior parte do processamento, através de conexões ponderadas) e

camada de saída (na qual o resultado final é apresentado).

Cada neurônio de uma camada é conectado com todos os neurônios das camadas

anteriores e posteriores e a cada uma dessas ligações é arbitrado um peso sináptico

Os pesos sinápticos são responsáveis pelo armazenamento das informações e definem o efeito que a

saída de um neurônio exerce sobre a entrada do neurônio seguinte.

além de haver um valor pré-arbitrado para cada neurônio. O resultado do somatório dos

pesos multiplicados pelos valores de entrada e do valor pré-arbitrado é submetido a uma

função de ativação, que, por sua vez gera a saída.

Assim, como as Redes Neurais se baseiam no funcionamento do neurônio

biológico, possuem uma estrutura idêntica a este. McCullock e Pitts interpretaram o

funcionamento do neurônio biológico como sendo um circuito de entradas binárias onde

cada sinal positivo ou negativo que entra pelo sistema é multiplicado por um número,

ou peso, que indica a sua influência na saída. Caso a soma ponderada dos sinais exceda

certo limite, é gerada uma resposta de saída.

Figura 1 – Modelo de McCullock e Pitts (1943)

A partir deste modelo é possível identificar três elementos básicos para o projeto

de Redes Neurais: um conjunto de sinapses, cada uma caracterizada por um peso ou

força própria (representadas por W

, W

.... Wp); um somador para somar os sinais de

entrada, ponderado pelas respectivas sinapses do neurônio, constituindo um combinado

linear; e uma função de ativação para restringir o intervalo permissível de amplitude do

sinal de saída do neurônio a um valor finito.

Haykin (2001) apresentou o modelo de um neurônio artificial k (Figura 2), em

que após a multiplicação dos valores de entrada pelos respectivos pesos

os produtos obtidos são somados entre si e às bias (parâmetro que permite a calibragem

do sinal de saída

), resultando no potencial de ativação representado por .

Posteriormente, o valor de

é submetido a uma função de ativação

(

kmkk

www ...,

)

, cujo resultado

é o valor de saída do neurônio.

Figura 2 – Modelo de um Neurônio Artificial

Fonte: Haykin (2001)

Sendo assim, o neurônio pode ser representado matematicamente pelas seguintes

expressões:

∑

bjkjk

xwv .

)(

Nas palavras de Welstead (1994), bias (ou threshold) caracteriza um peso adotado que possui um valor

unitário, e é utilizado de forma a proporcionar que um neurônio artificial possa gerar um resultado

diferente de zero correspondente a um valor (sinal) líquido nulo gerado pela função soma.

100

5.6.4. Função de Ativação

A função de ativação, denotada por (.)

, é uma função matemática que,

aplicada à combinação linear entre as variáveis de entrada e pesos que chegam a

determinado neurônio, define seu valor de saída. Em outras palavras, a função de

ativação é aplicada ao potencial de ativação

para a produção do valor de saída do

neurônio artificial.

Esta função limita a amplitude do intervalo do sinal de saída do neurônio para

algum valor finito, geralmente no intervalo normalizado [0,1] ou [-1,1].

Dentre as principais funções de ativação utilizadas, os tipos básicos são:

Função Degrau ou Limiar – É o tipo mais simples de função de ativação,

onde tem-se que:

1 se

v ≥ 0

)(v

0 se v < 0

Correspondentemente, a saída do neurônio

que utiliza a função limiar é

expressa como:

1 se 0

v ≥

0 se

< 0

Ver Freitas (2002).

101

Nota-se, assim, que neste modelo a saída do neurônio recebe o valor de 1 se o

nível total de atividade interna desse neurônio é não negativo, e 0 se é o contrário.

Graficamente, é definido da seguinte forma:

Gráfico 2 – Função Degrau ou Limiar

b) Função Linear – Esta função, representada pelo gráfico 3 abaixo, utiliza um

valor unitário para apresentar o fator de graduação do sinal de saída em uma região de

comportamento linear. Excluindo esta região, a função assume características similares

a Função Degrau.

Pode ser descrita como:

1, se

v ≥

)(v

v, se

v >

−

0 se

≤

−

onde

(

1−

)

é o intervalo que define a saída linear e 0 e 1 são os limites mínimo

e máximo da função.

Ver Bocanegra (2002).

102

Gráfico 3 – Função Linear

c) Função Sigmóide – Segundo Haykin (1999)

é a função mais utilizada na

construção de Redes Neurais Artificiais. Esta função assume valores em um intervalo

contínuo entre 0 e 1. De acordo com Bocanegra (2002), “é definida como uma função

de caráter estritamente crescente, que mostra propriedades homogêneas e assintóticas”.

A função sigmoidal pode assumir as seguintes formas:

- função logística:

−

)(

onde

a é o parâmetro de inclinação da função sigmóide. Variando o parâmetro a,

são obtidas funções sigmóides de diferentes inclinações.

- função tangente hiperbólica

)(v

tanh

)(v

Representada pelo gráfico 4, a função sigmóide quando está no seu limite, se

aproxima tanto do infinito que se torna uma função limiar. Enquanto esta assume o

valor entre 0 e 1, uma função sigmóide assume valores em uma faixa contínua entre 0 e

Apud Freitas (2002).

Bocanegra (2002) explica que a diferença entre esta função e a função logística está no fato de que a

função hiperbólica se trata de uma função logística modificada.

103

Gráfico 4 – Função Sigmoidal

5.6.5. Topologia das Redes Neurais Artificiais

A topologia nada mais é do que o modo de conexão entre os diferentes

neurônios que formam a Rede Neural Artificial. As várias topologias de Redes Neurais

podem ser agrupadas, basicamente, em duas classes:

- Não- Recorrentes (

feedforward ou acíclicas)

- Recorrentes (ou cíclicas).

As Redes Neurais Artificiais Não-Recorrentes são aquelas que não possuem

realimentação de suas saídas para suas entradas, razão pela qual são também ditas “sem

memória”. Freiman (2004) esclarece que sua estrutura é em camadas, podendo ser

formada por uma ou mais camadas. Redes multicamadas contêm um conjunto de

neurônio de entrada, uma camada de saída e uma ou mais camadas escondidas. A

entrada não é considerada uma camada de rede pelo fato de apenas distribuir os padrões.

A camada com os neurônios que fornecem a saída da rede é chamada de camada

de saída, onde o resultado final é concluído e apresentado. Já as camadas que não

possuem ligações diretas nem com a entrada, nem com a saída são chamadas de

104

camadas intermediárias ou escondidas, onde é feita a maior parte do processamento,

através de conexões ponderadas.

A figura 3 mostra um exemplo de uma Rede Neural Artificial Não-Recorrente.

Percebe-se que não existem conexões ligando um neurônio de uma camada a outro de

uma camada prévia, nem a um neurônio da mesma camada.

Figura 3 – Rede Neural Artificial Não-Recorrente

Uma Rede Neural deste tipo, depois de treinada, é capaz de associar uma série

de valores que são colocados em suas entradas a uma determinada saída. Não se trata,

porém, simplesmente de uma memória, pois tem a capacidade de generalização

; ela

Ver Freiman (2004).

Há três fatores capazes de avaliar o desempenho da Rede Neural Artificial: convergência, generalização

e escalabilidade. A primeira diz respeito à capacidade das redes em aprender um determinado conjunto de

dados definido no procedimento de treinamento, sendo muito importante para o bom desempenho das

Redes Neurais. Se não consegue aprender (não converge) dificilmente apresentará bons resultados. A

generalização diz respeito à habilidade das redes de reconhecer padrões fora do conjunto de treinamento e

é a principal propriedade que deve ser exigida de um sistema neural. Ela determina a quantidade de dados

necessários para treinar o sistema a fim de que este responda corretamente para padrões fora do conjunto

de treinamento. De uma forma geral, a diminuição do número de conexões da rede aumenta a

probabilidade de uma boa generalização. Contudo, isto deve ser feito sem reduzir demais o tamanho da

rede, já que esta redução pode implicar na incapacidade da rede em computar a função desejada. Já a

escalabilidade diz respeito a ambos e é relativa ao procedimento de ajustar parâmetros das Redes Neurais

para que elas consigam convergir e generalizar bem. Afinal, para que uma Rede Neural tenha um bom

desempenho, ela deve ser grande o suficiente para aprender o problema (convergir), e pequena o bastante

para generalizar bem.

105

pode encontrar respostas corretas mesmo quando os dados disponíveis para as entradas

estão incompletos ou danificados ou mesmo quando a relação entre entrada e saída não

é correta.

As Redes Neurais Recorrentes são redes mais gerais que contêm realimentação

das saídas para as entradas, sendo suas saídas determinadas pelas entradas atuais e pelas

saídas anteriores. As estruturas da classe de redes recorrentes não são obrigatoriamente

organizadas em camadas. No entanto, quando isso acontece, estas redes podem possuir

interligações entre neurônios da mesma camada e entre camadas não consecutivas,

gerando interconexões bem mais complexas que as Redes Neurais Artificiais Não-

Recorrentes, conforme demonstra a figura 4 abaixo.

Figura 4 – Rede Neural Artificial Recorrente

Fonte: Freiman (2004)

Essas Redes Neurais Artificiais, também chamadas de Redes Neurais Artificiais

com memória, por possuírem realimentação (

feedback), respondem a estímulos

Ver Haykin (2001).

106

dinamicamente, ou seja, após aplicar uma nova entrada, a saída é calculada e então

realimentada para modificar a entrada. Para as redes estáveis, este processo é repetido

várias vezes, produzindo pequenas mudanças nas saídas, até estas ficarem constantes.

Todavia, as Redes Neurais Artificiais Recorrentes nem sempre são estáveis, mesmo

com entradas constantes.

No início da década de 80, pesquisadores estavam preocupados com o fato de

não se conseguir prever quais redes seriam estáveis. Cohen e Grossberg, então,

provaram um teorema capaz de tal definição. Este teorema determina que para que as

Redes Neurais Artificiais Recorrentes alcancem um estado estável é necessário que

possuam conexões simétricas.

De acordo com Bocanegra (2002), contribuições importantes também foram

dadas por John Hopfield (1984), tanto para a teoria como para a prática, sendo algumas

configurações chamadas de redes de Hopfield em sua homenagem

. Segundo ele,

“Hinton e Sejnowski (1986) também tiveram seus

méritos neste campo, introduzindo regras gerais de

treinamento para redes, denominadas por eles de

máquina de Boltzmann, devido ao cálculo das saídas

dos neurônios artificiais ser efetuado através de

probabilidade segundo a distribuição de

Boltzmann”. (BOCANEGRA, 2002)

Atualmente a topologia mais utilizada em problemas práticos é a

feedforward,

que pode ser implementada em processadores comuns e não exige muita memória, se

comparada a outras topologias.

Freiman (2004) explica que “a rede neural de Hopfield apresenta comportamento dinâmico e fluxo de

dados multidirecional devido à integração total dos neurônios, desaparecendo a idéia de camadas bem

distintas. Com isso, seu funcionamento é mais complexo, havendo certas complicações, seja na fase de

aprendizado ou na fase de testes”. E finaliza dizendo que, “seu uso é direcionado a problemas de

minimização e otimização”.

107

5.6.6. Arquitetura

A arquitetura da Rede Neural é muito importante para suas capacidades de

convergência e generalização. Para definir a arquitetura de uma Rede Neural basta

determinar a estrutura sobre a qual os neurônios da rede estarão organizados. A escolha

de uma arquitetura adequada, nem tão grande, nem tão pequena, é a principal

responsável pelo sucesso de uma aplicação.

A arquitetura da Rede Neural é definida pelas características do número de

camadas da rede, do número de neurônios de cada camada, tipo de conexão entre os

neurônios e a topologia da rede.

Há redes de camada única e de múltiplas camadas

. Em redes de camada única

existe apenas um neurônio entre cada entrada e cada saída da rede (Figura 5). A

designação “camada única” se refere à camada de saída. A camada de nós de entrada

não é considerada por não realizar qualquer computação.

Figura 5 – Modelo de uma Rede Neural de camada única

v )(v

x2 Saída

Fonte: Haykin (2001)

Ver Freiman (2004).

Braga et al. (2000), apud Freitas (2002).

Neste estudo não serão abordadas as Redes Neurais Artificiais de uma camada, também chamadas de

Perceptrons, por possuírem um espectro de representações limitado. Em contrapartida, utilizar-se-á as

redes multicamadas, em razão de estas suprirem as deficiências das redes de uma única camada.

108

As redes de múltiplas camadas se distinguem da primeira classe pela presença de

uma ou mais camadas ocultas, ou seja, por conterem mais de um neurônio entre

qualquer entrada e qualquer saída da rede, conforme figura 6 abaixo.

Figura 6 – Modelo de uma Rede Neural de múltiplas camadas

Freiman (2004) explica que existem várias técnicas que tentam encontrar a

arquitetura ideal através da diminuição de neurônios redundantes e do

compartilhamento de pesos, porém nenhuma conseguiu resultados convincentes para

todas as aplicações. E conclui que, “a verdade é que a arquitetura ideal das RNA’s ainda

continua sendo determinada principalmente pela experimentação manual e pela

experiência e sensibilidade do projetista”.

Conclui-se assim, que o desenvolvimento de uma Rede Neural ainda é um

processo de tentativa e erro. A seleção da rede envolve a escolha da topologia da rede,

da função de transferência e do algoritmo de aprendizagem.

109

5.6.7. Processo de Aprendizagem

De todas as propriedades interessantes das Redes Neurais Artificiais, nenhuma

captura tão bem uma característica humana como a habilidade de aprender.

processo de aprendizagem, além de auxiliar na melhora de seu desempenho, faz com

que as Redes Neurais sejam capazes de fornecer soluções a determinado problema.

Conforme afirma Tafner (1995), a Rede Neural é capaz de modificar-se em função da

necessidade de aprender a informação que lhe foi apresentada.

O processo de aprendizagem nas Redes Neurais acontece internamente por meio

do ajuste dos pesos sinápticos das conexões durante a exposição dos exemplos, em

resposta à quantidade de erros gerados pela rede. Dessa forma, o principal parâmetro

utilizado para representar o conhecimento adquirido pelas Redes Neurais é o peso

associado a cada ligação entre dois neurônios.

Para a compreensão do processo de aprendizagem, dois conceitos são

importantes: o número de ciclos e taxa de aprendizagem. O número de ciclos refere-se

ao número de vezes que os padrões de treinamento serão apresentados às Redes

Neurais, a fim de que se faça a atualização dos pesos. A taxa de aprendizagem controla

a intensidade das alterações dos pesos. De acordo com Freitas (2002), uma alta taxa de

aprendizado acelera o processo de aprendizado, mas pode reduzir a capacidade de

generalização da Rede Neural.

Denomina-se algoritmo de aprendizado a um conjunto de regras bem definidas

para a solução de um problema de aprendizado. Existem muitos tipos de algoritmos de

Ver Bocanegra (2002).

O aprendizado ocorre quando a rede atinge uma solução generalizada para uma classe de problemas.

110

aprendizado específicos para determinados modelos de Redes Neurais, diferindo entre

si, principalmente pelo modo como os pesos são modificados.

Na definição de Freitas (2002), “é dado o nome de

algoritmo de treinamento, ou

algoritmo de aprendizado, ao conjunto de procedimentos utilizados para ajustar os

parâmetros das redes neurais de forma que ela possa realizar uma determinada função”.

As Redes Neurais são treinadas para aprender a partir dos dados de entrada.

Assim como o cérebro humano, elas aprendem a partir de experiências (dados

históricos) e não através de programação

Segundo Freiman (2004), ao invés de especificar todos os detalhes de uma

computação, tem-se a possibilidade de treinar uma rede para fazer esta computação.

Sendo assim, o objetivo do treinamento de uma Rede Neural Artificial é fazer

com que a aplicação de um conjunto de entradas produza um conjunto de saídas

desejado ou, no mínimo, um conjunto de saídas consistentes. Cada conjunto de entrada

ou saída é chamado de

vetor. O treinamento é realizado pela aplicação seqüencial dos

vetores de entrada (e em alguns casos também os de saída), enquanto os pesos da rede

são ajustados de acordo com um procedimento de treinamento pré-determinado.

Durante o treinamento, os pesos da rede gradualmente convergem para determinados

valores, tal que a aplicação dos vetores de entrada produza as saídas necessárias.

Os dois principais

paradigmas de aprendizado são:

• aprendizado supervisionado;

• aprendizado não-supervisionado.

Uma Rede Neural é capaz de generalização, não de deduções ou adivinhações.

Ver Freiman (2004).

Freitas (2002) acrescenta outro principal paradigma de aprendizado: o aprendizado por reforço, no qual,

ao contrário do que ocorre no aprendizado supervisionado, não são fornecidas à rede respostas corretas,

mas somente um sinal de reforço, informando se a resposta fornecida pela rede está certa ou errada.

111

O aprendizado supervisionado é aquele que utiliza um conjunto de pares

(entrada-saída), em que para cada padrão de entrada é especificado um padrão de saída

desejado. O aprendizado ocorre no momento em que, a partir dos cálculos efetuados

com o padrão de entrada e pesos correntes, a saída gerada pela rede for diferente da

saída desejada. O algoritmo de treinamento, segundo alguns critérios, ajusta os pesos da

rede de forma a reduzir o erro. Essa dinâmica é repetida inúmeras vezes para todo o

conjunto de dados de entradas e saídas, até que a taxa atinja uma faixa considerada

satisfatória. Nesse paradigma de aprendizado, o objetivo é realizar os ajustes dos

parâmetros de tal forma que a saída calculada pelas Redes Neurais seja igual à saída

desejada.

O aprendizado não-supervisionado, também conhecido como auto-

supervisionado, classifica os padrões similares sem utilizar os pares entrada e saída, isto

é, no treinamento da rede são usados apenas valores de entrada, não fazendo

comparações para determinar a resposta ideal. Nesse paradigma de aprendizado, os

ajustes dos parâmetros são feitos com base nas regularidades estatísticas dos dados de

entrada. Ao captar essas regularidades, as Redes Neurais são capazes de identificar

padrões e estabelecer novas classes de dados. Em outras palavras, a rede trabalha essas

entradas e se organiza de modo a classificá-las mediante algum critério de semelhança.

Esse tipo de rede utiliza os neurônios como classificadores, e os dados de entrada como

elementos de classificação.

112

5.6.8. Redes Multilayer Perceptron

As Redes

Multilayer Perceptron são redes acíclicas (feedforward) com uma ou

mais camadas intermediárias e constituem os modelos neurais artificiais mais utilizados

e conhecidos atualmente.

Tipicamente, a arquitetura do tipo

perceptron de múltiplas camadas consiste de

um conjunto de unidades sensoriais que formam uma camada de entrada, uma ou mais

camadas intermediárias ou escondidas de unidades computacionais e uma camada de

saída. Os sinais de entrada são propagados camada a camada pela rede em uma direção

positiva, ou seja, da entrada para a saída

A figura 7 abaixo ilustra um

perceptron de múltiplas camadas.

Figura 7 – Rede Neural Artificial

Multilayer Perceptron

O fluxo de sinais através da rede é feito positivamente, da esquerda para a direita, camada a camada.

113

Segundo Freitas (2002), devido a presença das camadas intermediárias, os

modelos de Redes

Multilayer Perceptron permitem a solução de problemas mais

complexos. Para Cybenko (1988)

, uma rede com uma camada intermediária pode

implementar qualquer função contínua, já a utilização de duas camadas intermediárias

permite a aproximação de qualquer função matemática.

Bocanegra (2002) afirma que as redes do tipo

Multilayer Perceptron têm sido

utilizadas com sucesso para a solução de vários problemas envolvendo altos graus de

não-linearidade.

O método de aprendizagem mais popular aplicado às Redes

Multilayer

Perceptron

é o algoritmo backpropagation. Este algoritmo é baseado numa regra de

aprendizagem, denominada Regra Delta Generalizada, que ajusta o erro durante o

treinamento, conforme será visto a seguir.

5.6.9. Algoritmo Backpropagation

Descoberto em meados da década de 70, o algoritmo de retropropagação

consiste, basicamente, em fornecer variações para alterar os pesos da Rede Neural

Artificial, com o objetivo de minimizar o erro obtido na saída através do aprendizado do

vetor de treinamento (entrada-saída). Em outras palavras, o erro gerado pelos neurônios

na camada de saída é distribuído para os demais neurônios da rede realizando o ajuste

de pesos.

Sua popularidade estende-se desde 1986, e hoje é um dos algoritmos mais

populares em razão de apresentar pouca dificuldade para o seu desenvolvimento, sendo

Apud Freitas (2002).

114

em parte responsável pelo ressurgimento do interesse na área de Redes Neurais

Artificiais.

Através deste algoritmo, o processo de aprendizagem é realizado em duas

etapas, onde cada etapa percorre a rede em um sentido. A primeira é a etapa

forward,

em que os valores de saída da rede são calculados a partir dos valores de entrada

fornecidos. Na segunda etapa, a

backward, os pesos associados a cada conexão são

atualizados conforme as diferenças entre os valores de saída obtidos e os valores

desejados, da última camada até a camada de entrada.

Os pesos conectados às

unidades de saída são então ajustados para reduzir este erro.

Para isso, este algoritmo utiliza o método do gradiente descendente

, no qual

dada uma medida de erro

, procura-se melhorar o conjunto de pesos ,

deslizando para baixo na superfície definida no espaço

W .

Dessa forma, tem-se que:

)(wE

(

)

ijij

wEw

∂

−

∆

onde

é conhecido como a taxa de aprendizado, i refere-se ao neurônio i da camada

posterior e

da camada anterior.

Ressalta-se que mesmo conhecendo o erro global da rede, não é possível

determinar os pesos exatos para poder corrigi-lo. No entanto, com base nesta

informação, pode-se estabelecer a direção na qual os pesos devem ser ajustados para

Ver Freitas (2002).

Conforme esclarece Smith (1993), “The gradient descent method of changing these coefficients is

designed to produce the set of coefficients that minimizes the error of the model.”

Wasserman (1989) apud Freiman (2004).

115

minimizar o erro quadrado total da saída da rede. Conhecida esta direção, é possível

ajustar os pesos até que o menor erro global seja atingido

O ajuste de um peso

que define seu valor para a próxima iteração é definido

por:

(

)

(

)

(

)

nwnwnw

ijijij

∆

A variação

∆

que é aplicada ao peso deve ser proporcional ao sinal de

entrada

, definido pelos sinais de saída da camada anterior ponderados pelos pesos, e

ao erro gerado na saída, sendo representada na forma a seguir:

(

)

(

)

(

)

nxnnw

jjij

ηδ

∆

onde

é o gradiente local do erro para o neurônio

O gradiente local do erro é determinado através do método gradiente

decrescente, responsável pela distribuição do erro da camada de saída para as camadas

anteriores. O ajuste dos pesos

deve ser realizado na direção contrária ao gradiente,

conforme gráfico 5 abaixo.

(

w∆

)

Nas palavras de Smith (1993), “Backpropagation provides a way of using examples of a target function

to find the coefficients that make a certain mapping function approximate the target function as closely as

possible.”

116

Gráfico 5 – Função erro para um único peso

Percebe-se, assim, que se o peso

(

)

nw (valor do peso na iteração n) está à

esquerda do erro mínimo, o ajuste

∆

deve ser positivo para que (valor do

peso da próxima iteração) esteja mais próximo do valor de

que minimiza o erro. No

entanto, se o peso

(

1+nw

)

(

)

nw está à direita do erro mínimo, o ajuste w

∆

deve ser negativo.

Como já citado, o objetivo do treinamento da rede é ajustar os pesos, de modo

que a aplicação de um conjunto de entradas produza um conjunto de saídas desejadas.

Assim, antes de se iniciar o processo de treinamento, todos os pesos devem ser

inicializados randomicamente com valores pequenos, garantindo dessa forma que a rede

não ficará saturada com grandes valores de pesos e prevenindo-se contra certas

patologias de treinamento, conforme afirma Freiman (2004).

117

Dessa forma, o algoritmo pode ser dividido nos seguintes passos:

iniciar os pesos sinápticos com valores randômicos;

aplicar padrão de entrada, com seu respectivo valor desejado de saída , e

verificar a saída da rede

;

)(xj

)(

calcular o erro na saída sj

jej

−

;

se , ou seja, o valor esperado foi igual ao valor apresentado pela rede

como resposta, volta ao 2

passo; já se

0=ej

≠

ej , ou seja, o valor esperado é

diferente do valor apresentado pela rede como resposta, deve-se ajustar os pesos

da rede de maneira a minimizar o erro;

repetir do 2

passo em diante para cada vetor do conjunto de treinamento, até

o erro se tornar aceitavelmente baixo para o conjunto inteiro.

Freitas (2001) destaca que para a realização do processo de aprendizagem das

redes MLP, é necessário definir alguns parâmetros de treinamento do algoritmo

backpropagation relacionados ao momento de parar o treinamento e à freqüência de

ajuste dos pesos, quais sejam:

 parar após ciclos; n

 parar após o erro médio atingir um nível mínimo predeterminado;

 parar após a taxa de acertos atingir um nível predeterminado;

 uma combinação dos critérios acima.

Nas palavras de Freiman (2004), “o treinamento deve ser interrompido quando a

rede apresentar uma boa capacidade de generalização e quando a taxa de erro for

suficientemente pequena, ou seja, menor que um erro admissível”. E finaliza dizendo

118

que, “deve-se encontrar um ponto ótimo de parada com erro mínimo e capacidade de

generalização máxima”.

No entanto, apesar do grande sucesso das aplicações do algoritmo de

retropropagação e da sua enorme popularidade, alguns problemas ainda o acompanham,

como:

¾ longo período de treinamento, principalmente para problemas complexos, em

que não há garantias de que, depois deste tempo, o treinamento tenha sido feito

com sucesso;

¾ mínimos locais, já que a superfície do erro geralmente é cheia de vales e

desníveis e o algoritmo emprega um tipo de gradiente descendente, existindo

sempre a possibilidade de ficar preso em um mínimo local;

¾ a rede poder se especializar nos padrões de treinamento e perder sua

capacidade de generalização (

overfitting);

¾ paralisação da rede, pois durante o treinamento os pesos podem ser ajustados

para valores muito grandes, os quais vão levar a derivada da função de ativação

a zero, impedindo a rede de aprender o conjunto de treinamento.

Em comentários às deficiências apresentadas pelo algoritmo

backpropagation,

Freitas (2002) reconhece que este “pode ser extremamente lento na solução de

problemas mais complexos, embora seja capaz de solucioná-los”. Segundo o autor, para

contornar e evitar o

overfitting pode ser utilizada a técnica de early stopping que

consiste em treinar a Rede Neural com uma determinada amostra de dados (

grupo de

treinamento

) e validar o desempenho da rede, periodicamente, utilizando outra amostra

119

de dados (o grupo de validação). Quando os resultados obtidos com a validação

atingirem um nível satisfatório, o treinamento é interrompido.

Em virtude disso, algumas alterações têm sido propostas nos últimos anos no

intuito de melhorar seu desempenho, mas, de acordo com Freiman (2004), até agora

nenhuma solucionou de forma definitiva e confiável os problemas do

backpropagation.

5.6.10. Conclusão

Já foi dito que as Redes Neurais possuem certas características exclusivas de

sistemas biológicos, como a capacidade de aprendizado e generalização. Sobre o

assunto, Freiman (2004) comenta que apesar do modelo simples de neurônio artificial

ignorar diversas características do neurônio natural, como a não consideração dos

atrasos de tempo que afetam a dinâmica do sistema e a não inclusão dos efeitos de

sincronismo ou de modulação de freqüência, as Redes Neurais Artificiais possuem

atributos semelhantes aos do sistema biológico, podendo-se dizer que a essência do

funcionamento do neurônio natural foi absorvida.

No entanto, estas não são as únicas vantagens atribuídas as Redes Neurais

Artificiais. Há inúmeras outras que podem ser citadas, dentre as quais destacam-se: a

capacidade de encontrar soluções eficientes para problemas do mundo real; sua

habilidade em lidar com dados ruidosos, incompletos ou imprecisos; sua capacidade de

análise e reconhecimento de padrões; a capacidade de resolver problemas práticos sem a

necessidade da definição de regras ou de modelos precisos; e a capacidade de buscar a

solução através de um método próprio de treinamento e auto-aprendizado.

120

Tais atributos incentivam analistas e estudiosos na escolha da técnica das Redes

Neurais como a apropriada para a obtenção de resultados reais, apesar das deficiências

anteriormente apresentadas. Até porque, o fato de sua estrutura possuir como principal

força a habilidade de adaptação e aprendizagem, permite que as Redes Neurais possam

lidar com dados imprecisos e situações não totalmente definidas.

Uma rede treinada de maneira razoável tem a habilidade de generalizar quando é

apresentada a entradas que não estão presentes em dados já conhecidos por ela.

Como se sabe, as Redes Neurais podem ter várias entradas e várias saídas, sendo

facilmente aplicáveis à sistemas com muitas variáveis. As conexões entre os neurônios

formam uma rede de elementos de processamento, fazendo com que as informações

armazenadas por uma Rede Neural sejam compartilhadas por todas as suas unidades

permitindo, que mesmo que parte da rede seja destruída, a informação ali contida ainda

esteja presente, e possa ser recuperada. Essa redundância na representação de

informações transforma-se em outra vantagem das Redes Neurais, tendo em vista que

torna o sistema tolerante a falhas, diferentemente de outros modelos como o Black &

Scholes.

Mas o grande diferencial das Redes Neurais Artificiais, quando comparada a

outros métodos, é a sua capacidade de modelar e prever sistemas não-lineares,

principalmente quando aplicada no mercado financeiro.

Nota-se, assim, que mesmo com algumas restrições, as Redes Neurais têm

demonstrado sua potencialidade em diversas aplicações, superando expectativas e

gerando resultados até então não alcançados com qualquer outra técnica, seja

computacional ou convencional.

121

6. METODOLOGIA E ANÁLISE DOS RESULTADOS EMPÍRICOS

Cumpre agora aplicar todo o conhecimento obtido utilizando ambos os modelos

apresentados no apreçamento de opções pertencentes aos grupos de opções dentro do

preço (

in the money), no preço (at the money) e fora do preço (out the money) a fim de

descobrir, através do comportamento de cada modelo, qual aquele que apresenta

resultados condizentes com os realmente verificados no mercado e que estabeleça de

forma satisfatória as relações entre as diferentes variáveis envolvidas. Sendo assim,

neste capítulo será feita uma análise comparativa entre o Modelo de Black & Scholes e

as Redes Neurais, apresentando os cálculos realizados e verificando se, no período

estudado, a taxa de câmbio proporciona alguma influência no apreçamento de opções e

em que dimensões.

6.1. Introdução

No intuito de facilitar a compreensão e alcançar o objetivo final desta

dissertação, serão apresentados os dados a serem utilizados nesta pesquisa, a forma

utilizada no ajuste das variáveis de entrada, cada fase percorrida no desenvolvimento da

Rede Neural, definindo seu modelo e comparando-o ao Modelo de Black & Scholes. A

definição do modelo a ser utilizado visa fornecer uma ferramenta de auxílio ao

investidor, proporcionando-lhe maior segurança na tomada de decisão.

122

6.2. Dados

Para construir o modelo de apreçamento de opções baseado em Redes Neurais e

compará-lo ao Modelo de Black & Scholes, foram utilizados os dados referentes às

opções de compra sobre as ações da Telemar Participações PN, negociadas na Bolsa de

Valores de São Paulo (BOVESPA), que corresponde à Bolsa de maior movimentação

financeira do mercado de capitais do Brasil.

100

A escolha dessas opções se justifica pelo

fato da ação da Telemar Participações PN ser o título de maior liquidez no mercado

brasileiro e de maior negociação na BOVESPA, não apenas no período analisado

101

Os valores considerados correspondem ao período de 02

de janeiro de 2004 a 30

de maio de 2006, obtidos diretamente da BOVESPA, CETIP e BACEN. Posteriormente

foram organizados no Microsoft Excel, para o cálculo do Modelo Black & Scholes e

uso na Rede Neural através do programa

Neural Net Analizer. No entanto, para se aferir

o poder preditivo do Modelo de Black & Scholes sobre o prêmio justo de opções de

compra lançadas sobre a ação acima mencionada, considerou-se as opções com

vencimento no período compreendido entre janeiro/2006 a junho/2006.

Os dados organizados contêm as principais variáveis que influenciam o preço

das opções sobre ações: o preço corrente da ação, o preço de exercício da opção, o

tempo até o vencimento da opção, a volatilidade do preço da ação e a taxa de juro livre

de risco, sendo acrescentada, num segundo momento, a taxa de câmbio na Rede Neural,

exclusivamente. Dentre essas variáveis, somente a volatilidade precisou ser estimada.

100

Vale destacar que “atualmente, a BOVESPA é o maior centro de negociações com ações da América

Latina, destaque que culminou com um acordo histórico para a integração de todas as bolsas brasileiras

em torno de um único mercado de valores - o da BOVESPA”. (BOVESPA, 2006)

101

Cabe ressaltar que as séries de opções com liquidez no ambiente de negociação na Bolsa de Valores de

São Paulo são do tipo americanas, mas comportam-se como opções européias, ou seja, acabam sendo

exercidas apenas no seu vencimento, permitindo que sejam precificadas utilizando o Modelo de Black &

Scholes, conforme comentado no capítulo 5, item 5.2, do presente estudo.

123

Para tanto, adotou-se a volatilidade histórica e utilizou-se para o seu cálculo o estimador

não viesado de mínima variância uniforme.

Ressalta-se que antes de serem apresentados à Rede, os dados foram submetidos

a um pré-processamento a fim de normalizá-los em uma escala entre [0, 1], seguindo a

fórmula de Normalização Relativa (NR) apresentada abaixo:

(

)

()()

LIxMenorLSxMaior

LIxMenorx

×−×

−

)()(

)(

onde, FI é o limite inferior e FS é o limite superior, com valores de 0,7 e 1,3,

respectivamente.

O objetivo da normalização é diminuir a influência causada por valores que se

destacam excessivamente em relação aos demais, ou seja, diminuir a distância entre os

valores de variáveis muito espaçadas.

6.2.1. Ajustes no preço de exercício

Como se sabe, uma das premissas básicas do Modelo Black & Scholes é de que

a ação não paga dividendos até o vencimento da opção.

102

Sendo assim, havendo

distribuição de proventos, os ajustes no preço de exercício tornam-se necessários para a

avaliação de opções.

103

Após tornar pública a distribuição de dividendo e/ou subscrição, o ativo-

subjacente da opção passa a ser negociado

ex direito e as séries são ajustadas. Já em

102

Sobre o assunto, ver capítulo 5, item 5.5 (Modelo Black & Scholes).

103

Ver capítulos 2 e 5, item 5.2 do presente estudo.

124

relação a eventos societários como bonificações e desdobramentos, o ajuste ocorre

somente no momento do exercício.

6.2.2. Tempo até o vencimento da opção

Na determinação do tempo até o vencimento da opção, considerou-se apenas os

dias úteis em que houve negociação na BOVESPA.

6.2.3. Volatilidade do preço da ação

No cálculo da volatilidade histórica, considerou-se inicialmente o retorno das

ações da Telemar Participações PN como o retorno continuamente composto, isto é, o

retorno logarítmico dos preços das ações:

)/ln(

1−

iii

SSr

onde

é o preço da ação na data i.

Posteriormente, foi calculada a volatilidade histórica (

), através do estimador

não viesado de mínima variância uniforme, como o desvio-padrão dos retornos diários

continuamente capitalizados das ações da referida empresa apurados durante os 20 dias

de negociação anteriores ao dia de cálculo da volatilidade histórica.

Assim, a volatilidade histórica foi estimada de acordo com a fórmula:

()

−

∑

∧

125

onde,

é o número de observações de retornos (neste caso, n 20

n ) e

é a média dos

valores de

, que corresponde ao retorno continuamente capitalizado.

6.2.4. Taxa de juro livre de risco

A taxa de juro livre de risco utilizada foi a taxa de depósito interfinanceiro (DI)

de 1 dia, apurada pela CETIP e divulgada na forma de taxa média diária ao ano de 252

dias úteis.

Para a sua utilização a taxa DI foi transformada para o regime de capitalização

contínua, da seguinte forma:

)1ln(

compostacontínua

onde,

corresponde a taxa do DI em regime de capitalização contínua e

a taxa do DI em regime de capitalização composta.

contínua

composta

6.2.5. Taxa de câmbio

Na tentativa de verificar o impacto da taxa de câmbio no apreçamento de opções

através da técnica das Redes Neurais, utilizou-se as cotações de fechamento de venda

R$/US$ no período de 02 de janeiro de 2004 a 30 de maio de 2006, divulgadas e

disponibilizadas pelo BACEN.

126

A cotação de fechamento Ptax, acima mencionada, corresponde à taxa média

ponderada dos negócios realizados no mercado interbancário de câmbio com liquidação

em dois dias úteis, conforme Comunicado n

. 6.815/99 do BACEN.

6.3. Definição do modelo de Redes Neurais

A definição do modelo de Rede Neural requer análise, experiência e

conhecimento técnico do projetista, afinal inexiste procedimento sistemático e

determinado para a configuração e especificação dos parâmetros relacionados a uma

Rede Neural.

Neste trabalho foram analisados e testados diversos modelos de Redes Neurais,

optando-se por uma Rede Neural

feedfoward, com algoritmo de treinamento

backpropagation para realizar a previsão de preços das opções de ações da Telemar

Participações PN, com registro de negociação de seus valores mobiliários na Bolsa de

Valores de São Paulo (BOVESPA).

6.3.1. Fases para o desenvolvimento de uma Rede Neural Artificial

Em regra, as Redes Neurais são criadas e desenvolvidas através de um

software

exclusivamente voltado para esse fim. No entanto, há casos em que o próprio projetista

desenvolve um código para a solução de determinado problema.

O desenvolvimento de um modelo baseado em Redes Neurais compõe-se de

diversas fases, organizadas da seguinte forma, conforme figura 8: definição do

127

problema, coleta dos dados de treinamento e de previsão, pré e pós-processamento dos

dados, projeto da estrutura da rede, treinamento, previsão e validação.

Figura 8 – Fases do desenvolvimento de uma Rede Neural Artificial.

Fonte: Thomé (2003)

104

Inicialmente define-se o problema a ser solucionado, tecendo uma análise

cuidadosa a seu respeito, a fim de minimizar ambigüidades e erros. Posteriormente, faz-

se a coleta dos dados de entrada de forma que estes sejam capazes de caracterizar

exatamente o problema, tendo em vista que a sua capacidade de resolução, o

desempenho do treinamento e a confiabilidade nos resultados dependem da qualidade

da representação dos dados adotados.

Os valores coletados podem ser divididos em duas maneiras: (1) separando os

dados em dados de treinamento, utilizados para o treinamento da rede, e dados de

previsão, utilizados para verificar seu desempenho sob condições reais de utilização; (2)

criando uma subdivisão no conjunto de dados de treinamento, denominada de validação.

104

Apud Freiman (2004).

128

O conjunto de validação é utilizado para testar a eficiência da rede quanto à sua

capacidade de generalização durante o treinamento.

Como comentado anteriormente, uma das características das Redes Neurais é de

que ela é capaz de generalização e não de deduções ou adivinhações. Sendo assim, esses

conjuntos são dispostos aleatoriamente para evitar tendências relacionadas à ordem de

apresentação de dados.

Pode ser necessário, ainda ajustá-los a fim de torná-los mais apropriados à sua

utilização na rede. Referido ajuste é feito na fase de pré-processamento, que inclui o

tratamento dos dados incompletos, e através de normalizações, escalonamentos e

conversões.

6.3.2. Análise de modelos de Redes Neurais

Para a realização deste trabalho, foi escolhido o software Neural Net Analizer.

Utilizando as funções deste

software foram desenvolvidos e comparados diferentes

modelos de Redes

Multilayer Perceptron e algoritmo de treinamento backpropagation,

que se diferenciavam, pelo número de neurônios e camadas, algoritmos de treinamento,

funções de ativação e variáveis de entrada e saída.

Para a escolha da quantidade de variáveis de entrada e saída foi analisado o

comportamento da rede após a inclusão ou exclusão de uma ou mais variáveis. A

decisão do número de camadas de entrada e camadas intermediárias levou em

consideração o fato de que quanto maior número de camadas, maior a complexidade e o

tempo de processamento da rede.

129

Logo, para alcançar o objetivo desejado deve-se resolver o problema com a

menor topologia possível para que o desempenho da rede não seja comprometido pela

dimensionalidade, alcançando a generalização.

Partindo-se da premissa de que as Redes Neurais devem proporcionar resultados

satisfatórios e condizentes com a realidade, também foram feitas análises de correlação

entre as variáveis de entrada e as de saída da rede, no intuito de selecionar as relações

mais importantes para a compreensão do problema em estudo.

A função de ativação deve ser contínua, diferenciável e, de preferência, não

decrescente para que o algoritmo

backpropagation possa ser utilizado. Sendo assim, na

camada intermediária foi empregada a função sigmoidal logística.

Para a avaliação do desempenho da Rede Neural, utilizou-se o erro quadrático

médio (

MSE – mean squared error), que é a média do somatório dos quadrados dos

erros de cada caso, tanto do conjunto de treinamento, quanto do conjunto de previsão e

representado pela da seguinte forma:

⎢

⎣

⎡

⎥

⎦

⎤

⎟

⎠

⎞

⎜

⎝

⎛

−

∑

CtCm

MSE

onde

é o preço de fechamento observado, Ct é o preço teórico obtido pelo modelo

é o número total de observações.

É normal se adotar a raiz quadrada do erro quadrático médio (

RMSE) no cálculo

do erro da rede. O cálculo do

RMSE pode ser determinado pela seguinte expressão:

130

⎟

⎠

⎞

⎜

⎝

⎛

−

∑

RMSE

)

(

onde,

y representa as saídas reais normalizadas; y

, as saídas normalizadas previstas

pela rede; e

n, o número de casos.

Para alguns modelos de Redes Neurais foi utilizada a técnica de

early stopping,

conforme Anexos 1, 2 e 3. Sendo assim, cada amostra de dados foi dividida em três

grupos: um grupo de treinamento, ao qual destinou-se 60% dos dados; um grupo de

validação, com 25%; e um grupo de previsão, para o qual foram destinados 15% na sua

formação. Independentemente de o modelo utilizar ou não o grupo de validação, a

periodicidade dos dados de cada grupo foi a mesma para cada modelo.

A tabela abaixo (Tabela 4) apresenta os parâmetros de rede submetidos a

variações e os valores atribuídos aos mesmos, bem como a descrição dos algoritmos de

treinamento avaliados. Objetivando analisar o desempenho de cada modelo de Rede

Neural no apreçamento de opções fora do preço, no preço e dentro do preço

105

, utilizou-

se, nesta primeira etapa, o conjunto de dados correspondente ao período de 02/01/2004

a 30/05/2004, dividido em três amostras, quais sejam: opções fora do preço (

≤

0,95 x

PE), no preço (0,95 x PE < ≤

1,05 x PE) e dentro do preço (P > 1,05 x PE), sendo P

o preço do ativo-objeto e

PE preço de exercício.

105

Estes conceitos são também chamados pelo mercado financeiro como moneyness.

131

Tabela 4 – Parâmetros considerados no processo de construção e avaliação das Redes Neurais

Parâmetro Valores atribuídos

Número de Camadas

Intermediárias

1 a 5

Número de neurônios na camada

intermediária

3 a 5

Variáveis de entrada Preço de fechamento corrente da ação, preço

médio corrente da ação, preço de exercício da

opção, tempo até o vencimento da opção,

volatilidade do preço da ação, taxa de juro livre de

risco, taxa de câmbio

Variáveis de saída Premio da opção de compra

Funções de ativação na camada

intermediária

Sigmoidal logística, linear e tangente hiperbólica

Funções de ativação na camada de

saída

Sigmoidal logística, linear e tangente hiperbólica

Normalização dos dados Relativa no intervalo [0,1], com limite inferior 0,7

e limite superior 1,3.

Número de épocas 20.000 a 100.000

Taxa de aprendizado

Taxa de momento

Tolerância dos erros

0,0001 a 0,01

0,001 a 0,05

Erro total máximo por interação = 0,001

Erro total máximo, por exemplo (padrão) = 0,001

6.4. Arquitetura da Rede Neural

O modelo escolhido é um modelo de Rede Multilayer Perceptron, com uma

camada de entrada formada por cinco parâmetros, uma camada intermediária com três

neurônios e uma camada de saída com apenas um neurônio. Ao acrescentar mais um

132

parâmetro na camada de entrada, qual seja, o câmbio, a camada intermediária passou a

conter quatro neurônios.

Nos neurônios estão presentes pesos e

bias com valores gerados aleatoriamente

pelo

software, com parâmetros de valor central 0 (zero) e intervalo 0,25. As conexões

entre os neurônios são do tipo

feedforward ou acíclica e a rede é completamente

conectada. (Anexos 3 e 4)

6.5. Comparação entre os modelos

Para comparar o desempenho do modelo baseado em Redes Neurais com o

Modelo de Black & Scholes foram utilizados os dados pertencentes ao período de 02

janeiro de 2004 a 30 de maio de 2006, ordenados seqüencialmente pelo tempo. Dessa

amostra, foram extraídos os dados do grupo de treinamento da Rede Neural e os dados

correspondentes ao grupo de previsão, aplicado aos modelos para a realização do estudo

comparativo.

6.5.1. Grupo de previsão

Para compor o grupo de previsão, foram escolhidas séries de opções com

vencimento no primeiro semestre de 2006, e cada vencimento foi dividido em três

grupos distintos:

Grupo A - opções fora do preço (

≤

0,95 x PE);

Grupo B – opções no preço (0,95 x PE <

≤

1,05 x PE); e

Grupo C – opções dentro do preço (P > 1,05 x PE).

133

Para tanto, analisou-se cada série de opções e calculou-se o grau de moneyness

de cada uma de suas cotações no período.

106

Dessa forma, para cada vencimento

escolheu-se a série que possuísse mais do que 20 cotações e que mais tempo houvesse

permanecido em um dos grupos acima, desconsiderando os últimos 13 dias de

negociação anteriores ao preço de exercício, em função da alta volatilidade dos preços.

A Tabela 5 relaciona as séries escolhidas, informando o vencimento, o preço de

exercício, série e o seu grau de representatividade para o grupo de

moneyness às quais

foram relacionadas. As séries das opções apresentadas abaixo foram apreçadas pelo

Modelo de Black & Scholes e pela Rede Neural desenvolvida, sendo posteriormente

acrescida, nesta última, a taxa de câmbio. A partir dos resultados obtidos, realizaram-se

comparações entre os referidos modelos, analisando o impacto da volatilidade do Dólar

no apreçamento de opções através de indicadores estatísticos.

Tabela 5 – Séries de opções escolhidas para apreçamento pelas RNA’s e Black & Scholes

106

O grau de moneyness refere-se à relação entre o preço de exercício da opção e o preço à vista da ação,

ou seja:

, onde S é o preço da ação, X é o preço de exercício, r é a taxa de juro livre

de risco e T é o tempo até o vencimento da opção em anos.

)(

eXSMoneyness

−

134

6.5.2. Grupo de treinamento

As amostras de dados para treinamento da Rede Neural consistiram de valores

dos doze meses anteriores ao mês da primeira cotação presente no grupo de dados da

série a ser analisada.

Procurando aprimorar o processo de aprendizagem, bem como o de previsão,

cada grupo de dados para treinamento foi subdividido em subgrupos, de acordo com o

grau de

moneyness, adotando o mesmo critério da previsão. Assim, para o

desenvolvimento do estudo foram construídos trinta e duas redes de treinamento, das

quais dezoito referem-se à Rede Neural Artificial com os cinco parâmetros contidos no

Modelo Black & Scholes e as demais, à Rede Neural Artificial adicionada o parâmetro

taxa de câmbio, aqui diferenciada pela sigla RNA_US$.

Por exemplo, para apreçar a série de opções com vencimento em 19 de junho de

2006 e preço de exercício de R$ 36,49, correspondente ao Grupo B (opções no preço), a

Rede Neural foi treinada com dados das cotações diárias das opções e ações da Telemar

Participações PN do período de abril de 2005 a março de 2006 também do Grupo B,

pois essa série foi avaliada a parir de 03 de abril de 2006. Para série de opções com

vencimento em 15 de maio de 2006 e preço de exercício de R$ 34,00, contidos no

Grupo A (opções fora do preço), os dados para treinamento da rede pertenciam ao

período de março de 2005 a fevereiro de 2006 do Grupo A, já que a cotação mais

antiga, pertencente ao grupo de dados dessa série, é de 14 de março de 2006. Para as

demais séries, segue-se o mesmo procedimento.

135

Portanto, pode-se dizer que para cada série de opções, foram construídas três

Redes Neurais com a mesma arquitetura (número de camadas, neurônios etc.) para

ambos os grupos RNA e RNA_US$.

6.6. Análise dos Resultados Empíricos

Em razão da quantidade dos dados a serem apresentados e com o intuito de

facilitar a compreensão dos resultados obtidos, optou-se por separar a presente análise

em duas etapas: Black & Scholes

versus Redes Neurais Artificiais e Redes Neurais

Artificiais

versus Redes Neurais Artificiais com variável Dólar.

Para cada série de opções agrupadas, são comparados os resultados de

desempenho estatístico do erro de generalização relativos aos preços teóricos gerados

pelos modelos acima e os preços reais observados no mercado. Para mensurar as

diferenças entre os valores dos preços utilizou-se o erro absoluto médio (EAM), o erro

quadrático médio (EQM) e a raiz quadrada do erro quadrático médio (REQM).

As tabelas apresentadas nos itens seguintes comparam os EAM, EQM e REQM

resultantes do apreçamento de séries pertencentes, respectivamente, aos grupos de

opções fora do preço, no preço e dentro do preço. Com base nesses valores é possível

analisar o comportamento de cada modelo durante a vida da opção, proporcionando ao

investidor maior confiabilidade na tomada de decisões financeiras na medida em que os

resultados obtidos pelo modelo capturam a variabilidade do preço da ação no decorrer

de sua vida.

136

6.6.1. Modelo Black & Scholes versus Redes Neurais Artificiais

a) Grupo A – Fora do preço

Na Tabela 6 abaixo, são apresentados os valores referentes aos EAM, EQM e

REQM estimados para série de opções com maior liquidez e tempo fora do preço. Para

esse grupo obteve-se um resultado satisfatório em relação a assertiva comentada

anteriormente de que a técnica de Rede Neural superaria o Modelo de Black & Scholes

no apreçamento de opções. Em quatro das seis séries analisadas, todos os tipos de

indicadores de erros analisados apresentaram valores inferiores se comparados ao

Modelo

benchmark Black & Scholes. Estatisticamente, as Redes Neurais foram 67%

melhores que o modelo criado em 1973.

Tabela 6 – Resultados dos EAM, EQM, REQM nos apreçamentos das séries de opções

fora do preço calculadas pelos modelos de Black & Scholes e Redes Neurais Artificiais

Pode-se observar que o menor EQM obtido foi de 0,0941 na série de opção de

janeiro com preço de exercício de R$38,00, resultante da aplicação das Redes Neurais.

No gráfico abaixo (Gráfico 6) mostra o comportamento dos preços na série de

opções fora do preço com vencimento em fevereiro de 2006 para ambos os modelos.

Entre o 1

e 14

dia a Rede Neural obteve melhor resultado que o apresentado pelo

137

modelo de Black & Scholes, no entanto na janela entre o 15

ao 22

dia ambos os

modelos apreçam opções com valores próximos ao preço de mercado. Após esta data o

Modelo Black & Scholes mostrou um alisamento satisfatório em relação aos preços de

mercado, ainda que na média as Redes Neurais tenham demonstrado melhores

resultados.

Gráfico 6 – Preços reais e teóricos de uma série de opções fora do preço

com vencimento em fevereiro de 2006

0,50

1,00

1,50

2,00

2,50

3,00

3,50

4,00

4,50

5,00

5,50

6,00

6,50

7,00

7,50

12345678910111213141516171819202122232425262728

Tempo em dias

Preço da Opção em reais

REAL B&S RNA

b) Grupo B – No preço

Neste grupo de séries, nota-se um resultado ainda superior ao Grupo A, pois

demonstra que em 83% os erros apresentados pelas Redes Neurais foram menores que

os referentes ao Modelo de Black & Scholes. Ou seja, cinco das seis séries analisadas,

as Redes Neurais obtiveram melhores respostas, conforme Tabela 7 a seguir.

138

Tabela 7 – Resultados dos EAM, EQM, REQM nos apreçamentos das séries de opções

no preço calculadas pelos modelos de Black & Scholes e Redes Neurais Artificiais

A superioridade no apreçamento de opções neste grupo utilizando a técnica das

Redes Neurais pode ser facilmente observada no gráfico abaixo (Gráfico 7), no qual são

comparados os preços reais de mercado com os preços projetados pelos modelos

analisados de uma série de opção com vencimento em abril e preço de exercício de

R$38,00. Observa-se que na janela intermediaria, ou seja, entre os dias 12 e 26, a

diferença dos valores obtidos pelos modelos são maiores que R$0,80.

Gráfico 7 – Preços reais e teóricos de uma série de opções no preço

com vencimento em abril de 2006

0,25

0,50

0,75

1,00

1,25

1,50

1,75

2,00

2,25

2,50

2,75

3,00

3,25

3,50

3,75

4,00

4,25

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32

Tempo em dias

Preço da Opção em reais

REAL B&S RNA

139

c) Grupo C – Dentro do preço

O grupo de opções dentro do preço alcançou resultado semelhante ao grupo

anterior em relação ao percentual de superioridade da Rede Neural, diferenciando-se

apenas nos meses de vencimento, conforme mostra a Tabela 8 seguinte.

Tabela 8 – Resultados dos EAM, EQM, REQM nos apreçamentos das séries de opções dentro

do preço calculadas pelos modelos de Black & Scholes e Redes Neurais Artificiais

Tecendo breve comentário comparativo entre ambos os modelos, percebe-se que

EAM apresentado nas séries de opções com vencimento em abril e junho e preço de

exercício de R$44,00 e R$42,49, respectivamente, distanciam-se demasiadamente entre

si, de tal forma que nos permite afirmar novamente a superioridade do modelo de Redes

Neurais, também explicitada nos grupos anteriores.

6.6.2. Redes Neurais Artificiais versus Redes Neurais Artificiais com Dólar

a) Grupo A – Fora do preço

Analisando a influência da taxa de câmbio no apreçamento de opções fora do

preço, percebe-se expressiva melhora quando acrescentada esta variável no modelo

desenvolvido para as Redes Neurais, principalmente no resultado obtido através da

verificação do resultado do EQM. Tal fato corrobora com as afirmativas feitas

anteriormente, pelo menos em um ponto de vista, o das opções fora do preço. Logo,

140

deve-se levar em consideração a volatilidade da taxa de câmbio no cálculo do

apreçamento dessas opções.

Como exemplo, extrai-se a opção com vencimento em abril e preço de exercício

R$ 34,00, onde o índice de EQM no apreçamento de opções acrescida da variável Dólar

é menor que o obtido na Rede Neural calculada com os mesmos parâmetros do Modelo

Black & Scholes, como mostra a Tabela 9.

Tabela 9 – Resultados dos EAM, EQM, REQM nos apreçamentos das séries de opções

fora do preço calculadas pelas RNA’s e RNA’s_US$

Nota-se assim que, estatisticamente, o resultado foi 83% positivo em relação aos

EQM calculados.

b) Grupo B – No preço

Observando a tabela abaixo (Tabela 10), percebe-se considerável melhora nos

resultados obtidos nesta série de opções quando acrescentada a variável câmbio no

apreçamento destes derivativos. Na estimativa dos erros expostos encontrou-se um

resultado favorável à técnica das RNA_US$ de 83% para o EMA e de 67% para os

EQM e REQM testados. No entanto, nos meses de maio e junho, responsáveis pela

perda de eficiência do modelo RNA_US$, as diferenças entre os erros resultantes foram

pequenos, quase insignificativos, o que nos permite afirmar que na série das opções no

preço a taxa de câmbio deve ser considerada, assim como nas opções fora do preço.

141

Tabela 10 – Resultados dos EAM, EQM, REQM nos apreçamentos das séries de opções

no preço calculadas pelas RNA’s e RNA’s_US$

O Gráfico 8 abaixo apresenta os preços reais do mercado comparando-os com os

preços projetados pelos três modelos estudados. Analisando a janela de 3 a 11 dias,

verifica

com vencimento em março de 2006

-se que a técnica da RNA_US$ demonstra melhor aderência aos preços de

mercado.

Gráfico 8 – Preços reais e teóricos de uma série de opções no preço

0,25

0,50

0,75

1,00

1,25

1,50

1,75

2,00

2,25

2,50

2,75

3,00

3,25

3,50

3,75

4,00

4,25

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36

Tempo em dias

Preço da Opção em reais

REAL B&S RNA RNA_US$

c) Grupo C – Dentro do preço

142

Neste grupo de opções, os erros calculados também comprovaram a assertiva de

que a

preço de opções em uma série com vencimento no mês de

março,

Tabela 11 – Resultados dos EAM, EQM, REQM nos apreçamentos das séries de opções

taxa de câmbio influencia no apreçamento de opções, ao demonstrar valores

inferiores aos obtidos pelas RNA’s e de forma semelhante em todos estes indicadores,

ou seja, o percentual dos erros entre os EMA, EQM, REQM foram os mesmos (67%)

nas opções dentro do preço.

Simulando valores de

verifica-se através do EAM que considerando-se R$ 1,00 como preço de

mercado, o modelo RNA apreça na média a R$ 1,17 enquanto o modelo RNA_US$ a

R$ 1,11. Apesar de pequena a diferença entre ambos (R$ 0,06), em termos percentuais

representa 5,41%. Este percentual pode resultar em um prejuízo maior que 50 mil reais

numa operação que envolva a negociação de um lote de um milhão de opções,

desconsiderando os custos de corretagem, emolumentos entre outros.

dentro do preço calculadas pelas RNA’s e RNA’s_US$

Pelo gráfico abaixo, é possível verificar a superioridade no apreçamento

realizad

da RNA_US$.

o pelos modelos de Redes Neurais Artificiais no período do 10

ao 24

dia,

principalmente naquelas que utilizaram a variável câmbio. Como exemplo, destaca-se

no 17

dia a diferença de R$0,65 entre os EAM dos modelos de apreçamento do B&S e

143

Gráfico 9 - Preços reais e teóricos de uma série de opções dentro do preço

com vencimento em abril de 2006

0,25

0,50

0,75

1,00

1,25

1,50

1,75

2,00

2,25

1 3 5 7 9 11131517192123252729313335373941

Tempo em dias

Preço da Opção em reais

REAL B&S RNA RNA_US$

Pode-se afirmar, assim, a relevância da taxa de câmbio no apreçamento de

opções fora do preço, no preço e dentro do preço, tendo em vista que apresentou 72% de

EAM, E

acertos entre B&S/RNA e RNA/RNA_US$

nas séries de opções fora do preço, no preço e dentro do preço

QM e REQM menores do que os calculados pela RNA. Destaca-se ainda, que o

grupo fora do preço foi o que melhor se adequou a esta variável.

Por fim, os comentários realizados acima e percentuais destacados podem ser

observados pela tabela abaixo

107

Tabela 12 – Número de

107

Na Tabela 12, RNA/B&S representa o percentual de acertos em que a RNA superou o Modelo Black

& Scholes; e RNA_US$/RNA representa o percentual de acertos em que a RNA_US$ superou a RNA.

144

145

7. CONCLUSÕES E RECOMENDAÇÕES

Entendida como a dispersão de dados em torno de seu valor esperado, a

volatilidade representa um medida de risco para o investidor. Analisar as oscilações do

mercado frente aos acontecimentos atuais é extremamente importante na alocação de

recursos.

A volatilidade é uma variável presente em diversos ativos financeiros e

resultante do comportamento político, econômico e social do país. Em razão da sua

importância no cenário mundial, surgiu o interesse de seu estudo, não apenas a fim de

estimá-la, mas também na determinação de preços de derivativos, principalmente de

opções.

O Modelo de Black & Scholes foi o precursor no cálculo do apreçamento de

opções e considerado de maior sucesso em finanças. No entanto, constataram-se

diferenças significativas nos resultados obtidos entre o valor da opção calculado pelo

modelo e o realmente verificado no mercado. Dessa forma surgiram diversas técnicas na

tentativa de obter uma resposta satisfatória e encontrar um modelo capaz de substituir o

Black & Scholes em sua finalidade, dentre elas destacam-se as Redes Neurais

Artificiais.

A premissa deste trabalho foi verificar se a técnica de Redes Neurais supera o

Modelo criado em 1973 na determinação de preço de opções, alcançando preços mais

condizentes com a realidade.

Para tanto, foi desenvolvida uma análise comparativa entre os resultados

apresentados por ambos os modelos utilizando-se séries de opções fora do preço, no

preço e dentro do preço.

146

Posteriormente, decidiu-se verificar o impacto da volatilidade da taxa de câmbio

no apreçamento de opções devido a sua influência na economia brasileira, adotando-se

para isso o mesmo critério de avaliação entre os modelos. Referida análise somente foi

possível através da técnica das Redes Neurais, em decorrência das limitações

apresentadas pelo Modelo de Black & Scholes.

A determinação em alocar os dados em três diferentes tipos de séries, conforme

o grau de

moneyness, realizando o treinamento da rede de forma separada por grupo,

melhorou substancialmente o desempenho da Rede Neural Artificial. Notou-se assim,

que o comportamento dos preços das opções se distinguem de acordo com o grupo a

que pertencem.

A partir dos resultados encontrados, foi constatado que o modelo baseado em

Redes Neurais sobrepuja o Modelo Black & Scholes no apreçamento de opções fora do

preço, no preço e dentro do preço. Dentre esses grupos, o modelo desenvolvido obteve

melhor desempenho quando aplicado à séries de opções no preço e dentro do preço, se

comparado ao Modelo precursor. No entanto, os valores que mais se aproximaram da

realidade, alcançando o menor erro médio, foram das opções dentro do preço, pelo

cálculo do EQM, para ambos os modelos estudados.

Esse equilíbrio entre as séries de opções no preço e dentro do preço pode

também ser observado nos resultados obtidos no cálculo dos respectivos Erros

Absolutos Médios, Erros Quadráticos Médios e das Raízes Quadradas dos Erros

Quadráticos Médios.

Da análise comparativa entre os valores encontrados pela RNA e pela

RNA_U$$ extrai-se que a taxa de câmbio, quando inserida na técnica de Redes Neurais,

influencia positivamente no apreçamento de opções fora do preço, no preço e dentro do

147

preço, sendo de forma mais expressiva no primeiro grupo, em que mais vezes alcançou

o mínimo nos erros verificados e mais se aproximou da realidade. No entanto, nos

meses em que a taxa de câmbio não demonstrou melhora quando comparada à RNA

percebe-se uma diferença ínfima entre os resultados obtidos pelos diversos indicadores

de erro analisados, o que permite afirmar que a taxa de cambio é uma variável

dependente do cálculo do apreçamento de opções que mais se ajusta aos preços reais

ocorridos no mercado.

Conclui-se assim que a técnica da Rede Neural supera o Modelo de Black &

Scholes no apreçamento de todos os grupos de opções estudados, posto apresentar

resultados mais condizentes com a realidade, transmitindo assim maior segurança ao

investidor na tomada de decisão. E mais, ao adicionar a variável câmbio no modelo de

Rede Neural desenvolvido obtem-se resposta ainda mais favorável nos preços teóricos

das séries de opções fora do preço, no preço e dentro do preço.

Contudo, o presente estudo não teve a pretensão de esgotar o tema e abordar

todos os seus conceitos e aplicabilidade. Até porque, trata-se de um assunto complexo e

extenso de uma forma geral, posto lidar com técnicas que imitam artificialmente o

cérebro humano, inexistindo, portanto, limites a serem alcançados. A cada momento

surgem novas técnicas para o apreçamento de opções com o intuito de encontrar aquela

que realize a melhor previsão de preços possíveis.

Neste trabalho foi desenvolvida uma Rede Neural

feedfoward, com algoritmo de

treinamento

backpropagation. Para trabalhos futuros, sugere-se o estudo de uma Rede

Neural utilizando o algoritmo de aprendizagem

weight elimination. Este algoritmo

consiste em eliminar os pesos sinápticos entre os neurônios. Pode-se ainda, elaborar

uma Rede Neural Artificial utilizando outras variáveis de entrada, com diferentes

148

topologias e variando a periodicidade dos dados de treinamento para verificar a

estabilidade do mercado de capitais brasileiro em séries de treinamentos, como por

exemplo, de três meses.

149

8. REFERÊNCIAS BIBLIOGRÁFICAS

ADLER, A. S. et al. Árvores Binomiais Implícitas: Aplicação para as Opções de

Telebrás no Exercício de Abril de 1999. XXIII ENANPAD,

Anais. Foz do Iguaçu,

1999.

APÓS G7, Japão mantém política de intervenção cambial.

UOL Economia: Universo

On Line

, 09 fev. 2004. Disponível em: <http://www1.uol.com.br/economia/reuters/

ult29u32809.shl

>. Acesso em: 13 mar. 2006.

ATUALMENTE: BOVESPA é o maior centro da América Latina.

BOVESPA. Quem

somos – Histórico. Disponível em: < http://www.bovespa.com.br/Principal.asp>.

Acesso em: 04 mai 2006.

BACHA, Edmar Lisboa e outro.

Mercado de Capitais e crescimento econômico:

lições internacionais e desafios brasileiros.

Rio de Janeiro: Contra Capa Livraria,

2005.

BANCO CENTRAL DO BRASIL.

Economia e Finanças. Disponível em:

<http://www.bcb.gov.br/?ECONOMIA>. Acesso em: 12 mar. 2006.

BANCO CENTRAL DO BRASIL.

Taxas de Câmbio. Disponível em:

<http://www5.bcb.gov.br/pec/taxas/port/ptaxnpesq.asp?id=txcotacao>. Acesso em: 01

jun. 2006.

BISHOP, Christopher.

Neural Networks for Pattern Recognition. Oxford University

Press, 2000.

BOCANEGRA, C. W. R.

Procedimentos para tornar mais efetivo o uso das redes

neurais artificiais em planejamento de transportes.

2002. 108p. Dissertação

(Mestrado) – Faculdade de Engenharia Civil, Universidade de São Paulo, São Carlos.

150

BRONSTEIN, G. et al. Modelo de Avaliação de Opções para Processos de Difusão e

Salto. XXIII ENANPAD,

Anais. Foz do Iguaçu, 1999.

CAVALCANTE, F.; RUDGE, L. F.; MISUMI, J. Y.

Mercado de capitais; o que é,

como funciona.

Campus, 2005.

COSTA, César Lauro da.

Opções: operando a volatilidade. São Paulo: Bolsa de

Mercadorias & Futuros, 1998.

CRUSIUS, Yeda. Flutuação da taxa de câmbio, intervenções do Banco Central e

influência nas exportações.

Revista de Conjuntura, abr./jun. 2003. Disponível em:

<http:// www.yedacrusius.com.br/artigos/imagens/YedaCrusius.pdf >. Acesso em: 13

mar. 2006.

DAMODARAN, Aswath.

Avaliação de investimentos: ferramentas e técnicas para a

determinação do valor de qualquer ativo.

Rio de Janeiro: Qualitymark Ed., 1997.

FERREIRA, Léo da Rocha.

Taxa de câmbio social no Brasil: Mercosul e a abertura

comercial.

Rio de Janeiro: Letra Capital, 2004.

FLUXO cambial é o maior desde 98, e dólar atinge novo mínimo em 5 anos.

Folha de

São Paulo

, São Paulo, Folha Dinheiro, p. B1, 03 mar. 2006.

FONSECA, Roberto Gianetti. O cambio em debate.

Jornal Folha de São Paulo, São

Paulo, 20 fev. 2006. Disponível em: <http://www1.folha.uol.com.br/fsp/opiniao/fz2002

200609.htm>. Acesso em: 14 mar. 2006.

FREIMAN, José Paulo.

Utilização das redes neurais artificiais na previsão de

indicadores financeiros para avaliação econômica de negócios em situação de risco.

2004. 96p. Dissertação (Mestrado) – Faculdade de Engenharia, Universidade Federal de

Itajubá, Itajubá.

151

FREIMAN, José Paulo; P., Edson de O. Redes Neurais Artificiais na Previsão do

Valor de Commodity do Agronegócio. V Encuentro Internacional de Finanzas.

Santiago, Chile, 19-21 jan. 2005.

FREITAS, S. O.

Utilização de modelo baseado em redes neurais para a precificação

de opções.

São Paulo: Bolsa de Mercadorias & Futuros, 2002.

GERSHENFELD, N. A.

The Nature of Mathematical Modeling. Cambridge

University Press, 1998.

HAYKIN, S.

Redes Neurais, Princípios e Prática. 2

ed. Porto Alegre: Bookman,

2001.

HULL, J. C.; WHITE, A. The Pricing of Options on Assets with Stochastic Volatilities.

Journal of Finance, v. 42, p. 281-300, june 1987.

HULL, J.

Opções, Futuros e Outros Derivativos. São Paulo: Bolsa de Mercadorias &

Futuros, 1998.

KNIGHT, J.; SATCHELL, S.

Forecasting Volatility in the Financial Markets.

Butterworth-Heinemann, 2002.

LACERDA, Antônio Corrêa de. Política Cambial. Comentário Econômico.

Wirtschaftskommentar, set., 2003. Disponível em: <http://

www.ahk.org.br/extranet/revista/upload_comentario/comen_econ_setembro03_port.pdf

>. Acesso em: 13 mar. 2006.

LEMGRUBER, Eduardo Facó.

Avaliação de Contratos de Opções. São Paulo: Bolsa

de Mercadorias & Futuros, 1992.

LIPTON, Alexander. Mathematical Methods for Foreign Exchange.

A Financial

Engineer's Approach.

World Scientific Publishing Company, 2001.

152

LOESCH, C.; SARI, S. T.

Redes neurais artificiais: fundamentos e modelos.

Blumenau: FURB, 1996.

MUNCH, Isabela Perle.

Bandas de câmbio, expectativas de desvalorização,

volatilidade e crescimento econômico: uma análise comparativa entre o Brasil e

outros países emergentes.

São Paulo: Bolsa de Mercadorias & Futuros, 2003.

NABNEY, Ian. Netlab.

Algorithms for Pattern Recognition. Springer-Verlag Telos,

2001.

NATEMBERG, Sheldon.

Option volatility & pricing. Probus Publishing Company,

Chicago: 1994.

OLIVEIRA, Gustavo Aleixo de.

Informação implícita em prêmios de opções. São

Paulo: Bolsa de Mercadorias & Futuros, 2003.

SCOTT, L. O. Option Pricing when the Variance Changes Randomly: Theory,

Estimation, and an Application.

Journal of Financial and Quantitative Analysis, v.

22, p. 419-438, dec. 1987.

SHEPHARD, Neil.

Stochastic Volatility. Oxford University Press, 2005.

SILVA NETO, L. A.

Opções: do Tradicional ao Exótico. São Paulo: Atlas, 1996.

SILVA, C. R. L.

Instabilidade no mercado brasileiro de câmbio. v. 31. São Paulo.

2001.

SILVA, Luiz Maurício da.

Mercado de Opções: conceitos e estratégias. Rio de

Janeiro: Ed. HALIP, 1996.

153

SMITH, K. A.; Gupta, J. N. D. Neural networks in business: techniques and

applications for the operations researcher.

Computers & Operations Research, 2000.

p. 1023-1044.

SMITH, Murray.

Neural Networks for Statistical Modeling. New York: Van

Nostrand Reinhold, 1993.

SOUZA SOBRINHO, Nelson Ferreira de. Extração da volatilidade do Ibovespa.

Resenha Bolsa de Mercadorias & Futuros, n

144, 2004.

TAFNER, M. A.; XEREZ, M; FILHO, I. R.

Redes Neurais Artificiais: Introdução e

Princípios de Neurocomputaçao.

Blumenau: EKO, 1995.

TELES, J. L.; PINHEIRO, M. A.; TEIXEIRA, V. L. VII Prêmio de Monografia.

Volatilidade: importância e utilidade no mercado financeiro. Rio de Janeiro:

Corecon, 1996. p.69-114.

VARGAS, J. V.; PISCIOTTO, M. M. Utilização de Árvores Trinomiais no cálculo de

opções.

Resenha Bolsa de Mercadorias & Futuros, n. 134, p. 39-73, 1999.

VITIELLO JÚNOR, L. R. S. Opções de Compra: O ajustamento de dois modelos de

precificação ao Mercado Brasileiro. XXII ENANPAD,

Anais. Foz do Iguaçu, 1998.

WELSTEAD, S. T.

Neural Network and Fuzzy Logic Applications in C/C++. New

York: John Wiley & Sons, 1994.

WHITE, A. Jay. Pricing Options with Futures-Style Margining.

A Genetic Adaptive

Neural Network Approach.

Garland Publishing, 1999.

WIGGINS, J. B. Option Values under Stochastic Volatility: Theory and Empirical

Estimates.

Journal of Financial Economics, v. 19, p. 351-372, 1987.

154

ANEXO 1

Gráfico gerado pelo

software Neural Net Analizer da série de opções de abril out the

money

com modelo de RNA_US$ na qual se aplicou o corte do early stopping quando a

linha de treinamento cortou a linha de validação.

155

ANEXO 2

Gráfico gerado pelo

software Neural Net Analizer da série de opções de fevereiro in the

money

com modelo de Rede Neural Artificial na qual foi aplicado o corte do early

stopping

uma vez que as duas linhas de validação e treinamento tendiam ao infinito

paralelamente.

156

ANEXO 3

Gráfico gerado pelo

software Neural Net Analizer da série de opções de janeiro out the

money

com modelo de RNA_US$ onde ocorre a convergência das linhas de validação e

treinamento.

157

ANEXO 4

Tela Training Track Board do software Neural Net Analizer na qual foram definidos

para cada grupo de cada vencimento os parâmetros de treinamento da Rede Neural

Artificial e a topologia utilizada, demonstrando o resultado através do erro quadrado

mínimo na saída (MSE

on out put), após o treinamento de 50.000 épocas, para uma

série de janeiro, fora do preço, sem a variável Dólar.

158

ANEXO 5

Tela Training Track Board do software Neural Net Analizer na qual foram definidos

para cada grupo de cada vencimento os parâmetros de treinamento da Rede Neural

Artificial e a topologia utilizada, demonstrando o resultado através do erro quadrado

mínimo na saída (MSE on out put), após o treinamento de 100.000 épocas, para uma

série de fevereiro, no preço, com a variável Dólar

Livros Grátis
( http://www.livrosgratis.com.br )
 
Milhares de Livros para Download:
 
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas

Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
 
 