Este trabalho tem como objetivo utilizar medidas de causalidade entre séries temporais de grandezas financeiras para determinar a dependência entre os ativos do mercado e utilizar as medidas obtidas para fazer inferências sobre a dinâmica desses ativos. Essa metodologia define um previsor para os valores das séries que, juntamente com a determinação das distribuições de probabilidades empíricas dos erros desse previsor por meio do método de Kernel, permite a amostragem aleatória de cenários multivariados, com diversas aplicações. Os ativos considerados para os testes de causalidade são o índice Ibovespa, o valor da paridade da moeda dólar-real USDBRL (utilizando suas séries de preços e retornos de preços), além da taxa de juros negociada diariamente (CDI). O uso do Método de Monte Carlo (MMC) é abordado para a precificação de opções de compra europeias (calls) de USDBRL e Ibovespa, e a comparação dos resultados gerados por essa metodologia com valores calculados pela fórmula de Black-Scholes (método mais utilizado no mercado financeiro, atualmente), evidenciando suas vantagens e desvantagens. Conclui-se, com este estudo, que, por meio da metodologia proposta, é possível replicar alguns comportamentos intrínsecos do mercado (como a observação de tendências nas séries de preços devido a dependências implícitas, e a presença de caudas pesadas nas distribuições dos retornos) que são desprezados pela maioria dos modelos paramétricos utilizados hoje, bem como o efeito do uso dessas informações no preço de derivativos. / This paper proposes the use of causality measures applied over time-series of financial values to determine the dependency relations between market assets and a way to use the obtained measures to make inferences about the dynamics of these assets. This methodology defines a predictor for values of the time-series that, by determining the empirical probability distributions of the errors generated by this predictor based on the Kernel method, allows a random sampling of multivariated scenarios with many applications. The assets considered for the causality tests are the Ibovespa index, the dollar-real parity value USDBRL (using their price and price-return series), in addition to the daily traded interest rate (CDI). The use of the Monte Carlo Method (MMC) for the pricing of European call options (USDBRL) and Ibovespa was discussed, in addition to a comparison of the results generated by this methodology with values calculated by the Black-Scholes formula (currently the most used method by finance institutions), showing its advantages and disadvantages. The conclusion is that, based on the proposed methodology, it is possible to replicate some intrinsic market behaviors (such as the existence of trends in price series, due to implicit dependencies, and the presence of fat tails in the distributions of price-returns) that are neglected by most of parametric models, currently, as well as the effect of using this information for pricing derivatives.

Made available in DSpace on 2010-04-20T20:08:15Z (GMT). No. of bitstreams: 0 Previous issue date: 1996-10-14T00:00:00Z / Trata-se do exame do viés resultante da diferença entre o prêmio teórico e o prêmio observado de uma opção de compra de ações preferenciais da Telebrás no período de agosto de 1992 a agosto de 1994. Admite-se como causa do viés a natureza estocástica da volatilidade e procede-se à sua modelagem.

Este trabalho tem como objetivo utilizar medidas de causalidade entre séries temporais de grandezas financeiras para determinar a dependência entre os ativos do mercado e utilizar as medidas obtidas para fazer inferências sobre a dinâmica desses ativos. Essa metodologia define um previsor para os valores das séries que, juntamente com a determinação das distribuições de probabilidades empíricas dos erros desse previsor por meio do método de Kernel, permite a amostragem aleatória de cenários multivariados, com diversas aplicações. Os ativos considerados para os testes de causalidade são o índice Ibovespa, o valor da paridade da moeda dólar-real USDBRL (utilizando suas séries de preços e retornos de preços), além da taxa de juros negociada diariamente (CDI). O uso do Método de Monte Carlo (MMC) é abordado para a precificação de opções de compra europeias (calls) de USDBRL e Ibovespa, e a comparação dos resultados gerados por essa metodologia com valores calculados pela fórmula de Black-Scholes (método mais utilizado no mercado financeiro, atualmente), evidenciando suas vantagens e desvantagens. Conclui-se, com este estudo, que, por meio da metodologia proposta, é possível replicar alguns comportamentos intrínsecos do mercado (como a observação de tendências nas séries de preços devido a dependências implícitas, e a presença de caudas pesadas nas distribuições dos retornos) que são desprezados pela maioria dos modelos paramétricos utilizados hoje, bem como o efeito do uso dessas informações no preço de derivativos. / This paper proposes the use of causality measures applied over time-series of financial values to determine the dependency relations between market assets and a way to use the obtained measures to make inferences about the dynamics of these assets. This methodology defines a predictor for values of the time-series that, by determining the empirical probability distributions of the errors generated by this predictor based on the Kernel method, allows a random sampling of multivariated scenarios with many applications. The assets considered for the causality tests are the Ibovespa index, the dollar-real parity value USDBRL (using their price and price-return series), in addition to the daily traded interest rate (CDI). The use of the Monte Carlo Method (MMC) for the pricing of European call options (USDBRL) and Ibovespa was discussed, in addition to a comparison of the results generated by this methodology with values calculated by the Black-Scholes formula (currently the most used method by finance institutions), showing its advantages and disadvantages. The conclusion is that, based on the proposed methodology, it is possible to replicate some intrinsic market behaviors (such as the existence of trends in price series, due to implicit dependencies, and the presence of fat tails in the distributions of price-returns) that are neglected by most of parametric models, currently, as well as the effect of using this information for pricing derivatives.

Short selling is important for price efficiency as it helps negative information to be incorporated into prices. As short selling requires borrowing stock in advance, the equity lending market plays a central role in price efficiency. For instance, when the costs of borrowing certain equities are high, these stocks are likely to be overpriced. Unfortunately, not much is known about the equity lending market, particularly the Brazilian market. Here, we have investigated a particular feature of the equity lending contract, namely, the lender recall option. Lending contracts either i) allow the lender to recall the stock at an earlier date than initially agreed, or ii) allow no early recall, that is, they are fixed term contracts. We have derived a simple model for recall option pricing and confirmed the model empirically / A venda descoberta desempenha uma importante participação na eficiência da precificação de ativos, pois permite incorporar informações negativas aos seus preços. Como a venda descoberta requer que um ativo seja alugado previamente, o mercado de aluguel de ativos tem um papel central na formação eficiente de preços. Por exemplo, quando os custos de aluguel são altos, ativos estão provavelmente sobrevalorizados. Infelizmente pouco se conhece a fundo sobre o mercado de aluguel de ativos. Neste artigo, investigamos uma característica do aluguel de ações, propriamente dita, a opção de liquidação antecipada pelo doador. Contratos de aluguel, quanto a este aspecto, podem i) permitir que o doador requeira suas ações antes do prazo acordado ou ii) não permitir esta opção, possuindo prazo fixo. Derivamos um modelo simples de precificação desta opção e confirmamos o modelo empiricamente

Neste trabalho propomos um modelo de mercado através de uma discretização aleatória do movimento browniano proposta por Leão & Ohashi (2010). Com este modelo, dada uma função payoff, vamos desenvolver uma estratégia de hedging e uma metodologia para precificação de opções / In this work we propose a market model using a discretization scheme of the random Brownian motion proposed by Leão & Ohashi (2010). With this model, for any given payoff function, we develop a hedging strategy and a methodology to option pricing

Neste trabalho propomos um modelo de mercado através de uma discretização aleatória do movimento browniano proposta por Leão & Ohashi (2010). Com este modelo, dada uma função payoff, vamos desenvolver uma estratégia de hedging e uma metodologia para precificação de opções / In this work we propose a market model using a discretization scheme of the random Brownian motion proposed by Leão & Ohashi (2010). With this model, for any given payoff function, we develop a hedging strategy and a methodology to option pricing

É muito comum modelar problemas em finanças com processos estocásticos, dada a incerteza de suas variáveis de análise. Além disso, problemas reais nesse domínio são, em geral, de grande custo computacional, o que sugere a utilização de plataformas de alto desempenho (HPC) em sua implementação. As novas gerações de arquitetura de hardware gráfico (GPU) possibilitam a programação de propósito geral enquanto mantêm alta banda de memória e grande poder computacional. Assim, esse tipo de arquitetura vem se mostrando como uma excelente alternativa em HPC. Com isso, a proposta principal desse trabalho é estudar o ferramental matemático e computacional necessário para modelagem estocástica em finanças com a utilização de GPUs como plataforma de aceleração. Para isso, apresentamos a GPU como uma plataforma de computação de propósito geral. Em seguida, analisamos uma variedade de geradores de números aleatórios, tanto em arquitetura sequencial quanto paralela. Além disso, apresentamos os conceitos fundamentais de Cálculo Estocástico e de método de Monte Carlo para simulação estocástica em finanças. Ao final, apresentamos dois estudos de casos de problemas em finanças: \"Stops Ótimos\" e \"Cálculo de Risco de Mercado\". No primeiro caso, resolvemos o problema de otimização de obtenção do ganho ótimo em uma estratégia de negociação de ações de \"Stop Gain\". A solução proposta é escalável e de paralelização inerente em GPU. Para o segundo caso, propomos um algoritmo paralelo para cálculo de risco de mercado, bem como técnicas para melhorar a solução obtida. Nos nossos experimentos, houve uma melhora de 4 vezes na qualidade da simulação estocástica e uma aceleração de mais de 50 vezes. / Given the uncertainty of their variables, it is common to model financial problems with stochastic processes. Furthermore, real problems in this area have a high computational cost. This suggests the use of High Performance Computing (HPC) to handle them. New generations of graphics hardware (GPU) enable general purpose computing while maintaining high memory bandwidth and large computing power. Therefore, this type of architecture is an excellent alternative in HPC and comptutational finance. The main purpose of this work is to study the computational and mathematical tools needed for stochastic modeling in finance using GPUs. We present GPUs as a platform for general purpose computing. We then analyze a variety of random number generators, both in sequential and parallel architectures, and introduce the fundamental mathematical tools for Stochastic Calculus and Monte Carlo simulation. With this background, we present two case studies in finance: ``Optimal Trading Stops\'\' and ``Market Risk Management\'\'. In the first case, we solve the problem of obtaining the optimal gain on a stock trading strategy of ``Stop Gain\'\'. The proposed solution is scalable and with inherent parallelism on GPU. For the second case, we propose a parallel algorithm to compute market risk, as well as techniques for improving the quality of the solutions. In our experiments, there was a 4 times improvement in the quality of stochastic simulation and an acceleration of over 50 times.

É muito comum modelar problemas em finanças com processos estocásticos, dada a incerteza de suas variáveis de análise. Além disso, problemas reais nesse domínio são, em geral, de grande custo computacional, o que sugere a utilização de plataformas de alto desempenho (HPC) em sua implementação. As novas gerações de arquitetura de hardware gráfico (GPU) possibilitam a programação de propósito geral enquanto mantêm alta banda de memória e grande poder computacional. Assim, esse tipo de arquitetura vem se mostrando como uma excelente alternativa em HPC. Com isso, a proposta principal desse trabalho é estudar o ferramental matemático e computacional necessário para modelagem estocástica em finanças com a utilização de GPUs como plataforma de aceleração. Para isso, apresentamos a GPU como uma plataforma de computação de propósito geral. Em seguida, analisamos uma variedade de geradores de números aleatórios, tanto em arquitetura sequencial quanto paralela. Além disso, apresentamos os conceitos fundamentais de Cálculo Estocástico e de método de Monte Carlo para simulação estocástica em finanças. Ao final, apresentamos dois estudos de casos de problemas em finanças: \"Stops Ótimos\" e \"Cálculo de Risco de Mercado\". No primeiro caso, resolvemos o problema de otimização de obtenção do ganho ótimo em uma estratégia de negociação de ações de \"Stop Gain\". A solução proposta é escalável e de paralelização inerente em GPU. Para o segundo caso, propomos um algoritmo paralelo para cálculo de risco de mercado, bem como técnicas para melhorar a solução obtida. Nos nossos experimentos, houve uma melhora de 4 vezes na qualidade da simulação estocástica e uma aceleração de mais de 50 vezes. / Given the uncertainty of their variables, it is common to model financial problems with stochastic processes. Furthermore, real problems in this area have a high computational cost. This suggests the use of High Performance Computing (HPC) to handle them. New generations of graphics hardware (GPU) enable general purpose computing while maintaining high memory bandwidth and large computing power. Therefore, this type of architecture is an excellent alternative in HPC and comptutational finance. The main purpose of this work is to study the computational and mathematical tools needed for stochastic modeling in finance using GPUs. We present GPUs as a platform for general purpose computing. We then analyze a variety of random number generators, both in sequential and parallel architectures, and introduce the fundamental mathematical tools for Stochastic Calculus and Monte Carlo simulation. With this background, we present two case studies in finance: ``Optimal Trading Stops\'\' and ``Market Risk Management\'\'. In the first case, we solve the problem of obtaining the optimal gain on a stock trading strategy of ``Stop Gain\'\'. The proposed solution is scalable and with inherent parallelism on GPU. For the second case, we propose a parallel algorithm to compute market risk, as well as techniques for improving the quality of the solutions. In our experiments, there was a 4 times improvement in the quality of stochastic simulation and an acceleration of over 50 times.