Otimização da Curva de Gatilho de uma Opção Americana de
Transcrição
Otimização da Curva de Gatilho de uma Opção Americana de
> REVISTA DE INTELIGÊNCIA COMPUTACIONAL APLICADA (ISSN: XXXXXXX), Vol. X, No. Y, pp. 1-10 1 Otimização da Curva de Gatilho de uma Opção Americana de Compra através de Algoritmos Genéticos Rafael de Sequeira Baptista Ferraz Juan Guillermo Lazo Lazo ICA: Laboratório de Inteligência Computacional Aplicada Pontifícia Universidade Católica do Rio de Janeiro R. Marques S. Vicente 225 – Gávea, Prédio Cardeal Leme, 6o. andar, Sala 612 (Cobertura) CEP 22451-041 - Rio de Janeiro - RJ – Brasil Tel: 3527-1207, 3527-1221, 3527-1634 FAX: 3527-1232 Resumo — Este Artigo tem como objetivo determinar a curva de gatilho de opções americanas através de um método numérico conhecido como Algorítimo Genético (GA). A comparação com outros métodos de otimização é feita ao longo do trabalho, mais especificamente com o algorítimo conhecido como Algorítimo de Grant, Vora e Weeks. Primeiramente foram desenvolvidas as representações para que se pudesse usar o cromossoma como curva de gatilho de opções americanas. Posteriormente montou-se a função de avaliação que foi constituída pelo valor da opção. O problema foi então de maximizar o valor da opção. Houve uma etapa de testes na qual se comparou os resultados obtidos com o GA e aqueles obtidos por outros métodos de otimização. A fase seguinte foi aumentar o número de genes do cromossoma de forma que fossem aumentadas, portanto, o número de oportunidades de exercício antecipado da opção. Todos os testes comprovaram que o GA é capaz de otimizar a curva de gatilho tanto da opção americana de compra quanto da de venda. A utilização de GA é uma solução prática para ser adotada, principalmente quando o tempo não é escasso. Palavras Chaves — Curva de Gatilho, Algoritmo Genético, Otimização. I. INTRODUÇÃO A otimização de curvas de gatilhos para opções americanas é realizada atualmente de diversas maneiras. O método mais difundido no meio acadêmico atualmente é o chamado Algoritmo de Grant, Vora e Weeks, por outro lado também há o modelo binomial que apesar de exigir grande esforço computacional apresenta bons resultados. Esse trabalho tem como intuito a melhoria do método de otimização de curvas de gatilho. Os Algoritmos Genéticos são ferramentas de otimização numérica de fácil implementação e que normalmente produzem bons resultados. Desta forma o GA foi utilizado em busca de métodos mais fáceis, que produzissem melhores resultados e de preferência mais ágeis. A opção americana é definida como aquela que pode ser exercida em qualquer data entre a aquisição da opção e o prazo final para exercício. No caso da opção de compra seu valor quando exercida é definido pela seguinte função: max(S − X ,0) Onde S é o valor do ativo base e X o preço de exercício. Para resolver esse problema em tempo contínuo utiliza-se uma aproximação na qual o tempo para o exercício é discretizado em quantos períodos desejar-se e a opção passa a poder ser exercida apenas em um número finito de tempos. O GA foi então estruturado de maneira a solucionar esse problema de maximização do valor da opção e as seções a seguir indicam a forma com que o problema foi abordado e os resultados alcançados. II. ESTRUTURA DO PROBLEMA O problema de determinação da curva de gatilho de uma opção americana é a resolução de um problema de maximização do valor da opção. Para determinarmos a partir de quais preços, dependendo da data, passa a ser vantajoso exercer a opção antes do prazo é preciso que se descubra qual é o ponto (preço) do ativo base em que a opção exercida vale tanto quanto o valor esperado de mante-la “viva”. Para uma opção americana de venda esse ponto é definido como: Em que S*T-t é exatamente o ponto ótimo que o valor do ativo base tem que assumir para tornar a relação verdadeira, X é o preço de exercício e E[PT] é o valor esperado do valor da opção. Esse valor é então trazido a data em que se deseja determinar o ponto de indiferença pela taxa livre de risco. > REVISTA DE INTELIGÊNCIA COMPUTACIONAL APLICADA (ISSN: XXXXXXX), Vol. X, No. Y, pp. 1-10 A realização de uma simulação para o preço do ativo base é executada de maneira que se determinam possíveis caminhos para o preço do ativo ao longo do, a simulação realizada é a Simulação de Monte Carlo (SMC). Neste artigo o processo de difusão utilizado para o ativo básico foi o Movimento Geométrico Browniano (MGB). Após a discretização do tempo o valor do ativo básico em cada período de cada iteração foi determinado através da seguinte relação: 2 Dada a complexidade do algoritmo de GVW e a necessidade de testá-lo esse artigo visa à implementação de uma otimização de curva de gatilho através de GA. III. DESENVOLVIMENTO DO ALGORITMO GENÉTICO O GA foi desenvolvido de maneira que se pudesse determinar qual é a combinação de pontos ao longo do tempo que maximiza o valor da opção. A. Representação Onde sigma representou a volatilidade do ativo e z foi um ruído aleatório com uma distribuição normal de média zero e desvio padrão 1. O Algoritmo de Grant, Vora e Weeks (GVW) realiza uma otimização de trás para frente, na qual os pontos de indiferença são descobertos a partir do ponto que já é conhecido, ou seja, o prazo de expiração da opção. Na expiração a curva de gatilho equivale ao preço de exercício, pois para preços mais baixos que X a opção de venda passa a ser exercida. O Algoritmo de GVW pode ser resumido da seguinte forma: 1) 2) 3) 4) Discretizar o tempo em N = T/∆t Adotar condição terminal ST* = X Para T – ∆t adotar inicialmente ST-∆t = ST* Realizar a SMC a partir de ST-∆t para obter ST e conseqüentemente obter os valores de pT, que será a média dos valores de pT 5) Verificar se a condição de otimalidade foi satisfeita 6) Repetir os passos 3 a 5 para os instantes anteriores até chegar ao instante inicial 7) Após obtermos a Curva de Gatilho calcula-se o valor da opção através de uma SMC, parte-se de S0 para calcular os valores da opção para cada iteração. O valor final será a media A figura a seguir ilustra o procedimento do algoritmo de Grant, Vora e Week de maneira a facilitar o entendimento do mesmo: A representação utilizada foi a de números reais. O cromossomo possui um tamanho deferente para cada número de possibilidades de exercício antecipado permitido deferente. Neste sentido os genes representaram os pontos que se fica indiferente entre exercer ou não a opção, ou seja, o ponto da curva de gatilho. Desta forma o número de genes de cada cromossomo foi determinado de acordo com o número de datas em que se permitiu o exercício antecipado. B. Função de Avaliação A função de avaliação determina a qualidade de cada individuo dando maior ou menor chance dele se reproduzir na população seguinte. Neste GA a função de avaliação é representada pelo valor presente da opção, a qual se deseja maximizar. Maximizar Valor da Opção ∑ t =T t =t Pt ou ∑ t =T t =t Ct O software utilizado para realizar as simulações foi o RiskOptimizer que possui o Evolver acoplado que foi responsável pela otimização do GA. C. Seleção de Genitor O operador de seleção seleciona os indivíduos aleatoriamente, proporcionando maiores chances de reprodução aos mais aptos. Para evitar super-seleção (indivíduo com avaliação muito maior que os demais) e competição próxima (indivíduos com aptidões próximas mas não idênticas). Neste problema foram utilizados os métodos disponíveis no Evolver para seleção. D. Operador de Crossover O operador de crossover permite que pares de genitores escolhidos aleatoriamente da população gerem novos > REVISTA DE INTELIGÊNCIA COMPUTACIONAL APLICADA (ISSN: XXXXXXX), Vol. X, No. Y, pp. 1-10 4. individuas a partir da troca de material genético. A taxa inicial de crossover utilizada foi de 50%. 5. Os operadores de crossover disponíveis no Evolver são: 6. 1. 2. 3. Crossover aritmético Crossover heurístico Crossover padrão 7. 8. E. Operador de Mutação A mutação é um processo que altera a estrutura do cromossomo criando indivíduos com propriedades diferentes daquelas encontradas na maior parte da população. A mutação evita que o modelo fique preso a um ótimo local. A taxa de mutação inicial foi de 10% a qual foi aumentada quando o GA pareceu convergir para algum ótimo. No Evolver os tipos de mutação disponíveis são: 1. 2. 3. 4. Mutação cauchy Mutação boundary Mutação não uniforme Mutação padrão F. Técnica de Reprodução Essa técnica define o critério de substituição dos indivíduos de uma população para a próxima geração. A técnica utilizada foi a de Steady State que realiza a troca parcial da população, isto é, substitui os piores individuas da população corrente. G. Tamanho da População O tamanho da população define qual vai ser a variabilidade genética que a população vai dispor. Quanto maior a população maior é a variabilidade. Neste trabalho o tamanho da população foi de 50 indivíduos, mas o número de gerações não foi previamente definido. O critério de parada foi portanto a convergência do GA. H. I. 3 Se não, faz a mesma avaliação para as data subsequentes O valor da opção será o valor presente da soma dos valores das opções ao longo do tempo Esse procedimento é repetido para as n iterações de uma simulação O objetivo é maximizar o valor da opção que será dado quando a curva de gatilho for ótima A Curva de Gatilho é então evoluída através do GA a fim de otimizar o gatilho Fórmula de Black & Scholes O cálculo do valor da opção do tipo europeu é feito através da fórmula de Black & Scholes. O conhecimento do valor da opção européia é essencial para que se possa avaliar se o resultado encontrado para a opção bermuda (aquela que permite o exercício antecipado em apenas algumas datas, é na verdade uma discretização da opção americana, quanto maior o número de datas em que se é permitido o exercício antecipado, mais próximo se torna o valor da opção bermuda do valor da opção americana) está coerente. Como a opção do tipo bermuda possui todos os direitos de uma opção do tipo europeu e ainda mais algumas vantagens, ela deve valer mais. Portanto, o cálculo do valor da opção européia serve de referencia. A fórmula de Black e Scholes é dada por: [ ] c = e−r (T −t ) SN (d1 )er (T −t ) − XN(d2 ) p = Xe − r (T −t ) N (− d 2 ) − SN (− d1 ) Onde: d1 = S ln X 2 σ (T − t ) + r + 2 σ T −t Resumo da Metodologia Aplicada A planilha em Excel na qual o GA foi rodado, assim como as SMC seguiu os seguintes procedimentos: 1. 2. 3. Realização de uma iteração da SMC para o ativo base Avalia se o preço do ativo para a data mais próxima a zero é maior ou menor do que o gene que representa aquela data Se St < Genet e não tiver sido menor para as datas anteriores,calcula o valor da opção exercida (put=X-S) d 2 = d1 − σ T − t Neste mesmo raciocínio também é importante conhecer o verdadeiro valor da opção americana. A solução normalmente proposta para esse obstáculo é de aproximar o valor verdadeiro da opção americana por uma árvore binomial na qual o número de discretizações no tempo seja muito grade. No paper de Grant, Vora e Weeks [2] eles propõem uma arvore binomial de 500 passos para o período de meio ano. > REVISTA DE INTELIGÊNCIA COMPUTACIONAL APLICADA (ISSN: XXXXXXX), Vol. X, No. Y, pp. 1-10 Em uma árvore binomial, o preço do ativo em cada intervalo de tempo só pode subir ou cair. É possível imaginar que o esforço computacional se torna imenso quando se tem o período grande entre a aquisição da opção e a expiração da mesma. Desta forma, esse método se torna inviável quando se deseja aliar um grande período de tempo a um período de discretização razoavelmente pequeno. Foram realizados primeiramente testes para a verificação do funcionamento do GA. Para tanto, o GA foi aplicado a problemas já solucionados por outros métodos, no caso o algoritmo de GVW. Desta forma os resultados obtidos foram comparados e posteriormente aplicou-se o GA a outros problemas. A. Teste 1 Para testar o algoritmo genético criado foi calculado o valor de uma put com apenas uma data para exercício antecipado. O GA teve portanto cromossomos com apenas um gene. Esse exemplo é exatamente igual a um exemplo do paper do Grant, Vora e Weeks. As variáveis inputadas foram: 0.5 0,1 0,4 0,25 100 100 Os valores de sigma, T, r e delta t são em relação ao ano. O preço de exercício X e o valor inicial do ativo base S0 podem ser em qualquer unidade monetária. No paper os valores encontrados pelo algoritmo de Grant, Vora e Weeks foram: Grant, Vora e Weeks Gatilho em t = 0,25 Valor da Opção em t = 0 US$ 84.24 8.95 Esses valores são coerentes com os valores das puts européia e americana para os mesmos parâmetros, US$ 8.70 e US$ 9.22. O GA nos forneceu: US$ 84.73 8.96 Os valores fornecidos pelo GA foram bem próximos aos do algoritmo de Grant, Vora e Weeks O tempo para a otimização foi de 11 min. IV. TESTES T r sigma delta t X S0 GA Gatilho em t = 0,25 Valor da Opção em t = 0 4 B. Teste 2 Se admitirmos o exercício antecipado em duas datas t = 0.1667 e t = 0.3333 os valores ótimos obtidos pelo GA são: GA Gatilho em t = 0,1667 Gatilho em t = 0,3333 Valor da Opção em t = 0 US$ 79.53 82.90 9.05 Os valores encontrados pelo algoritmo de Grant, Vora e Weeks foram: Grant, Vora e Weeks Gatilho em t = 0,1667 Gatilho em t = 0,3333 Valor da Opção em t = 0 US$ 81.08 85.65 9.05 Observa-se que o valor da opção cresce quando se aumenta o número de oportunidades de exercício antecipado. O valor da opção de venda encontrado pelo GA ficou entre os valores da opção de venda européia e o valor da opção de venda americana. C. Teste 3 Desta vez foram permitidas quatro datas para o exercício antecipado da put, t = 0.1, t = 0.2, t = 0.3 e t = 0.4 Os pontos da curva de gatilho e o valor da put encontrados pelo GA foram: GA Gatilho em t = 0,1 Gatilho em t = 0,2 Gatilho em t = 0,3 Gatilho em t = 0,4 Valor da Opção em t = 0 US$ 54,46 74,31 84,95 86,54 9,07 Os resultados obtidos são coerentes pois a put ficou mais valiosa quando aumentamos as oportunidades de Exercício antecipado. > REVISTA DE INTELIGÊNCIA COMPUTACIONAL APLICADA (ISSN: XXXXXXX), Vol. X, No. Y, pp. 1-10 O valor encontrado de US$ 9.07 está entre o valor da put européia com mesmos parâmetros e da put americana. O gráfico abaixo representa a curva de gatilho para a opção de venda do teste 3. Podemos observar que a curva se assemelha bastante a aquela esperada pela teoria. Curva de Gatilho Cabe ressaltar que no início a curva de gatilho é mais estável, ficando mais inclinada perto da expiração (conforme teoria). Podemos verificar que o gatilho no tempo t = 0.2 foi um pouco menor do que em t = 3, o que provavelmente foi ocasionado por conta do processo de simulação. O gráfico a seguir representa os pontos da curva de gatilho encontrados. 100 80 Gatilho Call 60 250 40 200 20 0 0.1 0.2 0.3 0.4 Tem po Preço de Exercício Gatilho 5 150 100 50 0 0.1 0.2 0.3 0.4 0.5 Tempo D. Teste 4 O teste 4 foi realizado para uma call americana. Desta forma, foi necessário que alterássemos a função de avaliação dos indivíduos. A função de avaliação foi então alterada para: A relação acima representa o valor da call, sabemos que a curva de gatilho é exatamente o ponto de indiferença entre exercer ou esperar. O primeiro termo da função de máximo representa o valor da opção exercida e o segundo o valor dela “viva”. Neste exemplo foram permitidas quatro datas para exercício antecipado, sendo os parâmetros exatamente os mesmos do teste 3. Os pontos do gatilho e o valor da call encontrados pelo GA foram então: GA Gatilho em t = 0,1 Gatilho em t = 0,2 Gatilho em t = 0,3 Gatilho em t = 0,4 Valor da Opção em t = 0 US$ 193.157177 181.941915 187.418405 157.152124 13.57 A forma da curva de gatilho da call ficou como esperada: no início o gatilho é mais alto, pois há maior valor na espera, conforme nos aproximamos da expiração esse valor cai e conseqüentemente o valor da call também cai. CONCLUSÃO O tempo computacional exigido para a otimização foi relativamente alto. O processo levou 11 minutos para achar um ponto, cerca de uma hora para achar dois pontos e duas horas para convergir para 4 pontos. A representação parece ser a grande dificuldade para otimização. Como o número de casas decimais admitido pelo RiskOptimizer é grande, a evolução dos indivíduos é lenta. Como a forma da curva de gatilho já é conhecida O GA encontrou valores bem próximos aos encontrados pelo Algoritmo de Grant, Vora e Weeks. Para avaliar curvas de gatilho para opções reais e financeiras, o tempo não é importante por isso o GA pode ser indicado. O método de otimização através do GA é muito mais simples do que o Algoritmo de Grant, Vora e Weeks. REFERÊNCIAS [1] “Monte Carlo Valuation of American Options through Computation of the Optimal Exercise Frontier”, Alfredo Ibáñez e Fernando Zapatero, 6 Novembro 2001 [2] “Simulation and the Early-Exercise Option Problem”, Dwight Grant, Gautam Vora e David Weeks, The Journal of Financial Engineering - Volume 5 - Number 3 [3] “Teaching Option Valuation: From Simple Discrete Distributions to Black/Scholes Via Monte Carlo Simulation”, Dwight Grant, Gautam Vora e David Weeks, Financial Practice and Education, 5 (Fall/Winter 1995) > REVISTA DE INTELIGÊNCIA COMPUTACIONAL APLICADA (ISSN: XXXXXXX), Vol. X, No. Y, pp. 1-10 [4] “Path-Dependent Options: Extending the Monte Carlo Simulation Approach”, Dwight Grant, Gautam Vora e David Weeks, Published in Management Science, Vol. 43, No. 11, November 1997 [5] “Determinação do Valor de Opções Reais por Simulação Monte Carlo com Aproximação por Números Fuzzy e Algoritmos Genéticos”, Juan Guillermo Lazo Lazo, Tese de Doutorado [6] “Avaliação de Investimentos em Tecnologia da Informação: uma Perspectiva de Opções Reais”, André Fichel Nascimento, Dissertação de Mestrado 6
Documentos relacionados
Uso da Simulação de Monte Carlo e da Curva de Gatilho na
da opção usando os conceitos da programação dinâmica, isto é, utilizando procedimentos recursivos de cálculo (de trás para frente) a partir de simulações dos valores do ativo subjacente ao longo do...
Leia mais