MODELAGEM DOS PREÇOS FUTUROS DE COMMODITIES: ABORDAGEM PELO FILTRO DE PARTÍCULAS

• Autor(a) principal: FERNANDO ANTONIO LUCENA AIUBE
• Data de Publicação: 2005
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Repositório Institucional da PUC-RIO (Projeto Maxwell)
• Texto Completo: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7604@1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7604@2

A evolução dos conhecimentos em Finanças nas últimas três décadas foi rápido e vertiginoso. Hoje os mercados financeiros oferecem produtos sofisticados para investidores e empresas, e por outro lado, tais agentes demandam instrumentos confiáveis para atender suas necessidades em busca de maiores retornos e menores riscos. Todo esse desenvolvimento baseia-se fundamentalmente em metodologias de apreçamento de ativos. Grande parte deste conhecimento é oriundo dos trabalhos pioneiros de Black e Scholes (1973) e Merton (1973). Em síntese, estes trabalhos apoiaram-se em processos estocásticos para preços de ativos para apreçar um derivativo. A natureza do processo estocástico de evolução dos preços é o ponto central para a derivação dos modelos de apreçamento. A análise do comportamento dos preços das commodities possui duas grandes vertentes na literatura. A primeira trata os preços como decorrência de modelos de equilíbrio entre a oferta e a demanda. Estes modelos prosperaram pouco em termos de pesquisa. A outra vertente trata da análise da evolução dos preços baseando-se na série histórica propriamente dita. Esta linha de pesquisa está mais presente na literatura. Esta tese concentra-se nesta abordagem. As commodities possuem características particulares principalmente porque a formação de preços ocorre, via de regra, em mercados futuros. Isto faz com que muitos fatos estilizados não possam ser descritos por modelos de um fator (ou uma variável estocástica). Os fatores (variáveis estocásticas) ou variáveis de estado em muitas situações não são observáveis e necessitam ser estimados. Os modelos de preços futuros, escritos como função das variáveis de estado, recebe o nome de equação de observação. Quando as variáveis de estado são Gaussianas e a equação de observação é linear nos estados, o problema pode ser estimado pelo filtro de Kalman clássico. Se ocorrer a não linearidade, esta dificuldade pode ser contornada pelo filtro de Kalman estendido. Quando o problema é não Gaussiano a literatura usa outras metodologias (freqüentemente aproximações) que não o filtro de Kalman. Esta tese trata de processos estocásticos para preços de commodities propondo extensões aos modelos existentes na literatura. A derivação dos modelos é feita com o uso da transformada de Duffie e Kan (1996) em ambiente de não arbitragem. Algumas das extensões incluem modelos não Gaussianos. Esta tese investiga a estimação destes modelos pela metodologia denominada filtro de partículas. O filtro de partículas é um procedimento recursivo para integração, dentro da classe dos métodos seqüenciais de MonteCarlo. A proposta de utilização desta metodologia decorre do fato de que ela dispensa as condições de linearidade e Gaussianidade. Dentre as contribuições desta tese destacam-se as extensões dos processos estocásticos aplicáveis para quaisquer commodities e as análises de modelos não Gaussianos através da metodologia do filtro de partículas. Além disso, a pesquisa apresenta: (i) conclusões acerca dos modelos de dois fatores aplicados à série de preços da commodity petróleo; (ii) a análise da viabilidade do filtro de partículas mostrando que o erro obtido é próximo daquele do filtro de Kalman para problemas Gaussianos e a resposta obtida da estimação paramétrica é coerente com diversos trabalhos da literatura; (iii) análise da viabilidade operacional de implementação do filtro de partículas em termos do tempo computacional despendido nos processos de filtragem e estimação paramétrica. A tese conclui que o filtro de partículas, apesar ser computacionalmente intenso, é viável na prática face ao imenso desenvolvimento computacional. Ainda mais, por ser uma metodologia aplicável a problemas complexos de inferência, sua utilização em modelos cada vez mais sofisticados é muito promissora.