Este documento apresenta um modelo computacional para análise de estratégias de trading com stops fixos e móveis. Discute trabalhos relacionados que modelam stops estocásticos e definem passeios aleatórios e o processo de Wiener para modelagem do preço do ativo. Apresenta um artigo que analisa probabilisticamente stops fixos em modelo discreto de tempo e estratégias como stop loss e stop gain.
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Trading Stops - Modelo de Otimização Discreta
1. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Modelo Computacional para Stops Fixos
Stops M´veis
o
Conclus˜oa
Referˆncias
e
A simple computational model for analyzing the
properties of stop-loss, take-profit, and price
breakout trading strategies
Art Warburtona, Zhe George Zhang
Th´rsis T. P. Souza
a
t.souza@usp.br
Instituto de Matem´tica e Estat´
a ıstica
Universidade de S˜o Paulo
a
15 de agosto de 2012
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
2. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Modelo Computacional para Stops Fixos
Stops M´veis
o
Conclus˜oa
Referˆncias
e
Agenda
1 Introdu¸˜o
ca
2 Revis˜o de C´lculo Estoc´stico
a a a
3 Modelo Computacional para Stops Fixos
Formula¸˜o Discreta
ca
An´lise Te´rica do Modelo
a o
Simula¸˜es Computacionais
co
4 Stops M´veis
o
5 Conclus˜o
a
6 Referˆncias
e
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
3. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Modelo Computacional para Stops Fixos
Stops M´veis
o
Conclus˜oa
Referˆncias
e
Agenda
1 Introdu¸˜o
ca
2 Revis˜o de C´lculo Estoc´stico
a a a
3 Modelo Computacional para Stops Fixos
Formula¸˜o Discreta
ca
An´lise Te´rica do Modelo
a o
Simula¸˜es Computacionais
co
4 Stops M´veis
o
5 Conclus˜o
a
6 Referˆncias
e
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
4. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Modelo Computacional para Stops Fixos
Stops M´veis
o
Conclus˜oa
Referˆncias
e
Stops
Quando um trader assume uma posi¸˜o em um ativo de risco,
ca
´ muito comum a configura¸˜o de valores limites nos quais ele
e ca
deixa a posi¸˜o
ca
Ex.: Negociador deixa posi¸˜o quando o valor do ativo sobe
ca
para um valor de R$22 ou cai para R$18
Esses s˜o exemplos de estrat´gia de Stop Gain e de Stop Loss,
a e
respectivamente.
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
5. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Modelo Computacional para Stops Fixos
Stops M´veis
o
Conclus˜oa
Referˆncias
e
Stops
A utiliza¸˜o de Stops pode ser justificada por diferentes raz˜es
ca o
como:
Redu¸˜o da frequencia de negocia¸˜o e, consequentemente,
ca ca
dos custos totais de opera¸˜o
ca
Fornece uma maneira simples de controle de perdas dada uma
negocia¸˜o
ca
Permite recalibra¸˜o do modelo de estrat´gia
ca e
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
6. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Modelo Computacional para Stops Fixos
Stops M´veis
o
Conclus˜oa
Referˆncias
e
Stop Loss
Limite m´ximo de movimenta¸˜o adversa de pre¸os
a ca c
Valor de referˆncia: pre¸o, taxa, flutua¸˜o
e c ca
Horizonte de tempo: intraday, di´rio, mensal
a
Caracter´
ısticas
Amplamente usada na pr´tica
a
Relativamente poucos estudos cient´
ıficos
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
7. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Modelo Computacional para Stops Fixos
Stops M´veis
o
Conclus˜oa
Referˆncias
e
Stop Loss
Hard stop
N´ de pre¸os que, se atingido, faz com que uma posi¸˜o seja
ıvel c ca
encerrada automaticamente
Define um limite real de perda
Mental stop
N´ de pre¸os que, se atingido, lan¸a um aviso de alerta
ıvel c c
Define um limite virtual de perda
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
8. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Modelo Computacional para Stops Fixos
Stops M´veis
o
Conclus˜oa
Referˆncias
e
Trabalhos Relacionados
Payoffs similares aos garantidos por uma estrat´gia de Stop
e
Loss podem ser obtidos por simula¸˜o correspondente em
ca
Op¸˜es com Barreiras.
co
Entretanto, essas Op¸˜es Ex´ticos s˜o comumente produtos
co o a
de Balc˜o.
a
Assim, negociadores de varejo geralmente devem recorrer a
t´cnicas de Stop Loss como prote¸˜o alternativa
e ca
Veja [Hull, 2011] para uma introdu¸˜o a Op¸˜es com
ca co
Barreiras.
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
9. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Modelo Computacional para Stops Fixos
Stops M´veis
o
Conclus˜oa
Referˆncias
e
Trabalhos Relacionados
[Zhang, 2001] determina uma regra de venda ´tima para um
o
ativo cujo retorno segue um modelo estoc´stico
a
correlacionado ao retorno de um portf´lio de mercado.
o
[Wang, 2001] consideram uma ordem de Stop Loss m´vel que
o
incrementa com o avan¸o do tempo.
c
Nessa apresenta¸˜o, n˜o s˜o considerados efeitos de portf´lio
ca a a o
em caso de configura¸˜o de stop por todos os participantes do
ca
mercado.
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
10. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Modelo Computacional para Stops Fixos
Stops M´veis
o
Conclus˜oa
Referˆncias
e
Artigo [Rogers, 2010]
Em [Rogers, 2010], ´ realizada uma modelagem estoc´stica no
e a
qual o retorno da posi¸˜o segue um movimento Browniano.
ca
As seguintes situa¸˜es s˜o analisadas:
co a
Stop Fixos
Stop Superior M´vel
o
Stop Superio M´vel e Stop Inferior Fixo
o
Stops Convergentes: onde a diferen¸a estre os limites superior
c
e inferior tendem a um valor fixo
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
11. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Modelo Computacional para Stops Fixos
Stops M´veis
o
Conclus˜oa
Referˆncias
e
Artigo [Rogers, 2010]
As seguintes conclus˜es s˜o apresentadas:
o a
A incerteza sobre a taxa de retorno do ativo ´ determinante
e
na escolha dos stops
Somente h´ necessidade de determina¸˜o de Stop Loss em
a ca
caso de uma taxa de retorno prevista negativa
Ao utilizar um Stop superior fixo, n˜o houve diferen¸as
a c
significativas entre Stops inferiores fixos ou de subida.
Contudo, o tempo m´dia em negocia¸˜o ´ significativamente
e ca e
menor em uma estrat´gia de stop loss de subida.
e
Assim, a estrat´gia recomendada ´ a de stop superior fixo com
e e
stop inferior de subida.
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
12. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Modelo Computacional para Stops Fixos
Stops M´veis
o
Conclus˜oa
Referˆncias
e
Artigo [Zhang et al., 2006]
Os autores definem um modelo computacional em tempo discreto
para an´lise probabil´
a ıstica de stops fixos.
As seguintes estrat´gias s˜o analisadas:
e a
Stop Loss: ordens s˜o utilizadas para controlar perdas
a
Stop Gain: um limite superior de ganho ´ definido e, assim
e
que o mesmo ´ atingido, o negociador deixa a posi¸˜o
e ca
Defini¸˜o de pontos de entrada de negocia¸˜o: negociador
ca ca
decide assumir posi¸˜o long ou short dependendo de limites
ca
definidos para o valor do ativo
Uma breve apresenta¸˜o de estrat´gias em stops m´veis tamb´m ´
ca e o e e
fornecida.
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
13. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Modelo Computacional para Stops Fixos
Stops M´veis
o
Conclus˜oa
Referˆncias
e
Agenda
1 Introdu¸˜o
ca
2 Revis˜o de C´lculo Estoc´stico
a a a
3 Modelo Computacional para Stops Fixos
Formula¸˜o Discreta
ca
An´lise Te´rica do Modelo
a o
Simula¸˜es Computacionais
co
4 Stops M´veis
o
5 Conclus˜o
a
6 Referˆncias
e
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
14. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Modelo Computacional para Stops Fixos
Stops M´veis
o
Conclus˜oa
Referˆncias
e
Passeio Aleat´rio
o
Defini¸˜o
ca
Seja {Xk }∞ uma sequˆncia de vari´veis aleat´rias discretas
k=1 e a o
identicamente distribuidas. Para cada inteiro positivo n,
denotamos Sn como a soma X1 + X2 + . . . + Xn . A sequˆncia
e
{Sn }∞ ´ chamada de Passeio Aleat´rio.
n=1 e o
Propriedade
Incrementos em um Passeio Aleat´rio s˜o independentes e
o a
identicamente distribuidos.
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
15. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Modelo Computacional para Stops Fixos
Stops M´veis
o
Conclus˜oa
Referˆncias
e
Processo de Wiener
Defini¸˜o
ca
W (t) ´ um Processo de Wiener Padr˜o se
e a
(i) W (t) = 0
(ii) W (t) tem incrementos independentes
(iii) Z (t) = W (t) − W (t0 ) segue uma distribui¸˜o Gaussiana com
ca
e a 2
m´dia zero e variˆncia σz = t − t0 , t0 ≤ t
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
16. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Formula¸˜o Discreta
ca
Modelo Computacional para Stops Fixos
An´lise Te´rica do Modelo
a o
Stops M´veis
o
Simula¸˜es Computacionais
co
Conclus˜oa
Referˆncias
e
Agenda
1 Introdu¸˜o
ca
2 Revis˜o de C´lculo Estoc´stico
a a a
3 Modelo Computacional para Stops Fixos
Formula¸˜o Discreta
ca
An´lise Te´rica do Modelo
a o
Simula¸˜es Computacionais
co
4 Stops M´veis
o
5 Conclus˜o
a
6 Referˆncias
e
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
17. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Formula¸˜o Discreta
ca
Modelo Computacional para Stops Fixos
An´lise Te´rica do Modelo
a o
Stops M´veis
o
Simula¸˜es Computacionais
co
Conclus˜oa
Referˆncias
e
Agenda
1 Introdu¸˜o
ca
2 Revis˜o de C´lculo Estoc´stico
a a a
3 Modelo Computacional para Stops Fixos
Formula¸˜o Discreta
ca
An´lise Te´rica do Modelo
a o
Simula¸˜es Computacionais
co
4 Stops M´veis
o
5 Conclus˜o
a
6 Referˆncias
e
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
18. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Formula¸˜o Discreta
ca
Modelo Computacional para Stops Fixos
An´lise Te´rica do Modelo
a o
Stops M´veis
o
Simula¸˜es Computacionais
co
Conclus˜oa
Referˆncias
e
Premissas do Modelo
(I) Pre¸o do ativo segue um passeio aleat´rio
c o
(II) Horizonte de tempo ´ finito
e
(III) Stops s˜o fixos
a
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
19. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Formula¸˜o Discreta
ca
Modelo Computacional para Stops Fixos
An´lise Te´rica do Modelo
a o
Stops M´veis
o
Simula¸˜es Computacionais
co
Conclus˜oa
Referˆncias
e
Fun¸˜o de Probabilidade
ca
O modelo ´ constru´ baseado em uma ´rvore trinomial para
e ıdo a
o passeio aleat´rio
o
Os pre¸os podem subir um n´
c ıvel, continuar constantes ou
descer um n´
ıvel
O processo p´ra assim que uma barreira ´ atingida ou ao final
a e
do horizonte de tempo
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
20. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Formula¸˜o Discreta
ca
Modelo Computacional para Stops Fixos
An´lise Te´rica do Modelo
a o
Stops M´veis
o
Simula¸˜es Computacionais
co
Conclus˜oa
Referˆncias
e
Fun¸˜o de Probabilidade
ca
Sejam,
T : o n´mero total de intervalos de tempo no horizonte de
u
tempo indexados por t = 0, 1, . . . , T
∆: o tamanho de cada intervalo de tempo
H: o tamanho do horizonte de tempo, H = T ∆
Lt : o valor de Stop Loss (barreira inferior)
Kt : o valor de Stop Gain (barreira superior)
Ω: o espa¸o de probabilidade de eventos (n´ de pre¸o x a
c ıvel c
cada instante t),
Ω = {(t, x) : t ∈ (0, 1, . . . , T ); x ∈ (−min(t, −Lt ), −min(t, −Lt )+,
. . . , −1, 0, +1, +2, ..., min(t, Kt ))}
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
21. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Formula¸˜o Discreta
ca
Modelo Computacional para Stops Fixos
An´lise Te´rica do Modelo
a o
Stops M´veis
o
Simula¸˜es Computacionais
co
Conclus˜oa
Referˆncias
e
Fun¸˜o de Probabilidade
ca
Figura : Movimentos de pre¸o poss´ para T = 7, K = 3, L =-2
c ıveis
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
22. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Formula¸˜o Discreta
ca
Modelo Computacional para Stops Fixos
An´lise Te´rica do Modelo
a o
Stops M´veis
o
Simula¸˜es Computacionais
co
Conclus˜oa
Referˆncias
e
Fun¸˜o de Probabilidade
ca
P(t, x): probabilidade do processo estar no estado (t, x)
S(t, x): o pre¸o do ativo se o processo est´ no estado (t, x)
c a
p(t, x), q(t, x), r (t, x): as probabilidades do pre¸o subir um
c
n´
ıvel, continuar inalterado, e descer um n´ ıvel,
respectivamente, no estado (t, x)
p(t, x) + q(t, x) + r (t, x) = 1
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
23. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Formula¸˜o Discreta
ca
Modelo Computacional para Stops Fixos
An´lise Te´rica do Modelo
a o
Stops M´veis
o
Simula¸˜es Computacionais
co
Conclus˜oa
Referˆncias
e
Fun¸˜o de Probabilidade
ca
B(t, x): predecessores diretos de (t, x)
B(t, x) = {(t − 1, y ) : (t − 1, y ) ∈ Ω, y ∈ {x − 1, x, x + 1}}
Ωa : conjunto de estados sem sucessores (n´s sorvedouros)
o
IB(t,x) (t − 1, y ), fun¸˜o booleana, tal que
ca
1 se (t − 1, y ) ∈ B(t, x)
IB(t,x) (t − 1, y ) =
0 caso contr´rio
a
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
24. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Formula¸˜o Discreta
ca
Modelo Computacional para Stops Fixos
An´lise Te´rica do Modelo
a o
Stops M´veis
o
Simula¸˜es Computacionais
co
Conclus˜oa
Referˆncias
e
Fun¸˜o de Probabilidade
ca
Ent˜o, temos a seguinte recurs˜o para computar
a a
P(t, x), (t, x) ∈ Ω:
P(0, 0) = 1
P(t, x) = P(t − 1, x − 1)IB(t,x) (t − 1, x − 1)p(t − 1, x − 1)
+ P(t − 1, x)IB(t,x) (t − 1, x)r (t − 1, x)
+ P(t − 1, x + 1)IB(t,x) (t − 1, x + 1)q(t − 1, x + 1),
(t, x) ∈ Ω(0, 0).
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
25. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Formula¸˜o Discreta
ca
Modelo Computacional para Stops Fixos
An´lise Te´rica do Modelo
a o
Stops M´veis
o
Simula¸˜es Computacionais
co
Conclus˜oa
Referˆncias
e
Probabilidade Terminal
Um investimento termina assim que um n´ sorvedouro ´
o e
atingido.
Define-se, ent˜o, a Probabilidade Terminal como
a
P(t, x), (t, x) ∈ ΩA
A Distribui¸˜o de Probabilidade Terminal fornece uma medida
ca
conveniente de crit´rio de investimento em uma estrat´gia de
e e
Stop.
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
26. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Formula¸˜o Discreta
ca
Modelo Computacional para Stops Fixos
An´lise Te´rica do Modelo
a o
Stops M´veis
o
Simula¸˜es Computacionais
co
Conclus˜oa
Referˆncias
e
Probabilidade Terminal
Seja τ o tempo em um estado terminal, ent˜o
a
E [τ ] = ∆ tP(t, x) (1)
(t,x)∈ΩA
Var [τ ] = ∆ (t − E [τ ])2 P(t, x) (2)
(t,x)∈ΩA
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
27. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Formula¸˜o Discreta
ca
Modelo Computacional para Stops Fixos
An´lise Te´rica do Modelo
a o
Stops M´veis
o
Simula¸˜es Computacionais
co
Conclus˜oa
Referˆncias
e
Probabilidade Terminal
Assumindo uma taxa livre de risco rf , o valor futuro (VF ) esperado
de um investimento em T ´e
E [VF ] = ∆ S(t, x)e rf ∆(T −t) P(t, x) (3)
(t,x)∈ΩA
e sua variˆncia ´
a e
Var [NPV ] = ∆ [S(t, x)e rf ∆(T −t) − E (VF )]2 P(t, x) (4)
(t,x)∈ΩA
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
28. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Formula¸˜o Discreta
ca
Modelo Computacional para Stops Fixos
An´lise Te´rica do Modelo
a o
Stops M´veis
o
Simula¸˜es Computacionais
co
Conclus˜oa
Referˆncias
e
Probabilidade Terminal
Tamb´m ´ poss´ calcular probabilidades de interesse como a
e e ıvel
probabilidade de se atingir a barreira superior (Stop Gain) ou
inferior (Stop Loss):
P(StopGain) = ∆ P(t, Kt ) (5)
(t,Kt )∈ΩA
P(StopLoss) = ∆ P(t, Lt ) (6)
(t,Lt )∈ΩA
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
29. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Formula¸˜o Discreta
ca
Modelo Computacional para Stops Fixos
An´lise Te´rica do Modelo
a o
Stops M´veis
o
Simula¸˜es Computacionais
co
Conclus˜oa
Referˆncias
e
Agenda
1 Introdu¸˜o
ca
2 Revis˜o de C´lculo Estoc´stico
a a a
3 Modelo Computacional para Stops Fixos
Formula¸˜o Discreta
ca
An´lise Te´rica do Modelo
a o
Simula¸˜es Computacionais
co
4 Stops M´veis
o
5 Conclus˜o
a
6 Referˆncias
e
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
30. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Formula¸˜o Discreta
ca
Modelo Computacional para Stops Fixos
An´lise Te´rica do Modelo
a o
Stops M´veis
o
Simula¸˜es Computacionais
co
Conclus˜oa
Referˆncias
e
Resultados relacionados em Passeios Aleat´rios
o
Passeios aleat´rios em tempo cont´
o ınuo para precifica¸˜o de
ca
ativos tˆm sido estudados extensivamente. Veja
e
[Cox et al., 1979], [Hull, 2011], [Huu Tue Huynh et al., 2008].
[Cox et al., 1979] fornecem uma modelagem com
probabilidades de transi¸˜o constantes: assumindo que K e L
ca
s˜o constantes, s˜o derivadas express˜es anal´
a a o ıticas para
P(t, K ) e P(t, L).
Contudo, o esfor¸o computacional gasto para computar essas
c
express˜es s˜o no m´
o a ınimo t˜o custosas quanto ao custo
a
requirido na implementa¸˜o da recurs˜o de
ca a
[Zhang et al., 2006].
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
31. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Formula¸˜o Discreta
ca
Modelo Computacional para Stops Fixos
An´lise Te´rica do Modelo
a o
Stops M´veis
o
Simula¸˜es Computacionais
co
Conclus˜oa
Referˆncias
e
Distribui¸˜o de Probabilidade de Transi¸˜o
ca ca
Uma premissa comum em modelagem de pre¸os de ativos ´
c e
que os mesmos seguem um Processo de Wiener e que sua
m´dia e desvio padr˜o s˜o constantes
e a a
Neste caso, para ∆ → 0, um Passeio Aleat´rio converge para
o
um Processo de Wiener
Assim, uma possibilidade seria a utiliza¸˜o de uma Gaussiana
ca
como Distribui¸˜o de Probabilidade de Transi¸˜o
ca ca
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
32. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Formula¸˜o Discreta
ca
Modelo Computacional para Stops Fixos
An´lise Te´rica do Modelo
a o
Stops M´veis
o
Simula¸˜es Computacionais
co
Conclus˜oa
Referˆncias
e
Distribui¸˜o de Probabilidade de Transi¸˜o
ca ca
[Cox et al., 1979] apresenta um modelo de transi¸˜o de
ca
precifica¸˜o de op¸˜es em um modelo binomial
ca co
Utilizaremos essa modelagem para probabilidade de transi¸˜o
ca
na an´lise computacional
a
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
33. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Formula¸˜o Discreta
ca
Modelo Computacional para Stops Fixos
An´lise Te´rica do Modelo
a o
Stops M´veis
o
Simula¸˜es Computacionais
co
Conclus˜oa
Referˆncias
e
Aproxima¸˜o Binomial de [Cox et al., 1979]
ca
Premissas do modelo de precifica¸˜o de [Cox et al., 1979]:
ca
O pre¸o do ativo hoje ´ dado por S
c e
O pre¸o do ativo aumenta a uma taxa u com probabilidade p
c
e decresce a uma taxa d com probabilidade 1 − p, onde u > 1
e d < 1 em um per´ ıodo ∆t
O ativo n˜o paga dividendos
a
A taxa livre de risco rf ´ positiva e constante com d < rf < u
e
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
34. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Formula¸˜o Discreta
ca
Modelo Computacional para Stops Fixos
An´lise Te´rica do Modelo
a o
Stops M´veis
o
Simula¸˜es Computacionais
co
Conclus˜oa
Referˆncias
e
Aproxima¸˜o Binomial de [Cox et al., 1979]
ca
Em uma hit´tese de n˜o-arbitragem, temos que:
o a
√
u = eσ ∆t
(7)
√
d = e −σ ∆t
(8)
e rf ∆t − d
p= (9)
u−d
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
35. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Formula¸˜o Discreta
ca
Modelo Computacional para Stops Fixos
An´lise Te´rica do Modelo
a o
Stops M´veis
o
Simula¸˜es Computacionais
co
Conclus˜oa
Referˆncias
e
Complexidade Computacional
No modelo trinomial, cada n´ tem no m´ximo trˆs arcos
o a e
predecessores
Portanto, o c´lculo da distribui¸˜o terminal ´ O(N), onde N ´
a ca e e
o n´mero de estados poss´
u ıveis
Note que N depende n˜o somente da barreiras superior e
a
inferior, mas tamb´m do tamanho do horizonte de tempo
e
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
36. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Formula¸˜o Discreta
ca
Modelo Computacional para Stops Fixos
An´lise Te´rica do Modelo
a o
Stops M´veis
o
Simula¸˜es Computacionais
co
Conclus˜oa
Referˆncias
e
Complexidade Computacional
Suponha que a aproxima¸˜o de [Cox et al., 1979] seja utilizada.
ca
Considere R como a raz˜o entre os valores das barreiras superior e
a
inferior. Seja n o n´mero de n´
u ıveis de pre¸o, ent˜o
c a
√ n
(e σ ∆
) =R (10)
Assim,
√
n = ln R/σ ∆t (11)
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
37. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Formula¸˜o Discreta
ca
Modelo Computacional para Stops Fixos
An´lise Te´rica do Modelo
a o
Stops M´veis
o
Simula¸˜es Computacionais
co
Conclus˜oa
Referˆncias
e
Complexidade Computacional
Como
T = H/∆ (12)
ent˜o, a complexidade computacional do c´lculo da distribui¸˜o
a a ca
terminal de [Zhang et al., 2006] sobre uma aproxima¸˜o de
ca
[Cox et al., 1979] ´ dada por:
e
H ln R
O(Tn) = O( ) (13)
σ∆3/2
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
38. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Formula¸˜o Discreta
ca
Modelo Computacional para Stops Fixos
An´lise Te´rica do Modelo
a o
Stops M´veis
o
Simula¸˜es Computacionais
co
Conclus˜oa
Referˆncias
e
Agenda
1 Introdu¸˜o
ca
2 Revis˜o de C´lculo Estoc´stico
a a a
3 Modelo Computacional para Stops Fixos
Formula¸˜o Discreta
ca
An´lise Te´rica do Modelo
a o
Simula¸˜es Computacionais
co
4 Stops M´veis
o
5 Conclus˜o
a
6 Referˆncias
e
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
39. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Formula¸˜o Discreta
ca
Modelo Computacional para Stops Fixos
An´lise Te´rica do Modelo
a o
Stops M´veis
o
Simula¸˜es Computacionais
co
Conclus˜oa
Referˆncias
e
Configura¸˜o Exemplos Computacionais
ca
Os exemplos computacionais aqui apresentados possuem a
seguinte configura¸˜o:
ca
Ativo objeto: ITUB4
Per´
ıodo de amostragem: 15/06/2011 a 31/05/2012
M´dia amostral dos log-retornos (µ): -0,1%
e
Desvio padr˜o amostral dos log-retornos (σ): 19,98%
a
rf : 11%
S(0,0): 29,3
∆: 2
T: 20
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
40. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Formula¸˜o Discreta
ca
Modelo Computacional para Stops Fixos
An´lise Te´rica do Modelo
a o
Stops M´veis
o
Simula¸˜es Computacionais
co
Conclus˜oa
Referˆncias
e
Probabilidade de Stop
Antes de configurar um valor de Stop Loss ´ de interesse do
e
investidor saber qual ´ a probabilidade desse Stop acontecer
e
An´lise foi realizada variando a m´dia e desvio padr˜o do
a e a
ativo objeto em rela¸˜o a diferentes configura¸˜es de pre¸o de
ca co c
Stop Loss
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
41. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Formula¸˜o Discreta
ca
Modelo Computacional para Stops Fixos
An´lise Te´rica do Modelo
a o
Stops M´veis
o
Simula¸˜es Computacionais
co
Conclus˜oa
Referˆncias
e
Probabilidade de Stop
Figura : Probabilidade de Stop em fun¸˜o do pre¸o de Stop Loss
ca c
configurado. Valor do desvio padr˜o foi mantido fixo.
a
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
42. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Formula¸˜o Discreta
ca
Modelo Computacional para Stops Fixos
An´lise Te´rica do Modelo
a o
Stops M´veis
o
Simula¸˜es Computacionais
co
Conclus˜oa
Referˆncias
e
Probabilidade de Stop
Figura : Probabilidade de Stop em fun¸˜o do pre¸o de Stop Loss
ca c
configurado. Valor da m´dia foi mantido fixo.
e
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
43. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Formula¸˜o Discreta
ca
Modelo Computacional para Stops Fixos
An´lise Te´rica do Modelo
a o
Stops M´veis
o
Simula¸˜es Computacionais
co
Conclus˜oa
Referˆncias
e
Probabilidade de entrada no Mercado
´
E comum um investidor ter um pre¸o alvo, a partir do qual ele
c
decide iniciar sua negocia¸˜o
ca
Em vista ` obten¸˜o dessa probabilidade do investidor entrar
a ca
no mercado, an´lise foi realizada variando o valor objetivo de
a
entrada para diferentes valores de m´dia e desvio padr˜o.
e a
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
44. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Formula¸˜o Discreta
ca
Modelo Computacional para Stops Fixos
An´lise Te´rica do Modelo
a o
Stops M´veis
o
Simula¸˜es Computacionais
co
Conclus˜oa
Referˆncias
e
Probabilidade de entrada no Mercado
Figura : Probabilidade de entrada no Mercado em fun¸˜o do pre¸o inicial
ca c
objetivo. Valor do desvio padr˜o foi mantido fixo.
a
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
45. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Formula¸˜o Discreta
ca
Modelo Computacional para Stops Fixos
An´lise Te´rica do Modelo
a o
Stops M´veis
o
Simula¸˜es Computacionais
co
Conclus˜oa
Referˆncias
e
Probabilidade de entrada no Mercado
Figura : Probabilidade de entrada no Mercado em fun¸˜o do pre¸o inicial
ca c
objetivo. Valor da m´dia foi mantido fixo.
e
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
46. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Formula¸˜o Discreta
ca
Modelo Computacional para Stops Fixos
An´lise Te´rica do Modelo
a o
Stops M´veis
o
Simula¸˜es Computacionais
co
Conclus˜oa
Referˆncias
e
Discuss˜o exemplos computacionais
a
Quanto maior a m´dia, menor a probabilidade de Stop e maior
e
a probabilidade de entrada no mercado, mantida a variˆncia
a
fixa
Quanto menor o desvio padr˜o, maiores as probabilidades de
a
Stop e de entrada no mercado, mantida a m´dia fixa
e
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
47. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Modelo Computacional para Stops Fixos
Stops M´veis
o
Conclus˜oa
Referˆncias
e
Agenda
1 Introdu¸˜o
ca
2 Revis˜o de C´lculo Estoc´stico
a a a
3 Modelo Computacional para Stops Fixos
Formula¸˜o Discreta
ca
An´lise Te´rica do Modelo
a o
Simula¸˜es Computacionais
co
4 Stops M´veis
o
5 Conclus˜o
a
6 Referˆncias
e
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
48. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Modelo Computacional para Stops Fixos
Stops M´veis
o
Conclus˜oa
Referˆncias
e
Stops M´veis
o
Em Stops m´veis, ao passo que o pre¸o de um ativo aumenta,
o c
o valor de Stop Loss configurado ´ atualizado periodicamente.
e
Ser˜o analisadas duas configura¸˜es de estrat´gias:
a co e
Stops M´veis com Horizonte de tempo finito
o
Stops M´veis com Horizonte de tempo ilimitado
o
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
49. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Modelo Computacional para Stops Fixos
Stops M´veis
o
Conclus˜oa
Referˆncias
e
Horizonte Ilimitado
Considere um ativo com pre¸os movendo-se de acordo com o
c
modelo trinomial visto, exceto pelo T que dever´ ser ilimitado.
a
Seja K e M = −L inteiros positivos que definem os valores de
Stop Gain e Stop Loss.
Se o pre¸o cai a um valor −M antes que K seja atingido, a
c
opera¸˜o tem um Stop.
ca
Caso contr´rio, se o pre¸o alcan¸a o valor K atualizamos o
a c c
valor de Stop Loss para K − M.
Assim, se o pre¸o atinge a barreira superior (j − 1)K , j ≥ 1,
c
atualizamos o valor de Stop Loss para (j − 1)K − M
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
50. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Modelo Computacional para Stops Fixos
Stops M´veis
o
Conclus˜oa
Referˆncias
e
Horizonte Ilimitado
A Probabilidade do ativo atingir uma barreira superior K antes que
atinga seu valor de Stop M ´ dada pelo resultado do Cl´ssico
e a
Paradoxo da Ruina do Apostador, no qual um apostador tem a
probabilidade P de ganhar K antes de perder M:
1 − (q/p)M
P= (14)
1 − (q/p)( K + M)
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
51. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Modelo Computacional para Stops Fixos
Stops M´veis
o
Conclus˜oa
Referˆncias
e
Horizonte Ilimitado
Para que o valor de barreira (j − 1)K − M seja atingido, ´e
necess´rio que o valor de Stop Gain tenha sido atingido (j − 1)
a
vezes antes que o valor de Stop Loss seja atingido. Assim, a
probabilidade desse evento ocorrer ´ dado pela distribui¸˜o
e ca
geom´trica
e
U(j) = P j−1 (1 − P) (15)
Assim, a Esperan¸a e Variˆncia de saltos (j) que ocorrem antes
c a
que a estrat´gia sofra um Stop s˜o, respectivamente
e a
E [U(j)] = 1/(1 − P) (16)
Var [U(j)] = P/(1 − P)2 (17)
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
52. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Modelo Computacional para Stops Fixos
Stops M´veis
o
Conclus˜oa
Referˆncias
e
Horizonte Ilimitado
De posse da distribui¸˜o de probabilidade do n´mero de saltos,
ca u
chegamos a um valor esperado para o pre¸o em caso de stop
c
KP/(1 − P) − M (18)
onde sua variˆncia ´ dada por
a e
K 2 P/(1 − P)2 (19)
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
53. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Modelo Computacional para Stops Fixos
Stops M´veis
o
Conclus˜oa
Referˆncias
e
Horizonte Ilimitado
Seja X a vari´vel aleat´ria do valor do tempo no qual o pre¸o de
a o c
negocia¸˜o termina, a equa¸˜o de Wald ([Ross, 1980]) pode ser
ca ca
utilizada para obten¸˜o de
ca
1
E (X ) = E (C ) (20)
1−P
onde,
Kp K (p M −q M )−Mq M (p K −q K )
(p−q)(p K +M −q K +M )
, se p = q
E (C ) = KM
p+q , caso contr´rio
a
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
54. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Modelo Computacional para Stops Fixos
Stops M´veis
o
Conclus˜oa
Referˆncias
e
Horizonte Finito
Em contraste ao caso de Horizonte Ilimitado, para o caso
Finito, o n´ de pre¸o em caso de Stop n˜o ´
ıvel c a e
necessariamente (j − 1)K − M, j´ que o processo pode ser
a
finalizado sem atingir o valor de Stop Gain.
O valor limite de pre¸o pertence ao intervalo
c
[(j − 1)K − M, jK − 1].
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
55. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Modelo Computacional para Stops Fixos
Stops M´veis
o
Conclus˜oa
Referˆncias
e
Horizonte Finito
Seja E 1 e V 1 a esperan¸a e variˆncia do pre¸o de Stop ao atingir
c a c
uma primeira barreira, ent˜o:
a
−M ∗ P(StopLoss) + K −1
i=−M+1 iP(T , i)
E1 = (21)
(1 − P(StopGain))
2 −M ∗ P(StopLoss) + K −1 2
i=−M+1 i P(T , i)
V1 = E1 − (22)
(1 − P(StopGain))
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
56. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Modelo Computacional para Stops Fixos
Stops M´veis
o
Conclus˜oa
Referˆncias
e
Horizonte Finito
Assim, chegamos a um valor esperado para o pre¸o em caso de stop
c
KP(StopGain)/(1 − P(StopGain)) − E1 (23)
onde sua variˆncia ´ dada por
a e
K 2 P(StopGain)/(1 − P(StopGain))2 + V1 (24)
O tempo esperado para se atingir o Stop ´ dado por
e
1
E (X ) = E (τ ) (25)
1 − P(StopGain)
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
57. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Modelo Computacional para Stops Fixos
Stops M´veis
o
Conclus˜oa
Referˆncias
e
Agenda
1 Introdu¸˜o
ca
2 Revis˜o de C´lculo Estoc´stico
a a a
3 Modelo Computacional para Stops Fixos
Formula¸˜o Discreta
ca
An´lise Te´rica do Modelo
a o
Simula¸˜es Computacionais
co
4 Stops M´veis
o
5 Conclus˜o
a
6 Referˆncias
e
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
58. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Modelo Computacional para Stops Fixos
Stops M´veis
o
Conclus˜oa
Referˆncias
e
Conclus˜o
a
[Zhang et al., 2006] apresenta um modelo computacional de
simples formula¸˜o para c´lculo de stops
ca a
Foi demonstrada uma s´rie de rela¸˜es de ganho e volatilidade
e co
associadas a uma probabilidade terminal de stop
Em an´lise emp´
a ırica de um ativo do mercado, foi constatada
rela¸˜o direta entre volatilidade e a probabilidade de stop
ca
A probabilidade de entrada no mercado demonstrou rela¸˜o
ca
direta com a m´dia do retorno do ativo
e
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
59. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Modelo Computacional para Stops Fixos
Stops M´veis
o
Conclus˜oa
Referˆncias
e
Agenda
1 Introdu¸˜o
ca
2 Revis˜o de C´lculo Estoc´stico
a a a
3 Modelo Computacional para Stops Fixos
Formula¸˜o Discreta
ca
An´lise Te´rica do Modelo
a o
Simula¸˜es Computacionais
co
4 Stops M´veis
o
5 Conclus˜o
a
6 Referˆncias
e
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
60. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Modelo Computacional para Stops Fixos
Stops M´veis
o
Conclus˜oa
Referˆncias
e
Referˆncias
e
Warburtona, A. and Zhang, Z. G. (2006)
A simple computational model for analyzing the properties of stop-loss,
take-profit, and price breakout trading strategies. Computers and
Operations Research, 33:32-42.
Cox, J. and Ross, S. and Rubenstein, M. (1979)
Option pricing: a simplified approach. Journal of Financial Economics,
7:229-64.
Hull, J. C. (2011)
Options, Futures and Other Derivatives. Prentice Hall, 8th ed.
Huynh, H. T. and Lai, V. S. and Soumare, I. (2008)
Stochastic Simulation and Applications in Finance with MATLAB
Programs. Wiley, 1st ed.
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca
61. Introdu¸˜o
ca
Revis˜o de C´lculo Estoc´stico
a a a
Modelo Computacional para Stops Fixos
Stops M´veis
o
Conclus˜oa
Referˆncias
e
Referˆncias
e
Ross, S. (1980)
An introduction to probability models Academic Press, 2nd ed.
Zhang, Q. (2001)
Stock trading: an optimal selling rule. SIAM Journal on Control and
Optimization, 40(1):64-87.
Shen, S. and Wang, A. (2001)
On stop-loss strategies for stock investments. Applied Mathematics and
Computation, 119:317-37.
Imkeller, N. and Rogers, L. C. G. (2010)
Trading to Stops. To Appear, dispon´ em
ıvel
http://www.statslab.cam.ac.uk/~chris/papers.html.
Th´rsis T. P. Souza (USP)
a Modelo de Otimiza¸˜o Discreta em Trading Stops
ca