Da Árvore Binomial ao Movimento

Browniano Geométrico
Uma Construção Rigorosa via Teorema de Donsker

Notas de Aula — Cálculo Estocástico Aplicado

Sumário
1 Motivação e Estrutura do Argumento 2

2 O Modelo Binomial Discreto 2

2.1 Espaço de Probabilidade e Processo de Preço . . . . . . . . . . . . . . 2
2.2 Momentos dos Fatores Multiplicativos . . . . . . . . . . . . . . . . . . 3

3 Linearização via Logaritmo 3

3.1 Transformação Logarítmica . . . . . . . . . . . . . . . . . . . . . . . 3
3.2 Aproximação de Taylor de Segunda Ordem . . . . . . . . . . . . . . . 3
3.3 Decomposição da Soma Logarítmica . . . . . . . . . . . . . . . . . . . 4

4 O Problema Central: Convergência de Bn (t) 4

4.1 O Aparente Paradoxo . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
4.2 A Caminhada Aleatória e seu Reescalonamento . . . . . . . . . . . . 4
4.3 Cancelamento Exato das Escalas . . . . . . . . . . . . . . . . . . . . 5

5 Convergência do Processo: Teorema de Donsker 5

5.1 Espaço de Funções e Medida de Wiener . . . . . . . . . . . . . . . . . 6
5.2 O Teorema de Donsker . . . . . . . . . . . . . . . . . . . . . . . . . . 6
5.3 Aplicação ao Processo Bn (t) . . . . . . . . . . . . . . . . . . . . . . . 7

6 O Limite: Equação do Preço Contínuo 7

6.1 Convergência do Log-Retorno . . . . . . . . . . . . . . . . . . . . . . 7
6.2 O Processo de Preço no Limite . . . . . . . . . . . . . . . . . . . . . 7

7 A Equação Diferencial Estocástica 8

7.1 O Lema de Itô . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
7.2 Verificação: St Satisfaz a EDS . . . . . . . . . . . . . . . . . . . . . . 8

8 Distribuição Terminal e Lognormalidade 9

9 Síntese do Argumento 9

1
1 Motivação e Estrutura do Argumento
O objetivo destas notas é demonstrar, de forma matematicamente precisa, que a
solução da equação diferencial estocástica (EDS)

dSt = µ St dt + σ St dWt , S0 > 0, (1)

emerge naturalmente como o limite de modelos binomiais discretos quando o nú-
mero de períodos tende ao infinito. A passagem envolve três ingredientes principais:

1. A parametrização de Shreve, que relaciona os fatores de subida e descida

à volatilidade σ e ao drift µ.
2. A aproximação de Taylor do logaritmo, que lineariza o produto de fatores
multiplicativos.
3. O Teorema de Donsker (TCL Funcional), que garante a convergência fraca
do processo reescalonado ao Movimento Browniano em espaço de funções.

2 O Modelo Binomial Discreto

2.1 Espaço de Probabilidade e Processo de Preço
Definição 2.1 (Espaço de Probabilidade Binomial). Fixe um horizonte T > 0 e
um número de passos n ∈ N. Defina o tamanho do passo ∆tn := T /n. Considere
variáveis aleatórias X1 , X2 , . . . independentes e identicamente distribuídas com
1 1
P(Xj = +1) = p = , P(Xj = −1) = 1 − p = .
2 2
O espaço de probabilidade subjacente é (Ω, F, P), onde Ω = {−1, +1}N .
Observação 2.2. A escolha p = 1/2 é adotada para simplificar a notação. Toda
a análise se generaliza para p ∈ (0, 1) fixo, uma vez que o Teorema de Donsker
exige apenas que as variáveis sejam i.i.d. com média zero e variância finita após o
reescalonamento adequado.
Definição 2.3 (Fatores Multiplicativos — Parametrização de Shreve). Para cada
n ∈ N, defina os fatores de subida e descida por
p
un := 1 + µ ∆tn + σ ∆tn , (2)
p
dn := 1 + µ ∆tn − σ ∆tn , (3)

onde µ ∈ R é o drift e σ > 0 é a volatilidade.

Definição 2.4 (Processo de Preço Discreto). Dado um preço inicial S0 > 0, o preço
no instante t ∈ {0, ∆tn , 2∆tn , . . . , T } é
k(t)  
Y p
Sn (t) := S0 1 + µ ∆tn + σ ∆tn Xj , (4)
j=1

onde k(t) := ⌊nt/T ⌋ denota o número de passos até o instante t.

2
2.2 Momentos dos Fatores Multiplicativos
√
Proposição 2.5 (Média e Variância dos Fatores). Seja Rj := 1+µ ∆tn +σ ∆tn Xj
o fator multiplicativo no passo j. Então:

E[Rj ] = 1 + µ ∆tn , (5)

Var(Rj ) = σ 2 ∆tn . (6)

Demonstração. Como E[Xj ] = (+1) · 21 + (−1) · 1

2
= 0:
p
E[Rj ] = 1 + µ ∆tn + σ ∆tn E[Xj ] = 1 + µ ∆tn .

Como E[Xj2 ] = 1 e Var(Xj ) = E[Xj2 ] − (E[Xj ])2 = 1:

Var(Rj ) = σ 2 ∆tn Var(Xj ) = σ 2 ∆tn .

Observação 2.6. A Proposição 2.5 justifica a parametrização de Shreve: os fatores

un e dn foram construídos exatamente para que a variância do retorno por passo
seja σ 2 ∆tn , preservando a volatilidade σ no limite contínuo.

3 Linearização via Logaritmo

3.1 Transformação Logarítmica
O produto em (4) é difícil de analisar diretamente. A transformação logarítmica o
converte numa soma:
k(t) 
Sn (t) X p 
ln = ln 1 + µ ∆tn + σ ∆tn Xj . (7)
S0 j=1

3.2 Aproximação de Taylor de Segunda Ordem

Lema 3.1 (Expansão do Logaritmo). Para x pequeno,

x2
ln(1 + x) = x − + O(x3 ).
2
√
Aplicando com x = µ ∆tn + σ ∆tn Xj e retendo termos até a ordem ∆tn :
p σ 2 ∆tn 2
Xj + O ∆t3/2 (8)


ln(1 + x) = µ ∆tn + σ ∆tn Xj − n .
2
Demonstração. Expandindo x2 :

x2 = µ2 (∆tn )2 + 2µσ (∆tn )3/2 Xj + σ 2 ∆tn Xj2 .

O único termo de ordem ∆tn nesta expressão é σ 2 ∆tn Xj2 ; os demais são de ordem
2 2
(∆tn )3/2 ou superior. Como Xj2 = 1 quase certamente, temos − x2 = − σ2 ∆tn +
3/2
O(∆tn ), o que estabelece (8).

3
3.3 Decomposição da Soma Logarítmica
Substituindo o Lema 3.1 em (7) e somando sobre os k = k(t) passos:
k k
Sn (t) X X p
1 2
σ ∆tn Xj + O k ∆t3/2 (9)



ln = µ − 2 σ ∆tn + n .
S0 j=1 j=1
| {z } | {z }
=: An (t) =: Bn (t)
3/2 √
O termo de erro é O(k ∆tn ) = O(t ∆tn ) → 0.

Parte determinística An (t).

σ2 σ2 σ2
     
nt T
An (t) = k · µ − ∆tn = · µ− · = µ− t.
2 T 2 n 2
Este limite é exato, sem aproximação, para todo n e todo t ∈ {0, ∆tn , 2∆tn , . . . , T }.

Parte estocástica Bn (t).

p k
X
Bn (t) = σ ∆tn Xj .
j=1

Esta parcela requer análise probabilística aprofundada, desenvolvida na seção se-

guinte.

4 O Problema Central: Convergência de Bn(t)

4.1 O Aparente Paradoxo
√
À primeira vista, a expressão Bn (t) = σ ∆tn Xj apresenta uma tensão:
P

k
r
p T n→∞ X n→∞
∆tn = −−−→ 0, Xj −−−→ ∞ (em magnitude típica).
n j=1

É necessário quantificar com precisão a taxa de crescimento da soma.

4.2 A Caminhada Aleatória e seu Reescalonamento

Definição 4.1 (Caminhada Aleatória Simétrica). Defina o processo de caminhada
aleatória
⌊nt/T ⌋
X
Mn (t) := Xj , t ∈ [0, T ].
j=1

Proposição 4.2 (Comportamento Típico de Mn (t)). Para cada t ∈ (0, T ] fixo, o

número de passos k = ⌊nt/T ⌋ ∼ nt/T satisfaz:
 
nt
E Mn (t) = 0, Var Mn (t) = k ≈ .
T
√
Em
√ particular, M n (t) = Op ( n), isto é, a magnitude típica da soma cresce como
n.

4
Demonstração. Independência e média zero implicam E[Mn (t)] = 0. A variância é
Var(Mn (t)) = k Var(X1 ) = k, pois Var(X1 ) = 1.

4.3 Cancelamento Exato das Escalas

Proposição 4.3 (Cancelamento entre Difusão e Soma). Para todo t ∈ [0, T ]:
p √ Mn (t)
Bn (t) = σ ∆tn · Mn (t) = σ t · √ , (10)
k
| {z }
≈ N(0, 1)

onde o segundo fator converge em distribuição a N (0, 1) pelo Teorema Central do

Limite.
√
Demonstração. Escreva ∆tn = T /n e k = ⌊nt/T ⌋. Então:
p

r
T
Bn (t) = σ · · Mn (t)
n
T √ Mn (t)
r
=σ· · k· √
n k
r
T Mn (t)
=σ· ·k· √ .
n k
√
| {z }
→ t

√
Como k/n → t/T , temos T k/n → T · t/T = t. O TCL clássico garante
p p
√ d d
Mn (t)/ k − → N (0, 1). Portanto Bn (t) −
→ N (0, σ 2 t).
√
Observação 4.4. A Proposição 4.3 revela por que a volatilidade multiplica ∆tn
na parametrização de Shreve e não ∆tn :
√
• Se usássemos σ ∆tn Xj , teríamos Bn (t) ∼ σ ∆tn · n → 0: a difusão degene-
raria.
√
• Se usássemos σ Xj sem fator de escala, teríamos Bn (t) ∼ σ n → ∞: a
variância explodiria.
√
• A escolha σ ∆tn é a única que equilibra a competição e produz limite não-
degenerado.

5 Convergência do Processo: Teorema de Donsker

A Proposição 4.3 trata apenas de marginais. Para convergência do processo in-
teiro — incluindo a estrutura de dependência entre instantes de tempo distintos —
precisamos de um resultado mais forte.

5
5.1 Espaço de Funções e Medida de Wiener
Definição 5.1 (Espaço $C([0,T). )$] Seja C([0, T ]) o espaço das funções contínuas
f : [0, T ] → R, equipado com a norma do supremo
∥f ∥∞ := sup |f (t)| .
t∈[0,T ]

A σ-álgebra de Borel B(C([0, T ])) é gerada pelos conjuntos abertos nesta topologia.
Definição 5.2 (Medida de Wiener). A medida de Wiener W é a única medida de
probabilidade em C([0, T ]), B(C([0, T ])) tal que o processo canônico Wt (ω) := ω(t)

satisfaz:
(i) W0 = 0 quase certamente;
(ii) W tem incrementos independentes e estacionários;
(iii) Wt − Ws ∼ N (0, t − s) para 0 ≤ s < t ≤ T ;
(iv) As trajetórias t 7→ Wt são contínuas quase certamente.
Definição 5.3 (Processo de Donsker). O processo de Donsker associado às variáveis
X1 , X2 , . . . é o processo em tempo contínuo definido por interpolação linear:
      
1 nt nt nt
Wn (t) := √ Mn + − X⌊nt/T ⌋+1 . (11)
n T T T
A interpolação linear garante que Wn ∈ C([0, T ]) quase certamente.

5.2 O Teorema de Donsker

Teorema 5.4 (Teorema de Donsker — TCL Funcional). Sejam X1 , X2 , . . . variáveis
aleatórias i.i.d. com E[X1 ] = 0 e Var(X1 ) = 1. Seja Wn o processo de Donsker
definido em (11). Então, quando n → ∞:
d
Wn −
→ W em C([0, T ]),
onde W é o Movimento Browniano padrão com medida de Wiener W.
Formalmente, para toda função contínua e limitada Φ : C([0, T ]) → R:
 n→∞
(12)
  
E Φ(Wn ) −−−→ E Φ(W ) .
Observação 5.5 (O que o Teorema de Donsker garante). A convergência em C([0, T ])
é estritamente mais forte que a convergência das distribuições marginais. Ela im-
plica:
1. Convergência das dimensões finitas: para quaisquer 0 ≤ t1 < · · · < tm ≤
T,
d
(Wn (t1 ), . . . , Wn (tm )) −
→ (Wt1 , . . . , Wtm ).

2. Convergência de funcionais contínuos: se h : C([0, T ]) → R é contínua,

d RT
então h(Wn ) −
→ h(W ). Exemplos: supt Wn (t), 0 Wn (t) dt, Wn (T ).
3. Convergência das trajetórias: os caminhos discretos “em degraus” conver-
gem, em distribuição, para trajetórias contínuas do MBP.

6
5.3 Aplicação ao Processo Bn (t)
Corolário 5.6 (Convergência da Parte Estocástica). Sob as hipóteses do Teorema 5.4:
⌊n ·/T ⌋
d
p X
Bn (·) = σ ∆tn Xj −
→ σ W(·) em C([0, T ]).
j=1

Demonstração. Note que

⌊nt/T ⌋
√ 1 X
Bn (t) = σ T · √ Xj .
n j=1
| {z }
=Wn (t/T )

d
Pelo Teorema de Donsker, Wn (t/T ) −
→ Wt/T em C([0,√T ]). Pelo princípio de invari-
ância (mudança de escala temporal), o processo t 7→ T Wt/T tem a mesma lei que
d
t 7→ Wt (ambos são movimentos Brownianos em [0, T ]). Portanto Bn −
→ σW em
C([0, T ]).

6 O Limite: Equação do Preço Contínuo

6.1 Convergência do Log-Retorno
Teorema 6.1 (Convergência do Log-Retorno). Sob a parametrização de Shreve
(Definição 2.3), o processo de log-retorno
Sn (t)
Ln (t) := ln
S0
converge em distribuição, em C([0, T ]), para o processo
σ2
 
L(t) := µ − t + σWt . (13)
2
Demonstração. Da decomposição (9) e dos resultados anteriores:
p 
Ln (t) = An (t) + Bn (t) + O ∆tn .
| {z } | {z }
= (µ−σ 2 /2) t d
−
→ σWt
O termo An (t) converge deterministicamente. O termo de erro tende a zero uni-
formemente em t. O Corolário 5.6 fornece a convergência de Bn . Pelo Teorema de
Slutsky funcional, a soma converge em distribuição para L(t) em C([0, T ]).

6.2 O Processo de Preço no Limite

Corolário 6.2 (Processo de Preço Contínuo). O processo de preço discreto satisfaz,
quando n → ∞:
σ2
  
Ln (t) d
Sn (t) = S0 e −
→ St = S0 exp µ − t + σWt em C([0, T ]). (14)
2
O processo limite S é o Movimento Browniano Geométrico.

7
Demonstração. A função exponencial exp : C([0, T ]) → C([0, T ]) é contínua na
topologia do supremo. Pelo Teorema Mapeamento Contínuo:
d
Sn = S0 eLn −
→ S0 eL = S em C([0, T ]).

7 A Equação Diferencial Estocástica

7.1 O Lema de Itô
Rt
Teorema 7.1 (Lema de Itô — Forma Unidimensional). Seja Xt = X0 + 0
αs ds +
Rt
β dWs um processo de Itô e f ∈ C 1,2 ([0, T ] × R). Então:
0 s
Z t Z t
βs2

f (t, Xt ) = f (0, X0 ) + ∂s f + α s ∂x f + ∂xx f ds + βs ∂x f dWs . (15)
0 2 0

7.2 Verificação: St Satisfaz a EDS

Proposição 7.2 (A EDS do MBG). O processo St = S0 exp (µ − σ 2 /2)t + σWt é
 

solução forte da EDS (1).

2
Demonstração. Escreva St = f (t, Wt ) com f (t, x) = S0 exp (µ − σ2 )t + σx . Calcu-
 

lando as derivadas parciais:

σ2
 
∂t f = µ − f,
2
∂x f = σf,
∂xx f = σ 2 f.

Aplicando o Lema de Itô com α = 0 e β = 1 (pois Wt é o processo de Itô com essas

características):

σ2 σ2
  
dSt = µ− St + St dt + σ St dWt
2 2
= µ St dt + σ St dWt .

O termo −σ 2 /2 presente na exponencial cancela-se com o termo +σ 2 /2 proveniente

da correção de segunda ordem do Lema de Itô, justificando a origem desse fator.

Observação 7.3 (Origem do Fator −σ 2 /2). O fator −σ 2 /2 aparece em dois con-

textos equivalentes:

• Na aproximação discreta: como segundo termo da expansão de Taylor,

ln(1 + x) ≈ x − x2 /2, capturando a convexidade do logaritmo.

• No cálculo de Itô: como a correção de segunda ordem na fórmula de Itô,

oriunda do fato de que (dWt )2 = dt (quadrática variação do Browniano).

Ambas as perspectivas são manifestações do mesmo fenômeno: a convexidade da

exponencial em contexto estocástico.

8
8 Distribuição Terminal e Lognormalidade
Corolário 8.1 (Distribuição de ST ). O preço terminal satisfaz:
σ2
   
2
ST ∼ LogNormal ln S0 + µ − T, σ T .
2
Equivalentemente, ln(ST /S0 ) ∼ N ((µ − σ 2 /2)T, σ 2 T ).

Demonstração. Do Teorema 6.1: ln(ST /S0 ) = (µ−σ 2 /2)T +σWT , e WT ∼ N (0, T ).

A soma de uma constante com uma variável normal é normal.
Observação 8.2 (Momentos do Preço). Da Lognormal, segue imediatamente:
E[ST ] = S0 eµT ,
 2 
Var(ST ) = S02 e2µT eσ T − 1 .

Note que o drift real do preço é µ, mas o drift do log-retorno é µ − σ 2 /2 < µ. Esta
diferença é a penalidade de volatilidade (ou correção de Jensen), consequência da
desigualdade de Jensen aplicada à função convexa exp.

9 Síntese do Argumento
Teorema 9.1 (Teorema Principal — Síntese). Seja Sn o processo de preço binomial
com parametrização de Shreve (Definição 2.3), com ∆tn = T /n. Então, quando
n → ∞:
d
Sn −→ S em C([0, T ]),
onde S é a solução forte da EDS
dSt = µ St dt + σ St dWt , S0 > 0,
dada explicitamente por
σ2
  
St = S0 exp µ − t + σWt .
2
A convergência percorre os seguintes passos lógicos:

Passo Objeto Ferramenta

1 Parametrização un , dn Preservação de µ e σ
2 Logaritmo da soma Expansão de Taylor
3 Parte determinística An (t) → (µ − σ 2 /2)t Cálculo elementar
d
4 Parte estocástica Bn −
→ σW Teorema de Donsker
d
5 Exponenciação Sn = S0 eLn −
→ S 0 eL Mapeamento Contínuo
6 Verificação que S satisfaz a EDS Lema de Itô

9
Referências
[1] Shreve, S. E. Stochastic Calculus for Finance II: Continuous-Time Models. Sprin-
ger, 2004.

[2] Shreve, S. E. Stochastic Calculus for Finance I: The Binomial Asset Pricing
Model. Springer, 2005.

[3] Billingsley, P. Convergence of Probability Measures. 2.ª ed. Wiley, 1999.

[4] Karatzas, I.; Shreve, S. E. Brownian Motion and Stochastic Calculus. 2.ª ed.
Springer, 1991.

[5] Donsker, M. D. An invariance principle for certain probability limit theorems.

Memoirs of the AMS, v. 6, 1951.

10