Cálculo Estocástico

João Guerra

10/02/2012
Conteúdo

1 Introdução 1
1.1 O que é o cálculo estocástico? . . . . . . . . . . . . . . . . . . 1

2 Probabilidade e processos estocásticos 4

2.1 Processos estocásticos . . . . . . . . . . . . . . . . . . . . . . . 4
2.2 Esperança condicional . . . . . . . . . . . . . . . . . . . . . . 11
2.3 Martingalas em tempo discreto . . . . . . . . . . . . . . . . . 14
2.4 A transformada de martingala . . . . . . . . . . . . . . . . . . 17
2.5 Martingalas em tempo contínuo . . . . . . . . . . . . . . . . . 20

3 Movimento Browniano 22

4 O integral de Itô 29
4.1 Motivação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.2 Integral estocástico de processos simples . . . . . . . . . . . . 31
4.3 Integral de Itô para processos adaptados . . . . . . . . . . . . 33
4.4 Integrais estocásticos inde…nidos . . . . . . . . . . . . . . . . . 36
4.5 Extensões do integral estocástico . . . . . . . . . . . . . . . . 39

5 Fórmula de Itô 41
5.1 Fórmula de Itô unidimensional . . . . . . . . . . . . . . . . . . 41
5.2 A fórmula de Itô multidimensional . . . . . . . . . . . . . . . 43
5.3 Teorema da representação integral de Itô . . . . . . . . . . . . 47
5.4 Teorema da representação de martingala . . . . . . . . . . . . 50

6 Equações Diferenciais Estocásticas 52

6.1 Motivação e exemplos . . . . . . . . . . . . . . . . . . . . . . . 52
6.2 A EDE do movimento Browniano geométrico e a Eq. de
Langevin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
6.3 Teorema de existência e unicidade para EDE’s . . . . . . . . . 57
6.4 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

i
CONTEÚDO ii

6.5 EDE’s Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . 62

6.6 Soluções fortes e fracas . . . . . . . . . . . . . . . . . . . . . . 64
6.7 Aproximações numéricas . . . . . . . . . . . . . . . . . . . . . 66
6.8 Propriedade de Markov . . . . . . . . . . . . . . . . . . . . . . 68
6.9 Cálculo de Stratovonich e EDE’s de Stratonovich . . . . . . . 71

7 Relações entre EDE’s e EDP’s 73

7.1 Gerador ou operador in…nitesimal de uma difusão . . . . . . . 73
7.2 Fórmulas de Feynman-Kac . . . . . . . . . . . . . . . . . . . . 74
7.3 Relação entre a equação do calor e o movimento Browniano . 77
7.4 A equação Backward de Kolmogorov . . . . . . . . . . . . . . 78

8 Teorema de Girsanov 82
8.1 Mudanças de medida de probabilidade . . . . . . . . . . . . . 82
8.2 Teorema de Girsanov . . . . . . . . . . . . . . . . . . . . . . . 83
8.3 Teorema de Girsanov - versão geral . . . . . . . . . . . . . . . 85
8.4 Modelos de mercados …nanceiros . . . . . . . . . . . . . . . . . 86
8.5 O modelo de Black-Scholes . . . . . . . . . . . . . . . . . . . . 86
8.6 Ausência de arbitragem e equação de Black-Scholes . . . . . . 88
8.7 A medida de martingala e a avaliação neutra face ao risco . . 93
8.8 Fórmula de Black-Scholes . . . . . . . . . . . . . . . . . . . . 95
Capítulo 1

Introdução

O objectivo fundamental deste texto é introduzir os conceitos fundamentais

de cálculo estocástico aos alunos de mestrado, pós-graduação ou doutora-
mento em matemática …nanceira. Em particular, este é o texto teórico
de base para a unidade curricular de "Cálculo Estocástico"do Mestrado em
Matemática Financeira, ISEG, Universidade Técnica de Lisboa, ano lectivo
de 2011/2012.
Pretende-se explorar as principais técnicas e métodos do cálculo estocás-
tico e da teoria de equações diferenciais estocásticas, relacionar as equações
diferenciais estocásticas e as equações diferenciais parciais e aplicar as técni-
cas e métodos do cálculo estocástico a problemas e modelos da matemática
…nanceira, em particular na avaliação e cobertura de risco de produtos …na-
ceiros derivados como opções ou futuros.
Para abordar este texto com proveito, o leitor deve ter conhecimentos (ao
nível de licenciatura) de cálculo diferencial e integral, teoria da probabilidade
(e alguma coisa de teoria da medida), teoria de processos estocásticos e alguns
conhecimentos de equações diferenciais ordinárias e parciais também podem
ser úteis embora não sejam essenciais.

1.1 O que é o cálculo estocástico?

Muito resumidamente, o cálculo estocástico é um tipo de cálculo integral e
diferencial que envolve processos estocásticos em tempo contínuo, como por
exemplo o movimento Browniano. O cálculo estocástico permite de…nir in-
tegrais de processos estocásticos, onde a "função integradora"é também um
processo estocástico. Podemos também de…nir e resolver equações diferen-
ciais estocásticas, que são básicamente equações diferenciais ordinárias com
um termo aleatório.

1
CAPÍTULO 1. INTRODUÇÃO 2

O processo estocástico mais importante para as aplicações …nanceiras e

que é um processo paradigmático na desenvolvimento do cálculo estocástico
é o movimento Browniano. Por isso vamos focar a teoria na integração es-
tocástica relativamente ao movimento Browniano. Os tópicos fundamentais
apresentados neste texto são a construção de integrais estocásticos, a fórmula
de Itô, equações diferenciais estocásticas, o Teorema de Girsanov, a discussão
das relações entre equações diferenciais estocásticas e equações diferenciais
parciais e aplicações ao modelo de Black-Scholes para avaliação de derivados
…nanceiros. Antes de abordarmos estes tópicos, começaremos por apresen-
tar alguns resultados fundamentais sobre processos estocásticos, esperança
condicional, martingalas e movimento Browniano.
Para além da avaliação e cobertura de risco de opções e outros derivados
…nanceiros, outras aplicações importantes do cálculo estocástico em …nanças
são feitas em modelos de taxas de juro e risco de crédito, por exemplo.
Relativamente à teoria do movimento Browniano e cálculo estocástico, ela
foi desenvolvida por alguns dos matemáticos e físicos mais importantes do
século XX. Com contribuições fundamentais, podemos destacar Louis Bache-
lier, Albert Einstein, Norbert Wiener, Andrey Kolmogorov, Vincent Doeblin,
Kiyosi Itô, Joseph Doob and Paul-André Meyer. Uma breve história do cál-
culo estocástico e das suas aplicações …nanceiras é apresentada no artigo de
Jarrow e Protter em [4], cuja leitura vivamente se recomenda.

Kiyosi Itô
CAPÍTULO 1. INTRODUÇÃO 3

Andrey Kolmogorov
Capítulo 2

Probabilidade e processos
estocásticos

2.1 Processos estocásticos

Começaremos por apresentar a de…nição clássica de processo estocástico.

De…nição 2.1 Um processo estocástico é uma família de variáveis aleatórias

fXt ; t 2 T g de…nidas num espaço de probabilidade ( ; F; P ). O conjunto T
é o conjunto onde está de…nido o parâmetro t: Se T = N, o processo diz-se
em tempo discreto, mas se T = [a; b] R ou se T = R, o processo diz-se em
tempo contínuo.

Um processo estocástico pode considerar-se uma aplicação de duas var-

iáveis: as variáveis t 2 T e ! 2 :

fXt ; t 2 T g = fXt (!) ; ! 2 , t 2 T g ;

onde Xt representa o estado ou posição do processo no instante t. O espaço
de estados (espaço onde as varáveis aleatórias tomam valores) normalmente
é R (processo com espaço de estados contínuo) ou N (espaço de estados
discretos).
Para cada ! …xado (! 2 ), a aplicação t ! Xt (!) ou X (!) diz-se
uma trajectória do processo. Como exemplos de trajectórias apresentam-se
a seguir trajectórias de um movimento Browniano unidimensional e bidimen-
sional.

4
CAPÍTULO 2. PROBABILIDADE E PROCESSOS ESTOCÁSTICOS 5

Trajectória de movimento
Browniano unidimensional

Trajectória de movimento
Browniano bidimensional

Exemplo 2.2 Considere a sucessão de variáveis aleatórias independentes

fZt ; t 2 Ng. Então

Xt = Z1 + Z2 + Zt = Xt 1 + Zt

é um processo estocástico em tempo discreto. Este processo estocástico é

conhecido como passeio aleatório.
CAPÍTULO 2. PROBABILIDADE E PROCESSOS ESTOCÁSTICOS 6

Um conceito fundamental em teoria de processos estocásticos é o conceito

de processo de Markov. Um processo para o qual, "dado o presente, o futuro
é independente do passado". Um processo de Markov é um processo em que
a probabilidade de obter um estado num momento futuro t depende apenas
do estado do processo no último instante observado tk , i.e., se t1 < t2 < <
tk < t, então

P [a < Xt < bjXt1 = x1 ; Xt2 = x2 ; : : : ; Xtk = xk ] = P [a < Xt < bjXtk = xk ] :

Um processo de Markov com espaço de estados discreto diz-se uma cadeia de

Markov. Se for com espaço de estados contínuo e parametro contínuo, diz-se
um processo de difusão.
Para caracterizar probabilisticamente um processo X usa-se o conceito
de distribuição de dimensão …nita.

De…nição 2.3 Seja fXt ; t 2 T g um processo estocástico. As distribuições de

dimensão …nita (ou ddf) de X são todas as distribuições dos vectores

(Xt1 ; Xt2 ; : : : ; Xtn ) ;

onde n = 1; 2; 3; : : : ; t1 ; t2 ; : : : ; tn 2 T .

A lei de probabilidade ou distribuição de um processo estocástico identi…ca-

se com a família das distribuições de dimensão …nita desse processo.

De…nição 2.4 (processo Gaussiano) Um processo diz-se Gaussiano quando

todas as ddf são Gaussianas.

O conhecimento dos parâmetros (valor esperado) e (covariância) é

su…ciente para caracterizar uma distribuição Gaussiana. Logo, para carac-
terizar um processo Gaussiano, basta conhecer e para todos os vectores
do tipo (Xt1 ; Xt2 ; : : : ; Xtn ) :

Exemplo 2.5 (ruído branco) Seja fXt ; t 0g um processo estocástico com

Xt N (0; 2 ), sendo todas as variáveis aleatórias do processo independentes.
Então o processo é Gaussiano e as ddf podem ser descritas pelas funções de
distribuição

F (x1 ; x2 ; : : : ; xn ) = P (Xt1 x1 ; Xt2 x2 ; : : : ; Xtn xn )

= P (Xt1 x1 )P (Xt2 x2 ) : : : P (Xtn xn )
= (x1 ) (x2 ) : : : (xn ) :
CAPÍTULO 2. PROBABILIDADE E PROCESSOS ESTOCÁSTICOS 7

Figura 2.1: Uma trajectória do processo ruído branco

A função valor esperado e a função de covariância de X são:

X (t) = E [Xt ] = 0;
2
se s = t
cX (s; t) = :
0 se s 6= t
Em geral, dado um processo X, podemos de…nir as funções valor esperado
e de covariância por
X(t) = E [Xt ] ;
cX (s; t) = cov(Xt ; Xs ) = E [(Xt X (t)) (Xs X (s))] :
Um importante conceito é o de estacionaridade ou invariância da dis-
tribuição. De…ne-se agora o que se entende por processo estacionário e por
processo de incrementos estacionários.
De…nição 2.6 Um processo estocástico X diz-se estritamente (ou fortemente)
estacionário se
d
(Xt1 ; Xt2 ; : : : ; Xtn ) = (Xt1 +h ; Xt2 +h ; : : : ; Xtn +h ) ;
para todas as possíveis escolhas de n; t1 ; t2 ; : : : ; tn 2 T e de h.
De…nição 2.7 Um processo estocástico X diz-se de incrementos estacionários
se
d
Xt Xs = Xt+h Xs+h ;
para todos os valores possíveis de s; t e h.
CAPÍTULO 2. PROBABILIDADE E PROCESSOS ESTOCÁSTICOS 8

Exercício 2.8 Mostrar que se um processo X é Gaussiano e fortemente

estacionário então X (t) = X (0), 8t 2 T e cX (s; t) = f (js tj) é só
função da distância js tj.

A independência de incrementos de um processo é uma propriedade fun-

damental e vai ser abundantemente usado quando discutirmos o integral es-
tocástico. Apresenta-se agora a de…nição deste conceito.

De…nição 2.9 Um processo estocástico diz-se de incrementos independentes

se as v.a.
Xt2 Xt1 ; Xt3 Xt2 ; : : : ; Xtn Xtn 1
são independentes sempre que t1 < t2 < < tn , n = 1; 2; : : :

Todos os processos de incrementos independentes são processos de Markov.

Vejamos um exemplo importante de um processo de incrementos indepen-
dentes: o processo de Poisson.

Exemplo 2.10 (Processo de Poisson) Um processo estocástico fXt ; t 0g

diz-se um processo de Poisson com intensidade se

1. X0 = 0;

2. X tem incrementos estacionários e independentes,

3. Xt P oi( t).

Uma variável aleatória Y tem a distribuição (discreta) de Poisson de

parâmetro ; ou P oi( ); se
k
P (Y = k) = e :
k!
Exercício 2.11 Mostre que se X é um processo de Poisson então Xt Xs
P oi( (t s)) se t > s.

Como de…nir a equivalência de processos? A próxima de…nição oferece

uma resposta.

De…nição 2.12 Um processo estocástico fXt ; t 2 T g diz-se equivalente a outro

processo estocástico fYt ; t 2 T g se para cada t 2 T temos

P fXt = Yt g = 1.

Neste caso diz-se que um processo é uma versão do outro.

CAPÍTULO 2. PROBABILIDADE E PROCESSOS ESTOCÁSTICOS 9

Figura 2.2: Uma trajectória do processo de Poisson

Note-se que dois processos equivalentes podem ter trajectórias muito

diferentes, como se ilustra no próximo exemplo.

Exemplo 2.13 Seja ' uma variável aleatória não negativa com distribuição
contínua e considere os processos estocásticos

Xt = 0;
0 se ' 6= t
Yt = :
1 se ' = t

Os processos são equivalentes mas as suas trajectórias são diferentes. As

trajectórias de Y têm sempre um ponto de descontinuidade.

De…nição 2.14 Dois processos estocásticos fXt ; t 2 T g e fYt ; t 2 T g dizem-

se indistinguíveis se

X (!) = Y (!) 8! 2 nN;

onde N tem probabilidade nula (P (N ) = 0).

Dois processos estocásticos com trajectórias contínuas à direita (ou con-

tínuas à esquerda, ou contínuas) que são equivalentes são também indis-
tinguíveis. Para além da continuidade trajectorial, podemos de…nir outros
conceitos de probabilidade para processos estocásticos.
CAPÍTULO 2. PROBABILIDADE E PROCESSOS ESTOCÁSTICOS 10

De…nição 2.15 Um processo estocástico fXt ; t 2 T g com valores em R e

onde T é um intervalo de R, diz-se contínuo em probabilidade se, para qual-
quer " > 0 e para qualquer t 2 T; temos

limP [jXs Xt j > "] = 0:

s!t

De…nição 2.16 Seja p 1. Um processo estocástico fXt ; t 2 T g com val-

ores em R, onde T é um intervalo de R e tal que E [jXt jp ] < 1, diz-se
contínuo em média de ordem p, se para qualquer t 2 T; temos

limE [jXs Xt jp ] = 0:
s!t

A continuidade em média de ordem p implica a continuidade em proba-

bilidade. A continuidade em probabilidade (ou em média de ordem p) não
implica a continuidade das trajectórias do processo.

Exemplo 2.17 O processo de Poisson N = fNt ; t 0g com intensidade

é um processo com trajectórias descontínuas. No entanto, é um processo con-
tínuo em média quadrática ou de ordem 2 (recorde que Nt Ns P oi( (t s))),
pois
limE jNt Ns j2 = lim (t s) + ( (t s))2 = 0:
s!t s!t

Para provar que um processo estocástico tem trajectórias contínuas, uma

ferramenta teórica muito útil é o critério de continuidade de Kolmogorov que
se apresenta a seguir.

Teorema 2.18 (Critério de continuidade de Kolmogorov): Seja X = fXt ; t 2 T g

um processo estocástico, onde T é um intervalo limitado de R; e suponha que
existem p > 0 e > 0 tais que

E [jXt Xs jp ] C jt sj1+ : (2.1)

Então existe uma versão de X com trajectórias contínuas.

Mais precisamente, a Eq. (2.1) implica que para cada " > 0 existe uma
v.a. G" tal que (com probabilidade 1)
1+
"
jXt (!) Xs (!)j G" (!) jt sj p (2.2)

e E [Gp" ] < 1. Ou seja, X tem trajectórias Hölder contínuas de ordem

para todo < 1+p .
Para uma demonstração deste teorema, recomenda-se a consulta de [5],
págs. 53-54.
CAPÍTULO 2. PROBABILIDADE E PROCESSOS ESTOCÁSTICOS 11

2.2 Esperança condicional

Consideremos um espaço de probabilidade ( ; F; P ) e sejam A e B dois
acontecimentos com A,B 2 F e P (B) > 0. A probalidade condicional de A
dado B pode-se de…nir por
P (A \ B)
P (AjB) = (2.3)
P (B)
A aplicação A ! P (AjB) de…ne uma medida de probabilidade na -álgebra
F. O valor esperado condicional ou a esperança condicional da v.a. X
(integrável) dado B; pode calcular-se usando a fórmula
E [X1B ]
E(XjB) = : (2.4)
P (B)

Exemplo 2.19 Seja X uma v.a. uniforme com valores em (0; 1]. Seja A =
0; 41 . Calculemos E [X] e E [XjA].

Z 1 Z 1
1
E [X] = xf (x) dx = xdx = :
0 0 2
R 1=4
E(X1A ) xdx 1
E [XjA] = = 0 = :
P (A) 1=4 8

Seja ( ; F; P ) um espaço de probabilidade e seja B F uma -álgebra.

De…nição 2.20 A esperança condicional da variável aleatória integrável X

dado B (ou E(XjB)) é uma variável aleatória integrável Z tal que

1. Z é B-mensurável.

2. Para todo A 2 B temos

E (Z1A ) = E (X1A ) : (2.5)

Se X for integrável então Z = E(XjB) existe e é única (quase certa-

mente).

De…nição 2.21 ( -álgebra gerada): Seja C uma classe de subconjuntos de

. Então, a menor -álgebra a conter C representa-se por (C) e diz-se a
-álgebra gerada por C.
CAPÍTULO 2. PROBABILIDADE E PROCESSOS ESTOCÁSTICOS 12

De…nição 2.22 ( -álgebra gerada por X): Seja X uma variável aleatória.
Então a -álgebra fX 1 (B) : B 2 BR g diz-se a -álgebra gerada por X.

Apresentam-se a seguir as propriedades essenciais da esperança condi-

cional.

Proposição 2.23 Sejam X; Y e Z variáveis aleatórias integráveis, B uma

-algebra e a; b 2 R. Então, temos as seguintes propriedades:

1.
E(aX + bY jB) = aE(XjB) + bE(Y jB): (2.6)

2.
E (E(XjB)) = E (X) : (2.7)

3. Se X e a -álgebra B são independentes então:

E(XjB) = E (X) (2.8)

4. Se X é B-mensurável (ou se (X) B) então:

E(XjB) = X: (2.9)

5. Se Y é B-mensurável (ou se (X) B) então

E(Y XjB) = Y E(XjB) (2.10)

6. Dadas duas -álgebras C B então

E(E (XjB) jC) = E(E (XjC) jB) = E(XjC) (2.11)

7. Considere duas v.a. X e Z tais que Z é B-mensurável e X é indepen-

dente de B. Seja h(x; z) uma função mensurável tal que h(X; Z) é uma
v.a. integrável. Então

E (h (X; Z) jB) = E (h (X; z)) jz=Z : (2.12)

Nota: primeiro calcula-se E (h (X; z)) para qualquer valor z …xo da v.a.
Z e depois substitui-se z por Z.

Proposição 2.24 (Desigualdade de Jensen): Seja X uma variável aleatória

integrável e B uma -algebra. Se ' é uma função convexa tal que E [j' (X)j] <
1 então
' (E(XjB)) E(' (X) jB): (2.13)
CAPÍTULO 2. PROBABILIDADE E PROCESSOS ESTOCÁSTICOS 13

Um caso particular da desigualdade de Jensen é obtido, considerando

' (x) = jxjp . Se E(jXjp ) < 1, p 1, então

jE(XjB)jp E(jXjp jB):

Como consequência, se p 1,

E [jE(XjB)jp ] E(jXjp ): (2.14)

O conjunto de todas as variáveis aleatórias de quadrado integrável -

2
L ( ; F; P ) - é um espaço de Hilbert com o produto escalar

hX; Y i = E [XY ] :

O espaço L2 ( ; B; P ) é um subespaço de L2 ( ; F; P ). Dada uma variável

aleatória X 2 L2 ( ; F; P ) temos que E(XjB) é a projecção ortogonal de X
no subespaço L2 ( ; B; P ) e minimiza a distância em média quadrática de X
a L2 ( ; B; P ) no sentido em que

E (X E(XjB))2 = min
2
E (X Y )2 (2.15)
Y 2L ( ;B;P )

Exercício 2.25 Prove que se X e a -álgebra B são independentes então

E(XjB) = E (X)

Solução 2.26 Se X e 1A são independentes então se A 2 B, temos que

E [X1A ] = E [X] E [1A ] = E [E [X] 1A ]

e, por de…nição de esperança condicionada, E(XjB) = E (X) :

Exercício 2.27 Prove que se Y é B-mensurável então

E(Y XjB) = Y E(XjB):

Solução 2.28 Se Y = 1A e A; B 2 B; temos, por de…nição de esperança

condicionada,

E [1A E(XjB)1B ] = E [1A\B E(XjB)]

= E [X1A\B ] = E [1B 1A X] :

Logo, P1A E(XjB) = E [1A XjB]. Da mesma forma, obtemos o resultado se

m
Y = j=1 aj 1Aj (função em escada B-mensurável). O resultado no caso
geral prova-se aproximando Y por uma sucessão de funções em escada B-
mensuráveis.
CAPÍTULO 2. PROBABILIDADE E PROCESSOS ESTOCÁSTICOS 14

Exemplo 2.29 Dada a variável aleatória X 2 L2 ( ; F; P ), vamos mostrar

que E(XjB) é a projecção ortogonal de X no subespaço L2 ( ; B; P ) e que

E (X E(XjB))2 = min E (X Y )2
Y 2L2 ( ;B;P )

(1) E(XjB) 2 L2 ( ; B; P ) ; pois é B-mensurável e pela eq. (2.14) temos que

E jE(XjB)j2 E(jXj2 ) < 1:

(2) Se Z 2 L2 ( ; B; P ) temos, pelas propriedades 2 e 5 da esperança

condicional,

E [(X E(XjB)) Z] = E [XZ] E [E(XjB)Z]

= E [XZ] E [E(XZjB)]
=0

e portanto (X E(XjB)) é ortogonal a L2 ( ; B; P ) :

(3) Como

E (X Y )2 = E (X E(XjB))2 + E (E(XjB) Y )2

temos que E (X Y )2 E (X E(XjB))2 e portanto

E (X E(XjB))2 = min
2
E (X Y )2 :
Y 2L ( ;B;P )

Exercício 2.30 Prove as propriedades 1,2, 4 e 6 da esperança condicional

(Proposição 2.23)

2.3 Martingalas em tempo discreto

O conceito de martingala é um dos mais fecundos em análise estocástica.
Para de…nir martingala é necessário de…nir previamente o que é uma …ltração.
Considere-se o espaço de probabilidade ( ; F; P ) :

De…nição 2.31 Uma sucessão de -álgebras fFn ; n 0g tal que

F0 F1 F2 Fn F

diz-se uma …ltração.

Uma …ltração pode ser interpretada como representando o ‡uxo de infor-

mação gerado por uma experiência aleatória ou por um processo estocástico.
CAPÍTULO 2. PROBABILIDADE E PROCESSOS ESTOCÁSTICOS 15

De…nição 2.32 Um processo estocástico M = fMn ; n 0g em tempo dis-

creto diz-se uma martingala relativamente à …ltração fFn ; n 0g se:

1. Para cada n, Mn é uma v.a. Fn -mensurável (i.e., M é um processo

estocástico adaptado à …ltração fFn ; n 0g).
2. Para cada n, E [jMn j] < 1.
3. Para cada n, temos
E [Mn+1 jFn ] = Mn : (2.16)

O processo estocástico M = fMn ; n 0g diz-se uma supermartingala

(respectivamente submartingala) se veri…ca as condições 1 e 2 da de…nição
anterior e se a condição 3 é substituída por (3’) E [Mn+1 jFn ] Mn (resp.
(3”) E [Mn+1 jFn ] Mn ).
A partir da condição (3) (ou eq. (2.16))é fácil mostrar que
E [Mn ] = E [M0 ]
para todo n 1. Ou seja, o valor esperado de uma martingala é constante
no tempo.
A condição (3) - eq. (2.16) - é equivalente a
E [ Mn jFn 1 ] = 0:
para todo o n 1, com Mn := Mn Mn 1 .
A condição de martingala - eq. (2.16) - pode interpretar-se da seguinte
forma: dada a informação Fn , Mn é a melhor estimativa para Mn+1 .

Exercício 2.33 Prove que se o processo M = fMn ; n 0g é uma martin-

gala, então
E [Mn ] = E [M0 ] ; 8n 1:

Exemplo 2.34 (passeio aleatório): Seja fZn ; n 0g um sucessão de var-

iáveis aleatórias independentes, integráveis e com valor esperado nulo. Seja
M = fMn ; n 0g de…nido por
Mn = Z0 + Z1 + + Zn :
O processo M é um passeio aleatório. Considere a …ltração natural gerada
por fZn ; n 0g, i.e.,
Fn := fZ0 ; Z1 ; : : : ; Zn g :
Como M0 ; M1 ; : : : ; Mn e Z0 ; Z1 ; : : : ; Zn contêm a mesma informação, geram
a mesma -álgebra Fn . Provemos que M é uma martingala.
CAPÍTULO 2. PROBABILIDADE E PROCESSOS ESTOCÁSTICOS 16

1. M é adaptado à …ltração fFn ; n 0g pois Mn é Fn -mensurável, já que

Fn é gerada também por Mn .

2. E [jMn j] < 1, porque todas as v.a. Zn são integráveis (i.e. E [jZn j] <
1 para todo o n).

Exemplo 2.35 Pelas propriedades básicas da esperança condicionada:

E [Mn+1 jFn ] = E [Mn + Zn+1 jFn ]

= Mn + E [Zn+1 jFn ]
= Mn + E [Zn+1 ]
= Mn :

Note-se que uma -álgebra (X1 ; X2 ; : : : ; Xn ) gerada pelas v.a. (X1 ; X2 ; : : : ; Xn )

contém toda a informação essencial sobre a estrutura do vector aleatório
(X1 ; X2 ; : : : ; Xn ) (como aplicação de ! 2 ). Qualquer processo que seja
martingala relativamente a uma …ltração G, também será martingala relati-
vamente à …ltração gerada pelo próprio processo (…ltração mais pequena).

Lema 2.36 Seja M = fMn ; n 0g uma martingala relativamente à …l-

tração fGn ; n 0g e Fn = fM0 ; M1 ; : : : ; Mn g Gn a …ltração natural ger-
ada pelo processo M . Então M é uma martingala relativamente a fFn ; n 0g :

Proof. Pela propriedade 6 da esperança condicionada e pela propriedade de

martingala:

E [Mn+1 jFn ] = E [E [Mn+1 jGn ] jFn ]

= E [Mn jFn ]
= Mn :

Proposição 2.37 1. Seja M = fMn ; n 0g uma fFn g-martingala. En-

tão, para m n, temos

E [Mm jFn ] = Mn :

2. fMn ; n 0g é submartingala se e só se f Mn ; n 0g é supermartin-

gala.

3. Se fMn ; n 0g é martingala e ' é função convexa tal que E [j' (Mn )j] <
1 8n 0, então f' (Mn ) ; n 0g é uma submartingala.
CAPÍTULO 2. PROBABILIDADE E PROCESSOS ESTOCÁSTICOS 17

A propriedade 3 é uma consequência da desigualdade de Jensen e tem

como corolário: se fMn ; n 0g e E [jMn jp ] < 1 8n 0 e algum p 1,
então fjMn jp ; n 0g é submartingala.

Exercício 2.38 Seja M = fMn ; n 0g uma fFn g-martingala. Prove que

se m n então E [Mm jFn ] = Mn :

2.4 A transformada de martingala

Seja fFn ; n 0g uma …ltração dada num espaço de probabilidade ( ; F; P ).

De…nição 2.39 O processo estocástico fHn ; n 1g diz-se previsível se Hn

é Fn 1 -mensurável (i.e., se Hn é "conhecida"no instante n 1).

De…nição 2.40 Dada uma fFn g-martingala M = fMn ; n 0g e um processo

previsível fHn ; n 1g, o processo f(H M )n ; n 1g, de…nido por
X
n
(H M )n = M0 + Hj Mj
j=1

diz-se a transformada de martingala de M por fHn ; n 1g.

A transformada de martingala de uma sucessão previsível é a versão disc-

reta do integral estocástico, ou seja:
Xn Z n
(H M )n M0 = Hj Mj Hs dMs :
j=1 0

Proposição 2.41 Se M = fMn ; n 0g é uma martingala e fHn ; n 0g é

um processo previsível com variáveis aleatórias limitadas, então a transfor-
mada de martingala f(H M )n ; n 1g é uma martingala.
P
Proof. 1. (H M )n é fFn g-mensurável pois nj=1 Hj Mj é Fn - mensurável.
2. (H M )n é integrável, pois as v.a. Mn são integráveis e as v.a. Hn são
limitadas.
3. Pelas propriedades da esperança condicionada:
E (H M )n+1 (H M )n jFn = E [Hn+1 (Mn+1 Mn ) jFn ]
= Hn+1 E [Mn+1 Mn jFn ]
= 0:

Considere-se agora o seguinte jogo com sistema de apostas Hn :

CAPÍTULO 2. PROBABILIDADE E PROCESSOS ESTOCÁSTICOS 18

a quantia apostada por jogador na jogada n é Hn ;

Mn = Mn Mn 1 representa os ganhos na jogada n;

Mn representa a fortuna acumulada no instante n;

(H M )n representa a fortuna acumulada do jogador se ele usar o sis-

tema de apostas fHn ; n 1g.

Se fMn ; n 0g é uma martingala o jogo diz-se justo e então (H M )n

também é martingala, isto é, o jogo permanece justo independentemente do
sistema de apostas utilizado, desde que fHn ; n 0g veri…que as condições
da Proposição 2.41.

Exemplo 2.42 (apostas a dobrar): Suponha que

Mn = M0 + Z1 + + Zn ;

onde fZn ; n 1g são v.a. [Link] representam a cara (+1) ou a coroa

( 1) de uma moeda. Então P (Zi = 1) = P (Zi = 1) = 21 . Suponha que um
jogador começa por apostar um Euro e dobra a sua aposta sempre que sai
coroa ( 1) (dobra a aposta sempre que perde) e termina o jogo quando sai
cara (+1) (quando ganha). Ou seja, o sistema de apostas é

H1 = 1;
Hn = 2Hn 1 se Zn 1 = 1;
Hn = 0 se Zn 1 = +1:

Se o jogador perde k jogadas e vence na jogada k + 1, obtém

(H M )k = 1 2 4 2k 1
+ 2k = 1:

Parece uma estratégia sempre vencedora, mas atenção que para ser sempre
vencedora (com probabilidade 1) requer fundos ilimitados (estratégia de apos-
tas não limitada) e tempo ilimitado. De facto, neste caso a Proposição 2.41
não se pode aplicar porque as variáveis Hn (do sistema de apostas) não são
limitadas.

Exemplo 2.43 (aplicação …nanceira) Sejam Sn := fSn0 ; Sn1 ; n 1g proces-

sos adaptados que representam os preços de dois activos …nanceiros. Seja

Sn0 = (1 + r)n
CAPÍTULO 2. PROBABILIDADE E PROCESSOS ESTOCÁSTICOS 19

o preço do activo sem risco (obrigação), onde r é a taxa de juro (o processo

Sn0 é determinístico). Uma carteira é o processo n := f 0n ; 1n ; n 1g, que
representa o número de unidades dos activos. O valor da carteira no período
né
Vn = 0n Sn0 + 1n Sn1 = n Sn
A carteira diz-se auto…nanciada se, para qualquer n,
X
n
Vn = V0 + j Sj :
j=1

Esta condição é equivalente a ter, para qualquer n,

n Sn = n+1 Sn

De…na os preços descontados

Sen = (1 + r) n
Sn = 1; (1 + r) n
Sn1 :

É claro que temos

Ven = (1 + r) n Vn = n Sen ;
n Sen = n+1 Sen ;
Xn
Ven = V0 + e
j Sj
j=1
n o
O processo Ven = 1
n Se1
é a transformada martingala de Sen1 pelo
nn o
1 e
processo previsível f n g. Se Sn for uma martingala e se f 1n g for uma
1
n o
sucessão limitada, então, pela Proposição 2.41, o processo Ven também
será uma martingala.

Exemplo 2.44 (modelo binomial) Uma probabilidade Q equivalente a P diz-

se uma probabilidade neutra face ao risco (risk neutraln probability
o measure)
se no espaço de probabilidade ( ; F; Q), o processo Sen for uma fFn g-
1
n o
martingala. Nesse caso, se f 1n g for limitada, Ven também será uma mar-
tingala, como se viu no exemplo anterior.
No modelo binomial, assume-se que as v.a.
Sn
Tn =
Sn 1
CAPÍTULO 2. PROBABILIDADE E PROCESSOS ESTOCÁSTICOS 20

são independentes e assumem os valores 1 + a e 1 + b com probabilidades p e

1 p, respectivamente, com a < r <nb. oDeterminemos p (ou seja a medida
de probabilidade Q) de forma a que Sen1 seja martingala.
h i
E Sen+1 jFn = (1 + r) n 1
E [Sn Tn+1 jFn ]
= Sen (1 + r) 1
E [Tn+1 jFn ]
= Sen (1 + r) 1
E [Tn+1 ]
n o
Logo, Sen1 é martingala se E [Tn+1 ] = (1 + r), ou seja se

E [Tn+1 ] = p (1 + a) + (1 p) (1 + b) = 1 + r

e portanto
b r
p= :
b a
Considere agora uma v.a. H que é fFN g-mensurável e que representa o
payo¤ de um derivado sobre o activo 1 e com maturidade no instante N .
Por exemplo, uma opção de compra Europeia ("call option") com preço de
exercício K tem payo¤ H = (SN K)+ . O derivado diz-se replicável se
existir uma carteira auto-…nanciada tal que

VN = H:
n o
O preço do derivado será o valor desta carteira. Como Ven é uma martin-
gala no espaço de probabilidade, temos
h i
Vn = (1 + r)n Ven = (1 + r)n EQ VeN jFn
(N n)
= (1 + r) EQ [HjFn ]

Se n = 0, temos que F0 = f ; ?g e
N
V0 = (1 + r) EQ [H] :

2.5 Martingalas em tempo contínuo

As martingalas em tempo contínuo de…nem-se de forma análoga às martin-
galas em tempo discreto e a maioria das propriedades continuam a ser válidas
em tempo contínuo.
CAPÍTULO 2. PROBABILIDADE E PROCESSOS ESTOCÁSTICOS 21

De…nição 2.45 Considere-se o espaço de probabilidade ( ; F; P ). Uma

família de -álgebras fFt ; t 0g tal que
Fs Ft ; 0 s t:
diz-se uma …ltração.
Seja FtX a -álgebra gerada pelo processo X no intervalo [0; t], i.e. FtX =
(Xs ; 0 s t). Então FtX pode interpretar-se como a informação gerada
pelo processo X no intervalo [0; t]. Dizer que A 2 FtX signi…ca que é possível
decidir se o acontecimento A ocorreu ou não, baseando-nos nas observações
das trajectórias do processo X em [0; t].
Exemplo 2.46 Se A = f! : X (5) > 1g então A 2 F5X mas A 2
= F4X .
De…nição 2.47 Um processo estocástico M = fMt ; t 0g diz-se uma mar-
tingala relativamente à …ltração fFt ; t 0g se:
1. Para cada t 0, Mt é uma v.a. Ft -mensurável (i.e., M é um p.e.
adaptado à …ltração fFt ; t 0g).
2. Para cada t 0, E [jMt j] < 1.
3. Para cada s t, temos
E [Mt jFs ] = Ms :

A condição (3) é equivalente a E [Mt Ms jFs ] = 0. Se t 2 [0; T ] então,

pela propriedade de martingala, temos que Mt = E [MT jFt ]. Tal como no
caso discreto, a condição (3) implica que E [Mt ] = E [M0 ] para todo t.
As de…nições de supermartingala e submartingala são análogas às de…nições
para o tempo discreto.
Temos também a seguinte generalização da desigualdade de Chebyshev
(análoga à versão em tempo discreto).
Teorema 2.48 (Desigualdade maximal (ou de martingala) de Doob): Se
M = fMt ; t 0g é uma martingala com trajectórias contínuas então, para
todo p 1, T 0 e > 0,
1
P sup jMt j p
[E jMT jp ]
0 t T

Para uma demonstração deste teorema na versão discreta (baseada no

teorema da paragem opcional) ver [9]. Para uma análise mais detalhada das
martingalas e das suas propriedades, recomenda-se a consulta das referências
[2] e [5].
Capítulo 3

Movimento Browniano

A terminologia "movimento Browniano"deve-se ao facto do botânico Robert

Brown ter sido o primeiro a observar ao miscroscópio, em 1827, o movimento
físico errático de grãos de pólen suspensos em gotas de água. Este movimento
é provocado pelos choques moleculares e é um exemplo físico do movimento
que se veio a chamar movimento Browniano. Em 1900, Louis Bachelier,
na sua tese "Théorie de la spéculation"usou o movimento Browniano como
modelo para a evolução dos preços de activos …nanceiros. Mais tarde, Albert
Einstein, num dos seus famosos artigos de 1905, usou o movimento Brow-
niano para con…rmar indirectamente a existência de átomos e moléculas e
para determinar o tamanho dos átomos e a sua massa. A demonstração de
que o movimento Browniano, enquanto processo estocástico, existia e estava
rigorosamente de…nido só foi feita em 1923 por Norbert Wiener.

De…nição 3.1 Um p.e. B = fBt ; t 0g diz-se um movimento Browniano

se veri…ca seguintes condições seguintes

1. B0 = 0:

2. B tem incrementos independentes.

3. Se s < t, Bt Bs é uma v.a. com distribuição N (0; t s).

4. O processo B tem trajectórias contínuas.

O movimento Browniano é um processo Gaussiano. De facto, as dis-

tribuições de dimensão …nita de B, i.e. a distribuição dos vectores (Bt1 ; Bt2 ; : : : ; Btn )

22
CAPÍTULO 3. MOVIMENTO BROWNIANO 23

é Gaussiana. Da condição 3 da de…nição, resulta imediatamente que Bt

N (0; t) e

E [Bt ] = 0; 8t 0, (3.1)
E Bt2 = t; 8t 0 (3.2)

Proposição 3.2 Seja B = fBt ; t 0g um movimento Browniano. Então a

função de covariância de B é

cB (s; t) = E [Bs Bt ] = min (s; t) : (3.3)

Proof. Se s t, pelas propriedades que de…nem o movimento Browniano,

temos que

E [Bs Bt ] = E Bs (Bt Bs ) + Bs2

= E [Bs (Bt Bs )] + E Bs2
= E [Bs ] E [Bt Bs ] + s = s;

onde se usou a independência dos incrementos e a eq. (3.1).

Proposição 3.3 Um p.e. que veri…que as condições 1,2 e 3. da De…nição

3.1 tem necessariamente uma versão com trajectórias contínuas.

Proof. Como (Bt Bs ) N (0; t s), é possível mostrar que

h i (2k)!
2k
E (Bt Bs ) = (t s)k : (3.4)
2k k!
Para provar este resultado pode-se usar integração por partes e o método de
indução em k (ver [10]). Com k = 2 obtemos

E (Bt Bs )4 = 3 (t s)2 :

Então, pelo critério de continuidade de Kolmogorov (Teorema 2.18), existe

uma versão de B com trajectórias contínuas.
Para de…nir o movimento Browniano poderíamos ter apenas exigido as
primeiras 3 condições da De…nição 3.1, e pela Proposição anterior, existiria
uma versão que teria trajectórias contínuas.
Pode demonstrar-se que existe um p.e. que cumpre as condições 1,2,3.
Para tal pode usar-se o teorema de existência de Kolmogorov (ver [10]).
Então, pela Proposição anterior, existe um processo estocástico que veri…ca
as 4 condições da de…nição. O movimento Browniano existe portanto como
objecto matemático rigorosamente de…nido.
CAPÍTULO 3. MOVIMENTO BROWNIANO 24

Na de…nição de movimento Browniano, o espaço de probabilidade é arbi-

trário. Contudo, é possível descrever a estrutura deste espaço, considerando
a aplicação:

! C ([0; 1) ; R)
! ! B (!)

que a cada elemento ! faz corresponder uma função contínua com valores em
R (a trajectória). O espaço de probabilidade é o espaço de funções continuas
C ([0; 1) ; R) equipado com a -álgebra de Borel BC e com probabilidade
induzida pela aplicação anterior: P B 1 . Esta probabilidade diz-se a medida
de Wiener.
Como corolário ao critério da continuidade de Kolmogorov e à fórmula
h i (2k)!
E (Bt Bs )2k = k (t s)k ; (3.5)
2 k!
temos que
1+ 1
" "
jBt (!) Bs (!)j G" (!) jt sj p G" (!) jt sj 2 ;

para qualquer " > 0 e onde G" (!) é uma v.a.. Daqui resulta que as trajec-
tórias do movimento Browniano são Hölder contínuas de ordem = 12 ".
Ou seja, informalmente temos, para t > 0,
1
jBt+ t Bt j ( t) 2 :

Por outro lado, já se sabe que

E (Bt+ t Bt )2 = t:

Considerando o intervalo [0; t] e partições do intervalo tal que 0 = t0 < t1 <

< tn = t; com tj = tjn , podemos então deduzir, de forma heuristica, que:
Pn t 1=2
B tem variação total in…nita: k=1 j Bk j n n
! 1 quando
n ! 1.
Pn
B tem variação quadrática …nita: k=1 j Bk j2 = n t
n
= t.

Sobre a irregularidade das trajectórias do movimento Browniano, apresenta-

se a seguir um importante resultado.

Proposição 3.4 As trajectórias do movimento Browniano não são diferen-

ciáveis em nenhum ponto (quase certamente).
CAPÍTULO 3. MOVIMENTO BROWNIANO 25

Provaremos apenas que dado um ponto t, a derivada da trajectória não

existe nesses ponto. Temos que
p
Bt+ t Bt tZ Z
=p ;
t t t
onde Z N (0; 1). Então, esta razão ou taxa tende para 1 quando t ! 0
em probabilidade, pois P pZ t > K ! 1 para qualquer K, quando t ! 0.
Logo, a derivada não existe no ponto t.
Proposição 3.5 (auto-semelhança) Se B = fBt ; t 0g é um mov. Brown-
iano então, para qualquer a > 0, o processo a 1=2 Bat ; t 0 tb. é um mov.
Browniano.
Exercício 3.6 Prove a Proposição 3.5
Apresentam-se agora alguns processos que se de…nem a partir do movi-
mento Browniano B = fBt ; t 0g.
Movimento Browniano com deriva (ou "drift"):
Yt = t + Bt ;
com > 0 e constantes. Claramente, este é um processo Gaussiano
com E [Yt ] = t e cov(s; t) = 2 min (s; t) :
Movimento Browniano geométrico (modelo proposto por Samuelson, e
mais tarde por Black, Scholes e Merton para a descrição dos preços de
activos …nanceiros):
Xt = e t+ Bt ;
com > 0 e constantes. A distribuição de X é lognormal. Ou seja,
ln (Xt ) tem distribuição normal.
Ponte Browniana:
Zt = Bt tB1 ; t 2 [0; 1] :
Note que Z1 = Z0 = 0. Este processo é Gaussiano com E [Zt ] = 0 e
cov(s; t) = E [Zs Zt ] = min (s; t) st.
De…na-se a …ltração gerada por B
FtB = fBs ; s tg :
Considera-se que FtB também contém os conjuntos de probabilidade 0 (considera-
se que N 2 F0 sempre que P (N ) = 0). Algumas consequências da inclusão
dos conjuntos de probabilidade 0 na …ltração:
CAPÍTULO 3. MOVIMENTO BROWNIANO 26

1. Qualquer versão de um processo adaptado também é adaptado.

2. A …ltração é contínua pela direita, i.e.

\
FsB = FtB :
s>t

Exemplo 3.7 Se B é um movimento Browniano então o processo Xt =

sup Bs é adaptado à …ltração gerada por B mas o processo Yt = sup Bs
0 s t 0 s t+1
já não é.

Proposição 3.8 Se B = fBt ; t 0g é um movimento Browniano e FtB ; t 0

é a …ltração gerada por B, então os seguintes processos são FtB ; t 0 -
martingalas:

1. Bt :

2. Bt2 t:
a2 t
3. exp aBt 2
:

Proof. 1. Claramente Bt é FtB -mensurável e integrável. Além disso, como

Bt Bs é independente de FsB (pela independência dos incrementos de B),
temos
E Bt Bs jFsB = E [Bt Bs ] = 0:
2. O processo Bt2 t é FtB -mensurável e integrável. Pelas propriedades
de B e da esperança condicional

E Bt2 tjFsB = E (Bt Bs + Bs )2 jFsB t

2
= E (Bt Bs ) + 2Bs E Bt Bs jFsB + Bs2 t
= t s + Bs2 t = Bs2 s:

Exercício 3.9 Seja B = fBt ; t 0g um movimento Browniano e FtB ; t 0

a2 t
a …ltração gerada por B. Prove que o processo Xt = exp aBt 2
é uma
martingala.
CAPÍTULO 3. MOVIMENTO BROWNIANO 27

Os resultados sobre a variação total e a variação quadrática do movimento

Browniano foram deduzidos de forma heurística. Veremos agora como provar
rigorosamente estes resultados. Fixemos um intervalo [0; t] e …xemos uma
partição deste intervalo, com

0 = t0 < t1 < < tn = t:

A norma da partição é de…nida por

j j = max tk ;
k

onde tk = tk tk 1 e seja Bk = Btk Btk 1 :

Proposição 3.10 O movimento Browniano B tem variação quadrática …nita

no intervalo [0; t] (e igual a t); no sentido em que
2 !2 3
X n
E4 ( Bk )2 t 5 ! 0;
k=1

quando j j ! 0.
2
Proof. Usando a independência
h i dos incrementos, o facto de E ( Bk ) =
tk e a fórmula E (Bt Bs )2j = (2j)!
2j j!
(t s)j , temos
2 !2 3 " n #
X
n X 2
E4 ( Bk ) 2
t 5=E 2
( Bk ) tk
k=1 k=1

X
n
3 ( tk )2 2 ( tk )2 + ( tk )2
j=1
X
n
=2 ( tk )2 2t j j ! 0.
j j!0
j=1

Proposição 3.11 O movimento BrownianoP B tem variação total in…nita no

intervalo [0; t] ; no sentido em que V = sup nk=1 j Bk j = 1 com probabili-
dade 1.
CAPÍTULO 3. MOVIMENTO BROWNIANO 28

Proof. Usando a continuidade das trajectórias do movimento Browniano,

temos
X
n
2
X
n
( Bk ) sup j Bk j j Bk j V sup j Bk j ! 0;
k k j j!0
k=1 k=1

P
se V < 1. Mas isto contradiz o facto de nk=1 ( Bk )2 convergir em média
quadrática para t. Logo, V = 1:
Para uma análise mais detalhada e aprofundada do movimento Browni-
ano, recomenda-se a consulta de [5].
Capítulo 4

O integral de Itô

4.1 Motivação
Seja B = fBt ; t 0g um movimento Browniano e consideremos uma equação
diferencial "estocástica"do tipo
dX dBt
= b(t; Xt ) + (t; Xt ) " ",
dt dt
onde " dB
dt
t
" é o ruído estocástico. Este processo não existe no sentido clássico,
pois B não é diferenciável. A Equação diferencial estocástica anterior pode
ser escrita na forma integral
Z t Z t
X t = X0 + b(s; Xs )ds + " (s; Xs ) dBs "
0 0
Rt
O problema agora é como de…nir 0 (s; Xs ) dBs . Ou, de forma mais geral,
o problema consiste em de…nir integrais estocásticos do tipo
Z T
us dBs ,
0

onde B é um movimento Browniano e u é um processo estocástico adequado.

Uma estratégia que poderia ser seguida para de…nir estes integrais seria
considerar o integral como um integral de Riemann-Stieltjes. Vejamos como
se de…ne um integral deste tipo. Considere uma sucessão de partições de
[0; T ] e uma sucessão de pontos intermédios nessas partições:

n: 0 = tn0 < tn1 < tn2 < < tnk(n) = T

sn : tni sni tni+1 , i = 0; : : : ; k (n) 1,

29
CAPÍTULO 4. O INTEGRAL DE ITÔ 30

sn i

tn i tni+1
0 T

Figura 4.1: Partição de [0; T ]

tais que lim sup tni+1 tni = 0:

n!1 i
O integral de Riemann-Stieltjes (R-S) de…ne-se como o limite das somas
de Riemann:
Z T X
n 1
f dg := lim f (sni ) gi ;
0 n!1
i=0

onde gi := g(tni+1 ) g(tni ), se o limite existir e for independente das sucessões

n e sn .
RT
O integral de Riemann Stieltjes (R-S) 0 f dg existe se f é contínua e
g tem variação total limitada, i.e.
X
sup j gi j < 1:
n
i

RT
Se f é contínua e g é de classe C 1 então o integral de (R-S) 0
f dg
existe e Z T Z T
f dg := f (t) g 0 (t)dt;
0 0

No caso do movimento Browniano B, é claro que a derivada B 0 (t) não

existe, pelo que não se pode de…nir o integral trajectorial
Z T Z T
ut (!) dBt (!) 6= ut (!) Bt0 (!) dt:
0 0

Em geral, já sabemos que o movimento Browniano tem R T variação total não

limitada e portanto não se pode de…nir o integral (R-S) 0 ut (!) dBt (!). No
entanto, se u tem trajectórias de classe C 1 , integrando por partes, o integral
trajectorial (R-S) existe e
Z T Z T
ut (!) dBt (!) = uT (!) BT (!) u0t (!) Bt (!) dt:
0 0
CAPÍTULO 4. O INTEGRAL DE ITÔ 31
RT
Mas subsiste um problema. Por exemplo, 0 Bt (!) dBt (!) não existe como
integral R-S. É útil considerar processos mais irregulares que processos com
trajectória de classe C 1 . Como de…nir o integral estocástico para estes
processos? Devemos abandonar a estratégia de de…nir um integral trajector-
ial semelhante ao de Riemann-Stieltjes
RT e seguir uma nova estratégia: de…nir
o integral estocástico 0 ut dBt através de uma abordagem probabilística.
Considere-se um movimento Browniano B = fBt ; t 0g e a …ltração
fFt ; t 0g gerada pelo movimento Browniano.

De…nição 4.1 Consideraremos processos u da classe L2a;T , que se de…ne

como a classe de processos estocásticos u = fut , t 2 [0; T ]g, tais que:

1. u é adaptado e mensurável: i.e. ut é Ft -mensurável para todo t 2

[0; T ], e a aplicação (t; !) ! ut (!), de…nida em [0; T ] é mensurável
relativamente à -álgebra B[0;T ] FT .
hR i
T
2. E 0 u2t dt < 1.
Rt
A condição 1. é necessária para mostrar que as v.a. do tipo 0
us ds
são Ft -mensuráveis.

A condição 2. permite mostrar que u como aplicação das duas variáveis

t e ! pertence ao espaço L2 ([0; T ] ) e que (pelo teorema de Fubini)
Z T Z T Z
2 2
E ut dt = E ut dt = u2t (!) dtP (d!) :
0 0 [0;T ]

4.2 Integral estocástico de processos simples

RT
A estratégia para de…nir o integral estocástico passa por de…nir 0 ut dBt
para u 2 L2a;T como o limite em média quadrática (limite em L2 ( )) de
integrais de processos simples.

De…nição 4.2 Um processo estocástico u diz-se um processo simples se

X
n
ut = j 1(tj 1 ;tj ]
(t) ; (4.1)
j=1

onde 0 = t0 < t1 < < tn = T , e as v.a. j são de quadrado integrável

(E 2j < 1) e Ftj 1 -mensuráveis.

Representaremos por S a classe de todos os processos simples.

CAPÍTULO 4. O INTEGRAL DE ITÔ 32

De…nição 4.3 Se u é um processo simples da forma (4.1) (u 2 S) então

de…nimos o integral estocástico de u relativamente ao movimento Browniano
B por
Z T Xn
ut dBt := j Btj Btj 1 :
0 j=1

Exemplo 4.4 Considere o processo simples

X
n
ut = Btj 1 1(tj 1 ;tj ]
(t) :
j=1

Então Z T X
n
ut dBt = Btj 1
Btj Btj 1
:
0 j=1

É evidente que, pela propriedade dos incrementos independentes de B, temos

Z T Xn
E ut dBt = E Btj 1 Btj Btj 1
0 j=1
Xn
= E Btj 1
E Btj Btj 1
= 0:
j=1

Proposição 4.5 (Propriedade de isometria). Seja u 2 S um processo sim-

ples. Então temos a seguinte propriedade de isometria:
" Z 2
# Z
T T
E ut dBt =E u2t dt : (4.2)
0 0

Proof. Com Bj := Btj Btj 1 , temos

" Z # 2 !2 3
2
T X n
E ut dBt =E4 j Bj
5
0 j=1

X
n
2
X
n
2
= E j ( Bj ) +2 E[ i j Bi Bj ] :
j=1 i<j

Note-se que como i j Bi é Fj 1 -mensurável e Bj é independente de Fj 1;

temos
X n X
n
E[ i j Bi Bj ] = E[ i j Bi ] E [ Bj ] = 0:
i<j i<j
CAPÍTULO 4. O INTEGRAL DE ITÔ 33

2
Por outro lado, como j é Fj 1 -mensurável e Bj é independente de Fj 1;

X
n X
n
E 2
j ( Bj )2 = E 2
j E ( Bj )2
j=1 j=1
Xn
2
= E j (tj tj 1 ) =
j=1
Z T
=E u2t dt :
0

Proposição 4.6 Seja u 2 S.

1. Linearidade: Se u,v 2 S:
Z T Z T Z T
(aut + bvt ) dBt = a ut dBt + b vt dBt : (4.3)
0 0 0

2. Valor esperado nulo:

Z T
E ut dBt = 0: (4.4)
0

Exercício 4.7 Prove as propriedades 1. e 2. da proposição anterior.

4.3 Integral de Itô para processos adaptados

O lema seguinte é fundamental para de…nir o integral estocástico para proces-
sos adaptados.

Lema 4.8 Se u 2 L2a;T então existe uma sucessão de processos simples

u(n) 2 S tal que
Z T 2
(n)
lim E ut ut dt = 0: (4.5)
n!1 0

Proof. 1. Suponha que u é um processo contínuo em média quadrática, ou

seja:
limE jut us j2 = 0:
s!t
CAPÍTULO 4. O INTEGRAL DE ITÔ 34

De…na-se tnj := nj T e
X
n
unt = utnj 1 1(tn n
] (t) : (4.6)
j 1 ;tj
j=1

Pelo teorema de Fubini, temos que

Z T 2
Z T 2
(n) (n)
E ut ut dt = E ut ut dt
0 0
n Z
X tn
j 2
= E utnj 1
ut dt
j=1 tn
j 1

T sup E jus ut j2 ! 0:
T n!1
jt sj n

Passo 2. Suponha agora que u 2 L2a;T e considere a sucessão de processos

v (n) de…nidos por
Z t
n
vt = n us ds:
1
t n

Estes processos são contínuos em média quadrática (até são trajectorialmente

contínuos) e pertencem à classe L2a;T . Por outro lado, temos que
Z T 2
(n)
lim E ut vt dt = 0;
n!1 0
pois Z T 2
(n)
lim ut (!) vt (!) dt = 0:
n!1 0
e podemos aplicar o teorema de convergência dominada no espaço [0; T ] ,
pois pela desigualdade de Cauchy-Schwarz e mudando a ordem de integração,
obtemos
2 3
Z T 2
Z T Z t
2
(n)
E vt dt = E 4n2 us ds dt5
1
0 0 t n
"Z Z ! #
T t
nE u2s ds dt
1
0 t n
"Z Z ! #
T s+1=n
= nE u2s dt ds
0 s
Z T
=E u2s ds :
0
CAPÍTULO 4. O INTEGRAL DE ITÔ 35

De…nição 4.9 O integral estocástico ou o integral de Itô do processo u 2

L2a;T é de…nido como o limite (em L2 ( ))
Z T Z T
2 (n)
ut dBt = lim (L ) ut dBt ; (4.7)
0 n!1 0

onde u(n) é uma sucessão de processos simples que satisfaz (4.5).

Note-se que o limite (4.7) existe,

nR pois devido
o à prop. de isometria para
T (n)
processos simples, a sucessão 0
ut dBt é uma sucessão de Cauchy em
L2 ( ) e portanto é convergente.
Proof.
" Z Z T 2
# Z
T T 2
(n) (m) (n) (m)
E ut dBt ut dBt =E ut ut dt
0 0 0
Z T 2
Z T 2
(n) (m) n;m!1
2E ut ut dt + 2E ut ut dt ! 0:
0 0

Proposição 4.10 Suponha-se que u 2 L2a;T : Então, as seguintes propriedades

são satisfeitas.

1. Isometria: " Z # Z
T 2 T
E ut dBt =E u2t dt : (4.8)
0 0

2. Valor esperado nulo:

Z T
E ut dBt = 0 (4.9)
0

3. Linearidade:
Z T Z T Z T
(aut + bvt ) dBt = a ut dBt + b vt dBt : (4.10)
0 0 0

Proof. Estas propriedades veri…cam-se facilmente para processos u 2 S

(processos simples). Logo, passando ao limite, veri…cam-se também para
processos u 2 L2a;T .
CAPÍTULO 4. O INTEGRAL DE ITÔ 36

Exemplo 4.11 Vamos mostrar que

Z T
1 1
Bt dBt = BT2 T.
0 2 2
Como o processo ut = Bt é contínuo em média quadrática, consideramos a
sucessão de aproximação de processos simples (4.6), i.e.
X
n
unt = Btnj 1 1(tn n
] (t) ;
j 1 ;tj
j=1

com tnj := nj T .
Z T Z T
2 (n)
Bt dBt = lim (L ) ut dBt =
0 n!1 0
X
n
= lim (L2 ) Btnj 1
Btnj Btnj 1
n!1
j=1

1 X n
2
= lim (L2 ) Bt2nj Bt2nj Btnj Btnj
n!1 2 j=1
1 1

1
=B2 T ;
2 T
" #
2
Pn 2
1
Pn
onde se usou o facto de E j=1 Btnj T !0e 2 j=1 Bt2nj Bt2nj 1
=
1 2
B .
2 T

4.4 Integrais estocásticos inde…nidos

Considere-se um processo estocástico u 2 L2a;T . Então, para qualquer t 2
[0; T ], o processo u1[0;t] também pertence a L2a;T e podemos de…nir o integral
estocástico inde…nido:
Z t Z T
us dBs := us 1[0;t] (s) dBs :
0 0
nR o
t
O processo estocástico 0 s
u dBs ; 0 t T é o integral estocástico in-
de…nido de u relativamente a B.

Proposição 4.12 Principais propriedades do integral estocástico inde…nido:

CAPÍTULO 4. O INTEGRAL DE ITÔ 37

1. Aditividade: Para a bc, temos:

Z b Z c Z c
us dBs + us dBs = us dBs :
a b a

2. Factorização: Se a < b e A 2 Fa , então:

Z b Z b
1A us dBs = 1A us dBs :
a a

Esta propriedade permanece válida, substituindo 1A por qualquer var-

iável aleatória limitada e Fa -mensurável.
3. Propriedade de martingala: Se u 2 L2a;T então o processo integral es-
Rt
tocástico inde…nido Mt = 0 us dBs é uma martingala relativamente à
…ltração Ft .
4. Continuidade: Se u 2 L2a;T então o processo integral estocástico in-
Rt
de…nido Mt = 0 us dBs tem uma versão com trajectórias contínuas.
5. DesigualdadeR maximal para o integral estocástico inde…nido: se u 2
t
L2a;T e Mt = 0 us dBs , então para qualquer > 0 temos
Z T
1
P sup jMt j > 2
E u2t dt :
0 t T 0

Proof. Prova de 3: seja u(n) uma sucessão de processos simples tais que
Z T 2
(n)
lim E ut ut dt = 0:
n!1 0
Rt (n)
Seja Mn (t) = 0 us dBs : e seja j o valor de u(n) no intervalo (tj 1 ; tj ], com
j = 1; : : : ; n. Se s tk tm 1 t, então:
E [Mn (t) Mn (s) jFs ]
" #
X1
m
=E k (Btk Bs ) + j Bj + m Bt Btm 1 jFs ;
j=k+1

e pelas propriedades da esperança condicionada, temos

X1
m
=E[ k (Btk Bs ) jFs ] + E [E [ j Bj jFj 1 ] jFs ] +
j=k+1

+E E m Bt Btm 1 jFtm 1 jFs :

CAPÍTULO 4. O INTEGRAL DE ITÔ 38

X1
m
= k E [Btk Bs jFs ] + E [ j E [ Bj jFj 1 ] jFs ] +
j=k+1

+E mE Bt Btm 1 jFtm 1 jFs

e usando a independência dos incrementos do movimento Browniano, obte-

mos:
E [Mn (t) Mn (s) jFs ] = 0:
Como a convergência em média quadrática implica a convergência em média
quadrática das esperanças condicionadas, temos que

E [M (t) M (s) jFs ] = 0

e o integral estocástico é uma martingala.

Prova de 4: Com a mesma notação que na prova anterior, Mn (t) é clara-
mente um processo com trajectórias contínuas, pois é o integral estocástico
de um processo simples. Então, pela desigualdade maximal de Doob aplicada
a Mn Mm , com p = 2, temos:

1
P sup jMn (t) Mm (t)j > 2
E jMn (T ) Mm (T )j2
0 t T

" Z 2
#
T
1 (n) (m)
= 2
E ut ut dBt
0
Z T
1 (n)
2 n;m!1
= 2
E ut u(m) dt : ! 0;
0

onde usámos a isometria de Itô. Podemos portanto escolher uma sucessão

crescente de naturais nk , k = 1; 2; : : :, tal que

k
P sup Mnk+1 (t) Mnk (t) > 2 2 k:
0 t T

Os acontecimentos:

k
Ak := sup Mnk+1 (t) Mnk (t) > 2
0 t T

veri…cam portanto:
X
1
P (Ak ) < 1:
k=1
CAPÍTULO 4. O INTEGRAL DE ITÔ 39

Logo, pelo Lema de Borel-Cantelli, temos que P (lim supk Ak ) = 0 ou

k
P sup Mnk+1 (t) Mnk (t) > 2 para in…nitos k = 0:
0 t T

Portanto, para quase todo o ! 2 , temos que existe k1 (!) tal que
k
sup Mnk+1 (t) Mnk (t) 2 para k k1 (!) :
0 t T

Portanto, Mnk (t; !) é uniformemente convergente em [0; T ] quase certamente

e portanto o limite, que denotamos por Jt (!), é uma função contínua na
variável t. Finalmente, como Mnk (t: ) ! Mt ( ) em média quadrática (ou
em L2 (P )) para todo o t, então temos que ter

Mt = Jt q.c. e para todo o t 2 [0; T ] :

e o integral estocástico inde…nido tem uma versão contínua.

Exercício 4.13 Prove a propriedade 1 da proposição anterior, ou seja que

Z b Z c Z c
us dBs + us dBs = us dBs :
a b a

Proposição 4.14 (variação quadrática do integral estocástico inde…nido) Seja

u 2 L2a;T . Então
0 12
Ztj Zt
XB
n
C L1( )
2
@ us dBs A ! us ds;
j=1 tj 0
1

jt
quando n ! 1 e com tj := n
.

4.5 Extensões do integral estocástico

Na de…nição do integral estocástico, pode substituir-se fFt g (…ltração gerada
pelo mov. Browniano) por uma …ltração maior Ht tal que o movimento
Browniano Bt seja uma Ht -martingala. hR i
T
Podemos ainda substituir a condição 2) E 0 u2t dt < 1. na de…nição
de L2a;T pela condição (mais fraca):
Z T
0
2 )P u2t dt < 1 = 1: (4.11)
0
CAPÍTULO 4. O INTEGRAL DE ITÔ 40

Seja La;T o espaço de processos que veri…ca a condição 1 da def. de

L2a;T(i.e. u é adaptado e mensurável) e a condição 2’). O integral estocástico
pode ser de…nido para processos u 2 La;T mas, neste caso, em geral o integral
estocástico não tem valor esperado zero nem se veri…ca a isometria de Itô.

Exercício 4.15 Prove diretamente, usando a de…nição de integral estocás-

tico, que Z t Z t
sdBs = tBt Bs ds: (4.12)
0 0
Sugestão: Note que
X X X
(sj Bj ) = sj Bj + Bj+1 sj : (4.13)
j j j

RT
Exercício 4.16 Considere uma função determinística g tal que 0 g (s)2 ds <
RT
1. Mostre que o integral estocástico 0 g (s) dBs é uma variável aleatória
Gaussiana e determine a sua média e a sua variância.

Para uma introdução elementar ao integral estocástico recomenda-se a

consulta de [7]. Para uma discussão mais aprofundada, recomendam-se as
referências bibliográ…cas [5], [9], [10] and [11].
Capítulo 5

Fórmula de Itô

5.1 Fórmula de Itô unidimensional

Seja B = Bt+ t Bt . Já sabemos que

E ( B)2 = t;
h i
e pela fórmula E (Bt Bs )2k = 2(2k)!
k k! (t s)k ; temos que

2
V ar ( B)2 = E ( B)4 E ( B)2
= 3 ( t)2 ( t)2 = 2 ( t)2 :

Portanto, se t é pequeno, a variância de ( B)2 é desprezável quando com-

parada com o seu valor esperado. Logo, quando t ! 0 ou " t = dt", temos
informalmente:
(dBt )2 = dt (5.1)
A igualdade (5.1) está na base da fórmula de Itô (ou do lema de Itô) que
discutiremos neste capítulo. A fórmula de Itô é, essencialmente, uma versão
estocástica da regra da cadeia. Consideremos as seguintes igualdades (que
são equivalentes).
Z t
1 1
Bs dBs = Bt2 t
0 2 2
Z t
2
Bt = 2 Bs dBs + t
0
d Bt2 = 2Bt dBt + dt

41
CAPÍTULO 5. FÓRMULA DE ITÔ 42

A última expressão representa o desenvolvimento de Taylor de Bt2 como

função de Bt e t e com a convenção (dBt )2 = dt que é motivada pela eq.
(5.1).
Se f for uma função de classe C 2 a fórmula de Itô vai mostrar que temos
a seguinte representação para f (Bt ):

f (Bt ) = integral estoc. inde…nido+processo com trajec. diferenciáveis

= processo de Itô

De…na-se L1a;T como o espaço de processos v tais que

1) v é hprocesso mensurável
i
RT
2”) P 0 jvt j dt < 1 = 1.

De…nição 5.1 Um processo contínuo e adaptado X = fXt ; 0 t T g diz-

se um processo de Itô se veri…ca:
Z t Z t
X t = X0 + us dBs + vs ds; (5.2)
0 0

onde u 2 La;T e v 2 L1a;T :

Teorema 5.2 (Fórmula de Itô unidim.) Seja X = fXt ; 0 t T g um

processo de Itô da forma (5.2). Seja f (t; x) uma função de classe C 1;2 . Então
o processo Yt = f (t; Xt ) é um processo de Itô e temos a fórmula
Z t Z t
@f @f
f (t; Xt ) = f (0; X0 ) + (s; Xs ) ds + (s; Xs ) us dBs
0 @t 0 @x
Z t Z
@f 1 t @ 2f
+ (s; Xs ) vs ds + 2
(s; Xs ) u2s ds:
0 @x 2 0 @x

Na forma diferencial, a fórmula de Itô …ca:

@f @f
df (t; Xt ) = (t; Xt ) dt + (t; Xt ) dXt
@t @x
1 @ 2f
+ 2
(t; Xt ) (dXt )2 :
2 @x
onde (dXt )2 é calculado usando a tabela de produtos:

dBt dt
dBt dt 0
dt 0 0
CAPÍTULO 5. FÓRMULA DE ITÔ 43

A fórmula de Itô para f (t; x) e Xt = Bt ou seja Yt = f (t; Bt ), …ca

Z t Z t
@f @f
f (t; Bt ) = f (0; 0) + (s; Bs ) ds + (s; Bs ) dBs
0 @t 0 @x
Z
1 t @ 2f
+ (s; Bs ) ds:
2 0 @x2

@f @f
df (t; Bt ) = (t; Bt ) dt + (t; Bt ) dBt
@t @x
1 @ 2f
+ (t; Bt ) dt:
2 @x2
A fórmula de Itô para f (x) e Xt = Bt ; ou seja Yt = f (Bt ), é simplesmente

@f 1 @ 2f
df (Bt ) = (Bt ) dBt + (Bt ) dt:
@x 2 @x2

5.2 A fórmula de Itô multidimensional

Suponha que Bt := (Bt1 ; Bt2 ; : : : ; Btm ) é um movimento Browniano de dimen-
são m, ou seja, as componentes Btk , k = 1; :::; m são movimentos Brownianos
unidimensionais independentes. Considere um processo de Itô de dimensão
n, de…nido por
Z t Z t Z t
1 1 11 1 1m m
Xt = X0 + us dBs + + us dBs + vs1 ds;
Z0 t Z0 t Z0 t
Xt2 = X02 + u21
s dBs +
1
+ u2m m
s dBs + vs2 ds;
0 0 0
..
.
Z t Z t Z t
Xtn = X0n + un1 1
s dBs + + unm m
s dBs + vsn ds:
0 0 0

Em notação diferencial temos

X
m
dXti = uij j i
t dBt + vt dt;
j=1

com i = 1; 2; : : : ; n. Ou então, de forma ainda mais compacta,

dXt = ut dBt + vt dt;

CAPÍTULO 5. FÓRMULA DE ITÔ 44

onde vt é um processo n-dimensional, ut é uma matriz n m de processos.

Assumimos que as componentes de u pertencem a La;T e as componentes de
v pertencem a L1a;T :

Teorema 5.3 (fórmula de Itô multidimensional) Se f : [0; T ] Rn ! Rp é

de classe C 1;2 então Yt = f (t; Xt ) é um processo de Itô e temos a fórmula de
Itô

@fk X @fk n
dYtk = (t; Xt ) dt + (t; Xt ) dXti
@t i=1
@xi
1 X @ 2 fk
n
+ (t; Xt ) dXti dXtj :
2 i;j=1 @xi @xj

O produto dos diferenciais dXti dXtj é calculado de acordo com as regras:

0 se i 6= j
dBti dBtj = ;
dt se i = j
dBti dt = 0;
(dt)2 = 0:

No caso particular de Bt ser um movimento Browniano n-dimensional e

f : Rn ! R ser de classe C 2 com Yt = f (Bt ) então a fórmula de Itô é
n Z t Z t X !
X @f 1
n 2
@ f
f (Bt ) = f (B0 ) + (Bt ) dBsi + (Bt ) ds
i=1 0
@xi 2 0 i=1 @x2i

Exemplo 5.4 (fórmula de integração por partes) Se Xt1 e Xt2 são processos
de Itô e Yt = Xt1 Xt2 , então pela fórmula de Itô com f (x) = f (x1 ; x2 ) = x1 x2 ,
temos
d Xt1 Xt2 = Xt2 dXt1 + Xt1 dXt2 + dXt1 dXt2 :
Ou seja:
Z t Z t Z t
Xt1 Xt2 = X01 X02 + Xs2 dXs1 + Xs1 dXs2 + dXs1 dXs2 :
0 0 0

Exemplo 5.5 Considere o processo

2 2
Yt = Bt1 + Bt2 + + (Btn )2 :
CAPÍTULO 5. FÓRMULA DE ITÔ 45

Represente este processo em termos de integrais estocásticos relativamente ao

mov. Browniano n-dimensional. Pela fórmula de Itô multidimensional, com
f (x) = f (x1 ; x2 ; : : : ; xn ) = x21 + + x2n temos

dYt = 2Bt1 dBt1 + + 2Btn dBtn

+ ndt;

ou seja, Z Z
t t
Yt = 2 Bs1 dBs1 + +2 Bsn dBsn + nt:
0 0

Exercício 5.6 Seja Bt := (Bt1 ; Bt2 ) um movimento Browniano bidimensional.

Represente o processo
2
Yt = Bt1 t; Bt2 Bt1 Bt2

como um processo de Itô.

Solução 5.7 Pela fórmula de Itô multidimensional, com f (t; x) = f (t; x1 ; x2 ) =

(x1 t; x22 x1 x2 ) ; temos

dYt1 = Bt1 dt + tdBt1 ;

dYt2 = Bt2 dBt1 + 2Bt2 Bt1 dBt2 + dt;

ou seja,
Z t Z t
Yt1 = Bs1 ds
sdBs1 ; +
0 0
Z t Z t
1 2 1
Yt = Bs dBs + 2Bs2 Bs1 dBs2 + t:
0 0

Vamos agora descrever como se poderia demonstrar rigorosamente a fór-

mula de Itô unidimensional. O processo
Z t Z t
@f @f
Yt = f (0; X0 ) + (s; Xs ) ds + (s; Xs ) us dBs
0 @t 0 @x
Z t Z
@f 1 t @ 2f
+ (s; Xs ) vs ds + 2
(s; Xs ) u2s ds:
0 @x 2 0 @x
é um processo de Itô. Assumimos que f e as suas derivadas parciais são
limitadas (o caso geral pode provar-se aproximando f e as suas derivadas
parciais por funções limitadas). Como sabemos, o integral estocástico pode
CAPÍTULO 5. FÓRMULA DE ITÔ 46

ser aproximado por uma sucessão de integrais estocásticos de processos sim-

ples e portanto podemos assumir que u e v são processos simples.
Dividindo o intervalo [0; t] em n sub-intervalos iguais, temos

X
n 1
f (t; Xt ) = f (0; X0 ) + f tk+1 ; Xtk+1 f (tk ; Xtk ) :
k=0

Pela fórmula de Taylor:

@f @f
f tk+1 ; Xtk+1 f (tk ; Xtk ) = (tk ; Xtk ) t + (tk ; Xtk ) Xk
@t @x
1 @ 2f
+ (tk ; Xtk ) ( Xk )2 + Qk ;
2 @x2
onde Qk é o resto ou erro da fórmula de Taylor. Temos também que
Z tk+1 Z tk+1
Xk = Xtk+1 Xtk = vs ds + us dBs
tk tk
= v (tk ) t + u (tk ) Bk + Sk ;

onde Sk é o resto ou erro. Daqui, obtemos:

( Xk )2 = (v (tk ))2 ( t)2 + (u (tk ))2 ( Bk )2

+ 2v (tk ) u (tk ) t Bk + Pk ;

onde Pk é o resto. Substituindo estes termos, obtemos

1 1
f (t; Xt ) f (0; X0 ) = I1 + I2 + I3 + I4 + K1 + K2 + R;
2 2
onde
X @f
I1 = (tk ; Xtk ) t;
k
@t
X @f
I2 = (tk ; Xtk ) v (tk ) t;
k
@t
X @f
I3 = (tk ; Xtk ) u (tk ) Bk ;
k
@x
X @ 2f
I4 = (tk ; Xtk ) (u (tk ))2 ( Bk )2 :
k
@x2
CAPÍTULO 5. FÓRMULA DE ITÔ 47

X @ 2f
K1 = (tk ; Xtk ) (v (tk ))2 ( t)2 ;
k
@x2
X @ 2f
K2 = (tk ; Xtk ) v (tk ) u (tk ) t Bk ;
k
@x2
X
R= (Qk + Sk + Pk ) :
k

Quando n ! 1, é simples mostrar que

Z t
@f
I1 ! (s; Xs ) ds;
0 @t
Z t
@f
I2 ! (s; Xs ) vs ds;
0 @x
Z t
@f
I3 ! (s; Xs ) us dBs :
0 @x

Como já vimos antes (variação quadrática do movimento Browniano), temos

que X
( Bk )2 ! t;
k
pelo que Z t
@ 2f
I4 ! 2
(s; Xs ) u2s ds:
0 @x
Por outro lado, temos também que
K1 ! 0;
K2 ! 0:
Também se pode mostrar (mas é mais difícil e mais técnico) que
R ! 0:
Conclusão: no limite obtemos a fórmula de Itô.

5.3 Teorema da representação integral de Itô

Seja u 2 L2a;T (u adaptado, mensurável e de quadrado integrável) e seja
Z t
Mt = E [M0 ] + us dBs : (5.3)
0
CAPÍTULO 5. FÓRMULA DE ITÔ 48

Já sabemos que Mt é uma Ft -martingala. Vamos agora mostrar que qualquer

martingala de quadrado integrável é da forma (5.3).
Teorema 5.8 (Representação integral de Itô): Seja F 2 L2 ( ; FT ; P ). En-
tão existe um e só um processo u 2 L2a;T tal que
Z t
F = E [F ] + us dBs : (5.4)
0

Proof. Vamos dividir a prova em 3 partes:

1. Considere-se uma variável aleatória F com a forma
Z T Z
1 T
F = exp h (s) dBs h (s)2 ds ;
0 2 0
RT
onde h é uma função determinística e 0 h (s)2 ds < 1. Apliquemos
Rt Rt
a fórmula de Itô a f (x) = ex , com Xt = 0 h (s) dBs 21 0 h (s)2 ds e
Yt = f (Xt ). Então
1 1
dYt = Yt h (t) dBt h (t)2 dt + Yt (h (t) dBt )2
2 2
= Yt h (t) dBt :
Ou seja: Z t
Yt = 1 + Ys h (s) dBs :
0
Obtém-se portanto que
Z T
F = YT = 1 + Ys h (s) dBs
0
Z T
= E [F ] + Ys h (s) dBs
0

Note-se que Z T
E (Ys h (s))2 ds < 1;
0
Rt
pois E [Yt2 ] = exp 0
h (u)2 du < 1. Logo
Z T Z T Z s
2
E (Ys h (s)) ds exp h (u)2 du h (s)2 ds
0 0 0
Z T Z T
2
exp h (u) du h (s)2 ds:
0 0
CAPÍTULO 5. FÓRMULA DE ITÔ 49

2. A representação (5.4) também é válida (por linearidade) para combi-

nações lineares de variáveis aleatórias da forma (??). No caso geral,
F 2 L2 ( ; FT ; P ) pode ser aproximada (em média quadrática) pela
sucessão fFn g de combinações lineares de variáveis aleatórias da forma
(??). Para mais detalhes sobre esta questão, recomenda-se a consulta
de [10]. Então: Z t
Fn = E [Fn ] + us(n) dBs :
0
Pela isometria do integral de Itô, temos
Z t
2 2 2
E (Fn Fm ) = (E [Fn Fm ]) + E u(n)
s u(m)
s ds
0
Z t
2
E us(n) u(m)
s ds
0

e fFn g é uma sucessão de Cauchy em L2 ( ; FT ; P ). Logo

E (Fn F m )2 ! 0 qdo. n; m ! 1:

E portanto
Z t
2
E u(n)
s u(m)
s ds ! 0 qdo. n; m ! 1:
0

Logo, u(n) é uma sucessão de Cauchy em L2 ([0; T ] ). Como este

(n) 2
é um espaço completo, temos que u ! u em L ([0; T ] ). O
processo u é adaptado pois u(n) 2 L2a;T e existe uma subsucessão de
u(n) (t; !) convergente para u (t; !) p.q.t. (t; !) 2 [0; T ] . Logo,
u (t; ) é Ft -mensurável p.q.t. t. Modi…cando este processo u num
conjunto de medida nula na variável t, obtemos um processo u que é
adaptado a fFt g. Temos que
Z T 2
2
lim E (Fn F) = lim E E [Fn ] + u(n)
s dBs F = 0:
n!1 n!1 0

Por outro lado, pela isometria de Itô,

lim E (E [Fn ] E [F ])2 = 0

n!1
Z T 2 Z T
2
lim E u(n)
s us dBs = lim E us(n) us ds = 0:
n!1 0 n!1 0
RT
E portanto F = E [F ] + 0
us dBs :
CAPÍTULO 5. FÓRMULA DE ITÔ 50

3. Unicidade: Suponha que u(1) e u(2) 2 L2a;T e

Z T Z T
F = E [F ] + u(1)
s dBs = E [F ] + u(2)
s dBs :
0 0

Pela isometria de Itô, temos

" Z 2
# Z
T T
2
E u(1)
s u(2)
s dBs =E u(1)
s u(2)
s ds = 0
0 0

e portanto

u(1) (t; !) = u (t; !)(2) p.q.t. (t; !) 2 [0; T ] :

5.4 Teorema da representação de martingala

Teorema 5.9 (Teorema de representação de martingala) Suponha que fMt ; t 2 [0; T ]g
é uma fFt g-martingala e que E [MT2 ] < 1. Então existe um e só um processo
u 2 L2a;T tal que
Z t
Mt = E [M0 ] + us dBs 8t 2 [0; T ] :
0

Proof. Aplica-se o teorema da representação integral de Itô a F = MT .

Portanto 91 u 2 L2a;T tal que
Z T
MT = E [MT ] + us dBs :
0

Como fMt ; t 2 [0; T ]g é martingala, E [MT ] = E [M0 ] e

Z T
Mt = E [MT jFt ] = E [E [MT ] jFt ] + E us dBs jFt
0
Z t
= E [M0 ] + us dBs :
0

onde se usou a propriedade de martingala do integral estocástico inde…nido.

CAPÍTULO 5. FÓRMULA DE ITÔ 51

Exemplo 5.10 Seja F = BT3 . Qual a representação integral de Itô desta

v.a.? Pela fórmula de Itô (aplicada a f (x) = x3 e BT3 = f (Bt )), temos:
Z T Z T
3 2
BT = 3Bt dBt + 3 Bt dt:
0 0

Integrando por partes, temos

Z T Z T Z T
Bt dt = T BT tdBt = (T t) dBt :
0 0 0

Logo Z T
F = BT3 = 3 Bt2 + (T t) dBt : (5.5)
0
E como E [BT3 ] = 0 (pois BT N (0; T )), a representação integral de Itô é
dada por (5.5).
RT 2 3 RT
Exemplo 5.11 Qual o processo u tal que 0 tBt2 dt T2 BT2 = T6 + 0 ut dBt
? Aplicando a fórmula de Itô a Xt = f (t; Bt ) = t2 Bt2 , com f (t; x) = t2 x2 ,
temos: Z Z Z
T T T
2
T BT2 = 2tBt2 dt + 2
2t Bt dBt + t2 dt:
0 0 0
Daqui resulta que:
Z T Z T
T2 2 T3
tBt2 dt B = t2 Bt dBt
0 2 T 6 0

e portanto
ut = t2 Bt :
hR i
T T2 2 T3
Note-se que E 0
tBt2 dt 2
BT = 6
:

Em geral, a fórmula de integração por partes é a seguinte.

Teorema 5.12 (integração por partes) Suponha que f (s) é uma função de-
terminística, contínua e de classe C 1 . Então, temos:
Z t Z t
f (s) dBs = f (t) Bt f 0 (s) Bs ds:
0 0

Proof. Para provar a fórmula de integração por partes, basta aplicar a

fórmula de Itô a g (t; x) = f (t) x, obtendo
Z t Z t
0
f (t) Bt = f (s) Bs ds + f (s) dBs :
0 0
Capítulo 6

Equações Diferenciais
Estocásticas

6.1 Motivação e exemplos

Uma equação diferencial ordinária (EDO) determinística de ordem n tem a
forma geral

f t; x (t) ; x0 (t) ; x00 (t) ; : : : ; x(n) (t) = 0, 0 t T,

onde f : [0; T ] Rn ! R é uma função e x(t) é a função incógnita. Uma

equação diferencial ordinária de 1a ordem pode representar-se por

dx (t)
= b (t; x (t))
dt
ou
dx (t) = b (t; x (t)) dt
A versão discreta é a equação às diferenças

x (t) = x (t + t) x (t) b (t; x (t)) t

Exemplo 6.1 A EDO linear de 1a ordem

dx (t)
= cx (t) ;
dt
com c constante, tem como solução

x (t) = x (0) ect :

52
CAPÍTULO 6. EQUAÇÕES DIFERENCIAIS ESTOCÁSTICAS 53

Uma equação diferencial estocástica (EDE) na forma diferencial tem a

forma geral

dXt = b (t; Xt ) dt + (t; Xt ) dBt ; (6.1)

X0 = X0 ;

onde b (t; Xt ) é o coe…ciente de drift ou deriva e (t; Xt ) é o coe…ciente

de difusão. A EDE na forma integral é dada por
Z t Z t
X t = X0 + b (s; Xs ) ds + (s; Xs ) dBs : (6.2)
0 0

Uma interpretação "naif"da EDE é considerar a versão discreta Xt

b (t; Xt ) t + (t; Xt ) Bt e que portanto a variável aleatória Xt tem uma
distribuição "próxima"da distribuição normal N b (t; Xt ) t; ( (t; Xt ))2 t :
Apresenta-se a seguir a de…nição rigorosa de soluçãocde uma equação
diferencial estocástica.

De…nição 6.2 Uma solução da EDE (6.1) ou (6.2) é um processo estocástico

fXt g que satisfaz:

1. fXt g é um processo adaptado ao mov. Browniano com trajectórias

contínuas.
hR i
T 2
2. E 0 ( (s; Xs )) ds < 1:

3. fXt g satisfaz a EDE (6.1) ou (6.2)

As soluções de uma equação diferencial estocástica também são conheci-

das por "difusões"ou "processos de difusão".

6.2 A EDE do movimento Browniano geométrico

e a Eq. de Langevin
Considere-se a EDE:
dXt = Xt dt + Xt dBt ; (6.3)
onde e são constantes, ou
Z t Z t
Xt = X 0 + Xs ds + Xs dBs : (6.4)
0 0
CAPÍTULO 6. EQUAÇÕES DIFERENCIAIS ESTOCÁSTICAS 54

Como resolver esta EDE? Suponhamos que Xt = f (t; Bt ) com f 2 C 1;2 . Pela
fórmula de Itô, temos
Z t
@f 1 @ 2f
Xt = f (t; Bt ) = X0 + (s; Bs ) + (s; Bs ) ds+ (6.5)
0 @t 2 @x2
Z t
@f
+ (s; Bs ) dBs :
0 @x

Comparando (6.4) com (6.5) temos (existe unicidade de representação como

processo de Itô)

@f 1 @ 2f
(s; Bs ) + (s; Bs ) = f (s; Bs ) ; (6.6)
@s 2 @x2
@f
(s; Bs ) = f (s; Bs ) : (6.7)
@x
Derivando a eq. (6.7), obtemos

@ 2f @f 2
2
(s; x) = (s; x) = f (s; x)
@x @x
e substituindo em (6.6), temos que

1 2 @f
f (s; x) = (s; x) :
2 @s

Por separação de variáveis f (s; x) = g (s) h (x), obtemos

@f
(s; x) = g 0 (s) h (x)
@s
e
1
g 0 (s) = 2
g (s)
2
que é uma EDO linear com solução:

1 2
g (s) = g (0) exp s
2

Usando a eq. (6.7), obtemos h0 (x) = h (x) e portanto

1 2
f (s; x) = f (0; 0) exp s+ x :
2
CAPÍTULO 6. EQUAÇÕES DIFERENCIAIS ESTOCÁSTICAS 55

Conclusão: a solução da EDE (6.3) é o processo

1 2
Xt = f (t; Bt ) = X0 exp t + Bt ; (6.8)
2

que é precisamente o movimento Browniano geométrico. Note-se que se

obteve a solução da EDE resolvendo uma equação diferencial parcial (EDP)
determinística.
Para veri…car que (6.8) satisfaz a EDE (6.3) ou (6.4), basta aplicar a
fórmula de Itô a Xt = f (t; Bt ), com

1 2
f (t; x) = X0 exp t+ x :
2

Obtemos
Z t Z t
1 2 1 2
Xt = X0 + Xs + Xs ds + Xs dBs
0 2 2 0
Z t Z t
= X0 + Xs ds + Xs dBs ;
0 0

ou
dXt = Xt dt + Xt dBt
e a EDE é satisfeita pelo movimento Browniano geométrico.
Considere-se agora a equação de Langevin

dXt = Xt dt + dBt ; (6.9)

onde e são constantes, ou

Z t Z t
X t = X0 + Xs ds + dBs :
0 0

A versão discreta desta EDE é

Xt+1 = (1 + ) Xt + (Bt+1 Bt ) ;

ou
Xt+1 = Xt + Zt ;
2
com = 1 + e Zt N (0; ), que é a equação para uma série temporal
autoregressiva de ordem 1.
Considere-se o processo
t
Yt = e Xt
CAPÍTULO 6. EQUAÇÕES DIFERENCIAIS ESTOCÁSTICAS 56

ou Yt = f (t; Xt ) com f (t; x) = e t x. Pela fórmula de Itô,

Z t
1 2
Yt = Y0 + ce s Xs + ce s Xs + 0 ds
0 2
Z t
+ e s dBs :
0

Logo, a solução da EDE (6.9) é o processo

Z t
t t s
Xt = e X0 + e e dBs : (6.10)
0

Se X0 é constante, o processo (6.10) diz-se o processo de Ornstein-Uhlenbeck.

Exemplo 6.3 O movimento Browniano geométrico (outra vez). Considere-

se a EDE
dXt = Xt dt + Xt dBt (6.11)
ou Z t Z t
Xt = X0 + Xs ds + Xs dBs : (6.12)
0 0
Vamos supôr que a solução da EDE tem a forma

Xt = eZt ;

onde Zt é um processo estocástico. De forma equivalente, temos que

Zt = ln (Xt ) :

Aplicando a fórmula de Itô a f (Xt ) = ln (Xt ), obtemos

1 1 1
dZt = dXt + 2
(dXt )2
Xt 2 Xt
1 2
= dt + dBt :
2
Ou seja
1 2
Zt = Z0 + t + Bt
2
e
1 2
Xt = X0 exp t + Bt :
2
De forma que obtemos de novo o movimento Browniano geométrico como
solução da EDE (6.11).
CAPÍTULO 6. EQUAÇÕES DIFERENCIAIS ESTOCÁSTICAS 57

A solução da EDE linear homogénea

dXt = b (t) Xt dt + (t) Xt dBt

é dada por
Z t Z t
1
Xt = X0 exp b (s) (s)2 ds + (s) dBs :
0 2 0

Para obter esta solução pode-se aplicar a mesma técnica que no Exemplo 6.3.

Exercício 6.4 Determine a solução da EDE

dXt = a (m Xt ) dt + dBt ;
X0 = x;

com a; > 0 e m 2 R. Calcule também a média e a variância de Xt e

quando t ! 1 e determine a distribuição de Xt (distribuição invariante ou
distribuição estacionária).

Exercício 6.5 Considere a EDE

dXt = Xt dt + Xt dBt ;
X 0 = X0 :

a) Supondo que Xt = f (t; Bt ), onde f é uma função de classe C 1;2 , aplique

a fórmula de Itô e determine a equação diferencial parcial (EDP) satisfeita
pela função f .
b) Aplicando o método de separação de variáveis (f (s; x) = g(s)h(x)), e
considerando a EDP obtida na alínea anterior, determine as equações difer-
enciais ordinárias (EDO) satisfeitas por g e h.
c) Determine …nalmente o processo Xt .

6.3 Teorema de existência e unicidade para

EDE’s
Teorema 6.6 (existência e unicidade de soluções) Sejam T > 0, b( ; ) :
[0; T ] Rn ! Rn e ( ; ) : [0; T ] Rn ! Rn m funções mensuráveis tais que
as seguintes condições são satisfeitas.

1. Propriedade de crescimento linear:

jb (t; x)j + j (t; x)j C (1 + jxj) ; 8x 2 Rn ; 8t 2 [0; T ] :

CAPÍTULO 6. EQUAÇÕES DIFERENCIAIS ESTOCÁSTICAS 58

2. Propriedade de Lipschitz:

jb (t; x) b (t; y)j+j (t; x) (t; y)j D jx yj ; 8x; y 2 Rn ; 8t 2 [0; T ] :

Assuma-se também que Z é uma variável aleatória independente do

movimento Browniano B e E jZj2 < 1. Então, a EDE
Z t Z t
Xt = Z + b (s; Xs ) ds + (s; Xs ) dBs (6.13)
0 0

tem uma única solução. Ou seja, existe um único processo estocástico

X = fXt ; 0 t T g contínuo, adaptado, que satisfaz (6.13) e tal que
Z T
E jXs j2 ds < 1:
0

Proof. Consideremos o espaço L2a;T dos processos adaptados à …ltração

hR i
Z T 2
Ft := (Z) [ Ft tais que E 0 jXs j ds < 1. Neste espaço, considere-se
a norma:
Z T 1
2

kXk = e s E jXs j2 ds ;
0
2
onde > 2D (T + 1) :
De…na-se o operador L : L2a;T ! L2a;T por:
Z t Z t
(LX)t = Z + b (s; Xs ) ds + (s; Xs ) dBs
0 0

Pela propriedade de crescimento linear de b e , o operador L está bem

de…nido. Pela desigualdade de Cauchy-Schwarz e pela isometria de Itô, temos
que
" Z 2
#
t
E j(LX)t (LY )t j2 2E (b (s; Xs ) b (s; Ys )) ds
0
" Z 2
#
t
+ 2E ( (s; Xs ) (s; Ys )) dBs
0
Z t
2T E (b (s; Xs ) b (s; Ys ))2 ds +
0
Z t
+ 2E ( (s; Xs ) (s; Ys ))2 ds
0
CAPÍTULO 6. EQUAÇÕES DIFERENCIAIS ESTOCÁSTICAS 59

Pela propriedade de Lipschitz, temos:

Z t
2
E j(LX)t (LY )t j 2
2D (T + 1) E (Xs Ys )2 ds :
0

De…na-se K = 2D2 (T + 1). Multiplicando a desigualdade anterior por e t

e integrando em [0; T ], temos

Z T
E j(LX)t (LY )t j2 dt
e t
0
Z T Z t
K t
e E (Xs Ys )2 ds dt:
0 0

Trocando a ordem de integração, temos

Z T Z T
=K e t dt E (Xs Ys )2 ds
0 s
Z T
K
e s E (Xs Ys )2 ds:
0

Portanto: r
K
k(LX) (LY )k kX Y k :
q
E como > K, temos que K < 1, pelo que operador L é uma contracção
no espaço L2a;T . Então, pelo teorema do ponto …xo, existe um e só um ponto
…xo para L e esse ponto …xo é precisamente a solução da EDE:

(LX)t = Xt .

Para uma demonstração do teorema de existência e unicidade baseada

em aproximação de Picard e na desigualdade de Gronwall, recomenda-se a
consulta de [10].

6.4 Exemplos
Exemplo 6.7 O movimento Browniano geométrico
2
St = S0 exp t + Bt
2
CAPÍTULO 6. EQUAÇÕES DIFERENCIAIS ESTOCÁSTICAS 60

é solução da EDE

dSt = St dt + St dBt ;
S0 = S0 :

Esta EDE descreve a evolução do preço de um activo …nanceiro (com risco)

no modelo de Black-Scholes. Consideremos o modelo de Black-Scholes com
coe…cientes (t) e (t) > 0 dependentes do tempo:

dSt = St ( (t) dt + (t) dBt ) ;

S0 = S0 :

Seja St = exp (Zt ) e Zt = ln (St ). Pela fórmula de Itô com f (x) = ln (x),
temos que
1 1
dZt = (St ( (t) dt + (t) dBt )) S2 2
(t) dt
St 2St2 t
1 2
= (t) (t) dt + (t) dBt :
2

Pelo que
Z t Z t
1 2
Zt = Z0 + (s) (s) ds + (s) dBs
0 2 0

e portanto,
Z t Z t
1 2
St = S0 exp (s) (s) ds + (s) dBs :
0 2 0

Exemplo 6.8 (processo de Orsntein-Uhlenbeck com reversão para a média).

Considere a EDE com reversão para média

dXt = a (m Xt ) dt + dBt ;
X0 = x;

com a; > 0 e m 2 R.
A Solução da EDO homogénea associada dxt = axt dt é xt = xe at .
Considere-se a mudança de variáveis Xt = Yt e at ou Yt = Xt eat . Pela
fórmula de Itô aplicada a f (t; x) = xeat , temos que
Z t
at
Yt = x + m e 1 + eas dBs :
0
CAPÍTULO 6. EQUAÇÕES DIFERENCIAIS ESTOCÁSTICAS 61

Logo, Z t
at at
Xt = m + (x m) e + e eas dBs : (6.14)
0
Este processo é conhecido como o processo de Orsntein-Uhlenbeck com rever-
são para
R t a média. É um processo Gaussiano, pois um integral estocástico do
tipo 0 f (s) dBs , onde f é uma função determinística, é um processo Gaus-
siano. O valor esperado é
at
E [Xt ] = m + (x m) e

e a função de covariância obtém-se aplicando a isometria de Itô:

Z t Z s
2 a(t+s) ar
Cov [Xt ; Xs ] = e E e dBr ear dBr
0 0
Z t^s
= 2 e a(t+s) e2ar dr
0
2
ajt sj a(t+s)
= e e :
2a
Note-se que
2
at 2at
Xt N m + (x m) e ; 1 e :
2a

Quando t ! 1, a distribuição de Xt converge para

2
:= N m; ;
2a

que é a distribuição invariante ou estacionária. Se X0 tem distribuição

então a distribuição de Xt será a distribuição para todo o t.
Algumas aplicações …nanceiras do processo de Ornstein-Uhlenbeck com
reversão para a média:

Modelo de Vasicek para a taxa de juro:

drt = a (b rt ) dt + dBt ;

com a; b; constantes. A solução da EDE é

Z t
at at
rt = b + (r0 b) e + e eas dBs .
0
CAPÍTULO 6. EQUAÇÕES DIFERENCIAIS ESTOCÁSTICAS 62

Modelo de Black-Scholes com volatilidade estocástica: assume-se que

a volatilidade (t) = f (Yt ) é função de um processo de Ornstein-
Uhlenbeck com reversão para a média

dYt = a (m Yt ) dt + dWt ;

com a; m; constantes e onde fWt ; 0 t T g é um movimento Brow-

niano. A EDE que modela a evolução do preço do activo com risco
é
dSt = St dt + f (Yt ) St dBt
onde fBt ; 0 t T g é um movimento Browniano. Os movimentos
Brownianos Wt e Bt podem estar correlacionados, i.e.,

E [Bt Ws ] = (s ^ t) :

6.5 EDE’s Lineares

Considere a EDE
Z t Z t
Xt = x + f (s; Xs ) ds + c (s) Xs dBs ;
0 0

com f e c funções determinísticas e contínuas. Suponha que f satisfaz as

condições de Lipschitz e de crescimento linear em x. Então, pelo teorema de
existência e unicidade de soluções, existe uma solução para a EDE e é única.
Como obter a solução? Considere o "factor integrante"
Z t Z
1 t
Ft = exp c (s) dBs c (s)2 ds :
0 2 0

É claro que Ft é solução da EDE se f = 0 e x = 1: Suponha que Xt = Ft Yt

ou que Yt = (Ft ) 1 Xt . Então, pela fórmula de Itô,
1
dYt = (Ft ) f (t; Ft Yt ) dt

e Y0 = x. Esta equação para Y é uma EDO com coe…cientes aleatórios (é

uma equação diferencial determinística parametrizada por ! 2 ).

Exemplo 6.9 Por exemplo, com f (t; x) = f (t)x, então temos a equação
diferencial ordinária
dYt
= f (t)Yt
dt
CAPÍTULO 6. EQUAÇÕES DIFERENCIAIS ESTOCÁSTICAS 63

e portanto Z t
Yt = x exp f (s) ds :
0

Logo,
Z t Z t Z t
1
Xt = x exp f (s) ds + c (s) dBs c (s)2 ds :
0 0 2 0

Consideremos agora uma EDE linear da forma

dXt = (a (t) + b (t) Xt ) dt + (c (t) + d (t) Xt ) dBt ;

X0 = x;

onde a; b; c; d são funções determinísticas contínuas. Suponha que solução é

da forma
Xt = Ut Vt ; (6.15)
onde
dUt = b(t)Ut dt + d(t)Ut dBt ;
dVt = (t) dt + (t) dBt :
e U0 = 1, V0 = x. Do exemplo anterior, já sabemos que
Z t Z t Z
1 t
Ut = exp b (s) ds + d (s) dBs d (s)2 ds (6.16)
0 0 2 0

Por outro lado, calculando o diferencial de (6.15) e usando a fórmula de Itô

com f (u; v) = uv, obtemos
1 1
dXt = Vt dUt + Ut dVt + (dUt ) (dVt ) + (dVt ) (dUt )
2 2
= (b(t)Xt + (t) Ut + (t) d(t)Ut ) dt + (d(t)Xt + (t) Ut ) dBt :

Comparando com a EDE inicial para X, temos que

a (t) = (t) Ut + (t) d(t)Ut ;

c(t) = (t) Ut :

Logo

(t) = c(t)Ut 1 ;
(t) = [a (t) c (t) d (t)] Ut 1 :
CAPÍTULO 6. EQUAÇÕES DIFERENCIAIS ESTOCÁSTICAS 64

Portanto:
Z t Z t
1
Xt = U t x + [a (s) c (s) d (s)] Us ds + c (s) Us 1 dBs ;
0 0

onde Ut é dado por (6.16).

No caso unidimensional (n = 1), a condição de Lipschitz para o coef.
no teorema de existência e unicidade de soluções, pode enfraquecer-se se
(t; x) = (x) (coe…ciente de difusão não dependente do tempo). Suponha-
se que o coe…ciente b satisfaz a condição de Lipschitz e o coef. satisfaz a
condição

j (t; x) (t; y)j D jx yj ; x; y 2 R; t 2 [0; T ]

1
com 2
. Então, existe uma única solução para a EDE. Para mais detalhes
sobre este caso, recomenda-se a consulta de [5].

Exemplo 6.10 A EDE do modelo de taxas de juro de Cox-Ingersoll-Ross:

p
drt = a (b rt ) dt + rt dBt
r0 = x;

tem uma e só uma solução.

6.6 Soluções fortes e fracas

O problema de obter uma solução de uma EDE pode ser de…nido de forma
diferente. Suponhamos que são dados só os coe…cientes b(t; x) e (t; x) e
que pretendemos determinar um par de processos estocásticos, fXt g e fBt g,
de…nidos num espaço de probabilidade ( ; F; P ) ; e com uma …ltração fHt g
tal que fBt g é um fHt g-movimento Browniano, e tais que fXt g e fBt g sat-
isfazem a EDE
Z t Z t
Xt = X0 + b (s; Xs ) ds + (s; Xs ) dBs (6.17)
0 0

nesse espaço de probabilidade.

Nesse caso, diz-se que ( ; F; P; fHt g ; fXt g ; fBt g) é uma solução fraca
("weak solution") de (6.17). Podem demonstrar-se os seguintes resultados
(para o leitor interessado, ver [5]):

Toda a solução forte é uma solução fraca.

CAPÍTULO 6. EQUAÇÕES DIFERENCIAIS ESTOCÁSTICAS 65

Diz-se que uma EDE satisfaz a propriedade de unicidade fraca se duas

soluções fracas têm a mesma distribuição (mesmas distribuições dimen-
sionalmente …nitas ou …dis). Se os coe…cientes satisfazem as condições
do teorema de existência e unicidade, então a EDE satisfaz a pro-
priedade de unicidade fraca.
A existência de de soluções fracas pode garantir-se supondo apenas que
os coe…cientes b(t; x) e (t; x) são funções contínuas e limitadas.

Exemplo 6.11 Considere-se a EDE de Tanaka

dXt = sign (Xt ) dBt ;

X0 = 0;

onde
+1 se x 0
sign (x) :=
1 se x < 0:
Note-se que sign (x) não satisfaz a condição de Lipschitz (nem sequer é con-
tínua em 0). Logo, não se pode aplicar o teorema de existência e unicidade
neste caso. Pode mostrar-se que não existe nenhuma solução (no sentido
forte) para esta EDE, mas existe uma solução fraca (que é única) - Este
exemplo é explorado detalhadamente em [10].

Exercício 6.12 Considere o seguinte sistema de equações diferenciais es-

tocásticas:

dX(t) = 4e2t dt + t dW (t) com X(0) = 10:

dZ(t) = t2 + 3 sin t dt + 4 t dW (t); com Z(0) = 5:

a) Escreva a equação dada na forma integral.

b) Deduza a respectiva solução.

Exercício 6.13 O modelo Cox-Ingersoll-Ross (CIR) para o processo de taxa

de juro R(t) é
p
dR(t) = ( R (t)) dt + R (t) dW (t) ;

onde ; e são constantes positivas. A equação CIR não tem solução

fechada. Contudo, podem determinar-se o valor médio e a variância de R (t) :
a) Calcule o valor médio de R(t). (Sugestão: Seja X(t) = e t R(t): Use a
função f (t; x) = e t x; aplique a fórmula de Itô na forma diferencial, integre
e aplique o operador esperança).
CAPÍTULO 6. EQUAÇÕES DIFERENCIAIS ESTOCÁSTICAS 66

sn i

tn i tni+1
0 T

Figura 6.1: Partição

b) Calcule a variância de R(t). (Sugestão: Calcule d (X 2 (t)) aplicando a

fórmula de Itô na forma diferencial, integre e aplique o operador esperança).
c) Calcule lim V ar (R(t)) :
t!+1

6.7 Aproximações numéricas

Muitas equações diferenciais estocásticas não podem ser resolvidas explicita-
mente. Por isso, são necessários métodos numéricos para obter aproximações
das soluções. Considere-se a EDE:

dXt = b (Xt ) dt + (Xt ) dBt ;

com condição inicial X0 = x. Vamos de…nir uma sucessão de partições do

intervalo [0; T ], onde cada partição é de…nida pelos pontos ti = iTn , i =
0; 1; : : : ; n e o comprimento de cada subintervalo da partição é n = Tn
Vamos agora apresentar o método de Euler de diferenças …nitas. Os
valores exactos da solução são
Z ti Z ti
X (ti ) = X (ti 1 ) + b (Xs ) ds + (Xs ) dBs : (6.18)
ti 1 ti 1

A aproximação de Euler de…ne-se por

Z ti
b (Xs ) ds b (X (ti 1 )) n;
ti 1
Z ti
(Xs ) dBs (X (ti 1 )) Bi ;
ti 1

onde Bi := B (ti ) B (ti 1 ) : Finalmente, o esquema de Euler é de…nido

por

X (n) (ti ) = X (n) (ti 1 ) + b X (n) (ti 1 ) n + (X (ti 1 )) Bi ; (6.19)

CAPÍTULO 6. EQUAÇÕES DIFERENCIAIS ESTOCÁSTICAS 67

i = 1; 2; : : : ; n. Em cada intervalo (ti 1 ; ti ), o valor de X (n) é obtido por

interpolação linear.
O erro de aproximação é de…nido por
s
2
(n)
en := E XT XT : (6.20)

Para o esquema de Euler, pode mostrar-se que

p
eEul
n c n;

onde c é uma constante.

Como simular uma trajectória da solução usando o método de Euler?
Basta aplicar o seguinte procedimento.

1. Simular os valores de n variáveis aleatórias com distribuição normal

N (0; 1): 1 ; 2 ; : : : ; n .
p
2. Substituir Bi em (6.19) por i n e determinar os valores de X (n) (ti )
usando o esquema por recorrência (6.19).

3. Em cada intervalo (ti 1 ; ti ) determinar X (n) por interpolação [Link]

X (n) (ti 1 ) e X (n) (ti ).

Discutiremos agora um outro método de diferenças …nitas - o método de

Milstein. Para apresentar este método, é necessário aplicar a fórmula de Itô
a b (Xt ) e a (Xt ) ; considerando ti 1 t ti . Obtemos
Z ti Z ti
b (Xs ) ds = [b (X (ti 1 )) +
ti 1 ti 1
Z s Z s
0 1 00 2
+ bb + b (Xr ) dr + ( b0 ) (Xr ) dBr ds;
ti 1 2 ti 1
Z ti Z ti
(Xs ) dBs = [ (X (ti 1 )) +
ti 1 ti 1
Z s Z s
0 1 00 2
+ b + (Xr ) dr + ( 0 ) (Xr ) dBr dBs :
ti 1 2 ti 1

Exercício 6.14 Prove esta igualdade.

A partir da eq. (6.18), obtemos

X (n) (ti ) X (n) (ti 1 ) = b (X (ti 1 )) n + (X (ti 1 )) Bi + Ri :

CAPÍTULO 6. EQUAÇÕES DIFERENCIAIS ESTOCÁSTICAS 68

Pode mostrar-se que o termo dominante de Ri é o integral estocástico duplo

Z ti Z s
( 0 ) (Xr ) dBr dBs ;
ti 1 ti 1

sendo os outros termos de ordem mais baixa e desprezáveis. A aproximação

de Milstein é
Z ti Z s
Ri ( 0 ) (Xr ) dBr dBs
ti 1 ti 1
Z ti Z s
0
( ) (X (ti 1 )) dBr dBs
ti 1 ti 1

e
Z ti Z s Z ti
dBr dBs = (Bs B (ti 1 )) dBs
ti 1 ti 1 ti 1
Z ti
= Bs dBs B (ti 1 ) (B (ti ) B (ti 1 ))
ti 1

1h 2 i
= Bti Bt2i 1 n B (ti 1 ) (B (ti ) B (ti 1 ))
2
1
= ( Bi )2 n ;
2
Rt
onde, para calcular tii 1 Bs dBs ; se pode usar a fórmula de Itô aplicada a
f (Bt ) = Bt2 .
O esquema de Milstein é
X (n) (ti ) = X (n) (ti 1 ) + b X (n) (ti 1 ) n + (X (ti 1 )) Bi
1
+ ( 0 ) (X (ti 1 )) ( Bi )2 n :
2
Pode mostrar-se que o erro da aproximação de Milstein é
eM
n
il
c n:

6.8 Propriedade de Markov

As soluções de EDE’s dizem-se processos de difusão. Seja X = fXt ; t 0g
um processo de difusão (de dimensão n) que satisfaz a EDE:
dXt = b (t; Xt ) dt + (t; Xt ) dBt ; (6.21)
onde B é um movimento Browniano m-dimensional e b e satisfazem as
condições do teroema de existência e unicidade.
CAPÍTULO 6. EQUAÇÕES DIFERENCIAIS ESTOCÁSTICAS 69

De…nição 6.15 Diz-se que um processo X = fXt ; t 0g é um processo de

Markov se 8s < t, temos

E [f (Xt ) jXr ; r s] = E [f (Xt ) jXs ] :

para qualquer função limitada e mensurável f de…nida em Rn .

Em particular, se C Rn e é mensurável, temos:

P [Xt 2 CjXr ; r s] = P [Xt 2 CjXs ] :

Essencialmente, a propriedade de Markov a…rma que "os valores futuros de

um processo dependem só do seu valor presente e não dos valores passados
(se o valor presente for conhecido)". A lei de probabilidade dos processos de
Markov é descrita pelas probabilidades de transição

P (C; t; x; s) := P (Xt 2 CjXs = x) ; 0 s < t:

P ( ; t; x; s) é a lei de probabilidade de Xt condicionada a Xs = x. Se esta

probabilidade condicionada tiver densidade, representamo-la por:

p (y; t; x; s) :

Exemplo 6.16 O movimento Browniano é um processo de Markov com

probabilidades de transição:
!
1 (x y)2
p (y; t; x; s) = p exp : (6.22)
2 (t s) 2 (t s)

De facto

P [Bt 2 CjFs ] = P [Bt Bs + Bs 2 CjFs ]

= P [Bt Bs + x 2 C] jx=Bs
= P [Bt 2 CjBs = x] ;

onde se usaram as propriedades da esperança condicionada e o facto de Bt

Bs ser independente de Fs e de Bs ser conhecido dada a "informação"Fs (ou
seja, Bs é Fs -mensurável).
Mas como Bt Bs + x tem dist. Normal com média x e variância t s,
então a densidade da probabilidade de transição é (6.22).

Vamos agora introduzir alguma notação útil. Representaremos por fXts;x ; t sg

a solução da EDE (6.21) de…nida em [s; +1) e com condição inicial Xss;x = x.
Se s = 0, usamos a notação Xt0;x = Xtx .
CAPÍTULO 6. EQUAÇÕES DIFERENCIAIS ESTOCÁSTICAS 70

Proposição 6.17 Temos as seguintes propriedades

1. Existe uma versão contínua (em todos os parâmetros s; t; x) do

processo fXts;x ; 0 s t; x 2 Rn g.
2. Para qualquer t s, temos
s;Xsx
Xtx = Xt . (6.23)

Proof. Prova de (2): Xtx satisfaz a EDE

Z t Z t
x x x
Xt = Xs + b (u; Xu ) du + (u; Xux ) dBu :
s s

Por outro lado, Xts;y satisfaz

Z t Z t
s;y s;y
Xt = y + b (u; Xu ) du + (u; Xus;y ) dBu :
s s

s;X x
Substituindo y por Xsx obtemos que Xtx e Xt s são soluções da mesma EDE
em [s; +1) e com a mesmo condição inicial Xsx . Logo, pelo teorema de
s;X x
existência e unicidade, a solução é única e Xtx = Xt s .

Teorema 6.18 (propriedade de Markov dos processos de difusão) Seja f

uma função limitada e mensurável em Rn . Então, para qualquer 0 s t,
temos
E [f (Xt ) jFs ] = E [f (Xts;x )] jx=Xs (6.24)

Proof. Por (6.23) e pelas propriedades da esperança condicionada, temos:

E [f (Xt ) jFs ] = E [f (Xts;x ) jFs ] = E [f (Xts;x )] jx=Xs ;

porque Xts;x é independente de Fs e Xs é conhecido a partir da "informação"Fs

(i.e., Xs é Fs -mensurável). Aplica-se a propriedade 7 da esperança condi-
cionada.
Os processos de difusão são processos de Markov. As probabilidades de
transição de um processo de difusão são dadas por

P (C; t; x; s) = P (Xts;x 2 C).

Se um processo de difusão é homogéneo no tempo (os coe…cientes b e não

dependem de t) então a propriedade de Markov (6.24) pode escrever-se:

E [f (Xt ) jFs ] = E f Xtx s jx=Xs :

CAPÍTULO 6. EQUAÇÕES DIFERENCIAIS ESTOCÁSTICAS 71

Exercício 6.19 Calcule as probabilidades de transição do processo de Ornstein-

Uhlenbeck com reversão para a média.

Solução 6.20 A EDE é

dXt = a (m Xt ) dt + dBt :

A solução em [s; +1), com condição inicial Xs = x, é

Z t
s;x a(t s) at
Xt = m + (x m) e + e ear dBr :
s
nR o
t
Então, como s ear dBr ; t s é um processo Gaussiano com média e var-
iância (ver exemplo em aula anterior), temos que

E [Xts;x ] = m + (x m) e a(t s)
;
2
Var [Xts;x ] = 1 e 2a(t s)
:
2a
A probabilidade de transição é

P ( ; t; x; s) = Distribuição de Xts;x :

Logo, é uma distribuição normal com a média e a variância dadas acima.

6.9 Cálculo de Stratovonich e EDE’s de Stratonovich

No
R t integral estocástico de Itô para processos contínuos, quando de…nimos
u dBs usando somas do tipo Riemann-Stieltjes, usamos sempre o valor
0 s
do processo u no ponto tj 1 e assumimos que o processo é constante em
[tj 1 ; tj ) : Como consequência, o valor esperado do integral de Itô é nulo e
a sua variância pode calcular-se usando a propriedade de isometria de Itô.
Além disso, o integral de Itô inde…nido é uma martingala. A desvantagem
do integral de Itô é que na "regra da cadeia"(ou fórmula de Itô) aparece um
termo de 2a ordem (termo que não aparece no cálculo clássico).
RT
O integral de Stratonovich 0 us dBs de…ne-se como o limite em prob-
abilidade da sucessão:
X
n
1
uti 1
+ uti Bi ;
i=1
2

com ti = iTn . Coloca-se a questão: qual a relação entre o integral de Itô e o

integral de Stratonovich?
CAPÍTULO 6. EQUAÇÕES DIFERENCIAIS ESTOCÁSTICAS 72

Se u é um processo de Itô da forma

Z t Z t
ut = u0 + s ds + s dBs : (6.25)
0 0

então é possível mostrar que

Z T Z T Z T
1
us dBs = us dBs + s ds:
0 0 2 0

A "fórmula de Itô"para o integral estocástico de Stratonovich coincide com

a regra da cadeia para o cáculo clássico. De facto, se u é um processo da
forma (6.25) e Z Z t t
Xt = X 0 + vs ds + us dBs
0 0
então pode mostrar-se que

df (Xt ) = f 0 (Xt ) dXt

Uma EDE no sentido de Itô pode ser transformada numa EDE no sentido de
Stratonovich, usando a fórmula que relaciona ambos os integrais:

EDE de Itô:
Z t Z t
Xt = X0 + b (s; Xs ) ds + (s; Xs ) dBs :
0 0

EDE de Stratonovich equivalente:

Z t Z Z
1 t 0
t
Xt = X0 + b (s; Xs ) ds ( ) (s; Xs ) ds + (s; Xs ) dBs :
0 2 0 0

Isto, porque a decomposição de Itô de (t; Xt ) é

Z t Z t
0 1 00 2 0
(t; Xt ) = (0; X0 )+ b (s; Xs ) ds+ ( ) (s; Xs ) dBs :
0 2 0
Capítulo 7

Relações entre EDE’s e EDP’s

7.1 Gerador ou operador in…nitesimal de uma

difusão
Considere uma difusão n-dimensional X que satisfaz a EDE

dXt = b (t; Xt ) dt + (t; Xt ) dBt ;

X 0 = x0

onde B é um movimento Browniano m-dimensional. Assuma que b e satis-

fazem as condições do teorema de existência e unicidade de EDE’s. Considere
que b : R+ Rn ! Rn , : R+ Rn ! M (n; m), onde M (n; m) é o conjunto
de matrizes n m e x0 2 Rn :

De…nição 7.1 O gerador ou operador in…nitesimal associado à difusão X é

o operador diferencial de 2a ordem A de…nido por
X
n
@h 1X
n
@ 2h
T
Ah (t; x) := bi (t; x) + i;j
(t; x) ;
i=1
@xi 2 i;j=1 @xi @xj

onde h é uma função de classe C 1;2 de…nida em R+ Rn .

O operador in…nitesimal é também designado por operador de Dynkin,

operador de Itô ou "Kolmogorov backward operator". Veremos agora qual a
relação entre a difusão X e o operador A. Pela fórmula de Itô, se f (t; x) é uma
função de classe C 1;2 , então f (t; Xt ) é um processo de Itô com "diferencial":

@f
df (t; Xt ) = (t; Xt ) + Af (t; Xt ) dt + [rx f (t; Xt )] (t; Xt ) dBt ; (7.1)
@t

73
CAPÍTULO 7. RELAÇÕES ENTRE EDE’S E EDP’S 74

onde o gradiente se de…ne como:

@f @f
rx f = ;:::; :
@x1 @xn
Note-se que se
Z t 2
@f
E (t; Xt ) i;j (t; Xt ) ds < 1; (7.2)
0 @xi
para todo o t > 0 e para todo i; j, então os integrais estocásticos em (7.1)
estão bem de…nidos e são martingalas, pelo que
Z t
@f
Mt = f (t; Xt ) (s; Xs ) + Af (s; Xs ) ds
0 @s
é uma martingala. Uma condição su…ciente para que (7.2) seja satisfeita é
que as derivadas parciais @f
@s
(s; Xs ) tenham crescimento linear, i.e.

@f
(t; x) C (1 + jxj) :
@xi

7.2 Fórmulas de Feynman-Kac

A equação diferencial parcial
@F
(t; x) + AF (t; x) = 0; (7.3)
@t
F (T; x) = (x)

é uma EDP parabólica com condição terminal (em T ). A EDP anterior

também se pode escrever como (supondo n = 1, para simpli…car a notação)
@F @F 1 2 @ 2F
(t; x) + b (t; x) + (t; x) = 0; (7.4)
@t @x 2 @x2
F (T; x) = (x):

Em vez de resolver a EDP analiticamente vamos tentar obter a solução

usando uma "fórmula de representação estocástica". Suponhamos que existe
uma solução F . Fixemos t e x e de…namos o processo X em [t; T ] como a
solução da EDE

dXs = b (s; Xs ) ds + (s; Xs ) dBs ;

Xt = x:
CAPÍTULO 7. RELAÇÕES ENTRE EDE’S E EDP’S 75

O operador in…nitesimal associado a X é

@ 1 2 @2
A = b (t; x) + (t; x) 2 ;
@x 2 @x
que é exactamente o operador que aparece na EDP (7.3) ou (7.4). Aplicando
a fórmula de Itô a F , temos (ver (7.1))
Z T
@F
F (T; XT ) = F (t; Xt ) + (s; Xs ) + AF (s; Xs ) ds
t @s
Z T
@F
+ (s; Xs ) (s; Xs ) dBs :
t @x
Mas @F@s
(s; Xs ) + AF (s; Xs ) = 0 e aplicando o valor esperado (considerando
o valor inicial Xt = x), obtemos
Et;x [F (T; XT )] = Et;x [F (t; Xt )] ;
supondo que o integral estocástico está bem de…nido e portanto o seu valor es-
perado é zero. Como, pelos valores na fronteira, Et;x [F (T; XT )] = Et;x (XTt;x )
e Et;x F t; Xtt;x = F (t; x), temos
F (t; x) = Et;x (XTt;x ) ;
sendo esta a representação estocástica da solução da EDP (7.4).
Proposição 7.2 (fórmula de Feynman-Kac) Suponhamos que F é solução
do problema de valores na fronteira (7.4). Suponhamos que (s; Xs ) @F @x
(s; Xs )
R t @f
2
é um processo em L2 (i.e. E 0 @x i
(t; Xt ) i;j (t; Xt ) ds < 1). Então

F (t; x) = Et;x (XTt;x ) ;

onde Xst;x satisfaz
dXs = b (s; Xs ) ds + (s; Xs ) dBs ;
Xt = x:
Proposição 7.3 (fórmula de Feynman-Kac) Suponhamos que F é solução
R t @f 2
do problema (7.3). Suponhamos que E 0 @x i
(t; Xt ) i;j (t; Xt ) ds < 1;
para todo o t > 0 e para todo i; j. Então
F (t; x) = Et;x (XTt;x ) ;
onde Xst;x satisfaz
dXs = b (s; Xs ) ds + (s; Xs ) dBs ;
Xt = x:
CAPÍTULO 7. RELAÇÕES ENTRE EDE’S E EDP’S 76

Considere-se agora uma função q(x) contínua e limitada inferiormente,

com q 2 C (Rn ) e a equação diferencial parcial (EDP)
@F
(t; x) + AF (t; x) q(x)F (t; x) = 0; (7.5)
@t
F (T; x) = (x)

com condição terminal (em T ). A EDP anterior também se pode escrever

como (supondo n = 1, para simpli…car a notação)

@F @F 1 2 @ 2F
(t; x) + b (t; x) + (t; x) q(x)F (t; x) = 0; (7.6)
@t @x 2 @x2
F (T; x) = (x):

Em vez de resolver a EDP analiticamente vamos tentar obter a solução us-

ando uma "fórmula de representação estocástica". Suponhamos que existe
uma solução F . Fixemos t e x e de…namos o processo X em [t; T ] como a
solução da EDE

dXs = b (s; Xs ) ds + (s; Xs ) dBs ;

Xt = x:

O operador in…nitesimal associado a X é

@ 1 2 @2
A = b (t; x) + (t; x) ;
@x 2 @x2
que é exactamente o operador que aparece na EDP (7.5) ou (7.6). Aplicando
Rt
a fórmula de Itô a g (t; Xt ) = exp 0
q (Xs ) ds F (t; Xt ) e integrando entre
t e T , temos
Z T Z t
exp q (Xs ) ds F (T; XT ) = exp q (Xs ) ds F (t; Xt ) +
0 0
Z T R
s @F
+ e 0 q(Xr )dr (s; Xs ) + AF (s; Xs ) q (Xs ) F (s; Xs ) ds
t @s
Z T Z s
@F
+ exp q (Xr ) dr (s; Xs ) (s; Xs ) dBs :
t 0 @x

Mas @F
@s
(s; Xs )+AF (s; Xs ) q (Xs ) F (s; Xs ) = 0 e aplicando o valor esperado
(considerando o valor inicial Xt = x), obtemos
Z T
Et;x exp q (Xs ) ds F (T; XT ) = Et;x [F (t; Xt )] ;
t
CAPÍTULO 7. RELAÇÕES ENTRE EDE’S E EDP’S 77

supondo que o integral estocástico está bem de…nido e portanto o seu valor
esperado é zero. Como
Z T Z T
Et;x exp q (Xs ) ds F (T; XT ) = Et;x exp q (Xs ) ds (XTt;x )
t t

e Et;x F t; Xtt;x = F (t; x), temos

Z T
F (t; x) = Et;x exp q Xst;x ds (XTt;x ) ;
t

sendo esta a representação estocástica da solução da EDP (7.5) ou (7.6).

Proposição 7.4 (fórmula de Feynman-Kac 2) Seja F solução do problema
(7.5) ou (7.6). Considere-se que (s; Xs ) @F
@x
(s; Xs ) é um processo em L2a;T
R T @F 2
(i.e. E 0 @x (s; Xs ) (s; Xs ) ds < 1). Então
Z T
F (t; x) = Et;x exp q Xst;x ds (XTt;x ) ;
t

onde Xst;x satisfaz

dXs = b (s; Xs ) ds + (s; Xs ) dBs ;
Xt = x:
Nota: Considerando que q(x) é contínua e limitada inferiormente, uma
RT Rs 2
condição su…ciente para que E 0 exp 0
q (Xr ) dr @F
@x
(s; Xs ) (s; Xs ) ds <
1 é que a derivada @F
@x
(s; x) tenha crescimento linear, i.e.
@F
(s; x) C (1 + jxj) :
@x

7.3 Relação entre a equação do calor e o movi-

mento Browniano
Seja f uma função contínua e com crescimento polinomial. A função
u (t; x) = E [f (Bt + x)]
satisfaz a equação do calor
@u 1 @ 2u
= ;
@t 2 @x2
u (0; x) = f (x) :
CAPÍTULO 7. RELAÇÕES ENTRE EDE’S E EDP’S 78

De facto, como Bt tem distribuição N (0; t), temos que

Z +1
1 (x y)2
E [f (Bt + x)] = f (y) p e 2t dy;
1 2 t
(x y)2
e a função p1 e 2t , para cada y …xo, satisfaz a equação do calor @u
=
2 t @t
1@2u
2 @x2
A função x ! u (t; x) representa a distribuição de temperaturas numa
:
barra de comprimento in…nito, supondo que o per…l inicial de temperaturas
é dado pela função f (x).

7.4 A equação Backward de Kolmogorov

Consideremos uma difusão homgénea no tempo X que satisfaz a EDE

dXt = b (Xt ) dt + (Xt ) dBt ;

X0 = x:

O gerador in…nitesimal associado não depende do tempo e é dado por

X
n
@f 1X
n
@ 2f
T
Af (x) := bi (x) + i;j
(x) ; (7.7)
i=1
@xi 2 i;j=1 @xi @xj

Aplicando a fórmula de Itô a f (Xs ), obtemos

df (Xs ) = Af (Xs ) ds + [rx f (Xs )] (Xs ) dBs :

e aplicando o valor esperado

Z t
E [f (Xtx )] = f (x) + E [Af (Xs )] ds:
0

Considere-se a função
u (t; x) = E [f (Xtx )] :
Por (??), a função u é diferenciável em t e satisfaz a equação:

@u
= E [Af (Xtx )] :
@t
A expressão E [Af (Xtx )] pode representar-se como função de u. Para tal,
vamos introduzir o domínio do operador in…nitesimal.
CAPÍTULO 7. RELAÇÕES ENTRE EDE’S E EDP’S 79

De…nição 7.5 O domínio DA do gerador in…nitesimal A é o conjunto de

funções f : Rn ! R tais que o limite seguinte existe para todo o x 2 Rn :

E [f (Xtx )] f (x)
Af (x) = lim : (7.8)
t&0 t

Por (??), temos que C02 (Rn ) DA e se f 2 C02 (Rn ), o limite (7.8) é
igual a Af dado por (7.7). A função u (t; x) satisfaz uma EDP - a equação
"Backward"de Kolmogorov:

Teorema 7.6 Seja f 2 C02 (Rn ).

a) Seja u (t; x) = E [f (Xtx )]. Então u (t; ) 2 DA e satisfaz a equação
(EDP "backward"de Kolmogorov)

@u
= Au; (7.9)
@t
u (0; x) = f (x) :

b) Se w 2 C 1;2 ([0; 1) Rn ) é uma função limitada que satisfaz a EDP

(7.9), então
w (t; x) = E [f (Xtx )] :

Proof. a) Basta calcular o limite

E [u (t; Xrx )] u (t; x)

Au = lim
r&0 r
Pela propriedade de Markov, temos

E [u (t; Xrx )] = E E [f (Xty )] jy=Xrx

x
= E f Xt+r = u (t + r; x) :

Então, como t ! u (t; x) é diferenciável, temos

E [u (t; Xrx )] u (t; x) u (t + r; x) u (t; x)

lim = lim
r&0 r r&0 r
@u
= :
@t
b) Considere-se o processo de dimensão n + 1:

Yt = (s t; Xtx ) :
CAPÍTULO 7. RELAÇÕES ENTRE EDE’S E EDP’S 80

A fórmula de Itô aplicada a w (Yt ), resulta em

Z t
@w
w (Yt ) = w (s; x) + Aw (s r; Xrx ) dr
0 @r
Z tXn X m
@w
+ (s r; Xrx ) i;j (Xrx ) dBrj
0 i=1 j=1 @x i

@w
Como Aw = @t
, obtemos
Z tXn X m
@w
w (Yt ) = w (s; x) + (s r; Xrx ) i;j (Xrx ) dBrj
0 i=1 j=1 @xi

Pretendemos agora aplicar o valor esperado, mas como não foi imposta nen-
huma condição sobre o crescimento das derivadas parciais de w, não sabemos
se a esperança dos integrais estocásticos é zero.
Por isso, introduzimos um tempo de paragem R para R > 0, dado por
R := inf ft > 0 : jXtx j Rg :
@w
Se r R , o processo @xi (s r; Xrx ) i;j (Xrx ) é limitado e os integrais es-
tocásticos estão bem de…nidos e a sua esperança é zero. Logo,
E [w (Yt^ R )] = w (s; x)
e fazendo R ! 1, temos para todo t 0:
E [w (Yt )] = w (s; x) :
Finalmente, com s = t e usando w (0; x) = f (x), temos
w (s; x) = E [w (Ys )] = E [w (0; Xsx )] = E [f (Xsx )] :
De forma análoga, pode provar-se o seguinte teorema (ver [10]).
Teorema 7.7 Seja f 2 C02 (Rn ) e q 2 C (Rn ), com q limitada inferiormente.
a) Seja Z t
v (t; x) = E exp q (Xsx ) ds f (Xtx )
0
. Então v (t; ) 2 DA para cada t e satisfaz a equação EDP
@v
= Av qv; (7.10)
@t
v (0; x) = f (x) :
b) Se w 2 C 1;2 ([0; 1) Rn ) é uma função limitada em cada [0; T ] Rn
e que satisfaz a EDP (7.10), então
w (t; x) = v (t; x) :
CAPÍTULO 7. RELAÇÕES ENTRE EDE’S E EDP’S 81

Na demonstração do teorema anterior foi necessário recorrer ao con-

ceito de tempo de paragem ("stopping time") relativamente a uma …ltração
fFt ; t 0g, que é uma variável aleatória

: ! [0; +1]

tal que, para todo o t 0, temos que f! : (!) tg 2 Ft . Podemos decidir

se "paramos ou não"antes de um instante t a partir da informação contida
em Ft .

Exemplo 7.8 O tempo de chegada de um processo contínuo e adaptado X =

fXt ; t 0g a um nível a, i.e.

a := inf ft > 0 : Xt = ag

é um tempo de paragem. De facto, temos que

f tg = sup Xs a = sup Xs a 2 Ft
0 s t 0 s t;s2Q

Podemos associar a um tempo de paragem a -álgebra F formada

pelos conjuntos G tais que

G\f tg 2 Ft

Os tempos de paragem satisfazem as propriedades (ver [9]):

1. Se fMt ; t 2 [0; T ]g é uma martingala contínua e é um tempo de par-

agem limitado por T , então

E [MT jF ] = M :

2. Se u 2 L2a;T e é um tempo de paragem limitado por T , o processo

u1[0; ] também pertence a L2a;T e temos que
Z T Z
u1[0; ] (t) dBt = u (t) dBt
0 0
Capítulo 8

Teorema de Girsanov

O teorema de Girsanov diz-nos, na sua versão mais simples, que o movimento

Browniano com deriva: B et = Bt + t, pode ser visto como um movimento
Browniano standard se mudarmos a medida de probabilidade. Em termos
mais gerais, o teorema de Girsanov diz-nos que se mudarmos o coe…ciente de
deriva de um processo de Itô então a lei do processo não muda radicalmente.
A lei do novo processo de Itô será absolutamente contínua relativamente
à lei do processo original e podemos calcular explicitamente a derivada de
Radon-Nikodym.

8.1 Mudanças de medida de probabilidade

Suponha que L 0 é uma variável aleatória de média 1 de…nida no esp. de
probab. ( ; F; P ) : Então
Q(A) = E [1A L]
de…ne uma nova medida de probabilidade. É claro que Q( ) = E [L] = 1: E
Q(A) = E [1A L] é equivalente a
Z Z
1A dQ = 1A LdP:

Diz-se que L é a densidade de Q relativamente a P e escreve-se

dQ
= L:
dP
L também se diz a derivada de Radon-Nikodym de Q relativamente a P .
O valor esperado de uma v.a. X de…nida no esp. de probab. ( ; F; P )
calcula-se pela fórmula
EQ [X] = E [XL] :

82
CAPÍTULO 8. TEOREMA DE GIRSANOV 83

A medida de probabilidade Q é absolutamente contínua relativamente a P ,

o que signi…ca que
P (A) = 0 =) Q(A) = 0:
Se a variável aleatória L é estritamente positiva (L > 0), as probabilidades
P e Q são equivalentes (ou seja, mutuamente absolutamente contínuas), o
que signi…ca que
P (A) = 0 () Q(A) = 0:

8.2 Teorema de Girsanov

Seja X uma v.a. com distribuição N (m; 2 ). Existe uma medida de probab.
Q em relação à qual X tenha distribuição N (0; 2 )?
Considere a v.a.
m m2
L = exp 2
X + :
2 2
É fácil veri…car que E [L] = 1. Basta considerar a densidade da distribuição
normal N (m; 2 ) e temos que
Z +1 !
m m2 1 (x m)2
E [L] = exp 2
x+ 2 p exp dx
1 2 2 2 2
Z +1
1 x2
= p exp dx = 1:
2 1 2 2
Suponha que a medida de probabilidade Q tem densidade L em relação a
P . Então, no espaço de probabilidade ( ; F; Q), a v.a. X tem a função
característica:
EQ eitX = E eitX L
Z +1 !
1 m m2 (x m)2
= p exp itx 2
x + exp dx
2 1 2 2 2 2
Z +1
1 x2 2 t2
= p exp itx dx = e 2 :
2 1 2 2
Conclusão: X tem distribuição N (0; 2 ). Para a forma geral da função
característica de uma distribuição normal ver, por exemplo, o apêndice de
[10] sobre distribuições normais.
Seja fBt ; t 2 [0; T ]g um movimento Browniano. Fixemos um número real
e consideremos a martingala:
2
Lt = exp Bt t : (8.1)
2
CAPÍTULO 8. TEOREMA DE GIRSANOV 84

Exemplo 8.1 Prove que o processo estocástico fLt ; t 2 [0; T ]g é uma mar-
tingala positiva com esperança 1 e que satisfaz a EDE:

dLt = Lt dBt;
L0 = 1:

2
A variável aleatória LT = exp BT 2
T é uma densidade no espaço
de probabilidade ( ; FT ; P ), pela qual se de…ne a nova medida de probabili-
dade
Q (A) = E [1A LT ] ;
para qualquer A 2 FT .
2
Como fLt ; t 2 [0; T ]g é uma martingala, então a v.a. Lt = exp Bt 2
t
é uma densidade no espaço de probabilidade ( ; Ft ; P ) e neste espaço
a medida de probab. Q tem precisamente a densidade Lt .

De facto, se A 2 Ft , temos que:

Q(A) = E [1A LT ] = E [E [1A LT jFt ]]

= E [1A E [LT jFt ]] = E [1A Lt ] ;

onde se aplicaram as propriedades da esperança condicionada e a pro-

priedade de martingala de fLt ; t 2 [0; T ]g.

Teorema 8.2 (Teorema de Girsanov I): No espaço de probabilidade ( ; FT ; Q),

onde Q é de…nida por Q (A) = E [1A LT ], o processo estocástico

et = Bt + t
B

é um movimento Browniano.

Antes de provar o teorema de Girsanov, precisamos do seguinte Lema.

Lema 8.3 Suponha que X é uma v.a. real e que G é uma -álgebra tal que:
u2 2
E eiuX jG = e 2 :

Então, a variável aleatória X é independente da -álgebra G e tem uma dist.

normal N (0; 2 ).
CAPÍTULO 8. TEOREMA DE GIRSANOV 85

Ver a demonstração do Lema em [9], págs. 63-64.

Proof. (Teorema de Girsanov) É su…ciente mostrar que em ( ; FT ; Q), o
incremento B et B es , com s < t T , é independente de Fs e tem distribuição
normal N (0; t s). Tendo em conta o Lema anterior, isto é consequência da
seguinte relação:
h i u2
e e
EQ 1A eiu(Bt Bs ) = Q (A) e 2 (t s) ; (8.2)

para todo s < t, A 2 Fs e u 2 R. De facto, se (8.2) se veri…car então,

por de…nição da esperança condicionada e pelo Lema anterior, temos que
Bet B es é independente de Fs e tem distribuição normal N (0; t s).
Prova da igualdade (8.2):
h i h i
e e e e
EQ 1A eiu(Bt Bs ) = E 1A eiu(Bt Bs ) Lt
h 2 i
= E 1A eiu(Bt Bs )+iu (t s) (Bt Bs ) 2 (t s) Ls
2
= E [1A Ls ] E e(iu )(Bt Bs )
eiu (t s) 2
(t s)

(iu )2 2
(t s)+iu (t s) (t s)
= Q(A)e 2 2

u2
(t s)
= Q(A)e 2 ;
onde se usou a de…nição de EQ e de Lt , a independência de (Bt Bs ) de Ls
e A e a de…nição de Q.

8.3 Teorema de Girsanov - versão geral

Teorema 8.4 (Teorema de Girsanov II): Seja f t ; t 2 [0; T ]g um processo
estocástico adaptado que satisfaz a condição de Novikov:
Z
1 T 2
E exp dt < 1: (8.3)
2 0 t
Então, o processo estocástico
Z t
et = Bt +
B s ds
0

é um movimento [Link] à medida Q de…nida por Q (A) =

E [1A LT ], onde
Z t Z
1 t 2
Lt = exp s dBs ds :
0 2 0 s
CAPÍTULO 8. TEOREMA DE GIRSANOV 86

Note-se que Lt satisfaz a EDE linear

Z t
Lt = 1 s Ls dBs :
0

Para que o processo Lt seja uma densidade é necessário que E [Lt ] = 1 e a

condição (8.3) é su…ciente para garantir que E [Lt ] = 1. A segunda versão do
teorema de Girsanov generaliza a primeira versão. Note-se que com t ,
voltamos a obter a versão anterior.

8.4 Modelos de mercados …nanceiros

8.5 O modelo de Black-Scholes
As equações diferenciais que de…nem o modelo de Black-Scholes são as seguintes:

dB (t) = rB (t) dt; (8.4)

dSt = St dt + St dW t ; (8.5)

onde r; e são constantes. Representa-se por B (t) o preço de um activo

sem risco (obrigação ou depósito bancário) - é uma função determinista,
St é o processo de preço de um activo com risco (acção ou índice) e é um
processo estocástico, W t é um movimento Browniano standard relativamente
à medida de probabilidade original P , r é a taxa de juro sem risco, é a
taxa de rendibilidade média do activo com risco e é a volatilidade do activo
com risco. Já sabemos que a solução de (8.5) é o movimento Browniano
geométrico:
1 2
St = S0 exp t + Wt :
2
Consideremos um direito contingente (por exemplo, um derivado …nan-
ceiro), com payo¤ da forma

= (S (T )) : (8.6)

Assume-se que este derivado …nanceiro pode ser negociado no mercado e que
o seu processo de preço é da forma:

(t) = F (t; St ) ; t 2 [0; T ] ; (8.7)

CAPÍTULO 8. TEOREMA DE GIRSANOV 87

onde F é uma função diferenciável de classe C 1;2 . Aplicando a fórmula de

Itô a (8.20) e considerando (8.5), obtemos
2
@F @F 1 2 @F
dF (t; St ) = (t; St ) + St (t; St ) + St2 (t; St ) dt
@t @x 2 @x2
@F
+ St (t; St ) dW t :
@x
Ou seja,

t Z
@F
F (t; St ) = F (0; S0 ) + (r; Sr ) + AF (r; Sr ) dr
0 @t
Z t
@F
+ Sr (r; Sr ) dW r ;
0 @x
onde
@f 1 2 2 @ 2f
Af (t; x) = x(t; x) + x (t; x)
@x 2 @x2
é o operador in…nitesimal associado à difusão St com EDE (8.5). Também
podemos escrever:

d (t) = (t) t dt + (t) t dW t ; (8.8)

onde
@F 2
@t
(t; St ) + St @F
@x
(t; St ) + 1
2
2
St2 @@xF2 (t; St )
(t) = ; (8.9)
F (t; St )
St @F
@x
(t; St )
(t) = : (8.10)
F (t; St )
Consideramos uma carteira ou portfolio (at ; bt ), onde:

at é o número de acções ou unidades do activo com risco no portfolio

no instante t.
bt é o número de obrigações (ou número de unidades do activo sem
risco) no instante t.

Se at é negativo, então é porque temos posição curta em acções (acções

vendidas "a descoberto"). Se bt é negativo, então é porque temos posição
curta no activo sem risco. O valor da carteira no instante t é

V (t) = at St + bt Bt :
CAPÍTULO 8. TEOREMA DE GIRSANOV 88

Supõe-se que a carteira é auto-…nanciada,.isto é, que

dVt = at dSt + bt dBt :

Uma carteira auto-…nanciada é uma carteira para a qual a variação do seu

valor é causada apenas pela variação do preço dos activos. Também podemos
considerar uma carteira com outros dois activos: o activo com risco subja-
cente e o activo derivado. Sejam uS (t) e u (t) as quantidades relativas de
cada um destes activos na carteira (uS (t) + u (t) = 1). A dinâmica do valor
desta carteira (que também se supõe auto-…nanciada) é dada por

dSt d t
dVt = uS (t) Vt + u (t) Vt :
St t

Substituindo (8.5) e (8.8), obtemos

dVt = Vt [uS (t) + u (t) (t)] dt

+ V [uS (t) + u (t) (t)] dW t :

8.6 Ausência de arbitragem e equação de Black-

Scholes
Vamos de…nir a carteira (uS (t) ; u (t)) de forma a que a parte estocástica de
dVt seja nula. Sejam uS (t) ; u (t) soluções do sistema de equações lineares

uS (t) + u (t) = 1;
uS (t) + u (t) (t) = 0:

Este sistema tem a solução:

(t)
uS (t) = ;
(t)
u (t) = :
(t)

Substituindo (8.10) nas expressões, obtemos:

St @F
@x
(t; St )
uS (t) = ; (8.11)
St @F
@x
(t; St ) F (t; St )
F (t; St )
u (t) = : (8.12)
St @F
@x
(t; St ) F (t; St )
CAPÍTULO 8. TEOREMA DE GIRSANOV 89

Com esta carteira, temos (valor da carteira sem diferencial estocástico):

dVt = Vt [uS (t) + u (t) (t)] dt: (8.13)

Uma oportunidade de arbitragem num mercado …nanceiro é uma carteria

auto-…nanciada h tal que:

V h (0) = 0;
V h (T ) > 0 q:c:

Uma oportunidade de arbitragem é uma possibilidade de obter um lucro

positivo a partir do "nada"com probabilidade 1.
O princípio de ausência de arbitragem diz basicamente o seguintes: dado
um derivado com preço (t), consideramos que (t) é tal que não há opor-
tunidades de arbitragem no mercado.

Proposição 8.5 Se um portfolio auto…nanciado h é tal que o valor do port-

folio tem dinâmica
dV h (t) = k (t) V h (t) dt;
onde k (t) é um processo adaptado, então temos que ter k (t) = r para todo
o t, ou existirão oportunidades de arbitragem.

Para mais detalhes sobre o princípio de ausência de arbitragem, recomenda-

se a consulta de [1].
Pelo princípio de ausência de arbitragem temos, a partir de (8.13), que

uS (t) + u (t) (t) = r (8.14)

Substituindo (8.9), (8.11) e (8.12) na condição de não arbitragem (8.14),

obtemos
@F @F 1 2 @ 2F
(t; St ) + rSt (t; St ) + St2 (t; St ) rF (t; St ) = 0:
@t @x 2 @x2
Além disso, é claro que na maturidade ou data de vencimento do derivado,
temos
(T ) = F (T; ST ) = (S (T )) (8.15)
Podemos portanto enunciar o teorema seguinte.

Teorema 8.6 (Eq. de Black-Scholes): Assuma que o mercado é especi…-

cado pelas eqs. (8.4)-(8.5) e que queremos avaliar um derivado com payo¤
CAPÍTULO 8. TEOREMA DE GIRSANOV 90

da forma (8.6). Então, a única função de preço da forma (8.20) que é con-
sistente com o princípio de ausência de arbitragem é a solução F do seguinte
problema de valores na fronteira, de…nido no domínio [0; T ] R+ :
2
@F @F 1 2 2@ F
(t; x) + rx (t; x) + x (t; x) rF (t; x) = 0; (8.16)
@t @x 2 @x2
F (T; x) = (x) :

Note-se que para defuzir a Equação de Black-Scholes (8.16), assumimos

que o preço do derivado é da forma (t) = F (t; St ) e que existe um mer-
cado para o derivado. Acontece que para derivados negociados "over the
counter"(OTC), esse não é normalmente o caso. Para resolver este prob-
lema, veremos agora como deduzir a equação (8.16) sem considerar estas
hipóteses.
Considere-se a carteira (h0 (t) ; h (t)) onde h0 (t) é número de obrigações
(ou número de unidades do activo sem risco) e h (t) é o número de acções
no instante t. O valor da carteira no instante t é

V h (t) = h0 (t) Bt + h (t) St :

Supõe-se que a carteira é auto-…nanciada, isto é que

dVth = h0 (t) dBt + h (t) dSt :

Na forma integral, temos

Z t Z t
h
Vt = V0 + h (s) dSs + h0 (s) dBs
0 0
Z t Z t
0
= V0 + h (s) Ss + rh (s) Bs ds + h (s) Ss dW s : (8.17)
0 0

Assuma-se que o direito contingente (ou derivado …nanceiro) tem payo¤ da

forma:
= (S (T )) : (8.18)
e é replicável pelo portfolio h = (h0 (t) ; h (t)). Isto é, assume-se VTh = =
(S (T )) q.c. Então, o único processo de preço compatível com o princípio
de ausência de arbitragem é

(t) = Vth ; t 2 [0; T ] : (8.19)

Assumimos ainda que

(t) = Vth = F (t; St ) : (8.20)
CAPÍTULO 8. TEOREMA DE GIRSANOV 91

onde F é uma função diferenciável de classe C 1;2 . Aplicando a fórmula de

Itô a (8.20) e considerando (8.5), obtemos
@F @F 1 2 @ 2F
dF (t; St ) = (t; St ) + St (t; St ) + St2 (t; St ) dt
@t @x 2 @x2
@F
+ St (t; St ) dW t :
@x
Ou seja,

Z t
@F
F (t; St ) = F (0; S0 ) + (s; Ss ) + AF (s; Ss ) ds
0 @t
Z t
@F
+ Ss (s; Ss ) dW s ; (8.21)
0 @x
onde
@f 1 2 2 @ 2f
Af (t; x) = x (t; x) + x (t; x)
@x 2 @x2
é o gerador in…nitesimal associado à difusão St com EDE (8.5). Comparando
(8.17) e (8.21), temos que
@F
h (s) Ss = Ss (s; Ss ) ;
@x
@F
h (s) Ss + rh0 (s) Bs = (s; Ss ) + AF (s; Ss ) :
@t
Portanto
@F
(s; Ss ) = h (s) ;
@x
@F @F 1 2 @ 2F
(s; Ss ) + rSs (s; Ss ) + Ss2 (s; Ss ) rF (s; Ss ) = 0:
@t @x 2 @x2
Temos então:

Uma carteira h com valor Vth = F (t; St ) ; constituída à custa de activos

com risco de preço St e de activos sem risco com preço Bt .
A carteira h replica em cada instante t o direito contingente (ou derivado)
. e
(t) = Vth = F (t; St ) :

Em particular:
F (T; ST ) = (S (T )) = Payo¤.
CAPÍTULO 8. TEOREMA DE GIRSANOV 92

A carteira deve ser continuamente actualizada com aquisição (ou venda)

de h (t) shares do activo com risco e h0 (t) unidades do activo sem risco,
onde
@F
h (t) = (t; St ) ;
@x
V h h (t) St F (t; St ) h (t) St
h0 (t) = t = :
Bt Bt
A função de preço do derivado satisfaz a equação diferencial parcial (equação
de Black-Scholes)

@F @F 1 2 @ 2F
(t; St ) + rSt (t; St ) + St2 (t; St ) rF (t; St ) = 0:
@t @x 2 @x2
Teorema 8.7 (Eq. de Black-Scholes): Assuma que o mercado é especi…cado
pelas eqs. (8.4)-(8.5) e que queremos avaliar um derivado com payo¤ da
forma (8.6). Então, a única função de preço que é consistente com o princípio
de ausência de arbitragem é a solução F do seguinte problema de valores na
fronteira, de…nido no domínio [0; T ] R+ :
2
@F @F 1 2 2@ F
(t; x) + rx (t; x) + x (t; x) rF (t; x) = 0; (8.22)
@t @x 2 @x2
F (T; x) = (x) :

A equação de Black-Scholes pode ser resolvida por via analítica ou por

via probabílista. Aplicando a fórmula de Feynman-Kac, temos o seguinte
resultado.

Proposição 8.8 (Fórmula de Feynman-Kac): Assuma que F é solução do

problema de valores na fronteira
@F @F 1 2 @ 2F
(t; x) + (t; x) (t; x) + (t; x) (t; x) rF (t; x) = 0; (8.23)
@t @x 2 @x2
F (T; x) = (x) :
Rt 2
Assuma que (s; Xs ) @F
@x
(s; Xs ) é um processo em L2 (i.e. E 0
@F
@x
(s; Xs ) (s; Xs ) ds <
1). Então
F (t; x) = e r(T t) Et;x [ (XT )] ;
onde X satisfaz

dXs = (s; Xs ) ds + (s; Xs ) dBs ;

Xt = x:
CAPÍTULO 8. TEOREMA DE GIRSANOV 93

Aplicando a fórmula de Feynman-Kac da proposição anterior à eq. (8.22),

obtemos:
F (t; x) = e r(T t) Et;x [ (XT )] ; (8.24)
onde X é um processo estocástico com dinâmica:

dXs = rXs ds + Xs dW s ; (8.25)

Xt = x:

Note-se que o processo X não é o nosso processo S, pois o "drift"de X é

rX e não X. Ou seja, S tem como taxa local de rendibilidade , enquanto
X tem como taxa local de rendibilidade a taxa de juro sem risco r. A ideia
agora é "passar"do processo X para o processo S aplicando o teorema de
Girsanov.

8.7 A medida de martingala e a avaliação neu-

tra face ao risco
Denotemos por P a medida de probabilidade original (medida de probabili-
dade "objectiva"). A dinâmica-P do processo S é a dada em (8.5). Note-se
que (8.5) é equivalente a

r
dSt = rSt dt + St dt + dW t

r
= rSt dt + St d t + Wt :
| {z }
Wt

Pelo Teorema de Girsanov, existe uma medida de probabilidade Q tal que

no espaço de probabilidade ( ; FT ; Q), o processo
r
Wt := t + Wt

é um movimento Browniano e S tem a dinâmica (sob Q):

dSt = rSt dt + St dWt : (8.26)

Considere-se a notação seguinte: E denota o valor esperado sob a medida

original P , E Q denota o valor esperado sob a nova medida Q (medida re-
sultante da aplicação do teorema de Girsanov), W t denota o movimento
CAPÍTULO 8. TEOREMA DE GIRSANOV 94

Browniano original (sob a medida P ) e Wt denota o movimento Browniano

sob a medida Q.
Voltando a (8.24) e (8.25), tendo em conta que sob a medida Q as equações
(8.25) e (8.26) são as mesmas, podemos representar a solução da Equação de
Black-Scholes por
Q
F (t; s) = e r(T t) Et;s [ (ST )] ;
onde a dinâmica de S sob a medida Q é

dSt = rSt dt + St dWt :

Podemos enunciar …nalmente o teorema que nos dá uma fórmula de avaliação

do direito contingente em termos da nova medida Q.

Teorema 8.9 O preço (na ausência de arbitragem) do direito contingente

(ST ) é dado pela fórmula
r(T t) Q
F (t; St ) = e Et;s [ (ST )] ; (8.27)

onde a dinâmica de S sob a medida Q é

dSt = rSt dt + St dWt :

No modelo de Black-Scholes, o coe…ciente de difusão pode depender de

t e S - função (t; St ) - os cálculos seriam análogos nessa situação aos que
acabamos de efectuar.
A medida Q designa-se por medida equivalente de martingala. A razão
para esta terminologia tem a ver com o facto de que o processo descontado
St
Set :=
Bt
ser uma Q-martingala (martingala sob a medida Q). De facto,

St 1
Set = =e rt
St = e rt
S0 exp 2
t + Wt
Bt 2
1 2
= S0 exp t + Wt
2

é uma martingala.
CAPÍTULO 8. TEOREMA DE GIRSANOV 95

8.8 Fórmula de Black-Scholes

Calculando explicitamente o preço do derivado, temos
Q
er(T t)
F (t; s) = Et;s [ (ST )]
Q 1 2
= Et;s s exp r (T t) + (WT Wt )
2
= EQ seZ ;
1 2 1 2 2
onde Z = r 2
(T t)+ (WT Wt ) N r 2
(T t) ; (T t) :
Logo, Z +1
r(T t)
F (t; s) = e (sey ) f (y) dy; (8.28)
1

onde f é a densidade da v.a. gaussiana Z. A fórmula integral (8.28), para

uma função dada, deve em geral ser calculada usando métodos numéricos.
Existem contudo alguns casos particulares em que (8.28) pode ser obtida de
forma analítica. Por exemplo, para uma opção Europeia de compra (do tipo
"call") com payo¤

(x) = (x K)+ = max (x K; 0) ;

temos
Z +1
r(T t)
F (t; s) = e max (sey K; 0) f (y) dy
1
Z +1
r(T t)
=e (sey K) f (y) dy
ln(K=s)
Z +1 Z +1
r(T t) y
=e s e f (y) dy K f (y) dy (8.29)
ln(K=s) ln(K=s)
CAPÍTULO 8. TEOREMA DE GIRSANOV 96

e o primeiro integral pode ser calculado da seguinte forma:

Z +1
ey f (y) dy =
ln(K=s)
1 2 2
(y (r )(T t))
Z +1 exp y 2
2
2 (T t)
= p dy
ln(K=s) 2 (T t)
1 2
2 2 (T t)y (y (r 2
)(T t))
Z +1 exp 2 2 (T
2
t)
= p dy
ln(K=s) 2 (T t)
2
(y (r+ 12 2 )(T t))
Z +1 exp 2 2 (T t)
= er(T t)
p dy
ln(K=s) 2 (T t)
2
1 (y (r+ 12 2 )(T t))
Mas p exp 2 2 (T t)
é a função densidade de uma v.a.
2 (T t)
Z com distribuição N r + 12 2 (T t) ; 2 (T t) e portanto
Z +1
ey f (y) dy = er(T t) Q (Z ln (K=s))
ln(K=s)
!
1 2
ln (K=s) r + (T t)
= er(T t) Q Z p 2
(T t)
!
1 2
ln (s=K) + r + (T t)
= er(T t) Q Z p 2
(T t)
= er(T t)
N [d1 (t; s)] ;
onde N [x] é a função de distribuição cumulativa da distribuição N (0; 1) e
ln (s=K) + r + 12 2 (T t)
d1 (t; s) = p :
(T t)
O segundo integral pode ser calculado da seguinte forma.
Z +1
f (y) dy = Q (Z ln (K=s))
ln(K=s)
!
ln (K=s) r 12 2 (T t)
=Q Z p
(T t)
!
ln (s=K) + r 21 2 (T t)
=Q Z p = N [d2 (t; s)] ;
(T t)
CAPÍTULO 8. TEOREMA DE GIRSANOV 97

onde N [x] é a função de distribuição cumulativa da distribuição N (0; 1) e

1 2
ln (s=K) + r 2
(T t)
d2 (t; s) = p
(T t)

Voltando à eq. (8.29), obtemos

r(T t)
F (t; s) = e ser(T t)
N [d1 (t; s)] KN [d2 (t; s)]
r(T t)
= sN [d1 (t; s)] e KN [d2 (t; s)]

e esta é a conhecida Fórmula de Black-Scholes:

r(T t)
F (t; s) = sN [d1 (t; s)] e KN [d2 (t; s)] :

Exercício 8.10 Deduza a fórmula de Black-Scholes a partir de (8.27) para

uma opção de venda europeia (ou opção "put"com payo¤ (ST ) = max (K ST ; 0)).
Bibliogra…a

[1] Tomas Björk, Arbitrage Theory in Continuous Time, 2nd Edition. Ox-
ford University Press, 2004.
[2] Zdzislaw Brzezniak and Tomasz Zastawniak, Basic Stochastic Processes.
Springer, 1999.
[3] Marek Capinski and Ekkehard Kopp, Measure, Integral and Probability.
Springer, 1998.
[4] Robert Jarrow and Philip Protter, A short history of stochastic integra-
tion and mathematical …nance: The early years, 1880–1970. IMS Lecture
Notes Monograph, vol. 45 (2004), pages 1–17.
[5] Ioannis Karatzas and Steven Shreve, Brownian Motion and Stochastic
Calculus, 2nd edition. Springer, 1991.
[6] Peter E. Kloeden and Platen, Numerical Solution of Stochastic Di¤er-
ential Equations. Springer, 1992.
[7] Thomas Mikosch, Elementary Stochastic Calculus with Finance in view.
World Scienti…c, 1998.
[8] Daniel Müller, Probabilidade e processos estocásticos: uma abordagem
rigorosa com vista aos modelos em …nanças. Coimbra, Almedina, 2011.
[9] David Nualart, Stochastic Calculus (Lecture notes, Kansas University),
[Link] 2008.
[10] Bernt Oksendal, Stochastic Di¤erential Equations, 6th Edition.
Springer, 2003.
[11] Daniel Revuz and Marc Yor, Continuous martingales and Brownian mo-
tion. Third Edition. Springer, 1999.
[12] Steven Shreve, Stochastic Calculus for Finance II: Continuous-Time
Models. Springer, 2004.

98