Redes neurais para precificação de opções no mercado brasileiro

• Ano de defesa: 2024
• Autor(a) principal: Moura, João Lucas Moreira
• Orientador(a): Souza, Renato Rocha
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: VALE3; Precificação; Opções; Redes Neurais Recorrentes
• Palavras-chave em Inglês: LSTM
• Link de acesso: https://hdl.handle.net/10438/36086

Com os dados fornecidos pela B3 – Brasil, Bolsa, Balcão –, esta pesquisa analisou as cotações diárias de diversas opções da Vale do Rio Doce, VALE3, no período de 2015 a 2023. O principal objetivo foi desenvolver e avaliar um modelo de precificação de opções que capturasse as dependências temporais inerentes aos dados, proporcionando uma análise mais precisa e robusta do comportamento dessas opções ao longo do tempo. Para fins comparativos, foi utilizada a consagrada fórmula de Black Scholes, amplamente adotada no mercado de derivativos desde os anos 1970. Embora seja um modelo validado, o Black Scholes enfrenta limitações em cenários de alta volatilidade, por ser a única variável não observável do modelo, tornando-se um fator crítico para a precisão das previsões. Em resposta a essas limitações, foi desenvolvido um modelo de precificação de opções utilizando redes neurais recorrentes do tipo LSTM, que são particularmente adequadas para capturar ”memória“ de curto e longo prazo e para lidar com as dependências temporais e padrões dinâmicos dos dados financeiros. Assim, o modelo LSTM se apresenta como uma alternativa promissora ao tradicional Black Scholes, oferecendo maior flexibilidade na captura das dinâmicas temporais dos preços das opções.