Precificação de opções de ações com redes neurais recorrentes

• Ano de defesa: 2021
• Autor(a) principal: Silva, Fernando Ferreira da
• Orientador(a): Silva, Leandro Augusto da
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por; eng
• Instituição de defesa: Universidade Presbiteriana Mackenzie
• Palavras-chave em Português: redes neurais recorrentes LSTM; opções de ações; black-scholes
• Link de acesso: https://dspace.mackenzie.br/handle/10899/29386

A pandemia que assolou o mundo todo nos anos de 2020 e 2021 tem causado ao efeito econômico de ampla oferta de crédito. Para estimular a econômica, os Bancos Centrais ao redor do mundo cortaram as taxas de juros a valores próximo a zero. Depois de uma série de interrupções das operações nas Bolsas de Valores, profissionais do mercado financeiro viram uma oportunidade única de investimento em empresas para conseguir ganhos consideráveis em um curto espaço de tempo, gerando uma corrida por aportes que puxou os índices a níveis pré-pandêmicos. Assim, a importância de proteger o patrimônio investido utilizando opções, seguro contra oscilações no preço da cotação, tem ganhado grande destaque. O valor destas opções é calculado pelo modelo conhecido por ‘Black-Scholes’, que atualmente é o padrão para precificação de opções de vanilla (derivativos de ações, commodities, moeda estrangeira). No entanto, estudos indicam que as premissas assumidas pelo modelo de Black-Scholes são consideradas irrealistas para os cenários práticos de mercado. Assim, este trabalho propõe a utilização de redes de memória de curto e longo prazo (long short-term memory - LSTM), as quais são capazes de memorizar grandes sequências de dados e adequadas ao manuseio de dados sequenciais. O trabalho se utilizou de dados reais de mercado – cotação das opções e do ativo ‘PETR4’ (ticker de Petrobras PN N2), no período de janeiro de 2015 a dezembro de 2019. A rede LSTM fez predição dos valores das opções e os resultados foram comparados com o modelo de Black-Scholes e uma rede neural. Para analisar o desempenho, foram escolhidos três tipos de opções (ATM, OTM e ITM), medidos ano a ano. Por fim, examinaram-se dois eventos de alta e de baixa volatilidade e, com exceção das opções ITM, a rede LSTM obteve melhores resultados nos demais cenários, em comparação ao modelo de Black-Scholes, sendo a rede LSTM 209% superior que o modelo de Black-Scholes no evento de alta volatilidade.