Modelo de Bornholdt para simulação de mercados financeiros artificiais

Grupo: Leonardo Barcelos, Luana Bianchi e Rubens Borrasca

Alguns conceitos importantes

Retornos

Quando se trata de sistemas financeiros, os estudos se concentram mais no retorno dos ativos do que no preço em si, pois a série temporal dos retornos tem propriedades estatísticas mais interessantes que a série dos preços.

Sendo P(t) o preço de um ativo financeiro no instante t, e P(t-1) o preço do ativo no instante (t-1), o retorno linear do ativo é:

$r(t)={\frac {P(t)-P(t-1)}{P(t-1)}}$

Reescrevendo esta equação, obtemos que:

$r(t)+1={\frac {P(t)}{P(t-1)}}$

Aplicando a função logarítmica em ambos os lados da equação, e considerando que:

$ln(x+1)\approx x$

obtêm-se o retorno logarítmico, que é mais indicado quando se têm ativos voláteis, que possuem uma variação muito alta:

$r(t)=ln\left({\frac {P(t)}{P(t-1)}}\right)$

Considerando que neste estudo serão comparados retornos de diferentes índices, e também os retornos obtidos através das simulações com o modelo de Bornholdt, é importante normalizar os retornos:

${\bar {r}}_{n}={\frac {r_{n}-\langle r\rangle }{\sigma _{r}}}$

em que $\sigma _{r}$ é o desvio padrão da serie de retornos e $\langle r\rangle$ a média.

Distribuição dos Retornos

Quando se tem um volume considerável de dados é possível obter a distribuição probabilística deles. Para isso pode-se utilizar a estimação de densidade de Kernel (KDE). Ao observar uma pequena janela de tamanho h em torno de um ponto em análise, pode-se dizer que:

$\$P(x-h\leq x\leq x+h)\approx {\frac {1}{N}}\sum _{n}^{N}W(u)$

sendo $W(u)$ uma função kernel e $u$ uma variável tal que:

$u={\frac {x-x_{n}}{2h}}$

Para este estudo utilizou-se um kernel gaussiano:

$W(u)={\frac {1}{\sqrt {2\pi }}}e^{-{\frac {1}{2}}u^{2}}$

Este método foi aplicado para as séries de retorno para obter a distribuição deles, utilizando $h=0.5\sigma$.

Volatilidade

A volatilidade do retorno é o retorno ao quadrado. O interessante a se verificar é se a volatilidade tem memória, e para isso é preciso verificar se a auto correlação delas apresenta a formação de clusters de volatilidade. Para obter a auto correlação o teorema de Wiener-Khinchin foi utilizado, de forma que

$A(\tau )={\mathcal {F}}\{|S(\omega )|^{2}\}$

Simulações

Variação do tamanho da grade

Em Julia, 8000 passos de MC 16x16: 0.512 s 32x32: 2.332 s 50x50: 10.674 s 100x100: 154.134 s