Volatilidade Explicada Usando Distribuições de Probabilidade: A Matemática que os Investidores Usam

A volatilidade é o preço de entrada nos mercados — e as distribuições de probabilidade são o mapa.

Volatilidade, reduzida ao seu significado matemático

No discurso quotidiano de investimento, volatilidade soa como “o mercado está em pânico.” Na matemática do investimento, volatilidade é mais específica: é uma medida de dispersão dos retornos. Dispersão significa o quão espalhados estão os resultados em torno de um valor central, normalmente uma média.

Se acompanhas os retornos de uma ação ao longo do tempo — diário, semanal, mensal — estás a construir um conjunto de dados. No momento em que perguntas “Qual é um movimento típico?” ou “Com que frequência ocorrem movimentos extremos?” estás a pedir um modelo de probabilidade. Esse modelo é uma distribuição de probabilidade: atribui probabilidades a possíveis retornos.

Duas distinções importantes importam logo de início:

• Volatilidade não é direção. Uma ação pode ser volátil enquanto sobe, desce ou se mantém lateral.
• Volatilidade não é o mesmo que risco, a menos que definires risco como variabilidade de resultados. Muitos investidores se preocupam mais com resultados negativos do que com a variabilidade positiva, razão pela qual as distribuições (e as suas caudas) se tornam cruciais.

Quando vês um número como “20% de volatilidade anualizada”, esse número é uma forma abreviada. Compacta a forma completa dos resultados possíveis numa única estatística — útil, mas incompleto.

Os retornos são variáveis aleatórias (e isso não é um insulto)

Em linguagem de probabilidade, um retorno é uma variável aleatória. Isso não significa “caos imprevisível”; significa “assume diferentes valores com alguma frequência.” Observas amostras (retornos históricos), estimas uma distribuição e depois calculas quantidades que te interessam: variância, probabilidade de queda, perda na cauda, e assim por diante.

Seja (R) um retorno num período. Uma distribuição fornece:

• uma média (E[R]) (retorno esperado)
• uma variância (Var(R)) e desvio padrão (\sigma) (volatilidade)
• assimetria (skewness)
• curtose (peso das caudas)

Se investir fosse apenas sobre retornos médios, compraríamos todos o ativo de média mais alta. Mas os resultados variam. A distribuição é a história; a volatilidade é uma frase dessa história.

A distribuição normal: por que aparece em todo o lado (e onde falha)

A distribuição normal é a clássica curva em sino. É matematicamente conveniente e muitas vezes usada como primeira aproximação para retornos — especialmente em modelos financeiros mais antigos e exemplos académicos.

Se os retornos fossem normalmente distribuídos com média (\mu) e desvio padrão (\sigma), obterias declarações de probabilidade familiares:

• Cerca de 68% dos retornos ficam dentro de (\mu \pm 1\sigma)
• Cerca de 95% dentro de (\mu \pm 2\sigma)
• Cerca de 99,7% dentro de (\mu \pm 3\sigma)

Isto é poderoso porque converte volatilidade em linguagem de probabilidade. Por exemplo, se a volatilidade diária for 1%, então um movimento diário de 2% é um “evento de dois sigma”, com aproximadamente 5% de probabilidade num mundo normal.

O problema: os mercados não vivem num mundo normal.

Por que a curva em sino ilude os investidores

As distribuições empíricas de retornos para ações, índices, FX e cripto frequentemente mostram:

• Caudas gordas: movimentos extremos acontecem mais vezes do que o modelo normal prevê.
• Assimetria (skew): movimentos descendentes podem ser mais acentuados do que os ascendentes (particularmente em ações).
• Agrupamento de volatilidade: períodos calmos e períodos de tempestade, não um (\sigma) constante.

Portanto, embora a normal seja um ponto de partida útil, tende a subestimar o risco de cauda — o risco que arruína carteiras e carreiras.

Volatilidade como variância: a definição clássica e a sua intuição

Matematicamente, volatilidade é normalmente o desvio padrão dos retornos:

[ \sigma = \sqrt{E[(R - \mu)^2]} ]

Algumas coisas estão embutidas nessa fórmula:

• Mede a distância típica à média.
• O quadrado penaliza grandes desvios, dando peso extra a movimentos grandes.
• Trata desvios positivos e negativos da mesma forma.

Esse último ponto é o motivo pelo qual alguns investidores reclamam que volatilidade não é “risco verdadeiro”. Se estás long num ativo, a volatilidade positiva é agradável. Ainda assim, a variância conta-a como igualmente “arriscada”. As distribuições ajudam a refinar essa discussão.

Uma visão centrada na distribuição: a mesma volatilidade pode significar risco diferente

Dois ativos podem ter o mesmo desvio padrão mas resultados radicalmente diferentes. Considera:

• Ativo A: movimentos pequenos frequentes, quedas catastróficas raras.
• Ativo B: movimentos simétricos, sem quedas abruptas.

Ambos podem ter (\sigma = 15%) anualizada, mas as caudas são diferentes. Se a tua definição de risco inclui ruína, drawdowns ou chamadas de margem, então a forma da distribuição importa tanto quanto a sua dispersão.

É por isso que a gestão de risco profissional fala num vocabulário além da volatilidade: risco de cauda, risco de drawdown, risco de salto, convexidade, e exposição à cauda esquerda.

Preços lognormais e por que modelamos retornos em vez de preços

Os preços são normalmente positivos e podem compor. Uma escolha comum de modelização é:

• Preços são aproximadamente lognormais
• Retornos logarítmicos são mais próximos da normalidade (embora ainda imperfeitos)

Se (P_t) é o preço, o retorno logarítmico é:

[ r_t = \ln\left(\frac{P_t}{P_{t-1}}\right) ]

Os retornos logarítmicos somam-se bem ao longo do tempo, o que se ajusta à capitalização. Também alinham-se com modelos usados na precificação de opções.

Mas aqui está o essencial: mesmo que os log-retornos pareçam “mais normais”, os mercados reais continuam a mostrar caudas gordas e volatilidade variável. Logo, lognormal é uma suposição simplificadora, não uma garantia.

Agrupamento de volatilidade: distribuições que mudam ao longo do tempo

Uma razão pela qual a volatilidade parece viva é que ela é variável no tempo. Mercados calmos produzem distribuições apertadas; mercados em crise alargam-nas e espessam as caudas.

Esta é a ideia por detrás de modelos de volatilidade condicional como GARCH: a distribuição do retorno de amanhã depende do ambiente de volatilidade de hoje. Em termos simples:

• Grandes movimentos tendem a ser seguidos por grandes movimentos.
• Dias tranquilos tendem a ser seguidos por dias tranquilos.

Assim, em vez de uma única distribuição estática, os investidores frequentemente lidam com uma família de distribuições — um alvo em movimento.

Caudas, percentis e por que os investidores se preocupam com “quão mau pode ser?”

Uma distribuição permite falar em percentis. Por exemplo, o retorno diário ao 5.º percentil é um limiar tal que apenas 5% dos dias são piores.

Isto é a base do Value at Risk (VaR):

• O VaR de 1 dia a 95% responde: “Que nível de perda vou exceder apenas 5% do tempo (sob as suposições do modelo)?”

Mas o VaR tem uma fraqueza notória: não diz quão severas podem ser as perdas além desse corte. Por isso muitas equipas de risco preferem o Expected Shortfall (ES), também chamado Conditional VaR:

• O ES responde: “Se estou nos piores 5% dos resultados, qual é a minha perda média?”

Tanto o VaR quanto o ES são questões de distribuição. A volatilidade sozinha não consegue respondê-las sem uma suposição distributiva.

Assimetria: quando a volatilidade esconde uma desagradável desigualdade

A assimetria mede se os retornos são simétricos em torno da média.

• Assimetria negativa: ganhos pequenos e frequentes e perdas grandes ocasionais (o clássico “apanhar moedas à frente de um rolo compressor”).
• Assimetria positiva: perdas pequenas e frequentes e ganhos grandes ocasionais (comum em algumas estratégias de compra de opções).

Duas estratégias podem ter a mesma volatilidade, no entanto uma tem assimetria negativa e expõe-te a drawdowns súbitos. Se olhas apenas para (\sigma), podes não ver o rolo compressor até ele chegar.

Isto importa para:

• estratégias de covered call
• operações short de volatilidade
• carry trades
• certos produtos de crédito

Parecem estáveis — até a cauda esquerda se manifestar.

Curtose: o multiplicador de caudas gordas

A curtose trata do peso das caudas. Nos dados de mercado, a excess kurtosis é muitas vezes positiva, significando que as caudas são mais gordas do que o normal prevê.

Caudas gordas mudam o sentido prático da volatilidade:

• Num modelo normal, um evento de 5 sigma é “quase impossível.”
• Num mundo de caudas gordas, é “raro, mas não absurdo.”

Essa mudança não é académica. Muda o dimensionamento de posições, a tolerância à alavancagem e a interpretação de backtests históricos. Uma estratégia que sobreviveu 10 anos de calma pode continuar frágil se implicitamente vende seguro de cauda.

Distribuições mistas: por que uma única curva em sino não serve

Uma forma simples de modelar a realidade é admitir que os mercados mudam de regime:

• Regime 1: baixa volatilidade (distribuição apertada)
• Regime 2: alta volatilidade (distribuição ampla)

Se misturares duas normais, muitas vezes obténs uma distribuição combinada que parece ter caudas gordas — mesmo que cada regime seja normal internamente. Esta abordagem de “mistura” corresponde à sensação de que os mercados têm humores.

Na prática, é por isso que modelos de risco que assumem uma volatilidade constante podem parecer adequados em períodos estáveis e depois falhar durante a turbulência: estavam a ajustar o regime errado.

_{Photo by Maxim Hopman on Unsplash}

De distribuição a volatilidade anualizada (e por que a escala não é inócua)

Os investidores frequentemente convertem volatilidade diária em volatilidade anualizada via:

[ \sigma_{annual} \approx \sigma_{daily} \sqrt{252} ]

Isto depende de suposições: os retornos são independentes, identicamente distribuídos, e a variância soma ao longo do tempo. Os mercados violam essas suposições — especialmente durante o agrupamento de volatilidade — ainda assim a escala continua a ser uma convenção amplamente usada.

É ainda útil, mas trata-a como um dispositivo de tradução, não física. A anualização ajuda a comparar ativos e a comunicar, mas pode mascarar mudanças de regime e comportamento de cauda.

Distribuições de probabilidade e volatilidade de carteira: a correlação é a alavanca escondida

Para uma carteira de dois ativos, a volatilidade depende de:

• a volatilidade de cada ativo
• a correlação entre eles

Uma fórmula simplificada da variância para dois ativos:

[ \sigma_p^2 = w_1^2\sigma_1^2 + w_2^2\sigma_2^2 + 2w_1w_2\sigma_1\sigma_2\rho_{12} ]

A correlação (\rho) é onde a diversificação vive ou morre. Se as correlações aumentam em crises (e frequentemente aumentam), então a distribuição da carteira muda exatamente quando precisas que não mude.

As distribuições reentram aqui porque as próprias correlações não são constantes; podem depender do regime. Uma carteira que parece diversificada num regime calmo pode tornar-se num único bloco de risco num regime stressado, espessando a cauda esquerda dos retornos da carteira.

Volatilidade implícita em opções: a distribuição do mercado disfarçada

A volatilidade histórica calcula-se a partir de retornos passados. A volatilidade implícita extrai-se dos preços das opções e reflete a precificação, pelo mercado, da incerteza.

A vol implícita não é um puro prognóstico do desvio padrão; também incorpora:

• oferta e procura por cobertura
• aversão ao risco e crash страх premiums
• assimetria distributiva (skew)

Os mercados de opções negociam efectivamente a distribuição completa, não apenas a sua largura. O famoso volatility smile/skew é o mercado a admitir: os retornos não são normais e as caudas não são simétricas.

Se puts profundas fora do dinheiro estão caras, é a distribuição a gritar que a cauda esquerda importa.

Uma maneira prática de “ver” a volatilidade através das distribuições

Em vez de olhar fixamente para um único número de volatilidade, os investidores podem observar alguns diagnósticos baseados em distribuição:

• Histograma de retornos: parece simétrico? caudas gordas?
• QQ plot vs normal: as caudas desviam-se fortemente?
• Volatilidade móvel: (\sigma) agrupa-se?
• Distribuição de drawdowns: quão profundas e longas são as perdas?
• Percentis de cauda (1%, 5%): como são os piores dias?
• Assimetria e curtose ao longo do tempo: a distribuição muda com os regimes?

Cada um destes é uma forma de perguntar: “Que distribuição estou realmente a negociar?”

Por que ativos de “baixa volatilidade” ainda podem ser perigosos

Algumas estratégias e ativos mostram retornos constantes com baixa volatilidade medida — até ao momento em que não o fazem. O problema é muitas vezes uma distribuição com:

• centro apertado (muitos resultados pequenos)
• cauda esquerda desagradável (rara mas de grandes perdas)

Operações short de volatilidade são o exemplo mais claro. Recolhem prémios pequenos a maior parte do tempo e depois sofrem durante picos. O desvio padrão pode parecer modesto numa amostra benigna, mas a distribuição tem exposição de cauda embutida.

Isto não é um juízo moral; é uma descrição matemática. O risco está concentrado na cauda.

A escolha chave do investidor: em que distribuição acreditas?

Cada métrica de risco assume silenciosamente uma distribuição, mesmo que não seja declarada. Quando alguém diz:

• “Um movimento diário de 10% é um evento de uma vez em dez anos”
• “Esta carteira tem um VaR de 99% de X”
• “Esta estratégia tem um Sharpe de 1,2”

…estão a apoiar-se em suposições distributivas: sobre caudas, independência, estacionaridade e comportamento de regime.

Um fluxo de trabalho de investimento saudável trata distribuições como modelos, não como verdade:

• Testar múltiplos ajustamentos distributivos (normal, t-distribution, misturas).
• Fazer cenários de stress que a história mal contém.
• Assumir que as correlações podem saltar.
• Perguntar o que acontece quando a própria volatilidade é volátil.

A volatilidade é a métrica de capa. As distribuições de probabilidade são o artigo completo.

Converter a perceção de distribuição em decisões melhores

Quando entendes a volatilidade através das distribuições, as decisões tornam-se mais claras:

• Dimensionamento de posições torna-se uma questão de cauda: que perda tolero no pior X%?
• Alavancagem torna-se um amplificador de distribuição: as caudas importam mais do que a média.
• Diversificação passa a ser correlação-em-crise, não correlação-na-média.
• Hedging passa a ser pagar por proteção da cauda esquerda quando ela está barata o suficiente em relação à tua fragilidade.
• Avaliação de desempenho muda de “quão suaves foram os retornos?” para “que forma de risco tomei para os obter?”

Em outras palavras, volatilidade não é apenas um número a reportar. É uma porta de entrada para a estrutura probabilística dos retornos — centro, dispersão, assimetria e caudas. Os investidores que duram geralmente são os que respeitam essa estrutura, especialmente a parte que está longe da média.

External Links

Volatility smiles and implied distributions - Trading Mate [PDF] Representation of probability distributions with implied volatility and … How to derive the implied probability distribution from B-S volatilities? Volatility Demystified: From Theory to Practice - The Risk Protocol Implied Volatility Explained | Options Trading Concept - YouTube