Distribuição Lognormal
A distribuição que melhor modela os preços dos ativos financeiros — com assimetria positiva, incapaz de assumir valores negativos e base do Black-Scholes.
Lognormal = log(Normal)
Uma variável X segue uma distribuição lognormal se o seu logaritmo natural ln(X) segue uma distribuição normal. Dito de outra forma: se Y é normal com média μ e desvio σ, então X = e^Y é lognormal. Isso tem duas implicações imediatas e fundamentais: (1) a lognormal sempre assume valores positivos, porque e^Y > 0 para todo Y real; (2) a lognormal é assimétrica, com a cauda longa do lado direito (valores grandes). Os parâmetros da lognormal são herdados do log: μ (a média do log) e σ (o desvio do log). Mas a média e o desvio do X original (não do log) são diferentes: E[X] = e^(μ + σ²/2) e Var[X] = (e^(σ²) - 1) × e^(2μ + σ²). A densidade de probabilidade é: f(x) = (1 / (xσ√(2π))) × e^(-(ln(x) - μ)² / 2σ²) para x > 0. A forma gráfica: parte de 0, sobe até o pico (a moda) e decai do lado direito com uma cauda mais longa e mais grossa que a da normal. Para σ pequenos (por exemplo, 0.1), a lognormal parece quase uma normal deslocada; para σ grandes (por exemplo, 1.0), a assimetria é muito pronunciada.
Por que os Preços São Lognormais
A premissa de que os preços dos ativos seguem uma distribuição lognormal tem justificativa teórica e empírica. Teoricamente, se os retornos capitalizados de forma contínua (logarítmicos) são iid com distribuição normal, então os preços são lognormais. Isso decorre diretamente do fato de que a soma de normais é normal, e a exponencial de uma normal é lognormal. Empiricamente, a lognormal captura várias propriedades importantes dos preços reais: (1) preços positivos — um preço não pode ser negativo (deixando de lado casos excepcionais como os futuros de petróleo em abril de 2020); a normal permitiria preços negativos, a lognormal não; (2) assimetria para cima: os preços podem subir sem limite, mas só podem cair até 0, o que sugere assimetria positiva; (3) a capitalização composta: se uma ação cai 50% e depois sobe 50%, você não volta ao valor original ($100 → $50 → $75), um comportamento coerente com a lognormal mais do que com a normal. A lognormal é a base matemática do Movimento Browniano Geométrico (Geometric Brownian Motion, GBM), o modelo estocástico que o Black-Scholes usa para descrever a dinâmica do ativo-objeto: dS/S = μ·dt + σ·dW, em que W é um processo de Wiener. A solução dessa equação diferencial estocástica é S(t) = S(0) × exp((μ - σ²/2)t + σ·W(t)), ou seja, S(t) é lognormal em qualquer t.
Assimetria Positiva e Suas Consequências
Uma propriedade crítica da lognormal é a sua assimetria positiva: a cauda do lado direito é mais longa. Isso tem consequências práticas importantes para o trading de opções e a análise de retornos. (1) Média > Mediana > Moda: ao contrário da normal, em que as três coincidem, na lognormal a média (valor médio esperado) é maior que a mediana (percentil 50%), que por sua vez é maior que a moda (valor mais frequente). Se a μ do log é 0 e σ é 1: moda ≈ 0.37, mediana = 1.00, média ≈ 1.65. (2) Retorno esperado maior que o mediano: se os retornos são lognormais, o retorno esperado de um ativo supera o mediano. Isso é importante para o planejamento financeiro: mais de 50% dos investidores terão retornos abaixo da média quando as distribuições têm assimetria positiva, algo que parece contraintuitivo. (3) O efeito da capitalização: a assimetria positiva implica que pequenos retornos compostos de forma consistente podem gerar grandes ganhos finais; essa é a matemática por trás do "milagre dos juros compostos". (4) Sobrevivência em carteiras: com várias apostas lognormais independentes, a média da carteira não coincide com a sua mediana, porque a maior parte do retorno vem dos resultados de cauda, não dos centrais. Essa é a matemática por trás do venture capital e do investimento de cauda longa.
Implicações na Precificação de Opções
A premissa lognormal tem implicações diretas na precificação de opções. No Black-Scholes, o delta de uma call quando S = K (ATM) não é simplesmente 0.50 — é ligeiramente maior, porque o termo d₁ incorpora metade da variância (σ²/2) e a taxa de juros; já a probabilidade de terminar ITM, N(d₂), fica abaixo do delta, porque a assimetria positiva da lognormal puxa a mediana para baixo da média. Isso é coerente com a observação empírica de que as calls ATM têm delta entre 0,50 e 0,54 (não exatamente 0.50). As implicações práticas: (1) Probabilidade ITM de calls vs. puts — com o strike no preço a termo, uma put ATM tem probabilidade ligeiramente maior de terminar ITM que a call ATM equivalente, justamente por causa da assimetria positiva da lognormal; a call compensa com ganhos maiores na cauda direita; (2) Assimetria nos resultados esperados: uma call comprada tem potencial ilimitado, porque a lognormal admite preços arbitrariamente altos, enquanto uma put comprada tem o ganho limitado ao strike, porque o preço não pode ser negativo; daí nasce a assimetria natural entre calls e puts; (3) A previsão teórica sobre o sorriso: o Black-Scholes com σ constante prevê um sorriso completamente plano, mas, nos mercados reais, as puts OTM são mais caras (skew negativo em renda variável). Isso é coerente com o fato de os operadores saberem que a distribuição real tem caudas mais grossas para baixo do que a lognormal pura prevê. Os modelos mais sofisticados — Heston, SABR, os saltos de Merton — incorporam essa realidade.
Caudas Grossas: Quando Nem a Lognormal é Suficiente
Mesmo a lognormal, que melhora significativamente em relação à normal na modelagem de preços, subestima sistematicamente o risco de cauda real. Os retornos logarítmicos observados nos mercados mostram um excesso de curtose persistentemente maior do que a lognormal prevê. Isso motivou o desenvolvimento de modelos com distribuições de caudas mais grossas: (1) A distribuição t de Student, com seu parâmetro de graus de liberdade ν: com ν=3 a curtose é infinita e com ν=∞ ela é a normal; um ν entre 4 e 6 capta bem as caudas grossas observadas. (2) A hiperbólica generalizada, muito flexível: inclui como casos particulares a normal, a t de Student, a de Laplace e a gaussiana inversa. (3) As distribuições estáveis de Lévy, que admitem caudas tão pesadas quanto se queira, embora ao custo de a variância poder ser infinita: uma propriedade incômoda, mas realista em alguns mercados. (4) Os modelos de difusão com saltos: Black-Scholes mais saltos de Poisson. Merton (1976) foi o primeiro, e Kou (2002) acrescentou assimetria aos saltos. Eles captam os eventos discretos — gaps por resultados, choques de notícias — que a difusão pura não consegue captar. (5) O variance gamma e a normal-gaussiana inversa, modelos baseados em processos de Lévy. Na prática, os formadores de mercado sofisticados usam modelos híbridos que combinam volatilidade estocástica e saltos, calibrados com a superfície completa de volatilidades implícitas. Para o operador pessoa física, a conclusão é pragmática: os modelos com premissa lognormal subestimam o risco; sempre acrescente uma margem de segurança no dimensionamento da posição.
Uso Prático em Análise e Trading
A distribuição lognormal tem aplicações diárias no trading e na análise. (1) Cálculo do movimento esperado: para um horizonte T, o movimento de um desvio padrão fica em torno de S × σ × √T (supondo retornos lognormais com σ constante). É a base do movimento esperado que se cota antes de resultados ou eventos. (2) Cones de probabilidade: representações do intervalo provável de preços futuros. O cone se abre como um funil logarítmico, refletindo a assimetria da lognormal, com mais espaço percentual para cima do que para baixo. (3) Monte Carlo para precificar exóticas: simular milhares de trajetórias lognormais e tirar a média dos payoffs é uma técnica padrão para opções exóticas sem fórmula fechada. (4) Projeções de carteira: o Monte Carlo do valor terminal supondo retornos lognormais é o padrão dos programas de planejamento financeiro. (5) Precificação neutra ao risco: para precificar, usamos a lognormal neutra ao risco, com tendência (drift) r em vez do μ real, e não a distribuição real do mundo físico. Essa distinção é técnica, mas central: a densidade neutra ao risco implícita nos preços das opções costuma ter caudas mais grossas que a lognormal pura, refletindo o prêmio que os formadores de mercado cobram pelo risco de cauda. (6) Comparação de ativos: comparar os retornos anualizados de dois ativos é mais significativo se você supõe lognormalidade — os retornos compostos são aditivos no espaço logarítmico, não no de preços.