Distribuição Normal
A curva de Gauss: o fundamento do Black-Scholes, da teoria moderna de carteiras e de praticamente todos os modelos estatísticos clássicos em finanças.
O Sino e Seus Parâmetros
A distribuição normal — também chamada de gaussiana, em homenagem a Carl Friedrich Gauss, ou simplesmente de "sino", por causa da sua forma — é a distribuição de probabilidade mais importante da estatística. Ela é completamente caracterizada por apenas dois parâmetros: a média μ (mi), que determina onde ela está centrada, e o desvio padrão σ (sigma), que determina quão larga ela é. Sua fórmula de densidade de probabilidade é: f(x) = (1 / σ√(2π)) × e^(-(x-μ)² / 2σ²). O sino é simétrico em relação a μ, tem seu pico em μ e decai exponencialmente para os dois lados. A área total sob a curva é 1 (como em toda distribuição de probabilidade). Sua importância em finanças, e em geral, deriva do Teorema Central do Limite (TCL): a soma (ou a média) de muitas variáveis aleatórias independentes, cada uma com uma distribuição arbitrária, converge para uma distribuição normal. É isso que torna a normal onipresente: médias de medições experimentais, alturas de pessoas, erros de medição em engenharia, retornos de carteiras diversificadas — todos tendem a ser normais. Na precificação de opções, o Black-Scholes supõe que os retornos logarítmicos são normais (o equivalente a supor que os preços são lognormais; veja o próximo conceito). Essa premissa é matematicamente elegante e analiticamente tratável, o que permitiu que o modelo de 1973 fosse implementado em calculadoras básicas. Mas, como veremos, a realidade se desvia da normal de maneiras importantes.
Média, Mediana e Moda
Em uma distribuição normal, os três "indicadores de tendência central" — média, mediana e moda — coincidem exatamente. A média é a média aritmética dos valores, a mediana é o valor central (50% dos dados abaixo, 50% acima) e a moda é o valor mais frequente. Em distribuições simétricas como a normal, os três são iguais. Em distribuições assimétricas (como a lognormal dos preços financeiros ou as distribuições de retornos com skew negativo), esses três indicadores divergem, e cada um conta uma história diferente. A moda é o resultado mais provável em uma observação individual; a mediana é útil para distribuições com outliers grandes (a renda mediana de uma cidade é mais representativa que a média se Jeff Bezos morar lá); a média é o centro de massa e é o que você usaria para calcular valores esperados. Uma propriedade importante da normal: conhecer a média e o desvio padrão lhe dá toda a informação sobre a distribuição. Você não precisa saber mais nada. Essa parcimônia é matematicamente bela, mas perigosa em finanças — implica supor que a realidade tem a mesma elegância, o que muitas vezes não é o caso. Quando um analista diz "retornos com média de 8% e σ de 15%", está implicitamente supondo que a distribuição é normal; se não for (e raramente é), duas distribuições com esses mesmos parâmetros podem ter comportamentos muito diferentes nas caudas e, portanto, riscos muito diferentes.
68-95-99.7 Revisitado com Matemática Exata
A regra empírica 68-95-99.7 é uma aproximação. Os valores exatos de probabilidade dentro de ±Nσ da média são: 1σ → 68.27%, 2σ → 95.45%, 3σ → 99.73%, 4σ → 99.994%, 5σ → 99.99994%, 6σ → 99.9999998%. Essa queda exponencialmente rápida na probabilidade das caudas é conhecida como o problema das caudas finas da distribuição normal. Um evento de 5σ deveria ocorrer aproximadamente uma vez a cada 1.7 milhão de eventos. No trading diário (252 dias por ano), isso dá uma vez a cada 6,800 anos. No entanto, na história real dos mercados financeiros, eventos de 5σ segundo modelos com σ constante ocorrem várias vezes por década. Essa é a principal crítica empírica aos modelos que supõem normalidade: eles subestimam sistematicamente o risco de cauda. Exemplos históricos famosos: a Black Monday de 1987 foi um evento de ~22σ segundo premissas normais (probabilidade de 10⁻¹⁰⁷ sob a normal, menos provável que qualquer evento físico na idade do universo); o colapso de março de 2020, com vários episódios consecutivos de 3 a 4σ; o flash crash de 2010. A realidade é que as caudas das distribuições financeiras são grossas e seguem, antes, distribuições do tipo t de Student, Cauchy ou Lévy estável. Modelos mais sofisticados, como o de jump-diffusion (salto-difusão) de Merton (1976) ou o variance gamma de Madan, tentam capturar melhor essas caudas, mas ao custo de maior complexidade matemática.
Por que os Retornos NÃO São Normais (realidade empírica)
Apesar da suposta elegância da premissa de normalidade no Black-Scholes, a realidade empírica dos retornos financeiros mostra desvios sistemáticos. (1) Caudas grossas — os eventos extremos, tanto para cima quanto para baixo, ocorrem com muito mais frequência do que a normal prevê. A curtose dos retornos diários do SPX é de aproximadamente 10-20, contra 3 de uma normal. (2) Assimetria (skewness) negativa — os retornos financeiros tendem a ter caudas mais longas para baixo; os crashes são mais abruptos que as altas. Skewness típico do SPX mensal: −0.5 a −1.0 (contra 0 da normal). (3) Agrupamento de volatilidade: os retornos são heterocedásticos; os períodos de alta volatilidade se agrupam (pós-Lehman, COVID), e os períodos calmos também. A volatilidade não é um σ constante, mas um processo estocástico próprio. Modelos como GARCH e SV (Stochastic Volatility, volatilidade estocástica) tentam capturar isso. (4) Correlações dependentes do tempo — os retornos de um dia NÃO são completamente independentes dos do dia anterior; há autocorrelação no volume e autocorrelação na volatilidade absoluta (embora a autocorrelação dos retornos com sinal seja fraca em mercados eficientes). (5) Mudanças de regime: a média e a variância não são constantes, mas mudam entre regimes (bull/bear, alta vol/baixa vol). A consequência prática: modelos que adotam a normalidade como único enfoque subestimam o drawdown máximo, subestimam o risco de cauda e superestimam o benefício da diversificação em cenários de estresse.
Aplicação na Precificação de Opções
Apesar de suas imperfeições, a distribuição normal é a base da maioria dos modelos de precificação de opções. O Black-Scholes supõe que os retornos logarítmicos instantâneos são normais, com média (r − σ²/2) e desvio padrão σ. De forma equivalente, os preços futuros são lognormais. Essa premissa permite derivar a famosa fórmula analítica fechada de precificação. Os termos-chave d₁ e d₂ do Black-Scholes são transformações da distribuição normal padrão: N(d₂) é a probabilidade de a opção terminar ITM; S·N(d₁) é o valor esperado, a valor presente, do ativo-objeto recebido em caso de exercício. Toda a precificação se reduz a calcular áreas sob o sino da normal. As modificações do modelo para acomodar a realidade empírica incluem: (1) volatility smile/skew (sorriso e skew de volatilidade) — em vez de um σ constante, usar uma função σ(K, T) calibrada com os preços de mercado; (2) modelos com saltos — Merton (1976), Kou —, que acrescentam um termo de saltos de Poisson sobre a difusão normal; (3) modelos de volatilidade estocástica — Heston (1993), SABR, Bates —, em que o próprio σ segue um processo estocástico; (4) modelos não paramétricos, baseados na densidade implícita do mercado. Os formadores de mercado profissionais usam versões sofisticadas desses modelos; o operador pessoa física pode trabalhar com um Black-Scholes básico complementado pela intuição sobre o skew e as caudas grossas.
Distribuição Normal Padrão e Tabelas
A distribuição normal padrão é a normal com média 0 e desvio padrão 1 (N(0,1)). É denotada pela letra Z. É conveniente porque qualquer normal N(μ, σ²) pode ser padronizada em Z por meio da transformação Z = (X - μ) / σ. As tabelas estatísticas clássicas tabulam as probabilidades da distribuição Z para evitar calcular a integral da densidade a cada caso. Os valores críticos mais fáceis de memorizar: z = 1.0 → 84.13% (área à esquerda), z = 1.645 → 95% (valor crítico de um teste unicaudal a 5%), z = 1.96 → 97.5% (crítico para duas caudas a 5%), z = 2.326 → 99%, z = 2.58 → 99.5%, z = 3.09 → 99.9%. Esses valores aparecem: (1) nos intervalos de confiança, em que o intervalo de 95% é a média ± 1,96σ/√n; (2) nos testes de hipótese, rejeitando H₀ se |z| > 1,96 a 5%; (3) no valor em risco, em que o VaR de 95% equivale aproximadamente a 1,645σ multiplicado pelo valor da carteira. No Excel, a função NORM.S.DIST(z, TRUE) dá a probabilidade acumulada; NORM.S.INV(p) devolve o valor de z para um percentil dado. Em Python, scipy.stats.norm.cdf() e norm.ppf(). A normal padrão é o tijolo básico com o qual se constroem praticamente todos os testes estatísticos clássicos, os intervalos de confiança e os testes de normalidade (Shapiro-Wilk, Jarque-Bera).