A carregar...
Publicação
PRIIP valuation and Monte Carlo analysis : SG EUR revolução automóvel 2018-2023
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 3.59 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
This study intends to provide a comprehensive analysis of a structured note linked to a bucket
of shares, issued by Société Générale on April 30th of 2018. The main objective of this project
is to contribute with a real-life scenario to a deeper understanding about the issuance and
commercialization of Structured Products, in the scope of Financial Engineering.
As such, it includes the product’s valuation using various methods, namely Monte Carlo
simulation, Binomial Tree model, and Black-Scholes formula. Furthermore, it comprises a
detailed comparison between Excel and Python concerning Monte Carlo’s implementation,
while also delving the optimal number of trials for accurate valuation.
It was found that Python is the most precise and robust approach in terms of error and
computational efficiency, when compared to Excel considering Monte Carlo Simulation. The
random number generator functions for both Python and Excel produced a similar impact on
the product's valuation, which highlights their optimization. Considering Monte Carlo
Simulation, as the number of simulations increases, it was observed a clear price convergence,
indicating more stable results and less error in the samples, reaching an optimal number of
131,298 simulations.
By examining these questions, this study aims to enhance the understanding of structured
products, their valuation methods, and the advantages of employing Python for this type of
problems. The findings contribute to the existing knowledge base in the scope of Financial
Engineering and provide insights for investors and decision-making processes in the field of
structured products.
Neste projeto, analisamos uma nota estruturada ligada a um conjunto de ações, emitido pela Société Générale a 30 de abril de 2018. O objetivo principal é contribuir com um caso prático para um melhor entendimento sobre a emissão e comercialização de Produtos Estruturados, no âmbito da Engenharia Financeira. Para tal, avaliámos o produto em questão usando vários métodos, nomeadamente a simulação de Monte Carlo, Árvores Binomiais e a fórmula de Black-Scholes. Além disso, abrange uma comparação detalhada entre Excel e Python no que diz respeito à implementação de Monte Carlo, explorando também o número ótimo de simulações para uma avaliação mais robusta. Constatamos que a abordagem em Python é a mais precisa em termos de erro e eficiência computacional, comparando com a implementação de Monte Carlo em Excel. O gerador de números aleatórios em Python e em Excel tiveram um impacto similar na avaliação do produto, o que evidencia a otimização das funções. Além disso, à medida que o número de simulações aumenta, observamos uma clara convergência de preços, indicando resultados mais estáveis e menos erro nos resultados, atingindo um número ótimo de 131.298 simulações. Ao aprofundar estas questões, este estudo visa aprimorar a compreensão dos produtos estruturados, os seus métodos de avaliação e as vantagens do uso do Python. Os resultados contribuem para a base de conhecimento existente no âmbito da Engenharia Financeira e fornecem maior clareza para investidores na tomada de decisão.
Neste projeto, analisamos uma nota estruturada ligada a um conjunto de ações, emitido pela Société Générale a 30 de abril de 2018. O objetivo principal é contribuir com um caso prático para um melhor entendimento sobre a emissão e comercialização de Produtos Estruturados, no âmbito da Engenharia Financeira. Para tal, avaliámos o produto em questão usando vários métodos, nomeadamente a simulação de Monte Carlo, Árvores Binomiais e a fórmula de Black-Scholes. Além disso, abrange uma comparação detalhada entre Excel e Python no que diz respeito à implementação de Monte Carlo, explorando também o número ótimo de simulações para uma avaliação mais robusta. Constatamos que a abordagem em Python é a mais precisa em termos de erro e eficiência computacional, comparando com a implementação de Monte Carlo em Excel. O gerador de números aleatórios em Python e em Excel tiveram um impacto similar na avaliação do produto, o que evidencia a otimização das funções. Além disso, à medida que o número de simulações aumenta, observamos uma clara convergência de preços, indicando resultados mais estáveis e menos erro nos resultados, atingindo um número ótimo de 131.298 simulações. Ao aprofundar estas questões, este estudo visa aprimorar a compreensão dos produtos estruturados, os seus métodos de avaliação e as vantagens do uso do Python. Os resultados contribuem para a base de conhecimento existente no âmbito da Engenharia Financeira e fornecem maior clareza para investidores na tomada de decisão.
Descrição
Mestrado Bolonha em Finanças
Palavras-chave
Structured Products Financial Engineering Monte Carlo Simulation Random Numbers Optimization Produtos Estruturados Números Aleatórios Otimização Engenharia Financeira Simulação de Monte Carlo
Contexto Educativo
Citação
Ambroci, Valéria (2023). “PRIIP valuation and Monte Carlo analysis : SG EUR revolução automóvel 2018-2023”. Dissertação de Mestrado. Universidade de Lisboa. Instituto Superior de Economia e Gestão
Editora
Instituto Superior de Economia e Gestão