σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft AcademyRoadmapsRoteiros
Ctrl K
AO
+1,2 mil alunos
EntrarParticipar ↗
RoadmapsRoteiros
AO
+1,2 mil alunos
Entrar
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft AcademyRoadmapsRoteiros
Ctrl K
AO
+1,2 mil alunos
EntrarParticipar ↗
RoadmapsRoteiros
AO
+1,2 mil alunos
Entrar
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
Roteiro de SciPy›Módulo 3 · Matrizes, sinais e estrutura›Tópico 3.5·~1 h 30 minAvançado

Projeto final: calibrar uma curva de juros de Nelson–Siegel e um smile de volatilidade

Posição no roteiroMódulo 3 de 3 · Tópico 5 de 5
3.5 Projeto final: calibrar uma curva de juros de Nelson–Siegel e um smile de volatilidade
—Nota do lab— / 100XP total—Sequência—

Quatro números para uma curva inteira

O mercado cota os rendimentos do Tesouro dos EUA em dez prazos, de 3 meses a 30 anos, mas um banco precisa de uma taxa para cada data. Neste projeto final você descreve a curva inteira com os quatro números do modelo de Nelson–Siegel: um nível de longo prazo β₀, uma inclinação β₁, uma corcova β₂ e um comprimento de decaimento λ em anos. Você os calibra às cotações com scipy.optimize.least_squares, partindo de vários valores de λ porque a curva não é linear em λ, e fica com o ajuste de menor custo. Da curva ajustada você lê uma taxa a termo, e integra a curva de taxas a termo instantâneas com integrate.quad para obter um fator de desconto D(T)=e^(-A/100), em que A é a área sob a curva a termo em percentual.

A mesma curva precifica um título. Cada fluxo é descontado com o rendimento do seu próprio prazo, P=Σcᵢ e^(-y(tᵢ)tᵢ/100), e o rendimento até o vencimento é a taxa única que devolve o preço, achada com optimize.brentq. As opções funcionam do mesmo jeito: a volatilidade implícita é a raiz de bs_call(σ)-preço, de novo com brentq. As cotações reais de opções não fazem parte dos dados compartilhados, então você testa o smile com preços que gera com a função fornecida bs_call, e ajusta o smile σ(m)=a+b m+c m² em log-moneyness m=ln(K/S) por mínimos quadrados. Cada função é avaliada com entradas aleatórias contra uma referência independente, e o último teste roda todo o seu estudo no arquivo real do Tesouro.

y(τ)=β₀+β₁g+β₂ (g-e^(-x)), x=τ/λ, g=(1-e^(-x))/x, D(T)=e^(-A/100)
O que diz a curva realEm 9 de outubro de 2026, os dez rendimentos cotados são reproduzidos por uma curva com β₀=5,75%, β₁=-1,52, β₂≈0 e λ=2,7 anos, com erro médio de 7,3 pontos-base. A taxa a termo entre 5 e 10 anos é 5,64%, o fator de desconto de 10 anos 0,586 e um título de 5% ao ano por 10 anos custa 96,70, um rendimento de 5,29%. Em 31 de março de 2020, em pleno pânico de mercado, o nível era 1,87%, o erro de ajuste só 1,7 ponto-base, a taxa a termo de 5 a 10 anos 1,02%, o fator de desconto de 10 anos 0,931 e o mesmo título rendia 0,67%.
  • Calibre a partir de vários inícios: o comprimento de decaimento torna o ajuste não linear, então um só início pode parar numa curva ruim.
  • Confira por um segundo caminho: o fator de desconto da curva a termo integrada deve igualar o obtido do rendimento.
  • Raízes precificam o mercado: um rendimento até o vencimento e uma volatilidade implícita são raízes achadas com brentq sobre um erro de preço.

Lab: o que é avaliado

  • A curva cotada de um dia5 pts
  • O rendimento de Nelson–Siegel10 pts
  • Calibrar a curva15 pts
  • Uma taxa a termo10 pts
  • Um fator de desconto a partir de taxas a termo10 pts
  • Um preço de título a partir da curva10 pts
  • Um rendimento até o vencimento10 pts
  • Uma volatilidade implícita10 pts
  • Um smile quadrático10 pts
  • A calibração completa10 pts
Explorador · lab-sp-11
▾ lab-sp-11
▾ data
…
bash · no navegador
learner@quantcraft:~/lab-sp-11$
Python ainda não carregadoPythonLn 1, Col 1Spaces: 4UTF-8

Redefinir este tópico?

Tudo em lab-sp-11 volta aos arquivos iniciais e o terminal é limpo. Sua solução atual será perdida — isso não pode ser desfeito.

Será redefinido
  • main.py → código inicial
  • Histórico do terminal e saída dos testes
  • Alterações não enviadas
Será mantido
  • Melhor nota do lab
  • Seu XP e sua sequência
  • Progresso da aula e anotações

Entre para executar o seu código.

Todas as aulas são gratuitas para ler. Crie uma conta ou entre para executar código, rodar os testes e enviar este lab.

  • IDE no navegador com terminal bash — nada para instalar
  • Correção instantânea, XP e o seu lugar no roteiro
Criar uma contaEntrar
OU
Continuar com o GitHub