Insper Instituto de Ensino e Pesquisa
Faculdade de Economia e Administração
Maria Beatriz Guazzelli Quilicci Leite
DERIVATIVOS DO AGRONEGÓCIO NEGOCIADOS NO
MERCADO BRASILEIRO: ESTRATÉGIA DE
UTILIZAÇÃO PARA PROJEÇÃO DOS PREÇOS DE
COMMODITIES
São Paulo
2011
1
Maria Beatriz Guazzelli Quilicci Leite
Projeto Final
Derivativos do agronegócio negociados no mercado
brasileiro: estratégia de utilização para projeção dos preços
de commodities
Projeto Final de Monografia II apresentada ao curso de
Ciências Econômicas, como requisito parcial para obtenção
do grau de Bacharel do Insper Instituto de Ensino e Pesquisa.
Orientador:
Prof. Dr.Ricardo Rocha – Insper
São Paulo
2011
2
Leite, Maria Beatriz Guazzelli Quilicci
Derivativos do agronegócio negociados no mercado
brasileiro: estratégia de utilização para projeção dos preços de
commodities/ Maria Beatriz Guazzelli Quilicci Leite. – São Paulo:
Insper, 2011.
44 f.
Monografia: Faculdade de Economia e Administração. Insper
Instituto de Ensino e Pesquisa.
Orientador: Prof. Dr. Ricardo Rocha
1.Derivativos 2. Commodities 3. Preços
3
Maria Beatriz Guazzelli Quilicci Leite
Derivativos do agronegócio negociados no mercado brasileiro:
estratégia de utilização para projeção dos preços de commodities
Monografia apresentada à Faculdade de Economia do Insper, como parte dos requisitos
para conclusão do curso de graduação em Economia.
Aprovado em Dezembro 2011
EXAMINADORES
___________________________________________________________________________
Prof. Dr. Ricardo Rocha
Orientador
___________________________________________________________________________
Prof. Dr. Ricardo José de Almeida
Examinador
Prof. Dr. Leonel M. Pereira
Examinador
4
Agradecimentos
Agradeço primeiramente a atenção de meu orientador Prof. Dr. Ricardo Rocha, pela ajuda desde
o desenvolvimento do tema até sua conclusão. Agradeço também ao meu amigo Isaac Chammah
pela grande ajuda a desenvolver o modelo de econometria. Principalmente a meus pais que
tornaram possível minha formação no Insper.
5
Resumo
LEITE, Maria Beatriz Guazzelli Quilicci. Derivativos do agronegócio negociados no mercado
brasileiro: estratégia de utilização para projeção dos preços de commodities. São Paulo, 2011.
44p. Monografia – Faculdade de Economia e Administração. Insper Instituto de Ensino e
Pesquisa.
Esta monografia trata de uma tentativa de projeção dos preços das commodities café, soja e boi
gordo, por meio de variáveis ainda não muito estudadas, como o preço dos derivativos. Pois
sabe-se que a variação dos preços das commodities afeta diretamente os preços de seus contratos
derivativos, aqui procura-se entender o caminho contrário que o mercado brasileiro proporciona.
Dado que o país é predominantemente agrícola, existe grande liquidez de derivativos
agropecuários e um grande volume de exportações que representa parcela significativa na
balança comercial do país. Neste estudo serão apresentados resultados estimados do tamanho do
impacto que variáveis micro e preços de derivativos causam nos preços atuais das commodities.
Palavras-chave: commodity, derivativo, preço, negócio agropecuário.
6
Abstract
LEITE, Maria Beatriz Guazzelli Quilicci. Agro business derivatives traded in the Brazilian
market: strategy of use to project commodity prices. São Paulo, 2011. 44p. Monograph –
Faculdade de Economia e Administração. Insper Instituto de Ensino e Pesquisa.
This monograph is about an attemptive of way to project commodities prices such as coffee, soy
beans and cattle, through variables that weren’t still much studied, as derivatives prices. Its
known that the variation of commodity prices affects directly its derivatives contracts, here will
try to understand the other way around. Since the country’s economy is predominantly
agricultural, there is great liquidity in agro derivatives and a large volume of exports that
represents a significative peace of the country’s commercial balance. Here will be presented
estimated results of the size of impact that micro and variables and derivatives prices in current
commodity prices.
Keywords: commodity, derivative, price, agri business
7
Sumário
1.
2.
3.
4.
Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
Revisão da Bibliografia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .17
Metodologia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
Modelo e análise. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .21
4.1. Variáveis. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.2. Resultado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .24
4.2.1. Variáveis Dependentes (Explicativas) . . . . . . . . . . . . . . . . . . . . . . . . . . .24
4.2.2. Variáveis Independentes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .25
4.2.3. Estimativas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
5. Conclusão. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Referências. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .32
Anexos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .34
Lista de Tabelas
Tabela 1 – Teste de heterocedásticidade de White para o resíduo da equação do café
Tabela 2 - Teste de heterocedásticidade de White para o resíduo da equação da soja
Tabela 3 – Teste de heterocedásticidade de White para o resíduo da equação do boi gordo
Tabela 4 – Teste de Breusch-Godfrey de correlação serial para a equação do café
Tabela 5 - Teste de Breusch-Godfrey de correlação serial para a equação da soja
Tabela 6 - Teste de Breusch-Godfrey de correlação serial para a equação do boi gordo
Tabela 7 – Equação do preço do café
Tabela 8 – Equação do preço da soja
Tabela 9 – Equação do preço do boi gordo
Lista de Figuras
Figura 1 – Gráfico de dispersão com todas variáveis do café
8
Figura 2 – Gráfico de dispersão com todas variáveis da soja
Figura 3 – Gráfico de dispersão com todas variáveis do boi gordo
Figura 4 – Teste Jarque-Bera, histograma do resíduo da equação do café
Figura 5 – Teste Jarque-Bera, histograma do resíduo da equação da soja
Figura 6 – Teste Jarque-Bera, histograma do resíduo da equação do boi gordo
9
1. Introdução
A posição do Brasil, predominantemente agro-exportadora, faz dos preços de commodities
agrícolas um fator de suma importância para a economia do país como um todo. O objetivo desse
estudo é propor uma metodologia para explicar a determinação desses preços incluindo, além da
análise clássica de microeconomia de oferta e demanda, o efeito do mercado de derivativos
brasileiro. Portanto, a volatilidade e a formação dos preços de commodities e de seus derivativos
serão analisadas.
O ativo derivativo, como diz o nome, é um contrato financeiro em que seu valor é derivado
do valor de um ativo subjacente. Este pode ser: ações, letras do tesouro, moeda estrangeira ou até
mesmo outro derivativo. Existem dois tipos de derivativos: contratos futuros e contratos de
opção. Contrato futuro é um acordo de comprar ou vender uma quantidade específica de um
ativo por um preço específico, com entrega no tempo e lugar específico. A contra-parte que
concorda em comprar o ativo subjacente é dito que está em uma posição long e a outra parte em
uma posição short. Todos os contratos futuros são padronizados para cada determinado ativo
subjacente, e são estabelecidos através de uma clearing house que age como intermediário para
cada transação, por fim, o mercado de futuros é um mercado regulado. No caso dos contratos de
opções existem dois tipo de contratos: call options e put options. Parecida com a teoria de long e
short dos futuros, opções de call dão a seu detentor o direito, e não obrigação, de comprar o ativo
a um preço chamado strike price, ou preço de exercício. De modo recíproco, o portador de uma
opção put tem o direito de vender um determinado ativo a um preço de exercício em uma data
predeterminada. A diferença dos futuros e das opções é que em uma, opções, o investidor tem a
opção de exercitar sua posição caso seja favorável, o rico ter ocorrido, mas pode não exercitar
essa posição caso o risco não ocorra, tendo maior lucro. Porém, existe um preço a ser pago por
esse “seguro” chamado de premium (premio) (JARROW e TRUNBULL, 2000).
Esses contratos são padronizados no que diz respeito a descrição do ativo subjacente, os
direitos do possuidor do derivativo e a data de maturação. Os derivativos podem ser utilizados
por indivíduos, empresas e instituições financeiras para mitigar, hedge, sua exposição ao risco,
provisionando seus fluxos de caixa futuros.
A unidade de negociação dos contratos, descrita no item 5, se refere a quilos líquidos ou no
caso do boi gordo arrobas liquidas. No Brasil é considerado o valor líquido, no caso do boi por
10
exemplo se trata do boi abatido e limpo, um boi de 300kg é vendido por 10 arrobas (metade do
peso do boi vivo), lembrando que 1 arroba vale 15kg.
Exemplo de Contrato
11
Nos últimos anos, o mercado de commodities tem passado por um crescimento dramático,
em termos de volumes e variedade de contratos comercializados, número de trocas e mercado de
12
participantes (ANDERLUH e BOROVKOVA, 2008). Como os preços de commodities possuem
características únicas, eles requerem novas ferramentas para lidar de forma eficiente com o
aumento de comércio de seus derivativos.
Esse estudo pretende lidar com ativos de consumo negociados na bolsa de valores de São
Paulo, BM&FBOVESPA, por meio dos contratos de derivativos. Esse tipo de contrato abrange
diversos tipos de ativos e contratos. Será discutido neste trabalho um tipo de contrato derivativo:
contrato de opções. Dentre os contratos de opção, três tipos de ativos, de commodities agrícolas
foram selecionados: boi gordo, soja e café, que apresentam atualmente maior volume de
negociação no mercado brasileiro de commodities na BM&FBOVESPA, cerca de 61,4% do
volume de contratos e 85,8% do volume financeiro do total de opções agropecuárias negociadas.
Os principais contratos de carne bovina (boi gordo) são negociados na BM&FBOVESPA, na
CME (Chicago Mercantile Exchange) e na ASX (Australian Securities Exchange), nesta ultima é
negociado apenas o contrato futuro e não opções; no caso do café as principais bolsas são
BM&FBOVESPA, ICE (Intercontinental Exchange de Nova York) e SGX (Singapore
Exchange); para soja as principais bolsas sao CBOT (Chicago Board of Trade),
BM&FBOVESPA e NYBOT (New York Board of Trade).
Em 2008, a BM&FBOVESPA foi criada a partir da integração das operações da Bolsa de
Valores de São Paulo e da Bolsa de Mercadorias & Futuros. Como principal instituição brasileira
de intermediação para operações do mercado de capitais, a companhia desenvolve, implanta e
provê sistemas para a negociação de ações, derivativos de ações, títulos de renda fixa, títulos
públicos federais, derivativos financeiros, moedas à vista e commodities agropecuárias. Única
bolsa de valores, mercadorias e futuros em operação no Brasil, a BM&FBOVESPA ainda exerce
o papel de fomentar o mercado de capitais brasileiro.
No começo do ano de 2011, a BM&FBOVESPA lançou um novo contrato futuro de soja
com exclusiva liquidação financeira e opções de compra e venda relacionadas a esse ativo,
buscando ampliar as negociações no mercado futuro local de soja. Antes disso a bolsa só oferecia
o contrato de soja com liquidação física o que dificultava a atuação dos agentes, de acordo com o
gerente de Servicos em Commodities da BM&FBOVESPA, Luiz Claudio Caffani, o Brasil sendo
o segundo maior produtor e exportador de soja da mundo o setor tem grande potencial. Com o
novo contrato a entrada de novos agentes financeiros na soja deve aumentar a liquidez do
mercadoe permitir que mais hedgers facam o uso do derivativo, a bolsa tem como base de
13
comparação o milho que teve em 2008 a criação de seu contrato com liquidação financeira. O
objetivo do gerente com esse novo contrato é possibilitar aos exportadores a arbitragem na bolsa
de Chicago (CME).
O mercado de derivativos em junho de 2011 o mercado de futuros e opções de commodities
negociou 224.494 contratos, altas de 2% em relação à mai/11 e 24,9% se comparado ao mesmo
mês do ano anterior, além disso, registrou o maior volume no ano. Em seu sexto mês de
negociação, o contrato de soja com liquidação financeira, negociou 5.584 contratos, alta de 33%
em relação ao mês anterior. O volume financeiro de contratos futuros de commodities atingiu
R$ 6,1 bilhões neste mês, crescimento de 52% em relação à jun/10 e queda de 11% sobre mai/11.
O volume financeiro no mercado de opções totalizou R$ 82,3 milhões em jun/11, alta de 4,5%
em relação ao mês anterior.
Além da introdução do contrato de soja com liquidação financeira, a BM&FBOVESPA, com
o intuito de aumentar a liquidez do mercado de derivativos, se prepara para a inauguração de um
mini contrato de soja (mini S&P500) e um derivativo inédito de petróleo que deve espelhar o
contrato de petróleo listado na Nymex, noticia anunciada em maio desde ano. Essas inovações
fazem parte da parceria, cross-listing (listagem cruzada), firmada com a CME (Chicago
Mercantile Exchange), dando a possibilidade aos investidores de negociar contratos listados na
CME pelo Brasil.
Evolução dos preços futuros das commodities escolhidas.
14
Gráfico 1 – Preços spot e futuro de Café Arábica
700,00
600,00
500,00
400,00
300,00
200,00
100,00
Fonte: BM&FBOVESPA
Preço Caf é (BRL/saca)
Preço Caf é Futuro (BRL/saca)
Gráfico 2 – Preços spot e futuro de Soja
55,00
50,00
45,00
40,00
35,00
30,00
Fonte: BM&FBOVESPA
Preço Soja (BRL/saca)
Preço Soja Futuro (BRL/saca)
15
Gráfico 3 – Preços spot e futuro de Café Arábica
210,00
190,00
170,00
150,00
130,00
110,00
90,00
70,00
50,00
Fonte: BM&FBOVESPA
Preço Boi (BRL/arroba)
Preço Boi Futuro (BRL/arroba)
Feito isso, o intuito da pesquisa é contrapor os preços dos contratos derivativos aos preços
efetivos das commodities, para testar a hipótese de que os preços dos contratos de derivativos
agrícolas são uma boa projeção dos preços das commodities.
16
2. Revisão da Bibliografia
Para estudar o impacto dos preços de commodities agrícolas em países em desenvolvimento,
caracterizados por serem dependentes de exportações, Subervie (2006) sugeriu que a volatilidade
global dos preços de commodities é causada por choques tanto da demanda quanto da oferta,
porém choques da oferta afetam predominantemente as commodities agrícolas (DEHN et al.,
2005), e dado a baixa elasticidade preço-demanda, até mesmo um pequeno choque na oferta
pode causar pode causar um grande impacto nos preços.
Existe hoje uma vasta literatura a respeito das diversas teorias de precificação de commodities e
opções com o objetivo de estabelecer a relação entre esses preços.
O trabalho de Leonel Molero Pereira (2009) discute o grande aumento na demanda por
infraestrutura, produtos, serviços e, conseqüentemente, por insumos e energia. Com o passar do
tempo esse aumento de consumo não teve um recíproco aumento na produção, provocando uma
redução nos níveis globais de estoque de matéria-prima e alta generalizada nos preços das
commodities. A partir do momento em que as oleaginosas se tornaram economicamente viáveis
para serem utilizadas como biodiesel, ou no caso da cana-de-açúcar substituindo a gasolina na
forma de etanol, “surge uma nova interpretação para as condições da formação dos preços das
commodities agrícolas que, antes destinadas apenas a alimentação, se tornaram componentes
relevantes da matriz energética”. L. Pereira, levando em consideração que os produtos agrícolas
passaram a fazer parte da matriz energética, propõe uma provável relação de interdependência na
formação de preços de commodities com o petróleo. Para este estudo, utilizou a principal
commodity agrícola brasileira dentro do conceito de energia renovável, o açúcar. O autor usa um
processo estocástico dos preços de commodities no tempo, um modelo que tem o tempo como
variável independente. A conclusão foi a de que o modelo, que incorpora a relação de preços
com o petróleo, a volatilidade do mercado e a sazonalidade, é melhor, em termos de previsão, do
que outro modelo sugerido na literatura que não leva essas premissas em consideração.
Como definido por Anderluh e Borovkova 2008, os preços de commodities possuem suas
características especiais tal como a tendência de se concentrar em um número de regiões
atrativas. Dessa forma, os autores colocam em discussão o fenômeno do price clustering
(“aglomeração do preço”), o qual os participantes do mercado estão cientes e sabem quais níveis
de preços são mais persistentes do que outros. No caso de commodities agrícolas, a explicação
17
para os picos de preço é simples: alguns produtos agrícolas possuem safra bianual, ou seja, tem
uma safra boa em um ano seguido por uma safra ruim no próximo ano, esse é o caso do café por
exemplo.
Os preços das commodities se movem entre as regiões atrativas, e não se sabe ao certo se o
tempo despendido em uma dada região será longo, é imprevisível, estabelecendo uma relação
com o conceito de mean-reversion. Este assume que uma alta e baixa dos preços são temporárias
e o preço do ativo, nesse caso da commodity agrícola, irá tender a se movimentar para a média
dos preços durante o tempo.
Os autores em seu estudo exploram a precificação de opções de commodities européias, para
isso eles decidem se focar na parte estocástica da formação de preços, a volatilidade. Por fim, são
testados the potential model e o modelo de volatilidade GARCH, aplicados para calcular o preço
de uma opção com commodity física e para o preço de uma opção com commodity futura,
comparando com o modelo de Black-Scholes. O estudo foi feito com os preços de petróleo bruto,
de 1991 a 1999, depois dessa data mudanças significantes afetaram o mercado de petróleo, os
preços atingiram altos níveis nunca antes verificados formando novas regiões atrativas, mudando
a forma do modelo potencial.
O estudo feito por Giot e Laurent (2003) coloca como objeto de estudo a relevância de
modelos de Value-at-Risk para traders em posições short ou long no mercado de commodities. O
modelo de VaR é uma ferramenta quantitativa para estimar, com um nível de significância, a
possível perda de um indivíduo dado um determinado período de tempo e portfólio, ‘in the
context of market risk, VaR measures the market value exposure of a financial instrument in case
tomorrow is a statistically defined bad day’ (SAUNDERS e ALLEN, 2002). O autor faz uma
abordagem de curto-prazo, focando no risco de mercado de um horizonte de tempo de 1-dia, e
propõe um futuro estudo de preços de commodities de longo-prazo, uma vez que, essas são
fundamentais para a determinação de ciclos econômicos e a disponibilidade de recursos.
A respeito de preços futuros, spot, ou a termo de commodities são aleatórios; portanto,
precisam ser modelados. Ao contrario de dos preços de ações que crescem em uma média,
preços de commodities geralmente não apresentam tendências durante períodos longos, o
comportamento de preços ao longo do tempo é razoavelmente similar. Mesmo com aumentos
bruscos observados no curto-prazo por eventos específicos, como clima e condições políticas dos
18
países produtores, os preços de commodities tendem a se reverter aos seus “níveis naturais” ao
passar do tempo.
Isso não seria uma surpresa: se a demanda é constante ou com leves aumentos ao longo do
tempo como no caso do café a oferta se ajusta a esse padrão, preços deveriam continuar
aproximadamente na média. O resultado dessa propriedade dos preços das commodities PE
conseqüência do comportamento de mean-reversion combinado com picos de preços por
choques de oferta e demanda, mas especialmente na oferta. Preços de commodities não crescem
nem caem na média ao longo do tempo, eles tendem a reverter para um nível que pode ser visto
como o custo marginal da produção (GEMAN 2005).
19
3. Metodologia
Para a análise dos preços das commodities agrícolas é necessário construir a análise de
diversas variáveis além das variáveis base: produção, estoque e preço.
Segundo, Wooldridge (2006) existem diversas maneiras de se estimar uma regressão, a
metodologia que deve ser utilizada depende das premissas utilizadas e da consistência do
modelo. A maior preocupação ao se estimar uma regressão diz respeito à consistência dos
estimadores, ou seja, que os estimadores acertem o verdadeiro valor populacional a medida que a
amostra cresce. Existem alguns cuidados para que o modelo seja consistente. O primeiro diz
respeito à endogeneidade das variáveis, ou seja, é preciso garantir que não existe correlação entre
as variáveis explicativas e o erro. Para que não exista nenhuma variável endógena é necessário
que não se omita nenhuma variável explicativa, que não exista um erro de medida e não se tenha
simultaneidade. A omissão de variáveis explicativas faz com que as variáveis já colocadas no
modelo sejam correlacionadas com o erro do modelo, o que faz com que todos os estimadores
não reflitam o verdadeiro valor populacional. (FURINI 2011)
20
4. Modelo OLS
O modelo usado nesse trabalho chama-se OLS (Ordinary Least Squares), modelo usado para
uma regressão linear múltipla. No caso serão três regressões uma para cada commodity e tirar
conclusões entre elas posteriormente.
O modelo de regressão linear múltipla, que é chamado modelo linear geral, pode ser escrito
como:
Y = Xβ + ε ,
em que
Y é o vetor (n x 1) com os valores da variável dependente;
X é a matriz (n x k) com os valores das variáveis independentes;
ε é o vetor (n x 1) de erros aleatórios;
n é o tamanho da amostra e
k é o número de variáveis independentes utilizadas no modelo.
Foi adotado um procedimento de tratamento das variáveis conhecido como transformação de
variáveis que é comum em estudos econométricos, como indicado por Johnston e DiNardo
(1997) “These tranformations may be of the dependent variable, the regressor variable, or both.
The main purpose is to achieve a linearizing transformation”
A técnica utilizada para obter os estimadores será a de mínimos quadrados ordinários
(MQO), que procura encontrar o melhor ajustamento para um conjunto de dados tentando
minimizar a soma dos quadrados das diferenças entre a curva ajustada e os dados (tais diferenças
são chamadas erros). De acordo com o teorema de Gauss-Markov, entre todos os estimadores
que não apresentam viés, na classe dos lineares, os estimadores de MQO são os que apresentam a
menor variância, obedecidas as suposições descritas a seguir:
1) Regressores (variáveis explicativas) devem ser fixos e a matriz X, que contém as
variáveis independentes, deve ter posto completo.
2) O erro deve ser uma variável aleatória com média zero.
3) O erro deve ser homocedástico, ou seja, a variabilidade dos erros deve ser igual para
todos os indivíduos.
21
4) Deve existir ausência de correlação serial entre os erros.
5) Parâmetros constantes (fixos).
6) Modelo é linear nos parâmetros.
7) O erro deve seguir uma distribuição normal com média zero e variância σ2.
Detalhes sobre regressão linear múltipla podem ser encontrados em Heij et al. (2004),
Gujarati (2006), Stock e Watson (2004) e Wooldridge (2003).
Nesse trabalho serão feitos análises de resíduos com o propósito de validar algumas dessas
suposições. Finalizada esta análise, será feito o ajuste do modelo final, no qual as variáveis
estatisticamente não relevantes serão retiradas através do método “Backward elimination”. O
processo se resume na retirada da variável mais insignificante, estima-se novamente o modelo e,
se necessário é, retirada outra variável, saindo apenas uma por vez, até sobrarem somente
variáveis estatisticamente relevantes no modelo. (CHAMMAH 2011).
4.1 Variáveis do Modelo
Foi coletado a media mensal dos preços das commodities em questão - boi gordo, soja e café
– a partir de janeiro de 2008 até março de 2011. A escolha do intervalo de tempo se deve a crise
que afetou radicalmente o mercado e preços das commodities, por esse motivo o intervalo de
tempo escolhido foi justamente o início da crise até os dias atuais, contextualizando melhor os
dados, não levando a conclusões não corretas e viesadas.
A variável explicativa, ou seja, a que queremos estimar são os preços das commodities, suas
médias mensais. A coleta foi feita na base de dados do Cepea/ESALQ
A seguir, as variáveis explicativas exógenas:
1) Preços Futuros: médias mensais dos preços dos contratos futuros das commodities
estudadas. Coletados pelo programa Data Stream (do Thomson Reuters), essa será a
principal variável estudada, representando os preço de derivativos
2) Taxa de Câmbio: taxas mensais do Real em relação ao Dólar, como as commodities
escolhidas são em grande parte exportadas espera-se que o cambio tenha grande
importância na formação dos preços;
22
3) IPCA: variação mensal, a fim de avaliar se a variação dos preços faz com que os
consumidores mudem suas preferencias assim afetando o preço das commodities
escolhidas;
4) PIB: mensais em milhões de reais, explica o aquecimento geral da economia nacional,
afetando tanto a oferta quanto a demanda das commodities;
5) IBOVESPA: variação mensal, mostra o aquecimento da bolsa, onde os contratos de
commodity são negociados, se os derivativos influenciarem bastante os preços das
commodities o índice Ibovespa também deverá afetá-los;
6) Credito ao setor rural: mensal em milhões de reais, muda o nível de investimento dos
produtores;
7) Produção: para o boi gordo os dados são medidos pelo peso em toneladas das carcaças,
para a soja em milhares de toneladas e para o café sacas/hectare, todos valores mensais;
8) Estoque: para a soja e o café os valores são em toneladas mensais; para o café o estudo
utiliza o volume de café registrado em estoque publico, já que o privado muitas vezes é
difícil de ser medido. Para boi gordo não se tem informação sobre estoque, até porque o
produto deve ter liquidez imediata devido a sua perecividade;
Resumo das variáveis
Variável
Descrição
Unidade de Medida
Média mensal do preços de contratos futuros das commodities
Taxas mensais do Real em relação ao Dólar
Variação mensal de uma proxi para inflação
Valores mensais, para medir o crescimento do país
R$/saca de 60Kg ‐ R$/arroba
média mensal do índice % a.m.
Ajuda do governo a produção agro‐
pecuária
R$ milhões
Produção Café
Produção mensal do café
Sacas de 60Kg/hectare
Produção Soja
Produção mensal da soja
Milhares de toneladas
Produção Boi Gordo
Abatimento mensal de boi
Toneladas
Estoque público mensal de café e soja
Toneladas
Preços Futuros
Taxa de Câmbio
IPCA
PIB
IBOVESPA
Crédito ao Setor Rural
Estoque
23
R$/USD
% a.m.
R$ milhões
4.2 Resultados
4.2.1 Variáveis Dependentes (Explicativas)
Primeiramente, foi feito um estudo sobre as variáveis explicativas: preço do café, preço do
boi e preço da soja.
•
O preço do café apresentou uma média de aproximadamente R$ 296,9 durante o período
em questão, com um desvio-padrão de R$ 76,9. Através do Teorema do Limite Central
assumimos a normalidade da amostra.
20
Series: PCAFE
Sample 2008M01 2011M04
Observations 40
16
12
8
4
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
296.8871
268.8752
524.4126
147.4300
76.96969
1.745832
5.954438
Jarque-Bera
Probability
34.86737
0.000000
0
150
•
200
250
300
350
400
450
500
Para a soja, seu preço apresentou uma média de aproximadamente R$ 46,5 durante o
período em questão, com um desvio-padrão de R$ 4,5. Através do teste de normalidade
Jarque-Bera, conclui-se que a amostra segue uma distribuição normal.
7
Series: PSOJA
Sample 2008M01 2011M04
Observations 40
6
5
4
3
2
1
0
37
38
39
40
41
42
43
44
45
24
46
47
48
49
50
51
52
53
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
46.52762
47.25446
52.96174
37.38391
4.506371
-0.639888
2.394313
Jarque-Bera
Probability
3.341141
0.188140
•
O preço do boi gordo apresentou uma média de aproximadamente R$ 85,9 durante o
período em questão, com um desvio-padrão de R$ 10,5. Através do Teorema do Limite
Central assumimos a normalidade da amostra.
10
Series: PBOI
Sample 2008M01 2011M04
Observations 40
8
6
4
2
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
85.88437
81.85060
113.0065
74.34526
10.53136
0.966072
2.813603
Jarque-Bera
Probability
6.279868
0.043286
0
75
80
85
90
95
100
105
110
115
4.2.2 Variáveis Independentes
A respeito das variáveis independentes, de acordo com a tabela de correlação [tabela x] e os
gráfico de dispersão [gráfico xx], pode-se descartar a possibilidade de existência de
multicolinearidade
•
Tabela de Correlação para a variável explicativa preço do café
PSOJA
PSOJA
PSOJA_FUT PRODSOJA
ESTSOJA
IPCA
IBOV
EX
CREDITO
CAMBIO
PETROLEO
PIB
1.000.000
PSOJA_FUT 0.982924
1.000.000
PRODSOJA ‐0.431076
‐0.414335
ESTSOJA 0.199520
0.234128
‐0.315181
1.000.000
1.000.000
IPCA 0.186667
0.241146
0.119502
0.246836
IBOV ‐0.002314
‐0.020300
0.148317
0.007110
‐0.107920
1.000.000
EX 0.069572
0.112468
‐0.008220
‐0.075694
‐0.185528
0.013237
CREDITO ‐0.276614
‐0.272838
0.791360
‐0.697988
0.174313
0.084497
0.063667
CAMBIO 0.154734
0.084255
‐0.535752
‐0.285630
‐0.276986
0.113769
‐0.201353
‐0.146366
PETROLEO 0.139312
0.211989
0.057949
0.532726
0.386840
‐0.302684
0.267122
‐0.220980
‐0.818937
PIB ‐0.312490
‐0.299022
0.838269
‐0.494248
0.120822
‐0.067764
0.199027
0.869954
‐0.453497
1.000.000
25
1.000.000
1.000.000
1.000.000
1.000.000
0.098147
1.000.000
•
Tabela de Correlação para a variável explicativa preço da soja
PCAFE
PCAFE_FUT PRODCAFE
ESTCAFE
IPCA
IBOV
EX
CREDITO
CAMBIO
PETROLEO
PIB
PCAFE 1.000.000
PCAFE_FUT 0.948983
1.000.000
PRODCAFE 0.411269
0.369204
1.000.000
ESTCAFE 0.691424
0.700599
0.615935
1.000.000
IPCA 0.408332
0.438246
‐0.225689
0.218504
1.000.000
IBOV 0.053621
‐0.013253
0.010330
‐0.044850
‐0.107920
1.000.000
EX 0.039133
‐0.054119
0.161338
0.176128
‐0.185528
0.013237
1.000.000
CREDITO 0.756005
0.697575
0.692958
0.790044
0.174313
0.084497
0.063667
1.000.000
CAMBIO ‐0.294092
‐0.329651
0.326810
‐0.403438
‐0.276986
0.113769
‐0.201353
‐0.146366
1.000.000
PETROLEO 0.160101
0.198821
‐0.531814
0.105520
0.386840
‐0.302684
0.267122
‐0.220980
‐0.818937
1.000.000
PIB 0.660274
0.643658
0.547979
0.840262
0.120822
‐0.067764
0.199027
0.869954
‐0.453497
0.098147
•
1.000.000
Tabela de Correlação para a variável explicativa preço do boi gordo
PBOI
PBOI_FUT
PRODBOI
IPCA
IBOV
EX
CREDITO
CAMBIO
PETROLEO
PIB
PBOI 1.000.000
PBOI_FUT 0.491743
1.000.000
PRODBOI ‐0.044922
‐0.264490
1.000.000
IPCA 0.429122
0.020309
‐0.422914
1.000.000
IBOV ‐0.284446
‐0.157862
‐0.069791
‐0.107920
1.000.000
EX 0.139569
0.041993
0.380918
‐0.185528
0.013237
1.000.000
CREDITO 0.559369
0.294335
0.315235
0.174313
0.084497
0.063667
1.000.000
CAMBIO ‐0.274593
0.668153
‐0.379038
‐0.276986
0.113769
‐0.201353
‐0.146366
1.000.000
PETROLEO 0.303734
‐0.482766
0.070468
0.386840
‐0.302684
0.267122
‐0.220980
‐0.818937
1.000.000
PIB 0.629476
0.099373
0.548586
0.120822
‐0.067764
0.199027
0.869954
‐0.453497
0.098147
26
1.000.000
4.2.3 Estimativas
Nesta etapa, foram estimadas as três equações para as três commodities em questão, com
todas as variáveis descritivas de cada uma delas. Com essas equações é necessário,
primeiramente, fazer os testes do resíduo para verificar normalidade, heterocedástidade e a
existência de correlação serial nos erros.
•
Teste de normalidade dos erros, Teste Jarque-Bera
Com uma significância α = 10%, rejeita-se
se p-valor < α.
- Equação do preço do café, após a realização o teste chegou-se a um p-valor de 0%, ou seja,
rejeita
, portanto os erros não seguem uma distribuição normal. (Figura 4)
- Equação do preço da soja, após a realização o teste chegou-se a um p-valor de 39.4%, ou seja,
não rejeita
, os erros seguem uma distribuição normal. (Figura 5)
- Equação do preço do boi gordo, após a realização o teste chegou-se a um p-valor de 52,4%, ou
seja, não rejeita
•
, os erros seguem uma distribuição normal. (Figura 6)
Teste de Heterocedásticidade dos erros, através do Teste de heterocedásticidade de White
Com uma significância α = 10%, rejeita-se
se p-valor < α.
- Equação do preço do café, após a realização o teste chegou-se a um p-valor de 1%, ou seja,
rejeita
, portanto os erros são heterocedásticos. (Tabela 1)
- Equação do preço da soja, após a realização o teste chegou-se a um p-valor de 27%, ou seja, não
rejeita
, os erros são homocedásticos. (Tabela 2)
27
- Equação do preço do boi gordo, após a realização o teste chegou-se a um p-valor de 1%, ou seja,
não rejeita
•
, portanto os erros são heterocedásticos.(Tabela 3)
Teste de existência de Correlação Serial, do Teste de correlação Breusch-Godfrey LM
Com uma significância α = 10%, rejeita-se
se p-valor < α.
- Equação do preço do café, após a realização o teste chegou-se a um p-valor de 1%, ou seja,
rejeita
, portanto os erros não possuem correlação serial. (Tabela 4)
- Equação do preço da soja, após a realização o teste chegou-se a um p-valor de 27%, ou seja, não
rejeita
, os erros possuem correlação serial. (Tabela 5)
- Equação do preço do boi gordo, após a realização o teste chegou-se a um p-valor de 1%, ou seja,
não rejeita
, portanto os erros possuem correlação serial. (Tabela 6)
28
Resumo
Commodity
Café
Soja
Boi Gordo
Teste
Resultado
Teste de normalidade Jarque‐Bera Não segue a distribuição Normal
Teste de heterocedasticidade de Heterocedasticidade
White
Teste de correlação Breusch‐Godfrey LM Ausencia de Correlação Serial
Teste de normalidade Jarque‐Bera Segue a distribuição Normal
Teste de heterocedasticidade de Homocedasticidade
White
Teste de correlação Breusch‐Godfrey LM Presença de Correlação Serial
Teste de normalidade Jarque‐Bera Segue a distribuição Normal
Teste de heterocedasticidade de Heterocedasticidade
White
Teste de correlação Breusch‐Godfrey LM Presença de Correlação Serial
O teste Jarque-Bera para o preço do café resultou em não normalidade dos erros, porém de
acordo com o TLC (Teorema do Limite Central) assumimos a normalidade dos erros.
Feito isso, o próximo passo é estimar as equações ajustando a heterocedásticidade e a
presença de correlação serial, e eliminar a variáveis não significativas.
•
Equação do preço do café (Tabela 7)
(0.044433) (0.000307
) 29
(0.000123) -
𝑅! : a variável explicativa foi 91,2% explicada pelas variáveis acima;
-
Pcafé futuro: para cada acréscimo de um real no preço do contrato futuro do café, o preço
da commodity sobe aproximadamente 0,76 real;
-
Crédito: para cada milhão a mais gasto pelo governo no incentivo a agro-pecuária, o
preço do café sobe 0,00103 real;
-
PIB: para cada acréscimo de um milhão de reais no PIB, o preço do café cai 0,000238
real.
•
Equação do preço da soja (Tabela 8)
(0.544423) (0.019264) -
𝑅! : a variável explicativa foi 97% explicada pelas variáveis acima;
-
Psoja futuro: para cada acréscimo de um real no preço do contrato futuro da soja, o preço
da commodity sobe aproximadamente 0.92 real;
-
Taxa de Câmbio: para cada depreciação de 1 real em relação ao dólar, o preço da soja sobe 1,84
reais aproximadamente.
•
Equação do preço do boi gordo (Tabela 9)
(0.030651) (0.014118) (4.038743) -
𝑅! : a variável explicativa foi 93,7% explicada pelas variáveis acima;
30
-
Pboi gordo futuro: para cada acréscimo de um real no contrato futuro de boi gordo, o
preço da commodity sobe 0,52 real, aproximadamente;
-
Abatimento: para cada tonelada a mais de carcaça de boi mensal, o preço do boi decai
aproximadamente 0,081 real;
-
Taxa de Câmbio: para cada depreciação de 1 real em relação ao dólar, o preço da soja cai 44.1
reais aproximadamente.
31
5. Conclusão
O intuito do trabalho foi o de avaliar o impacto e a relação que os preços dos derivativos têm
sobre os preços atuais das commodities, e propor alguma utilização dos preços futuros das
commodities para prever os preços desses produtos, por meio de um modelo econométrico
envolvendo não só os preços dos contratos futuros, mas também outras variáveis que poderiam
afetar os preços.
Primeiramente, o modelo confirmou o impacto dos preços futuros nos preços atuais em todos
os produtos estudados, mostrando que além dos fatores micro como oferta e demanda os
derivativos também são grandes influentes nos preços.
O resultado da equação do café revelou que a iniciativa do governo de dar crédito aos
agropecuaristas eleva o preço do café, enquanto nas duas outras commodities essa variável foi
insignificante. A taxa de câmbio mostrou-se um fator crucial para a projeção dos preços da soja e
do boi gordo, em sentidos opostos, para a soja uma depreciação leva a um aumento dos preços,
enquanto para o boi gordo uma depreciação leva a uma drástica queda nos preços.
Por fim, a conclusão chegada é a de que a variável, dentre todas, que melhor explica o preço
spot das commodities são os preços de seus contratos futuros, portanto, se por algum motivo o
mercado de derivativos tiver algum movimento mesmo não relacionado a agropecuária desses
produtos, como uma crise ou alguma nova noticia macroeconômica, ira afetar seus preços no
mercado spot. Sendo assim, conclui-se, segundo as estimativas e com 10% de significância, que
os preços de derivativos sao capazes de projetar os preços das commodities.
32
Referências
PEREIRA, Leonel Molero. Modelo de formação de preços de commodities agrícolas
aplicado ao merda de açúcar e etanol. São Paulo, 2009. 209 f. Tese (Pós-Graduação em
Administração)- Faculdade de Economia, Administração e Contabilidade; Universidade de São
Paulo, São Paulo, 2009.
ANDERLUH, Jasper; BOROVKOVA, Svetlana. Commodity volatility modelling and option
pricing with a potential function approach. The European Journal of Finance, v. 14, n. 2, p.
91-113, fevereiro 2008.
JSTOR. Jstor: texto completo de revistas acadêmicas especializadas em economia e
administração. Acesso em maio 2011.
GIOT, Pierre; LAURENT, Sébastien. Market risk in commodity markets: a VaR approach.
Energy Economics, v. 25, n. 5, p. 435-457, setembro 2003.
HULL, John C.. Fundamentos dos mercados futures e de opções. São Paulo:
BM&FBOVESPA – Bolsa de Valores, Mercadorias e Futuros, 2009. 597 p.
JARROW, Robert; TURNBULL, Stuart. Derivatives Securities. 2nd ed. Cininnati: SouthWestern College Publishing, 2000. 676p.
SUBERVIE, Julie. The variable response of agricultural supply to world price instability in
developing countries. Journal of Agricultural Economics, v. 59, n. 1, p. 72-92, 2007.
GEMAN, Hélyette. Commodities and Commodities Derivatives: Modeling and Pricing for
Agriculturals, Metals and Energy. Chichester: John Wiley & Sons Ltd, 2005. 396 p.
BM&FBOVESPA.
Bolsa
de
Mercadorias
de
São
Paulo.
Disponível
http://www.bmfbovespa.com.br/home.aspx?idioma=pt-br>. Acesso em: agosto de 2011.
33
em:<
CHAMMAH, Isaac; RODRIGUES, Bruno; ADUAN, Camilla. Análise das variáveis
exógenas que afetam a arrecadação de filmes nos Estados Unidos. São Paulo, 2011.
16 f. Insper – Instituto de Ensino e Pesquisa (Faculdade de Administração e Economia).
FURINI, Mateus. Estudo sobre os determinantes do múltiplo EV/EBITDA. São
Paulo, 2011. 40 f. Trabalho final de Monografia II para conclusão da graduação em Ciências
Econômicas. Insper – Instituto de Ensino e Pesquisa (Faculdade de Administração e Economia).
IBGE.
Instituto
Brasileiro
de
Geografia
e
Estatística.
Disponível
em:
<
http://www.sidra.ibge.gov.br/bda/default.asp?z=t&o=1&i=P>. Acesso em: setembro de 2011.
IPEA.
Instituto
de
Pesquisa
Econômica
Aplicada.
Disponível
em:
<
http://www.ipeadata.gov.br/>. Acesso em: setembro de 2011.
OANDA. Forex trading and Exchange rate services. Disponível em: < http://www.oanda.com/>.
Acesso em: setembro de 2011.
CEPEA-ESALQ. Centro de Estudos Avancados em Economia Aplicada. Disponível em: <
http://www.cepea.esalq.usp.br/>. Acesso em setembro de 2011.
DATA STREAM. Data Stream: tool for investment analysis from Thomson Reuters. Acesso em
09 nov. 2011.
BLOOMBERG. Bloomberg: tool for investment analysis. Acesso em 08 nov. 2011
34
Anexos
Tabela 1 – Teste de heterocedásticidade de White para o resíduo da equação do café:
Heteroskedasticity Test: White
F-statistic
Obs*R-squared
Scaled explained SS
4.117854
23.21476
55.97232
Prob. F(10,28)
Prob. Chi-Square(10)
Prob. Chi-Square(10)
0.0015
0.0100
0.0000
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 11/10/11 Time: 09:51
Sample: 2008M01 2011M03
Included observations: 39
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
PCAFE_FUT^2
PRODCAFE^2
ESTCAFE^2
IPCA^2
IBOV^2
EX^2
CREDITO^2
CAMBIO^2
PETROLEO^2
PIB^2
9725.902
0.007667
-1.188832
1.03E-07
590.9442
-0.290247
-2.99E-05
-7.06E-07
-420.6946
-0.007282
1.46E-08
1793.057
0.002779
3.225653
6.93E-08
732.9652
1.081998
4.45E-05
1.71E-07
275.6324
0.002200
1.83E-08
5.424200
2.758518
-0.368555
1.480014
0.806238
-0.268251
-0.671367
-4.130313
-1.526289
-3.310419
0.798327
0.0000
0.0101
0.7152
0.1500
0.4269
0.7905
0.5075
0.0003
0.1382
0.0026
0.4314
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.595250
0.450697
576.7556
9314116.
-296.8165
4.117854
0.001468
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
251.1418
778.1901
15.78546
16.25467
15.95381
1.346327
Tabela 2 - Teste de heterocedásticidade de White para o resíduo da equação da soja:
Heteroskedasticity Test: White
F-statistic
Obs*R-squared
Scaled explained SS
1.316034
12.46961
6.644137
Prob. F(10,28)
Prob. Chi-Square(10)
Prob. Chi-Square(10)
Test Equation:
Dependent Variable: RESID^2
35
0.2699
0.2549
0.7586
Method: Least Squares
Date: 11/10/11 Time: 10:16
Sample: 2008M01 2011M03
Included observations: 39
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
PSOJA_FUT^2
PRODSOJA^2
ESTSOJA^2
IPCA^2
IBOV^2
EX^2
CREDITO^2
CAMBIO^2
PETROLEO^2
PIB^2
2.607634
-0.000340
-1.19E-07
0.000155
-1.857685
0.000121
-1.25E-07
5.65E-10
-0.616404
1.50E-07
-2.53E-11
2.916986
0.000304
7.34E-08
0.000173
0.924171
0.001216
5.21E-08
2.51E-10
0.386085
2.78E-06
1.98E-11
0.893948
-1.117361
-1.622033
0.898967
-2.010109
0.099692
-2.392604
2.248305
-1.596551
0.054030
-1.276371
0.3790
0.2733
0.1160
0.3763
0.0541
0.9213
0.0237
0.0326
0.1216
0.9573
0.2123
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.319734
0.076781
0.689795
13.32290
-34.39409
1.316034
0.269901
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
0.492848
0.717907
2.327902
2.797112
2.496250
1.518271
Tabela 3 – Teste de heterocedásticidade de White para o resíduo da equação do boi gordo:
Heteroskedasticity Test: White
F-statistic
Obs*R-squared
Scaled explained SS
3.067084
19.01899
10.20295
Prob. F(9,29)
Prob. Chi-Square(9)
Prob. Chi-Square(9)
0.0105
0.0250
0.3343
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 11/10/11 Time: 10:13
Sample: 2008M01 2011M03
Included observations: 39
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
PBOI_FUT^2
PRODBOI^2
IPCA^2
IBOV^2
EX^2
CREDITO^2
CAMBIO^2
0.108591
0.000637
-1.86E-05
4.658597
-0.015280
-9.21E-07
-4.72E-09
1.170977
25.39535
0.000434
9.18E-05
8.586746
0.012403
5.00E-07
1.60E-09
4.856376
0.004276
1.469434
-0.202576
0.542533
-1.231988
-1.843492
-2.952613
0.241122
0.9966
0.1525
0.8409
0.5916
0.2278
0.0755
0.0062
0.8112
36
PETROLEO^2
PIB^2
2.12E-05
5.68E-10
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.487666
0.328666
6.706566
1304.363
-123.7818
3.067084
0.010459
2.66E-05
2.33E-10
0.797698
2.433841
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
0.4315
0.0213
5.800157
8.185232
6.860606
7.287160
7.013650
2.197666
Tabela 4 – Teste de Breusch-Godfrey de correlação serial para a equação do café:
Breusch-Godfrey Serial Correlation LM Test:
F-statistic
Obs*R-squared
1.467903
3.956911
Prob. F(2,26)
Prob. Chi-Square(2)
0.2489
0.1383
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 11/10/11 Time: 09:56
Sample: 2008M01 2011M03
Included observations: 39
Presample missing value lagged residuals set to zero.
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
PCAFE_FUT
PRODCAFE
ESTCAFE
IPCA
IBOV
EX
CREDITO
CAMBIO
PETROLEO
PIB
RESID(-1)
RESID(-2)
-121.4238
-0.046973
-1.190436
7.47E-05
-9.229935
0.390664
-0.000734
0.000556
37.74619
0.079909
-4.75E-06
-0.188544
-0.360039
169.3699
0.081467
3.928873
0.000199
21.32455
0.527562
0.006270
0.001201
50.43015
0.105155
0.000320
0.203141
0.221056
-0.716915
-0.576592
-0.302997
0.375865
-0.432831
0.740508
-0.117066
0.463115
0.748485
0.759919
-0.014849
-0.928139
-1.628721
0.4798
0.5692
0.7643
0.7101
0.6687
0.4656
0.9077
0.6471
0.4609
0.4541
0.9883
0.3619
0.1154
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.101459
-0.313252
18.39815
8800.785
-161.0098
0.244650
0.993113
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
37
1.24E-13
16.05462
8.923578
9.478099
9.122536
1.658275
Tabela 5 - Teste de Breusch-Godfrey de correlação serial para a equação da soja:
Breusch-Godfrey Serial Correlation LM Test:
F-statistic
Obs*R-squared
4.008720
9.191761
Prob. F(2,26)
Prob. Chi-Square(2)
0.0304
0.0101
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 11/10/11 Time: 10:16
Sample: 2008M01 2011M03
Included observations: 39
Presample missing value lagged residuals set to zero.
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
PSOJA_FUT
PRODSOJA
ESTSOJA
IPCA
IBOV
EX
CREDITO
CAMBIO
PETROLEO
PIB
RESID(-1)
RESID(-2)
3.285968
0.002047
-0.000244
0.007886
0.019514
-0.013468
4.51E-05
3.27E-05
-1.405826
-0.002188
-9.23E-06
0.556342
-0.296009
8.174860
0.030473
0.000893
0.025166
0.894204
0.020499
0.000274
6.49E-05
2.252559
0.003918
1.36E-05
0.201637
0.251387
0.401960
0.067170
-0.273226
0.313360
0.021823
-0.656990
0.164469
0.503600
-0.624102
-0.558300
-0.679732
2.759131
-1.177505
0.6910
0.9470
0.7868
0.7565
0.9828
0.5170
0.8706
0.6188
0.5380
0.5814
0.5027
0.0105
0.2497
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.235686
-0.117074
0.751689
14.69093
-36.30014
0.668120
0.765218
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
-1.14E-14
0.711209
2.528212
3.082733
2.727170
2.064466
Tabela 6 - Teste de Breusch-Godfrey de correlação serial para a equação do boi gordo:
Breusch-Godfrey Serial Correlation LM Test:
F-statistic
Obs*R-squared
2.687231
6.474364
Prob. F(2,27)
Prob. Chi-Square(2)
Test Equation:
38
0.0862
0.0393
Dependent Variable: RESID
Method: Least Squares
Date: 11/10/11 Time: 10:13
Sample: 2008M01 2011M03
Included observations: 39
Presample missing value lagged residuals set to zero.
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
PBOI_FUT
PRODBOI
IPCA
IBOV
EX
CREDITO
CAMBIO
PETROLEO
PIB
RESID(-1)
RESID(-2)
0.755775
0.004226
-0.007189
-0.149578
-0.025566
0.000192
-1.69E-05
0.036569
-0.000650
1.03E-05
0.277373
-0.394706
28.68916
0.057534
0.026914
2.931917
0.071263
0.000859
0.000142
9.866625
0.013951
5.40E-05
0.193030
0.204527
0.026344
0.073455
-0.267107
-0.051017
-0.358759
0.223069
-0.118858
0.003706
-0.046622
0.191053
1.436939
-1.929843
0.9792
0.9420
0.7914
0.9597
0.7226
0.8252
0.9063
0.9971
0.9632
0.8499
0.1622
0.0642
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.166009
-0.173765
2.643327
188.6538
-86.07746
0.488588
0.893982
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
-2.67E-14
2.439834
5.029614
5.541479
5.213266
2.162787
Tabela 7 – Equação do preço do café:
Dependent Variable: PCAFE
Method: Least Squares
Date: 11/10/11 Time: 10:38
Sample (adjusted): 2008M01 2011M03
Included observations: 39 after adjustments
White heteroskedasticity-consistent standard errors & covariance
Variable
Coefficient
Std. Error
t-Statistic
Prob.
PCAFE_FUT
CREDITO
PIB
0.761446
0.001029
-0.000238
0.044433
0.000307
0.000123
17.13676
3.353537
-1.931864
0.0000
0.0019
0.0613
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.912316
0.907445
20.81912
15603.69
-172.1768
1.093161
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
39
291.0531
68.43241
8.983424
9.111390
9.029337
Tabela 8 – Equação do preço da soja:
Dependent Variable: PSOJA
Method: Least Squares
Date: 11/10/11 Time: 10:46
Sample (adjusted): 2008M01 2011M03
Included observations: 39 after adjustments
HAC standard errors & covariance (Bartlett kernel, Newey-West fixed
bandwidth = 4.0000)
Variable
Coefficient
Std. Error
t-Statistic
Prob.
PSOJA_FUT
CAMBIO
0.924136
1.848761
0.019264
0.544423
47.97240
3.395817
0.0000
0.0016
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.970430
0.969631
0.795352
23.40561
-45.38218
0.873623
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
46.51068
4.563989
2.429855
2.515166
2.460464
Tabela 7 – Equação do preço do boi gordo:
Dependent Variable: PBOI
Method: Least Squares
Date: 11/10/11 Time: 10:43
Sample (adjusted): 2008M01 2011M03
Included observations: 39 after adjustments
HAC standard errors & covariance (Bartlett kernel, Newey-West fixed
bandwidth = 4.0000)
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
PBOI_FUT
PRODBOI
CAMBIO
91.22876
0.527924
-0.081027
-44.14800
8.825821
0.030651
0.014118
4.038743
10.33657
17.22377
-5.739069
-10.93112
0.0000
0.0000
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.937463
0.930106
2.705679
248.9037
-91.48194
127.4202
0.000000
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
40
85.41387
10.23426
4.947792
5.161069
5.024314
1.525415
Figura 1 – Gráfico de dispersão com todas variáveis do café:
600
PCAFE
400
200
0
PCAFE_FUT
600
400
200
PRODCAFE
24
20
16
ESTCAFE
100,000
50,000
0
IPCA
1.0
0.5
0.0
IBOV
20
0
-20
-40
EX
4,000
2,000
0
CREDITO
140,000
120,000
100,000
80,000
CAMBIO
2.5
2.0
1.5
PETROLEO
800
600
400
200
350,000
PIB
300,000
250,000
200,000
0
200
400
PCAFE
600 200
400
PCAFE_FUT
600 16
20
PRODCAFE
24
0
50,000
ESTCAFE
100,000
0.0
0.5
1.0 -40
-20
IPCA
IBOV
41
0
20
0
2,000
EX
4,000
80,000
120,000
CREDITO
1.5
2.0
CAMBIO
2.5 200
400
600
PETROLEO
800
200,000
300,000
PIB
Figura 2 – Gráfico de dispersão com todas variáveis da soja:
55
PSOJA
50
45
40
35
PSOJA_FUT
60
50
40
30
6,500
PRODSOJA
6,000
5,500
5,000
4,500
ESTSOJA
80
60
40
20
IPCA
1.0
0.5
0.0
IBOV
20
0
-20
-40
EX
4,000
2,000
0
CREDITO
140,000
120,000
100,000
80,000
CAMBIO
2.5
2.0
1.5
PETROLEO
800
600
400
200
350,000
PIB
300,000
250,000
200,000
35
40
45
PSOJA
50
55 35
40
45
50
PSOJA_FUT
55 4,500
5,500
PRODSOJA
6,500 20
40
60
ESTSOJA
80 0.0
0.5
1.0 -40
-20
IPCA
IBOV
42
0
20
0
2,000
EX
4,000
80,000
120,000
CREDITO
1.5
2.0
CAMBIO
2.5 200
400
600
PETROLEO
800
200,000
300,000
PIB
Figura 3 – Gráfico de dispersão com todas variáveis do boi gordo:
PBOI
120
100
80
60
PBOI_FUT
200
160
120
PRODBOI
450
400
350
300
250
IPCA
1.0
0.5
0.0
IBOV
20
0
-20
-40
EX
4,000
2,000
0
CREDITO
140,000
120,000
100,000
80,000
CAMBIO
2.5
2.0
1.5
PETROLEO
800
600
400
200
350,000
PIB
300,000
250,000
200,000
60
80
100
PBOI
120 120
160
200 250 300 350 400 450 0.0
0.5
PBOI_FUT
PRODBOI
IPCA
1.0 -40
-20
0
IBOV
43
20
0
2,000
EX
4,000
80,000
120,000
CREDITO
1.5
2.0
CAMBIO
2.5 200
400
600
PETROLEO
800
200,000
300,000
PIB
Figura 4 – Teste Jarque-Bera, histograma do resíduo da equação do café:
20
Series: Residuals
Sample 2008M01 2011M03
Observations 39
16
12
8
4
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
1.24e-13
-0.885277
40.89521
-68.17515
16.05462
-1.392076
10.35518
Jarque-Bera
Probability
100.5066
0.000000
0
-70
-60
-50
-40
-30
-20
-10
0
10
20
30
40
50
Figura 5 – Teste Jarque-Bera, histograma do resíduo da equação da soja:
8
Series: Residuals
Sample 2008M01 2011M03
Observations 39
7
6
5
4
3
2
1
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
-1.14e-14
-0.073601
1.837668
-1.138553
0.711209
0.533939
3.067421
Jarque-Bera
Probability
1.860474
0.394460
0
-1.0
-0.5
0.0
0.5
1.0
1.5
2.0
Figura 6 – Teste Jarque-Bera, histograma do resíduo da equação do boi gordo:
9
Series: Residuals
Sample 2008M01 2011M03
Observations 39
8
7
6
5
4
3
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
-2.67e-14
-0.163989
5.924005
-4.856389
2.439834
0.445278
2.940446
Jarque-Bera
Probability
1.294535
0.523474
2
1
0
-5
-4
-3
-2
-1
0
1
2
3
4
44
5
6
45