Insper Instituto de Ensino e Pesquisa Faculdade de Economia e Administração. Maria Beatriz Guazzelli Quilicci Leite

Transcrição

1 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

2 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

3 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, 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

4 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

5 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

6 Resumo LEITE, Maria Beatriz Guazzelli Quilicci. Derivativos do agronegócio negociados no mercado brasileiro: estratégia de utilização para projeção dos preços de commodities. São Paulo, p. 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

7 Abstract LEITE, Maria Beatriz Guazzelli Quilicci. Agro business derivatives traded in the Brazilian market: strategy of use to project commodity prices. São Paulo, p. 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

8 Sumário 1. Introdução Revisão da Bibliografia Metodologia Modelo e análise Variáveis Resultado Variáveis Dependentes (Explicativas) Variáveis Independentes Estimativas Conclusão Referências Anexos 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

9 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

10 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

11 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

12 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

13 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

14 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 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 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

15 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 Café (BRL/saca) Preço Café 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

16 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

17 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

18 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

19 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

20 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

21 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. como: em que O modelo de regressão linear múltipla, que é chamado modelo linear geral, pode ser escrito Y = Xβ + ε, 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

22 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 σ 2. 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 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

23 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 Preços Futuros Taxa de Câmbio IPCA PIB 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 R$/USD % a.m. R$ milhões IBOVESPA média mensal do índice % a.m. Crédito ao Setor Rural Ajuda do governo a produção agropecuária 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 Estoque público mensal de café e soja Toneladas 23

24 4.2 Resultados 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 Series: PCAFE Sample 2008M M04 Observations 40 Mean Median Maximum Minimum Std. Dev Skewness Kurtosis Jarque-Bera Probability 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 Series: PSOJA Sample 2008M M04 Observations 40 Mean Median Maximum Minimum Std. Dev Skewness Kurtosis Jarque-Bera Probability

25 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 Series: PBOI Sample 2008M M04 Observations 40 Mean Median Maximum Minimum Std. Dev Skewness Kurtosis Jarque-Bera Probability 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_FUT PRODSOJA ESTSOJA IPCA IBOV EX CREDITO CAMBIO PETROLEO PIB PSOJA PSOJA_FUT PRODSOJA ESTSOJA IPCA IBOV EX CREDITO CAMBIO PETROLEO PIB

26 Tabela de Correlação para a variável explicativa preço da soja PCAFE PCAFE_FUT PRODCAFE ESTCAFE IPCA IBOV EX CREDITO CAMBIO PETROLEO PIB PCAFE PCAFE_FUT PRODCAFE ESTCAFE IPCA IBOV EX CREDITO CAMBIO PETROLEO PIB Tabela de Correlação para a variável explicativa preço do boi gordo PBOI PBOI_FUT PRODBOI IPCA IBOV EX CREDITO CAMBIO PETROLEO PIB PBOI PBOI_FUT PRODBOI IPCA IBOV EX CREDITO CAMBIO PETROLEO PIB

27 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

28 - 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

29 Resumo Commodity Teste Resultado Café Teste de normalidade Jarque Bera Teste de heterocedasticidade de White Teste de correlação Breusch Godfrey LM Não segue a distribuição Normal Heterocedasticidade Ausencia de Correlação Serial Soja Teste de normalidade Jarque Bera Teste de heterocedasticidade de White Teste de correlação Breusch Godfrey LM Segue a distribuição Normal Homocedasticidade Presença de Correlação Serial Boi Gordo Teste de normalidade Jarque Bera Teste de heterocedasticidade de White Teste de correlação Breusch Godfrey LM Segue a distribuição Normal Heterocedasticidade 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) ( ) ( ) ( ) 29

30 - 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, real. Equação do preço da soja (Tabela 8) ( ) ( ) - 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) ( ) ( ) ( ) - R! : a variável explicativa foi 93,7% explicada pelas variáveis acima; 30

31 - 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

32 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

33 Referências PEREIRA, Leonel Molero. Modelo de formação de preços de commodities agrícolas aplicado ao merda de açúcar e etanol. São Paulo, f. Tese (Pós-Graduação em Administração)- Faculdade de Economia, Administração e Contabilidade; Universidade de São Paulo, São Paulo, 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 , fevereiro JSTOR. Jstor: texto administração. Acesso em maio completo de revistas acadêmicas especializadas em economia e GIOT, Pierre; LAURENT, Sébastien. Market risk in commodity markets: a VaR approach. Energy Economics, v. 25, n. 5, p , setembro HULL, John C.. Fundamentos dos mercados futures e de opções. São Paulo: BM&FBOVESPA Bolsa de Valores, Mercadorias e Futuros, p. JARROW, Robert; TURNBULL, Stuart. Derivatives Securities. 2nd ed. Cininnati: South- Western College Publishing, p. SUBERVIE, Julie. The variable response of agricultural supply to world price instability in developing countries. Journal of Agricultural Economics, v. 59, n. 1, p , GEMAN, Hélyette. Commodities and Commodities Derivatives: Modeling and Pricing for Agriculturals, Metals and Energy. Chichester: John Wiley & Sons Ltd, p. BM&FBOVESPA. Bolsa de Mercadorias de São Paulo. Disponível em:< Acesso em: agosto de

34 CHAMMAH, Isaac; RODRIGUES, Bruno; ADUAN, Camilla. Análise das variáveis exógenas que afetam a arrecadação de filmes nos Estados Unidos. São Paulo, f. Insper Instituto de Ensino e Pesquisa (Faculdade de Administração e Economia). FURINI, Mateus. Estudo sobre os determinantes do múltiplo EV/EBITDA. São Paulo, 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: < Acesso em: setembro de IPEA. Instituto de Pesquisa Econômica Aplicada. Disponível em: < Acesso em: setembro de OANDA. Forex trading and Exchange rate services. Disponível em: < Acesso em: setembro de CEPEA-ESALQ. Centro de Estudos Avancados em Economia Aplicada. Disponível em: < Acesso em setembro de DATA STREAM. Data Stream: tool for investment analysis from Thomson Reuters. Acesso em 09 nov BLOOMBERG. Bloomberg: tool for investment analysis. Acesso em 08 nov

35 Anexos Tabela 1 Teste de heterocedásticidade de White para o resíduo da equação do café: Heteroskedasticity Test: White F-statistic Prob. F(10,28) Obs*R-squared Prob. Chi-Square(10) Scaled explained SS Prob. Chi-Square(10) Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 11/10/11 Time: 09:51 Sample: 2008M M03 Included observations: 39 Variable Coefficient Std. Error t-statistic Prob. C PCAFE_FUT^ PRODCAFE^ ESTCAFE^2 1.03E E IPCA^ IBOV^ EX^2-2.99E E CREDITO^2-7.06E E CAMBIO^ PETROLEO^ PIB^2 1.46E E R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter F-statistic Durbin-Watson stat Prob(F-statistic) Tabela 2 - Teste de heterocedásticidade de White para o resíduo da equação da soja: Heteroskedasticity Test: White F-statistic Prob. F(10,28) Obs*R-squared Prob. Chi-Square(10) Scaled explained SS Prob. Chi-Square(10) Test Equation: Dependent Variable: RESID^2 35

36 Method: Least Squares Date: 11/10/11 Time: 10:16 Sample: 2008M M03 Included observations: 39 Variable Coefficient Std. Error t-statistic Prob. C PSOJA_FUT^ PRODSOJA^2-1.19E E ESTSOJA^ IPCA^ IBOV^ EX^2-1.25E E CREDITO^2 5.65E E CAMBIO^ PETROLEO^2 1.50E E PIB^2-2.53E E R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter F-statistic Durbin-Watson stat Prob(F-statistic) Tabela 3 Teste de heterocedásticidade de White para o resíduo da equação do boi gordo: Heteroskedasticity Test: White F-statistic Prob. F(9,29) Obs*R-squared Prob. Chi-Square(9) Scaled explained SS Prob. Chi-Square(9) Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 11/10/11 Time: 10:13 Sample: 2008M M03 Included observations: 39 Variable Coefficient Std. Error t-statistic Prob. C PBOI_FUT^ PRODBOI^2-1.86E E IPCA^ IBOV^ EX^2-9.21E E CREDITO^2-4.72E E CAMBIO^

37 PETROLEO^2 2.12E E PIB^2 5.68E E R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter F-statistic Durbin-Watson stat Prob(F-statistic) Tabela 4 Teste de Breusch-Godfrey de correlação serial para a equação do café: Breusch-Godfrey Serial Correlation LM Test: F-statistic Prob. F(2,26) Obs*R-squared Prob. Chi-Square(2) Test Equation: Dependent Variable: RESID Method: Least Squares Date: 11/10/11 Time: 09:56 Sample: 2008M M03 Included observations: 39 Presample missing value lagged residuals set to zero. Variable Coefficient Std. Error t-statistic Prob. C PCAFE_FUT PRODCAFE ESTCAFE 7.47E IPCA IBOV EX CREDITO CAMBIO PETROLEO PIB -4.75E RESID(-1) RESID(-2) R-squared Mean dependent var 1.24E-13 Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter F-statistic Durbin-Watson stat Prob(F-statistic)

38 Tabela 5 - Teste de Breusch-Godfrey de correlação serial para a equação da soja: Breusch-Godfrey Serial Correlation LM Test: F-statistic Prob. F(2,26) Obs*R-squared Prob. Chi-Square(2) Test Equation: Dependent Variable: RESID Method: Least Squares Date: 11/10/11 Time: 10:16 Sample: 2008M M03 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 4.51E CREDITO 3.27E E CAMBIO PETROLEO PIB -9.23E E RESID(-1) RESID(-2) R-squared Mean dependent var -1.14E-14 Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter F-statistic Durbin-Watson stat Prob(F-statistic) Tabela 6 - Teste de Breusch-Godfrey de correlação serial para a equação do boi gordo: Breusch-Godfrey Serial Correlation LM Test: F-statistic Prob. F(2,27) Obs*R-squared Prob. Chi-Square(2) Test Equation: 38

39 Dependent Variable: RESID Method: Least Squares Date: 11/10/11 Time: 10:13 Sample: 2008M M03 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 -1.69E CAMBIO PETROLEO PIB 1.03E E RESID(-1) RESID(-2) R-squared Mean dependent var -2.67E-14 Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter F-statistic Durbin-Watson stat Prob(F-statistic) Tabela 7 Equação do preço do café: Dependent Variable: PCAFE Method: Least Squares Date: 11/10/11 Time: 10:38 Sample (adjusted): 2008M M03 Included observations: 39 after adjustments White heteroskedasticity-consistent standard errors & covariance Variable Coefficient Std. Error t-statistic Prob. PCAFE_FUT CREDITO PIB R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter Durbin-Watson stat

40 Tabela 8 Equação do preço da soja: Dependent Variable: PSOJA Method: Least Squares Date: 11/10/11 Time: 10:46 Sample (adjusted): 2008M M03 Included observations: 39 after adjustments HAC standard errors & covariance (Bartlett kernel, Newey-West fixed bandwidth = ) Variable Coefficient Std. Error t-statistic Prob. PSOJA_FUT CAMBIO R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter Durbin-Watson stat Tabela 7 Equação do preço do boi gordo: Dependent Variable: PBOI Method: Least Squares Date: 11/10/11 Time: 10:43 Sample (adjusted): 2008M M03 Included observations: 39 after adjustments HAC standard errors & covariance (Bartlett kernel, Newey-West fixed bandwidth = ) Variable Coefficient Std. Error t-statistic Prob. C PBOI_FUT PRODBOI CAMBIO R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter F-statistic Durbin-Watson stat Prob(F-statistic)

41 Figura 1 Gráfico de dispersão com todas variáveis do café: 600 PCAFE PCAFE_FUT PRODCAFE ,000 ESTCAFE 50, IPCA IBOV ,000 EX 2, ,000 CREDITO 120, ,000 80, CAMBIO PETROLEO , ,000 PIB 250, , , , ,000 4,000 80, , , ,000 PCAFE PCAFE_FUT PRODCAFE ESTCAFE IPCA IBOV EX CREDITO CAMBIO PETROLEO PIB 41

42 Figura 2 Gráfico de dispersão com todas variáveis da soja: 55 PSOJA PSOJA_FUT ,500 PRODSOJA 6,000 5,500 5,000 4, ESTSOJA IPCA IBOV ,000 EX 2, ,000 CREDITO 120, ,000 80, CAMBIO PETROLEO , ,000 PIB 250, , ,500 5,500 6, ,000 4,000 80, , , ,000 PSOJA PSOJA_FUT PRODSOJA ESTSOJA IPCA IBOV EX CREDITO CAMBIO PETROLEO PIB 42