Escolar Documentos
Profissional Documentos
Cultura Documentos
Campinas
Novembro de 2016
UNIVERSIDADE ESTADUAL DE CAMPINAS
FACULDADE DE ENGENHARIA AGRÍCOLA
Campinas
Novembro de 2016
Agência(s) de fomento e nº(s) de processo(s): Não se aplica.
Ficha catalográfica
Universidade Estadual de Campinas
Biblioteca da Área de Engenharia e Arquitetura
Luciana Pietrosanto Milla - CRB 8/8129
Título em outro idioma: The Variation of maize prices and its relation with climatic factors
Palavras-chave em inglês:
Corn
Commodities
Climate
Temperature
Titulação: Engenheiro Agrícola
Banca examinadora:
Marco Tulio Ospina Patino [Orientador]
Jansle Vieira Rocha
Nilson Antonio Modesto Arraes
Data de entrega do trabalho definitivo: 05-12-2016
BANCA EXAMINADORA
......................................................
Prof. Doutor Marco Tulio Ospina Patino
Orientador
......................................................
Prof. Doutor Jansle Vieira Rocha
......................................................
Prof. Doutor Nilson Antonio Modesto Arraes
RESUMO:
Durante os 20 últimos anos, foi observado grandes alterações nos preços das commodities,
devido a flutuações cambiais, quebra de safra, aumento da demanda, intempéries climáticas,
entre outros fatores. Conhecer o mercado e a precificação desses produtos, para um produtor
ou comercializador, tornou-se essencial para a manutenção do negócio e proteção dos custos
envolvidos na operação. O mercado de milho, uma das principais culturas produzidas no país,
que ao lado da soja, correponde a 80% da produção de grãos, nos últimos anos teve um
aumento significativo do volume negociado na bolsa de contratos futuros, mostrando que a
profissionalização dos envolvidos nesse mercado tem crescido devido a demanda pela
proteção das variações de preço. Com isso, este trabalho teve como objetivo apresentar uma
relação entre a variação dos preços com indicativos climáticos, analisando dados históricos de
preço, temperatura e precipitação de duas principais praças de milho no Brasil,Cascavel, no
Paraná, e Lucas do Rio Verde, em Mato Grosso, comparando a variação dos preços da
Chicago Board of Trade (CBOT), do Indicador de Preços do Milho Esalq/BM&Fbovespa e das
praças locais, sempre observando o preço de base e realizando uma comparação com fatores
climáticos desses municípios, verificando o quanto o preço foi alterado com os indicativos
climáticos. Por último, buscou-se analisar estatisticamente os preços das praças locais e do
Indicador Esalq/BM&Fbovespa com temperatura média e precipitação das regiões
relacionadas, utilizando a metodologia ARIMA, buscando um modelo para estimar o quanto a
variação de temperatura e precipitação começa a ser prejudicial na precificação da commodity.
Foi possível concluir que a precificação não é alterada apenas com indicadores climáticos,
como precipitação e temperaturas médias, mas podem envolver muitos outros fatores
macroeconômicos, como oferta e demanda, estoques, posição dos fundos, entre outros.
Também pode-se observar que a correlação dos preços das praças estudadas possuem uma
correlação muito alta com o indicador Esalq/BM&Fbovespa, assim acompanhando os seus
movimentos, que é alterado envolvendo fatores mundiais, e não apenas locais.
Estatisticamente, não foi encontrado um modelo que mostre uma relação entre temperatura
média e precipitação em relação aos preços nas praças locais, visto que não foi encontrado
uma relação que mostre que diante um aumento de precipitação ou temperatura média local
o preço tende a se alterar. Palavras-chave: Milho, Produção, Commodities, Clima,
Temperatura, Precipitação, Preço.
SUMÁRIO
1. INTRODUÇÃO
2. OBJETIVO
3. REVISÃO DE LITERATURA
4. MATERIAIS E MÉTODOS
5. RESULTADOS E DISCUSSÃO
6. CONCLUSÃO
7. REFERÊNCIAS BIBLIOGRÁFICAS
1. INTRODUÇÃO
2. OBJETIVO
Neste trabalho buscou-se apresentar uma relação entre a variação dos preços com
indicativos climáticos, seguindo os seguintes passos:
3. REVISÃO DE LITERATURA
O milho de primeira safra se caracteriza por disputar área com a soja no Sul e Sudeste
do Brasil, principais regiões produtoras desse milho no país. O plantio acontece entre agosto
e dezembro e a colheita, entre janeiro e maio. O milho semeado nesse período costuma
receber melhores condições climáticas e tende a demonstrar uma maior produtividade. Já o
significa o mês de vencimento do contrato (Janeiro (F), Março (H), Maio (K), Julho (N), Agosto
(Q), Setembro (U) e Novembro (X)), e finalizado por dois números, que expressa o ano de
vencimento. O vencimento ocorre sempre no décimo quinto dia útil do mês especificado. Este
contrato não prevê a entrega física do produto, mas apenas sua liquidação financeira. Esse
mercado foi criado para funcionar como uma proteção ao investidor e produtor de milho, por
conta das grandes oscilações que ocorrem nos mercados de renda variável. Este tipo de
derivativo é peça fundamental para diversos setores, como produtores de milho, farelo, ração,
frangos, entre outros. Assim, agricultores conseguem garantir um preço justo de venda da sua
safra, cobrindo os de produção e exportadores garantem um preço justo pela compra de sacas
de milho, assim certificando que terão lucro com suas operações mesmo com as mudanças
rápidas no preço do ativo. (BM&F BOVESPA, 2016).
Nos mercados futuros, temos como principais tipos de contratos utilizados o contrato a
termo, contrato futuro e contrato de opções. (MOURA, 2002).
No contrato a termo todas as variáveis são definidos no momento em que o contrato é
firmado, fixando assim o preço, moeda, commodity e volume a ser negociado. Normalmente o
comprador paga antecipadamento parte do preço, e o vendedor oferece alguma garantia ao
comprador. Na maioria dos casos, esse tipo de negociação é realizada fora das bolsas.
(MOURA, 2002).
No contrato futuro, é formalizado a compra ou venda de um ativo financeiro ou
Commodity no futuro, já definido o volume e a qualidade do produto, que é padronizado pelas
bolsas. Essa operação será realizada em um mês específico, por um preço estipulado no
pregão da bolsa, sendo sujeito a alteração até o vencimento do contrato, e toda a operação
sob condições e termos estabelecidos pelo mercado que rege o contrato, sempre controlado
pela bolsa. As cotações do mercado futuro refletem as expectativas dos vendedores e
compradores em relação ao valor da mercadoria no dia do vencimento do contrato, assim
podendo ser considerado como previsões de preços e, por serem padronizados, possuem
mais liquidez que os contratos a termo. (SIQUEIRA, 2003).
A liquidação desses contratos podem ser feitas de três maneiras, ou entrega física, ou
a reversão da posição, ou financeiramente. A liquidação com entrega física representa a
entrega e recebimento do produto, representando apenas cerca de 1% das liquidações que
são realizadas nas bolsas. A liquidação por reversão de posição é a execução de uma ordem
contrária a que você possue na bolsa. Caso você seja um produtor que busca realizar a
proteção dos preços de venda do seu produto na bolsa, você vende contratos futuros, e após
vender seu produto físico realiza a reversão da sua posição, assim comprando contratos
futuros e liquidando a sua posição na bolsa. A liquidação financeira possue referência a um
indicador que tem o objetivo de representar o valor do produto no mercado atual, sendo
utilizado em contratos onde o produto é de difícil padronização. (MARQUE E MELLO, 1999).
Em um contrato de opções, é adquirido o direito de comprar ou vender um produto ou
um contrato futuro em uma data pré-determinada, por um preço previamente acordado, assim
o comprador da opção pagando um valor ao vendedor por esse direito. (BM&F, 2005).
Nos dias atuais, com diversas fontes de informações, selecionar os meios que
transmitem confiança na obtenção dos dados se tornou algo essencial e de extremo valor, se
tornando um grande mercado. Tem-se como principais empresas atualmente nesse mercado
a Bloomberg e a Thomson Reuters.
A Bloomberg foi fundada em 1982 com a missão de trazer transparência aos mercados
financeiros e de capitais por meio do acesso a informação. Hoje conta com mais de 15.000
funcionários em 192 escritórios distribuídos em 72 países, conectando mais de 320.000
profissionais a uma rede global e dinâmica de informações, notícias, pessoas e ideias. Foram
utilizados os dados da área de commodities do Bloomberg Professional, ferramenta que cobre
dados atualizados de mapeamento, análises fundamentalistas separadas por setores, notícias
em tempo real com uma cobertura do mercado do agronegócio brasileiro e global, incluindo
dados como curvas de valor futuro, gráficos de impacto do câmbio, sazonalidade, spreads
históricos, arbitragens, análises de preços e base, histórico de temperatura e precipitação em
diversas praças, entre outros. (BLOOMBERG, 2016).
A Thomson Reuters, empresa do mesmo seguimento, é uma empresa que oferece
conhecimento, tecnologia e especialistas para as empresas encontrarem respostas confiáveis.
Tem como objetivo no Brasil de ampliar sua presença como provedor de soluções
profissionais. Atualmente, Reuters conta com uma equipe no país de aproximadamente 2200
funcionários e opera localmente com uma suite completa e integrada que reúne marcas
reconhecidas e confiáveis, como o Reuters News e o EIKON. Nesse trabalho também foram
utilizadas as ferramentas do EIKON, que é uma plataforma que fornece aos profissionais uma
mistura de respostas confiáveis de notícias, dados e análises de mercados, onde foram
utilizadas as ferramentas voltadas para o mercado de commodities (REUTERS, 2016).
4. MATERIAIS E MÉTODOS
Para a aquisição dos dados, foram utilizadas as plataformas Bloomberg e Reuters, que
contém dados históricos sobre a cultura, as praças, e as mudanças climáticas. Nessas
plataformas são utilizados as fontes de pesquisa mais relevantes, como do USDA (U.S.
Department of Agriculture), SOMAR, Cepea Esalq, entre outros. Com isso foi adquirido uma
série histórica de cada variável, buscando uma maior quantidade de dados para a criação de
um modelo mais robusto.
Buscando utilizar praças com uma forte produção de Milho, foram escolhidas as cidades
de Lucas do Rio Verde, no Mato Grosso, e Cascavel, no Paraná. Essas cidades foram
selecionadas por terem uma grande diferença geográfica, além de análises para diferentes
safras do milho (Safra e Safrinha), trazendo diferentes análises climáticas e condições de
plantio, buscando encontrar um modelo que abrange todo o mercado brasileiro.
Para comparação dos preços encontrados na praça local, foram utilizadas os preços de
fechamento do milho das das bolsas CBOT (Chicago Board of Trade) e BM&F (Bolsa de
Mercadorias e Futuros).
Para a realização da estatística, foi utilizado o sistema estatístico R, que é uma
linguagem e ambiente para computação estatística e gráficos. É um projeto GNU, que foi
desenvolvido pela Bell Laboratories. Esse sistema fornece uma ampla variedade de técnicas
estatísticas gráficas (modelagem não-linear, testes estatísticos clássicos, análise de séries
temporais, linear, etc.) e é altamente extensível. O R está disponível como software livre sob
os termos da GNU General Public License da Free Software Foundation em forma de código
fonte. Ele compila e roda em uma ampla variedade de plataformas UNIX, Windows e MacOS,
assim sendo extremamente versátil.
Nesse projeto, foi utilizado o modelo ARIMA. Esses modelos são consolidados e nos
proporcionam dados confiáveis tanto no lado estatístico quanto conceitual, nos trazendo
previsões sobre a análise de dados e mostram se esses dados são de fácil implementação,
sendo realizado em diversos trabalhos sobre séries de commodities, como pode ser observado
nos trabalhos de PINTO et al. (2008), LIMA et al. (2010) e FELIPE (2012). De acordo com
Gomes (1989), esse modelo representa uma generalização dos diversos métodos de análise
de séries temporais, então sendo apropriado para descrever séries não-estacionárias, que
significa séries na qual a média não é constante no período de análise, onde as variáveis
normalmente são pequenas, assim apresentando uma sazonalidade ou tendência. Uma série
temporal não-estacionária pode ser reduzida a uma série temporal estacionária tomando um
grau apropriado de diferenciação. Os modelos ARIMA são úteis na descrição de séries
temporais estacionárias, e é utilizado a diferenciação para construir uma grande classe de
modelos de séries temporais e modelos de média móvel auto-regressivos integrados, que são
úteis na descrição de várias séries temporais não-estacionárias (WEI, 2006).
Para se identificar um modelo ARIMA, Gomes (1989) cita
nível de diferenciação (d), a partir do qual a série se torna estacionária, a ordem (máxima) dos
termos autoregressivos (p) e a ordem (máxima) dos termos médias- Para encontrar
esses termos do modelo, é necessário realizar a função de autocorrelação e a função de
autocorrelação parcial, esses que qualificam o padrão de dependência temporal da série. De
uma forma geral, os modelos ARIMA mostram que as séries temporais podem ser
representadas por uma sequência aleatórias de ações que são submetidas a três diferentes
operações de filtragem médias móveis, auto-regressiva e integração, podendo afirmar que
esses modelos equivalem as séries temporais como uma aproximação dos valores e erros
passados da própria série (GOMES, 1989)
A análise das funções de auto-correlação e de auto-correlação parciais traz como
resultado qual modelo ARIMA deverá será utilizado. Ele auxilia no uso dos testes de raízes
unitárias para mostrar se a série possui uma estacionariedade ou não. O foco da identificação
é encontrar os valores de p, d e q do modelo ARIMA(p,d,q), nos trazendo também estimativas
preliminares das variáveis a serem utilizadas para estimarmos o modelo. (SANTOS, 2014). A
identificação do modelo ARIMA a ser ajustado à base de dados é tida como uma das principais
etapas para se ter uma utilização adequada da modelagem ARIMA, e essa escolha do modelo
é feita com base nas autocorrelações e autocorrelações parciais estimadas.
Uma série temporal é uma base de dados que foi observada ao longo do tempo de
maneira sequencial. Sua principal característica é a dependência entre os dados. Em modelos
de regressão a ordem das observações não influencia na análise de dados, assim sendo
irrelevante. Mas nas séries temporais, a ordem dos dados é a parte mais importante, sendo
crucial para a análise. Com isso, a análise se torna mais complicada, tendo como
características particulares, por exemplo, a necessidade de utilização de técnicas específicas,
levar sempre em conta a ordem temporal, trazendo para o modelo fatores complicadores,
como presença de tendências e mudanças sazonais ou cíclica, que podem ser difíceis de
estimar.
Uma das maneiras possíveis de ver que uma série é não-estacionária é analisar o
comportamento gráfico, buscando alguns padrões, como inclinação, andamento temporal,
variância não constante com o tempo (SANTOS, 2014).
5. RESULTADOS E DISCUSSÃO
Nos gráficos 1 e 2, tem-se os preços históricos das bolsas utilizadas nesse trabalho. Foi
analisado uma linha histórica de doze anos do preço do milho CBOT (gráfico 1), onde pode-
se observar que existiu uma variação de até 4 vezes entre o valor da máxima e mínima,
demonstrando um impacto significativo para os produtores e consumidores.
Preço R$/sc
Pode-se observar também uma grande oscilação comparando com os valores históricos
do Milho BM&F (gráfico 2), com até 1,5 vezes entre a máxima e a mínima.
Gráfico 2: Histórico diário do preço do milho na BM&F
Fonte: Reuters
Na tabela 1, pode ser visto os valores máximos, mínimos, média e desvio padrão das
duas bolsas (BM&F e CBOT):
Para as praças, foram utilizados os valores de base. Esses valores são usualmente
utilizados para a realização das negociações. Para obter a base, o cálculo feito é a diferença
entre o preço histórico de uma commodity na região que se está analisando e o valor histórico
negociado na BM&F ou CBOT. No segundo caso é necessário fazer as devidas conversões
para transformar as unidades, que na CBOT é cU$/bushel e na BM&F R$/sacas.
(RODRIGUES & CUNHA, 2013).
Para as conversões, tem-se:
1 bushel = 25,401 kg
1 saca (sc) = 60 kg
1 saca (sc de 60 kg) = 2,3621 bushel
1 tonelada = 16,666 sacas (60 kg)
Nos gráficos 4 e 6 pode-se observar os valores do milho nas praças escolhidas, e com
esses valores foi calculado o valor de base.
Pode-se observar no gráfico 4 que no ano de 2013 o preço caiu aproximadamente R$10
por saca, visto a produtividade elevada, batendo valores como 115 sacas por hectare. Com
isso, a oferta foi muito elevada, baixando os preços (ANDERLI, 2013). No ano seguinte, por
conta de uma seca que afetou tanto a produção de soja quanto do milho, houve uma quebra
na produção do milho safrinha de até 30%, fazendo com que os preços voltassem para a casa
dos R$20 por saca (FARIAS, 2014). Em seguida o preço voltou a cair por conta da grande
produtividade, uma das maiores da região, e em seguida se normalizou até o ano de 2016,
onde a forte demanda no mercado externo, além da valorização cambial, favoreceram a
exportação, assim elevando o preço no mercado interno pelo receio dos consumidores de
ficarem sem o produto, e ainda com uma quebra de produtividade, saindo de 100 sacas por
hectare para 80 sacas por hectare, por conta de uma seca ocorrida em abril (CUSTÓDIO,
2016).
Analisando os dados de preço em Lucas do Rio Verde MT e os preços do indicador
ESALQ/BM&Fbovespa, pode-se ver no gráfico 5 que existe uma correlação de 85% entre os
dois preços, mostrando uma forte influência do preço do indicador na praça local.
Preço R$/ sc
No gráfico 8 encontra-se uma base bem negativa, valores que podem ser considerados
devidos a dificuldade de transporte até o porto, armazenamento, entre outros custos que serão
gastos pelo comprador da commodity.
odor e aspectos normais, em bom estado de conservação, livre de bagas de mamona e outras
sementes prejudiciais e insetos vivos, duro ou semiduro, com umidade de até 14%, teor de
impurezas máximo de 1% na peneira 3 mm, máximo de 6% de grãos ardidos ou brotados e
livre de grãos mofados e até 12% de grãos quebrados, partidos ou chochos, tudo em
(CEPEA, 2016), que levam em consideração os preços nas cidades de Campinas, Amparo,
Jaguariúna, Mogi-Mirim, Pirassununga, Jundiaí, Americana, Piracicaba, Limeira, Tietê,
Indaiatuba, Itu, e outras regiões intermediárias, além do acompanhamento e monitoramento
(sem consideração no Indicador) dos preços de regiões importantes produtoras de milho. O
objetivo da
importantes de produção e consumo de milho a fim de proporcionar análises seguras sobre o
(CEPEA, 2016).
Pode-se observar no gráfico 10 abaixo que a correlação dos preços Milho BM&F e do
indicador Esalq/BM&Fbovespa é muito alta, assim os dois sendo proporcionalmente sensíveis
nas oscilações de mercado, podendo utilizar o indicador como parâmetro para a modelagem.
Pode-se observar no gráfico 12 que nos anos de 2006, 2007 e 2008 que foi encontrado
as temperaturas mais baixas, e em 2004 e 2011 as temperaturas mais elevadas, mas também
não sendo fatores preponderantes na mudança do preço da praça.
Na tabela 2 abaixo, tem-se os valores máximos, mínimos, médias e desvio padrão das
temperaturas médias de cada região dos últimos 15 anos.
Tabela 2: Valores máximos, mínimos, média e desvio padrão mensal das temperaturas
médias das praças Lucas do Rio Verde MT e Cascavel PR
Na Tabela 2, pode-se ver que em Lucas do Rio Verde MT o clima tende a ter uma
variação menor, se mantendo sempre perto da média de 26°C , diferente de Cascavel PR,
que pode chegar a temperaturas mais baixas no inverno, e assim tendo um desvio padrão 3x
maior que a outra praça analisada.
Também é possível observar nos gráficos 11 e 12 a diferença entre as temperaturas de
Lucas do Rio Verde - MT e Cascavel - PR. Consegue-se ver uma oscilação menor entre as
temperaturas no Mato Grosso, e uma média bem acima, com quase 5 °C acima, e altas de até
aproximadamente 40 °C . Já em Cascavel - PR é possível notar temperaturas baixas, próximas
de possibilidades de geadas, como 3 °C , além de uma temperatura média que varia entre 15
°C e 25 °C , dependendo da época do ano.
Tabela 3: Valores máximos, mínimos, média e desvio padrão mensal de precipitação das
praças Lucas do Rio Verde MT e Cascavel PR
Realizando esse procedimento, conlui-se que o modelo ARIMA para a série de preços log-
deferenciado de Cascavel é ARIMA (1,1,1).
Figura 10: Série temporal de preços log diferenciados de Lucas do Rio Verde - MT
Figura 11: Função autocorrelação e função autocorrelação parcial para preços log
diferenciados de Lucas do Rio Verde MT
Assim como a série de preços de Cascavel, existe uma tendência na série de preços
CBOT, assim ela não sendo uma série estacionária e é possível ver que sua autocorrelação
não ficou entre os níveis requeridos, sendo necessário realizar a diferenciação dos dados para
encontrar o modelo ARIMA.
Realizando esse procedimento, conclui-se que o modelo ARIMA para a série de preços
log-deferenciado CBOT é ARIMA (0,1,0).
Figura 15: Série temporal, função autocorrelação e função autocorrelação parcial para
preços Esalq/BM&Fbovespa
Figura 19: Relação preço de Lucas do Rio Verde MT log-diferenciado com precipitação em
Lucas do Rio Verde - MT
Figura 20: Relação preço do Esalq/BM&Fbovespa log-diferenciado com precipitação em
Cascavel - PR
Pode-se observar na figura 18, 19 e 20 que os preços não variaram por conta do
aumento da precipitação, mas sim por outros fatores macroeconômicos. Pode-se observar que
em dias com elevada precipitação, como 60 milímetros de chuva em um dia, não fizeram com
que o preço fosse alterado, assim como em dias que não choveu foi observado uma taxa de
variação do preço elevada e, com isso, não foi possível encontrar uma tendência mostrando
que o preço é alterado com a quantidade de chuva na região estudada. Com isso, não foi
possível criar um modelo relacionando o preço de Cascavel PR e Lucas do Rio Verde MT
com a precipitação, visto que não existe uma tendência.
Figura 21: Relação preço de Cascavel PR log-diferenciado com temperatura média da
região de Cascavel - PR
Figura 22: Relação preço de Lucas do Rio Verde log-diferenciado com temperatura média
da região de Lucas do Rio Verde - MT
Figura 23: Relação preço do Esalq/BM&Fbovespa log-diferenciado com temperatura média
da região de Cascavel PR
Pode-se observar na figura 21, 22 e 23 que os preços não variaram por conta da
oscilação de temperatura, mas sim por outros fatores macroeconômicos. Pode-se observar
que mesmo em dias com temperaturas médias mais elevadas, com 30ºC, ou em dias com
temperaturas médias mais baixas, com 15ºC, a taxa de variação do preço não foi alterada,
assim não encontrando uma tendência que mostre que o preço é alterado com a variação de
temperatura média da região estudada. Com isso, não foi possível criar um modelo
relacionando o preço de Cascavel PR e Lucas do Rio Verde - MT com a temperatura média.
Na literatura, como no trabalho de CONCEIÇÃO (2006), encontra-se que não apenas
um, mas diversos fatores são capazes de alterar a tendência de um preço, e a união de todos
esses que precificam a commodity. Com isso, confirma a dificuldade de encontrar um modelo
que relacione apenas uma variável para alteração dos preços, sendo necessário diversos
fatores conhecidos e desconhecidos para encontrar um modelo que seja preciso em confirmar
uma tendência sobre os preços de um determinado produto.
6. CONCLUSÃO
Neste trabalho, não foi encontrado uma relação direta entre mudanças na temperatura
média e precipitação nas praças específicas com a variação dos preços, tanto na região local,
quanto nos dados nacionais. Esse resultado comprova a literatura, que afirma que apenas
fatores isolados não tem a força necessária para alterar significativamente o preço, e que a
influência na variação dos preços se dá com maior importância nas praças pela oferta e
demanda. Pode-se observar que em anos com uma maior/menor precipitação ou temperatura
média não teve consequentemente uma maior variação nos preços das praças locais, assim
também não causando uma influência na variação dos preços das bolsas.
Estatisticamente, não foi encontrado um modelo preciso que mostre uma relação
significativa entre temperatura média e precipitação em relação aos preços nas praças locais,
visto que não foi encontrado uma relação que mostre que diante um aumento de precipitação
ou temperatura média local o preço tende a se alterar. Isso deve-se a todos os fatores
macroeconômicos nacionais, que influenciam fortemente o preço, visto a correlação entre os
preços spot e do indicador ESALQ/BM&Fbovespa, diminuindo a possibilidade de um
aumento/queda nos preços analisando apenas uma variável específica.
Levando em consideração todos os efeitos macroeconômicos, é possível verificar que
o preço é alterado mediante diversos fatores que trabalham em conjunto, como por exemplo
oferta e demanda, estoques, mudanças climáticas, estratégias financeiras, entre outros.
Encontra-se uma correlação muito forte das variações dos preços do indicador
ESALQ/BM&Fbovespa com o preço spot no na praça local, sendo 85% para Lucas de Rio
Verde - MT e 97% para Cascavel PR, o que leva a diminuir a influência apenas de uma praça
específica no preço do indicador, assim o produtor, deve se proteger não apenas das
intempéries que podem ser encontrados na sua região, mas deve realizar uma análise nacional
e mundial para a escolha do hedge ideal, visto que o preço na praça tende a acompanha os
movimentos do indicador, que é alterado envolvendo diversos fatores mundiais, e não apenas
locais.
7. REFERÊNCIAS BIBLIOGRÁFICAS
ANDERLI, A. 19/07/2013 : Colheita de milho em Lucas do Rio Verde (MT) deve ser
concluída na próxima semana. Agroeste, 2013. Disponível em
<http://www.agroeste.com.br/noticia/3183/colheita-de-milho-em-lucas-do-rio-verde-mt-deve-
ser-concluida-na-proxima-semana> acesso em 09/11/2016
CME GROUP. Guia Auto-didático para Hedge com Futuros e Opções de Grãos e
Sementes Oleaginosas. Chicago: CME Group, 2014
FAO, IFAD, IMF, OECD, UNCTAD, WFP, the World Bank, the WTO, IFPRI and the UN HLTF.
Price volatility in food and agricultural markets: Policy responses. Disponível
em:<http://www.fao.org/fileadmin/templatés/est/Volatility/Interagency_
Report_to_the_G20_on_Food_Price_Volatility.pdf> Acesso em 22/03/2016
LANDAU, E. C.; SANS, L. M. A.; SANTANA, D. Milho e Sorgo - Sistemas de Produção, vol.
2, Versão Eletrônica - 5 ª edição Set./2009.
LIMA, F. G.; KIMURA, H.; NETO, A. A.; PERERA, L. C. J. Previsão de Preços de Commodities
com Modelos ARIMA-GARCH e redes neurais com ondaletas: velhas tecnologias novos
resultados. R. Adm., São Paulo, V.45, n.2, p. 188-202, abril/maio/junho de 2010
MIRANDA, R. A.; DUARTE, J. O.; GARCIA, J. C. Cultivo do Milho. Sistema de Produção, vol
1, Versão Eletrônica, 8ª Edição, out/2012. Disponível em
<http://www.cnpms.embrapa.br/publicacoes/milho_8_ed/mercado.htm>, acesso em
30/10/2016.
PINTO, P. A. L. A.; PEREIRA, E. S.; OLIVEIRA, M. C.; SANTOS, J. M.; MAIA, F. S. Aplicação
do Modelo ARIMA à Previsão do Preço das Commodities Agrícolas Brasileiras. XLVI
Congresso da Sociedade Brasileira de Economia, Administração e Sociologia Rural, Rio
Branco Acre, 20 a 23 de julho de 2008.
RODRIGUES, G. Z.; CUNHA, C. A. Análise da base e risco de base dos principais municípios
produtores de milho do Estado de Goiás. Revista de política agrícola, 2013
SIMÕES, M. D.; KLOTZLE, M. C.; PINTO, A.C.F; LEVRINI, G. Uma avaliação da volatilidade
dos preços da soja no mercado internacional com dados de alta frequência. Gest. Prod., São
Carlos, v. 19, n. 1, p. 219-231, 2012
SOUZA, W. A. R.; GUERRA, F. B.; ZANIN, V.; FILHO, J. G. M. Impactos Operacionais das
Alterações no Contrato Físico de Milho da BM&F-Bovespa na Mitigação de Risco. Revista
Brasileira de Gestão de Negócios. V.14, n. 45, p. 480-493, out/dez. 2012.
TAYLOR, S. Asset price dynamics, volatility, and prediction. Princeton University Press.
2005. p.1-12, 189-193.
TRUJILLO-BARRERA, A.; MALLORY, M.; GARCIA, P. Volatility spillovers in U.S. crude oil,
ethanol, and corn futures markets. Journal of Agricultural and Resource Economics. 37(2);
p. 247-262
WEI, W. W. S. Time Series Analysis: Univariate and Multivariate Methods, 2 ed., 2006, p.
90-92.