BRUNO NESRALLAH FORTE

HENRIQUE MICHELS COUTINHO

PREVISÃO DE PREÇOS DE BOI GORDO

COM O FILTRO DE KALMAN

Projeto do Trabalho de Conclusão de Curso

apresentado ao curso de Engenharia de Produção
da Escola de Engenharia da Universidade
Presbiteriana Mackenzie, como requisito parcial
para a obtenção do Título de Engenheiro.

ORIENTADOR: PROF. DR AGOSTINHO CELSO PASCALLICHIO

São Paulo
2023
 SUMÁRIO

1 INTRODUÇÃO
3
1.1 OBJETIVOS
3
1.1.1 Objetivo geral 3
1.1.2 Objetivos específicos 4
1.2 JUSTIFICATIVA
4
2 REVISÃO DE LITERATURA
4
2.1 MERCADO FUTURO
4
2.1.1 Participantes 4
2.1.2 Retorno de Conveniência 5
2.2 PROCESSOS ESTOCÁSTICOS
6
2.3 Filtro de Kalman 7
3 METODOLOGIA
11

REFERÊNCIAS
11
 3

1 INTRODUÇÃO
O Brasil, segundo uma pesquisa publicada pela Embrapa (2021), possui uma participação no
mercado mundial de alimentos que chega a 100 bilhões de dólares, atingindo aproximadamente 800
milhões de pessoas. Quando trabalhamos com commodities, ou seja, ativos que têm seu preço
atrelado às flutuações do mercado internacional, estamos falando de incertezas para o produtor, que
espera conseguir um retorno positivo sobre o investimento inicial.

Com o objetivo de minimizar os riscos (oscilação de preço), é utilizado o mercado de

derivativos como mecanismo de proteção, mais conhecido como hedge. Para commodities
agrícolas, tal processo é caracterizado pela abertura de posição (compra ou venda) de contratos
futuros na bolsa de valores, com o objetivo de fixar o preço de compra ou venda. Deste modo, se
faz necessário um modelo robusto de previsão de preços, que auxilie os participantes do mercado
agropecuário na tomada de decisão.

A aplicação do filtro de Kalman em modelos de "apreçamento" de commodities, isto é, na

estimativa do preço que o ativo teria se fosse negociado hoje, tem sido foco de estudos recentes. O
filtro de Kalman é apresentado por Elliot e Hyndman (2007) como um modelo matemático
adequado para estimar variáveis não observáveis, que para o contexto do mercado de derivativos
agrícolas pode ser usado para determinar o preço à vista. Neste artigo, foi utilizada esta técnica de
filtragem estocástica para modelar o preço à vista do boi gordo, a partir dos sinais dados pelos
preços dos contratos futuros.

1.1 OBJETIVOS
1.1.1 Objetivo geral

O objetivo deste trabalho é a criação de um modelo quantitativo para estimar o preço à vista
do boi gordo, que possa ser replicado em outras commodities do mercado. O método matemático
escolhido, parte do filtro de Kalman e da teoria de arbitragem entre preço à vista e futuro.

1.1.2 Objetivos específicos

Identificar um modelo de apreçamento de ativos agrícolas para assim aplicar em um estudo

de caso utilizando o boi gordo como ativo subjacente. O modelo permite explicar o funcionamento
do mercado futuro, bem como os principais métodos de formação de preço de commodities.
 4

1.2 JUSTIFICATIVA
Investimentos no mercado futuro de produtos agrícolas no Brasil, com a finalidade de
hedge, estão cada vez mais presentes na realidade dos players do mercado agropecuário brasileiro.
O presente estudo, focado no uso de processos estocásticos aliados com o filtro de Kalman para
estimar os preços à vista do boi gordo, irá auxiliar o produtor agrícola em suas decisões.

2 REVISÃO DA LITERATURA

2.1 MERCADO FUTURO

Os mercados futuros se situam em um tipo específico de investimento chamado derivativo, o
qual é caracterizado por Miceli (2017) como um contrato que deriva o seu valor de um ativo
subjacente, índice ou taxa de referência. Um contrato no mercado financeiro é como qualquer outro
que ocorre no cotidiano, ou seja, temos duas entidades, que podem ser pessoas, instituições privadas
financeiras ou não financeiras, as quais entram em acordo sobre a venda ou compra de um
determinado produto.
No mercado futuro as negociações ocorrem de maneira semelhante, porém os contratos são
padronizados em termos de tamanho e liquidação. Segundo Hull (2003), “é um acordo entre duas
partes de comprar e vender um ativo em uma determinada data no futuro por um preço específico”,
ou seja, liquidados ou realizados em uma data futura estabelecida previamente.
O contrato futuro negociado em Bolsa começou em 1848 na Bolsa de Mercados Futuros, em
Chicago, a CBOT (Chicago Board of Trade). No Brasil, devido a crescente comercialização destes
contratos, em 2017 as operações passaram a ser realizadas na B3, fusão entre a BMF&BOVESPA e
CETIP.
2.1.1 Participantes
O mercado futuro atrai investidores, os quais possuem objetivos diferentes quando
ingressam em determinada operação. Pereira (2009) descreve três perfis de investidor, os hedgers,
que almejam uma proteção contra as oscilações dos preços no mercado à vista. O foco dos hedgers
não é o lucro, e sim travar o preço de venda ou compra para uma determinada data no futuro. Do
lado oposto temos o arbitrador, que tem como objetivo principal o lucro sem correr riscos. Este
player do mercado futuro usa como parâmetro de mercado um princípio chamado base. A base é a
diferença entre o preço à vista e futuro, em que podemos atribuir dois fenômenos, o contango e o
backwardation. O primeiro, de acordo com Pereira (2009), ocorre quando o preço à vista está
abaixo do preço futuro, o segundo, quando o preço à vista da commodity está acima do preço
futuro. A principal estratégia do arbitrador é comprar no mercado em que o preço está mais barato e
 5

vender no mercado em que está mais caro, ou fazer a operação inversa, lucrando um diferencial de
compra e venda. Especuladores também investem em commodities, uma vez que desejam obter
lucro por meio da compra e venda de um ativo. Eles não possuem interesse real no ativo físico,
portanto não carregam suas posições até o fim do contrato, liquidando-as antes. Cabe ressaltar que
eles possuem um papel fundamental pois viabilizam a outra ponta da operação do hedger,
fornecendo liquidez ao mercado.

2.1.2 Retorno de Conveniência

Uma variável que deve ser considerada na formação do preço de um contrato futuro é o
retorno de conveniência. Molero (2017) o defini como uma remuneração, que o agente detentor do
ativo físico recebe pela possibilidade de escassez. Expressa como taxa c t e adicionada na formação
de preço do ativo no futuro, temos a seguinte equação:

(r−c t )(T−t )
F t= X t e (1)

em que:
F t= preço do contrato no tempo t
X t = preço do ativo à vista no tempo t
T = vencimento do contrato futuro, posterior a t
r = taxa livre de risco
c t = retorno de conveniência

2.2 PROCESSOS ESTOCÁTICOS

A evolução dos preços no tempo segue um processo geométrico Browniano. Considerando o
espaço de probabilidade (, F ,P), a variação do preço à vista X t é descrita pela equação:

d X t =¿, t  [0, T] (2)

Onde μ é o retorno total esperado, σ o desvio padrão (volatilidade), c o retorno de conveniência e

dB t são os incrementos do movimento Browniano.
Shreve (2004) descreve a fórmula de Itô como uma forma de relacionar a equação acima
com a premissa x t =ln X t , para 0 ≤ t ≤ T . Uma função f que varie no tempo e dependa do movimento
Browniano pode ser desenvolvida como uma expansão de Taylor de segunda ordem:
 6

2
∂f 1 ∂f 2
df ( X t )= d Xt+ d Xt . (3)
∂x 2 ∂ x2
Resolvendo as derivadas parciais e aplicando as relações d B t2=dt ; dt 2=0temos o resultado:

( 1
)
d X t = μ−c− σ 2 d t + σ dBt
2
(4)

Todavia, em modelos de equações de estado, o tempo deve estar em sua forma discreta.
Com isso pode-se discretizar a relação acima particionando o intervalo [0,T] em k pontos
T
0=t 0< t 1 <t 2 ¿ … t k ¿ …<t N =T onde t k =k ∆ t e ∆ t= para k =0 ; 1; … ; N .Substituindo a relação
N
dB t= √ dt ξ k, onde ξ k é uma variável aleatória de distribuição normal, média zero e desvio padrão
igual a um, temos a seguinte equação discretizada:

( 1
)
X t = μ−c− σ 2 ∆ t+ X t−1 +σ √ ∆ tξ k para k=1;...;N.
2
(5)

Estabelecido a relação do preço à vista, para os contratos futuros, pode-se considerar várias
maturidades (T 1 , T 2 , … , T M ¿ dadas no mercado. Levando em consideração a eq.1 e aplicando a
relação Y it =lnF ( X t ) + ruído para cada contrato no futuro, pode-se reescrever a eq. 1 como:
i
Y t =lnF ( X t )= X t + ( r −c ) ( T i−t ) . (6)
A equação acima pode ser desenvolvida de forma matricial para o passo k, obtendo a
seguinte relação para M contratos futuros:

[ ][] [ ]
1
Yk 1 ( r −c ) ( T 1−k ∆ t )
2
Yk 1 X ( r −c ) ( T 2−k ∆ t )
= k + + υψk (7)
… … …
YM 1 ( r−c ) ( T M −k ∆ t )
k

onde ψ k é um vetor de variáveis aleatórias de distribuição normal, média zero, desvio padrão igual a
um e dimensões M x 1, e υ é a matriz de covariância do Ruído de dimensões M x M.
2.3 FILTRO DE KALMAN
O filtro de Kalman é definido por Aiube (2012) como um algoritmo recursivo de estimação
de uma variável não observável, denominada variável de estado. Sua estimação é feita a partir de
uma variável observável e seus ruídos, inserida em um modelo dinâmico de equações de estado
capaz de quantificar estados passados, presente e futuros.
Equacionando as duas variáveis a partir do modelo estocástico proposto por Welch e Bishop
(2006) temos:
 7

X k=¿ A k X k−1 +B uk +v k ¿ (8)

onde X k é a vetor de estado N x 1, B é uma matriz N x 1, A uma matriz N x N, uk é um vetor N x 1
e v k representa o ruído branco, de média zero e matriz de covariância Q, isto é v k ~ NID (0,Q). A
medição é dada pela seguinte equação:
Y k=¿ H k Xk +dk +ϵ k ¿ (9)
onde Y k é o vetor medido de dimensões M x 1, H é uma matriz M x N, d k é um vetor M x 1 e ϵ k é o
ruído branco de média zero e matriz de covariância R. ϵ e v são não correlacionados entre si.
−¿¿
Vamos definir X k a estimativa da variável de estado, anterior no tempo k dados que se
todo o processo anterior a este instante de tempo. Por estado anterior referimos ao estado antes do
conhecimento da variável de observação em k, Y k . Da mesma forma, X k é a estimativa do estado
posterior em k, dado que se conhece a medição (observação) Y k .
Definimos o erro de medição anterior por:
−¿¿
−¿=X k − X k ¿
ek . (10)
Do mesmo modo, o erro de medição posterior é dado por:
e k = X k −X k . (11)
A matriz de covariância anterior é dada por:
−¿=E ¿¿
Pk . (12)
A matriz de covariância posterior é dada por:
Pk =E [ e k ( ek )' ] . (13)
Para encontrar a equação que relaciona o estado posterior como uma combinação linear do
estado anterior com ponderação da observação e da previsão H k X k −¿+ D ¿ , definimos a matriz K k ,
k

denominada ganho de Kalman, que minimiza a covariância do erro posterior. Temos então:
−¿¿
X k =X k + Kk ¿ (14)
−¿ H k ' ¿ ¿¿
K k =P k (15)
O Filtro funciona como um sistema de retroalimentação, que pode ser dividido em dois
grupos distintos de equações: (i) equações de atualização do tempo e (ii) equações de atualização da
medição. O primeiro é responsável pelo avanço das variáveis de estado e das covariâncias. As
equações de atualização das medições são responsáveis por incorporar uma nova informação da
variável observável nas estimativas anteriores para obter uma melhor estimativa posterior. A figura
a seguir ilustra o processo:
 8

5. Saída 1. Entrada
ESTADO ESTIMADO
ESTADO INICIAL
INCERTEZA ESTIMADA

INCERTEZA INICIAL

Filtro de Kalman

2. Entrada

ESTADO MEDIDO
1
3.
ATUALIZAÇÃO 4. PREDIÇÃO
INCERTEZA MEDIDA

Figura 1-Diagrama de funcionamento do Filtro de Kalman

Na primeira etapa temos previsão e na segunda etapa há a correção. Seja o modelo definido
em (8) e (9), X k−1 o estimador ótimo de X k−1 baseado nas informações até k-1, incluindo Y k−1.
Dados X k−1 e Pk−1, o estimador ótimo de X k é dado por:
−¿= A X k−1+¿ ¿
Xk Bu k . (16)
A matriz de covariância dos erros das variáveis de estado é dada por
'

Pk −¿= AP k−1 A +Q .¿
(17)
Logo, as equações (16) e (17) constituem as equações de previsão .
−¿¿
Quando uma nova observação Y k chega, o estimador X k de X k pode ser aprimorado. As
equações de correção são:
−¿ H k ' ¿ ¿¿
K k =P k (18)
−¿¿
X k =X k + Kk ¿ (19)
 9
−¿¿
Pk =( I −K k H )Pk (20)
Primeiramente há o cálculo de K k . Após isto, a nova informação Y k é incorporada à previsão
−¿¿
anterior X k juntamente com matriz de ganho através da equação (19), gerando a estimativa
posterior X k. Por último, obtemos a matriz de covariância dos erros através da equação (20). O
processo se repete para o passo k+1 sendo X k e Pk os dados de entrada das equações (16) e (17).
Para este modelo A,B,C,D,H são constantes no tempo.

2.3.1 Modelo
Uma vez definidas as equações do filtro de Kalman, assim como as relações estocásticas
obtidas no item 2.2, podemos relacionar a eq. (8) com a (5) e a eq. (9) com a (6) da seguinte forma:

A k =1 (17)

( 1
Buk = μ−c − σ 2 ∆t
2 ) (18)

2
Q=σ ∆ t (19)

[]
1
H k= 1 (20)
…
1

[ ]
( r −c ) ( T 1−k ∆ t )
d k = r −c ( T 2−k ∆ t )
( )
(21)
…
( r−c ) ( T M −k ∆ t )

R= υ (22)

Equacionando o modelo desta forma, é necessário estimar os hiperparâmetros: o retorno

médio do preço à vista μ , o retorno de conveniência c, a volatilidade σ, a covariância do erro Q e a
matriz de covariância do erro do preço do contrato futuro R. Seja Θ o vetor dos hiperparâmetros,
usaremos a verossimilhança via decomposição dos erros de previsão. Podemos escrever a função de
verossimilhança da seguinte forma:
T
L ( Y ; Θ ) =∏ f Y (Y k ∨Y k−1) (23)
t=1

onde f Y (.∨Y k−1 ) representa a função de densidade condicional em k-1, ou seja, às

informações Y k−1=( y k−1 , y k−2 , … , y 1). Como os ruídos do processo são gaussianos, a distribuição
 10

de Y k condicional a Y k−1 também é gaussiana. Podemos escrever que condicionalmente a Y k−1, X k

−¿ ¿
é tal que p ( X k ; Y k−1 ) N ¿, Pk . Da eq. (9) podemos escrever:
Y k=¿ H Xk −¿+ H ¿¿ ¿ (24)
k

Portanto a distribuição condicional de Y k é normal com média e matriz de covariância:

E ( Y k|Y k−1) =H k X k
−¿ ¿
+d k (25)
Z k= H Pk−¿ H '+R ¿ (26)
A função de verossimilhança em (23) pode ser reescrita como:
T T
−NT
ln [ L ( Y ; Θ ) ] = ln ⁡¿ )-0,5∑ ln |Z|−0 , 5 ∑ n' Z−1 n (27)
2 t =1 t =1
−¿¿
onde n=Y k −Y k , é o vetor dos erros de previsão.
A cada passo k, em que os estados são estimados e as observações são inseridas, podemos
maximizar a função (27) com relação a Θ .

3 METODOLOGIA

A metodologia utilizada nesta pesquisa é baseada no método exploratório assim como

estudos clássicos sobre a aplicação do filtro de Kalman para modelos de previsão de preço como os
de Elliot e Hyndman (2007), Pereira (2009) e Corsini (2008).

Os dados para realização do estudo são duas bases. O indicador de preços ESALQ/BM&F,
que foi utilizado para simular os preços à vista e a cotação de boi gordo da B3, para os contratos
futuros. O espaço de tempo escolhido de 06/01/2021 até 29/12/2021, para o qual tomamos quatro
séries históricas de contratos com maturidades de 1,3,6 e 9 meses. A frequência de leitura dos dados
foi semanal considerando a informação do preço de quarta-feira.

O indicador de preços do Boi Gordo ESALQ/BM&F, conforme definido pelo CEPEA,

representa a média ponderada das negociações realizadas no Estado de São Paulo, à vista, referentes
a arroba do boi gordo cotada em moeda nacional (R$/arroba). Esta informação está disponível
acessando-se a página da internet do CEPEA, com atualizações diárias dos preços do indicador
desde 1 de março de 1994.

4 RESULTADOS E DISCUSSÃO

Para avaliar o desempenho do Filtro em prever o próximo passo, consideramos um modelo

base para fins comparativos. O modelo considerou o próximo passo como sendo a média das
 11

últimas cinco observações. Algumas medidas de desempenho foram analisadas como o erro médio
quadrático (RMSE), o erro percentual absoluto (MAPE). Abaixo temos os resultados:

Tabela 1-RESULTADO DO FILTRO DE KALMAN PARA UMA SEMANA A FRENTE

Medidas de Erros Filtro de Kalman Base
RMSE 0.0313 0.0714
MAPE 0.5356% 1.2216%

Todos as medidas de erros são melhores para o modelo usando o filtro de Kalman em
comparação com o modelo base. A seguir temos a visualização gráfica dos estados estimados pelo
modelo em comparação o preço à vista adquiridos no CEPEA.

Figura 2- Preço do boi gordo e preço estimado pelo Filtro de Kalman

5 CONCLUSÃO

Este trabalho analisou a dinâmica de preço dos contratos futuros de boi gordo através de um
modelo que considera o preço à vista como uma variável não observável. A partir desta premissa foi
usado o Filtro de Kalman como um algoritmo que estima o preço à vista e os parâmetros intrínsecos
do modelo. Os resultados em comparação com o modelo base foram satisfatórios e indicaram que
para o contexto do boi gordo brasileiro o Filtro de Kalman é de fato a forma canônica mais
 12

apropriada para estimar o preço à vista, que ao ser analisado junto com a estrutura a termo do preço
futuro pode indicar possibilidades de hedge para o pecuarista brasileiro.

REFERÊNCIAS

AIUBE, Fernando Antonio Lucena. Modelos Quantitativos em Finanças: Enfoque em

Commodities. São Paulo: Bookman Editora, 2012.

BOLSA DE MERCADORIAS & FUTUROS – BM&F. Estatísticas dos Mercados Físico e Futuro.
São Paulo: [s.n.]

BERTOLACE, André. Study of a nonlinear model of the price of an asset: Kalman filter calibration
to data. Department of Management, Technology, and Economics, 2009.

BRESSAN, Aureliano Angel; LIMA, João Eustáquio de. Modelos de previsão de preços aplicados
aos contratos futuros de boi gordo na BM&F. Nova Economia, 2009.

CENTRO DE ESTUDOS AVANÇADOS em ECONOMIA APLICADA - CEPEA. Cadeia

Agroindustrial do Boi. Piracicaba, SP.

CORSINI, F. P. (2008). Dinâmica e previsão de preços de commodities agrícolas com o filtro de

Kalman, Universidade de São Paulo,2008

DURBIN B, KOOPMAN S. Time series analysis by state space methods. Oxford: Oxford Univer-
sity; 2001

ELLIOTT R. e HYNDMAN C. Parameter estimation in commodity markets: a

filtering approach. Concordia University, Montreal, Quebec, 2007.
 13

EMBRAPA. O agro brasileiro alimenta 800 milhões de pessoas, diz estudo da Embrapa.
Disponívelem:https://www.embrapa.br/busca-de-noticias/-/noticia/59784047/o-agro-brasileiro-
alimenta-800-milhoes-de-pessoas-diz-estudo-da-embrapa. Acesso em 06 nov. 2022

HULL, J. Options, Futures, and Other Derivatives. 5th ed. New Jersey: Prentice Hall, 2003.

JANSEN, STEFAN. Machine Learning for Algorithmic Trading: Predictive models to extract
signals from market and alternative data for systematic trading strategies with Python, 2nd Edition,
2020.

MICELI, W.M. Derivativos de agronegócios: Gestão de mercado de risco. - 2.ed. - São Paulo: Saint
Paul Editora, 2017.

MOLERO, LEONEL, Derivativos: negociação e precificação. – 2. ed. – São Paulo: Saint Paul
Editora, 2020.

PEREIRA, L. M. Modelo de formação de preços de commodities agrícolas aplicado ao mercado de

açúcar e álcool, Tese de Doutorado, Universidade de São Paulo, 2009.

SHREVE, Steven E. Stochastic calculus for finance: continuous-time models. New York: Springer,
2004.

WELCH, G. & BISHOP, G., An Introduction to the Kalman Filter. University of North Carolina,
Chapel Hill, 2006.