Escolar Documentos
Profissional Documentos
Cultura Documentos
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.
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.
1.2 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
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.
(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
∂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
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
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)
3 METODOLOGIA
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.
4 RESULTADOS E DISCUSSÃO
últimas cinco observações. Algumas medidas de desempenho foram analisadas como o erro médio
quadrático (RMSE), o erro percentual absoluto (MAPE). Abaixo temos os resultados:
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.
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
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.
DURBIN B, KOOPMAN S. Time series analysis by state space methods. Oxford: Oxford Univer-
sity; 2001
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.
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.