PREVISÃO DE PREÇO DO BOI GORDO COM O FILTRO DE

KALMAN
Bruno Nesrallah Forte– bruforte2010@hotmail.com
Henrique Michels Coutinho–hmcoutinho13@gmail.com
Agostinho Celso Pascalicchio (Orientador) –agostinhocelso.pascalicchio@mackenzie.com

RESUMO

Este artigo analisa os contratos futuros de boi gordo para estimar o preço à vista. O modelo
proposto partiu da premissa que o preço à vista é uma variável não observável e que pode ser
modelada por um processo estocástico. Utilizando o Filtro de Kalman, reconhecido por sua
eficiência na previsão e ajuste em tempo real de séries temporais, o modelo aqui proposto emprega
dados dos contratos futuros negociados na bolsa de valores como variável observável e estima os
hiperparâmetros a partir de uma otimização da função de máxima verossimilhança. O estudo
ressalta a importância do modelo para a estruturação de operações de hedge, proporcionando aos
participantes do mercado uma ferramenta robusta para a gestão de riscos e tomada de decisão mais
assertiva. A versatilidade do modelo é tal que a metodologia pode ser estendida para outras
commodities estocáveis.
Palavras-chave: Modelos em commodities. Contratos futuros de boi gordo. Previsão de preço.

LIVE CATTLE FORESCAST WITH KALMAN FILTER

ABSTRACT

This article analyzes cattle futures contracts to estimate the spot price. The proposed model is based
on the premise that the spot price is an unobservable variable that can be modeled by a stochastic
process. Employing the Kalman Filter, acclaimed for its real-time forecasting and temporal series
adjustment efficiency, the proposed model leverages observable data from futures contracts traded
on stock exchanges and estimates hyperparameters through the maximization of the likelihood
function. The study underscores the model's importance in structuring hedging operations, offering
market participants a robust risk management tool, and facilitating more informed decision-making.
The model's versatility is demonstrated by the potential for applying its methodology to other
storable commodities.
Keywords: Commodity models. Live cattle future contracts. Price Forecast.

1
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.
Para que tais decisões alcancem um grau elevado de precisão, é essencial dispor de modelos
de previsão de preços robustos e confiáveis. Neste panorama, o filtro de Kalman se destaca, sendo
considerado uma metodologia matemática apropriada para a estimação de variáveis não observáveis
no mercado. Tal metodologia, explorada em trabalhos clássicos como o de Schwartz e Gibson
(1990), é reconhecida pela sua aplicabilidade na estimação de preços à vista, um fator decisivo tanto
para operações de hedge quanto para a gestão de risco dos pecuaristas.
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
como o de Elliot e Hyndman (2007). Os estudos em finanças sustentam que o preço à vista de
commodities é uma variável não observável, uma vez que ele não é definido de imediato quando há
uma transação no mercado físico. O preço de fechamento de uma transação no mercado físico
ocorre quando o comprador recebe o produto. Se uma negociação ocorre na data t , a commodity
precisa ser transportada até o destino de entrega, portanto o valor de liquidação ocorrera em t+ ∆ t .
O valor é conhecido prontamente apenas pelas partes envolvidas. Já o preço futuro, negociado em
bolsas de valores, é conhecido pelo mercado e seu valor é formado competitivamente pelas
inúmeras transações que acontecem na bolsa de valores.
Considerando este contexto, o objetivo deste trabalho é desenvolver um modelo quantitativo
que estime o preço à vista do boi gordo, fundamentando-se no filtro de Kalman e na teoria de
arbitragem entre preços à vista e futuros. O preço à vista é estimado pelo filtro de Kalman a partir
das informações dos contratos futuros. Este modelo não somente atende às necessidades do
mercado brasileiro, que se destaca como um dos líderes no comércio de commodities agrícolas, mas
também estabelece uma base metodológica que pode ser adaptada a outras commodities,
expandindo sua aplicabilidade e contribuição ao campo econômico e financeiro.

2
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 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

3
 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 e adicionada na formação
de preço do ativo no futuro:

(r−c)(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 ESTOCÁSTICOS

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:
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)

4
 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 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:
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 N, 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 dado que se
conhece 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)

5
 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:

6
 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
'
−¿= APk−1 A +Q .¿
Pk (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)
−¿¿
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,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 (21)

(
1
Buk = μ−c − σ 2 ∆t
2 ) (22)

2
Q=σ ∆ t (23)

[]
1
H k= 1 (24)
…
1

[ ]
( r −c ) ( T 1−k ∆ t )
d k = r −c ( T 2−k ∆ t )
( )
(25)
…
( r−c ) ( T M −k ∆ t )

R= υ (26)
7
 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) (27)
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
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 k
Xk −¿+ H ¿¿ ¿ (28)
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 (29)
Z k= H Pk−¿ H '+R ¿ (30)
A função de verossimilhança em (27) pode ser reescrita como:
T T
−NT
ln [ L ( Y ; Θ ) ] = ln ⁡¿ )-0,5∑ ln |Z|−0 , 5 ∑ n' Z−1 n (31)
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 neste artigo é o da simulação, que envolve a modelagem de

sistemas, 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).
O estudo utilizou duas bases de dados essenciais. A primeira é o indicador de preços
ESALQ/BM&F, que simula os preços à vista do boi gordo. Este indicador é definido pelo Centro de
Estudos Avançados em Economia Aplicada (CEPEA) e representa a média ponderada das
negociações no Estado de São Paulo, contabilizando as vendas à vista da arroba do boi gordo em
moeda nacional (R$/arroba). A segunda fonte de dados são as cotações de contratos futuros de boi
gordo disponibilizadas pela B3, a bolsa de valores brasileira. Adotamos o intervalo de 06/01/2021 a
29/12/2021, proporcionando um ano completo de observações para análise. Durante este período,
foram coletadas quatro séries históricas correspondentes às maturidades de contratos futuros de 1, 3,

8
6 e 9 meses. Os dados foram capturados semanalmente, sendo o preço de cada quarta-feira o valor
de referência para a semana. A escolha de uma leitura semanal visa capturar uma visão abrangente
do mercado sem a volatilidade diária, focando em tendências mais consistentes e significativas para
o processo de hedge.
Com os dados coletados, foi implementado o Filtro de Kalman, um algoritmo de estimação
recursiva que ajusta estimativas de variáveis de interesse com base em medições ao longo do tempo.
Este filtro é capaz de processar e refinar informações de maneira sequencial, levando em conta tanto
a incerteza inerente às observações quanto a do modelo estocástico subjacente.
O modelo emprega os preços dos contratos futuros como variáveis observáveis para estimar
o preço à vista, uma variável latente não diretamente observável. Os hiperparâmetros do modelo
foram otimizados utilizando um processo de máxima verossimilhança, o que permite uma
estimação mais precisa dos preços à vista ao ajustar o modelo às características específicas dos
dados.
A validade do modelo foi testada comparando as estimativas de preço à vista geradas pelo
modelo com os preços reais observados. Esta etapa é crucial para assegurar a confiabilidade do
modelo para uso prático em operações de hedge e tomada de decisão por parte dos produtores e
investidores.
Com as estimativas de preço à vista geradas pelo modelo, os produtores podem estruturar
operações de hedge mais eficazes, protegendo-se contra as flutuações indesejadas do mercado.
Embora o foco deste estudo seja o boi gordo, a metodologia proposta é versátil e pode ser adaptada
para outras commodities estocáveis, oferecendo uma ferramenta valiosa para a gestão de risco em
diversos segmentos do mercado agrícola.

4 RESULTADOS

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
últimas cinco observações. Algumas medidas de desempenho foram analisadas como o erro médio
quadrático (RMSE) e 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%

9
 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 com preço à vista adquiridos no CEPEA.

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

5 CONSIDERAÇÕES FINAIS

Neste estudo, foi desenvolvido um modelo quantitativo que oferece uma visão aprofundada
sobre a dinâmica de preços no mercado futuro do boi gordo, destacando-se pelo tratamento do preço
à vista como uma variável não observável. A aplicação do Filtro de Kalman revelou-se uma
ferramenta poderosa para a estimativa desta variável e dos parâmetros do modelo, contribuindo para
um entendimento mais refinado das flutuações de preço e oferecendo uma base sólida para decisões
de hedge no mercado de commodities.
Os resultados alcançados não apenas confirmam a eficácia do Filtro de Kalman para o
mercado do boi gordo brasileiro, mas também demonstram sua utilidade prática para operadores do
mercado e pecuaristas. A capacidade do modelo de capturar a estrutura a termo dos preços futuros e
fornecer estimativas confiáveis do preço à vista representa uma vantagem significativa na estratégia
de proteção contra riscos inerentes às variações de preço.
Além disso, a metodologia proposta neste trabalho transcende o mercado específico do boi
gordo, apresentando-se como um framework adaptável para outros derivativos. A versatilidade do
modelo sugere que, com as devidas adaptações, ele pode ser aplicado a uma gama diversificada de
produtos, permitindo aos operadores em diferentes mercados uma gestão de risco mais eficiente e
uma tomada de decisão embasada.

10
 Em síntese, este estudo fornece um avanço metodológico para o campo das finanças
aplicadas, oferecendo um modelo se alinha com as necessidades do mercado brasileiro de
commodities.

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.

BRENNAN M, SCHWARTZ E. Evaluating natural resource investments. Journal of

Business,1985;58(2):135-57

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.

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.

11
GIBSON R, SCHWARTZ E. Stochastic convenience yield and pricing of oil contingent claims.
Journal of Finance. 1990;45(3):1225-61.

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.

12