Samspill mellom dimensjonene - ANALYTISKE OG INTERPRETIVE PROSESSER

2. KONTEKST

3.3. ANALYTISKE OG INTERPRETIVE PROSESSER

3.3.3. Samspill mellom dimensjonene

Dois modelos foram obtidos a partir da metodologia de Box-Jenkins baseada na repetição de três etapas (1: identificação, 2: estimação e 3: diagnóstico) até que se se encontre um modelo adequado de acordo com critérios estatísticos.

Na primeira etapa faz-se a identificação de um ou mais modelos da classe ARIMA (sazonal ou SARIMA) tendo como ferramentas principais as autocorrelações (originais e parciais) estimadas, critérios penalizadores de informação (AIC e BIC) e teste aumentado Dickey- Fuller, além das inspeções gráficas. Os modelos selecionados são estimados na etapa 2. Na etapa final de diagnóstico, são avaliados os coeficientes e seus erros padrão, onde as principais características estatísticas dos resíduos de cada modelo que devem se apresentar como ruído branco.

No diagnóstico foram utilizadas ferramentas semelhantes às da primeira etapa, porém aplicando-as aos resíduos ao invés da série original: autocorrelações (originais e parciais) estimadas, teste de Box-Ljung e inspeção gráfica. Nesta segunda etapa, os modelos previamente selecionados são alterados ou descartados ou ainda acrescidos de novos modelos e o processo pode ser repetido duas ou três vezes até que se tenha um número pequeno de modelos adequados. Em caso de mais de um modelo final pode-se utilizar das previsões para eventual desempate.

a) Modelagem com a série original

O modelo resultante da análise descrita na introdução com base na série de preços foi um SARIMA (13,1,0)(1,0,0)12 , especificamente:

₍₁₎

Tabela 5 – Resultados do modelo Sarima (13,1,0)(1,0,0)12

Coeficientes: ar1 ar2 ar3 ar4 ar5 ar6 ar7

0 -0,1703 0 0 -0,2547 0 0

Erro Padrão: 0 0,0155 0 0 0,0165 0 0

ar8 ar9 ar10 ar11 ar12 ar13 sar1

0 0 0 0 0 0,2304 0,2171

Erro Padrão: ₀ ₀ ₀ ₀ ₀ _0,0172 _0,0222

1,092 AIC: 444,73 Fonte: Dados da pesquisa, 2012.

A estacionariedade da série original de preços foi obtida após uma diferença simples e o modelo produz resíduos na forma de ruído branco com variância estimada de 1,1. Todos os coeficientes estimados deste modelo apresentam p-valor inferior a 1%. Os resíduos dos modelos se mostraram fortemente aderentes à distribuição normal (visualização de quantis e testes usuais de normalidade) e não foram detectados outliers aditivos e nem outliers de inovação.

Observou-se também que, um segundo modelo SARIMA, desta vez com a diferença sazonal, apresentou resultados semelhantes, mas inferiores em termos de previsões. Já com a série deflacionada deu-se exatamente o contrário, ou seja, o modelo SARIMA com diferença sazonal foi superior (ver próxima seção).

Figura 9: Previsão de 12 passos à frente. A linha tracejada representa a previsão pontual e as linhas pontilhadas representam os limites do intervalo de previsão de nível de 95%. rEMQP de 2,6 e MAPE de 13,2%.

Fonte: Dados da pesquisa, 2012.

Nota: w = Procedimento de previsão de 12 passos à frente.

Logo em seguida, foi feita a previsão da série em dois procedimentos (previsão de 12 passos à frente e previsão um passo à frente de de horizonte 12) cenários, onde em ambos os casos, utilizou-se o modelo acima descrito e com base nele foram feitas as previsões (dentro da amostra) das doze últimas observações.

O primeiro procedimento (figura 9) é o mais robusto e traz previsões de um ano à frente, ou seja, doze passos em relação à última observação. Nele, através de uma rápida inspeção visual, observa-se que as previsões apresentam fortes desvios em relação ao que acontece na realidade. O erro percentual absoluto médio (MAPE), que representa a diferença absoluta entre os valores previstos e os atuais, foi de 13,2%, o que indica um grau elevado de erro de previsão. Além do MAPE apresentado em elevado valor, o primeiro procedimento também apresentou um erro médio quadrado (rEMQP) de 2,6. Cabe ainda ressaltar que, é um período atípico e de difícil previsão para as observações 2012:11 e 2012:12, em função de apresentarem uma forte quebra estrutural no comportamento dos preços.

Time w 2010.0 2010.5 2011.0 2011.5 2012.0 10 12 14 16 18

No segundo procedimento (figura 10), foram feitas previsões por meio da metodologia passo a passo, onde cada previsão é feita de maneira isolada, apenas considerando a previsão anterior, deste modo, o MAPE apresentou um valor de 2,8%, que de acordo com Heizer e Render (2004), indica um valor aceitável para erros de previsão assim como um erro médio quadrado (rEMQP) de 0,6 e uma melhor qualidade de previsão em relação ao procedimento (1).

Figura 10 - Previsão um passo à frente de de horizonte 12. A linha tracejada representa a previsão pontual e as linhas pontilhadas representam os limites do intervalo de previsão de 95%. rEMQP de 0,6 e MAPE de 2,8%.

Fonte: Dados da pesquisa, 2012.

Nota: y = Procedimento de previsão um passo à frente de de horizonte 12.

b) Modelagem com a série deflacionada (w e y)

Para o deflacionamento da série original de preços do camarão, utilizou-se o IGP-DI com base em 2011:12 (figura 11). O modelo SARIMA (1,1,0)(1,1,0) produziu erros estatisticamente semelhantes ao ruído branco (ver tabela 6),

(2) resultando em resíduos com variância estimada de 1,58 O Coeficiente autoregressivo é significativo no nível de 5% e o coeficiente autoregressivo sazonal é significativo no nível de 1%.

Time

y

2010.0 2010.5 2011.0 2011.5 2012.0

10

15

20

Tabela 6 – Resultados do modelo Sarima (1,1,0)(1,1,0)

Coeficientes: ar1 sar1

-0,1916 -0,5390

Erro Padrão: _0,0846 _0,0812

1,585

AIC: 458,71

Fonte: Dados da pesquisa, 2012.

Os resíduos dos modelos se mostraram fortemente aderentes à distribuição normal (visualização de quantis e testes usuais de normalidade) e não foram detectados outliers aditivos e nem outliers de inovação.

Figura 11 - Série original (linha cheia) e série deflacionada (linha tracejada)

Fonte: Dados da pesquisa, 2012.

Time cb in d( Pr eco = y1 , P re co R ea l = y) 2000 2002 2004 2006 2008 2010 2012 6 8 10 12 14 16 18 20

Assim como na série original de preços, realizou-se a previsão de preços para a série deflacionada de acordo com os procedimentos 12 passos à frente (ver figura 12) e um passo à frente com o horizonte de 12 períodos (ver figura 13).

Em relação às duas previsões (figura 12 e 13), pode-se observar que o procedimento um passo à frente apresentou uma melhor qualidade e ajustamento em relação à série de preços.

O erro de previsão (MAPE) para o procedimento um passo à frente (com horizonte de 12 períodos) foi de 4,9% contra um MAPE de 10,6% do procedimento 12 passos à frente. Além de um MAPE menor, o procedimento um passo à frente apresentou um rEMQP (erro médio quadrado) de 0,9 contra um rEMQP de 2,2 (procedimento 12 passos à frente).

Figura 12 - Previsão de de 12 passos à frente. A linha tracejada representa a previsão pontual e as linhas pontilhadas representam os limites do intervalo de previsão de 95%. rEMQP de 2,2 e MAPE de 10,6%.

Fonte: Dados da pesquisa, 2012.

Nota: w = Procedimento de previsão de 12 passos à frente.

Time w 2010.0 2010.5 2011.0 2011.5 2012.0 5 10 15 20

Figura 13 - Previsão um passo à frente de de horizonte 12. A linha tracejada representa a previsão pontual e as linhas pontilhadas representam os limites do intervalo de previsão de 95%. rEMQP de 0,9 e MAPE de 4,9%.

Fonte: Dados da pesquisa, 2012.

Nota: y = Procedimento de previsão um passo à frente de de horizonte 12.

c) Modelagem com suavização exponencial sazonal

Para a série original o modelo Holt-Winters apresentou as seguintes estimativas para os parâmetros de nível, tendência e sazonalidade, respectivamente: α = 0,58, = 0 e = 0,49. Já para a série deflacionada obteve-se um maior peso para o componente sazonal e redução no efeito do nível: α = 0,4β, = 0,01 e = 0,70.

Esse valor maior de , corrobora a necessidade da utilização de uma diferença sazonal quando trabalhou-se com a série deflacionada (cf. modelos (1) e (2)). As previsões de horizonte 12, tanto de um ano à frente quanto de um mês (passo) à frente, ambas se mostraram inferiores às obtidas pelos modelos SARIMA(1) e (2).

Time y 2010.0 2010.5 2011.0 2011.5 2012.0 10 15 20

d) Modelagem com a série de Retornos (variação percentual dos preços - r)

Uma das abordagens para o estudo de preços de ativos é a modelagem contínua de retornos, onde:

ilustrados na figura (14).

O modelo resultante da metodologia de Box-Jenkins (1976) utilizada em seções anteriores foi um SARIMA (6,0,0)(1,0,0):

₍₃₎ Tabela 7– Resultado do modelo Sarima (6,0,0)(1,0,0)

Coeficientes: ar1 ar2 ar3 ar4 ar5 ar6 sar1 Intercepto

0 0 0 0 -0,2605 -0,2192 0,2166 -0,1068

Erro Padrão: ₀ ₀ ₀ ₀ _0,0801 _0,0863 _0,0934 _0,6353 81,72

AIC: 1083,09

Fonte: Dados da pesquisa, 2012.

Assim como em (1) foi observado um efeito sazonal de meio ciclo em adição ao efeito sazonal e efeitos de magnitudes comparáveis a (1). A exceção seria o efeito de lag 2 que aqui não se mostrou significativo ao passo que em (1) obteve-se = -0,17. No entanto, essa estimativa apresentou significância marginal (p-valor inferior a 5%).

Para efeito de comparação, se fosse incluído o termo autoregressivo de ordem 2 em (3) ter-se-ia uma estimativa de -0,13 com p-valor entre 5% e 10%. Os resíduos do modelo se mostraram fortemente aderentes à distribuição normal (visualização gráfica de quantis e testes usuais de normalidade) e não foram detectados outliers aditivos e nem outliers de inovação.

Figura 14 – Retornos

Fonte: Dados da pesquisa, 2012.

6.3 MODELAGEM MULTIVARIADA (RELAÇÃO ESTATÍSTICA COM O PREÇO INTERNACIONAL)

Foram utilizadas as séries temporais de preço nacional do camarão brasileiro e preço internacional (camarão americano) para a investigação de uma possível relação de equilíbrio de longo prazo entre elas.

Sousa Júnior, Teixeira e Lima (2007) fizeram uma investigação semelhante, porém com quatro diferentes categorias (de peso) do ativo. Para duas categorias (as mais pesadas) os autores verificaram cointegração e a relação entre o preço nacional com o internacional foi consequentemente estudada por um modelo vetorial de correção de erros (VECM) em primeiras diferenças. Já para as outras duas categorias, não se identificou cointegração e Sousa Júnior, Teixeira e Lima (2007) utilizaram o modelo autoregressivo vetorial (em primeiras diferenças) para cada uma delas.

Os dados da presente pesquisa são agregados e as análises realizadas são compatíveis com os resultados de Sousa Júnior, Teixeira e Lima (2007), no sentido de que a agregação e os efeitos moderados do preço internacional no preço nacional medidos por aqueles autores acabam por desaparecer estatisticamente durante as inferências devido à agregação.

A tabela (8) apresenta os resultados do teste de causalidade de Granger, onde a significância estatística apontou não haver causalidade entre os preços do camarão nacional (brasileiro) e o camarão internacional (americano). Informação essa, que pode ser bem utilizada pelos comerciantes e produtores de camarão para a formulação de seus preços, estratégias competitivas e na negociação com os fornecedores dos insumos produtivos.

Tabela 8 – Teste de Causalidade de Granger entre o preço do camarão nacional (dy) e o internacional (dz) Causalidade de Granger

Teste-F 0

df1 1

Graus de Liberdade 266

p-valor 0,9979

H0 não há causalidade entre dy e dz (preço nacional e internacional)

Qui-Quadrado 0,9396

Graus de Liberdade 1

p-valor 0,3324

Fonte: Dados da pesquisa, 2012.

A análise univariada realizada nesta pesquisa já indicava a necessidade de se trabalhar com primeira diferença, algo verificado por Sousa Júnior, Teixeira e Lima (2007) em todas as quatro categorias de camarão analisadas. Em seguida, estudou-se a possibilidade de cointegração do preço nacional com o preço internacional e não se foi encontrado algum indício de que se tratava de vetores cointegrados.

Utilizou-se, tanto para análise de estacionariedade dos resíduos por meio de testes de raiz unitária contendo valores críticos modificados (Mackinnon, 1991) (com e sem inclusão de tendência linear) com os procedimentos de Phillips-Ouliaris (procedimento muito útil quando testes mais tradicionais são aplicados e não encontram cointegração devido a presença de quebras estruturais nas séries) e de Johansen (ver tabelas 8 e 9). Os resultados desses procedimentos estão evidenciados nas tabelas a seguir e confirmam o indício fraco de cointegração entre as séries.

Mais uma vez, demonstrando que os preços nacionais nem influenciam os internacionais e nem sofrem influência deles.

Para o comércio de camarão, essa informação é relevante, pois se houvesse dependência de longo prazo entre os mercados do pescado nacional e internacional, qualquer oscilação positiva ou negativa nos preços internacionais seria repassada aos preços nacionais, o que poderia fragilizar o mercado em virtude de altos preços de comercialização e a venda de insumos produtivos.

Tabela 9- Resultados do Teste ADF

Resposta y3: Resposta z:

R-quadrado ajustado: 0,8461 R-quadrado ajustado: 0,941

Estatística-F: 405 Estatística-F: 1174

P-valor: 0,00000 P-valor: 0,00000

Fonte: Dados da pesquisa, 2012. nota:

(*) sig. a 10% (**) sig. a 5% (***) sig. a 1%

Zry3 = camarão nacional Zrz = camarão internacional

Tabela 10- Resultados dos procedimentos de Phillips-Ouliaris para o teste de Raiz Unitária Teste do tipo Pu

Estatística-F: 89,42 P-valor: 0,0000 Fonte: Dados da pesquisa, 2012. nota:

(*) sig. a 10% (**) sig. a 5% (***) sig. a 1%

Tabela 11- Resultados dos procedimentos de Johansen Teste da estatística traço com tendência linear na cointegração

Valores dos testes estatísticos e valores críticos dos testes test 10% 5% 1%

r <= 1 | 6.81 | 10.49 | 12.25 | 16.26 r = 0 | 18.96 | 22.76 | 25.32 | 30.45

Autovetores normalizados, para a primeira coluna: (Relações de Cointegração) y3.l2 z.l2 trend.l2

y3.l2 1.00000000 1.00000000 1.0000000 z.l2 -0.84491727 -4.04751390 3.2499664 trend.l2 -0.02292897 0.01300728 0.1989435 Fonte: Dados da pesquisa, 2012.

nota:

y3 = camarão nacional z = camarão internacional

De acordo com Johansen (1988), se duas estatísticas do traço forem menores que o valor crítico (r = 0), não há Cointegração. Se as duas estatísticas do traço forem maiores que o valor crítico, r = 2 (hipótese nula rejeitada a favor de 2 vetores) e se a estatística do traço 1 > valor crítico e estatística do traço 2 < valor crítico, r = 1 (hipótese nula rejeitada a favor de 1 vetor).

A evidência mais forte é no sentido da ausência de cointegração (confirmada nas tabelas 9, 10 e 11) entre as séries em estudo. Em seguida, procedeu-se com uma análise VAR (em primeiras diferenças incluindo dummies sazonais) ao invés de VECM. No entanto, a título de informação, e dado que a direção esperada para o efeito de previsão é utilizar o preço internacional como preditor do nacional estimou-se um modelo de correção de erros univariado resultando na equação:

Na qual, y é o preço nacional, x o internacional e û é o resíduo da regressão de y sobre x. O coeficiente defasado do erro é significativo a 5% e negativo (sinal esperado), mas, o efeito de na previsão de é insignificante a menos do efeito û.

De forma geral, para se resumir a modelagem VAR, utiliza-se a análise da função impulso-resposta. Os resultados das equações estimadas já indicam que não haverá efeito de choques não-antecipados (em qualquer sentido) e, de fato, o gráfico da função impulso-resposta do preço nacional diante de um possível impacto do preço internacional não apresenta qualquer efeito significativo (ver figura 15).

Figura 15 – Função Impulso-Resposta (FIR) de y diante um choque não esperado em x.

A figura (16) ilustra a dinâmica dos preços do camarão importado brasileiro e o camarão importado americano (internacional), ambos deflacionados em dólares (para evitar problemas de escala), onde é possível, através de uma inspeção visual no gráfico abaixo, perceber que o comportamento das séries pouco converge ao longo dos anos.

Figura 16 – Preço nacional e internacional (tracejado).

Fonte: Dados da pesquisa, 2012.

Através dos testes apresentados nas tabelas (9, 10 e 11) não há indícios fortes de cointegração entre os preços nacional e internacional do camarão, provavelmente não haverá relação de causalidade entre elas. Numa última verificação, foram feitas as estimativas das equações dy (camarão nacional) e dz (camarão internacional), apresentadas nas tabelas (12 e 13), onde mesmo com a inclusão de variáveis dummies nas equações de vetores autoregressivos não houve melhor ajuste estatístico e nem ganhos de significância para:

Tabela 12 - Estimação dos Resultados VAR para as equações de dy Variáveis endogénas: dy, dz

Variável determinística: constante Tamanho da amostra: 147

Log da Máxima Verossimilhança: -190.83 Raízes do Polinômio característico: 0.2562 e 0.1057

dy = dy.l1 + dz.l1 + const + sd1 + sd2 + sd3 + sd4 + sd5 + sd6 + sd7 + sd8 + sd9 + sd10 + sd11

Coeficiente | Erro Padrão | t valor | Pr(>|t|)

dy.l1 -0.1057127 0.0856049 -1.235 0.21905 dz.l1 -0.0003325 0.1280197 -0.003 0.99793 const -0.0168463 0.0496952 -0.339 0.73515 sd1 0.1663869 0.2529299 0.658 0.51178 sd2 0.3860961 0.2452286 1.574 0.11776 sd3 0.4346951 0.2436438 1.784 0.07668 . sd4 0.2145777 0.2429151 0.883 0.37864 sd5 0.1554164 0.2484306 0.626 0.53265 sd6 0.5808641 0.2484327 2.338 0.02087 * sd7 1.0334883 0.2523957 4.095 0.000073 *** sd8 0.5510598 0.2472810 2.228 0.02753 * sd9 0.5926890 0.2453882 2.415 0.01708 * sd10 0.7270876 0.2487673 2.923 0.00408 ** sd11 0.6946224 0.2461459 2.822 0.00551 ** Erro Padrão residual: 0,5996

R-quadrado ajustado: 0,1117 Estatística-F: 2,412

P-valor: 0,005967

Tabela 13 - Estimação dos Resultados VAR para as equações de dz Variáveis endogénas: dy, dz

Variável determinística: constante Tamanho da amostra: 147

Log da Máxima Verossimilhança: -190.83 Raízes do Polinômio característico: 0.2562 e 0.1057

dz = dy.l1 + dz.l1 + const + sd1 + sd2 + sd3 + sd4 + sd5 + sd6 +

sd7 + sd8 + sd9 + sd10 + sd11

Coeficiente | Erro Padrão | t valor | Pr(>|t|)

dy.l1 0.01628 0.05662 0.288 0.77415 dz.l1 -0.25625 0.08468 -3.026 0.00297 ** const -0.03837 0.03287 -1.167 0.24514 sd1 0.04275 0.16729 0.256 0.79870 sd2 0.16010 0.16220 0.987 0.32542 sd3 0.15530 0.16115 0.964 0.33696 sd4 0.05756 0.16067 0.358 0.72074 sd5 -0.21618 0.16432 -1.316 0.19057 sd6 0.30481 0.16432 1.855 0.06581 . sd7 0.12994 0.16694 0.778 0.43773 sd8 -0.06087 0.16356 -0.372 0.71036 sd9 0.20152 0.16231 1.242 0.21656 sd10 0.13556 0.16454 0.824 0.41150 sd11 -0.10376 0.16281 -0.637 0.52502 Erro Padrão residual: 0,5996

R-quadrado ajustado: 0,1117 Estatística-F: 2,412

P-valor: 0,005967

Fonte: Dados da pesquisa, 2012.

Mesmo sabendo que a análise de cointegração e causalidade não foram fortemente significantes estatisticamente, foram tomadas diferenças nas equações VAR de dy e dz e conforme os critérios da tabela (14) evidenciam, por mais uma vez, que não se percebem relações de equilíbrio de longo prazo entre as séries e nem relação de causalidade entre elas, o que também foi confirmado pela figura (17).

Tabela 14- Resultados VAR para as diferenças das equações de dz e dy Seleção: AIC(n) HQ(n) SC(n) FPE(n) Critérios: 1 2 3 AIC(n) -2.73367974 -2.74049817 -2.69895121 HQ(n) -2.68362949 -2.65708109 -2.58216730 SC(n) -2.61050455 -2.53520618 -2.41154244 FPE(n) 0.06498051 0.06454172 0.06728614 Fonte: Dados da pesquisa, 2012.

Figura 17 - VAR nas diferenças

Fonte: Dados da pesquisa, 2012.

Finalmente, tentou-se implementar um VAR com ECM univariado ou VECM nas séries de preços do camarão nacional e internacional (dzy), mas da mesma forma que os resultados

Time

dzy

2000 2002 2004 2006 2008 2010 2012

-2

-1

0

1

iniciais apresentados na tabela (15), não foi achada significância estatística e nem ajuste do modelo VECM para as séries analisadas.

Tabela 15: Aplicação do modelo VECM nas séries de preços Coeficiente | Erro Padrão | t valor | Pr(>|t|)

Intercepto -0.01551 0.05153 -0.301 0.76392 u -0.12108 0.04172 -2.902 0.00429 ** dy -0.10664 0.08329 -1.280 0.20248 dz 0.14529 0.12527 1.160 0.24805 Erro Padrão residual: 0,6225

R-quadrado ajustado: 0,0425 Estatística-F: 3,16

P-valor: 0,0262

Fonte: Dados da pesquisa, 2012. nota:

(*) sig. a 10% (**) sig. a 5% (***) sig. a 1%

6.4 VOLATILIDADE

Os estudos dos resíduos (ao quadrado) das análises univariadas descritas anteriormente, no sentido de se obter uma formulação GARCH para os resíduos, ou seja, um modelo SARIMA- GARCH para y, não indicaram qualquer evidência de heterocedasticidade condicional.

Conforme indica a figura (18), os resíduos não apresentam autocorrelações nem autocorrelações parciais fortes. O resultado do teste ADF para os resíduos foi de -7,6319 com p- valor de 0,01, indicando praticamente variância constante dos erros.

Aplicando um modelo SARIMA (6,0,0)(1,0,0), os resíduos se assemelham a um ruído branco conforme pode ser visualizado na figura (18).

Figura 18 – Função ACF e PACF para os resíduos quadrados do SARIMA(6,0,0)(1,0,0)

Fonte: Dados da pesquisa, 2012.

Finalmente, através das figuras (19 e 20), confirma-se a razão da não utilização do modelo GARCH para a média incondicional e a volatilidade dos resíduos, pois o processo SARIMA (6,0,0)(1,0,0) já havia modelado bem os resíduos e não foram confirmadas expectativas de grandes dispersões em torno da média, pelo contrário, encontrou-se pouca dispersão.

Figura 19 – Comportamento dos resíduos quadrados

Fonte: Dados da pesquisa, 2012.

Figura 20 – Distribuição dos resíduos quadrados

6.5 INTEGRAÇÃO DOS RESULTADOS DA PESQUISA COM AS EXPECTATIVAS DOS AGENTES DE COMERCIALIZAÇÃO

Através dos resultados apontados pela presente pesquisa, os agentes de comercialização da commodity camarão, podem visualizar aspectos estatísticos para uma gestão de investimentos mais eficiente sob a ótica do risco.

Detectou-se que, dentre outros fatores, após o governo americano ter acusado comércio brasileiro de vender seus produtos, mercadorias e serviços provenientes da Carcinicultura, por preço abaixo de seu valor justo para outros países, os preços do camarão comercializado sofreram uma grande redução, aproximadamente de 30% (2005 a 2009). Com essa medida, vários agentes de mercado perderam grandes somas de dinheiro investidas na produção, distribuição e comercialização do pescado.

Além deste fator, a grande quantidade de chuvas incidentes e os baixos fluxos durante os períodos de secas contribuíram ainda mais para o péssimo desempenho do ativo durante esses quatro anos em discussão.

O risco de se investir na commodity camarão aparece também na dependência dos produtores em relação aos insumos, tais como ração e medicamentos importados, principalmente dos Estados Unidos, da Espanha e da China, ou seja, mesmo que o Brasil não tenha praticamente algum vinculo de exportação de camarão com esses países, há uma dependência produtiva no que diz respeito a insumos.

Para minimizar o risco e as perdas de investimento na Carcinicultura é necessário o conhecimento prévio das peculiaridades dessa atividade, das técnicas produtivas, das influências externas e dos fatores econômicos que a influência. Algumas dessas informações são apresentadas nesta pesquisa, pois através da modelagem estatística, foram concebidos quatro bons modelos para a previsão de preços, que quando aplicados com os procedimentos de previsão um passo a frente com de horizonte de 12 períodos, apresentam resultados com menores erros de previsão. Dessa maneira, sugere-se a utilização deles para fins de gerenciamento de risco e apoio a tomada de decisão de investimento.

Além dessas informações, a pesquisa apontou também que as variações no preço do camarão nacional não são transmitidas ao preço do camarão internacional e vice-versa, ou seja, os preços dos dois países (Brasil e EUA) não são cointegrados e nem apresentados relações de

equilíbrio no longo prazo. Essa informação permite ao agente de mercado maior segurança financeira, pois como o Brasil consome toda a produção de camarão, o risco de interferências de preços externos cointegrados ao brasileiro praticamente inexiste.

7 CONCLUSÕES

Este trabalho investigou a dinâmica da estrutura da volatilidade nos preços do camarão no mercado brasileiro de pescados. Para este fim, foram realizados dois tipos de modelagem estatística, a primeira foi a univariada, a qual é utilizada para previsão e modelagem de preços e a segunda, por sua vez, multivariada, que apresentou resultados sobre relacionamento de equilíbrio de longo prazo (camarão importado brasileiro e americano) e relação de causa e efeito entre estas séries.

Os objetivos desta pesquisa foram alcançados e a partir deles podem ser feitas considerações importantes sobre a volatilidade, integração de preços e previsibilidade para o mercado brasileiro de camarão. No primeiro deles, foi feita a descrição dos aspectos iniciais da série de preços do camarão, onde se confirmou a existência de uma forte sazonalidade semestral nos preços. Descobriu-se também que a estrutura média de preços para a commodity em pesquisa foi de R$ 11,58, com oscilações pontuais principalmente a partir de 2004.

Uma das prováveis causas destas flutuações, dentre outros fatores, foi a medida

In document Analytisk og interpretiv dimensjon i produktutvikling : er interpretation en savnet dimensjon? (sider 23-0)