Ensaios sobre análise preditiva do preço do boi gordo
O Mercado Futuro vem se tornando cada vez mais necessário e fundamental para a negociação de commodities e outros itens essenciais para a nossa sobrevivência.Uma explicação simples e direta sobre o que são os mercados futuros é feita pela revista Infomoney [4]:
“No mercado futuro de ações, as negociações ocorrem de maneira que os investidores se comprometem a comprar ou vender uma determinada ação a um preço pré-estabelecido e em uma data futura [...] Assim quando o investidor se compromete a realizar a compra através do mercado futuro, outro se compromete a realizar a venda. Entretanto há uma peculiaridade nesse mercado, pois não necessariamente ocorre a transferência das ações do vendedor para o comprador.”
O foco deste trabalho será analisar o comportamento do Boi Gordo, que é um dos principais commodities negociados em bolsa no Brasil e também um daqueles de menor volatilidade do mercado. As características técnicas (baixa volatilidade, correlações com outros commodities e influenciado por fatores de produção) deste ativo, torna-o um alvo interessante para análise, já que ele possui as seguintes características [1]:
“- Eficiente contra o risco de base [...] evitando oscilações não esperadas;
- Possibilita operações com derivativos de milho devido à alta correlação, uma vez que essa commodity é utilizada como insumo no desenvolvimento de bois magros.
- Baliza a tomada de decisão do tipo de produção entre confinamento e semiconfinamento, além de auxiliar o pecuarista a administrar com eficiência os riscos de reposição inadequada do gado após a safra”
Para maior entendimento do problema e do alinhamento com o exercício proposto em aula, a análise será feita considerando um hipotético ambiente de Internet of Things, onde os fazendeiros possuem sensores que os ajudam a monitorar a saúde e localização dos animais, e também possuem sensores meteorológicos que ajuda a prever as condições do tempo, e disponibilizam essas informações para o restante do mercado como insumos para análise financeira. E levando em conta este cenário, consideramos duas questões: (i) qual a real necessidade do mercado em conhecer em detalhes as condições do gado; e (ii) existe mercado potencial para aplicações deste tipo?
(i) a ideia de eficiência e “moralidade” do mercado depende do quão simétricas, isto é, o quanto a informação é igual para ambas as partes do negócio, são as informações dentro desse mercado. Em 2001, houveram três vencedores do Nobel de Economia por trabalhos relacionados a “Mercados de Informações Assimétricas”, com destaque para George Akerlof e seu trabalho sobre The Lemon Markets [2]. O termo “lemons” é uma gíria norte-americana para carros defeituosos (onde você só descobre o defeito depois de comprá-lo e começar a usá-lo). Akerlof usou o mercado de carros usados para ilustrar o caso [2]:
“Existem bons carros usados (“peaches”) e carros usados defeituosos (“lemons”), normalmente como conseqüência de várias variáveis que não são sempre rastreáveis, como o estilo de condução do proprietário, qualidade e freqüência de manutenção e histórico de acidentes. Uma vez que muitas partes mecânicas importantes e outros elementos estão escondidos da vista e não são facilmente acessíveis para inspeção, o comprador de um carro não sabe de antemão se é um pêssego ou um limão. Então, o melhor achado do comprador é que o carro é de qualidade média; Consequentemente, ele estará disposto a pagar por isso apenas o preço de um carro de qualidade média conhecida. Isso significa que o proprietário de um carro bem mantido, nunca abusado e de bom uso poderá obter um preço suficientemente alto para que esse carro valha a pena.”
Nesse caso, temos interesses relativamente conflitantes entre as duas partes principais: o vendedor pretende vender o carro com um preço igual ou maior ao que aquele carro realmente vale, enquanto o cliente pretende pagar um preço igual ou menor ao valor do automóvel. Em um mercado eficiente, o preço final do automóvel seria a soma dos dois interesses e terminaria no que valor real do automóvel. Entretanto, considerando que apenas o vendedor conheça detalhes específicos do carro que o tornam pior do que ele realmente costuma ser, pode criar um oportunidade do vendedor vender o carro por um valor maior do que ele realmente valha mas ainda menor do que o que o cliente acha que ele vale. Esse tipo de transação gera quebra de confiança no mercado, o cliente sabendo dessa desvantagem em relação ao vendedor, optará por preços e qualidades médios de forma contínua, e prejudicará a consistência do mercado. Portanto, a sobrevivência de um mercado está ligado a médio e longo prazo à simetria de suas informações, e por isso é importante que no mercado futuro os investidores (e até os consumidores finais da carne) tenham todas as informações possíveis para se antecipar a variação de preços e enxergar o real valor de um determinado produto.
(ii) o mercado de análise de investimentos embora não seja novo no Brasil, tem se tornado realmente relevante nos últimos anos especialmente a partir de 2016. E o objetivo dessas novas empresas é um só [3]: “entregar mastigado para investidores, principalmente pessoas físicas, o que fazer com seu patrimônio. É o caso da Suno, que começou a operar no início deste ano, da Eleven e da Whatscall, alguns meses mais velhas”. Mercados mais maduros que o Brasil, como os EUA, dão grande relevância para este tipo de empresa e isso é um sinal do potencial latente do mercado brasileiro, e apresenta grandes oportunidades para serem explorados. Em [3]:
“Outro dado também muito interessante para os empreendedores que iniciam casas de análise focadas em pessoa física é que, em mercados mais desenvolvidos, o número de famílias que tem um consultor financeiro independente também é muito maior do que no Brasil. Para completar, o volume de pessoas físicas investindo na bolsa de valores está crescendo nos últimos anos”.
Partindo do pressuposto de que ainda não existem dados reais emitidos por sensores nos bois gordos e que gerá-los aleatoriamente não faria sentido e por isso essa situação ficará apenas como contexto (e sugestão para próximos trabalhos), nossa solução focará em: explorar a correlação do ativo do boi gordo em relação a outros commodities.
1. DESENVOLVIMENTO
O uso de biosensores e wearables em animais está se tornando de suma importância para o gerenciamento da saúde de animais em criações no campo. Os dados gerados em breve serão utilizados como insumo para predição dos valores de commodities, já que fornecem informações relevantes para a determinar o estado do commodities no momento da venda, além de um projeção mais assertiva das perdas de produção ao longo do tempo. Sensores e wearables podem ser implantados em animais para detectar o suor e medir os constituintes do suor, medir a temperatura, observar o comportamento para detecção de stress, analisar o som, prevenir doenças.
Do ponto de vista do negócio envolvendo questão do preço do Boi Gordo para auxiliar na tomada de decisões no monitoramento do gado, diversas análises podem ser feitas. Aqui, serão apresentadas algumas como por exemplo, a relação do preço do boi gordo com o preço do milho, preço do bezerro e pesquisas no Google Trends [5] do termo “preço do boi gordo”. A fonte de dados dos preços citados anteriormente são encontrados no site da EsalQ [6]. A amostra possui 124 registros no período de jan/17 a junho/17, ver anexos I. No quadro1 abaixo, segue algumas métricas estatística das informações estudadas:
Quadro1. Medidas estatísticas das principais variáveis da amostra
Uma questão interessante levantada antes das análises da base principal foi a verificação da busca pelo termo “preço do boi”. Analisando a Figura 1, aparentemente, observa-se uma relação, quando procura pelo termo “preço do boi” aumenta, o preço do boi em reais cai, correlação negativa de 51%.
Figura 1.
Com o objetivo de determinar o preço do boi em função de algumas informações conhecidas como preço do bezerro e preço do milho, este último presente na alimentação do gado em muitos criadouros, foi proposto um modelo de regressão linear.
Figura 2.
Figura 3.
Antes de realizar a regressão, verificou-se a relação entre o preço do boi e o preço do bezerro, e também entre o preço do boi e preço do milho, como pode ser observado nas figuras 2 e 3 respectivamente. Na Figura 2, verificamos que a correlação é negativa, ou seja, quando aumenta o preço do bezerro, o preço do boi diminui. Já na Figura 3 é o contrário, a correlação é positiva, ou seja, quando o aumenta o preço do milho, o preço do boi também aumenta.
Agora, tratando-se da regressão linear, dois modelos foram construídos. O primeiro levando-se em consideração apenas a informação do milho, já o segundo, adicionou-se a informação do bezerro. Verificando as medidas de R² nos quadros 2 e 3 abaixo, observa-se que o modelo com as duas informações obteve um melhor ajuste da regressão, R² = 81.9%, enquanto que o primeiro modelo o R² = 86,4%.
Quadro 2. Regressão linear: preço do boi em função do preço do milho
Equação (1): Preço Boi = 92,05 + 1,516*(Preço do Milho)
Quadro 3. Regressão linear: preço do boi em função do preço do milho
Equação (2): Preço Boi = 139,97 + 1,390*(Preço do Milho) – 0,212*(Preço do Bezerro)
Dessa forma, é possível dizer de maneira simples, por meio da regressão linear, que o preço do boi pode sofrer alterações se os preços do milho ou do bezerro mudarem de patamares.
2. CONCLUSÃO
A análise de investimentos, especialmente relacionado ao mercado de futuros, vem se tornando cada vez mais relevante no mercado brasileiro. Verificamos nas ideias de Akerlof [2] e no momento atual do mercado brasileiro [3] que existe demanda e há um mercado potencial na área de análise de investimentos que pode ser explorado, e que o uso de IoT pode ajudar a evitar um desequilíbrio do mercado, promovendo maior transparência e informação para tomada de decisão de todos os agentes envolvidos. A tecnologia poderia evitar o caso das “Fazendas Reunidas do Boi Gordo”, que foi uma operação fraudulenta que ocorreu no Brasil na década de 90, especialmente se aproveitando da popularidade da novela O Rei do Gado. Na época, oferecia ganhos gigantes em operações no mercado futuro, em cima de contratos futuros de boi gordo (que não eram de boa qualidade e não existiam em número suficientes), e acabou entrando em falência logo em seguida, deixando um prejuízo de bilhões para os investidores - sendo o maior caso de fraude envolvendo pirâmide financeira do Brasil.
Adicionalmente, os experimentos realizados através da solução desenvolvida em R demonstraram o quanto é possível prever o preço futuro de um determinado ativo através da sua correlação com outros ativos e com a combinação com dados do mundo físico. O presente trabalho, abre possibilidades para novos estudos focados na implementação e análise de dados gerados por Internet of Things voltados ao controle e monitoramento de gados, e estas informações podem ser úteis para maior precisão da análise de investimentos, especialmente nos momentos de maior volatilidade, normalmente decorrente de eventos no mundo físico que ainda não são difundidos em tempo hábil para o restante do mercado.
3. REFERÊNCIAS
[1] BM&FBOVESPA. “Futuro de Boi Gordo com Liquidação Financeira”. Disponível em http://www.bmfbovespa.com.br/pt_br/produtos/listados-a-vista-e-derivativos/commodities/futuro-de-boi-gordo-com-liquidacao-financeira.htm
[2] GEORGE AKERLOF. “The Market for ‘Lemons’: Quality Uncertainty and the Market Mechanism”. The Quarterly Journal of Economics. 1970. Disponível em http://www.perishablepundit.com/docs/market-for-lemons.pdf
[3] GIAN KOJIKOVSKI. “A onda das casas de análise de mercado”. Revista Exame, 2017. Disponível em: http://exame.abril.com.br/negocios/a-onda-das-casas-de-analise-de-mercado/
[4] INFOMONEY. “Como funciona o mercado futuro de ações na Bovespa”. Disponivel em http://www.infomoney.com.br/educacao/guias/noticia/272383/como-funciona-mercado-futuro-acoes-bovespa
[5] GOOGLE TRENDS. Disponível em https://trends.google.com.br/trends/explore?q=pre%C3%A7o%20do%20boi%20gordo
[6] ESALQ. Disponível em http://www.cepea.esalq.usp.br/br/consultas-ao-banco-de-dados-do-site.aspx
Anexo I - Código-fonte da solução R-Project
#Dados
dados=read.csv("F:\\Emerson_Documentos\\MBA_PECE_POLI-USP\\CICLO2\\IOT005-Introdução_ao_Data_Analytics\\Trabalho_Analise_boiGordo\\bsboigordo.csv", sep=";", dec=".", header=T)
require(date)
dados$dates <- as.date(with(dados, paste(mes, dia, "2017", sep = "/")))
#dados=read.csv(file.choose(), h=T,sep=";", dec=".")
summary(dados2)
#Dados2
dados2=read.csv("F:\\Emerson_Documentos\\MBA_PECE_POLI-USP\\CICLO2\\IOT005-Introdução_ao_Data_Analytics\\Trabalho_Analise_boiGordo\\bs_preco_boi_pesquisa_google.csv", sep=";", dec=".", header=T)
require(date)
dados2$dates <- as.date(with(dados2, paste(mes, dia, "2017", sep = "/")))
summary(dados)
#Código Figura1
par(mar = c(4, 4, 4, 4))
plot(dados2$Pesquisa_Google_Preco_Boi~dados2$dates,lwd = 5, type = "l",ylab="Pesquisa Google: 'Preço Do Boi' (%)",xlab="Data(semana)",lty=1,pch=3)
par(new=T)
