Análise de volatilidade spillover entre commodities agrícolas e o mercado de energia: um estudo do mercado de etanol brasileiro

Análise de volatilidade spillover entre commodities agrícolas e o mercado de energia: um estudo do mercado de etanol brasileiro

Débora Fernandes Bellinghini [email protected] Mestranda em Economia Aplicada – USP/ESALQ Pedro Valentim Marques Débora Bellinghini [email protected] PhD em Economia Agrícola - KENTUCKY STATE Professor Doutor da USP/ESALQ Waldemar Antonio da Rocha de Souza warsouza@ufam edu br Doutor Economia Aplicada – USP Professor Adjunto da UFAM

2

RESUMO Este artigo busca analisar a ocorrência de contágio de volatilidade no mercado de energia combustível, com foco em etanol, considerando commodities agrícolas e de energia. Utiliza-se para análise uma modelagem GARCH multivariada. São considerados dois cenários, sendo que o Cenário I se propõe a identificar a presença de volatilidade spillover no mercado futuro de etanol brasileiro e o Cenário II, no mercado físico de etanol brasileiro. Conclui-se que apenas no segundo Cenário foi possível identificar transmissão de volatilidade entre as estruturas analisadas. Porém, a não observação de contágio no Cenário I pode ter sido decorrente da limitação de dados disponíveis, dado ser recente a existência de contrato futuro de etanol brasileiro, o que incentiva análises futuras que busquem essa comprovação. Palavras chave: Volatilidade; Contágio; Etanol

ABSTRACT This paper seeks to analyze the occurrence of volatility contagion in the fuel energy market, with focus on ethanol, considering agricultural and energy commodities. It was used the multivariate GARCH model to analyze this occurrence. Two scenarios were considered, the Scenario I, that proposed to identify the presence of volatility spillover in the futures market for Brazilian ethanol, and Scenario II in the spot market for Brazilian ethanol. It was concluded that only in the second scenario was possible to identify transmission of volatility between the series analyzed. However, the non observation of contagion in Scenario I it may have been due to the limited data available, since it is recent the existence of Brazilian ethanol futures contract, which encourages future analysis to seek this evidence. Keywords: Volatility; Spillover; Ethanol

1.

Introdução O fenômeno da globalização, presenciado pelo mundo no final do século XX, impulsionou um

processo de integração das economias em nível internacional. A expansão dos laços entre os países possibilitou o desenvolvimento de acordos bilaterais, promovendo crescimento econômico e, ao mesmo tempo, expondo as economias domésticas às influências externas, aumentando a vulnerabilidade à riscos. Diante da intensificação dessas relações, questões que envolvem o comportamento da volatilidade dos ativos financeiros passaram a ser cada vez mais relevantes. Nesse contexto as commodities têm gerado preocupações aos tomadores de decisão, uma vez que essas interações entre os mercados podem implicar na presença de volatilidade spillover, o que gera maiores riscos aos investimentos. Dentre as commodities, o petróleo é considerado a de maior

3

importância, devido a grande dependência energética do mundo dessa fonte e pelo seu poder de influência sobre os instrumentos econômicos. Por conta disso, ao longo dos últimos anos, muito tem sido questionado sobre a capacidade futura de sustentação da demanda energética e como minimizar tal dependência. Como forma de prevenção dessa dependência, ao longo dos últimos anos, o mundo vem assistindo ao fenômeno de ações tanto privadas quanto governamentais visando estimular investimentos em fontes renováveis de energia, dentre elas os biocombustíveis, com destaque para o etanol, do qual o Brasil é o segundo maior produtor mundial, abaixo apenas dos EUA. A produção de etanol é baseada em fontes obtidas de culturas agrícolas, sendo predominantes o milho, base da produção americana, e a cana de açúcar, base da produção brasileira. Com o crescimento da participação do etanol no mercado de energia e devido ao seu destaque no Brasil, este artigo analisa a interdependência entre commodities agrícolas e energéticas, com foco no mercado de combustível. Procura averiguar a possível existência de volatilidade spillover, ou seja, contágio de volatilidade entre estes mercados. A importância deste estudo está em poder contribuir para a análise da real interação entre o comportamento de preços, entre as fontes geradoras de combustíveis líquidos, e prover uma melhor compreensão dessa estrutura de mercado, possibilitando o melhor posicionamento perante as fontes de risco.

2.

Setor de energia e os biocombustíveis - etanol como fonte energética alternativa As perspectivas do setor energético mundial são dependentes da evolução do quadro de

incertezas econômicas e das decisões governamentais quanto aos desafios impostos pelas mudanças climáticas, pela segurança energética, pela segurança alimentar e pela redução dos estoques de fontes fósseis. Nesse contexto, as fontes renováveis geradoras de energia tendem a se tornar mais importantes na composição da matriz energética mundial. Em meados de 2008, o mundo se viu no auge da crise do subprime1, uma crise de crédito imobiliário desencadeada nos EUA, que acabou gerando uma interrupção da cadeia de pagamentos da economia global, atingindo de maneira generalizada todos os setores econômicos, com graves reflexos para a economia americana. Os problemas do subprime estão intimamente ligados à desvalorização do dólar que está, por sua vez, em estreita relação com aumento do preço do barril de petróleo, incentivado por ações especulativas. Assim, o mundo passou a vivenciar mais uma crise, com reflexos mundiais, em especial no preço do petróleo, impactando no desenvolvimento econômico. Durante o período da crise do

1

Subprime é um tipo de crédito concedido a pessoas com maus históricos de pagamento.

4

subprime, o preço do petróleo WTI-West Texas Intermediate vivenciou um processo de crescimento vertiginoso, alcançando, em julho de 2008, a cotação de US$ 147 (Apêndice 1). Historicamente, o petróleo vem impactando o desenvolvimento econômico desde 1973, com a guerra do Yom Kipur2, quando a Organização dos Países Produtores de Petróleo - OPEP decretou bloqueio ao fornecimento de petróleo aos países aliados de Israel, provocando um aumento dos preços do petróleo em níveis nunca antes atingidos. Diante desse primeiro choque do petróleo, o mundo se viu frente ao risco de desabastecimento energético. Em 1979, o mundo se deparou com o segundo grande choque do petróleo, deflagrado pela revolução iraniana e seguido pela guerra Irã-Iraque, a partir de 1980. Diante desses dois choques do petróleo, evidenciou-se a fragilidade econômica frente às fortes flutuações no preço dessa commodity, ficando urgente a busca de alternativas para a matriz energética. Contribuiu para o reforço dessas discussões, o efeito do furacão Katrina, que em 2005 quando de sua passagem pelo Golfo do México, região responsável por 25% do petróleo consumido pelos EUA, colocou em tela a situação de fragilidade do abastecimento de combustíveis tradicionais, ao implicar no fechamento das plataformas na trajetória do furacão. Outros fatores têm ainda incentivado a busca por fontes alternativas, como as preocupações energéticas e ambientais. Desde 1988 governantes e cientistas vêm se reunindo em busca de medidas de proteção ao meio ambiente. Em 1997 entrou em vigor o Protocolo de Kyoto, como um novo componente na preservação ambiental, contendo, pela primeira vez, um acordo vinculante que incentiva a redução da liberação de gases poluentes como o dióxido de carbono - CO2. Todo esse contexto tem propiciado o desenvolvimento de políticas governamentais e projetos privados que levam a uma modificação na composição da matriz energética mundial. Analisando-se a evolução da produção mundial de etanol verifica-se que esta vem crescendo de forma significativa a partir de 2000, tendo tido, no período 2005 a 2010, um crescimento em 165% (EARTH POLICY INSTITUTE, 2011), em especial em função da atenção dada pelos EUA a sua produção. Nessa busca, o Brasil apresenta vantagens importantes, por ter vencido o desafio da identificação de uma biomassa economicamente competitiva. Tem a vantagem geográfica de um país tropical e de grande extensão agrária, o que garante a facilidade ao cultivo de cana-de-açúcar, e a possibilidade de ampliar sua capacidade produtiva, tanto nos padrões de etanol de primeira geração, quanto de segunda geração, produzido a partir do bagaço de cana, que é insumo para essa produção.

2

Conflito militar ocorrido em 1973, entre uma coalizão de estados árabes, liderada pelo Egito e Síria, contra Israel. O início do conflito ocorreu com um ataque surpresa contra Israel, no dia do feriado judaico de Yom Kipur.

5

3.

Revisão da literatura A crescente integração das economias expõe os mercados cada vez mais às influências

externas. Quanto maior a interação entre os mercados, maior a vulnerabilidade a riscos sistêmicos, assim, muitos estudos vêm sendo realizados procurando analisar a rápida propagação dos choques entre os mercados. Existem dois focos de pesquisas que buscam observar estas propagações. O primeiro está voltado para a análise dos preços dos ativos ou retorno dos ativos. O segundo está voltado para a análise da variabilidade no tempo da volatilidade dos preços ou dos retornos dos ativos. Este artigo baseia-se no segundo foco de pesquisa e busca, através de evidências empíricas, verificar a presença de comportamentos de alta volatilidade dos preços nos mercados não geradores dos choques, podendo assim definir se há presença de volatilidade spillover ou apenas um padrão de interdependência entre estes. O conceito spillover aqui é interpretado como contágio ou transmissão. A literatura sobre contágio se prolifera a partir do final da década de 70, com modelos desenvolvidos por Krugman (1979), Flood e Garber (1984) e Obstfeld (1986), na tentativa de explicar as crises cambiais. Para Masson (1998), Wolf (1999) e Pritsker (2001), as causas para a ocorrência de contágio podem ser divididas conceitualmente em duas categorias. A primeira categoria enfatiza as repercussões que resultam da interdependência normal entre as economias de mercado, que fazem com que os choques de natureza global ou interna, possam ser transmitidos entre os países e mercados, devido as suas reais ligações. A segunda categoria envolve choques que estão ligados às mudanças não observáveis, sendo apenas o resultado do comportamento “irracional” dos agentes. Sob esta definição, o contágio surge quando um co-movimento ocorre, mesmo quando não há choques globais, nem a interdependência dos mercados. Forbes e Rigobon (2001) formalizam a definição de contágio associando-o com comportamentos de aumentos significativos das relações entre mercados, após um choque. Esta definição implica que mesmo em mercados com alta correlação-cruzada, após uma crise, só haverá contágio se a correlação entre estes mercados aumentar significativamente. Os autores adotam o termo shift-contagion (contágio por alteração) para diferenciar a definição das demais existentes. Corsetti, Pericoli e Sbracia (2005) aprofundam a definição dada por Forbes e Rigobon (2001) e salientam o fato de que muitos estudos associam a ideia de correlação em crescimento, ou alto nível de volatilidade, à presença de contágio. Segundo estes autores, quando ocorre interdependência entre os mercados, há certa estabilidade no comportamento dos parâmetros que vinculam tais mercados, ou mesmo que descrevem seu comportamento, de modo que a correlação entre eles, em períodos de crise,

6

obedeceria à determinada trajetória, ou um comportamento, que já seria esperado pelo próprio processo gerador dos dados que descrevem tais mercados. Já quando ocorre contágio, segundo os autores, haveria um aumento de correlação, além da esperada em algum padrão de interdependência, associando contágio à ideia de aumentos excessivos de correlações entre os mercados. Kleimeier et al. (2011) destacam que se as forças de transmissão forem provenientes de ataques especulativos, pânico financeiro ou comportamento de manada então, as crises que se seguirão são contagiosas dificultando iniciativas de proteção por parte dos tomadores de decisão. Em contraste, se as crises forem transmitidas para mercados interdependentes através de ligações reais e estável, então a propagação de uma crise pode ser limitada. Neste caso, os países com bons fundamentos econômicos serão protegidos. Uma maneira de responder à pergunta sobre contágio versus interdependência é analisar os co-movimentos entre os mercados e seus preços. Um aumento da correlação-cruzada entre os mercados durante crises é geralmente visto como um indicador de contágio, enquanto correlações estáveis indicam interdependência. Assim, volatilidade spillover ou contágio de volatilidade se trata de transferência de volatilidade de um mercado a outro, quando choques inesperados nos preços impulsionam aumentos excessivos de volatilidade. Recentemente, um número maior de trabalhos voltados para o estudo de contágio vem sendo desenvolvido. Tyner (2009) se dedicou a analisar a integração dos mercados de energia e milho, nos EUA. A sua premissa é de que um aumento no preço do petróleo leva a um aumento do preço da gasolina, que por sua vez gera um aumento na demanda do seu bem substituto, etanol. Maior consumo de etanol, exige maior produção da commodity geradora, que neste mercado é o milho, que por sua vez leva a um aumento de seu preço. Observou que, a partir de 2006, o mercado de etanol estabeleceu uma ligação entre o preço do petróleo e do milho, que não existia historicamente, confirmando a interdependência das variáveis analisadas. Du, Yu e Hayes (2009) investigaram as repercussões da volatilidade dos preços do petróleo bruto sobre as commodities agrícolas de milho e trigo. Foi utilizada uma base semanal de preços futuro do petróleo, milho e trigo, no período de novembro de 1998 a janeiro de 2009, e os parâmetros do modelo foram estimados usando métodos bayesianos. Como resultado, não se identificou a presença de transmissão de volatilidade durante o período de 1998 a outubro de 2006, no entanto, a partir do período de outubro de 2006 a janeiro de 2009, o contágio de volatilidade entre o mercado de petróleo bruto para o mercado de milho foi significativo. Harri e Darren (2009) avaliaram a dinâmica da média e variância entre os preços futuros do petróleo, milho e uma proxy da taxa de câmbio. Eles identificam contágio significativo de volatilidade e evidenciam que a variância do preço do petróleo causa variação nos preços do milho.

7

Zhang et al. (2009) estudaram a relação da volatilidade dos preços do etanol com milho, soja, gasolina e petróleo nos EUA. Através do modelo multivariado com heterocedasticidade condicional e dividindo seus dados em dois períodos: 1989-1999 como o etanol fase pré-boom e 2000-2007 como período de boom do etanol, os autores evidenciaram resultados que sugerem a não existência de ligações entre as volatilidades do petróleo, etanol e milho em qualquer período da análise. Serra, Zilberman e Gil (2010) realizaram estudo semelhante analisando como a volatilidade de preço do etanol brasileiro muda ao longo do tempo e observaram a co-integração entre o petróleo bruto internacional e o preço do açúcar brasileiro. Os resultados provenientes da análise empírica das séries de preços spot, no período de 2000 a 2008, sugerem uma influência no nível de preço e na volatilidade do petróleo bruto para o etanol e, finalmente, no preço do açúcar, porém com menos intensidade. A determinação da alocação de produção entre etanol e açúcar é variável ao retorno financeiro obtido por esses produtos, ou seja, o que apresentar maior retorno será o foco de produção, justificando assim a escolha pela variável preço do açúcar brasileiro a análise de co-integração. Diferentemente do observado no trabalho de Zhang et al. (2009), foi possível evidenciar no trabalho de Barrera, Mallory e Garcia (2011) comportamentos de contágio de volatilidade entre etanol, petróleo e milho nos EUA. Tal diferença pode ser devida ao período analisado, que nesse último trabalho foi de 2006-2011 e que engloba questões atuais. Dessa forma, a atualidade inserida no estudo capturou não apenas as fragilidades econômicas, mas também as ações políticas em respostas as preocupações ambientais. Outra diferença entre os artigos é em relação à metodologia, já que apesar de ambos moldarem o comportamento da volatilidade através de um modelo multivariado de heterocedasticidade condicional, os autores optaram por utilizar posteriormente o modelo de correção de erros, em resposta a cointegração das séries. Os resultados apresentados nos trabalhos de Tyner (2009) e Du, Yu e Hayes (2009), vão de encontro ao esperado, dado que a partir de 2005 os EUA definiram as diretrizes ao processo de incentivo à energia renovável, explicando a interdependência entre esses mercados após esse período. Esses trabalhos mostram a importância de estudos envolvendo esse tema e nos modelos utilizados, na medida em que, alterações em um ponto da estrutura da matriz energética habitual podem vir a se propagar para outras indústrias. O entendimento da interligação das cadeias é fundamental para os tomadores de decisão.

4.

Metodologia

4.1

Dados

8

Com o crescimento da participação do etanol no mercado de energia combustível, observouse nesse mercado uma importante fonte de estudo. Procurando absorver as especificidades das interrelações existentes no mercado brasileiro, foram construídos dois Cenários, cada qual englobando um conjunto específico de variáveis, assim definidas: Cenário I – tem como objetivo identificar a presença de volatilidade spillover entre as séries de retorno dos preços futuros de petróleo e milho, cotados no mercado internacional, e do preço futuro de etanol, cotado no Brasil. Ou seja, se propõe a identificar a presença de volatilidade spillover no mercado futuro de etanol brasileiro. Este cenário justifica-se em função da importância das três variáveis envolvidas, decorrente de que o petróleo é a fonte de maior participação no setor energético, sendo produto primário para produção de gasolina e diesel. O milho ganha importância na medida em que hoje é a partir dessa commodity que é realizada a maior parte de produção de etanol. Dentre a produção global, o etanol oriundo do milho é o de maior representatividade mundial. Assim, impactos sobre a safra do milho devem apresentar impactos diretos sobre a cotação do etanol, justificando a introdução dessa commodity na análise de contágio. A última variável que compõe esse cenário é o preço futuro do etanol cotado no Brasil. O etanol brasileiro é proveniente da cana-de-açúcar, mas, embora a commodity que influencia diretamente no comportamento do etanol produzido no Brasil seja o açúcar, como está sendo considerando no modelo o seu preço futuro, as expectativas que englobem todo o mercado em questão e variáveis econômicas tendem a ser incorporadas aos preços. Para compor o Cenário I, foram coletadas séries de preços futuros do etanol negociado na Bolsa de Valores, Mercadorias e Futuros –- BM&FBOVESPA, dos preços futuros do milho negociado na Chicago Board of Trade – CBOT e dos preços futuros do petróleo WTI negociado na New York Mercantil Exchange - NYMEX. As séries de preços desse cenário restringem-se ao período de 18/mai/10 a 29/dez/11. O curto período utilizado é decorrente do fato do contrato de etanol hidratado, com liquidação financeira na BM&FBovespa, ter iniciado suas operações somente em maio de 2010. Cenário II - tem como objetivo identificar a presença de volatilidade spillover entre as séries de retorno dos preços futuros de petróleo e açúcar cotados no mercado internacional em relação ao preço físico de açúcar no Brasil. Ou seja, se propõe a identificar a presença de volatilidade spillover no mercado físico de etanol brasileiro. Assim como no Cenário I, o petróleo como fonte de maior participação no setor energético, também é inserido na análise do Cenário II. A cana-de-açúcar no Brasil, além de ser o produto primário do açúcar, também é responsável pela geração de etanol. Assim, a quantidade a ser alocada

9

para fabricação desses dois produtos é definida pela atratividade de seus preços. Esse trade off na alocação da produção, faz com que esses bens sejam altamente correlacionados. Supõe-se que devido a essa alta correlação, uma possível existência de comportamento de contágio de volatilidade sobre o mercado físico de açúcar, seja um bom indício para a presença de contágio de volatilidade no mercado físico de etanol, justificando-se o uso desta commodity na análise. A última variável que compõe Cenário II é o preço futuro do açúcar, que é determinado pelo mercado internacional, impactando no preço do mercado interno. Foram coletadas as séries de preço futuro do açúcar cotado na NYMEX, o WTI utilizadas no Cenário I e o preço spot do açúcar brasileiro, informação proveniente do Centro de Estudos Avançados de Economia Aplicada - CEPEA. As séries de preços trabalhadas correspondem ao período compreendido entre 20/mai/03 e 29/dez/11. A opção por iniciar a análise no ano de 2003 é devida a que nesse período houve um incentivo maior a produção e ao consumo de etanol. No Brasil, esse incentivo veio através do lançamento dos veículos flex fuel, que permitem ao consumidor a opção de decidir na hora do abastecimento o tipo de combustível que utilizará.

Já o interesse americano no aumento da

produção do álcool combustível foi devido principalmente a invasão do Iraque pelos EUA, destacando a questão da dependência ao petróleo. 4.2.

Modelos Séries de retornos financeiros apresentam comportamento diferenciado em relação às outras

séries temporais, como a falta de validade sobre a suposição de normalidade além da violação do pressuposto básico de homocedasticidade. Estes fatos estilizados implicam em que estas séries necessitem de modelos diferenciados, capazes de incorporar a evolução da volatilidade no tempo. Assim, devido as interrelações entre variáveis econômicas, Sims (1980) defendeu a premissa de que todas as variáveis devem ser tratadas em sistemas de equações, simultânea e simetricamente. Esta discussão levou à introdução de um novo método de abordagem de séries multivariadas, o modelo de Vetores Auto Regressivos – VAR. A ideia é desenvolver modelos dinâmicos com o mínimo de restrições, nos quais todas as variáveis sejam tratadas como endógenas. Sendo assim, os modelos VAR examinam relações lineares entre cada variável, de suas próprias defasagens e entre as defasagens de todas as demais variáveis do sistema, tendo como restrições apenas a determinação do conjunto de variáveis a serem analisadas e o número máximo de defasagens envolvidas nas relações entre elas. Dessa forma, o VAR é utilizado para modelar os processos dos retornos, já que permite comportamentos de autocorrelações e autocorrelações cruzadas, porém, ainda é necessária a

10

utilização de outro modelo capaz de modelar os clusters de volatilidade, ou seja, o comportamento heterocedástico da variância. Para tal, optou-se pelo uso dos modelos multivariados da família Generalized Autoregressive Conditional Heteroscedasticity - GARCH. Os modelos GARCH multivariados foram desenhados para modelar a matriz de variânciacovariância condicional - H t , na qual as variáveis aleatórias ε t dependam das informações disponíveis ψ t −1 até o período t-1. O conhecimento dessa matriz fornece informação de medida de risco associada a certo conjunto de instrumentos financeiros. Dentre os modelos da família GARCH, os utilizados nesse trabalho são: Diagonal VEC, Diagonal BEKK, Escalar BEKK e Correlação Condicional Constante. - Modelo VEC:

q

p

i −1

i =1

vech ( H t ) = c + ∑ Ai vech (ε t − iε t' − i ) + ∑ Gi vech ( H t −i )

Esta parametrização é conhecida como representação VEC e foi definida por Engle e Kroner (1995). A grande vantagem deste modelo é sua flexibilidade, pois permite que todos os elementos de H t dependam de todos os produtos cruzados de vech (ε t −i ε t'−i ) e de todos os elementos de H t −1 . Porém, para evitar variância negativa e garantir estabilidade adota-se a restrição de que Ai e Gi sejam matrizes diagonais, esse modelo restrito é conhecido como Diagonal VEC.

- Modelo BEKK: Concebido inicialmente por Baba et al. (1990), revisado posteriormente por Engle e Kroner (1995), o modelo BEKK garante, por restrição, que a matriz de variância-covariância seja sempre positiva definida .

'

K

H t = c0* c0* + ∑ k =1

q

*' ik

∑A i −1

K

ε t − iε t' − i Aik* + ∑ k =1

p

*' ik

∑G

H t − i Gik*

i =1

Como a estimação pode se tornar complexa devido ao grande número de parâmetros a serem estimados é preferível utilizar casos especiais de modelos derivados do BEKK. Aqui, consideraremos o modelo Escalar BEKK onde as matrizes A e G são escalares e o modelo Diagonal BEKK, onde as matrizes A e G são restritas a diagonal principal.

11

- Modelo CCC: Proposto por Bollerslev (1990), o modelo CCC impõe a condição de que a correlação condicional seja constante em todo instante t. A matriz de covariância é dada por:

H t = Dt RDt

Onde Dt é a matriz diagonal com seus elementos compostos pela variância condicional hii ,t de cada série no instante t e R é a matriz dos coeficientes de correlação linear constante ρ ij . A opção pela apresentação de mais de um modelo justifica-se pela tentativa de se encontrar aquele que melhor se adapte às séries apresentadas, dado que, o fato de um dado modelo representar melhores resultados à estimação, apenas reflete seu desempenho ao caso específico, ou seja, não se pode garantir que esse modelo terá sempre melhor desempenho em relação aos demais. Para definir qual modelo representa melhor as especificas séries, utilizam-se os Critérios de Informação de Akaike – AIC e Bayesiano de Schwarz – BIC O procedimento consiste em escolher, como melhor modelo, aquele que apresentar a estatística de menor valor de AIC e BIC. Tais critérios têm a vantagem de serem objetivos, pois dependem da comparação direta entre modelos e não da interpretação subjetiva do analista.

5.

Resultados Para executar os modelos propostos, o primeiro passo é conhecer as características das séries a

serem trabalhadas. O conhecimento das estatísticas descritivas é essencial, pois determina parametrizações importantes a serem adotadas no processo. Assim, quando se trabalha com modelagens econometrias, recomenda-se primeiramente analisar o comportamento dos dados a serem utilizados. As séries analisadas apresentam características estilizadas, como a não normalidade e alta curtose. Apesar da não-normalidade, ao realizar o teste Dickey-Fuller Aumentado – ADF, para análise de estacionariedade, verificou-se que as séries são estacionarias, ou seja, não são um passeio aleatório. A estacionariedade é uma condição fundamental para a análise de séries de tempo, isso porque a utilização dos modelos de regressão envolvendo séries temporais não estacionárias pode conduzir ao problema de regressão espúria. Séries não-estacionárias não são passíveis de modelagem dentro do arcabouço tradicional.

12

Tabela 1 – Resultado do teste ADF Cenário I

Cenário II

Estatísticas WTI

F P-Valor

Milho

Etanol

Açúcar

Açúcar

WTI

Físico

-12,6513

-12,6513

-2,7007

-46,3677

-11,0439

-48,5612

0,0000

0,0000

0,0000

0,0000

0,0000

0,0000

Como mencionado, a decisão de qual modelo VAR melhor se adapta ao conjunto de dados a serem estimados, foi feita através do princípio de Critério de Informação. Pela Tabela 2, observa-se que a estatística BIC, em ambos os cenários, apresentou vantagens em relação ao AIC, por ter sido mais parcimoniosa. Assim, para a modelagem de autocorrelação nos retornos, utilizou-se um modelo VAR com 1 lag, para o Cenário I, enquanto para o Cenário II, um modelo VAR de 3 lags de defasagem. Tabela 2 – Comparação dos resultados AIC e BIC do modelo VAR para os dois Cenários

analisados. Cenário I

LAGS AIC

Cenário II BIC

AIC

BIC

1

-12,41918

-12,2213

-16,12312

-16,08775

2

-12,36714

-12,0196

-16,28026

-16,21833

3

-12,29478

-11,7966

-16,34272

-16,25421

4

-12,29547

-11,6455

-16,35392

-16,23881

Definido o modelo VAR a ser utilizado, realiza-se a mesma análise para os modelos da família GARCH multivariada. Na Tabela 3 observa-se que, para o Cenário I, o critério de AIC indica como melhor modelo o CCC e o critério BIC indica o modelo Escalar BEKK. Para o Cenário II, segundo o AIC, o melhor modelo foi o Diagonal VEC enquanto, segundo o BIC foi o CCC.

13 Tabela 3 - Comparação dos resultados AIC e BIC para os dois Cenários analisados Cenário I

Cenário II

Modelo AIC

BIC

AIC

BIC

Diagonal VEC

-15,46647

-14,97172

-16,85821

-16,71660

Escalar BEKK

-15,53079

-15,21745

-16,75722

-16,65807

Diagonal BEKK

-15,52060

-15,17428

-16,81125

-16,69620

CCC

-15,60206

-15,20627

-16,85648

-16,73257

Diante da informação de quais modelos melhor representam os dados observados, analisa-se a correlação condicional entre as séries, para os modelos sugeridos. As correlações condicionais do modelo CCC apresentaram os seguintes resultados: correl(WTI,Milho) = 0,157; correl(WTI,Eth) = 0,271; correl(Eth,Milho) = -0,039. Segundo esses resultados, o modelo CCC apresenta fraco indício de presença de relação de interdependência entre as variáveis. O mesmo não se pode afirmar para o caso do modelo Escalar BEKK, observado na Figura 1, em que esse indício torna-se forte.

Figura 1- Correlação condicional entre as variáveis do Cenário I

14

Aprofundando a análise, avalia-se através da variância condicional se movimentos individuais são representativos entre as outras variáveis. Como o modelo CCC apresentou fraco indício de interdependência, essa análise apenas foi representada sobre o modelo Escalar BEKK. Var(ETH) .28 .24 .20 .16 .12 .08 .04 .00 M5

M6

M7

M8

M9

M10

M11

M12

M1

2010

M2

M3

2011

Var(WTI)

Var(MILHO) .0008

.0028 .0024

.0007

.0020

.0006 .0016 .0012

.0005

.0008

.0004 .0004

.0003

.0000 M5

M6

M7

M8

M9 2010

M10

M11

M12

M1

M2

M3

M5

M6

M7

2011

M8

M9

M10

M11

2010

M12

M1

M2

M3

2011

Figura 2 - Correlação condicional entre as variáveis do Cenário I Nota-se que os choques ocorridos no milho e no etanol não foram advindos de choques sobre o WTI. No entanto, entre os meses de junho e julho de 2010, tanto a variância do etanol como a do milho, seguiram o mesmo comportamento de alta. Esse foi um período marcado por altas nos preços americanos de soja e milho, devido à reação as questões climáticas que poderiam acarretar na redução da produção. Os EUA são os maiores produtores mundiais de milho e de etanol. A diminuição da produção de milho afeta a capacidade de abastecimento de etanol implicando em pressão nos preços do mesmo. Internamente, o preço futuro de etanol acompanhou as notícias do mercado externo, sofrendo reflexo direto com a possível redução da produção americana de etanol. Porém, ao mesmo tempo, a expectativa de aumento da safra de açúcar 2010/2011, comparada ao ano anterior, refletiu em dias de preços baixistas no futuro de açúcar. Assim, a volatilidade observada no retorno dos preços do etanol, nesse período, foi um reflexo das expectativas dos agentes. Muitas vezes, a volatilidade é determinada por questões não observáveis. Os agentes, ao se depararem com situações inesperadas pelo mercado, acabam por reagir de forma irracional,

15

alimentando comportamentos de manada3, que acabam por impulsionar a aumentos excessivos de volatilidade, mesmo que não tenham ocorrido choques econômicos. Realizando a mesma análise para o Cenário II, como observado na Tabela 4, tem-se, pelo critério de AIC, o Diagonal VEC como o modelo que melhor se ajusta as séries analisadas, enquanto pelo BIC esse modelo é o CCC. As correlações condicionais do modelo CCC apresentaram os seguintes resultados: correl(Açúcar,Açúcar_Físico) = 0,052; correl(WTI,Açúcar) = 0,2; correl(Açúcar_Físico,WTI) = 0,031. Da mesma maneira como ocorreu no Cenário I, o modelo CCC apresenta fraco indício de presença de relação de interdependência entre as variáveis, mantendo-se bem próximo a zero. A correlação entre o açúcar e o WTI atinge níveis maiores, mas quando comparado ao modelo Diagonal VEC, observado na Figura 3, verifica-se que esse relacionamento ainda assim é fraco. O modelo Diagonal VEC apresenta forte indício de presença de relação de interdependência entre as variáveis, definindo períodos de alta correlação.

Figura 3 - Correlação condicional entre as variáveis do Cenário II Para uma análise mais acurada, subdividiu-se as séries em três períodos, em que o ponto de secção foi a crise subprime. A crise apresentou seus primeiros sinais ainda no ano de 2007, porém, o período utilizado foi o do auge da crise, 15/set/08 a 30/jun/09. Em 15 de setembro, o banco de investimento Lehman Brothers, 4º maior dos EUA, decretou concordata, desencadeando efeitos em cascata de falências e quebras de instituições financeiras, 3

Comportamento de manada é um termo usado para descrever situações em que indivíduos em grupo reagem todos da mesma forma, mesmo sem um planejamento prévio de decisão.

16

culminando na maior queda do índice Dow Jones e de bolsas de valores internacionais desde os atentados de 11 de setembro de 2001. A Tabela 3 evidencia o grau de correlação entre as variáveis nesses períodos, antes, durante e pós o choque econômico de abrangência mundial. Tabela 3 – Grau de correlação entre as variáveis em três períodos analisados Períodos e Variáveis

Açúcar

Açúcar Físico

WTI

1

0,01337

0,13722

Açúcar Físico

0,01337

1

0,01877

WTI

0,13722

0,01877

1

1

0,03649

0,43085

Açúcar Físico

0,03649

1

0,02134

WTI

0,43085

0,02134

1

1

0,12412

0,21980

Açúcar Físico

0,12412

1

0,05923

WTI

0,21980

0,05923

1

Mai 2003 / Ago 2008 Açúcar

Set 2008 / Jun 2009 Açúcar

Set 2008 / Mar 2011 Açúcar

No período anterior a crise do subprime, nota-se uma baixa correlação entre as variáveis, indicando na verdade um fraco indício de interdependência. Porém, no período de abrangência da crise o grau de correlação aumentou em aproximadamente três vezes em relação ao evidenciado no período anterior. Esse aumento das relações entre os mercados pode ser considerado excessivo e indicativo de contágio entre os mesmos. Nos anos de 2008 a 2009, período de auge da crise do subprime, o preço do barril do petróleo sofreu um crescimento vertiginoso, registrando alta volatilidade do WTI. A instabilidade financeira mundial, fez com que os investidores institucionais passassem a direcionar suas apostas para os mercados de commodities e seus derivativos, em busca de altos retornos nos mercados futuros para compensar as grandes perdas com os ativos financeiros. Os mercados de commodities oferecem possibilidade de retorno elevado ante a menor rentabilidade dos ativos financeiros tradicionais em razão tanto da queda dos juros americano como da depreciação

17

do dólar, além de fornecer diversificação de risco, uma vez que esses mercados, historicamente, não são correlacionados com os mercados de títulos e ações. Esse direcionamento de investimento, principalmente por parte dos investidores especulativos, implicou na tendência de alta dos preços das commodities. Sendo, esse período registrado por intensos movimentos de variação. Além dos movimentos especulativos, o descompasso entre a oferta e a demanda das commodities, principalmente de petróleo e alimentos, fortalecia ainda mais a pressão nos preços. O crescimento acelerado dos países em desenvolvimento, em particular na Ásia, contribui para sustentar a expansão de consumo de petróleo e alimento. Assim, ao mesmo tempo em que a alta dos preços de petróleo estimula a produção e demanda de biocombustíveis, acaba por implicar na diminuição da oferta de alimentos, ou pelo desvio da produção de alimentos para fabricação de álcool e de biodiesel, ou por elevar os custos da produção agrícola, devido ao aumento dos preços dos fertilizantes e do transporte. No período aqui definido como pós-crise, soma-se aos impactos da crise do subprime, o agravamento das tensões geopolíticas do Oriente Médio, a crise de energia nuclear no Japão deflagrada pelo tsunami, o agravamento da situação fiscal da Europa e o arrefecimento da atividade econômica americana e da Zona do Euro. Assim, os últimos anos vêm se destacando como um período de grande instabilidade mundial. Apesar da redução da correlação no terceiro período comparada ao período de auge da crise, houve um aumento da interdependência dos mercados. Pelas variâncias condicionais, na Figura 4 têm-se os movimentos individuais das variáveis, segundo o modelo Diagonal VEC, no período da crise do subprime. Var(ACUCAR) .0016 .0014 .0012 .0010 .0008 .0006 .0004 .0002 .0000 II

III

IV

2007

I

II

III

IV

2008

I 2009

Var(ACUCAR_FISICO) Var(WTI)

.00018

.007

.00016

.006

.00014

.005

.00012 .00010

.004

.00008 .003

.00006 .002

.00004 .001

.00002

.000

.00000 II

III 2007

IV

I

II

III 2008

IV

I 2009

II

III 2007

IV

I

II

III 2008

IV

Figura 4 - Variância condicional das variáveis do Cenário II

I 2009

18

As variâncias condicionais corroboram a presença de interdependência entre as variáveis. É observado que as oscilações na volatilidade do preço futuro do açúcar foram acompanhadas por oscilações, porém em menor magnitude no preço spot do açúcar.

6.

Conclusão A dependência mundial ao petróleo, os efeitos das mudanças climáticas e a instabilidade

econômica atual, impuseram ao mundo a necessidade de desenvolver bens substitutos ao petróleo com foco na sustentabilidade através de energia limpa e renovável. Investimentos e incentivos levaram à produção de biocombustíveis baseados em insumos da cadeia de produção alimentícia. Estes, hoje definem um novo cenário na matriz energética mundial, com destaque ao etanol e o biodiesel. Dessa forma, a ampliação das alternativas energéticas, baseada na produção de biocombustíveis, ao mesmo tempo em que minimiza a dependência mundial ao petróleo passou a gerar interdependência entre as commodities agrícolas e o setor de energia combustível, gerando preocupações aos tomadores de decisão. Diante dessas questões, o artigo buscou ao longo de seu desenvolvimento, analisar evidências que pudessem ser indicativas de comportamentos de volatilidade spillover sobre o mercado de etanol brasileiro. Para melhor identificar essas evidências empíricas, foram trabalhados dois cenários. O primeiro cenário analisado buscou observar se o mercado futuro de etanol brasileiro é passível de contágio, enquanto o segundo focou no mercado físico de etanol, através da alta correlação com o mercado físico de açúcar. Os resultados obtidos, após aplicação dos modelos, quando considerado o Cenário I, apresentam que os choques ocorridos no milho e no etanol não foram advindos de choques sobre o WTI, não indicando comportamento de interdependência entre as variáveis consideradas. No cenário II, nos anos de 2008 a 2009, o choque assistido no preço do petróleo WTI, resultou numa mudança no comportamento de sua variância condicional, e também, contagiosamente, no mercado futuro e físico do açúcar, porém nesse último em menor intensidade. Assim, como observado no trabalho de Serra e Zilberman (2009) os resultados encontrados, através da modelagem do comportamento da variância condicional e da correlação condicional ao longo do tempo das variáveis analisadas para o Cenário II, corroboram o comportamento esperado de contágio. Dessa forma, observa-se que diante das instabilidades econômicas, a independência entre mercados os sujeita a propagações de choques, que anteriormente em nada impactariam essas estruturas. Este artigo permite, assim, um melhor entendimento necessário para definir o risco inerente aos mercados.

19

O trabalho soma-se ao grupo de artigos, voltados para a análise de volatilidade spillover e agrega a essa gama de estudos uma análise em relação às commodities agrícolas e o mercado de energia, mercados estes de extrema importância para atualidade. Contribui para um melhor entendimento do mercado, necessário para a mitigação do risco inerente aos mercados, possibilitando, inclusive, uma melhor definição de estruturas de hedge, importante instrumento nas operações de investimento em mercado futuro.

Referências BABA, Y. et al. Multivariate Simultaneous Generalized ARCH. 1993. 33 p. Discussion Paper 89-57R, Department of Economics, University of California, San Diego, July 1993. BLOOMBERG. Séries de preços futuros. Disponível em: . Acesso em 10 jun 2011. BOLLERSLEV, T. Modelling the Choerence in Short-run Nominal Exchange Rates: A Multivariate Generalized ARCH Model. The Review of Economics and Statistics, v. 72, n. 3, p. 498-505, Aug.1990. CORSETTI, G.; PERICOLI, M. E.; SBRACIA, M. Some Contagion, Some Interdependence: More Pitfalls in Tests of Financial Contagion. Journal of International Money and Finance, v. 24, n. 8, p. 1177-1199, Dec. 2005. DU, X.; YU, C.; HAYES, D. Speculation and Volatility Spillover in the Crude Oil and Agricultural Commodity Markets: A Bayesian Analysis. Working Paper 09-WP 491, Center for Agricultural and Rural Development, 2009. Disponível em: Acesso em 30 abr.2011. EARTH POLICY INSTITUTE. World Fuel Ethanol Production. In: Data Center. Washington, 2011. Disponível em < http://www.earth-policy.org/data_center/C26 >. Acesso em 29 abr. 2011. ENGLE, R. F.; KRONER, K. F. Multivariate Simultaneous Generalized ARCH. Econometric Theory, v. 11, n. 1, p. 122-150, Feb.1995. FLOOD, R. P.; GARBER, P. M. Collapsing exchange-rate regimes: Some linear examples. Journal of International Economics, v 17, n. 1-3, p. 1-13, Aug. 1984.

20

FORBES, K. J.; RIGOBON, R. Measuring contagion: conceptual and empirical issues. In: CLAESSENS, S., FORBES, K.J. International Financial Contagion. Kluwer Academic Press, Boston, MA, Apr. 2001. Chapter 3, p. 43-66. OK HARRI, A., DARREN, H. Mean and Variance Dynamics between Agricultural Commodity Prices and Crude Oil Prices. IN: ECONOMICS OF ALTERNATIVE ENERGY SOURCES AND GLOBALIZATION: THE ROAD AHEAD MEETING, Orlando, FL. 2009. KLEIMEIER et al.(2011) KLEIMEIER, S.; LEHNERT, T.; VERSCHOOR, W. 2008. Financial contagion: the viral threat to the wealth of nations. Robert W. Kolb, 2011. KRUGMAN, P. R. A Model of Balance of Payment Crises. Journal of Money. Credit and Banking, v. 11, n.3, p. 311-325, Aug.1979. MASSON, P. Contagion: Monssonal Effects, Spillovers and Jumps Between Multiple Equilibria. International Monetary Fund – Working Paper, WP/98/142, Washington, DC, Sept.1998. OBSTFELD, M. Rational and Self-fulfilling Balance of Payments Crises. American Economics Review, v.76, p. 72-81, 1986. PRITSKER, M. The Channels for Financial Contagion. In: CLAESSENS, S., FORBES, K.J. International Financial Contagion. Kluwer Academic Press, Boston, MA, Apr. 2001. Chapter 4, p. 67-97. OK SERRA, T.; ZILBERMAN, D., GIL, J. Price volatility in ethanol markets. In 2009 ANNUAL MEETING, AGRICULTURAL AND APPLIED ECONOMICS ASSOCIATION. Milwaukee, Wisconsin, Jul. 26-28, 2009. SIMS, C.A. Macroeconomics and Reality. Econometrica, v. 48, n. 1, p. 1-48, Jan 1980. TRUJILLO-BARRERA, A.; MALLORY, M.; GARCIA, P. Volatility Spillovers in the U.S. Crude Oil, Corn, and Ethanol Markets. IN: PROCEEDINGS OF THE NCCC-134 CONFERENCE ON APPLIED COMMODITY PRICE ANALYSIS, FORECASTING, AND MARKET RISK MANAGEMENT. St. Louis, MO, 2011.

21

TYNER W. The Integration of Energy and Agricultural Markets. In: 27th INTERNATIONAL ASSOCIATION OF AGRICULTURAL ECONOMISTS CONFERENCE, Beijing, China, Aug. 1622, 2009. WOLF, Holger. 1999. International Asset Price and Capital Flow Comovements during Crisis: The Role of Contagion, Demonstration Effects, and Fundamentals. In: WORLD BANK/IMF/WTO CONFERENCE ON CAPITAL FLOWS, FINANCIAL CRISES, AND POLICIES. Washington. D.C., April 15–16,1999. ZHANG, Z.; LOHR, L.; ESCALANTE, C.; WETZSTEIN, M. 2009. Ethanol, Corn, and Soybean Price Relations in a Volatile Vehicle-Fuels Market. Energies, v. 2, p. 320–339.

22

Apêndice 1 Série de preço futuro do petróleo WTI (US$) Posição em 04 de janeiro – Período 2000 a 2011 160 140 120 100 80 60 40 20 0

Fonte: Bloomberg, 2011