APLICAÇÃO DO MODELO ARIMA À PREVISÃO DO PREÇO DA SOJA COMO FERRAMENTA PARA TOMADA DE DECISÃO

Authors

  • Andre Luiz Barros Luchesi
  • Maria da Piedade Araújo
  • Silvana Anita Walter

DOI:

https://doi.org/10.56083/RCV3N10-083

Keywords:

Modelagem ARIMA, Previsão, Preço Soja

Abstract

O agronegócio é uma atividade que envolve diversos riscos e incertezas, por essa razão torna-se necessária a utilização de ferramentas para auxiliar a tomada de decisão. Esta pesquisa tem por objetivo analisar o desempenho preditivo do modelo ARIMA para as estimativas de preços a curto e médio prazo, apresentando a trajetória e tendências futuras do preço da soja, com a finalidade de auxiliar os agentes envolvidos na comercialização dessa commodity. O estudo utilizou preços mensais da soja comercializada na bolsa de valores de Chicago (CBOT), entre janeiro de 2000 a junho de 2018, e utilizou a metodologia Box-Jenkins para desenvolvimento do modelo. O modelo ARIMA (1,2,1) obteve o melhor ajuste aos dados, apresentando uma taxa de erro de apenas 5,39%, de acordo com o indicador de erro MAPE, um percentual de erro baixo, considerando o mercado agrícola. Os resultados demonstram que esse tipo de modelagem matemática constitui-se em uma ferramenta relevante para tomada de decisão, possibilitando aos gestores elaborarem ações para maximizar seus resultados e minimizar os riscos. No entanto, o intervalo de confiança das previsões geradas ainda é relativamente grande, sendo mais indicada para subsidiar decisões a curto prazo. Embora, suas estimativas a médio prazo devam ser consideradas pelos gestores.

References

BOX, G. E. P.; JENKINS, G. M. Time series analysis: forecasting and control. New Jersey: Prentice Hall, 1976.

BROCKWELL, P. J.; DAVIS, R. A. Introduction to Time Series and Forecasting, 2nd edition. New York: Springer, 2002. DOI: https://doi.org/10.1007/b97391

BURNHAM, K. P.; ANDERSON, D. R. Model Selection and Multimodel Inference. 2nd ed. New York: Springer, 2002.

CAMPOS, K. C. Análise da volatilidade de preços de produtos agropecuários no Brasil. Revista de Economia e Agronegócio, n. 5, 2007, p. 303-328. DOI: https://doi.org/10.25070/rea.v5i3.107

COMPANHIA NACIONAL DE ABASTECIMENTO - CONAB. Indicadores da agropecuária. Brasília: CONAB, 2009. Disponível em: . Acesso em: 20 jul. 2018.

ENDERS, W. Applied econometric time series. New York: John Wiley, 1995.

ENDERS, W. Rats handbook for econometric time series. New York: John Wiley, 1996.

EHLERS, R. S. Análise de Séries Temporais. Departamento de Estatística, UFPR. Disponível em: Acesso em: 20 jul. 2018.

FAVA, V. L. Manual de econometria. In: VASCONCELOS, M. A. S.; ALVES, D. São Paulo: Editora Atlas, 2000.

GUJARATI, Damodar N. Econometria básica. 4 ed. Rio de Janeiro: Elsevier, 2006.

GRANGER, C.W.J. NEWBOLD, P. Forecasting Economic Time Series. Second Edition. Orlando: Academic Press, 1986.

MAKRIDAKIS, S.; HIBON, M. The M3-Competition: results, conclusions and implications. International Journal of Forecasting, 2000. DOI: https://doi.org/10.1016/S0169-2070(00)00057-1

MARGARIDO, M. A. Transmissão de preços internacionais de suco de laranja para preços ao nível de produtor de laranja no Estado de São Paulo. São Paulo: IEA. 1998. 127p. (Coleção Estudos Agrícolas, 6/98).

MARTINS, T. M.; MARTINELLI, D. P. Ciclos e previsão cíclica dos preços de commodities: um modelo indicador antedecedente para commodity açúcar. Revista de Administração, Contabilidade e Economia, n. 2, 2010, p. 2-12. DOI: https://doi.org/10.13059/racef.v1i2.22

MONTGOMERY, D. C.; JOHNSON, L. A.; GARDINER, J. S. Forecasting and Time Series Analysis. 2 ed., New York: McGraw-Hill, 1990.

MORETTIN, P. A.; TOLOI, C. M. Séries Temporais. 2. ed. São Paulo: Atual, 2006.

MORETTIN, P. A. Econometria financeira: um curso em Séries Temporais financeiras. São Paulo: Departamento de Estatística-Instituto de Matemática e Estatística-USP, 2004.

MORETTIN, P. A., TOLOI, C. M. de C. Modelos para Previsão de Séries Temporais. In: 13° Colóquio Brasileiro de Matemática, Rio de Janeiro, 1981.

PHILLIPS, P. C. B.; PERRON P. Testing for Unit Roots in Time Series Regression. Biometrika, n.75, 1988. DOI: https://doi.org/10.1093/biomet/75.2.335

RIBEIRO, C. O; SOSNOSKI, A. A. K.; OLIVEIRA, S. M. Um modelo hierárquico para previsão de preços de commodities agrícolas. Revista Produção On-line, n.10, 2010, p. 719-733. DOI: https://doi.org/10.14488/1676-1901.v10i4.225

SAID, S. E.; DICKEY D. Testing for Unit Roots in Autoregressive Moving-Average Models with Unknown Order. Biometrika, n.71, 1984. p. 599-607. DOI: https://doi.org/10.1093/biomet/71.3.599

SCHWAGER, J. D. Fundamental analysis. New York: John Wiley & Sons,1995.

SIQUEIRA, M. L. Melhorando a Previsão da Arrecadação Tributária Federal através da Atualização de Modelos de Séries Temporais. ESAF, 2002 (Monografia – VII Prêmio do Tesouro Nacional).

STOCK, J. H.; WATSON, M. W. Econometria. São Paulo: Addison Wesley, 2004.

USDA - UNITED STATES DEPARTMENT OF AGRICULTURE. FAS Databases. Disponível em: < https://www.fas.usda.gov/data >. Acesso em: 01 ago. 2018.

Published

2023-10-18

How to Cite

Luchesi, A. L. B., Araújo, M. da P., & Walter, S. A. (2023). APLICAÇÃO DO MODELO ARIMA À PREVISÃO DO PREÇO DA SOJA COMO FERRAMENTA PARA TOMADA DE DECISÃO. Revista Contemporânea, 3(10), 18181–18202. https://doi.org/10.56083/RCV3N10-083

Issue

Section

Articles