Modelo Café Arábica em MQO

UNIVERSIDADE FEDERAL DA PARAÍBA
PROFESSOR: Sinézio Fernandes Maia

Autor

Natan Henrique Alves

Data de Publicação

26 de abril de 2024

Atividade em Mínimos Quadrados Ordinários (MQO)

A atividade abaixo se refere a busca de um modelo robusto e não tendencioso em MQO, para encontrar a quantidade ótima de contratos de hedge para o mercado futuro de soja.

Configurações iniciais

Para evitar notações científicas:

options(scipen = 9999)
options(max.print = 100000)

Pacotes útilizados:

library(readxl)
library(tidyverse)
library(deflateBR)
library(dynlm)
library(fBasics)
library(lmtest)
library(whitestrap)
library(FinTS)

Base de dados

dados <- read_excel("dados.xlsx")

Plotagem dos dados

ggplot(dados, aes(x = Data)) +
  geom_line(aes(y = spot, color = "Spot")) +
  geom_line(aes(y = Futuro, color = "Futuro")) +
  labs(title = "soja",
       x = "Data",
       y = "Preço",
       color = "Variáveis") +
  scale_color_manual(values = c("Spot" = "blue", "Futuro" = "red")) +
  theme_minimal()

Transformando em Séries Temporais e Deflacionando pelo pacote ‘deflateBR’

# Transformando em séries temporais
spot <- ts(dados$spot, start= c(2013,12), end=c(2024,03), frequency = 12)
futuro <- ts(dados$Futuro, start= c(2013,12), end=c(2024,03), frequency = 12)
# Definindo o tempo
times <- seq(as.Date("2013/12/1"), by = "month", length.out = 124)

# Deflacionando
spotR <- deflate(spot, nominal_dates = times, real_date = "02/2024", index = "ipca")
futuroR <- deflate(futuro, nominal_dates = times, real_date = "02/2024", index = "ipca")

Regressão sem tratamento

regress1 <- lm(spot ~futuro);regress1


Call:
lm(formula = spot ~ futuro)

Coefficients:
(Intercept)       futuro  
    14.2636       0.5717

Regress2 <- lm(spotR~futuroR); Regress2


Call:
lm(formula = spotR ~ futuroR)

Coefficients:
(Intercept)      futuroR  
    12.4904       0.7588

Plotando os Gráficos de Preço Spot e Futuro

par(mfrow = c(1,2))

plot(spotR, main = "Soja - Spot"); plot(futuroR, main = "Soja - Futuro")

Tranformando dem logaritmo

O objetivo é corrigir a heterocedásticidade

lspot <- log(spotR)
lfuturo <- log(futuroR)

plot(lspot, main = "Soja - log SPOT"); plot(lfuturo, main = "Soja - log FUTURO")

Fazendo a regressão em diferença

Para corrigir os problemas causados pela autocorrelação nós fazemos a regressão em diferença

lag <- stats::lag
Regressao <- dynlm(diff(lspot)~diff(lag(lfuturo)))
Regressao


Time series regression with "ts" data:
Start = 2014(1), End = 2024(2)

Call:
dynlm(formula = diff(lspot) ~ diff(lag(lfuturo)))

Coefficients:
       (Intercept)  diff(lag(lfuturo))  
         -0.004209            0.236251

Testes para resíduos

par(mfrow = c(1,1))
residuos <- residuals(Regressao); head(residuos)

   Jan 2014    Feb 2014    Mar 2014    Apr 2014    May 2014    Jun 2014 
-0.05235149  0.06932234  0.13664249 -0.01047348 -0.02810474  0.02913017

plot(residuos, type="l", col="red")
abline(h=0, col="blue", lw=3)

par(mfrow=c(1,2))
hist(residuos, main="", col="cadetblue", prob=T, xlab = names(residuos)[1], breaks = 30)
curve(expr=dnorm(x,mean=mean(residuos),sd=sd(residuos)),col="red",add= TRUE, lwd=2)
qqnorm(residuos, col="blue")
qqline(residuos, col="red")

Teste para a presença de normalidade

Teste de Jarque Bera:

jarqueberaTest(residuos)


Title:
 Jarque - Bera Normalality Test

Test Results:
  STATISTIC:
    X-squared: 2.3348
  P VALUE:
    Asymptotic p Value: 0.3112

Teste de Shapiro Wilk:

shapiro.test(residuos)


    Shapiro-Wilk normality test

data:  residuos
W = 0.99092, p-value = 0.6066

Testes para presença de heteroscedasticidade

Teste de Goldfeld-Quandt:

length(residuos); length(residuos)*0.15

[1] 122

[1] 18.3

gqtest(Regressao, fraction = 18.3, alternative = "greater")


    Goldfeld-Quandt test

data:  Regressao
GQ = 1.302, df1 = 50, df2 = 49, p-value = 0.1785
alternative hypothesis: variance increases from segment 1 to 2

Teste de Breusch-Pagan-Godfrey:

  bptest(Regressao)


    studentized Breusch-Pagan test

data:  Regressao
BP = 0.6316, df = 1, p-value = 0.4268

Teste de White:

library(whitestrap)
white_test(Regressao)

White's test results

Null hypothesis: Homoskedasticity of the residuals
Alternative hypothesis: Heteroskedasticity of the residuals
Test Statistic: 0.7
P-value: 0.706166

Testes de autocorrelação

Teste de Durbin Watson:

dwtest(Regressao)


    Durbin-Watson test

data:  Regressao
DW = 1.2543, p-value = 0.00001532
alternative hypothesis: true autocorrelation is greater than 0

Teste de Breusch-Godfrey (1978):

bgtest(Regressao, order = 4)


    Breusch-Godfrey test for serial correlation of order up to 4

data:  Regressao
LM test = 16.522, df = 4, p-value = 0.002393

Teste de Arch:

ArchTest(residuos, lags = 4)


    ARCH LM-test; Null hypothesis: no ARCH effects

data:  residuos
Chi-squared = 8.8105, df = 4, p-value = 0.06601

conclusão

Resolvendo os problemas estatísticos de falta de normalidade e heterocesticidade temos que, para cada 1US$ em futuro, spot varia em 23,6251%.