XLV CONGRESSO DA SOBER "Conhecimentos para Agricultura do Futuro"

AGROENERGIA: A QUESTO DA VOLATILIDADE DE PREOS E O EFEITO ALAVANCAGEM DOS PRODUTOS AGRCOLAS KILMER COELHO CAMPOS (1) ; CARLOS ALBERTO PIACENTI (2) . 1.UFV, VIOSA, MG, BRASIL; 2.UNIOESTE, TOLEDO, PR, BRASIL. kilmercc@bol.com.br APRESENTAO ORAL COMERCIALIZAO, MERCADOS E PREOS AGRCOLAS

AGROENERGIA: A QUESTO DA VOLATILIDADE DE PREOS E O EFEITO ALAVANCAGEM DOS PRODUTOS AGRCOLAS Grupo de Pesquisa: 1- Comercializao, Mercados e Preos Agrcolas Resumo: As flutuaes cclicas e/ou sazonais dos preos dos produtos agrcolas provocam instabilidade, tanto na renda do produtor como nas despesas dos consumidores urbanos. O conhecimento do padro de flutuao sazonal ou volatilidade destes preos ajuda na implementao de polticas voltadas para produo agrcola direcionada para agroenergia. Isto posto, utiliza-se a classe de modelos de heterocedasticidade condicional autorregressiva (ARCH e GARCH e suas extenses, TARCH e EGARCH), para caracterizar e analisar a volatilidade das sries de retornos mensais da soja, mamona e cana-de-acar. A anlise emprica da volatilidade mostra que estes produtos so marcados por acentuadas flutuaes de preos, em que choques positivos ou negativos geram impactos com perodo longo de durao. O somatrio dos coeficientes de reao e persistncia da volatilidade mostrou valores prximos de um, indicando que os choques na volatilidade iro perdurar por algum tempo. Palavras- chave: agroenergia; volatilidade de preos; produtos agrcolas; Brasil. AGROENERGY: THE QUESTION OF THE PRICES OF VOLATILITY AND THE ALAVARAGE EFFECT OF THE AGRICULTURAL PRODUCTS Abstract: The cyclical flotations and/or season of the prices of the agricultural products generate instability, so much in the income of the producer as in the urban consumers' expenses. The knowledge of the pattern of seasonal flotation or volatility of these prices help in the implementation of politics gone back to agricultural production addressed for agroenergy. This position, the class of models of autoregressive conditional heteroskedasticity is used (ARCH and GARCH and their extensions, TARCH and
1 Londrina, 22 a 25 de julho de 2007, Sociedade Brasileira de Economia, Administrao e Sociologia Rural

XLV CONGRESSO DA SOBER "Conhecimentos para Agricultura do Futuro"

EGARCH), to characterize and to analyze the volatility of the series of monthly returns of the soy, castor oil plant and sugar cane. The empiric analysis of the volatility shows that these products are marked by having accentuated flotations of prices, in that shocks positive or negative generate impacts with long period of duration. The sum of the reaction coefficients and persistence of the volatility showed close values of one, indicating that the shocks in the volatility will last long for some time. Key-words: agroenergy; prices of volatility; agricultural products; Brazil.

2 Londrina, 22 a 25 de julho de 2007, Sociedade Brasileira de Economia, Administrao e Sociologia Rural

XLV CONGRESSO DA SOBER "Conhecimentos para Agricultura do Futuro"

1. INTRODUO O agronegcio o negcio mais importante hoje no Brasil, pois a atividade representa pouco menos de um tero do PIB nacional, rene mais de um tero de nossas empresas e significa mais de 80% do saldo da balana comercial. O Brasil um dos lderes mundiais na produo e exportao de vrios produtos agropecurios e o primeiro produtor e exportador de caf, acar, lcool e sucos de frutas. Alm disso, lidera o ranking das vendas externas de soja, carne bovina, carne de frango, tabaco, couro e calados de couro. As projees indicam que o pas tambm ser, em pouco tempo, o principal plo mundial de produo de algodo e biocombustveis, feitos a partir de cana-de-acar e leos vegetais. Segundo Rodrigues (2007), a bola da vez a agroenergia, na qual o Brasil vem assumindo papel de destaque, pois dispe atualmente de seis milhes de hectares plantados com cana-de-acar e de mais 22 milhes de hectares prontos para serem explorados com uma tecnologia capaz de produzir a mais barata matria-prima para gerar etanol. No Brasil, h 62 milhes de hectares cultivados com produtos agrcolas, dos quais, seis milhes esto reservados para a cana-de-acar. Tem-se uma expectativa de demanda nacional de etanol para os prximos 10 anos, de 10 a 12 bilhes de litros a mais, que se somariam aos atuais 14 bilhes de litros consumidos atualmente. Tal acrscimo vai representar cerca de 1,8 milhes de hectares a mais para ser plantado de cana. O sculo XXI define as bases de uma nova civilizao que apresenta como ponte de ligao a biomassa e a agroindstria, na qual o Brasil detm uma extraordinria experincia e posio de destaque no cenrio internacional de biocombustveis devido ao seu potencial de produo e ao sucesso alcanado com o Prolcool, que j completou mais de 30 anos, e agora avanando com o biodiesel (RODRIGUES, 2007). Da, recentes discusses sobre biodiesel no Brasil tm priorizado as oleaginosas (mamona, girassol, soja, palma, algodo, pinho manso, canola, dentre outras) que venham a gerar maior emprego de mo de obra e que possam estar incluindo regies que esto margem do processo de desenvolvimento econmico. Neste contexto, destaca-se a regio Nordeste como potencial produtora de biodiesel de mamona, j que esta cultura apresenta grande adaptabilidade ao clima semi-rido, com produtividade de 1.500 kg/ha, 47% de teor de leo vegetal e produo de leo vegetal em torno de 705 kg/ha, propiciando a incluso de renda para pequenos agricultores desprovidos de alternativas rentveis. Outra importante cultura representa a soja, pois em termos mundiais, a soja uma commodity de grande importncia responsvel pelo suprimento de um quarto da produo mundial de leos vegetais e por mais da metade da produo de farelo de soja. O sucesso da cultura da soja um dos principais exemplos dos resultados positivos alcanados pelo agronegcio brasileiro. Esta cultura tornou-se o motor da economia de vrias regies e tm sido uma das responsveis pela expanso da receita cambial do Pas. Em 2002, o complexo soja representou 6% do produto interno bruto (PIB) e empregou aproximadamente 5,5 milhes de pessoas. No ano 2005/2006, o complexo soja foi responsvel por 21% de tudo que foi exportado pelo agronegcio. Assim, o cultivo de oleaginosas para a produo de biodiesel constitui uma alternativa importante para a erradicao da misria no pas, pela possibilidade de ocupao de enormes contingentes de pessoas. A tamanha extenso do territrio brasileiro e o padro tecnolgico das atividades rurais tambm contribui para aumentar os ndices de produtividade destas culturas.
3 Londrina, 22 a 25 de julho de 2007, Sociedade Brasileira de Economia, Administrao e Sociologia Rural

XLV CONGRESSO DA SOBER "Conhecimentos para Agricultura do Futuro"

Segundo Ponchio (2004), apesar do enorme potencial agroenergtico, o Brasil possui vrios gargalos a serem solucionados. Dentre eles, pode-se citar cadeias produtivas desorganizadas de oleaginosas, devido aos volumes de produo oscilantes ao longo do tempo acompanhando a oscilao de preos, e tambm devido s flutuaes da demanda externa e inconstante poltica pblica de incentivos. Ento, um melhor desempenho competitivo pode ser resultado da competitividade de preos, explicada, primeiramente, pela opo dos importadores escolherem diferentes exportadores de produtos e servios, ou seja, os importadores tendem a substituir o consumo de bens, cujos preos se elevaram, pelo consumo daqueles que apresentaram reduo de preo, em termos relativos (ORANJE, 2003). Portanto, a anlise de preos um dos principais instrumentos para planejamento e avaliao de atividades agropecurias, servindo como fator decisivo na escolha das oportunidades empresariais. A formao do preo, como elemento controlador do mecanismo de troca, reveste-se de singular importncia para o Governo na formulao e aplicao de polticas eficientemente direcionadas para o setor agropecurio. A gerao e a adoo de tecnologia por parte do produtor tm como incentivo a rentabilidade esperada, sendo as relaes de preo dos insumos e a anlise de preo do produto, elementos bsicos na tomada de decises. As flutuaes cclicas e/ou sazonais dos preos dos produtos agrcolas provocam instabilidade, tanto na renda do produtor como nas despesas dos consumidores urbanos. Esta instabilidade pode provocar desestmulos de produo em perodos de baixa dos preos ou excesso de produo em perodos de preos muito elevados. Assim, necessrio o conhecimento do padro de flutuao sazonal ou volatilidade destes preos, para que possam ser implementadas polticas de estabilizao dos preos dos produtos agrcolas ao longo do ano. Segundo Rodrigues (2001), a anlise do comportamento de sries histricas de preos de fundamental importncia dentro da economia, visto que praticamente todas as fases das relaes econmicas esto diretamente relacionadas aos preos. A anlise dos preos agropecurios se configura como ponto de interesse geral, dada a ampla gama de inter-relaes com outros setores de atividade e agentes econmicos, principalmente em uma economia com vocao agropecuria como a do Brasil, em que as atividades ligadas ao agronegcio so responsveis por aproximadamente 32% do PIB nacional. Logo, a oscilao na renda de produtores e investidores, proveniente de flutuaes nos preos, se configura como um problema cujas caractersticas e causas devem ser amplamente pesquisadas, em vista da importncia da commodity no agronegcio nacional e das perdas que essas flutuaes podem provocar tanto em termos de lucratividade para o setor quanto em termos de empregos e divisas para o Brasil. Isto posto, neste artigo utiliza-se a classe de modelos de heterocedasticidade condicional autorregressiva (ARCH/GARCH e suas extenses, como TARCH e EGARCH), para caracterizar e analisar a volatilidade das sries de retornos mensais da soja, mamona e cana-de-acar. Pretende-se, assim, fornecer subsdios para o delineamento de estratgias adequadas para o gerenciamento do risco de variaes nos preos (retornos) destes produtos agroenergticos.

4 Londrina, 22 a 25 de julho de 2007, Sociedade Brasileira de Economia, Administrao e Sociologia Rural

XLV CONGRESSO DA SOBER "Conhecimentos para Agricultura do Futuro"

2. REFERENCIAL ANALTICO Analisando sries temporais, podem-se utilizar dois enfoques bsicos, em que o objetivo construir modelos para as sries com propsitos determinados. Um primeiro enfoque aborda a anlise no domnio temporal com modelos paramtricos propostos e um segundo enfoque, j explora a anlise baseada no domnio de freqncias e os modelos propostos so modelos no-paramtricos. A partir de uma srie temporal observada em intervalos de tempo, pode-se investigar o mecanismo gerador da srie temporal, fazer previses de valores futuros da srie, descrever apenas o comportamento da srie e procurar periodicidades relevantes dos dados. Os procedimentos de previso de sries temporais indicam que sries, principalmente financeiras, como preos de aes, taxas de inflao, taxas de cmbio, dentre outras, apresentam valores que oscilam consideravelmente de um perodo para outro. Observou-se que os erros de previso so relativamente pequenos para alguns perodos e relativamente grandes para outros perodos. Tal variabilidade pode ser explicada pela volatilidade no mercado financeiro em decorrncia de mudanas nas polticas monetria e fiscal do governo, mudanas nas relaes internacionais de comercializao de produtos etc. Isto prova que a varincia dos erros de previso no constante, mas varia de um perodo para outro, ou seja, h uma espcie de autocorrelao na varincia dos erros de previso (GUJARATI, 2000). Supondo que o comportamento dos erros de previso depende do comportamento das perturbaes da regresso, pode-se apresentar uma justificativa para a autocorrelao na varincia das perturbaes. Assim, para capturar esta correlao, Engle desenvolveu o modelo auto-regressivo de heteroscedasticidade condicional (ARCH). Os modelos ARCH, ou modelos auto-regressivos com heterocedasticidade condicional foram introduzidos por Engle (1982), com o objetivo de estimar a varincia da inflao. A idia bsica que o retorno Yt no-correlacionado serialmente, mas a volatilidade (varincia condicional) depende de retornos passados por meio de uma funo quadrtica (MORETTIN; TOLOI, 2004). A idia principal do modelo ARCH o fato de que a varincia de no perodo de tempo t depende do tamanho do quadrado do termo de erro no perodo t-1, ou seja, depende de 2t-1 . O termo de erro t, condicionado informao disponvel no perodo (t-1) seria distribudo conforme notao abaixo: t ~ N[0, (0 + 1 2t-1)] Logo, a varincia de no perodo t depender de um termo constante mais o quadrado do erro no perodo t-1. Esse seria o chamado processo ARCH (1), que pode ser generalizado para r defasagens de 2. As restries paramtricas 0 > 0, i > 0 para todo i = 2...p e i < 1 so necessrias para assegurar que a varincia condicional seja positiva e fracamente estacionria. As inovaes, representadas por t, so no correlacionadas serialmente e no estocasticamente independentes, haja vista que so relacionadas em seus segundos momentos (LAMOUNIER, 2001).

5 Londrina, 22 a 25 de julho de 2007, Sociedade Brasileira de Economia, Administrao e Sociologia Rural

XLV CONGRESSO DA SOBER "Conhecimentos para Agricultura do Futuro"

Um modelo ARCH (r) pode ser definido por: Yt = 0 + 1X1t + ... + k Xkt + t , Var (t) = 2t = 0 + 1Y2t-1 + 2 Y 2t-2 + ... + r Y 2t-r , em que, (t) uma seqncia de variveis aleatrias independentes e identicamente distribudas (i.i.d.) com mdia zero e varincia unitria, 0 > 0, i 0, i > 0. Na prtica, supe-se usualmente t ~ N (0,1) ou t ~ tv (t de Student com v graus de liberdade). O modelo proposto por Engle (1982) pode ser descrito em termos da distribuio dos erros de um modelo auto-regressivo linear dinmico. Dado que Pt o preo de um ativo no instante t, ento a variao de preos entre os instantes t-1 e t dada por Pt= Pt Pt-1. Denotando pt = log Pt (sendo o logaritmo na base e), define-se o retorno composto continuamente ou log-retorno por rt = log (Pt) log (Pt-1), ou seja, toma-se o logaritmo dos preos e depois a primeira diferena. As sries econmicas e financeiras apresentam caractersticas comuns as demais sries temporais, como tendncias, sazonalidade, pontos influentes (atpicos), heterocedasticidade condicional e no-linearidade. J os retornos financeiros apresentam caractersticas que muitas sries no possuem, como por exemplo, os retornos raramente mostram tendncias ou sazonalidades, com exceo eventual de retornos intra-dirios (MORETTIN; TOLOI, 2004). De acordo com os autores acima, os retornos so em geral no autocorrelacionados; os quadrados dos retornos so auto-correlacionados, mostrando uma correlao de defasagem um pequena e depois uma queda lenta das demais correlaes; as sries de retornos retratam agrupamentos de volatilidades ao longo do tempo; a distribuio (incondicional) dos retornos apresenta caudas mais pesadas e com mais observaes do que o normal nos extremos das caudas do que numa distribuio normal; e algumas sries de retornos so no-lineares. Segundo Bollerslev (1986), uma generalizao do modelo ARCH pode ampliar o conjunto de informaes apresentado pela srie temporal e obter uma formulao mais parcimoniosa, no sentido de apresentar menos parmetros do que um modelo AR ou MA puro. Portanto, o modelo GARCH para a varincia condicional pode ser utilizado para descrever a volatilidade com menos parmetros do que um modelo ARCH. Segundo Lamounier (2001), para o modelo GARCH de ordem (1,1), tem-se que a varincia dos erros de um modelo, economtrico ou de sries temporais, no perodo t depender basicamente de trs termos, ou seja, de um termo mdio ou constante ; de inovaes (choques) acerca da volatilidade, que determinada pelo quadrado dos resduos (2t-1) do perodo t-1, representado pelo termo ARCH (informaes defasadas da volatilidade); e da reviso da volatilidade feita no ltimo perodo (2t-1), que o termo GARCH (varincias previstas passadas). Assim, o modelo GARCH (1,1) pode ser representado pela notao abaixo: Yt = 0 + 1X1t + ... + k Xkt + t , Var (t) = 2t = + 1Y2t-1 + 12t-1

6 Londrina, 22 a 25 de julho de 2007, Sociedade Brasileira de Economia, Administrao e Sociologia Rural

XLV CONGRESSO DA SOBER "Conhecimentos para Agricultura do Futuro"

No modelo GARCH (r,m), ou seja, modelo auto-regressivo com heterocedasticidade condicional generalizada, tem-se r representado pela ordem do componente ARCH e m pela ordem do componente GARCH, sendo generalizado e representado por: 2t = + 1Y2t-1 + 2 Y 2t-2 + ... + r Y 2t-r + 12t-1 + 22t-2 +...+ m2t-m Bollerslev et al (1994) colocam que a especificao mais robusta verificada nas aplicaes a do modelo GARCH (1,1), pois esta classe do modelo apresenta poucas restries nos parmetros. As condies impostas para a varincia do processo ser positiva e fracamente estacionria so , 1 > 0; 1 > 0 e 1 + 1 < 1. A partir destas implicaes, pode-se afirmar que a persistncia de choques na volatilidade da srie de retornos medida pela soma de 1 e 1. Ento, o somatrio dos coeficientes que apresente valores baixos (prximos de zero) indica que um choque inicial sobre a volatilidade ir provocar efeitos rpidos sobre o comportamento das sries e que, aps curto perodo de tempo, a varincia da srie dever convergir sua mdia histrica. Entretanto, quanto maior (mais prximo de um) for o valor do coeficiente de persistncia, mais vagarosamente o choque sobre a volatilidade ir se dissipar e, portanto, maior ser a demora do processo de reverso mdia para a varincia. Se o valor do coeficiente de persistncia for maior ou igual a um, os choques na volatilidade iro perdurar por um perodo extremamente longo na srie. Isto posto, diz-se que a varincia condicional de t possui raiz unitria e a varincia permanecer elevada, no apresentando reverso sua mdia histrica. Contudo, isso no implica que a srie de resduos t no seja estacionria, mas sim que a varincia incondicional de t no ser (LAMOUNIER, 2001). Observa-se para os modelos GARCH, as mesmas vantagens e desvantagens dos modelos ARCH. Assim, volatilidades altas so precedidas de retornos ou volatilidades grandes, observando-se grupos de volatilidades presentes em sries financeiras. A identificao da ordem de um modelo GARCH a ser ajustado para uma srie usualmente difcil. Portanto, deve-se usar modelos de ordem baixa e escolher aquele melhor modelo com base em critrios, como o AIC ou BIC, de acordo com valores assumidos pela assimetria e curtose, valores da log-verossimilhana e de alguma funo perda (MORETTIN; TOLOI, 2004). Na anlise do comportamento da varincia condicional de sries de preos, observa-se o comportamento assimtrico da volatilidade em relao a choques positivos e negativos no comportamento das sries. Constata-se que, choques negativos nos preos levam a um maior crescimento na volatilidade do que choques positivos, ou seja, choques (inovaes) positivos tendem a ter impactos menos expressivos sobre a volatilidade das sries do que choques negativos da mesma magnitude (LAMOUNIER, 2001). A varincia condicional assimtrica pode ser representada formalmente pela seguinte variao do modelo GARCH (1,1), conhecida como modelo TARCH (1,1) (Threshold Autoregressive Conditional Heteroskedasticity) e representada matematicamente por: Var (t) = 2t = + 1 2t-1 + 12t-1 + 1d t-1 2t-1,

7 Londrina, 22 a 25 de julho de 2007, Sociedade Brasileira de Economia, Administrao e Sociologia Rural

XLV CONGRESSO DA SOBER "Conhecimentos para Agricultura do Futuro"

em que a varivel binria assume o valor d t-1 = 1, se t-1 < 0, e d t-1 = 0, se t-1 > 0. Assim, choques positivos (t-1 > 0) e choques negativos (t-1 < 0) tero diferentes efeitos na varincia condicional, ou seja, choques positivos tero impacto dado por e choques negativos tero impacto dado por 1 + 1. Se o coeficiente 1 for significativamente diferente de zero, diz-se que a varincia condicional assimtrica. Logo, para 1 < 0 indica que um choque positivo implica menor volatilidade do que um choque negativo de mesma magnitude. Se 1 > 0, h evidncias do efeito alavancagem, ou seja, perodos de quedas nos preos so freqentemente seguidos por perodos de intensa volatilidade, enquanto que em perodos de alta nos preos a volatilidade no to intensa. A especificao do modelo TARCH generalizado, TARCH (r, m), dada pela seguinte expresso: 2t = + 1 2t-1 + 2 2t-2 + ... + r 2t-r + 1d t-1 2t-1 + 12t-1 + 22t-2 +...+ m2t-m No modelo proposto por Nelson (1991), denominado EGARCH (p, q) (Exponential GARCH), o efeito de choques exponencial e no quadrtico. A especificao da varincia condicional para o modelo EGARCH (1,1) pode ser formalizada por: ln (2t ) = + 1 ln(2t-1) + 1

t 1 + 1 t 1 , t 1 t 1

em que a persistncia de choques na volatilidade medida pelo parmetro 1. Quando 1 = 0, no h assimetria na volatilidade (efeito da assimetria). Quando 1 0, h um impacto diferenciado de choques negativos e positivos na volatilidade, e para 1 < 0, constata-se o efeito alavancagem. A estimao dos parmetros dos modelos citados anteriormente feita pelo mtodo de mxima verossimilhana condicional aps adotar-se uma distribuio paramtrica para as inovaes. A funo de mxima verossimilhana maximizada por mtodos numricos, sujeita s restries de negatividade necessrias. Neste trabalho utilizou-se o mtodo de Marquardt (1963). Para identificar a presena de heterocedasticidade condicional auto-regressiva, aplicou-se o teste do tipo multiplicador de Lagrange proposto por Engle (1982) com a estatstica de teste possuindo distribuio qui-quadrado. Logo, compara-se o valor calculado com o valor tabelado para se testar a hiptese nula de no evidncia de heterocedasticidade condicional. 3. FONTE DOS DADOS Utilizaram-se dados secundrios correspondente s sries de preos mdios mensais recebidos pelos produtores brasileiros. As sries abrangem os perodos de janeiro de 1967 a julho de 2006 dos preos de soja (R$/60 kg), mamona (R$/60 kg) e cana-de-acar (R$/ton.), perfazendo um total de 475 observaes para cada produto agrcola. Os dados foram obtidos da Fundao Getlio Vargas (FGVDADOS), tendo a srie de preos dos produtos, sido convertida para valores atualizados. No caso da cultura cana-de-acar, utilizou-se a srie de preos recebidos pelos produtores em So Paulo e para as demais culturas, trabalhou-se com sries de preos do Brasil.
8 Londrina, 22 a 25 de julho de 2007, Sociedade Brasileira de Economia, Administrao e Sociologia Rural

XLV CONGRESSO DA SOBER "Conhecimentos para Agricultura do Futuro"

O software utilizado para se estimar a regresso dos dados e dos modelos de anlise foi EVIEWS 5.0, da Quantitative Micro Software. 4. RESULTADOS E DISCUSSO A Figura 1 ilustra o comportamento das sries de preos e retornos da soja, mamona e cana-de-acar. Figura 1 Sries de preos e retornos da soja, mamona e cana-de-acar (perodo de 1967 2006).
200 .4

160

.2

120

.0

80

-.2

40

-.4

0 50 100 150 200 250 300 350 400 450 SOJAPR

-.6 50 100 150 200 250 300 350 400 450 RT

300 250 200

.4

.2

.0
150 100 50 0 50 100 150 200 250 300 350 400 450 MAMONAPR

-.2

-.4

-.6 50 100 150 200 250 300 350 400 450 RT

120

.5 .4

100

.3 .2

80

.1 .0 -.1

60

40

-.2 -.3

20 50 100 150 200 250 300 350 400 450 CANAPR

-.4 50 100 150 200 250 300 350 400 450 RT

Fonte: Resultados da pesquisa.

9 Londrina, 22 a 25 de julho de 2007, Sociedade Brasileira de Economia, Administrao e Sociologia Rural

XLV CONGRESSO DA SOBER "Conhecimentos para Agricultura do Futuro"

A Tabela 1 mostra algumas estatsticas descritivas bsicas para os retornos dos produtos agrcolas. O teste Jarque-Bera de normalidade um teste assinttico (grandes amostras) que calcula a assimetria e a curtose dos resduos. A sua finalidade testar a hiptese nula de que a amostra foi extrada de uma distribuio normal, em que o valor da assimetria zero e o valor da curtose trs. Os resultados do teste mostram que os resduos no apresentam distribuio normal. Tabela 1 Estatsticas Descritivas Estatsticas Soja Mdia -0,002775 Mediana -0,008981 Desvio-Padro 0,081614 Assimetria -0,357792 Curtose 9,060826 Teste Jarque-Bera 735,6021 Probabilidade (JB) 0,000000 Fonte: Resultados da pesquisa.

Mamona -0,001347 -0,006308 0,086462 -0,081388 8,324347 560,4095 0,000000

Cana-de-Acar -0,000965 -0,013638 0,081533 1,290918 8,175708 660,7132 0,000000

A assimetria retrata a forma de distribuio dos dados, apresentando um coeficiente igual a -0,357792 para a soja, ou seja, como a mdia maior do que a mediana, tem-se uma assimetria direita. A curtose de 9,060826 indica que a srie de retornos apresenta uma distribuio leptocrtica em relao distribuio normal, revelando juntamente com as outras medidas descritivas e a representao grfica do comportamento dos preos e dos retornos ao longo do perodo de anlise, que a srie do produto soja exibe sinais de heterocedasticidade e de agrupamento de volatilidade. A Tabela tambm mostra as estatsticas descritivas bsicas para os retornos da mamona e cana-de-acar. O teste Jarque-Bera de normalidade calculado para ambas as culturas tambm prova que os resduos no apresentam distribuio normal. O coeficiente de assimetria destes produtos foi diferente de zero com presena de assimetria direita ou positiva. A anlise da curtose que uma medida do pico ou do achatamento da distribuio, explica que os dados esto agrupados no centro juntamente com algumas observaes nos extremos das caudas, representando sries de retornos com distribuio leptocrtica ou aguda em relao distribuio normal. Logo, as sries de mamona e canade-acar tambm exibem sinais de heterocedasticidade e de agrupamento de volatilidade.

10 Londrina, 22 a 25 de julho de 2007, Sociedade Brasileira de Economia, Administrao e Sociologia Rural

XLV CONGRESSO DA SOBER "Conhecimentos para Agricultura do Futuro"

Tabela 2 Estimativas dos coeficientes de autocorrelao e autocorrelao parcial para retornos e retornos quadrticos. Retornos - Soja Retornos Quadrticos - Soja K FAC FACP Q-Stat Prob K FAC FACP Q-Stat Prob 1 0.070 0.070 2.3534 0.125 1 0.082 0.082 3.1999 0.074 2 0.036 0.031 2.9808 0.225 2 0.009 0.003 3.2422 0.198 3 -0.040 -0.045 3.7615 0.288 3 0.031 0.030 3.6915 0.297 4 0.004 0.008 3.7675 0.438 4 -0.005 -0.010 3.7015 0.448 5 0.043 0.046 4.6661 0.458 5 0.047 0.048 4.7581 0.446 6 -0.071 -0.080 7.0965 0.312 6 0.044 0.036 5.7025 0.457 7 -0.088 -0.082 10.855 0.145 7 0.014 0.007 5.7924 0.564 8 -0.029 -0.008 11.262 0.187 8 0.134 0.130 14.424 0.071 9 -0.136 -0.137 20.264 0.016 9 0.036 0.014 15.064 0.089 10 0.045 0.057 21.256 0.019 10 0.044 0.039 15.991 0.100 Retornos - Mamona Retornos Quadrticos - Mamona K FAC FACP Q-Stat Prob K FAC FACP Q-Stat Prob 1 0.177 0.177 14.979 0.000 1 0.086 0.086 3.4997 0.061 2 0.053 0.023 16.345 0.000 2 0.041 0.034 4.2998 0.116 3 0.100 0.090 21.175 0.000 3 0.110 0.104 10.057 0.018 4 0.066 0.034 23.297 0.000 4 0.034 0.015 10.602 0.031 5 -0.041 -0.067 24.125 0.000 5 0.010 -0.001 10.650 0.059 Retornos Cana-de-Acar Retornos Quadrticos Cana-de-Acar K FAC FACP Q-Stat Prob K FAC FACP Q-Stat Prob 1 -0.128 -0.128 7.7643 0.005 1 0.080 0.080 3.0549 0.080 2 -0.178 -0.197 22.860 0.000 2 0.139 0.133 12.228 0.002 3 0.018 -0.036 23.017 0.000 3 0.080 0.062 15.316 0.002 4 0.054 0.017 24.421 0.000 4 0.205 0.183 35.529 0.000 5 -0.008 0.000 24.453 0.000 5 0.150 0.117 46.359 0.000
k = defasagens; FAC = coeficientes de autocorrelao; FACP = coeficientes de autocorrelao parcial; Q-Stat = teste de significncia das autocorrelaes; Prob = probabilidade do teste de significncia. Fonte: Resultados da pesquisa.

O primeiro procedimento foi ajustar um modelo ARMA (p, q) srie de retornos para eliminar a correlao serial entre as observaes. A Tabela 2 apresenta as funes de autocorrelaes (FAC) e funes de autocorrelaes parciais (FACP), de forma que uma anlise da FAC e da FACP do correlograma dos retornos e dos retornos quadrticos indica um modelo AR (1), MA (1) e MA (2) para a cultura da soja. O ajustamento do modelo para a correo da correlao foi feito eliminando-se vrios coeficientes no significativos a um nvel de significncia de 10%. A anlise dos resduos do modelo corrigido forneceu Q(20) = 27,872 com P-valor igual a 0,112, o que mostra a eliminao da correlao serial da srie de retornos mensais da soja. Ento, a Tabela apresenta as funes de autocorrelaes (FAC) e funes de autocorrelaes parciais (FACP) de todos os produtos agrcolas, de forma que uma anlise destes coeficientes tende a uma indicao de ajustamento de modelo AR (1) para a mamona e AR (1) e AR (2) para a cana-de-acar. Aps o ajustamento do modelo, a anlise do correlograma dos resduos forneceu Q(17) = 22,594 e Q(11) = 13,717 com Pvalor igual a 0,163 e 0,249, o que mostra a eliminao da correlao serial da srie de retornos mensais da mamona e cana-de-acar.
11 Londrina, 22 a 25 de julho de 2007, Sociedade Brasileira de Economia, Administrao e Sociologia Rural

XLV CONGRESSO DA SOBER "Conhecimentos para Agricultura do Futuro"

Tabela 3 Teste ARCH de Engler (1982) dos retornos de soja, mamona e cana-de-acar. Resduos/AR (1), MA (1) e Resduos/AR (1) - Mamona Resduos/ AR (1) e AR (2) MA (2) - Soja Cana-de-Acar Lag P-Valor Lag P-Valor Lag P-Valor 1 0,012504 1 0,000964 1 0,041907 5 0,163964 5 0,004997 5 0,000001 10 0,055765 10 0,056467 10 0,000023 20 0,063278 20 0,566585 20 0,000003 Fonte: Resultados da pesquisa. Para confirmar a existncia de volatilidade da srie de retorno com padro ARCH, realizou-se o teste do tipo multiplicador de Lagrange (Teste LM), proposto por Engler (1982) nos resduos dos modelos AR e MA ajustados na regresso dos retornos. A Tabela 3 mostra os p-valores do teste e os resultados do teste LM, indicando a presena do efeito ARCH na srie de retornos de todos os produtos agrcolas. As estatsticas F e LM rejeitam a hiptese nula de que no h presena do efeito ARCH na srie de retorno, ou seja, permitem que se anule a presena da homocedasticidade nos resduos dos retornos. A Tabela acima tambm expe o p-valor do teste do multiplicador de Lagrange para as respectivas defasagens, indicando a presena do efeito ARCH nas sries de retornos. As estatsticas F tambm rejeitam a hiptese nula de que no h presena do efeito ARCH nas sries de retornos. Tabela 4 Estimao do Modelo ARCH para a srie de retornos da soja, mamona e canade-acar. Mtodo: ML - ARCH (Marquardt) Distribuio Normal Srie de Retornos da Soja Coeficiente Erro-Padro Estatstica z 0.258091 0.052556 4.910782 Equao de Varincia 0.004179 0.000222 18.84158 0.484314 0.059578 8.129063 Srie de Retornos da Mamona Coeficiente Erro-Padro Estatstica z 0.247196 0.055429 4.459686 Equao de Varincia 0.004714 0.000327 14.43275 0.456799 0.063512 7.192322

AR (1) C RESID (-1)^2

Probabilidade 0.0000 0.0000 0.0000

AR (1) C RESID (-1)^2

Probabilidade 0.0000 0.0000 0.0000

Srie de Retornos da Cana-de-Acar Coeficiente Erro-Padro Estatstica z AR (2) -0.064021 0.024360 -2.628184 Equao de Varincia C 0.002827 0.000128 22.09716 RESID (-1)^2 1.119951 0.110640 10.12251 Fonte: Resultados da pesquisa.

Probabilidade 0.0086 0.0000 0.0000

12

Londrina, 22 a 25 de julho de 2007, Sociedade Brasileira de Economia, Administrao e Sociologia Rural

XLV CONGRESSO DA SOBER "Conhecimentos para Agricultura do Futuro"

Conforme a Tabela 4, o ajustamento da srie do modelo para a mdia condicional, identificou que o melhor modelo para a cultura da soja foi um AR (1) para o modelo da classe ARCH (1) com os parmetros estatisticamente significativos ao nvel de significncia de 1%. A posterior anlise dos correlogramas dos resduos padronizados e dos quadrados dos resduos padronizados concluiu que no existe heterocedasticidade condicional nos resduos do modelo ajustado. J o ajustamento da srie do modelo para a mdia condicional, constatou que os melhores modelos para os demais produtos seriam um AR (1) para a mamona e AR (2) para a cana-de-acar, dados o modelo da classe ARCH (1) com os parmetros estatisticamente significativos ao nvel de significncia de 1%. Em seguida, a anlise dos correlogramas dos resduos padronizados e dos quadrados dos resduos padronizados conclui que no existe heterocedasticidade condicional nos resduos dos modelos ajustados. Tabela 5 Estimao do Modelo GARCH (1,1) para a srie de retornos da soja, mamona e cana-de-acar. Mtodo: ML - ARCH (Marquardt) Distribuio Normal Srie de Retornos da Soja Coeficiente Erro-Padro Estatstica z 0.308560 0.054823 5.628351 Equao de Varincia 0.001045 0.000186 5.625582 0.343735 0.046595 7.377149 0.559020 0.052455 10.65705 Srie de Retornos da Mamona Coeficiente Erro-Padro Estatstica z 0.219440 0.056697 3.870368 Equao de Varincia 0.001293 0.000302 4.278672 0.259614 0.065710 3.950917 0.591938 0.084111 7.037612

AR (1) C RESID (-1)^2 GARCH (-1)

Probabilidade 0.0000 0.0000 0.0000 0.0000

AR (1) C RESID (-1)^2 GARCH (-1)

Probabilidade 0.0001 0.0000 0.0001 0.0000

Srie de Retornos da Cana-de-Acar Coeficiente Erro-Padro Estatstica z AR (2) -0.147704 0.057040 -2.589493 Equao de Varincia C 5.74E-05 2.33E-05 2.465768 RESID (-1)^2 0.088749 0.013944 6.364458 GARCH (-1) 0.904280 0.013625 66.37043 Fonte: Resultados da pesquisa.

Probabilidade 0.0096 0.0137 0.0000 0.0000

13 Londrina, 22 a 25 de julho de 2007, Sociedade Brasileira de Economia, Administrao e Sociologia Rural

XLV CONGRESSO DA SOBER "Conhecimentos para Agricultura do Futuro"

De acordo com a Tabela 5, a estimao do GARCH (1,1) permitiu captar a dinmica da volatilidade na srie de retorno dos produtos em anlise. As condies observadas para que a varincia do processo seja positiva e fracamente estacionria que os parmetros da regresso sejam positivos e maiores do que zero. Assim, na equao de regresso, o segundo parmetro representado pelo ARCH, constitui o coeficiente de reao da volatilidade e o terceiro parmetro (GARCH), representa o coeficiente de persistncia da volatilidade ou o risco na srie de retorno. A soma dos coeficientes de reao (ARCH) com o coeficiente de persistncia da volatilidade (GARCH) define se os riscos persistem na srie de retornos. Portanto, observa-se que o somatrio dos coeficientes na cultura da soja foi igual a 0,902755, indicando elevada persistncia de choques sobre a volatilidade dos retornos da soja. Logo, um choque que gere um declnio ou aumento do preo da soja pode implicar em vrios perodos de intensa instabilidade ou volatilidade no mercado de soja, gerando perdas considerveis para o setor agrcola e para a economia nacional. Analisando agora as demais culturas, a estimao do GARCH (1,1) tambm identificou a dinmica da volatilidade na srie de retorno. A soma dos coeficientes de reao (ARCH) com o coeficiente de persistncia da volatilidade (GARCH) definiu valores da ordem de 0,851552 para a mamona e 0,993029 para a cana-de-acar, indicando assim como a soja, intensa volatilidade dos retornos. Observa-se para as sries apresentaram valores prximos de um, ou seja, mais vagarosamente o choque sobre a volatilidade ir se dissipar e, portanto, maior ser a demora do processo de reverso mdia para a varincia. O menor coeficiente encontrado foi o da mamona, concluindo-se que um choque inicial sobre a volatilidade ir provocar efeitos mais rpidos sobre o comportamento da srie (menor perodo de tempo) em comparao as outras culturas analisadas. O somatrio destes dois parmetros indica que se o valor for maior ou prximo de um, maior ser o efeito ao longo do tempo de qualquer instabilidade no mercado agropecurio. Consequentemente, este efeito decorrente de constantes flutuaes de preos e produo do mercado agrcola tende a normalidade num maior espao de tempo, tornando estas commodities altamente vulnerveis para o mercado de futuros. Da constata-se que a cana-de-acar o produto com maior persistncia de volatilidade, seguida pela soja e finalmente, pela mamona.

14 Londrina, 22 a 25 de julho de 2007, Sociedade Brasileira de Economia, Administrao e Sociologia Rural

XLV CONGRESSO DA SOBER "Conhecimentos para Agricultura do Futuro"

Tabela 6 - Estimao do Modelo TARCH (1,1) para a srie de retornos da soja, mamona e cana-de-acar.
Mtodo: ML - ARCH (Marquardt) Distribuio Normal Srie de Retornos da Soja Coeficiente Erro-Padro 0.317440 0.057012 Equao de Varincia 0.001147 0.000200 0.401427 0.060961 -0.097667 0.098159 0.535311 0.055663

AR (1) C RESID (-1)^2 RESID(-1)^2*(RESID(-1)<0) GARCH (-1)

Estatstica z 5.567995 5.725152 6.585015 -0.994991 9.616924

Probabilidade 0.0000 0.0000 0.0000 0.3197 0.0000

AR (1) C RESID (-1)^2 RESID(-1)^2*(RESID(-1)<0) GARCH (-1)

Srie de Retornos da Mamona Coeficiente Erro-Padro Estatstica z 0.212210 0.056854 3.732524 Equao de Varincia 0.001226 0.000287 4.272671 0.369353 0.082939 4.453332 -0.201139 0.083161 -2.418672 0.596165 0.076839 7.758645 Srie de Retornos da Cana-de-Acar Coeficiente Erro-Padro Estatstica z -0.094449 0.040302 -2.343509 Equao de Varincia 0.000207 3.39E-05 6.099712 -0.038218 0.014524 -2.631347 0.734977 0.095421 7.702494 0.784691 0.016426 47.77232

Probabilidade 0.0002 0.0000 0.0000 0.0156 0.0000

AR (2) C RESID (-1)^2 RESID(-1)^2*(RESID(-1)<0) GARCH (-1)

Probabilidade 0.0191 0.0000 0.0085 0.0000 0.0000

Fonte: Resultados da pesquisa. Conforme a Tabela 6, observa-se que o coeficiente 1 no estatisticamente diferente de zero e, portanto, a varincia condicional no assimtrica para a cultura da soja. Analisando as culturas da mamona e cana-de-acar, o coeficiente 1 estatisticamente diferente de zero, apresentando varincia condicional assimtrica. Para o caso da mamona, tem-se um valor correspondente a -0,201139, ou seja, um 1 < 0 indicando que um choque positivo implica menor volatilidade do que um choque negativo de mesma magnitude. Assim sendo, choques positivos que afetem os preos tero impacto correspondente a 0,369353 no preo da mamona, enquanto que choques negativos impactaro 0,570492 nos preos da cultura. J a cana-de-acar apresenta um valor igual a 0,734977, ou seja, um 1 > 0 evidenciando o efeito alavancagem, isto , perodos de quedas nos preos da cana-deacar so freqentemente seguidos por perodos de intensa volatilidade, enquanto que perodos de alta nos preos apresenta uma volatilidade baixa. Logo, choques positivos e choques negativos tero diferentes efeitos na varincia condicional, ou seja, choques positivos tero impacto dado por 0,038218 e choques negativos tero impacto dado por 0,773195.
15 Londrina, 22 a 25 de julho de 2007, Sociedade Brasileira de Economia, Administrao e Sociologia Rural

XLV CONGRESSO DA SOBER "Conhecimentos para Agricultura do Futuro"

Tabela 7 - Estimao do Modelo EGARCH (1,1) para a srie de retornos da soja, mamona e cana-de-acar.
Mtodo: ML - ARCH (Marquardt) Distribuio Normal Srie de Retornos da Soja Coeficiente Erro-Padro 0.298442 0.052788 Equao de Varincia -1.772422 0.266238 0.546223 0.065575 0.071381 0.045564 0.730664 0.044870

AR (1) 1 1 1

Estatstica z 5.653633 -6.657271 8.329753 1.566588 16.28416

Probabilidade 0.0000 0.0000 0.0000 0.1172 0.0000

AR (1) 1 1 1

Srie de Retornos da Mamona Coeficiente Erro-Padro Estatstica z 0.203424 0.055611 3.657986 Equao de Varincia -1.134590 0.262204 -4.327126 0.357540 0.057969 6.167744 0.128518 0.041357 3.107538 0.827326 0.044771 18.47894 Srie de Retornos da Cana-de-Acar Coeficiente Erro-Padro Estatstica z -0.115870 0.052761 -2.196112 Equao de Varincia -0.410217 0.046760 -8.772756 0.285563 0.033826 8.442109 -0.199832 0.032015 -6.241863 0.962567 0.007265 132.4897

Probabilidade 0.0003 0.0000 0.0000 0.0019 0.0000

AR (2) 1 1 1

Probabilidade 0.0281 0.0000 0.0000 0.0000 0.0000

Fonte: Resultados da pesquisa. De acordo com a Tabela 7, a persistncia de choques na volatilidade corresponde a 0,730664, 0,827326 e 0,962567 para os produtos soja, mamona e cana-de-acar, respectivamente, para o modelo EGARCH (1,1). Enquanto que, no modelo GARCH (1,1), a persistncia de choques na volatilidade foi de 0,902755 para a soja, 0,851552 para a mamona e 0,993029 para a cana-de-acar. Constata-se que a persistncia de choques na volatilidade dos retornos apresenta valores prximos para os modelos GARCH e EGARCH, o que mostra um desempenho adequado para todos os modelos ajustados, com exceo para a cultura da soja. Analisando os resultados do modelo EGARCH, a cultura da soja apresentou um coeficiente 1 no estatisticamente diferente de zero. Logo, no h assimetria na volatilidade, confirmando os resultados encontrados para o modelo TARCH (1,1). As culturas da mamona e cana-de-acar apresentaram coeficiente 1 estatisticamente diferente de zero, apresentando varincia condicional assimtrica. Logo, h um impacto diferenciado de choques negativos e positivos na volatilidade.

16 Londrina, 22 a 25 de julho de 2007, Sociedade Brasileira de Economia, Administrao e Sociologia Rural

XLV CONGRESSO DA SOBER "Conhecimentos para Agricultura do Futuro"

A mamona mostrou um coeficiente 1 igual a 0,128518 e a cana-de-acar apresentou um coeficiente negativo igual a -0.199832, o que retrata o efeito alavancagem, ou seja, perodos de quedas nos preos da cana-de-acar so marcados por perodos de intensa volatilidade, enquanto que perodos de alta nos preos apresentam uma volatilidade baixa, confirmando os resultados encontrados no modelo TARCH (1,1). 5. CONCLUSO A anlise emprica da volatilidade dos retornos de principais commodities agrcolas, retrata a importncia destes produtos pelo carter exportador ou como produto de suma importncia na agricultura de subsistncia do Brasil. Os mercados destes produtos so marcados por acentuadas flutuaes de preos, indicando significativas oscilaes na rentabilidade destas culturas e propiciando aos agentes econmicos e especuladores mais informados, maior lucratividade dado o seu poder de previses mais precisas sobre o comportamento do mercado. Um modelo que incorpore termos de volatilidade condicional (modelos do tipo ARCH e GARCH) mais apropriado para se utilizar em anlises e previses de sries de preos do que um modelo em que a varincia da srie no seja considerada. Portanto, estimou-se o modelo ARCH e GARCH para analisar a dinmica da volatilidade na srie de retornos da soja, mamona e cana-de-acar, identificando atravs do teste ARCH que as sries apresentaram heterocedasticidade condicional auto-regressiva em seus retornos, ou seja, choques positivos ou negativos nos preos dos produtos podem levar algum tempo para se normalizarem no mercado. O somatrio dos coeficientes de reao (ARCH) com o coeficiente de persistncia da volatilidade (GARCH), que define se os riscos persistem na srie de retornos, constatase valores prximos de um, indicando que os choques na volatilidade iro perdurar por algum tempo. O maior coeficiente de persistncia da volatilidade encontrado foi para a cana-de-acar, identificando este produto como o de maior volatilidade de preos, seguido em ordem decrescente, pelos coeficientes das sries de mamona e soja. O coeficiente que define a existncia de efeito alavancagem (Modelo TARCH e EGARCH) e o impacto de choques positivos e negativos (assimetria de informao) identificou a no existncia de assimetria na volatilidade para o produto soja. As culturas da mamona e cana-de-acar apresentaram varincia condicional assimtrica. Logo, h um impacto diferenciado de choques negativos e positivos na volatilidade. A cana-de-acar apresentou o efeito alavancagem, ou seja, perodos de quedas nos preos da cana-de-acar so marcados por perodos de intensa volatilidade, enquanto que perodos de alta nos preos apresentam uma volatilidade mais baixa. Constata-se que a cana-de-acar tende a ser o produto de maior volatilidade e mostra que choques na volatilidade tendem a se dissipar em maior espao de tempo. Assim como, choques negativos, como por exemplo, queda de safra e aumento de impostos so marcados por perodos de grande volatilidade de preos, enquanto que choques positivos apresentam menor volatilidade.

17 Londrina, 22 a 25 de julho de 2007, Sociedade Brasileira de Economia, Administrao e Sociologia Rural

XLV CONGRESSO DA SOBER "Conhecimentos para Agricultura do Futuro"

Verifica-se, portanto, que as informaes sobre a volatilidade e a reao dos preos em funo de choques positivos e/ou negativos so importantes parmetros para polticas de incentivo do Governo, voltada para a produo de oleaginosas e biodiesel, o que mostra o elevado risco de preo e de renda associado aos mercados destes produtos, proporcionando aos produtores e demais agentes econmicos subsdios adicionais para gerncia da atividade agrcola e melhor conhecimento dos mercados. Conclui-se que um melhor conhecimento de flutuaes de preos e mercados minimiza o risco de empreendimentos, pois polticas governamentais que visam restringir ou criar barreiras protecionistas no comrcio interno ou externo geram conseqncias catastrficas no atual ambiente competitivo e globalizado. Portanto, necessrio que haja um completo conhecimento da lgica organizacional da cadeia no que se refere s relaes entre o ambiente institucional, o ambiente tecnolgico, as organizaes e os indivduos para que se escolha a melhor estratgia de atuao. A forma de atuao dos agentes neste mercado e as relaes contratuais que regem sua interao tambm influenciaro no sucesso ou no fracasso da atividade, uma vez que isso influi na competitividade.

18 Londrina, 22 a 25 de julho de 2007, Sociedade Brasileira de Economia, Administrao e Sociologia Rural

XLV CONGRESSO DA SOBER "Conhecimentos para Agricultura do Futuro"

REFERNCIAS BIBLIOGRFICAS BOLLERSLEV, Tim. Generalized autoregressive conditional heteroscedasticity. Journal of Econometrics, v.31, n.3, p.307-327, 1986. BOLLERSLEV, T.; ENGLE, R. F.; NELSON, D. B. ARCH models. In: ENGLE, R. F.; MACFADDEN, D. L. (Ed). Handbook of Econometrics. Amsterdam: North-Holland, 1994. v.4, cap. 49, p.2959-3038. ENGLE, R.F. Autoregressive conditional heteroskedasticity with estimates of the variance of U.K. inflation. Economtrica, v. 50, p. 987-1008, 1982. FUNDAO GETLIO VARGAS (FGV). Disponvel em http://www.fgvdados.com.br. Acesso em: 15 fev. 2007. GUJARATI, D. N. Econometria bsica. So Paulo: Makron books, 2000. LAMOUNIER, W. M. Comportamento dos preos no mercado "spot" de caf do Brasil: anlise nos domnios do tempo e da freqncia. Viosa: UFV/DEA, 2001. 223p. (Tese de Doutorado) MARQUARDT, D. W. An Algorithm for Least Squares Estimation of Non Linear Parameters, Journal of the Society for Industrial and Applied Mathematics, v.11, p.431-441, 1963. MORETTIN, P. A.; TOLOI, C. M. C. Anlise de sries temporais. So Paulo: Edgard Blucher, 2004. 535 p. NELSON, D. B. Conditional Heteroskedasticity in Asset Returns: A New Aproach, Econometrica, v.59, p.347-370, 1991. ORANJE, M. Competitividade das frutas brasileiras no comrcio internacional. Viosa: UFV/DEA, 2003. 114p. (Dissertao de Mestrado) PONCHIO, J. A. R. Cadeia produtiva da mamona para biodiesel. Braslia: FAO, 2004. RODRIGUES, R. Para mudar a civilizao. Revista Balde Branco. jan./2007. RODRIGUES, R. O papel do setor privado e os novos desafios do abastecimento nacional. Revista de Poltica Agrcola, v. 10, 2001. SILVA, W. S. da ; SFADI, T.; CASTRO JNIOR, L. G. de. Uma anlise emprica da volatilidade do retorno de commodities agrcolas utilizando modelos ARCH: os casos do caf e da soja. Rio de Janeiro: Revista de Economia Rural, v.43, n.01, p.119 a 134. mar. 2005.

19 Londrina, 22 a 25 de julho de 2007, Sociedade Brasileira de Economia, Administrao e Sociologia Rural