Modelos de previsão de preços aplicados aos contratos futuros de café

Abstract

Este artigo trata da aplicabilidade de modelos de previsão de séries temporais como ferramenta de decisão de compra e venda de contratos futuros de café na BM&F, em datas próximas ao vencimento. Os modelos estudados são os de Redes Neurais e Estruturais. Os dados utilizados correspondem às cotações semanais de café, nos mercados fisico e futuro da BM&F. O objetivo consistiu em calcular os retornos médios de cada modelo em operações de compra e venda nos mercados futuros de café na BM&F, de modo a fornecer um indicativo do potencial ou da limitação de cada um deles, utilizando o Índice Sharpe. Os resultados indicam que os modelos apresentam retornos financeiros positivos na maioria dos contratos analisados, indicando o potencial de utilização desses modelos em negociações de contratos para datas próximas ao vencimento, com destaque para operações fundamentadas nas previsões nos modelos Estruturais, havendo, contudo, diferenças de desempenho preditivo.

This paper studies the applicability of time series forecasting models as a deciion tool of buy and sell decisions of coffee futures contracts in the Brazilian Futures Market (BM&F), on dates close to expiration. The models considered are: Neural Networks and Structural univariate time series forecasting models. Weekly data, of the spot and futures markets, from 1996 to 1999, are used in order to calculate the forecasts. The main purpose is to calculate the returns, of each model in buy and sell orders of coffee futures in the BM&F between 1998 and 1999, in order to show the potentials or limitations of each one, using the Sharpe Index as a parameter of comparsion. The results indicate that the models have positive returns in almost all contracts analyzed, indicating their potential as a decision tool for buying or selling futures contracts close to the expiration date, with distinction on the performance of the decisions based on the forescasts of Structural models, although some differences in the forecasting accuracy.