Análise de entropia multiescala da dinâmica de preços de commodities agrícolas brasileiras
DOI:
https://doi.org/10.33448/rsd-v9i11.9832Palavras-chave:
Mercado agrícola; Entropia multiescala; Crise alimentar.Resumo
Durante a última década, houve vários períodos consecutivos de aumento e queda dos preços das commodities. A formação de preços nos mercados agrícolas é o resultado de muitos fatores, como preços do petróleo, taxas de câmbio, demanda de biocombustíveis, especulação nos mercados futuros de commodities, políticas agressivas de estocagem dos países, restrições comerciais e crescimento econômico. A diversidade desses fatores, bem como a ocorrência de eventos sócio-políticos extremos, produzem um mercado com evolução complexa de preços. Este trabalho utiliza o método de entropia multiescala para analisar a evolução dos movimentos dos preços de commodities agrícolas brasileiras em diferentes escalas temporais durante o período de março de 2006 a março de 2016. Foi descoberto que a entropia das séries de volatilidade e retorno diminui à medida que a escala temporal aumenta, indicando flutuações mais regulares dos preços e a perda da diversidade de padrões nas tendências de longo prazo. Ao aplicar a entropia em maiores escalas em janelas móveis, descobrimos que durante a crise a entropia das flutuações de preços diminui, indicando maior regularidade e consequentemente menor eficiência no mercado de commodities agrícolas. O efeito é mais pronunciado para séries de volatilidade e para maiores escalas temporais.
Referências
Albarracín., E. S., Gamboa, J. C. R., Marques, E. C. M., & Stosic, T. (2019). Complexity analysis of Brazilian agriculture and energy market. Physica A: Statistical Mechanics and Its Applications, 523, 933–941. https://doi.org/10.1016/j.physa.2019.04.134
Alvarez-Ramirez, J., Rodriguez, E., & Alvarez, J. (2012). A multiscale entropy approach for market efficiency. International Review of Financial Analysis, 21, 64–69. https://doi.org/10.1016/j.irfa.2011.12.001
Balasis, G., Daglis, I. A., Papadimitriou, C., Kalimeri, M., Anastasiadis, A., & Eftaxias, K. (2009). Investigating dynamical complexity in the magnetosphere using various entropy measures. Journal of Geophysical Research: Space Physics, 114(A9), n/a-n/a. https://doi.org/10.1029/2008JA014035
Bellemare, M. F. (2015). Rising food prices, food price volatility, and social unrest. American Journal of Agricultural Economics, 97(1), 1–21.
Cai, X. J., Fang, Z., Chang, Y., Tian, S., & Hamori, S. (2020). Co-movements in commodity markets and implications in diversification benefits. Empirical Economics, 58(2), 393–425. https://doi.org/10.1007/s00181-018-1551-3
Costa, M., Goldberger, A. L., & Peng, C.-K. (2002). Multiscale Entropy Analysis of Complex Physiologic Time Series. Physical Review Letters, 89(6), 068102. https://doi.org/10.1103/PhysRevLett.89.068102
Darbellay, G. A., & Wuertz, D. (2000). The entropy as a tool for analysing statistical dependences in financial time series. Physica A: Statistical Mechanics and Its Applications, 287(3–4), 429–439. https://doi.org/10.1016/S0378-4371(00)00382-4
Gao, Q. W., Liu, W. Y., Tang, B. P., & Li, G. J. (2018). A novel wind turbine fault diagnosis method based on intergral extension load mean decomposition multiscale entropy and least squares support vector machine. Renewable Energy, 116, 169–175. https://doi.org/10.1016/j.renene.2017.09.061
He, L.-Y., & Chen, S.-P. (2011). Nonlinear bivariate dependency of price–volume relationships in agricultural commodity futures markets: A perspective from Multifractal Detrended Cross-Correlation Analysis. Physica A: Statistical Mechanics and Its Applications, 390(2), 297–308. https://doi.org/10.1016/j.physa.2010.09.018
Hernández-Pérez, R., Guzmán-Vargas, L., Ramírez-Rojas, A., & Angulo-Brown, F. (2010). Pattern synchrony in electrical signals related to earthquake activity. Physica A: Statistical Mechanics and Its Applications, 389(6), 1239–1252. https://doi.org/10.1016/j.physa.2009.11.036
Kristoufek, L., Janda, K., & Zilberman, D. (2012). Correlations between biofuels and related commodities before and during the food crisis: A taxonomy perspective. Energy Economics, 34(5), 1380–1391. https://doi.org/10.1016/j.eneco.2012.06.016
Kristoufek, L., & Vosvrda, M. (2014). Commodity futures and market efficiency. Energy Economics, 42, 50–57. https://doi.org/10.1016/j.eneco.2013.12.001
Lima, C. R. A., de Melo, G. R., Stosic, B., & Stosic, T. (2019). Cross-correlations between Brazilian biofuel and food market: Ethanol versus sugar. Physica A: Statistical Mechanics and Its Applications, 513, 687–693. https://doi.org/10.1016/j.physa.2018.08.080
Liu, C., & Gao, R. (2017). Multiscale entropy analysis of the differential RR interval time series signal and its application in detecting congestive heart failure. Entropy, 19(6). https://doi.org/10.3390/e19060251
Liu, L. (2014). Cross-correlations between crude oil and agricultural commodity markets. Physica A: Statistical Mechanics and Its Applications, 395, 293–302. https://doi.org/10.1016/j.physa.2013.10.021
Martina, E., Rodriguez, E., Escarela-Perez, R., & Alvarez-Ramirez, J. (2011). Multiscale entropy analysis of crude oil price dynamics. Energy Economics, 33(5), 936–947. https://doi.org/10.1016/j.eneco.2011.03.012
Mensi, W., Beljid, M., Boubaker, A., & Managi, S. (2013). Correlations and volatility spillovers across commodity and stock markets: Linking energies, food, and gold. Economic Modelling, 32, 15–22. https://doi.org/10.1016/j.econmod.2013.01.023
Miskovic, V., MacDonald, K. J., Rhodes, L. J., & Cote, K. A. (2019). Changes in EEG multiscale entropy and power-law frequency scaling during the human sleep cycle. Human Brain Mapping, 40(2), 538–551. https://doi.org/10.1002/hbm.24393
Nazlioglu, S., & Soytas, U. (2011). World oil prices and agricultural commodity prices: Evidence from an emerging market. Energy Economics, 33(3), 488–496. https://doi.org/10.1016/j.eneco.2010.11.012
Nazlioglu, S., & Soytas, U. (2012). Oil price, agricultural commodity prices, and the dollar: A panel cointegration and causality analysis. Energy Economics, 34(4), 1098–1104. https://doi.org/10.1016/j.eneco.2011.09.008
Pal, D., & Mitra, S. K. (2018). Interdependence between crude oil and world food prices: A detrended cross correlation analysis. Physica A: Statistical Mechanics and Its Applications, 492, 1032–1044. https://doi.org/10.1016/j.physa.2017.11.033
Pereira, A. S., Shitsuka, D. M., Parreira, F. J., & Shitsuka, R. (2018). Metodologia da pesquisa científica (1. ed.). Santa Maria, RS: UFSM, NTE. https://repositorio.ufsm.br/bitstream/handle/1/15824/Lic_Computacao_Metodologia-Pesquisa-Cientifica.pdf?sequence=1
Richman, J. S. S., Moorman, J. R. R., Funke, G. J., Knott, B. A., Salas, E., Pavlas, D., Strang, A. J., Gilmour, T. P., Piallat, B., Lieu, C. A., Venkiteswaran, K., Rao, A. N., Petticoffer, A. C., Berk, M. A., & Androulakis, P. (2000). Physiological time-series analysis using approximate entropy and sample entropy. American Journal of Physiology-Heart and Circulatory Physiology, 278(6), H2039–H2049. https://doi.org/10.1152/ajpheart.2000.278.6.H2039
Shuangcheng, L., Qiaofu, Z., Shaohong, W., & Erfu, D. (2006). Measurement of climate complexity using sample entropy. International Journal of Climatology, 26(15), 2131–2139. https://doi.org/10.1002/joc.1357
Smith, T. G. (2014). Feeding unrest: disentangling the causal relationship between food price shocks and sociopolitical conflict in urban Africa. Journal of Peace Research, 51(6), 679–695.
Sternberg, T. (2012). Chinese drought, bread and the Arab Spring. Applied Geography, 34, 519–524. https://doi.org/10.1016/j.apgeog.2012.02.004
Stosic, D., Stosic, D., Ludermir, T., & Stosic, T. (2016). Correlations of multiscale entropy in the FX market. Physica A: Statistical Mechanics and Its Applications, 457, 52–61. https://doi.org/10.1016/j.physa.2016.03.099
Tabak, B. M., Serra, T. R., & Cajueiro, D. O. (2010). Topological properties of commodities networks. The European Physical Journal B, 74(2), 243–249. https://doi.org/10.1140/epjb/e2010-00079-4
Tadesse, G., Algieri, B., Kalkuhl, M., & von Braun, J. (2014). Drivers and triggers of international food price spikes and volatility. Food Policy, 47, 117–128. https://doi.org/10.1016/j.foodpol.2013.08.014
Tiwari, A. K., Khalfaoui, R., Solarin, S. A., & Shahbaz, M. (2018). Analyzing the time-frequency lead–lag relationship between oil and agricultural commodities. Energy Economics, 76, 470–494. https://doi.org/10.1016/j.eneco.2018.10.037
Wang, Y., Rhoads, B. L., Wang, D., Wu, J., & Zhang, X. (2018). Impacts of large dams on the complexity of suspended sediment dynamics in the Yangtze River. Journal of Hydrology, 558, 184–195. https://doi.org/10.1016/j.jhydrol.2018.01.027
Weng, W.-C., Chang, C.-F., Wong, L. C., Lin, J.-H., Lee, W.-T., & Shieh, J.-S. (2017). Altered resting-state EEG complexity in children with Tourette syndrome: A preliminary study. Neuropsychology, 31(4), 395–402. https://doi.org/10.1037/neu0000363
Xavier, S. F. A., da Silva Jale, J., Stosic, T., dos Santos, C. A. C., & Singh, V. P. (2019). An application of sample entropy to precipitation in Paraíba State, Brazil. Theoretical and Applied Climatology, 136(1–2), 429–440. https://doi.org/10.1007/s00704-018-2496-3
Xiarchos, I. M., & Burnett, J. W. (2018). Dynamic volatility spillovers between agricultural and energy commodities. Journal of Agricultural and Applied Economics, 50(3), 291–318. https://doi.org/10.1017/aae.2017.34
Zhao, Z., & Yang, S. (2012). Sample entropy-based roller bearing fault diagnosis method. Journal of Vibration and Shock, 31(6), 136–140.
Zunino, L., Tabak, B. M., Serinaldi, F., Zanin, M., Pérez, D. G., & Rosso, O. A. (2011). Commodity predictability analysis with a permutation information theory approach. Physica A: Statistical Mechanics and Its Applications, 390(5), 876–890. https://doi.org/10.1016/j.physa.2010.11.020
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2020 Djalma Beltrão Costa Farias; Antonio Samuel Alves da Silva; Tatijana Stosic; Borko Stosic
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
