Análise integrada de séries temporais do preço da gasolina, açúcar e do câmbio via técnicas de transferência de entropia

Abstract

Esta proposta de pesquisa de mestrado implementou uma análise integrada de séries temporais no contexto do setor sucroenergético para explorar de forma mais aprofundada a dinâmica entre o preço da gasolina brasileira, a cotação do açúcar na Bolsa de Valores de Nova York, e a taxa de câmbio do dólar americano. Neste estudo, foram aplicadas técnicas de análise estatística e de modelagem matemática, como correlação de Pearson, Entropia de Transferência (TE), e a Entropia de Transferência Efetiva (ETE). Essas ferramentas permitiram identificar relações lineares e não lineares entre as variáveis de interesse, bem como a direção da causalidade entre elas. Tal compreensão sobre a causalidade é importante para melhor modelar as interações complexas que regem os mercados financeiros e de commodities.

O estudo abrangeu dados históricos de 2004 a 2023, incluindo eventos econômicos importantes, como crises internacionais, mudanças na política monetária brasileira, e flutuações nos preços das commodities. Os resultados destacaram a forte influência da taxa de câmbio do dólar nos preços do açúcar e da gasolina, bem como a interdependência dessas variáveis. As técnicas de TE e ETE se mostraram ferramentas interessantes para detectar as relações de causalidade entre as variáveis, eliminando efeitos indiretos ou indesejados, permitindo assim uma análise mais precisa em um contexto envolvendo desafios reais sobre o entendimento de variáveis voláteis como preços e índices econômicos.

Padrões significativos na transmissão de informações puderam ser observados durante certos períodos de análise, como o período de alta volatilidade nos mercados de commodities de 2014 a 2019, o período da pandemia de Covid-19 em 2020 e 2021, o que mudou a dinâmica do mercado global. Além disso, implicações práticas são destacadas, como o uso potencial desses resultados para melhorar modelos de previsão de preços e desenvolver estratégias de mitigação de riscos econômicos nos mercados de energia e agrícola.

Por meio da referida análise dos dados, este estudo demonstrou como a combinação de técnicas baseadas na teoria da informação com ferramentas estatísticas tradicionais pode fornecer uma perspectiva robusta para analisar e prever interações em mercados interconectados, contribuindo para a literatura do problema. Por fim, foram fornecidas recomendações para pesquisas futuras, como a inclusão de variáveis adicionais e o uso de técnicas complementares, como aprendizado de máquina, para expandir o escopo dessa abordagem.

This master’s research proposal implemented an integrated time series analysis within the sugar-energy sector to explore in greater depth the dynamics among the Brazilian gasoline price, the sugar quotation on the New York Stock Exchange, and the American dollar exchange rate. In this study, statistical analysis and mathematical modeling techniques were applied, such as Pearson correlation, TE, and ETE. These tools enabled the identification of both linear and nonlinear relationships among the variables of interest, as well as the direction of causality between them a critical understanding for better modeling the complex interactions that govern financial and commodity markets. The study encompassed historical data from 2004 to 2023, including significant economic events such as international crises, changes in Brazilian monetary policy, and commodity price fluctuations. The results highlighted the strong influence of the dollar exchange rate on both sugar and gasoline prices, as well as the interdependence of these variables. The TE and ETE techniques proved to be valuable in detecting causal relationships by eliminating indirect or undesirable effects, thereby allowing for a more precise analysis in a context that faces real challenges in understanding volatile variables like prices and economic indices. Significant patterns in the transmission of information were observed during specific periods, such as the high volatility in commodity markets from 2014 to 2019 and the Covid-19 pandemic period in 2020 and 2021, which altered the dynamics of the global market. Additionally, practical implications are emphasized, including the potential application of these findings to improve price forecasting models and to develop strategies for mitigating economic risks in the energy and agricultural markets. Through this comprehensive data analysis, the study demonstrated how combining techniques based on information theory with traditional statistical tools can provide a robust framework for analyzing and predicting interactions in interconnected markets, thereby contributing to the existing literature on the subject. Finally, recommendations for future research were provided, such as incorporating additional variables and employing complementary techniques, including machine learning, to further expand the scope of this approach.