Previsão de preços futuros de Commodities agrícolas com diferenciações inteira e fracionária, e erros heteroscedásticos

Portuguese. O presente trabalho tem como objetivo modelar séries temporais para efeito de previsão com diferenciações inteira e fracionária, utilizando dados de preços futuros de commodities agrícolas. Modelos de séries temporais do tipo ARMA/ARIMA (diferenciação inteira) serão estimados como termo de comparação com os modelos do tipo ARFIMA (diferenciação fracionária). Em ambos os casos, os erros dos modelos serão estimados assumindo-se a possibilidade de estimação da volatilidade. O poder de previsão de cada modelo será comparado pelo critério do erro quadrado médio da previsão (EQM). A estimação do termo de diferenciação fracionário (d) também será utilizada para examinar as características de longa dependência das séries. Os resultados indicaram que todas as séries de retornos de preços futuros utilizados são estacionárias. O valor do d fracionário da série de açúcar indicou um comportamento de antipersistência a choques, enquanto que esses valores para as demais commodities apresentaram comportamento persistente. Na maioria dos casos os modelos ARFIMA mostraram um melhor poder de previsão.

English. This paper intends to model time series with the aim of perform forecast using integer and fractional differencing for agricultural commodities futures price. Time series models of the ARMA/ARIMA type (integer differencing) will be estimated and compared to ARFIMA type models (fractional differencing). In both cases errors are modeled assuming the occurrence of volatility. The forecast power of each model will be compared using the criterion of the mean squared error (MSE). The estimation of fractional term (d) will be also used to examine the long run dependency properties of the series. The results showed that, for all series, returns are stationary. The sugar series, however, showed anti-persistency, while all other series showed to be long memory. The ARFIMA models showed, in general, a better forecasting performance.