19 de novembro de 2026
Uso de derivativos e suas implicações nos riscos de portfólios de comercialização de commodities
Leonardo Pedroche Folgoso; Mayara Rohenkohl Ricci
DOI: 10.22167/2675-6528-202603843
Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.
Resumo
A gestão de risco em portfólios de commodities na B3 enfrenta desafios devido à inadequação de modelos paramétricos tradicionais, que pressupõem normalidade dos dados. Com o objetivo de operacionalizar um framework quantitativo de gestão de risco, o estudo propôs e implementou um pipeline automatizado. Utilizaram-se dados de contratos futuros de Etanol (ETH), Milho (CCM), Boi Gordo (BGI) e Café (ICF) negociados na B3 entre 2021 e 2025. A metodologia combinou a Análise de Componentes Principais (PCA) para redução de dimensionalidade com a Simulação Histórica para a mensuração do Conditional Value at Risk (CVaR). Testes estatísticos de Kolmogorov-Smirnov e Anderson-Darling validaram a rejeição da premissa de normalidade dos retornos, evidenciando a presença de caudas pesadas. Os resultados demonstraram uma relação inversa entre o prazo de vencimento dos contratos e o risco, além de uma saturação dos benefícios da diversificação em portfólios com 40 ativos. Concluiu-se que a modelagem histórica, integrada a uma estrutura ortogonal, ofereceu maior robustez para a tomada de decisão em mercados de alta volatilidade, superando as limitações da teoria clássica de portfólios lineares.
Palavras-chave: Análise de Componentes Principais; Gestão de Risco; Simulação Histórica; Valor em Risco Condicional (CVaR).
1. Introdução
Derivativos são instrumentos financeiros amplamente empregados no mercado para diversas finalidades, notadamente a mitigação de riscos, especulação e arbitragem. Conforme destaca Hull (2016), o valor desses instrumentos “depende (ou deriva) dos valores de outras variáveis subjacentes mais básicas”, permitindo a transferência de riscos econômicos entre agentes e instituições financeiras. A utilização estratégica de derivativos, em conjunto com a aquisição física de commodities, pode gerar economias significativas para as empresas, com Rettinger et al. (2024) reportando ganhos de até 6,38% em comparação com estratégias que excluem operações financeiras. No cenário brasileiro, a comercialização de contratos a termo de commodities teve início na década de 1970, por meio das bolsas de valores de São Paulo (BOVESPA) e do Rio de Janeiro (BVRJ). Atualmente, a B3, que integrou a BOVESPA, negocia diversos papéis de commodities, incluindo contratos de café arábica (ICF), etanol hidratado combustível (ETH), milho em grão (CCM) e boi gordo (BGI). Os dados públicos desses contratos foram utilizados nesta pesquisa (B3 S.A., 2025).
A negociação de contratos de compra ou venda de commodities de longo prazo expõe os participantes a riscos consideráveis devido à inerente variação de preços desses ativos. Produtores e vendedores buscam proteção contra flutuações futuras que possam desvalorizar seus produtos, enquanto compradores visam mitigar choques que elevem os preços. Nesse contexto, a formação de um portfólio de investimentos em derivativos surge como uma estratégia eficaz de hedge, protegendo contra prejuízos financeiros e conferindo maior segurança sobre o valor a ser despendido ou sobre o fluxo de caixa futuro. A literatura especializada reitera os benefícios do uso de estratégias de hedge no gerenciamento de riscos de commodities, com Carter et al. (2017) apontando que “As pesquisas até o momento apontam que os riscos relativos aos preços de commodities podem afetar retornos financeiros de ações e o hedge pode reduzir essa exposição ao risco”.
Apesar da relevância dos derivativos, a gestão de risco em portfólios de commodities enfrenta um desafio central: a vulnerabilidade operacional e financeira decorrente da aplicação de modelos paramétricos tradicionais. Esses modelos frequentemente assumem a normalidade dos dados, uma premissa que se mostra inadequada para os retornos reais de portfólios de commodities negociados na B3. Observa-se que esses retornos exibem choques extremos e caudas pesadas, conforme evidenciado por testes estatísticos como Kolmogorov-Smirnov (KS) e Anderson-Darling, que consistentemente rejeitam a hipótese de normalidade. Essa não-normalidade limita a aplicabilidade da teoria clássica de portfólios lineares, que pressupõe distribuições normais para o cálculo de risco, gerando uma lacuna na capacidade de mensurar e mitigar riscos de forma robusta em mercados de alta volatilidade.
Diante da inadequação das abordagens paramétricas clássicas e da complexidade dos mercados de commodities, torna-se imperativa a busca por metodologias mais robustas para a gestão de risco. A presente pesquisa justifica-se pela necessidade de desenvolver e aplicar um framework quantitativo que supere as limitações da teoria tradicional, oferecendo maior precisão na tomada de decisão em ambientes de alta volatilidade. Para tanto, o estudo emprega uma abordagem que combina a Análise de Componentes Principais (PCA) para a redução de dimensionalidade dos dados e a Simulação Histórica para a mensuração do Conditional Value at Risk (CVaR). Essa integração visa proporcionar uma modelagem mais resiliente, capaz de lidar com as características não-normais e as caudas pesadas inerentes aos retornos dos ativos.
A relevância deste trabalho reside na proposição de uma solução prática e automatizada para a gestão de risco em portfólios de commodities, contribuindo para a otimização das estratégias de hedge e para a mitigação de perdas financeiras em um mercado dinâmico. Assim, o objetivo geral da pesquisa é implementar um pipeline de dados automatizado capaz de operacionalizar um framework quantitativo de gestão de risco, demonstrando a aplicação prática da Análise de Componentes Principais (PCA) e da Análise de dados Históricos para mitigar a alta dimensionalidade e a não-normalidade inerentes a esses ativos.
2. Material e Métodos
A presente pesquisa caracterizou-se como um estudo de natureza aplicada, com abordagem quali-quantitativa, focado na proposição e desenvolvimento de um framework analítico. Este framework foi concebido para a mensuração e mitigação de risco em portfólios de contratos de commodities. Para tanto, empregaram-se ferramentas de ciência de dados e finanças, visando modelar e analisar o comportamento de um portfólio em um cenário realista, utilizando dados históricos de mercado.
O objetivo geral do estudo consistiu em implementar um pipeline de dados automatizado, capaz de operacionalizar um framework quantitativo de gestão de risco. Buscou-se demonstrar a aplicação prática da Análise de Componentes Principais (PCA) e da Simulação Histórica para mitigar a alta dimensionalidade e a não-normalidade inerentes aos retornos desses ativos. Os objetivos específicos incluíram a extração e estruturação computacional dos dados da bolsa, a execução de testes de diagnóstico estatístico e a construção empírica de fronteiras de eficiência, com foco no Conditional Value at Risk (CVaR), por meio da simulação de portfólios.
A unidade de análise compreendeu contratos futuros de commodities negociados na B3, especificamente Etanol hidratado (ETH), Milho em grão (CCM), Boi Gordo (BGI) e Café arábica (ICF). Consideraram-se todos os contratos desses produtos celebrados pela B3, com exceção dos contratos de Soja, para os quais não se encontraram dados no período avaliado. A análise foi delimitada a posições estritamente compradas (long-only) e a um horizonte de risco de um dia.
A base de dados foi constituída pelos boletins diários oficiais de negociação de derivativos da B3, abrangendo o período de janeiro de 2021 a dezembro de 2025. A coleta dos dados foi realizada por meio de um programa desenvolvido em linguagem Python. Utilizou-se a biblioteca `BeautifulSoup` para simular a interação do usuário com o portal da B3, selecionando opções de download e acionando o botão correspondente.
Para otimizar o processo de coleta, o período de tempo foi dividido entre os núcleos de processamento do computador, com o auxílio da biblioteca `joblib` do Python. As informações foram baixadas em formato compactado (.zip) e, posteriormente, extraídas dentro do código Python. Os arquivos compactados continham dados históricos diários em formato XML, os quais foram filtrados para incluir apenas os contratos de Etanol, Milho, Boi Gordo e Café.
Após a filtragem, os dados foram reunidos em um dataframe `Pandas`. Em seguida, procedeu-se ao armazenamento dessas informações em um banco de dados local Microsoft SQL Server, utilizando as bibliotecas `pyodbc` e `sqlalchemy`. Os dados dos contratos de commodities foram organizados em uma tabela denominada “derivatives_market_data” dentro do banco de dados “b3_data”.
O primeiro passo da análise consistiu no cálculo dos prazos de cada contrato, determinado pela diferença entre a data de comercialização e a data de vencimento, conforme o código original do contrato na B3. Criou-se uma nova tabela no banco de dados, “derivatives_market_data_prazos”, contendo os prazos, códigos dos instrumentos, datas de comercialização e o valor médio diário de venda do ativo.
Na sequência, montou-se uma matriz A, cujas linhas correspondiam às datas de comercialização dos ativos e as colunas aos prazos praticados. Em casos de múltiplas combinações de prazos, datas de comercialização e contratos, a matriz foi preenchida com a média dos valores recuperados. A partir dessa matriz, calcularam-se as variações diárias de preços dos ativos, conforme a metodologia de Hull (2016).
A matriz A teve suas colunas normalizadas para média nula e desvio padrão unitário, seguindo a abordagem de Alexander (2002). Os valores faltantes foram preenchidos por um filtro de média. A matriz normalizada e preenchida foi então utilizada como entrada para a função PCA da biblioteca `sklearn.decomposition` do Python, com o objetivo de reduzir a dimensionalidade dos dados.
O critério de variância acumulada foi empregado como ponto de parada para a análise, definindo-se a quantidade de elementos da base ortogonal de modo que a variação total explicada por esses elementos fosse de 70% da variação total do preço do ativo. Os fatores retornados pela PCA foram armazenados em uma nova tabela no banco de dados, “dbo.baseOrtogonal”, contendo os retornos diários calculados para cada fator.
As métricas de risco de interesse, Value at Risk (VaR) e Conditional Value at Risk (CVaR), foram calculadas sobre os valores recuperados da base ortogonal provida pela PCA. O VaR foi mensurado como a perda máxima esperada com uma dada porcentagem de certeza em um horizonte de N dias (Hull, 2016). O CVaR, por sua vez, quantificou os valores esperados de perda para os cenários mais severos, além do VaR (Khokhlov, 2016). Para o cálculo do CVaR, filtraram-se os valores das perdas diárias percentuais superiores ao VaR e calculou-se a média desses valores.
A metodologia incluiu a aplicação de testes estatísticos para verificar a aderência dos retornos diários à distribuição normal. Utilizaram-se os testes de Kolmogorov-Smirnov (KS) e Anderson-Darling (AD), além das métricas de assimetria (skewness) e curtose (kurtosis). As estatísticas para esses testes foram obtidas por meio das funções `kstest`, `skew`, `curtosis` e `anderson` da biblioteca `Scipy Statistics`.
Para a análise de portfólios, definiu-se uma matriz P de pesos para os componentes do portfólio no espaço ortogonal. Realizaram-se 500.000 simulações de portfólios, sorteando-se combinações aleatórias de pesos por meio da função `Dirichlet`, com um parâmetro de concentração de 2%. Garantiu-se que o peso mínimo de cada ativo no portfólio fosse de 1%, realocando-se pesos abaixo desse limiar. Para cada portfólio simulado, calculou-se o vetor de retornos diários correspondente.
A análise da diversificação dos portfólios foi conduzida por meio de um teste de hipóteses. Este teste comparou a média do CVaR de portfólios com `n` componentes contra a média do CVaR dos demais portfólios. O número de componentes foi progressivamente aumentado até o ponto em que não se encontrou evidência estatística, com 95% de significância, de que o CVaR da população com `n` componentes fosse menor que o dos demais.
3. Resultados e Discussão
A análise dos dados coletados, abrangendo o período de janeiro de 2021 a dezembro de 2025, forneceu uma base robusta para a avaliação do risco em portfólios de commodities na B3. Foram processados 95.107 registros, distribuídos em 189 contratos distintos de Etanol (ETH), Boi Gordo (BGI), Milho (CCM) e Café (ICF). A estruturação desses dados e a aplicação da Análise de Componentes Principais (PCA) foram cruciais para mitigar a alta dimensionalidade inerente a esses ativos, conforme o objetivo do estudo. A PCA resultou na identificação de 294 elementos da base ortogonal, que, em conjunto, explicaram 70% da variância total dos dados, demonstrando sua eficácia na redução do ruído e na agregação dos fatores de risco comuns, conforme proposto por Alexander (2009).
Os testes de diagnóstico estatístico, incluindo Kolmogorov-Smirnov (KS), Anderson-Darling (AD), assimetria e curtose, revelaram a inadequação da premissa de normalidade para os retornos diários dos ativos analisados. Os p-valores obtidos nos testes KS foram consistentemente baixos, levando à rejeição da hipótese de normalidade para todos os contratos. Essa constatação é fundamental, pois valida a premissa inicial do trabalho de que modelos paramétricos tradicionais, que pressupõem normalidade, são insuficientes para capturar a complexidade e os choques extremos observados nos mercados de commodities, corroborando a necessidade de abordagens mais robustas.
A análise da curtose indicou valores positivos para todos os ativos, caracterizando distribuições leptocúrticas com picos mais proeminentes em torno da média e caudas significativamente mais pesadas. Isso sugere que eventos extremos, tanto de valorização quanto de desvalorização, ocorrem com frequência muito maior do que o previsto por uma curva gaussiana. A assimetria, por sua vez, mostrou caudas direitas mais pesadas que as esquerdas para a maioria dos casos, especialmente para ICF e BGI, indicando uma preferência por eventos de ganhos extremos. Para ETH e CCM, observou-se um comportamento que alterna entre ganhos e perdas, com médias negativas, apontando para choques que tendem a reduzir o valor diário do contrato.
Os valores calculados para o teste Anderson-Darling corroboraram as análises anteriores, apresentando resultados muito superiores ao limiar estatístico de normalidade. Essa evidência conjunta dos testes KS, assimetria, curtose e AD reforça a conclusão de que a distribuição dos retornos dos ativos de commodities não é normal. Consequentemente, a abordagem paramétrica para o cálculo de VaR e CVaR foi desconsiderada, e os resultados subsequentes para a análise de portfólio foram calculados exclusivamente com base na abordagem histórica, que não depende da premissa de normalidade, conforme indicado por Hull (2016).
Uma relação inversa e estatisticamente significativa (com 95% de significância) foi identificada entre o prazo de vencimento dos contratos e as métricas de risco (VaR e CVaR) para todas as commodities. Para o Etanol (ETH), a variação dos prazos contratuais explicou 53% da variação do VaR paramétrico e 54% do VaR histórico. Para o CVaR, a explicação foi de 49% para a abordagem paramétrica e 65% para a histórica, indicando maior robustez da modelagem histórica. A média de diferenças diárias para ETH foi de -0,0116% (desvalorização), com desvio padrão de 0,894%.
Para os contratos de Boi Gordo (BGI), a variação dos prazos contratuais explicou apenas 3% da variação do VaR paramétrico, mas 18% do VaR histórico. Em relação ao CVaR, a explicação foi de 11% para a abordagem paramétrica e 57% para a histórica, evidenciando uma superioridade ainda mais acentuada da modelagem histórica. Os contratos de BGI registraram uma média de diferenças diárias de 0,0169% (valorização), com desvio padrão de 0,0116%. Essa disparidade na capacidade explicativa entre as abordagens paramétrica e histórica para o BGI reforça a inadequação dos modelos tradicionais em mercados com caudas pesadas.
Os contratos de Café (ICF) apresentaram uma explicação de 30% da variação do VaR paramétrico pelos prazos contratuais e 34% do VaR histórico. Para o CVaR, a variação foi explicada em 32% pela abordagem paramétrica e 43% pela histórica. A média de diferenças diárias para ICF foi de 0,0006% (valorização), com desvio padrão de 0,02%. Embora a diferença entre as abordagens seja menos drástica para o ICF em comparação com o BGI, a abordagem histórica ainda oferece uma capacidade explicativa superior para o CVaR, a métrica de risco mais abrangente para cenários extremos.
Nos contratos de Milho (CCM), a variação dos prazos contratuais explicou 65% da variação do VaR paramétrico e 52% do VaR histórico. Para o CVaR, a explicação foi de 59% para a abordagem paramétrica e 70% para a histórica, sendo a abordagem histórica a que melhor capturou a relação. A média de diferenças diárias para CCM foi de -0,0124% (desvalorização), com desvio padrão de 0,011%. A consistência da relação inversa entre prazo e risco em todas as commodities, com maior poder explicativo da abordagem histórica para o CVaR, alinha-se ao Efeito Samuelson (Samuelson, 1965), que descreve a diminuição da volatilidade de contratos futuros com o aumento do prazo de vencimento devido à reversão à média dos preços (Hull, 2016).
Ao ranquear os produtos por risco, utilizando o CVaR mediano, os contratos de Etanol (ETH) foram identificados como os menos arriscados, com um CVaR mediano de 0,0115%. Em seguida, vieram os contratos de Boi Gordo (BGI) com 0,0130%, Milho (CCM) com 0,0140%, e Café (ICF) como os mais arriscados, com um CVaR mediano de 0,0163%. Essa hierarquia indica que os contratos de Café são aproximadamente 42% mais arriscados que os de Etanol. A análise de assimetria e curtose corrobora essa avaliação, apontando que os contratos de ICF são mais suscetíveis a caudas pesadas à direita, sugerindo maior probabilidade de choques de preço no sentido da valorização do ativo.
A simulação de portfólios, utilizando a distribuição de Dirichlet para sortear combinações de pesos entre os 294 componentes ortogonais, buscou identificar o ponto de saturação da diversificação. Os resultados indicaram que, a partir de 40 ativos no portfólio, não houve evidência estatística significativa de redução adicional do CVaR. Esse limiar é consistente com a literatura, que sugere que entre 30 e 40 contratos independentes são suficientes para obter os benefícios da diversificação (Hull, 2016; Statman, 1987), resultando em uma diminuição de risco de aproximadamente 10 vezes em comparação com um investimento em um único ativo isolado.
A análise da fronteira eficiente para o CVaR, com um nível de significância de 95%, revelou que o portfólio com a menor perda esperada (mínimo CVaR) apresentou uma média de retornos diários próxima a 0,015% e um desvio padrão de 0,175%. Essa configuração representa a otimização entre risco e retorno para os cenários de cauda, que são os mais críticos para a gestão de risco. A identificação desse ponto de mínima perda esperada é crucial para a tomada de decisão em ambientes de alta volatilidade, onde a proteção contra eventos extremos é prioritária.
A contribuição dos ativos para o risco de cauda (CVaR) do portfólio variou significativamente. Os contratos que mais contribuíram para a diminuição do CVaR foram o Etanol (ETH) com prazo de 335 dias, Boi Gordo (BGI) com prazos de 338 e 250 dias, Café (ICF) com 653 dias e Milho (CCM) com 481 dias. Observa-se uma tendência de que prazos de vencimento mais longos contribuem para a redução do risco do portfólio. Em contrapartida, os ativos que mais contribuíram para o aumento das perdas do portfólio foram os contratos de Café (ICF) com prazos de 5, 82, 75, 68 e 138 dias, indicando que o ICF, especialmente em prazos mais curtos, adiciona considerável volatilidade e risco ao portfólio.
Em síntese, os resultados da pesquisa confirmam a inadequação dos modelos paramétricos tradicionais para a gestão de risco em portfólios de commodities na B3, devido à não-normalidade e à presença de caudas pesadas nos retornos. A abordagem proposta, que integra a Análise de Componentes Principais para redução de dimensionalidade e a Simulação Histórica para mensuração do CVaR, demonstrou ser mais robusta. Verificou-se uma relação inversa entre o prazo de vencimento dos contratos e o risco, e a saturação dos benefícios da diversificação em portfólios com 40 ativos, fornecendo um framework quantitativo operacionalmente viável para a tomada de decisão em mercados voláteis.
4. Conclusão
O presente estudo buscou operacionalizar um framework quantitativo de gestão de risco em portfólios de commodities na B3, por meio da implementação de um pipeline automatizado que integrasse a Análise de Componentes Principais (PCA) e a Simulação Histórica. Verificou-se a inadequação dos modelos paramétricos tradicionais, uma vez que os testes estatísticos de Kolmogorov-Smirnov e Anderson-Darling, juntamente com a análise de assimetria e curtose, consistentemente rejeitaram a premissa de normalidade dos retornos dos ativos, evidenciando a presença de caudas pesadas e choques extremos. A aplicação da PCA demonstrou eficácia na redução da dimensionalidade, agregando os fatores de risco comuns e explicando 70% da variância total dos dados. Observou-se uma relação inversa e estatisticamente significativa entre o prazo de vencimento dos contratos e o risco, com a modelagem histórica apresentando maior robustez e poder explicativo para o Conditional Value at Risk. Adicionalmente, identificou-se que os benefícios da diversificação em portfólios de commodities se saturam a partir de 40 ativos, proporcionando uma redução de risco de aproximadamente dez vezes em comparação com um único ativo. A principal contribuição reside na proposição de uma solução prática e automatizada que oferece maior precisão e resiliência para a tomada de decisão em mercados de alta volatilidade, superando as lacunas da teoria clássica de portfólios lineares.
Como limitação, o estudo considerou apenas posições estritamente compradas (long-only) em dados históricos, sem incorporar custos de transação, exigências de margem, liquidez dos contratos ou testes de backtesting. Sugere-se que trabalhos futuros ampliem o conjunto de commodities analisadas, testem outros horizontes temporais além do risco diário e comparem o desempenho de diferentes metodologias de mensuração de risco. Essas expansões poderiam aprimorar a compreensão e a aplicabilidade do framework em cenários de mercado ainda mais complexos.
Referências Bibliográficas
Alexander, C. 2002. Principal component models for generating large garch covariance matrices. Economic Notes 31(2): 337-359.
Alexander, C. 2009. Market risk analysis, value at risk models. John Wiley & Sons, New York, NY, EUA.
B3 S.A. 2025. Dados públicos de produtos listados e de balcão. Technical report, B3 S.A., São Paulo, SP, Brasil.
Carter, D. A.; Rogers, D. A.; Simkins, B. J.; Treanor, S. D. 2017. A review of the literature on commodity risk management. Journal of Commodity Markets 8: 1-17.
Hull, J. C. 2016. Opções, futuros e outros derivativos. Bookman Editora, Porto Alegre, RS, Brasil.
Khokhlov, V. 2016. Conditional value-at-risk for elliptical distributions. Evropsky casopis ekonomiky a managementu 2(6): 70–79.
Rettinger, M.; Mandl, C.; Minner, S. 2024. A data-driven approach for optimal operational and financial commodity hedging. European Journal of Operational Research 316(1): 341–360.
SAMUELSON, P. A. Proof that properly anticipated prices fluctuate randomly. Industrial Management Review, v. 6, n. 2, p. 41-49, 1965.
Statman, M. 1987. How many stocks make a diversified portfolio? The Journal of Financial and Quantitative Analysis 22(3): 353–363.
Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq
Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy

