Muitos negócios possuem exposição às variações climáticas e com poucas alternativas para mitigar este tipo de risco. Nos últimos 20 anos o mercado de derivativos climáticos se desenvolveu principalmente em locais como Canadá, EUA e Europa para transferir os riscos relacionados às variações climáticas para investidores com maior capacidade de absorção, tais como seguradoras, resseguradoras e fundos de investimentos. Este trabalho implementou uma metodologia de precificação destes contratos para a variável temperatura média diária no Brasil. Foram utilizados os dados de 265 estações meteorológicas cadastras no site do BDMEP/INMET, utilizando-se observações diárias durante o período 1970-2012. Enquanto a maior parte dos trabalhos de precificação fora desenvolvida para um local específico, neste estudo buscou-se uma solução mais generalizada e que permitisse aos participantes deste novo mercado balizar suas expectativas de preço para qualquer ponto com uma estação meteorológica no país. O principal desafio para esta abordagem foram as falhas nas séries temporais e para isto desenvolveu-se uma metodologia de preenchimento utilizando as informações do projeto NCEP/NCAR. Cada estação foi submetida ao algoritmo de análise e modelagem das séries de temperatura. Considerou-se \"Sucesso\" (36.2% dos casos) as estações cujo processo de modelagem culminou em um resíduo ruído branco, estacionário e homoscedástico. Por \"Fracasso\" (63.8% das estações) entendem-se os casos que violaram pelo menos uma destas condições. Para a incorporação da tendência nos dados utilizou-se a Regressão Polinomial Local (LOESS). Para a estimação da sazonalidade foi empregada análise espectral e utilizada a série de Fourier. Para o tratamento da autocorrelação serial nos resíduos utilizou-se modelos ARFIMA, que contempla um parâmetro para memória longa do processo. A análise espacial dos resultados sugere uma maior taxa de \"Sucesso\" para a precificação de contratos na região Centro-Sul do país e piores para Norte e Nordeste. O método de preenchimento das falhas não deve ser utilizado indiscriminadamente por todo o país, uma vez que a correlação entre as séries do BDMEP/INMET e NCEP/NCAR não é constante, além de apresentar um claro padrão na dispersão espacial. A precificação dos contratos foi feita pelos métodos de \"Burning cost\", \"Modelagem do Índice\" e \"Modelagem da temperatura média diária\". Para este último caso as temperaturas simuladas apresentaram um viés ligeiramente acima dos dados históricos, podendo causar grandes distorções na precificação dos contratos. Deve-se realizar uma correção dos valores simulados antes da precificação dos contratos. A qualidade e consistência dos dados climáticos representam a maior ameaça para a utilização de derivativos climáticos no país, principalmente na região Cento-Oeste, aonde existem poucas estações meteorológicas, e Nordeste, com baixíssima taxa de \"Sucesso\", mesmo com um razoável número de estações. / Many business are exposed to weather variations and managers did not use to have a tool to avoid it. In the last twenty years, weather derivative markets has developed mainly in Canada, USA and Europe, transferring these risks to investors who are willing and able to assume it and receive a financial compensation for that, such as investment funds, insurance and reinsurance companies. This study developed a methodology to price weather contracts with daily average temperature as underlying. It was used 265 public weather stations from BDMEP/ INMET and data was collected from 1970 up to 2012. While the most part of studies in this area have focused in one or few stations, the goal of this study was to develop a more general pricing tool which would allow assessing weather risk and quoting it at any place in Brazil with an available weather station. The main issue was the gaps that occur so frequently in weather time series data and a methodology using interpolated data from NCEP/NCAR was proposed to deal with it. At the bottom of modelling process, weather stations were classified as \"Success\" (36.2%) or \"Failure\" (63.8%) according to the analysis of residuals. To be considered \"Success\", residuals of a time series must be stationary, homoscedastic and white-noise, i.e., free of autocorrelation. If at least one of these was not reached, the modelling process of this weather station was considered \"Failure\". Detrend data was done using Local Polynomial Regression (LOESS). Seasonality was estimated using spectral analysis and Fourier analysis. Autocorrelation of residuals was incorporated into the model using ARFIMA models, which have a parameter to deal with long memory process. Spatial analysis of results suggests a higher \"Success\" rate for contracts priced in the Center south region and worst results were obtained in North and Northeast. Methodology to fill the gaps should not be used in all situations, once correlation is not constant through the country and has a strong spatial pattern (clustering). Pricing was done using \"Burning cost\", \"Index modelling\" and \"Daily modelling of average temperature\". In this former case, simulated temperature has shown a slightly positive bias, which could create huge differences in prices compared with other models. A correction should be done to these values, to use it for pricing purposes. The quality and consistency of weather data is the main issue to develop a weather market in Brazil, mainly in Center-West region, where there is a small number of weather stations and Northeast with the lowest \"Success\" rate, even with a not so small number of weather stations.
| Identifer | oai:union.ndltd.org:usp.br/oai:teses.usp.br:tde-07042014-172230 |
| Date | 07 February 2014 |
| Creators | Lemos, Gabriel Bruno de |
| Contributors | Ozaki, Vitor Augusto |
| Publisher | Biblioteca Digitais de Teses e Dissertações da USP |
| Source Sets | Universidade de São Paulo |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | Dissertação de Mestrado |
| Format | application/pdf |
| Rights | Liberar o conteúdo para acesso público. |
Page generated in 0.0018 seconds