Spread do preço da carne de frango congelada e resfriada.

Depois de assistir um vídeo no Instagram pela @tradingcomdados sobre o spread de ações ordinárias e preferenciais, decidir aprimorar essa análise remontando aos valores da carne de frango. A carne de frango ela é comercializada a partir de duas maneiras: O frango Congelado ou Resfriado. Porém, antes de entrar nesse assunto, vamos observar o que a trading com dados passou no seu vídeo.

Trading com Dados

No vídeo da trading com dados, foi repassado a ideia de medir o spread entre as ações da Petrobrás, sendo elas a PETR3/PETR4 e com essa medição poderia ser inferido as operações de long e short nos papeis. O Spread refere-se à diferença entre o preço de compra e venda de uma ação, título ou transação monetária. E para calcular essa diferença entre PETR3 e PETR4 devemos apenas dividir os seus valores de fechamento.

O que são operações de long e short?

As operações Long & Short são uma estratégia de investimento utilizada em mercados financeiros, que consiste em comprar (Long) e vender (Short) ativos simultaneamente. O objetivo é lucrar com a diferença entre os preços de compra e venda, independentemente da direção em que o mercado se mover. Na prática, o investidor compra um ativo que ele acredita que vai se valorizar (Long) e, ao mesmo tempo, vende um ativo que ele espera que caia de preço (Short). Dessa forma, ele pode obter lucro tanto em um mercado em alta quanto em um mercado em baixa, dependendo da diferença de preços entre os ativos comprados e vendidos. Essa estratégia é comum em mercados financeiros como ações, futuros, opções e moedas. No entanto, a operação Long & Short exige um conhecimento avançado de análise de mercado e riscos, já que envolve posições em ambos os lados do mercado e pode ser arriscada se não for bem executada.

Outro artigo importante para o seu entendimento é do Fábio Figueiredo onde ele explica bem alguns tipos de long e short:

https://medium.com/@fabiofigueiredo_44303/opera%C3%A7%C3%B5es-de-long-and-short-pelo-m%C3%A9todo-de-cointegra%C3%A7%C3%A3o-23300cd2f568 .

Lembrando que esse artigo aqui visa somente elucidar novas maneiras de olhar o mercado, principalmente o mercado agropecuário e não deve ser utilizado para tomadas de decisões precipitadas e sem estudo prévio.

Mão na Massa!

Para pegarmos os dados da Petrobrás, foi utilizado no vídeo o banco de dados do Yahoo Finance, Também utilizamos as principais bibliotecas para análise de dados: Numpy, Pandas, matplotlib e a biblioteca mplfinance.

!pip install mplfinance !pip install yfinance

import yfinance as yf import matplotlib.pyplot as plt import pandas as pd import numpy as ny import mplfinance as mpf

# Define o ticker das ações da Petrobras ticker = 'PETR4.SA' # Define o período de tempo do gráfico (últimos 6 meses) start_date = pd.Timestamp.today() - pd.DateOffset(months=6) end_date = pd.Timestamp.today() # Obtem os dados das ações da Petrobras do Yahoo Finance df = yf.download(ticker, start=start_date, end=end_date, interval='1d') # Cria o gráfico de candles com a biblioteca mplfinance mpf.plot(df, type='candle', volume=True)

# Define o ticker das ações da Petrobras ticker = 'PETR3.SA' # Define o período de tempo do gráfico (últimos 6 meses) start_date = pd.Timestamp.today() - pd.DateOffset(months=6) end_date = pd.Timestamp.today() # Obtem os dados das ações da Petrobras do Yahoo Finance df = yf.download(ticker, start=start_date, end=end_date, interval='1d') # Cria o gráfico de candles com a biblioteca mplfinance mpf.plot(df, type='candle', volume=True)

Após a instalação dos dados do Yahoo Finance, iremos criar dois objetos para a sua manipulação e obter os dados financeiros.

# Criando os objetos Ticker para PETR3 e PETR4 petr3 = yf.Ticker('PETR3.SA') petr4 = yf.Ticker('PETR4.SA')

# Obtendo os dados de fechamento das ações petr3_hist = petr3.history(period='max') petr4_hist = petr4.history(period='max')

# Renomeando a coluna Close dos DataFrames petr3_hist e petr4_hist petr3_hist = petr3_hist.rename(columns={'Close': 'PETR3'}) petr4_hist = petr4_hist.rename(columns={'Close': 'PETR4'})

# Criando o DataFrame fechamentos com os dados de PETR3 fechamentos = pd.DataFrame(petr3_hist['PETR3'])

# Juntando os dados de PETR4 com o DataFrame fechamentos utilizando o método merge fechamentos = fechamentos.merge(petr4_hist['PETR4'], how='outer', left_index=True, right_index=True)

O método merge() é utilizado para juntar dois ou mais DataFrames com base em uma ou mais colunas em comum. No exemplo acima, utilizamos o método merge() para juntar os DataFrames petr3_hist e petr4_hist com base no índice dos DataFrames (coluna 'Date') e unimos as colunas 'PETR3' e 'PETR4' em um único DataFrame chamado fechamentos. O parâmetro how='outer' indica que queremos fazer um join externo, ou seja, manter todas as linhas dos dois DataFrames mesmo que haja linhas com valores ausentes em um dos DataFrames. Os parâmetros left_index=True e right_index=True indicam que queremos utilizar o índice dos DataFrames como chave de junção.

# Exibindo as primeiras linhas do DataFrame fechamentos print(fechamentos.head())

# Fechamentos de PETR3: fechamentos['PETR3'].plot()

# Fechamentos de PETR4: fechamentos['PETR4'].plot()

Após obter os fechamentos, vamos tirar a razão das ações, ou seja, dividindo os preço de fechamentos de PETR3 por PETR4:

long_short = fechamentos['PETR3']/fechamentos['PETR4']

long_short.head()

long_short.plot()

Para observamos os valores onde há um certo limite nessa razão, devemos usar os desvios padrões desses novos dados e assim obter, principalmente os valores que estão nos seus "extremos" que consequentemente poderão retornar à média.

# Calculando os desvios padrões: sd_longshort = long_short.std()

long_short.plot() # Adicionando linhas horizantais para os desvios padrões plt.axhline(y=long_short.mean() + sd_longshort, color='r', linestyle='-') plt.axhline(y=long_short.mean() - sd_longshort, color='g', linestyle='-') plt.axhline(y=long_short.mean()) # Exibindo o gráfico plt.show()

Observando esse gráfico podemos até aumentar o desvio padrão e abranger mais os valores extremos.

# Calculando a distância de 1.5 desvio padrão em relação à média sd2_longshort = 1.5 * sd_longshort

long_short.plot() plt.axhline(y=long_short.mean() + sd2_longshort, color='r', linestyle='-') plt.axhline(y=long_short.mean() - sd2_longshort, color='g', linestyle='-') plt.axhline(y=long_short.mean()) # Exibindo o gráfico plt.show()

Então, como podemos observar, o spread em 1.5 de desvio padrão, visualmente obteve uma melhor ideia de de poder entra em operações long e short. Mas ainda teríamos que montar um backtesting com as possíveis operações nesses ativos e que ficará para outro momento.

Agora vamos usar essa mesma ideia para a relação do preço do frango congelado e do frango resfriado

De inicio vamos partir do pressuposto que a carne de frango é um ativo da mesma forma que as ações da Petrobrás e que ela possui também as ações ordinárias e preferências. Para isso vamos atribuir o frango congelado como uma ação ordinária e frango resfriado como uma ação preferencial. Os dados retirados vieram do site: https://www.cepea.esalq.usp.br/br onde são armazenados os dados das principais commodities brasileiras com o intuito de ajudar não só os estudantes, mas também os produtores nas tomadas de decisões.

Os dados foram baixados separadamente e juntados no Excel por questão de praticidade.

import pandas as pd frango = pd.read_csv('preco_frango.CSV',sep=';')

# exibindo as informações gerais do DataFrame print(frango.info())

# exibindo as primeiras linhas do DataFrame print(frango.head())

# exibindo a descrição estatística do DataFrame print(frango.describe())

plt.plot(frango['Data'], frango['Frango_con']) plt.plot(frango['Data'], frango['Frango_resf.']) # Definindo o título e os rótulos dos eixos plt.title('Frango congelado e Frango resfriado') plt.xlabel('Data') plt.ylabel('Preço')

Long e Short na carne de frango?

Agora vamos fazer aquele mesmo calculo que foi usado nas ações da Petrobrás

# Observando a razão dos preços do Frango Congelado pelo preço do Frango Resfriado long_short2 = frango['Frango_con']/frango['Frango_resf.']

# Observar long_short2.plot()

Com isso, partindo como sempre da mesma ideia do vídeo, vamos agora plotar os desvios padrões na razão obtida da carne de frango congelada e resfriada.

# Calculando os desvios padrões: sd_longshort2 = long_short2.std()

long_short2.plot() # Adicionando linhas horizantais para os desvios padrões plt.axhline(y=long_short2.mean() + sd_longshort2, color='r', linestyle='-') plt.axhline(y=long_short2.mean() - sd_longshort2, color='g', linestyle='-') # Exibindo o gráfico plt.show()

Podemos também aumentar esse desvio padrão para 1.5:

# Calculando a distância de 1.5 desvio padrão em relação à média sd2_longshort2 = 1.5 * sd_longshort2

long_short2.plot() plt.axhline(y=long_short2.mean() + sd2_longshort2, color='r', linestyle='-') plt.axhline(y=long_short2.mean() - sd2_longshort2, color='g', linestyle='-') # Exibindo o gráfico plt.show()

Conclusão:

Ao analisar essa ferramenta, percebemos que técnicas utilizadas para prever mudanças no valor de ativos financeiros podem ser aplicadas no setor agropecuário. Por exemplo, empresas que vendem carne de frango podem usar estratégias de Long & Short para melhorar a comercialização de seus produtos e supermercados podem aproveitar essas técnicas para identificar os momentos ideais para comprar carne a preços mais acessíveis e obter melhores margens de lucro.