Para commodities primárias, a volatilidade do preço pode surgir principalmente por causa de distúrbios na oferta, enquanto que, para matérias-primas industriais, pode ser resultado de distúrbios na demanda. Na análise de mercados de commodities primárias observa-se que informação, hedging, especulação e disponibilidade física são fatores que podem influenciar na volatilidade de tais commodities. Além disso, o aumento da volatilidade nos mercados dessas commodities pode justificar o uso de processos baseados em informação para a modelagem do padrão da volatilidade do retorno destas. Dada a relevância da família de modelos autoregressivos com heterocedasticidade condicional (ARCH) na resolução de problemas das áreas de economia e finanças, devido à sua aplicabilidade e interpretação (relação entre retorno e volatilidade), o objetivo deste trabalho foi propor uma abordagem Bayesiana e comparar as estimativas dos parâmetros de processos ARCH com distribuições normal e t de Student para a distribuição da série de retornos mensais do café. Foram sugeridas densidades a priori informativas e os sumários a posteriori foram obtidos por meio de métodos de simulação de Monte Carlo em Cadeias de Markov (MCMC). Os resultados mostram que a abordagem Bayesiana proposta proporciona estimativas satisfatórias e que o processo ARCH com distribuição t de Student se ajusta melhor aos dados.
In the case of primary commodities, price volatility would arise mainly due to disturbances in supply, whereas for industrial raw materials, it would be the result of disturbances in demand. In the analysis of commodity markets can be seen that information, hedging, speculation and physical availability are factors that can influence their volatility. Moreover, increased volatility in commodity markets can justify the use of information-based processes for modeling the pattern of return volatility of these commodities. Since the relevance of autoregressive conditional heteroscedasticity (ARCH) family models in the solution of problems in economic and financial areas due to their applicability and interpretation (the relation between return and volatility) have been provided, the aim of this work was to compare the Bayesian estimates for the parameters of ARCH processes with normal and Student’s t distributions for the conditional distribution of the return series of coffee beans price. In addition, informative prior distributions were suggested and posterior summaries were obtained by Monte Carlo Markov Chain simulation methods. Results show that the proposed Bayesian approach provides satisfactory estimates and that the ARCH process with Student’s t distribution adjusts better to the data.
