ANÁLISE DA PRECIFICAÇÃO DO MILHO E DA SOJA POR REGRESSÃO LINEAR

Resumo

O agronegócio é pilar central da economia brasileira, com as commodities soja e milho desempenhando um papel muito importante no desenvolvimento do país. Diante da volatilidade dos preços, conseguir prever o comportamento futuro tornou-se uma ferramenta valiosa para os produtores desses produtos. Este estudo propõe a aplicação de modelos de regressão linear para analisar e prever a tendência dos preços dessas commodities. Foram utilizados os dados de pesquisa do Centro de Estudos Avançados em Economia Aplicada (Cepea/Esalq – USP). A análise focou no preço da soja do estado do Paraná e do milho em Campinas São Paulo abrangendo o período de janeiro a outubro de 2025. Após a coleta, os dados foram tratados e preparados para a aplicação da regressão linear, onde a variável dia serviu como preditora (x) na equação (y = ax + b), onde y é o preço. Foram testados três horizontes temporais para a aplicação do modelo: a série histórica completa, os últimos 6 meses e os últimos 3 meses. O desempenho de cada modelo foi avaliado com base no coeficiente de determinação (R²) e no Erro Quadrático Médio da Raiz (RMSE), buscando-se minimizar este último e maximizar o primeiro. Os resultados revelaram que para a soja, o modelo que utilizou os últimos 6 meses de dados apresentou o melhor desempenho, com um R² de 0,4465 e um RMSE de 1,9361. Para o milho, o modelo dos últimos 6 meses também obteve o maior R² (0,7314), mas com um RMSE de 3,6692. Contudo, com base na análise das duas variáveis, a seleção do período de 6 meses foi definida como mais adequada. A análise visual do gráfico sugeriu que para o modelo de 3 meses, que apresentou um RMSE significativamente menor (0,5679) e um R² menor, poderia representar melhor o comportamento recente dos preços. Conclui-se que, embora o modelo de 6 meses para o milho explique uma maior variância dos dados, a precisão do modelo de 3 meses o torna mais adequado para representar a realidade mais imediata. Para a soja, o modelo de 6 meses foi considerado o mais robusto. Cabe destacar que a regressão linear é mais eficaz para identificar a direção geral da tendência ("o sentido do movimento dos preços") do que para prever valores exatos. O modelo mostrou-se limitado para capturar quedas bruscas de preço, como a observada para a soja em setembro/outubro, reforçando que eventos inesperados (climáticos, políticos) podem invalidar temporariamente as projeções. Dessa forma, a técnica se consolida como uma ferramenta auxiliar valiosa, porém não absoluta, para a tomada de decisão no complexo mercado de commodities.