Mensuração de risco para empresas do ramo frigorífico

Abstract

Este trabalho apresenta metodologia de mensuração e gestão de risco para empresas do ramo frigorífico. A ferramenta utilizada é conhecida como Earnings at Risk (EaR), e se adota uma visão top-down, que mostra a variação do resultado da empresa de acordo com variáveis explicativas de mercado e variáveis idiossincráticas. Através da eliminação de multicolinearidade entre essas variáveis com o uso da métrica de Análise de Componentes Principais (ACP), busca-se analisar como o novo EaR se comportaria frente ao enfoque usual, construído com um modelo de regressão linear múltipla. Variáveis dummy fazem parte do modelo de estimação do resultado futuro das empresas frigoríficas, relacionadas à ocorrência ou não de doenças que afetam o gado bovino, e à retirada de embargos econômicos de países importadores durante o período de análise. Ao fim do trabalho é verificado que as variáveis dummy não possuem relevância para a determinação de EaR, e que não se chega a conclusão de que o modelo de EaR com ACP se mostra melhor com menos variáveis, mantendo a mesma variância e significância estatística originais.

This paper analyzes a risk measurement and management methodology for meat processing companies. Earnings at Risk (EaR) is used with the adoption of a topdown approach that expresses income variations as a function of market and idiosyncratic explanatory variables. With the elimination of multicolinearity between those variables thanks to the use of Principal Component Analysis (PCA), we analyze how the new EaR behaves against the more usual multiple linear regression model. Dummy variables are included in the estimation of future results for meat processing companies, representing the occurrence of diseases affecting cattle and the withdrawal of economic embargoes by importing countries during the period. As a result, it is found that the dummy variables do not contribute to determining the variation of EaR, and that no one comes to the conclusion that the EaR model using PCA shown better with less variables, with the same original variance and statistical significance.