LOS DETERMINANTES DEL PRECIO DE LA SOJA, EVIDENCIA EMPÍRICA

Mariana Heredia1, Gisela Rusteholz2 , German Orsini3 , Néstor Domínguez4, ,Gabriel Weidmann5

1
Universidad Nacional de Entre Ríos, Facultad de Ciencias Económicas
meriheredia@fceco.uner.edu.ar
2
Universidad Autónoma de Entre Ríos, Facultad Ciencias de la Gestión
grusteholz@gmail.com
3
Universidad Nacional de Entre Ríos, Facultad de Ciencias Económicas
gorsini@fceco.uner.edu.ar
4
Universidad Nacional de Entre Ríos, Facultad de Ciencias Económicas
nestoralfredodominguez@yahoo.com.ar
5
Universidad Nacional de Entre Ríos, Facultad de Ciencias Económicas
gabrielweidmann@ gmail.com

1
Mariana Heredia, Doctorando en Ciencias Económicas – UNC , Magister en Métodos Cuantitativos y Economía
de la Empresa, Licenciada en Economía. Prof. Adjunto por Concurso Estadística II, Profesor JTP Econometría,
Facultad de Ciencias Económicas – Universidad Nacional de Entre Ríos.. Categoría V en el Programa de
Incentivos
2
Gisela Rusteholz, Licenciada en Economía. Profesor Titular Econometría I y Econometría II, Facultad de
Ciencias de la Gestión, Universidad Autonoma de Entre Rios
3
Germán Orsini, Magister en evaluación de proyecto, Licenciado en Economía. Prof Adjunto por concurso de
Economía Regional y Argentina, Microeconomía y Economía Internacional, Facultad de Ciencias Económicas,
Universidad Nacional de Entre Ríos. Categoría IV en el programa de Incentivos.
4
Néstor Domínguez, Licenciado en Economía. Prof. Titular por concurso Introducción a la Economía, Economía
Regional y Argentina y Economía Agropecuaria, Facultad de Ciencias Económicas, Universidad Nacional de
Entre Ríos. Categoría III en el programa de Incentivos.
5
Gabriel Weidamnn, Contador Público. Estudiante Licenciatura en Economía. Prof Adscripto de Metodología de
la Investigación y Economía Regional y Argentina, Facultad de Ciencias Económicas, Universidad Nacional de
Entre Ríos.

Resumen
En la literatura económica, aun no existe consenso sobre las razones por las cuáles aumentan o
disminuyen los precios internacionales de los commodities energéticos y agrícolas. Sin embargo, las políticas
económicas de tipo ortodoxas aplicadas en los últimos años para superar la crisis en los países centrales,
como la baja de la tasa de interés, elevan la liquidez de capitales e impulsan a la especulación financiera en
los mercados a término con productos básicos, entre ellos, los mercados de granos. Estas políticas han
conducido a un incremento de la volatilidad de los precios de los granos y fundamentalmente de la soja. En
este trabajo, se evalúan empíricamente diferentes determinantes financieros que podrían afectar el precio de
la soja, en el periodo 1980-2015, a través de la estimación de un Modelo econométrico GARCH(1,1) con un
factor autorregresivo y series mensuales. Para la elaboración del estudio se utilizaron base de datos de
fuentes oficiales de organismos nacionales e internacionales y se procesaron mediante el software estadístico
E-Views.
Los resultados más importantes indican que el valor del dólar Estadounidense es muy significativo a
la hora de explicar la variabilidad el precio internacional de la soja, y una depreciación del mismo incrementa
el precio de la soja. Lo mismo ocurre con la tasa de interés dispuesta por la FED, y el precio del petróleo.

Palabras Claves: Volatilidad financiera, Precio de la soja, Modelos GARCH

I. Introducción

Desde mediados de los setenta, se ha producido un inestable crecimiento de la Globalización (Miotti,

2013), ese mundo de post guerra con un determinado régimen de crecimiento y organización del trabajo entra
en crisis en los años 70 y el fuerte aumento del precio del petróleo en 1973 le dio el golpe de gracia a los
treinta años gloriosos de crecimiento1 entre 1945 y 1975.
En los años 90 con la liberalización financiera, crece aceleradamente el número de países que eliminan el
control de la tasa de interés y de los flujos de capitales 2. Además se bajan las barreras de ingreso a nuevos
actores en el mercado que frenaban la entrada a determinados sectores, sobretodo en el sector financiero. En
este periodo de liberalización financiera se produce un fuerte crecimiento de los mercados de valores,
mercado de acciones, bolsas, y en este sentido en los 70 había menos de 50 países que tenían bolsas, en
contraste en los 90 se cuadriplica ese número y se llega rápidamente a 200 bolsas en el mundo.3
En mencionado contexto histórico y político se generaliza la especulación con productos básicos
incluidos los alimentos, lo que generó importantes problemas en la alimentación de los países menos
desarrollados.

La crisis de 1929, precipitó el fin del viejo mundo europeo, y así mismo la crisis del Fordismo desde medianos de los 70 ha
1

sido interpretada en esos términos, como una mutación mayor que haría sonar las campanas de muerte de un crecimiento
no sustentable. (Miotti, 2013)
2
En los años de la pos guerra (Miotti, 2013) alrededor entre 60 a 90 países controlaba el flujo de capitales, esto cambia
radicalmente ya que a partir de los años 90 más del 95 % no controlan los capitales, es decir la gran mayoría del mundo
se liberalizo.
3
Las diferencias entre el mundo antes de la crisis (los treinta años gloriosos, 1945/1975) con el actual son notables. El
actual no tiene nada que ver con lo que había antes ya que se pasa de un mundo de economías cerradas a las actuales
economías abiertas; de un mundo de finanzas controladas con políticas monetarias dependientes con arbitraje del Estado,
a un mundo en contrapartida de finanzas libres, políticas monetarias independientes y sistema financiero bajo restricción
reglamentaria mínima y sin arbitraje del Estado y sin redes sociales de seguridad.
 Los commodities4 siempre aparecieron atractivos como activos de diversificación al tener una
correlación negativa con los activos de renta fija y títulos, sumado esto a los procesos desregulatorios
ocurridos en los mercados de futuros en los años 90 cuando la comisión Commodity Futures Trading
Commission (CFTC) permitió a los especuladores el acceso prácticamente sin restricciones al mercado de
futuros y el ingreso del sistema bancario como financiador de las operaciones incluyéndose de esta forma un
riesgo implícito, no era muy difícil presagiar que se produjeran conductas especulativas, un ejemplo claro fue
el accionar de la empresa ENRON que fue una de los primeros inversores en operar en el mercado de futuros
de energía con las consecuencias que ello acarreo (Sevares, 2005).
Adicionalmente en el año 2000 el congreso estadounidense aprobó la Ley de Modernización del
Mercado de Futuros de Productos Básicos, con lo cual se debilitó las normas relativas a límites a las posiciones
financieras y esto abrió las puertas a una posible especulación en los llamados mercados secundarios no
sujetos a reglamentación (Frenk, 2011).
En este sentido, el índice de los precios reales de los alimentos de la FAO muestra dos periodos en las
últimas décadas: un primer periodo 2002/2007 o sea hasta la crisis internacional de 2008 con un aumento del
98% y pos crisis (2009/2011) en el que el índice crece el 70%.

Grafico I. Índice de Precios Reales de Alimentos

4
Se entiende por commodities a aquellos productos indiferenciados-homogéneos cuyos precios están determinados en el

mercado internacional y en cuya producción se agrega escaso valor por el tipo de tecnología empleada en su elaboración y
es la que se especializan los países periféricos que es el proceso antitético de la industria de la en los países centrales que
emplean tecnologías radicales.
 Algunos autores (Medina Rey y Cascante, 2011), plantean que la crisis financiera de los últimos años
muestra que la tendencia al alza de los precios de los alimentos para los próximos años, mientras se repitan
ciclos de alta volatilidad e inestabilidad en los mercados agroalimentarios, la seguridad alimentaria estará
relacionada a normas nacionales e internacionales que limiten la especulación financiera.
Los problemas serios de estas conductas especulativas comenzaron cuando se empezaron a hacer
compras de futuros y opciones apalancadas, principalmente compras en base a endeudamiento, para
ejemplificar en el año 2001 se crea el INDEX de Materias Primas en la bolsa de comercio de Estados Unidos,
dando inicio a las inversiones de Grupos Institucionales apostando a la evolución positiva de los precios a largo
plazo. Este mercado registró operaciones por 13.000 millones de dólares en el año 2003, y en el año 2008, el
mismo índice5, registró operaciones por 260.000 millones de dólares, produciéndose un aumento exponencial
que claramente impactó en las tendencias de largo plazo.
Por ello, el Centro de Economía Internacional (CEI) (2011, pag.1) plantea: “el incremento de los
precios de las materias primas que comienza a registrarse desde 2002 parece haber acompañado al aumento
en la actividad de los mercados de los denominados “productos derivados” de commodities, canalizados a
través de los mercados de comercialización futuros financieros. En este sentido, se aprecia en los últimos años
una mayor presencia de inversores financieros en dichos mercados de futuros que han equiparado a los
commodities con cualquier otro activo financiero en lo que hace a los instrumentos disponibles para su
comercialización”.
A estos factores se suma la evolución del precio del petróleo que registro un valor record de 133.93
dólares el barril de petróleo WTI en junio de 2008. Otro factor preocupante son las fluctuaciones de los tipos
de cambio, que desempeñan una función decisiva en todos los mercados, y los mercados agrícolas no
constituyen una excepción. Pero pocas veces como en los últimos meses ha sido tan importante la evolución
de las monedas en la configuración de los precios agrícolas tanto del dólar, euro y monedas de los países
asiáticos.
El presente trabajo tiene como objetivo medir la influencia de factores financieros derivados de las
políticas económicas de tipo ortodoxas aplicadas en los últimos años para superar la crisis en los países
centrales, como la baja de la tasa de interés, el manejo del tipo de cambio, etc., y de otras variables del tipo
financieras, como el precio del petróleo, sobre el precio internacional de la soja.
El trabajo se encuentra organizado de la siguiente manera: en la sección 2, se realiza una breve
revisión de la literatura que analiza los determinantes del precio de los commodities. En la sección 3 se
presenta la metodología de estimación. En la sección 4, se describen los datos utilizados y los resultados
obtenidos. Finalmente, en la sección 5 se discuten las principales conclusiones del trabajo.

5
Un fondo indizado es un fondo de inversión que compra y mantiene una cartera de títulos que coinciden con el rendimiento
de un índice de mercado específico, en la mayoría de los casos la cartera es operada casi por completo por una
computadora que iguala las tenencias del fondo con las del índice de meta. La diferencia con otros fondos radica en que la
automatización reduce los costos salariales del uso de traders, intenta seguir y no superar al mercado, y retarda el pago de
impuestos a las ganancias de capital porque mantienen posiciones compradas por largos períodos. Gitman y Joehnk (2009).
II. Antecedentes

Los determinantes del precio de las commodities han sido una parte importante de la discusión
económica y econométrica sobre todo en la última década, y en particular, a partir de 2003 cuando los precios
de muchos de los productos básicos experimentaron un notable crecimiento. Anterior a este período la
literatura explicaba los cambios en esta variable a partir de los desequilibrios de oferta y demanda que
ocurrían a nivel global. Estos desequilibrios se podían explicar tanto por contingencias de tipo natural como
por el efecto de la naturaleza inelástica de ambas funciones (Borenztein y Reinhart, 1994).
Independientemente del origen del desequilibrio se derivaba un ajuste en los precios de los productos, como
consecuencia directa o indirecta.
Sin refutar la anterior asociación, en este nuevo milenio, algunos autores (Naccache, 2010; Asafu-Adjaye,
2000) explican el aumento de los precios de los commodities por el rápido crecimiento de la demanda mundial,
especialmente de países asiáticos tales como China o India. Sin embargo, también toma fuerza otra corriente
que añade a la ecuación de los precios otros elementos de naturaleza financiera y especulativa. En este
sentido, la volatilidad de los precios de las commodities puede ser explicada por los factores que se detallan a
continuación.
En primer lugar, la desestabilización especulativa: con el ingreso de las commodities al mercado financiero
como un activo bursátil que se comercia a valores futuros, se inicia un proceso de especulación que empuja
los precios a la suba, sobre todo en el periodo 2003-2008 (Frankel y Rose, 2009; Du, Yu y Hayes, 2011;
Kauffmann y Ulman, 2009; Kaufmann, 2011). Si consideramos particularmente el factor especulativo, se
remarca la importancia que tendrían los principales índices bursátiles, como el Standar&Poor 500 y el Down
Jones-UBS, entre otros, en la decisión final del inversor especulativo (Manera et al, 2013).
Los inversionistas se interesan en las commodities en base a la información que entregan estos índices sin
considerar que los mismos ponderan en una mayor proporción al sector energético que el no energético (Ke
Tang y Wei Xion, 2010). Como consecuencia de este comportamiento, los precios de las materias primas se
volvieron más correlativos entre sí, y especialmente con el precio del petróleo crudo. Esta es una explicación
alternativa a la correlación de los productos alimentarios y el crudo, además de la influencia que ejerce el
precio del crudo en los biocombustibles. Con respecto a esto último, Nazlioglu y Soytas (2012) encuentran una
fuerte evidencia del efecto del precio del petróleo en los precios de los commodities agrícolas por el impacto
que ejerce en los biocombustibles.
En tercer lugar, la política monetaria en Estados Unidos y en menor medida de la Unión Europea,
representada por la llamada easy monetary policy (Frankel y Rose, 2009), es decir la tendencia a mantener la
tasa de interés real baja incrementando el nivel de liquidez e incentivando a canalizar este dinero circulante a
otros activos diferentes de los tradicionales, siendo las commodities algunos de los más atractivos (Smith,
2009).
Por último, en cuanto a las variables financieras que afectan los precios de los commodities, se
encuentran en valor del dólar, aunque la dirección de causalidad no está muy clara y ha sido ampliamente
debatida, dado que si aprecia el dólar se encarecen los alimentos para el resto del mundo, cae la demanda de
alimentos, por lo que los precios de los alimentos (como los commodities), se ajustan a la baja. En este caso,
Chen et al (2010) muestra el poder predictivo del tipo de cambio en los precios internacionales de los
commodities. Sin embargo, en otros artículos (Ferraro, Rogoff y Rossi, 2012; Basher, Haug y Sadorksy, 2012)
encuentran evidencia empírica de que los tipos de cambio responden a cambios en los precios de los
commodities. De manera concreta, explican como las variaciones en el precio del petróleo afectan el tipo de
cambio.
Asimismo, se citan otra serie de elementos que pueden tener incidencia en la volatilidad de los precios de
los bienes alimentarios, como el clima, inventarios, inflación, crecimiento del ingreso de países emergentes
(Doporto y Michelena, 2011). A través de una regresión econométrica, deducen que algunos de los principales
elementos que pueden influenciar la volatilidad de precios de los productos agrícolas son: la tasa de interés de
Estados Unidos, crecimiento económico acelerado de países emergentes, aspectos climáticos en el Océano
Pacifico, volatilidad inflacionaria en Estados Unidos y menores niveles de inventarios acumulados.

III. Metodología
En este apartado se reseñan algunos modelos que podrían utilizarse para explicar al precio
internacional de la soja. En 1982, Engle fue quien introdujo el Modelo Autorregresivo Condicional
Heterocedastico (ARCH) para estimar un modelo para la inflación del Reino Unido, en función de la inflación
pasada y los salarios reales rezagados un periodo. Luego, este modelo fue generalizado por Bollerslev (1986),
denominado Modelo General Autorregresivo Condicional Heterocedastico (GARCH), quien estima la tasa de
inflación presente en función de la inflación rezagada 1, 2, 3 y 4 periodos.
Otro tipo de modelo muy utilizado, más complejo, son los Vectores Autorregresivos (VAR), que
permiten trabajar con más de una variable endógena, que se determinan simultáneamente.
En este trabajo se utilizará el modelo más sencillo, el GARCH (1,1), de fácil interpretación, para examinar
empíricamente los determinantes del precio internacional de la soja. Este tipo de modelo es muy utilizado en
series económicas-financieras de alta frecuencia como la inflación, rendimientos de acciones, etc., es decir,
datos con frecuencia diaria, semanal, o mensual.
Este tipo de series se caracterizan por tener sus valores actuales condicionados a sucesos que se
produjeron en el pasado, aunque su media condicional, presenta un escaso componente predecible. Por otro
lado, presentan clústers de volatilidad, es decir, periodos de alta volatilidad que tienden a venir seguidos por
otros periodos de baja volatilidad. Esto hace que este tipo de series no puedan ser modeladas por la teoría
clásica de series temporales de Box-Jenkins6, donde las series son generadas por un proceso estocástico
estacionario7.
Con respecto a la media, hay diferentes desarrollos matemáticos centrados en la diferencialidad y en
la existencia o no de raíces unitarias, para lograr obtener una serie con media constante. Sin embargo, el
estudio del análisis de la varianza no constante es un fenómeno menos extendido, y no tener en cuenta esta
dificultad, puede conducir a diversos problemas en la inferencia de los modelos econométricos, que pueden
conducir a conclusiones erróneas o modelos sin sentido. En definitiva, la ventaja de estos modelos está en

6
Los autores Box y Jenkins introdujeron los modelos ARIMA, que es la metodología habitual para trabajar con series de
tiempo y permiten estudiar el comportamiento de una variable aleatoria a través del tiempo, utilizando sólo la información
contenida en la serie histórica de la propia variable. Su desarrollo se puede encontrar en Hamilton (1994).
7
Un proceso estacionario es aquel que presenta media constante, varianza constante y correlación entre dos observaciones
distintas igual a la de otras dos cualquieras separadas por la misma distancia.
considerar la información pasada de la variable y su volatilidad observada como factor altamente explicativo de
su comportamiento presente.
En estos modelos, los residuos se caracterizan por una distribución no Normal, con colas anchas,
aunque simétrica, por lo cual los parámetros se estiman a través del método Quasi-Máximo-Verosimil (QMV).
La heterocedasticidad es detectada investigando la correlación de los residuos al cuadrado, en general, a
través del correlograma y el estadístico Q.
En síntesis, un proceso GARCH(1,1), donde la varianza condicional (𝜎𝑡2 ) depende del primer rezago
de los residuos, y del primer rezago de la varianza, se denota como:

𝑦𝑡 = 𝑥𝑡 𝛽 + 𝜖𝑡 (1)

𝜖𝑡 ~ (0, 𝜎𝑡2 ) (2)

𝜎𝑡2 = 𝛼0 + 𝛼1 𝜖𝑡−1
2 2
+ 𝛼2 𝜎𝑡−1 (3)

IV. Datos y Resultados

Todas las variables utilizadas para estimar el modelo son series de frecuencia mensual,
correspondientes al periodo 1980:01 hasta 2015:12.
En primer lugar, para medir el precio internacional de la soja, se tomó el precio del mercado de
Chicago, publicado en el banco de datos del Fondo Monetario Internacional 8, expresado en dólares por
tonelada.
Con el fin de medir el precio del Petróleo, se tomó el índice que publica también el Fondo Monetario
Internacional, el cual es construido a través de un promedio simple de tres precios: Dated Brent, West Texas
Intermediate y Dubai Fateh.
La Tasa de Interés Efectiva es la tasa de interés de los bonos del tesoro determinada por la Reserva
Federal de Estados Unidos (FED), y proviene de la base de datos de la Reserva Federal de Saint Louis. La
misma es una medida mensual expresada como tasa porcentual. En este caso, esta serie es incluida en el
modelo como una variable proxy determinante del nivel de liquidez producto de la llamada easy monetary
policy (Frankel and Rose, 2009). Esta expresión se refiere a la tendencia de la Reserva Federal (US) a
mantener bajas tasas de interés, sobre todo a partir de 2003, incentivando a los inversores a apostar por
bonos o activos alternativos, como los productos básicos, canalizando así el exceso de liquidez.
Por su parte, el Índice Ponderado de Tipo de Cambio del Dólar es calculado por la FED y publicado
igualmente por la Reserva Federal de Saint Louis. Este índice mide el tipo de cambio ponderado del dólar
norteamericano en función de una canasta de monedas extranjeras de los principales trading partners de US:
Euro, Dólar canadiense, Yen, Libra Esterlina, Franco, Dólar australiano.

8
Chicago Soybean Futures contract (first contract forward) nº2 yellow and par.
 Finalmente, el Índice Estándar and Poor (S&P 500) se descargó desde la página de información
financiera de Yahoo Finance como una proxy para la especulación financiera sobre los productos básicos. Dado
que también se ha sugerido que parte de la evolución de los precios de las commodities se debe a un
componente financiero conocido como el proceso de “financiarización de las commodities” surgido en los
últimos años, relacionaremos el precio de la soja con el valor de esta variable proxy seleccionada para las
cotizaciones bursátiles. Este índice es representativo del mercado bursátil de Estados Unidos, que pondera las
cotizaciones de las principales empresas que cotizan en las Bolsas New York Stock Exchange (NYSE) y National
Association of Securities Dealers Automated Quotation (NASDAQ).

V.I Análisis preliminar de las variables

A continuación, se analiza la evolución de los diferentes determinantes. Los gráficos II y V nos
revelan que la evolución del precio de la Soja tiene similitudes con la variación del Precio del Petróleo y del
Índice S&P 500. Las tres variables muestran una elevada volatilidad durante el período analizado. Distinto
ocurre con la evolución comparativa del Precio de la Soja y la tasa de interés de la FED, la cual al ser una
variable controlada por la autoridad monetaria presenta una variabilidad mucho más moderada. Una
conclusión similar podría convenirse en el caso del Índice de tipo de cambio del dólar, el cual tampoco es tan
volátil como el Precio de la Soja, aunque evidencia más volatilidad que la tasa de interés.

Gráfico II: Precio de la de Soja y Precio del Petróleo. Tasa de variación mensual, periodo 1996-2015

22,00%

12,00%

2,00%

-8,00%

-18,00%

-28,00%
nov-96

sep-97

jul-98

nov-01

sep-02

jul-03

nov-06

sep-07

jul-08

nov-11

sep-12

jul-13
jun-96

oct-99

jun-01

oct-04

jun-06

oct-09

ene-11
jun-11

oct-14
ene-96

ago-00
ene-01

ago-05
ene-06

ago-10

ago-15
feb-98

feb-03

feb-08

feb-13
mar-00

mar-05

mar-10

mar-15
may-14
abr-97

dic-98
may-99

abr-02

dic-03
may-04

abr-07

dic-08
may-09

abr-12

dic-13

Precio_Petroleo Precio_Soja

Fuente: elaboración propia a partir de datos del FMI.

 -25,00%
-20,00%
-15,00%
-5,00%
-10,00%
0,00%
5,00%
10,00%
15,00%
20,00%

-25,00%
-15,00%
15,00%

-5,00%
5,00%

-25,00%
-20,00%
-15,00%
-10,00%
0,00%
5,00%

-5,00%
10,00%
15,00%
20,00%
ene-96
ene-96 ene-96
jun-96
jul-96 jun-96
nov-96
nov-96
ene-97 abr-97
abr-97
jul-97 sep-97
sep-97
ene-98 feb-98
feb-98
jul-98
jul-98 jul-98
dic-98
ene-99 dic-98
may-99
may-99
jul-99 oct-99
oct-99
ene-00 mar-00
mar-00
jul-00 ago-00
ago-00
ene-01 ene-01
ene-01
jun-01 jun-01
jul-01 nov-01
nov-01
ene-02 abr-02
abr-02
jul-02 sep-02 sep-02
ene-03 feb-03 feb-03
jul-03 jul-03
jul-03
dic-03 dic-03
ene-04
may-04 may-04
jul-04 oct-04

S&P_500
oct-04
ene-05 mar-05
Tasa de interes

mar-05
jul-05 ago-05 ago-05
ene-06 ene-06 ene-06
jun-06

Indice Ponderado Tipo de cambio

jun-06

Fuente: elaboración propia a partir de datos del FMI y Yahoo Finance!.

jul-06
nov-06 nov-06
ene-07 abr-07
abr-07

Fuente: elaboración propia a partir de datos del FMI y Reserva de St. Louis.
Fuente: elaboración propia a partir de datos del FMI y Reserva de St. Louis.

jul-07 sep-07 sep-07

ene-08 feb-08 feb-08
jul-08

Precio_Soja
jul-08 jul-08
Precio_Soja

dic-08 dic-08
ene-09
may-09 may-09
jul-09 oct-09
oct-09
ene-10

Precio_Soja
mar-10 mar-10
jul-10 ago-10 ago-10
ene-11 ene-11 ene-11
jul-11 jun-11 jun-11
nov-11 nov-11
ene-12
abr-12 abr-12
jul-12 sep-12 sep-12
ene-13 feb-13 feb-13
jul-13 jul-13 jul-13
ene-14 dic-13 dic-13
may-14 may-14
jul-14
oct-14 oct-14
Gráfico III: Precios de Soja y Tasa de Interés de la FED. Tasa de variación mensual, periodo 1996-2015

ene-15 mar-15 mar-15

Gráfico IV: Precios de la Soja y Tipo de Cambio del Dólar. Tasa de variación mensual, periodo 1996-2015.

jul-15 ago-15 ago-15

Gráfico V: Precio de la Soja y Índice Standar and Poor 500. Tasa de variación mensual, periodo 1996-2015.
Si bien los gráficos pueden darnos algunos indicios sobre la influencia de las variables dependientes en función
del Precio de la Soja, se realizó el análisis de correlación para medir la asociación lineal de cada par de series.
Cabe destacar que la matriz de correlación no evidencia multicolinealidad entre las variables independientes.
Respecto de la asociación lineal de las variables con el precio de la soja podemos ver que se ajusta
mayormente a lo expresado en los antecedentes teóricos. El petróleo y la proxy especulativa tienen una
relación positiva con el precio de la soja y el tipo de cambio una relación negativa. La tasa de interés muestra
por su parte una relación lineal positiva aunque cercana a cero con el precio de la soja, resultado que
contradice la expectativa teórica.

Tabla I: Correlación del Precio de la Soja, Precio del Petróleo, S&P 500, Índice de Tipo de cambio Ponderado y
Tasa Efectiva de Fondos Federales. (Tasas de variación, 1980-2015)

Precio del Tipo de cambio

S&P 500 Tasa de Interés
Petróleo ponderado del Dólar
Precio de la Soja +0.296282 +0.194953 -0.07774 -0.093742
Fuente: Elaboración Propia

Finalmente, todas las series fueron desestacionalizadas a través del método X11 ARIMA Multiplicativo. Para
aproximar las series a las tasas de crecimiento, se utilizan las primeras diferencias del logaritmo. Asimismo,
con estas transformaciones, se logra la estacionariedad en todas las series, es decir, todas las series son I(0).
Este resultado fue confirmado con el Test de Dickey-Fuller Aumentado (DFA), con el fin de detectar raíces
unitarias, en cada una de las series.

V. Resultados

Finalmente, el modelo estimado es el siguiente:

∆𝐿𝑜𝑔(𝑃𝑆𝑜𝑗𝑎𝑡 ) = 𝜃0 + 𝜃1 ∆𝐿𝑜𝑔(𝑇𝐶𝑎𝑚𝑏𝑖𝑜𝑡 ) + 𝜃2 ∆𝐿𝑜𝑔(𝑆𝑃500𝑡 ) + 𝜃3 ∆𝐿𝑜𝑔(𝑃𝑃𝑒𝑡𝑟𝑜𝑙𝑒𝑜𝑡 ) +

(4)
𝜃4 ∆𝐿𝑜𝑔(𝐼𝑛𝑡𝑡−1 ) + 𝜃5 ∆𝐿𝑜𝑔(𝑃𝑆𝑜𝑗𝑎𝑡−1 ) + 𝜀𝑡
𝜖𝑡 ~ (0, 𝜎𝑡2 ) (5)
𝜎𝑡2 = 𝛼0 + 2
𝛼1 𝜖𝑡−1 + 2
𝛼2 𝜎𝑡−1 (6)

Los rezagos del precio de la soja, utilizados como regresoras, se los eligió analizando la función de
autocorrelación y correlación parcial de la serie. Esta última presenta el primer valor fuera del intervalo ±2√𝑇,
indicando que es distinto de cero. El modelo (4) se estimó preliminarmente por el método de mínimos
cuadrados ordinarios y se sometió a prueba la hipótesis de que la varianza del modelo era homocedastica, la
cual fue rechazada. Asimismo, se observó el correlograma de los residuos y los residuos al cuadrado, los
cuales muestran una fuerte correlación. Todos estos análisis confirmaron el modelo GARCH como apropiado.
Los resultados de la estimación son los siguientes:

Tabla II: Resultados

Dependent Variable: DLOGPRECIO
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 08/07/16 Time: 18:32
Sample (adjusted): 1980M03 2015M12
Included observations: 430 after adjustments
Convergence achieved after 38 iterations
Presample variance: backcast (parameter = 0.7)
GARCH = C(7) + C(8)*RESID(-1)^2 + C(9)*GARCH(-1)

Variable Coefficient Std. Error z-Statistic Prob.

C 0.000228 0.002548 0.089625 0.9286

DLOGTCAMBIO -0.636208 0.206136 -3.086345 0.0020
DLOGSP500 0.028776 0.053494 0.537921 0.5906
DLOGPETROLEO 0.054771 0.032876 1.666005 0.0957
DLOGINT(-1) -0.036021 0.020147 -1.787919 0.0738
DLOGPRECIO(-1) 0.269187 0.057639 4.670210 0.0000

Variance Equation

C 0.001245 0.000253 4.927419 0.0000

RESID(-1)^2 0.309047 0.053322 5.795835 0.0000
GARCH(-1) 0.226807 0.120917 1.875725 0.0607

R-squared 0.129260 Mean dependent var 0.000727

Adjusted R-squared 0.118874 S.D. dependent var 0.053140
S.E. of regression 0.050164 Akaike info criterion -3.188122
Sum squared resid 1.066949 Schwarz criterion -3.103066
Log likelihood 694.4463 Hannan-Quinn criter. -3.154536
Durbin-Watson stat 2.080721

Según se puede observar en la Tabla II, el precio del dólar (DLOGTCAMBIO) es altamente
significativa, y tiene el signo esperado, indicando que una depreciación del dólar, conduce a un incremento del
precio de la soja; la tasa de interés de la FED (DLOGINT) está rezagada un período, y tiene el signo esperado,
negativo, y significativa al 7%. Por último, el precio del Petróleo (DLOGPETROLEO), también tiene el signo
correcto y es significativa al 9%. Como las variables están expresadas en diferencia de los logaritmos, los
coeficientes estimados indican la elasticidad del precio de la soja ante variaciones en estas variables. Según
las estimaciones presentadas, el precio del dólar es la variable más importante en explicar el precio de la soja;
una depreciación del dólar en términos del resto de monedas del 1%, aumenta el precio internacional de la
soja en 0,63%. Asimismo, un incremento del precio del petróleo, aumenta el precio internacional de la soja en
un 0.054%. Por último, la elasticidad de la inflación con respecto al a la tasa de interés de la FED, rezagada un
período, es del -0.03 o sea que el precio de la soja es elástico respecto al valor del dólar. El índice bursátil
S&P500 (DLOGSP500) no se encontró significativo.
 Cabe mencionar que la performance del modelo en general no es muy alta, ya que la ecuación
estimada, para la media del precio de la soja, explica aproximadamente el 12% de la variabilidad según el R2
ajustado. El análisis de los residuos y de los residuos al cuadrado, no muestran ningún tipo de correlación.
Finalmente, en la ecuación de la varianza, los dos parámetros estimados son significativos, aunque el
parámetro GARCH es significativo al 6%, y la suma de ambos es inferior a uno9. Estos resultados evidencian la
adecuación del modelo estimado.

V. Conclusiones
En este trabajo se examinaron las posibles determinantes del precio internacional de la soja, con el
fin de medir la influencia de factores financieros internacionales asociados.
Para ello se estimó un modelo GARCH(1,1), trabajando con fuentes de datos públicas. La evidencia obtenida
es consistente con la hipótesis de que el precio del dólar, el precio del petróleo y la tasa de interés
internacional, afectan al precio de la soja, aunque no se encontró significativa la variable proxy que intenta
medir la especulación, el índice de inversión S&P500.
Para realizar estudios más profundos, sería conveniente trabajar con otras metodologías
multivariante, y relacionar el precio tanto de commodities no energéticas con commodities energéticas.
Estos resultados son de suma importancia para el mejor diseño e implementación de la política
económica del país, en su propósito de lograr los objetivos esenciales de estabilidad interna, y crecimiento
económico, en un marco de un modelo extractivista con un alto grado de dependencia en la exportación de
soja.

VI. Bibliografía

Basher, S. A., Haug, A. A., y Sadorsky, P. (2012). Oil prices, exchange rates and emerging stock markets.
Energy economics, 34(1), 227-240.
Bollerslev, T. (1986). “Generalized Autorregresive Conditional Heterocedasticity”. Journal of Econometrics, 31,
307 -327.
Borenztein, E. y Reinhart, C (1994). “The Macroeconomic determinants of Commodity Prices”. Fondo
Monetario Internacional, Junio. Staff Paper Vol 41 Nº2.
Centro de Estudios Internacionales (2011). Mecanismos especulativos en la comercialización de materias
primas y su influencia sobre la volatilidad de los precios de las mismas. Número 25, disponible en
http://www.cei.gob.ar/userfiles/CEI%20NOTA%2025.pdf
Chen, Yu-Chin, Kenneth S. Rogoff y Barbara Rossi (2010). Can Exchange rate forecast commodity prices?
Quaterly Journal of Economics 125 (3), 1145-1194.
Domínguez A. y Orsini G. (2013). Tramas Agroalimentarias, evolución y problemas en un contexto de crisis
global. Dictum Ediciones, Paraná.

9
Esta es una condición necesaria para garantizar la estacionariedad del modelo
Doporto, I. y Michelena, G. (2011). “La volatilidad de los Precios de las Commodities: el caso de los productos
agrícolas”. CEI Buenos Aires, Mayo. 27-46.
Du, X., Yu, C. L., y Hayes, D. J. (2011). Speculation and volatility spillover in the crude oil and agricultural
commodity markets: A Bayesian analysis. Energy Economics, 33 (3), 497-503.
Dwyer, A., Gardner, G. y Williams, T. (2011). “Global Commodity Markets – Price Volatility and
Financialization”. Reserve of Australian Bank Bulletin. June, 49-57.
Enders, W. (1995). Applied Econometric Time Series. Wiley, New York.
Engle, R.F. (1982). “Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of United
Kingdom Inflation”. Econométrica 50, 987-1008.
Ferraro, D., Rogoff, K. S., y Rossi, B. (2012). Can oil prices forecast exchange rates?. National Bureau of
Economic Research Nº w17998.
Frankel, J. y Rose, A. (2009). “Determinants of Agricultural and Mineral Commodity Prices”. Proceedings of a
Conference, RBA Sydney, 9-43.
Hamilton, J. (1994). Analysis Time Series. Princeton University Press, Princeton.
Kaufmann, R. K. (2011). The role of market fundamentals and speculation in recent price changes for crude
oil. Energy Policy, 39 (1), 105-115.
Kaufmann, R. K. y Ullman, B. (2009). Oil prices, speculation, and fundamentals: Interpreting causal relations
among spot and futures prices. Energy Economics, 31(4), 550-558.
Manera, M., Nicolini, M., y Vignati, I. (2013). Financial speculation in energy and agriculture futures markets: A
multivariate GARCH approach. The energy Journal, 34(3), 55-81.
Medina Rey, José María y Cascante, Kattya (2011). Especulación financiera y crisis alimentaria. Campaña
‘Derecho a la alimentación. Urgente’. Madrid: Ayuda en Acción, Cáritas Española, Ongawa y Prosalus.
Miotti Luis E. (2013). La gran crisis del 2008…o la inestabilidad intrínseca de la globalización financiera. En
Domínguez N. y Orsini G. (Comps.). Tramas Agroalimentarias, Evolución y problemas en un contexto de crisis
global. Dictum Ediciones, Paraná.
Naccache, T. (2010). Slow oil shocks and the “weakening of the oil price-macroeconomy relationship”. Energy
Policy, 38 (5), 2340-2345.
Nazlioglu, S., y Soytas, U. (2012). Oil price, agricultual commodity prices, and the dollar: A panel cointegration
and causality analysis. Energy Economics, 34(4), 1098-1104.
Sevares Julio (2005). El imperio de las finanzas Bienvenidos al casino global. Realidad Económica Nº 215.
Tang, T. y Xiong, W. (2010). “Index Investement and Financialization of Commodities”. NBER Working Paper
Nº 16385.