I prezzi delle commodity si muovono davvero insieme? E, soprattutto, perché?

I prezzi delle commodity si muovono davvero insieme? E, soprattutto, perché?
a Università Politecnica delle Marche (UNIVPM), Dipartimento di Scienze Economiche e Sociali

Introduzione: il crescente interesse per il mercato delle commodity

Negli ultimi due decenni si è registrato un crescente interesse degli economisti per l’analisi dei mercati delle commodity. La principale ragione di questo rinnovato interesse è la forte similitudine nei loro andamenti, anche quando si tratta di commodity apparentemente distanti sia nella produzione che nel consumo. L’effettiva esistenza di un movimento comune (co-movimento) di tutti questi prezzi e, soprattutto, le cause sottostanti di tale co-movimento costituiscono le domande principali a cui gli analisti cercano di dare risposta. Sebbene un’intera letteratura, peraltro in continua evoluzione, dedicata a questi temi non possa essere sintetizzata in queste poche pagine, l’obiettivo di questo contributo è verificare esistenza e natura di questo movimento comune dei prezzi delle commodity, per poi discutere le principali sfide metodologiche che queste pongono nonché le possibili interpretazioni e implicazioni di policy.
In breve, l’apparente interdipendenza tra i mercati delle varie commodity può originarsi da due meccanismi. Da un lato, possono sussistere legami di causazione giacché i fondamentali di mercato (domanda e offerta) di alcune commodity dipendono dai fondamentali delle altre. I cambiamenti in questi ultimi, quindi, si trasmettono ai primi. Il caso classico è quello delle commodity che fungono da materie prime di altri processi produttivi, per esempio le commodity energetiche come greggio e gas naturale il cui prezzo si riflette inevitabilmente nei costi di produzione dei processi che li usano (per esempio, quelli di commodity agricole quali frumento, mais, carne bovina). Altro esempio è la trasmissione dei prezzi di commodity agricole che costituiscono la base dell’alimentazione animale (per esempio, soia e mais) ai prezzi degli stessi prodotti animali (carne bovina e suina). Ma la causazione tra commodity si può registrare anche dal lato della domanda, soprattutto con riferimento a beni in qualche modo simili. Alcune commodity, infatti, possono essere dei possibili sostituti nei processi produttivi: la maggiore domanda di una determina la minore dell’altra1. Sempre in linea teorica, alcune commodity potrebbero essere piuttosto legate da un rapporto di complementarietà, laddove la maggiore domanda di una determina la maggiore domanda anche dell’altra2.  
D’altro canto, però, ciò che sembra essere interdipendenza tra mercati delle commodity può essere non tanto dovuta a qualche rapporto di causazione quanto piuttosto al fatto che condividono gli stessi fondamentali. Sebbene i meccanismi di domanda e offerta possano essere molto specifici e profondamente diversi tra loro (si pensi al greggio rispetto al frumento), è altresì vero che domanda e offerta possono anche seguire traiettorie sostanzialmente simili proprio in virtù di fondamentali che sono di fatto comuni. Pertanto, anche gli squilibri di mercato che nel breve e nel lungo periodo generano nei mercati rilevanti variazioni di prezzo tendono ad essere essi stessi generalizzati (Gilbert, 1995)
Tre sono i principali fondamentali comuni che vengono chiamati in causa (Kim, 2015). Il primo concerne il fenomeno che va sotto il nome di finanziarizzazione di questi mercati, laddove una crescente quantità di operatori (quindi una crescente quota di transazioni) è mossa da motivazioni speculative cioè dalla ricerca di massimi rendimenti nel breve o brevissimo termine e non dall’effettivo utilizzo di questi prodotti (Ohashi and Okimoto, 2016). Il secondo fondamentale comune concerne, invece, il lungo termine ed è la crescita generalizzata della domanda di tutte queste commodity dovuta al generale aumento degli utilizzi generata dalla concomitante crescita economica e demografica (Geman, 2005; Grantham, 2011). Un ultimo fondamentale comune, anch’esso di lungo periodo, si colloca invece dal lato dell’offerta. Sebbene la produzione di tali commodity si debba a settori molto diversi e guidati da operatori in larga parte indipendenti, si tratta comunque di processi tutti condizionati da risorse naturali assolutamente scarse, pertanto da esse limitati. In tutti questi comparti la crescita della produzione nel lungo termine può essere guidata solo dalla crescita della produttività dei fattori, ma tale crescita di produttività, proprio per la presenza di fattori naturali limitanti, tende ad affievolirsi sempre di più determinando le condizioni per un’offerta tendenzialmente stagnante.
Nei prossimi paragrafi si analizzerà il comportamento delle serie di prezzo di alcune commodity alla ricerca dell’evidenza empirica relativa al loro co-movimento e all’esistenza e alla natura di un’effettiva interdipendenza piuttosto che alla presenza di un sottostante fattore comune.

Dati, metodi e principali regolarità dei prezzi delle commodity

I dati qui utilizzati sono le serie mensili dei prezzi delle commodity riportate nella banca dati del Fondo Monetario Internazionale (Imf Primary commodity price database). Le serie sono espresse in prezzi correnti e in dollari Usa. La bancadati contiene i prezzi di oltre 50 commodity, ma qui verranno considerati alcuni prodotti particolarmente significativi o esemplari con particolare attenzione ai prodotti agricoli e al loro legame con le commodity energetiche e minerali. L’analisi procede verificando, in sequenza, le proprietà stocastiche delle singole serie e, successivamente, le proprietà comuni. In particolare, interessa verificare se le singole serie siano stazionarie o meno e se mostrino una varianza che cambia nel tempo (eteroschedasticità condizionata). In caso di serie non-stazionarie e con eteroschedasticità, l’analisi multivariata verifica se sussiste un movimento comune delle serie sia nei livelli che nelle varianze e, mediante una batteria di test statistici, verifica la natura di questo movimento comune in termini di rapporti di causazione.
Nel corso degli anni e dei numerosi studi condotti sui mercati delle commodity, alcune regolarità empiriche sono emerse circa le proprietà stocastiche delle relative serie di prezzo3. Una prima regolarità classicamente messa in evidenza è il fatto che esse tendono ad essere mean-reverting series: poiché questi mercati sono caratterizzati da una domanda stabile e risultano fortemente vincolati, dal lato dell’offerta, da qualche fattore naturale limitante, nel medio-lungo termine il prezzo di mercato tenderà a tornare verso il livello di equilibrio tra domanda e offerta. La conseguenza di tale caratteristica, in termini statistici, consiste nel fatto che queste serie dovrebbe essere stazionarie (o integrate di ordine 0, I(0)) (Schwartz, 1997; Routledge et al., 2000; Bobenrieth et al., 2014;). In realtà, tuttavia, i diversi test statistici di radice unitaria tendono concordemente, e per gran parte delle commodity, ad accettare il fatto che queste serie risultano piuttosto non-stazionarie, o I(1).
Tale apparente contraddizione ha di fatto due distinte spiegazioni. Da un lato, anche accettando che per questi prezzi esista un valore di lungo periodo relativamente stabile a cui tendono, rimane vero che nel breve termine queste serie mostrano una forte e lunga correlazione seriale. I valori in un certo istante di tempo sono fortemente condizionati dai prezzi del tempo precedente, quindi anche shock temporanei determinano effetti che tendono a persistere a lungo4. Per tale motivo, visto che i test di radice unitaria sono spesso connotati da bassa potenza, si tende ad attribuire a queste serie le proprietà stocastiche delle serie I(1). Una seconda spiegazione della coesistenza di mean reversion  e la non-stazionarietà delle serie risiede nel fatto che questo livello di lungo periodo verso cui i prezzi tendono non è in realtà costante ma si muove, a sua volta, nel tempo e tale movimento assume le caratteristiche di un processo stocastico I(1). Questo comportamento sarebbe proprio la conseguenza del fatto che i fondamentali di questi mercati sono suscettibili a mutamenti permanenti nel lungo periodo, sia dal lato dell’offerta (in primo luogo innovazioni tecnologiche, ma anche altri shock produttivi permanenti quali cambiamenti climatici) sia dal lato della domanda (cambiamento dei gusti dei consumatori nonché permanente crescita della domanda dovuta a crescita economica e demografica).
La concomitanza di queste due spiegazioni genera alcune altre caratteristiche tipiche di queste serie. In primo luogo, la ricorrenza di “spikes, runs and bubbles“ cioè di periodi anche relativamente brevi (di solito alcuni mesi) in cui i prezzi salgono (o scendono) in maniera molto rapida raggiungendo spesso livelli record. In secondo luogo, talora i livelli raggiunti da queste “corse” verso l’alto o il basso diventano permanenti, cioè assumono le caratteristiche di vari e propri jumps o breaks strutturali (Brooks e Prokopczuk, 2013). In termini di proprietà stocastiche, tale comportamento risulta dunque compatibile con serie fortemente autoregressive ma stazionarie intorno a trend stocastici o, comunque, a valori soggetti a periodici “salti” permanenti.
C’è un ulteriore aspetto che è emerso soprattutto nell’ultimo decennio e che sembra caratterizzarsi come un’altra regolarità di questi mercati. Si tratta del fatto che tali proprietà stocastiche non riguardano solo i livelli dei prezzi ma anche la loro volatilità. Anche quest’ultima (in linea di massima misurabile con la deviazione standard delle serie) tende a rimanere stabile per lunghi periodi salvo poi mostrare “salti” verso livelli sensibilmente superiori (o inferiori). La formazione di questi periodi di diversa volatilità (volatility clusters) a sua volta si caratterizza per un aspetto interessante. I “salti” dei livelli e delle volatilità di prezzo tendono ad essere simultanei e, quindi, sembrano essere espressione di uno stesso fenomeno o di medesime cause o sembrano concausarsi: quando i livelli dei prezzi “saltano” verso l’alto, anche la loro volatilità balza a livelli superiori (Brooks e Prokopczuk, 2009).  

Alcune evidenze empiriche

Al fine di mostrare tali caratteristiche delle serie, in figura 1 viene riportato l’andamento del prezzo mondiale mensile del frumento (in US$ per tonnellata) dal 1980 a metà 2016, nonché i valori medi e i rispettivi intervalli di confidenza nelle tre finestre temporali 1980-1994, 1995-2004, 2005-2016. Ciò che interessa mettere in evidenza è proprio che nell’ultimo decennio (a partire da metà 2005) si è registrato un sensibile innalzamento del valore medio del prezzo rimasto sostanzialmente inalterato nei decenni precedenti. Ma anche la volatilità (come indicato dalla deviazione standard) è sensibilmente aumentata già negli anni ’90 ma soprattutto nell’ultimo decennio.

Figura 1 – Andamento del prezzo mondiale mensile del frumento (in US$ per tonnellata) dal gennaio 1980 all’aprile 2016 per sottoperiodi (1980m1-1994m12; 1995m1-2004m12; 2005m1-2016m4)

Fonte: Imf

Il mercato mondiale del frumento, cioè, è rimasto abbastanza stabile nei primi 25 anni qui considerati. Sebbene con ricorrenti picchi verso l’alto o cadute in basso, è abbastanza visibile l’”ancoraggio” di questi andamenti di breve termine ad un valore tendenziale di lungo termine sostanzialmente costante. Nell’ultimo decennio, però i movimenti del prezzo del frumento, da un lato, sembrano essersi assestati intorno ad un valore medio di lungo termine più elevato (oltre il 50% superiore ai decenni precedenti). Il livello medio nell’ultimo periodo risulta superiore, per entrambi i periodi precedenti, alla banda di confidenza costruita intorno alla media aggiungendo il doppio della deviazione standard. Se si assume una distribuzione normale, ciò implica che tale banda di confidenza contiene il 95% delle osservazioni estratte da quella distribuzione. Pertanto, ciò è una indiretta evidenza del fatto che tale distribuzione sia cambiata proprio nell’ultimo decennio (Grantham, 2011).
Il dato più interessante, almeno in questa sede, emerge ripetendo tale rappresentazione per altre commodity, siano esse agricole (sebbene con caratteristiche produttive e usi differenti dal frumento, quali soia e carne bovina) che di altra natura, in particolare di ambito energetico (petrolio e carbone) e minerale (allumino e rame). In primo luogo, in figura 2 vengono simultaneamente riportati i 7 prezzi fissando ad 1 il rispettivo valore iniziale (cioè a gennaio 1980)5. Pure con differenze marcate, le serie sembrano mostrare alcune tendenze comuni quali il forte aumento della variabilità nell’ultimo decennio e il tendenziale collocarsi su livelli medi superiori in quest’ultimo periodo.

Figura 2 – Andamento del prezzo mondiale mensile delle 7 commodity considerate (1980m1=1)

Fonte: Imf

Ma per meglio apprezzare i punti in comune tra queste serie di commodity per altri aspetti assai diverse, la figura 3 riporta i rispettivi grafici che ripetono l’analisi condotta per il frumento, con il calcolo dei valori medi e dei rispettivi intervalli di confidenza nelle tre finestre temporali 1980-1994, 1995-2004, 2005-2016. Per tutti i prodotti, vale quanto già osservato per il fumento: il valore medio di lungo periodo significativamente aumenta nell’ultimo decennio ma aumenta anche la volatilità, al punto che rispetto agli intervalli di confidenza dei periodi precedenti il più recente valore medio risulta assolutamente anomalo.

Figura 3 – Andamento del prezzo mondiale mensile di 6 commodity dal gennaio 1980 all’aprile 2016 per sottoperiodi (1980m1-1994m12; 1995m1-2004m12; 2005m1-2016m4)

Minerali (US$ per tonnellata)

Energia (Petrolio: US$ per barile; Carbone: US$ per tonnellata)

Altri prodotti agricoli (Soia: US$ per tonnellata; Carne bovina: centesimi di US$ per libbra)

Fonte: Imf

Le possibili cause del co-movimento nei livelli e del volatility spillover

Dall’analisi precedente emerge con chiarezza che prezzi di commodity anche molto diverse mostrano un comportamento simile. Data questa similitudine, è possibile dunque affermare che i prezzi si muovono insieme. Tuttavia, il fatto che si osservi questo co-movimento non implica necessariamente che i prezzi siano interdipendenti, cioè vi sia tra loro un rapporto di causazione reciproca. Infatti, come già accennato, due possono essere le cause del co-movimento di lungo periodo. Da un lato, si può ritenere che una o poche di queste commodity fungano mercati-chiave cioè da driver di tutti gli altri mercati poiché i suoi prezzi si riflettono sui costi di produzione, quindi sui prezzi, delle altre commodity6. Ma evidentemente tale trasmissione non può valere per le commodity non connesse da relazioni di filiera (petrolio piuttosto che rame). In sostanza, l’unica commodity che può essere ragionevolmente candidata a motore fondamentale di tutti gli altri mercati è il petrolio, giacché il suo prezzo si riflette, direttamente o indirettamente, su tutti i costi di produzione quindi su tutti i prezzi. Secondo questa interpretazione, ciò che accade al mercato e al prezzo del petrolio si trasmette agli altri mercati sia come comportamento di breve che di lungo periodo.
D’altro canto, si può invece ritenere che questi mercati si muovano insieme perché guidati da uno o più driver esterni (Baffes e Haniotis, 2016). Pertanto, la loro interdipendenza è solo apparente o forse valida solo nel breve termine. Nel lungo periodo, tendono ad assumere andamenti simili non perché dipendono l’uno dall’altro ma perché rispondono tutti ad uno stesso “motore” esogeno, non direttamente osservabile in nessuno di questi mercati ma incombente su tutti. Una possibile interpretazione è che tale fattore comune altro non sia che la generalizzata percezione di scarsità/abbondanza (Grantham, 2011) o di market imbalance (Gilbert, 1995) a livello globale. Si tratta della percezione di scarsità dettata dalla crescente pressione dal lato della domanda e dalla naturalmente vincolata, e pertanto inadeguata, crescita dal lato dell’offerta.
Onde verificare quali di queste due spiegazioni reali abbia maggiore fondamento e per semplificare il quadro, limitiamo l’attenzione a sole 3 delle 7 commodity fin qui rappresentate, cioè frumento, rame e petrolio, in rappresentanza di tipologie di produzione e uso profondamente diverse. La tabella 1 riporta i risultati su alcuni test relativi a queste commodity. Per quanto riguarda i test univariati, si evidenzia che, anche ammettendo che seguano un trend deterministico, tutte le serie di prezzo risultano non-stazionarie, quindi I(1), e mostrano effetti Arch7, quindi varianza non costante. In sostanza, se vi è mean reversion, questo stesso livello medio di lungo termine si comporta come una serie I(1), ed è confermato il fatto che la volatilità varia nel tempo e tende a formare volatility cluster.

Tabella 1 – Test univariati e multivariati sulle serie di prezzo delle 3 commodity

a Test di radice unitaria Augmented Dickey Fuller (Adf) con 12 ritardi e trend deterministico
b Test di Lagrange Multiplier (LM) Engle's per la presenza di effetti Arch (volatilità dipendente dal tempo, quindi non costante) nelle serie di prezzo
c Test della Traccia per determinare il rango, quindi il numero di relazioni di cointegrazione, in un modello Vecm con 6 ritardi e trend deterministico nel vettore di cointegrazione
d Modello Dcc-Mgarch (1,1)
***Statisticamente significativo al 5%
Fonte: Elaborazione dell'autore

I test multivariati indicano che questi tre prezzi sono tra di loro cointegrati. Quindi, le relative serie si muovono insieme nel lungo periodo secondo una relazione identificata, appunto, dal vettore di cointegrazione. La stima di un conseguente modello Vecm8 e i successivi test di causalità secondo Granger di breve periodo, tuttavia, non indicano chiare direzioni di causazione. Si conferma, quindi, il co-movimento dei prezzi di frumento, rame e petrolio ma non vi è supporto alla prima delle ipotesi sopra avanzate giacché non vi è alcuna evidenza che a guidare tale movimento comune sia proprio quest’ultimo. Alla luce dei parametri di aggiustamento stimati, è piuttosto il rame che si comporta come prezzo esogeno, quindi potenzialmente come driver degli altri prezzi. Il vettore di cointegrazione, però, indica che la relazione di lungo periodo tra rame e le altre due commodity è inversa, si muovono cioè insieme ma in direzioni opposte. Nella risposta di breve agli shock, invece, l’unica indipendenza che emerge è quella del frumento rispetto al petrolio, giacché in tutte le altre relazioni bilaterali viene confermata una causazione diretta. 
Per quanto riguarda la volatilità emerge altresì qualche evidenza a favore della presenza di volatility spillovers ma anche in questo caso non facilmente interpretabile. La stima di un modello Dcc-Mgarch9 indica che le volatilità delle 3 serie non solo variano nel tempo, ma variano insieme almeno per quanto riguarda petrolio e rame, mentre questa trasmissione di volatilità non sembra confermata tra frumento e le altre due commodity. La stima dei parametri di aggiustamento, peraltro, conferma che non solo vi è interdipendenza delle volatilità ma che questa interdipendenza cambia nel tempo.
In sintesi, se si passa da una semplice ispezione delle serie e da alcune statistiche descrittive a verifiche più sofisticate, si conferma che i prezzi delle commodity si muovono insieme sia nel breve che nel lungo periodo, sia nei livelli che nelle volatilità. Ma risulta molto arduo concludere che tale co-movimento sia espressione di una reale interdipendenza e, soprattutto, individuare quale sia il fondamento economico di tale interdipendenza. Non sembra esista un unico prezzo che funga da driver degli altri e che, quindi, risulti essere la causa prima dei movimenti che si osservano in tutti gli altri. La dipendenza reciproca tra i prezzi, cioè, non è univoca quando si passa dal breve al lungo termine o dai rapporti nei livelli a quelli nella volatilità.

L’ipotesi del fattore “scarsità”

Una possibile interpretazione di questi risultati contradditori è che, semplicemente, questi mercati e prezzi si muovono in sostanziale autonomia e ciò che li tiene insieme non è una relazione diretta tra loro ma una comune dipendenza da uno o più fattori esterni non facilmente o direttamente osservabili, ma ciò non di meno vero motore della dinamica di questi prezzi. La verifica empirica di questa seconda ipotesi è la principale sfida che gli studiosi sembrano avere di fronte. Non tanto in virtù delle difficoltà econometriche dovute al fatto che questo “motore” comune ed esogeno si comporta come una variabile latente, cioè non è direttamente osservabile. La sfida maggiore è piuttosto comprendere quale sia la natura economica di questo “motore” e, di conseguenza, quali le implicazioni delle dinamiche di prezzo osservate nell’ultimo decennio.
Si può certamente ipotizzare che sia espressione dell’evoluzione di variabili macroeconomiche che tipicamente condizionano il comportamento dei mercati finanziari sia nel breve che nel lungo termine e in particolare il tasso di interesse (Arango et al., 2012). In tal caso, la principale implicazione di policy concerne il ruolo che la politica monetaria verrebbe ad esercitare nel condizionare, indirettamente, anche i prezzi di questi beni e tutte le filiere ad essi collegati. Ma l’ipotesi più interessante è quella secondo cui il driver comune di tutti questi prezzi è il ricorrente e generalizzato squilibrio di mercato determinato da fattori fondamentali come i già citati tassi di crescita economica e demografica a livello mondiale o di alcune macro-aree (Cina e India, in particolare), da una parte, ed il rallentamento della crescita dell’offerta se non la sua stagnazione. Una sorta di generalizzato fattore di “scarsità” con rilevanti implicazioni in termini di policy. Da un lato, un tale fattore costituisce un importante fonte di instabilità macroeconomica laddove periodi di forte crescita si riflettano pesantemente sui costi e i prezzi di beni di consumo e, quindi, sui tassi di inflazione. Più nel lungo periodo, esso evidenzia la priorità e l’urgenza di politiche che sappiamo rilanciare la crescita della produttività dal lato dell’offerta e stimolare l’introduzione di valide alternative a questi beni dal lato della domanda. 
Rimane il problema che, sebbene alcune variabili possano essere considerate valide proxy di questo fattore “scarsità”, nessuna lo rappresenta per intero. L’identificazione e la stima di un tale fattore è compito complesso dal punto di vista metodologico e computazionale. Si tratta di specificare un modello che, all’interno dell’interdipendenza dei prezzi osservati delle commodity, includa l’azione di una o più variabili latenti sia sui livelli che sulle varianze (volatilità). Tali fattori comuni non solo “guidano” il comportamento comune dei prezzi nel tempo ma ne determinano anche le proprietà stocastiche. Lo stesso rapporto di cointegrazione tra i prezzi può essere pertanto interpretato come conseguenza di tale azione.
Un modello Favar10-Mgarch può essere una valida soluzione ma la molteplicità di parametri da stimare può rendere la stima particolarmente complessa e talora impraticabile. Alcuni primi tentativi in questa direzione (Esposti, 2016) dimostrerebbero che un tale driver latente non solo sussiste ma conferma un tendenziale e generalizzato movimento al rialzo dei prezzi nel lungo periodo. Si tratta di una conclusione di grande portata, giacché indicherebbe un cambiamento di scenario epocale: dopo un lungo periodo di abbondanza, e conseguenti prezzi tendenzialmente stabili o in leggero calo, si è ora entrati in una nuova era di scarsità che si manifesta, allo stesso tempo, con una pressione verso l’alto nei livelli di lungo termine e con un’accresciuta volatilità degli stessi nel breve (Grantham, 2011; Esposti, 2016). Proprio la rilevanza di una tale conclusione suggerisce ovviamente prudenza. Altre e più approfondite verifiche empiriche sono necessarie, al pari di un loro continuo aggiornamento alla luce della disponibilità di nuovi dati e del movimento dei mercati stessi.

Riferimenti bibliografici

  • Arango L.E., Arias F., Florez A. (2012), Determinants of commodity prices. Applied Economics 44(2): 135-145

  • Baffes J., Haniotis T. (2016), What explains agricultural price movements?, Journal of Agricultural Economics 67(3): 706–721

  • Bobenrieth E. S. A., Bobenrieth R. A., Wright B. D. (2014), Bubble Troubles? Rational Storage, Mean Reversion, and Runs in Commodity Prices. In: Chavas J-P., Hummels D., Wright B.D. (eds.) The Economics of Food Price Volatility. University of Chicago Press, Chicago

  • Brooks C., Prokopczuk M. (2013), The Dynamics of Commodity Prices. Quantitative Finance 13(4): 527-542

  • Esposti R. (2016) Are the days of abundance over? Evidence from long-term agricultural commodity prices. Paper presented at the 5th Aieaa Conference, “The changing role of regulation in the bio-based economy”, 16-17 June, Bologna

  • Geman H. (2005), Energy Commodity Prices: Is mean-Reversion Dead? The Journal of Alternative Investments 8(2): 31-45

  • Gilbert C. l. (1995), Modelling market fundamentals: a model of aluminum market. Journal of Applied Econometrics 10: 385-410

  • Grantham J. (2011), Time to Wake Up: Days of Abundant Resources and Falling Prices Are Over Forever. Gmo Quarterly Letter, April, Boston

  • Kim A. (2015), Does Futures Speculation Destabilize Commodity market? Journal of Futures Markets 35(8): 696-714

  • Ohashi K., Okimoto T. (2016), Increasing Trends in the Excess Comovement of Commodity Prices. Cama Working Paper 9/2016, Crawford School of Public Policy, Australian National University, Acton

  • Oldani C. (2012), Derivati ed energia: la gestione dei nuovi rischi globali. Franco Angeli, Milano

  • Routledge B.R., Seppi D.J., Spatt C.S. (2000), Equlibrium Forward Cruves for Commodities. The Journal of Finance LV(3): 1297-1338

  • Schwartz E.S. (1997), The Stochastic Behavior of Commodity Prices: Implications for Valuation and Hedging. The Journal of Finance 52(3): 923-973

  • 1. Si pensi al fatto che, almeno in linea teorica, un processo produttivo industriale può sostituire una fonte energetica (gasolio) con un’altra (gas naturale), così come la produzione zootecnica può sostituire un componente della dieta (mais) con un altro (soia).
  • 2. Per esempio, nei processi produttivi agricoli intensivi di capitale l’uso di energia e di fertilizzanti minerali tende a muoversi di conserva e, di conseguenza, anche i mercati delle relative commodity ne risultano condizionati.
  • 3. Tali proprietà riguardano gli spot price ma si riversano poi anche sul mercato e i prezzi dei contratti future e, più in generale, degli strumenti finanziari derivati (Oldani, 2012), sebbene in questa sede ci si concentrerà solo sui primi.
  • 4. In parte, tale lunga memoria è determinata dalla presenza di effetti ciclici e stagionalità che inevitabilmente concernono soprattutto le commodity agricole. 
  • 5. Sebbene in numerose analisi i prezzi vengano deflazionati prima di condurre l’analisi in modo da poter investigare la loro evoluzione di termini di valori “reali”, qui si preferisce condurre l’analisi sulle serie dei prezzi tal quali, o nominali, anche per l’oggettiva difficoltà nell’individuare opportuni deflatori per prezzi internazionali come quelli qui considerati.
  • 6. Tra le commodity agricole tale meccanismo può essere chiamato in causa nell’ambito delle relazioni che sussistono lungo le filiere. Per esempio, la crescita del prezzo di soia e mais inevitabilmente si riflette sui prezzi delle carni, per es. la carne bovina.
  • 7. AutoRegressive Conditional Heteroskedasticity.
  • 8. Vector Error Correction Model.
  • 9. Dynamic Conditional Correlation Multivariate Generalized AutoRegressive Conditional Heteroskedasticity.
  • 10. Factor Augmented Vector AutoRegressive.
Tematiche: 
Rubrica: