As relações destas variáveis na precificação teórica do ouro no mundo 01

 

As relações destas variáveis na precificação teórica do ouro no mundo

Cálculo geral: como estimar, a partir de dados, as relações entre as variáveis e o preço teórico do ouro no mundo. Abaixo está um “roteiro de modelagem” enxuto e robusto, do zero ao resultado prático.

1) Variáveis e sinais esperados

Use frequência mensal (pelo menos 10 anos).

• Preço do ouro (dependente): $P_t$ em USD/oz (e teste também $\ln P_t$).

• Taxa real EUA (10y breakeven): $r^{real}_t$ → sinal esperado: negativo.

• Dólar (DXY): $DXY_t$ (ou $\ln DXY_t$) → sinal: negativo.

• Inflação esperada (5y5y ou breakeven): $\pi^{exp}_t$ → sinal: positivo.

• Custo de mineração (AISC), proxy global: $AISC_t$ → sinal: positivo.

• Compras de Bancos Centrais (t/mês ou média móvel): $CB_t$ → sinal: positivo.

• Risco geopolítico (índice GPR): $GPR_t$ → sinal: positivo.

2) Especificação “longa” (elasticidades)

Modelo log-linear (interpretação direta em elasticidades):

$$\ln P_t \;=\; \alpha \;+\; \beta_1\,r^{real}_t \;+\; \beta_2\,\ln DXY_t \;+\; \beta_3\,\pi^{exp}_t \;+\; \beta_4\,AISC_t \;+\; \beta_5\,CB_t \;+\; \beta_6\,GPR_t \;+\; \varepsilon_t$$

Sinais esperados: $\beta_1<0,\ \beta_2<0,\ \beta_{3,4,5,6}>0$.

Leitura rápida: se $\beta_2=-1{,}0$, +1% no DXY ≈ −1% no ouro (ceteris paribus).

3) Boas práticas antes de estimar

• Estacionaridade: aplique ADF/PP. Ouro e DXY costumam ser I(1).

• Cointegração: se $\ln P_t$ e o bloco macro forem I(1), teste Johansen. Se cointegrar, use VECM (corrige “equilíbrio de longo prazo” + dinâmica de curto prazo).

• Multicolinearidade: verifique VIF. Se DXY e taxas “andarem juntos”, ortogonalize (residualize) DXY em relação a $r^{real}$ antes de entrar no modelo.

• Quebras estruturais: Bai–Perron (ex.: 2008, 2013, 2020). Se houver, regime switching (Markov) ou rolling window (ex.: 60m).

4) Estimação operacional (duas camadas)

Camada A — Relação de longo prazo (valor “justo”):

• Se cointegrado, estime a equação de cointegração (o “nível justo”).

• Se não, estime OLS com termos de controle e cheque resíduos.

Camada B — Dinâmica de curto prazo (ajuste):

• VECM (se cointegrado) ou ARDL/ECM:

$$\Delta \ln P_t \;=\; \phi \,(\ln P_{t-1} - \widehat{\ln P_{t-1}^{\,*}})\;+\;\sum \gamma_i\,\Delta X_{i,t}\;+\;u_t$$

$\phi<0$ indica speed-of-adjustment para o “justo”.

5) Versão parsimoniosa (fator macro)

Construa um fator sintético:

$$F^{macro}_t \;=\; w_1(-r^{real}_t) + w_2(-\ln DXY_t) + w_3\,\pi^{exp}_t + w_4\,GPR_t$$

Calibre $w_i$ por regressão (ou PCA com sinais forçados), e use:

$$\ln P_t \;=\; \alpha + \theta\,F^{macro}_t + \eta\,AISC_t + \zeta\,CB_t + \varepsilon_t$$

Menos colinearidade e leitura limpa: “um número” resume o vento macro pró-ouro.

6) Forma estrutural “macro-piso”

Para ter um piso econômico (custo):

• Piso: $P_{oferta,t} \approx AISC_t$ (ou AISC marginal).

• Macro: estime não-linear um termo do tipo

$$P_{macro,t} \;=\; \frac{K}{\,r^{real}_t + \Delta_{risco,t}\,}$$

Calibre $K$ por NLS para minimizar o erro sobre $\ln P_t$.
Importante: $K$ é estimado — não use “100” arbitrário.
Preço teórico combinado (pesos calibrados por MSE mínimo ou validação cruzada):

$$P_t^{*} \;=\; w_o\,P_{oferta,t} \;+\; w_m\,P_{macro,t} \;+\; w_r\,P_{ref,t}$$

onde $P_{ref,t}$ = média 10 anos ajustada por inflação (ou trend HP).

7) Diagnóstico e validação

• Robustez: Newey–West para erros, White para heteroscedasticidade.

• Out-of-sample: janela deslizante (ex.: treina 2015–2022, testa 2023–2025).

• Bandas de “valor justo”: $P_t^{*} \pm 1\sigma$ do resíduo (faixa de equilíbrio).

• Sensibilidade: choque +1pp em $r^{real}$, +5% em DXY etc.

• Endogeneidade: se suspeitar, use IV (ex.: instrumentos para inflação esperada).

8) Saídas que importam (para decisão)

• Betas com sinais corretos & significância (p-values).

• $R^2$ da equação de nível (ou $R^2$ ajustado do VECM).

• Half-life de ajuste (via $\phi$).

• Faixas de “caro/barato” (resíduo padronizado).

• Mapa de regime (se MS): macro “risk-on” vs “risk-off”.

---

Em resumo (checklist executável)

1. Baixe séries mensais; trate I(1)/I(0).

2. Teste cointegração → VECM se sim; senão ARDL/ECM.

3. Estime OLS log-linear para elasticidades e interprete sinais.

4. Calibre $P_{macro}=\frac{K}{r^{real}+\Delta_{risco}}$ por NLS (nada de constantes ad hoc).

5. Combine com piso de custo (AISC) e referência histórica em $P^{*}$.

6. Valide fora da amostra; crie bandas de valor justo e sensibilidades.

Se quiser, eu já te entrego um notebook (Python/Statsmodels) com:

• ADF/PP, Johansen, VECM/ECM

• OLS/PCA, NLS para $K$

• Rolling betas, Bai–Perron, e gráfico de $P$ vs $P^{*}$ com bandas.

sem “escola” específica, aqui vai o caminho técnico padrão para descobrir (e quantificar) as relações entre variáveis e o preço teórico do ouro (XAU/USD). É um roteiro de modelagem que você consegue implementar direto em planilha ou Python.

1) Defina as variáveis (mensais, 10+ anos)

Dependente

• $P_t$: preço spot do ouro (use $\ln P_t$ para interpretar elasticidades).

Explicativas (sinais esperados)

• $r^{real}_t$ (taxa real EUA 10y) → negativo

• $DXY_t$ (índice do dólar; preferir $\ln DXY_t$) → negativo

• $\pi^{exp}_t$ (inflação esperada) → positivo

• $AISC_t$ (custo “all-in sustaining” médio) → positivo

• $CB_t$ (compras líquidas de Bancos Centrais; pode ser média móvel) → positivo

• $GPR_t$ (índice de risco geopolítico) → positivo

Dica: padronize frequências (mensal), alinhe datas e trate outliers óbvios.

2) Comece com um modelo log-linear (elasticidades)

$$\boxed{\ \ln P_t=\alpha+\beta_1 r^{real}_t+\beta_2 \ln DXY_t+\beta_3 \pi^{exp}_t+\beta_4 AISC_t+\beta_5 CB_t+\beta_6 GPR_t+\varepsilon_t\ }$$

Leitura: se $\beta_2=-1{,}0$, +1% no DXY ≈ −1% no ouro (ceteris paribus).

3) Checagens essenciais antes de “confiar” nos betas

• Estacionaridade (ADF/PP). Se $\ln P_t$ e regressores forem I(1), prossiga para 4).

• Multicolinearidade (VIF<5). Se DXY “andar” com $r^{real}$, residualize DXY em $r^{real}$ (ou use PCA).

• Quebras estruturais (Bai–Perron): 2008, 2013, 2020 costumam marcar regimes.

4) Se forem I(1): teste cointegração

• Cointegrou? Estime a equação de cointegração (nível de “valor justo”) e um VECM para dinâmicas:

  $$\Delta \ln P_t=\phi\big(\ln P_{t-1}-\widehat{\ln P_{t-1}^{*}}\big)+\sum \gamma_i\,\Delta X_{i,t}+u_t$$

  $\phi<0$ = velocidade de ajuste ao equilíbrio.

• Não cointegrou? Use ARDL/ECM (curto e longo prazo na mesma estimação).

5) Construa um fator macro parsimonioso (limpa ruído)

Crie um índice:

$$F^{macro}_t = w_1(-r^{real}_t)+w_2(-\ln DXY_t)+w_3\,\pi^{exp}_t+w_4\,GPR_t$$

Calibre $w_i$ por regressão (ou PCA com sinais impostos) e estime:

$$\ln P_t=\alpha+\theta\,F^{macro}_t+\eta\,AISC_t+\zeta\,CB_t+\varepsilon_t$$

Vantagem: menos colinearidade, leitura simples do “vento macro” pró-ouro.

6) Incorpore um piso de custo e um bloco não-linear macro

Para capturar o “chão” econômico e a convexidade das taxas reais:

Piso de oferta (custo marginal):

$$P_{oferta,t}\approx AISC_t$$

Bloco macro (calibrado, não chute):

$$P_{macro,t}=\frac{K}{\,r^{real}_t+\Delta_{risco,t}\,}$$

• Estime $K$ por NLS (Nonlinear Least Squares) visando minimizar o erro sobre $\ln P_t$.

• $\Delta_{risco,t}$ pode agregar GPR, stress financeiro, etc. (normalizado).

Combinação “valor justo” (pesos por validação cruzada ou MSE mínimo):

$$\boxed{\ P_t^{*}=w_o P_{oferta,t}+w_m P_{macro,t}+w_r P_{ref,t}\ }$$

onde $P_{ref,t}$ = média 10 anos (ou trend HP) do preço real do ouro.

7) Validação séria (sem “overfit”)

• Erros robustos (Newey–West) e teste de heteroscedasticidade (White/BP).

• Out-of-sample (janela deslizante: treina 2015–2022, testa 2023–2025).

• Bandas de valor: $P_t^{*}\pm 1\sigma$ do resíduo → zonas “caro/barato”.

• Sensibilidades: +1 pp em $r^{real}$, +5% DXY, +100 t em $CB$, etc.

8) O que sai “na prática”

• Betas com sinais e p-values; $R^2$ (ou $R^2$ do VECM).

• Half-life de ajuste ($\phi$) para entender timing.

• Mapa de regimes (se usar Markov switching): “risk-on/off”.

• Faixas de decisão (resíduo padronizado): compra em −1σ/−2σ, alerta em +1σ/+2σ (adapte ao seu método).

---

Entrega rápida (se quiser agora)

Posso te entregar um notebook Python/Statsmodels ou planilha com:

• ADF/PP, Johansen, VECM/ECM

• OLS log-linear + PCA do fator macro

• NLS para calibrar $K$ do bloco $P_{macro}$

• Gráfico $P$ vs $P^{*}$ com bandas e choques de sensibilidade

Diz se prefere planilha (Excel/CSV) ou notebook (Python) que já gero a versão pronta para alimentar com seus dados.

Você disse:

analise um ponto histórico por exemplo 01/05/1950 e aplique valores em comparando o resultado com o preço do ouro nesta data.

Ótimo recorte histórico. Em 01/05/1950 o ouro vivia sob o regime de Bretton Woods, com preço oficial fixo em US$ 35/oz — o dólar era conversível em ouro a essa paridade, e as demais moedas eram atreladas ao dólar. Isso significa que a “precificação teórica” via variáveis macro fica, na prática, travada por um teto administrativo, não por mercado livre. World Gold Council+1

1) Fatos macro do ponto histórico (mês/ano de referência)

• Preço do ouro: ~US$ 35/oz (paridade oficial vigente). World Gold Council

• Inflação EUA (YoY, 1950): ~1,1% (CPI). minneapolisfed.org

• Yield do Treasury 10y (média de 1950): ~2,32% (aprox. anual). Multpl

• Contexto de juros: o Fed mantinha controle/cap nos rendimentos da curva desde a Segunda Guerra (1942–1951), comprimindo taxas longas. chicagofed.org

• Índice do Dólar (DXY): inaplicável; a série padronizada começa em 1973 (período pós-flutuação). FRED

Taxa real aproximada (10y): 2,32% − 1,1% ≈ 1,22% (estimativa simples).

2) Aplicando um bloco macro “didático” ao caso de 1950

Seu bloco não linear sugerido (ilustrativo):

$$P_{\text{macro},t} = \frac{K}{r^{\text{real}}_t+\Delta_{\text{risco},t}}$$

• Em 1950, assumindo $\Delta_{\text{risco}}$ baixo (pós-guerra, ~0,30% apenas para o exercício), temos
  $r^{\text{real}}+\Delta \approx 1{,}22\% + 0{,}30\% = 1{,}52\% = 0{,}0152$.

Se forçarmos o modelo a “bater” o preço observado US$ 35 (porque era fixo), obtemos o K “implícito do regime”:

$$K \approx P \cdot (r^{\text{real}}+\Delta) = 35 \times 0{,}0152 \approx \mathbf{0{,}532}$$

Compare isso com constantes calibradas para o regime pós-1971 (mercado livre), que costumam ser ordens de grandeza maiores. O abismo entre $K$ “dos anos 1950” (~0,53) e $K$ “moderno” reflete menos “economia real” e mais o fato institucional: em 1950 o preço não era determinado por mercado, mas por paridade legal; além disso, juros eram parcialmente administrados (yield-curve control). World Gold Council+1

3) O que isso nos ensina (modelo vs. realidade de 1950)

• Variáveis como DXY e fluxo de ETFs não existiam: o seu bloco de fatores precisa mudar por regime. FRED

• Taxas reais eram “artificialmente” baixas por política de controle da curva; logo, elasticidades estimadas hoje não se aplicam retroativamente sem tratar a quebra estrutural (Gold Reserve Act/1934 → Bretton Woods/1944–71 → fim da conversibilidade/1971). Investopedia+2World Gold Council+2

• A melhor prática é segmentar a história:

  • Regime I (paridade): preço administrado (~US$ 35) — use análise institucional e paridade legal como “valor justo”.

  • Regime II (pós-1971): preço de mercado — aí sim faz sentido estimar betas (taxa real, DXY, GPR, AISC, compras de BCs).

4) Conclusão com o número-chave

• Preço observado (01/05/1950): ~US$ 35/oz (fixado). World Gold Council

• Preço “previsto” por um bloco macro padrão só “bate” se o K for calibrado ao regime de paridade, dando $K\approx0{,}53$ — o que não tem portabilidade para o regime moderno. Isso demonstra que modelos de precificação do ouro precisam ser condicionais ao regime monetário (com quebra estrutural explícita em 1971).

Se quiser, eu aplico o mesmo exercício em um ponto pós-1971 (ex.: 01/05/1980 ou 01/05/2005), onde o preço já flutua, para comparar modelo teórico vs. preço de mercado e extrair betas históricos coerentes com seu framework.

Você disse:

a intenção não é froçar o resultado mas testas as variaveis se corerepondema realidade observadas e se não identificar a varial alterada e realizar estudo de adequaçlão

O ChatGPT disse:

Perfeito — então vamos montar um protocolo de teste empírico para:
(1) verificar se as variáveis “batem” com a realidade observada;
(2) identificar qual variável “saiu do trilho” quando não batem; e
(3) executar um estudo de adequação (recalibrar modelo, forma funcional, ou regime).

1) Hipóteses e sinais (antes de olhar dados)

Defina hipóteses explícitas (sinal/efeito esperado):

• $r^{real}$ (10y EUA) → negativo no ouro

• $DXY$ → negativo

• $\pi^{exp}$ → positivo

• $AISC$ → positivo (piso/custo)

• Compras de BCs → positivo

• Risco geopolítico (GPR) → positivo

Isso vira seu “quadro de controle”. Tudo que fugir disso é candidato a “variável alterada”.

2) Preparação dos dados

• Frequência mensal, 10+ anos.

• Alinhe datas, trate outliers óbvios, faça $\ln$ onde couber (preço e DXY).

• Testes de ordem de integração: ADF/PP/KPSS (marque I(0)/I(1)).

3) Modelo-base e forma funcional

Log-linear (elasticidades) para leitura clara:

$$\ln P_t=\alpha+\beta_1 r^{real}_t+\beta_2 \ln DXY_t+\beta_3 \pi^{exp}_t+\beta_4 AISC_t+\beta_5 CB_t+\beta_6 GPR_t+\varepsilon_t$$

• Se houver I(1), teste cointegração (Johansen).

  • Cointegrado → estime a equação de longo prazo e um VECM/ECM para curto prazo.

  • Sem cointegração → ARDL/ECM (captura curto e longo prazos).

4) “Bateu com a realidade?” — Diagnóstico rápido

1. Sinais e p-values: conferem com as hipóteses?

2. Qualidade: $R^2$ (ou $R^2$ do VECM), resíduos i.i.d.?

3. Influência: Cook’s distance, DFBetas (ver se 1–2 pontos dominam um beta).

4. Multicolinearidade: VIF < 5; se alto, residualize ou use PCA p/ fator macro.

Se tudo ok: relações confirmadas. Se não, vá para identificação do “culpado”.

5) Quem “saiu do trilho”? — Identificação da variável alterada

Use várias lentes (complementares):

A. Estabilidade de parâmetros

• Rolling/expanding OLS de cada beta (janela móvel).
  → Beta cruzou o IC por tempo prolongado? Suspeito.

• CUSUM/CUSUMSQ e Chow/Bai–Perron para quebras estruturais.
  → A quebra “aponta” para variáveis cujo beta muda de nível.

B. Sensibilidade/localização da culpa

• Leave-one-out de regressores: retire 1 variável e avalie perda de ajuste out-of-sample.

• Decomposição de $R^2$ (Shapley/LMG): mede a contribuição de cada variável.
  → Queda súbita de contribuição = variável com comportamento alterado.

• Granger causality em VAR (níveis/primeiras diferenças) para relações dinâmicas.

C. Robustez contra endogeneidade

• Suspeita de simultaneidade? Faça IV/2SLS (instrumentos plausíveis) ou
  use proxy SVAR/fatores externos. Se o sinal “corrige” com IV, o problema era endogeneidade — não a variável em si.

D. Regime/estado

• Markov-Switching ou TVP-Kalman (betas variando no tempo).
  → Se o beta vira de sinal em um regime específico (ex.: dólar sob QE extremo), a variável não “morreu”; mudou o regime.

6) Estudo de adequação (o que fazer quando não bate)

Cenário 1 — Erro de forma funcional

• Tente não linearidade (por ex., ouro reage mais quando $r^{real}$ < 0):

  • Splines, termos quadráticos, limiar de Hansen (threshold).

• Interações: $r^{real}\!\times\!\ln DXY$ (efeitos condicionais).

Cenário 2 — Variável proxy ruim

• Substitua/aperfeiçoe proxies (ex.: custo AISC marginal em vez de média; GPR alternativo).

• Normalize CBs por produção mundial (t/% oferta), não valor bruto.

Cenário 3 — Parâmetros instáveis

• Modele betas variantes no tempo (TVP) e reporte meia-vida de ajuste.

• Separe regimes históricos (pós-1971, pós-2008, pós-2020) e estime betas por regime.

Cenário 4 — Modelo macro-piso

• Recalibre $P_{macro,t}=\dfrac{K}{r^{real}_t+\Delta_{risco,t}}$ via NLS (nada de K fixo).

• Combine com piso de custo $P_{oferta,t}\!\approx\!AISC$ e referência histórica $P_{ref}$
  por pesos validados out-of-sample (CV, MSE mínimo).

Cenário 5 — Ruído de curto prazo

• Use ECM/VECM: o termo de erro de cointegração ($\phi<0$) mostra o “puxão” de volta ao valor justo.

• Crie bandas $P^*\pm 1\sigma$ para decidir “caro/barato” com tolerância estatística.

7) Critérios de aceitação (quando declarar “adequado”)

• Sinais conforme hipóteses na maior parte do período.

• Significância estatística em amostra e estabilidade fora da amostra.

• Quebras estruturais tratadas (dummies/regimes) sem perda de coerência econômica.

• Erros homocedásticos (ou robustos) e sem autocorrelação relevante.

• Diebold–Mariano: modelo supera benchmark de previsão (RW ou média).

8) Fluxo rápido de decisão

1. Estime base → não bateu?

2. Cheque dados/VIF/outliers → ok?

3. Rolling betas / CUSUM / Bai–Perron → houve quebra? qual variável muda?

4. Teste interações/threshold/TVP → melhora?

5. Recalibre K (NLS) e pesos do composto $P^*=w_o P_{oferta}+w_m P_{macro}+w_r P_{ref}$.

6. Valide out-of-sample; aceite só se passar em sinais + estabilidade + previsão.

---

Se quiser, eu implemento esse protocolo já com:

• Rolling betas + CUSUM/CUSUMSQ

• Bai–Perron (quebras)

• VECM/ECM + TVP-Kalman (betas variantes)

• NLS para calibrar $K$ e grid search de pesos $(w_o,w_m,w_r)$
  e te entrego gráficos: (i) betas no tempo, (ii) $P$ vs $P^*$ com bandas, (iii) contribuição por variável (Shapley).