O objetivo deste trabalho foi estudar o comportamento da volatilidade do preço da soja negociada em contratos futuros na BM&FBOVESPA (série SFI). O estudo foi realizado por meio da comparação entre duas abordagens: na primeira, foi utilizada a série de retornos absolutos da série em questão para representar a volatilidade da mesma, que se mostrou persistente ao longo do tempo, comprovando o fato de que a série possui o comportamento de memória longa. Por ter apresentado tal comportamento, fez-se necessária a utilização de modelos ARFIMA ("Autorregressivos Fracionários Integrados de Médias Móveis") estes, que são capazes de capturar de maneira efetiva tal comportamento. Ainda dentro desta abordagem, os modelos foram estimados de duas maneiras distintas: a primeira, em que todos os parâmetros foram estimados simultaneamente e a segunda, em que primeiramente foi estimado o parâmetro de memória longa, diferenciada a série e, posteriormente, foram ajustados os modelos ARIMA nos dados diferenciados. Por fim, a segunda abordagem utilizada no trabalho é a mais comum em pesquisas acadêmicas: foi realizada a estimação dos modelos GARCH ("Autorregressivos Generalizados de Heteroscedasticidade Condicional") diretamente na série de retornos. Neste estudo, concluímos que a primeira abordagem se mostrou mais eficiente, dados os critérios de comparação utilizados.

The purpose of this article was to study the volatility of the soybean price traded in futures contracts on the BM&FBOVESPA (SFI series). The study was conduct by comparison between two approaches: first, was use the series of absolute returns of the respective series, to represent its volatility, which was persistent over time, proving the fact that the series has a long memory behavior. Because of such behavior, it was necessary to use ARFIMA models ("Autoregressive Fractional Integrated Moving Average"), which are able to capture effectively such behavior. Still using this approach, the models were estimate in two different ways: first, which all parameters were estimate simultaneously, and the second one, that was first estimated the long memory parameter, differentiated the series and, later, adjusted the ARIMA models in differentiated data. Finally, the second approach used in this work is the most common in academic research: the estimation of GARCH models ("Generalized Autoregressive Conditional Heretoscskedasticity") directly in the returns series of the studied series. In this study, we conclude that the first approach was more effective, given the comparison criteria used.