Академический Документы
Профессиональный Документы
Культура Документы
Riesgos en Toma de
Decisiones
Fernando Juregui Puertas
Instructor CRM
OBJETIVO
Si oigo algo lo olvido.
Si lo veo lo entiendo.
Si lo hago lo aprendo.
Confucio (551-478 A.C)
CONSIDERA TODOS LOS RIESGOS DE SUS PROYECTOS Y DECISIONES? O
SOLO SE ENCUENTRA ENFOCADO EN RESULTADOS?...
Muchas Veces Resulta Difcil Entender Lo Que Es El Riesgo Y Mucho Ms, Cuantificarlo
Conceptos Bsicos
Distribucin Normal
3 condiciones:
- Fijar el mnimo
- Fijar el mximo
-Fijar el valor ms probable
Ejemplos:
Fugas en una tubera
Corte de Fibras
Criterios de Evaluacin de proyectos
El criterio de decisin:
El valor futuro corresponde a los flujos de caja futuros del negocio o Proyecto, pero los
flujos de caja son inciertos, luego debemos descontar los flujos de caja esperados.
n
E ( FCt )
VAN
1 r
t
t 0
Riesgo
Tiempo
Como el flujo de caja ocurre en perodos de Como los flujos de caja son inciertos, los
tiempo futuros, debemos localizarlos en el inversionistas demandan mayores retornos a
mismo instante de tiempo. una tasa de descuento.
Valor Actual Neto (VAN)
FLUJO DE CAJA
1
0 1 2 3 4 5 n
OBJETIVO
2
Valor Actual Neto (VAN)
Io
VPN>0
n
VAN FC
t
-I
1COK
t 0
Io t 1
VPN<0
Tasa interna de Retorno Modificada (TIRM)
Mientras que la tasa interna de retorno (TIR) asume los flujos de efectivo de un proyecto se
reinvierten a la TIR, la TIR modificada (TIRM) asume que los flujos de caja positivos se
reinvierten en el coste del capital de la empresa, y los desembolsos iniciales son
financiados por el coste de financiacin de la empresa. Por lo tanto, TIRM refleja con mayor
precisin el coste y la rentabilidad de un proyecto.
Veamos un ejemplo para el siguiente proyecto que tiene los siguientes flujos de caja:
0 1 2 3
-1200 1000 500 100
Donde: COK=10%
1860
1200 TIRM 15.73%
1 TIRM
3
Se puede ver aqu que la TIRM 15.73% es significativamente ms baja que la TIR del
22.79%. En este caso, la TIR da una imagen demasiado optimista de las posibilidades del
proyecto, mientras que la TIRM da una evaluacin ms realista del mismo.
ndice de Rentabilidad (IR)
Un ndice que trata de identificar la relacin entre los costos y beneficios de un proyecto
propuesto por el uso de una proporcin calculada como:
n
FC t
1COK
t
t 1
IR
I
0
La incertidumbre:
RIESGO
INCERTIDUMBRE EXPOSICIN
(?) ($)
Definiciones operativas:
Dispersin de los posibles resultados
Probabilidad de no alcanzar el resultado deseado
Probabilidad de tener prdidas
Desbalance en los resultados esperados
Fortalezas
Medida de probabilidad emprica: altamente intuitiva
Uso de un criterio asimtrico de comparacin de rendimientos
Debilidades
Clculo manual
Sensibilidad a errores ante probabilidades puntuales no nulas (en distribuciones
discretas)
Asimetra
T
rt r 3
t T W 1
(
)
W
Curtosis
T
rt r 4
t T W 1
(
)
W
Riesgo Simtrico versus Riesgo Asimtrico
Distribucin asimtrica
hacia ganancias
Resultado esperado
Distribucin asimtrica
hacia prdidas
Riesgo Simtrico versus Riesgo Asimtrico
Ests usualmente son eventos tales como totales, ganancia neta, o gasto bruto.
Principales Variables Independientes
En este contexto, Hertz (1964 y 1968) incorpora el anlisis de riesgo en las decisiones de inversin de
la empresa. Para ello, utiliza el Mtodo de Monte Carlo para obtener el valor medio ms probable y la
dispersin de un proyecto de inversin.
Es importante determinar cules sern nuestras variables fundamentales que nos ayudarn a definir el
problema. Hertz considera nueve factores clasificados en tres categoras:
Tamao de Mercado
Anlisis de Mercados Precios de Venta
Crecimiento del Mercado
Cuota del Mercado
PRODUCT PROFORMA
Unit Sales 10
Sales Price $ 10.00
Total Revenue $ 100.00
Introduce el valor de
Variable Cost/Unit $ 5.50 muestra al modelo
Total Variable Cost $ 55.00
Recalcula el modelo y Total Fixed Cost $ 20.00
de transformacin
registra el resultado de la Total Cost $ 75.00
Net Revenue $ 25.00
simulacin para este
intento
Distribuciones de Probabilidad de los Flujos de Caja
Los Datos a usar en el ejemplo se resumen en la siguiente tabla, donde para los tres primeros se
conocen sus valores para los escenarios bajo, medio y alto.
Datos Esperado
Volumen de ventas en unidades 30,000
Precio Unitario 75 Escenarios
Costo Unitario 25 Bajo Medio Alto
Costo Fijo 630,000 27,000 30,000 39,000
Valor Residual 350,000 65 75 90
Inversion 2,800,000 20 25 35
COK 15%
Nuestro Modelo
Definimos las relaciones existentes entre las variables del Modelo, en nuestro caso, se calcula el flujo de
caja futuro del proyecto de Inversin, para el clculo de los Indicadores de Rentabilidad.
Empezando un nuevo perfil de Simulacin
Para empezar una nueva simulacin, primero se necesitar crear un perfil de simulacin.
Un perfil de simulacin contiene un conjunto completo de instrucciones de cmo le
gustara correr la simulacin, es decir, todos los supuestos, pronsticos, correr
preferencias, y as sucesivamente.
Ttulo de la Simulacin
Dentro de la Evaluacin
Econmica de Proyectos de
Inversin, un tema importante
siempre ha sido el garantizar
que el VAN sea mayor o igual
a cero, dado que esto
garantizara que el proyecto
es factible de ejecutarse.
En este caso, calculamos la
probabilidad de que el VAN
sea mayor a Cero, y
obtenemos una Certeza del
98% de que esto suceda. Nos Indica: VAN 0
Simulacin Bootstrap No Paramtrica
Los resultados
bootstrap son un
conjunto de
diagramas de
pronsticos de
cada estadstica
que usted
seleccion.
Utilizando estos
diagramas, usted
puede determinar
los intervalos de
confianza de cada
estadstica y
realizar pruebas
de hiptesis.
Anlisis Tornado y Araa
En la siguiente figura, la
estrategia B domina
determinsticamente a la
estrategia A, porque el VPN ms
bajo posible en la estrategia B es
mayor que el valor ms alto
posible en la A. Es claro que el
decisor siempre preferir la
estrategia B a la A, porque no
existe un solo escenario en el
cual la estrategia A tenga un
resultado mejor que la estrategia
B.
Dominacin Estocstica
Dominacin Estocstica
El segundo caso lo ilustra la figura anterior, donde la estrategia D domina estocsticamente
a la estrategia C porque hay una mayor probabilidad de exceder cualquier valor del VPN
con D del que hay con C; es decir, para un valor de X, la probabilidad de que la estrategia D
produzca un VPN en exceso de X, es mayor que en la estrategia C. Como consecuencia, un
decisor que prefiera ms rentabilidad elegir la estrategia D, dado que dicha estrategia tiene
una probabilidad mayor de generar una rentabilidad ms alta que C. Por ejemplo, para el
valor de $0.5 millones, la probabilidad de que la estrategia D produzca un VPN en exceso
de $0.5 millones es 0.8 (1 - 0.2), que es mayor a la de la estrategia C, que slo es 0.1.
Es claro que si existe una dominacin estocstica entre estrategias no habr necesidad de
investigar las preferencias del decisor con respecto al riesgo, pues l racionalmente
eliminar las alternativas dominadas.
Ningn tipo de Dominacin
Con la estrategia F existe una probabilidad del 25% de lograr un VPN mayor al mximo
valor que se generara con la estrategia E. La preferencia entre estas estrategias depende
de la actitud del decisor con respecto al riesgo: est el decisor dispuesto a aceptar el
mayor riesgo de F por la posibilidad de generar un VPN mayor?
Ningn tipo de Dominacin
Proyeccin de Variables
Qu es Pronosticar ?
Desde luego, si la estacionalidad existe pero no est presente una tendencia, un modelo
Aditivo Estacional o Multiplicativo Estacional podra ser mejor.
Suavizamiento Multiplicatvo
Exponencial Simple Estacional
Con Tendencia
Sptimo Mejor Modelo: Suavizado Exponencial Simple Octavo Mejor Modelo: Promedio Mvil Simple
Alfa 0.7948 2
RMSE 287.1776 RMSE 318.8152
MSE 82470.9621 MSE 101643.1317
MAD 249.2510 MAD 280.3222
MAPE 18.16% MAPE 19.55%
U de Theil 0.9561 U de Theil 0.9623
Multiplicativo de Holt-Winter
El anlisis se llev a cabo con alfa = 0.2429, beta = 1.0000, gamma = 0.7797, y estacionalidad = 4
Cuando existe estacionalidad y tendencia, los modelos ms avanzados requieren descomponer los datos en sus elementos base o componentes: un nivel base (L)
ponderado por el parmetro Alfa, un componente de tendencia (b) ponderado por el parmetro Beta; y un componente de estacionalidad (S) ponderado por el parmetro
Gamma. Existen varios mtodos pero los dos ms comunes son el aditivo de estacionalidad de Holt-Winter y el mtodo multiplicativo de estacionalidad de Holt-Winter. En el
modelo aditivo de Holt-Winter, el nivel base para el caso, la estacionalidad y las tendencias se aaden al mismo tiempo para obtener el pronstico ajustado. Se utiliza cuando
La prueba que mejor se ajusta para el pronstico del promedio mvil simple es la media de la raz cuadrada de los errores al cuadrado (RMSE - Root Mean Squared Error). La
RMSE calcula la raz cuadrada de la desviacin al cuadrado promedio de los valores ajustados contra los datos actuales.
El Error Cuadrtico Medio (MSE - Mead Squared Error) es una medida de error absoluto que ajusta los errores (la diferencia entre los datos histricos y los datos del pronstico
ajustados pronosticados por el modelo) para prevenir que los errores positivos y negativos se cancelen entre s. Esta medida tambin tiende a exagerar errores grandes
ponderndolos con mayor importancia que los errores pequeos, cuadrndolos, lo cual puede ayudar cuando se comparan diferentes modelos de series de tiempo. El Error
de la Media al Cuadrado (RMSE) es la raz cuadrada del MSE y es la medida ms popular de error, tambin conocida como funcin de perdida cuadrtica. El RMSE puede
definirse como el promedio de los valores absolutos de los errores del pronstico y es muy apropiado cuando el costo de los errores del pronstico es proporcional al tamao
absoluto del error del pronstico. El RMSE se utiliza como un criterio de seleccin para el mejor ajuste de modelos de series de tiempo.
El Porcentaje de la Media del Error Absoluto (MAPE - Mean Absolute Percentage Error ) es una medida estadstica de error relativo, como un porcentaje promedio del error de
los datos histricos y es ms apropiado cuando el costo de los errores del pronstico tiene una relacin ms cercana al porcentaje del error que a un valor numrico de error.
Finalmente, una medida asociada es la estadstica de la U de Theil, la cual mide la credibilidad del pronstico del modelo. Es decir, si la estadstica de la U de Theil es menor
a 1.0, entonces el mtodo utilizado para el pronstico proporciona un estimado que es estadsticamente mejor que adivinar.
Otras formulaciones:
La figura muestra el perfil de dos series generadas por un AR(1) sin constante, con
distintos valores del parmetro :
.4 .6
.3
.4
.2
.2
.1
.0 .0
-.1
-.2
-.2
-.4
-.3
-.4 -.6
100 200 300 400 500 100 200 300 400 500
.4
.3
.2
.1
.0
-.1
-.2
-.3
-.4
100 200 300 400 500
AR(1) phi=.5
Modelos Autorregresivos de orden 2: AR(2)
Un proceso autorregresivo de segundo orden, AR(2), representa una variable cuyo valor
actual est relacionado con su valores anteriores hasta 2 periodos atrs mediante un
modelo de regresin.
- Siempre es estacionario.
La figura muestra el perfil de dos series generadas por un proceso MA(1) sin constante,
con distintos valores de :
.4 .4
.3 .3
.2 .2
.1 .1
.0 .0
-.1 -.1
-.2 -.2
-.3 -.3
-.4 -.4
100 200 300 400 500 100 200 300 400 500
.4
.3
.2
.1
.0
-.1
-.2
-.3
-.4
100 200 300 400 500
MA(1), theta=.5
Modelos de Medias Mviles de orden 2: MA(2)
Un proceso de medias mviles de segundo orden, MA(2), representa una variable cuyo
valor actual est relacionado con el valor actual y los valores anteriores hasta 2 periodos
atrs de las innovaciones mediante un modelo de regresin.
Estadsticas de la Regresin
R-Cuadrado (Coeficiente de Determinacin) 0.0050 Criterio de Informacin Akaike (AIC) 2.8549
R-Cuadrado Ajustado -0.0052 Criterio Schwarz (SC) 2.9478
R-Mltiple (Coeficiente de Correlacin Mltiple) 0.0708 Logaritmo de Probabilidad -141.32
Error Estndar Estimado (EEy*) 1.03 Estadstico Durbin-Watson (DW) 1.9634
Nmero de Observaciones 99 Nmero de Iteraciones 0
Los Modelos Autorregresivos Integrados de Medias Mviles o ARIMA(p,d,q) son la extensin del modelo AR que utiliza los tres componentes para modelar la
correlacin serial en datos de series de tiempo. El primer componente es el trmino autorregresivo (AR). El modelo AR(p) utiliza un nmero p de regazos de la serie.
Un modelo AR(p) tiene la forma: y(t)=a(1)*y(t-1)+...+a(p)*y(t-p)+e(t). El segundo componente es el termino del orden de integracin (d) de la serie. Cada orden de
integracin corresponde al numero de veces que la serie de tiempo debe se diferenciada para hacerse estacionaria. I(1) significa diferenciar los datos una vez. I(d)
significa diferencia los datos d veces. El tercer componente es el trmino (MA) media mvil. El modelo MA(q) utiliza q rezagos de los errores del pronstico para
mejorar este proceso. Un modelo MA(q) tiene la forma: y(t)=e(t)+b(1)*e(t-1)+...+b(q)*e(t-q). Finalmente, un modelo ARMA(p,q) tiene la forma combinada: y(t)=a(1)*y(t-
1)+...+a(p)*y(t-p)+e(t)+b(1)*e(t-1)+...+b(q)*e(t-q).
El R-Cuadrado, o el Coeficiente de Determinacin, indica el porcentaje de variacin en la variable dependiente que puede explicarse y contarse por las variables
independientes en este anlisis de regresin. Sin embargo, en una regresin mltiple, el R-Cuadrado Ajustado toma en cuenta la existencia de variables
independientes adicionales o regresores y ajusta el valor de esta R-Cuadrado para una perspectiva ms exacta del poder explicativo de la regresin. Sin embargo,
bajo algunas circunstancias de modelacin ARIMA (por ejemplo, modelos con no convergencia), el R-Cuadrado tiende a ser no confiable.
El Coeficiente de Correlacin Mltiple (R-Mltiple) mide la correlacin entre la verdadera variable dependiente (Y) y el estimado o ajuste (Y*) basado en la ecuacin de
regresin. Esta correlacin tambin es la raz cuadrada del Coeficiente de Determinacin (R-Cuadrado).
El Error Estndar Estimado (Sey*) describe la dispersin del conjunto de datos por encima y por debajo de la lnea de regresin o plano. Este valor es utilizado como
parte del clculo para obtener el intervalo de confianza de las estimaciones posteriores.
Los criterios de informacin AIC (Akaike) y SC (Schwarz) son utilizados generalmente en la seleccin del modelo de regresin. SC impone una gran penalidad por
coeficientes adicionales. Generalmente el usuario debe seleccionar un modelo con el valor ms bajo de los criterios AIC y SC.
El estadstico Durbin-Watson mide la correlacin serial en los residuales. Por lo general, DW menores a 2 implican una correlacin serial positiva.
Resultados de la Regresin
Intercepto AR(1)
Coeficientes -0.0812 -0.0714
Error Estandar 0.1041 0.1021
Estadstico t -0.7799 -0.6995
P-Value 0.4373 0.4859
Menor a 5% 0.0917 0.0982
Mayor a 95% -0.2540 -0.2410
Los coeficientes proporcionan el intercepto y la pendiente de la regresin estimada. Por ejemplo, los coeficientes son estimaciones de los posibles valores
poblacionales b representados en la siguiente ecuacin de regresin Y = b0 + b1X1 + b2X2 + ... + bnXn. El Error Estndar mide que tan exactos son los pronsticos
de los coeficientes, y el estadstico t es la razn entre el valor correspondiente al coeficiente estimado y su respectivo Error Estndar.
El estadstico t se utiliza en la prueba de hiptesis, donde se establece la hiptesis nula (Ho) de manera que el coeficiente sea cero, y la hiptesis alternativa (Ha)
diferente de cero, de manera que el verdadero valor del coeficiente no sea igual a cero. Una prueba t se lleva a cabo cuando el estadstico t se compara con los
valores crticos de los Grados de Libertad Residual. La prueba t es muy importante ya que calcula si cada uno de los coeficientes es estadsticamente significativo en
presencia de otros regresores. Esto significa que la prueba t comprueba estadsticamente cuando un regresor o una variable independiente debe continuar en la
regresin o de lo contrario, debe descartarse.
El coeficiente es estadsticamente significativo si su estadstico t excede el estadstico crtico en los grados de libertad relevantes (df). Los tres principales niveles de
confianza utilizados para medir la significancia son 90%, 95% y 99%. Si un estadstico t del coeficiente excede el nivel crtico, se le considera estadsticamente
significativo. Alternativamente, el P - Value calcula cada probabilidad de ocurrencia del estadstico t, lo que significa que entre ms pequeo sea el P - Value, ms
significativo ser el coeficiente. Los niveles usuales de significancia para el P - Value son 0.01, 0.05, y 0.10, que corresponden a 99%, 95%, y 90% de los niveles de
confianza respectivamente.
Los coeficientes con sus P - Value resaltados en azul indican que son estadsticamente significativos al 90% de confianza o 0.10 en nivel alfa, mientras que aquellos
resaltados en rojo indican que no son estadsticamente significativos en cualquier otro nivel alfa.
Anlisis de Varianza
Suma del
Suma de Estadstico
Promedio de Valor P
Cuadrados F
Cuadrados Prueba de Hiptesis
Regresin 0.52 0.52 0.49 0.4900 Estadstico F Crtico (99% confianza con diferencia de 1 y 97) 6.9036
Residual 103.68 1.07 Estadstico F Crtico (95% confianza con diferencia de 1 y 97) 3.9391
Total 104.2 Estadstico F Crtico (90% confianza con diferencia de 1 y 97) 2.7580
El cuadro de Anlisis de Varianza (ANOVA) proporciona una prueba con el estadstico F, apoyado en los resmenes generales de las estadsticas significativas de los
modelos. En lugar de buscar regresores individuales como en la prueba t, la prueba F busca en todas las propiedades estadsticas de los coeficientes. El estadstico
F se calcula como la razn de la suma ponderada de cuadrados de la suma explicada de la regresin sobre la suma ponderada de cuadrados de la suma de
residuales cuadrados. El numerador mide que tanto de la regresin se explica, mientras que el denominador mide que tanto no se explica. Por lo tanto, mientras ms
grande sea el estadstico F, ms significativo ser el modelo. El P - Value correspondiente es calculado para comprobar la hiptesis nula (Ho) en donde todos los
coeficientes son simultneamente iguales a cero, contra la hiptesis alternativa (Ha), en la cual todos son simultneamente diferentes a cero, indicando un modelo
de regresin estadsticamente significativo. Si el P - Value es ms pequeo que los niveles de significancia alfa, es decir, 0.01, 0.05, o 0.10, entonces la regresin es
significativa. La misma aproximacin puede aplicarse comparando el estadstico F con los valores crticos de F en varios niveles de significancia.
Reporte ARIMA Autocorrelacin
Si la autocorrelacin total AC(1) es diferente a cero, significa que la serie de tiempo esta ordenada serialmente y esta correlacionada. Si AC(k) decrece
geomtricamente o exponencialmente con un incremento en los rezagos, implica que la serie sigue un proceso autorregresivo de orden bajo. De la misma manera si
AC(k) disminuye hasta cero despus de un pequeo nmero de rezagos, implica que la serie sigue un proceso de orden bajo. La autocorrelacin parcial PAC(k) mide
la correlacin entre observaciones (para series de tiempo) que estn separadas k periodos, manteniendo constantes las correlaciones entre los rezagos intermedios
menores que k. Si el patrn de autocorrelacin total puede ser capturado por una autorregresion u orden menor que k, entonces la autocorrelacin parcial PAC en el
rezago ser muy cercana a cero. El estadstico Ljung-Box Q analiza utiliza los valores P - Value para identificar si los coeficientes de correlacin superiores al primer
rezago son iguales a cero (la hiptesis nula) contra la hiptesis de que no todos los rezago son cero. Cuando los P-Value son muy pequeos (P < 0.001) se puede
rechazar la hiptesis nula inicial, es decir, existen valores de los coeficientes de autocorrelacin que son significativamente diferentes de cero. Las lneas punteadas
en las grficas de las autocorrelaciones son los dos errores estndar aproximados a los lmites. Si la autocorrelacin est dentro de estos lmites, no es
significativamente diferente a cero en (aproximadamente) el 5% del nivel de significancia.
Pronstico
Naranjas 210 90 30
Mangos 45 90 180
El Riesgo y la Diversificacin
Supongamos que cada evento tiene igual probabilidad de ocurrencia, es decir: 33.3 %
NARANJAS 74.83
MANGOS 59.86
El Riesgo y la Diversificacin
La Distribucin Normal y su relacin con la Desviacin Estndar: Porcentajes bajo la curva (Anlisis de
Densidad).
68.26%
95.46%
99.74%
D = 59.86 Mangos
D = 74.86 Naranjas
Si el agricultor decide invertir 50 % en cada cultivo en lugar de sembrar solo uno se obtendr:
Su Varianza ser:
D = 34.11
DIVERSIFICACIN
D = 59.86 Mangos
D = 74.86 Naranjas
Riesgo diversificable
No sistemtico
Riesgo Total
Riesgo sistemtico o
relacionado con el
mercado
Cantidad de Holdings
Comparacin entre Proyectos
VAN
Proyecto A: VANe = S/. 1500 ; VAN = S/. 500
F
G E
1500 A D
H Son mejores que A:
C F G H
K
Son peores que A
J
K C D
500 Desviacin
Entre el proyecto A y los proyectos E y J qu proyecto escoger? Con los antecedentes que se dispone,
si el inversionista es averso al riesgo debe elegir J y si no lo es debe elegir E.
Comparacin entre Proyectos
No existe ninguna frmula matemtica o criterio que nos pueda indicar, con exactitud la decisin ms
conveniente.
Si una persona que tenga una fuerte aversin a tomar riesgos, podra inclinarse ms a tomar el
proyecto A. Esto sucede, ya que si bien, este implica posiblemente una ganancia menor, la
probabilidad de obtener un resultado negativo con l es muy inferior con respecto a B.
Uso de Optimizacin en Proyectos de Inversin
Qu es la Optimizacin ?
Una aproximacin usada para encontrar la combinacin de entradas que permitan el
mejor resultado posible satisfaciendo ciertas condiciones pre-especificadas. Por ejemplo:
Desde luego, necesitamos usar software de optimizacin para obtener la solucin. Risk
Simulator usa una variedad de heursticos y algoritmos para encontrar los mejores y
ptimos conjuntos de soluciones.
Las optimizaciones pueden ser Lineales o no Lineales, y pueden ser discreta entera o
continuas:
Una Optimizacin discreta entera puede tomar nicamente un valor entero especfico
como 0, 1, 2, 3, y as.
Una Optimizacin continua puede utilizar variables de decisin continuas y puede tomar
cualquier valor.
Ambos tipos de distribucin pueden ser Lineales o no Lineales. Esto es, la funcin
objetivo y las restricciones pueden ser todas lineales o no lineales
Pasos requeridos en una Optimizacin
Objetivo: La variable puede ser maximizada o minimizada (e.g., valor presente neto,
prdidas catastrficas, riesgo, tiempos de reposo, etc.)
Variables de Decisin y sus rangos permitidos: Variables sobre las cuales usted tiene
control (qu tanto producir, que tanto invertir, y as)
Optimizacin Dinmica
Simulacin de N intentos, paradas, ajuste de las celdas de supuestos con los
estadsticos simulados, y luego optimizar.
Algn tipo de proceso de Simulacin-Optimizacin.
Cuentas para riesgo e incertidumbre
Optimizacin estocstica
Simulacin de N intentos, paradas, ajuste de las celdas de supuestos con los
estadsticos simulados, y luego optimizar, entonces el proceso es repetido
nuevamente por N veces.
Una serie de optimizaciones dinmicas en la cual cada variable de decisin tiene una
distribucin de pronstico.
Un rango de valores ptimos en vez de estimados de punto simple.
Uso de la Optimizacin en Proyectos
Relacin ndice de
Proyecto VAN Costo Riesgo $ Riesgo % Seleccin
Retorno/Riesgo Rentabilidad
Proyecto 1 $458.00 $1,732.44 $54.96 12.00% 8.33 1.26 1.0000
Proyecto 2 $1,954.00 $859.00 $1,914.92 98.00% 1.02 3.27 1.0000
Proyecto 3 $1,599.00 $1,845.00 $1,551.03 97.00% 1.03 1.87 1.0000
Proyecto 4 $2,251.00 $1,645.00 $1,012.95 45.00% 2.22 2.37 1.0000
Proyecto 5 $849.00 $458.00 $925.41 109.00% 0.92 2.85 1.0000
Proyecto 6 $758.00 $52.00 $560.92 74.00% 1.35 15.58 1.0000
Proyecto 7 $2,845.00 $758.00 $5,633.10 198.00% 0.51 4.75 1.0000
Proyecto 8 $1,235.00 $115.00 $926.25 75.00% 1.33 11.74 1.0000
Proyecto 9 $1,945.00 $125.00 $2,100.60 108.00% 0.93 16.56 1.0000
Proyecto 10 $2,250.00 $458.00 $1,912.50 85.00% 1.18 5.91 1.0000
Proyecto 11 $549.00 $45.00 $263.52 48.00% 2.08 13.20 1.0000
Proyecto 12 $525.00 $105.00 $309.75 59.00% 1.69 6.00 1.0000
Relacin ndice de
Proyecto VAN Costo Riesgo $ Riesgo % Seleccin
Retorno/Riesgo Rentabilidad
Proyecto 1 $458.00 $1,732.44 $54.96 12.00% 8.33 1.26 1.0000
Proyecto 2 $1,954.00 $859.00 $1,914.92 98.00% 1.02 3.27 0.0000
Proyecto 3 $1,599.00 $1,845.00 $1,551.03 97.00% 1.03 1.87 0.0000
Proyecto 4 $2,251.00 $1,645.00 $1,012.95 45.00% 2.22 2.37 1.0000
Proyecto 5 $849.00 $458.00 $925.41 109.00% 0.92 2.85 0.0000
Proyecto 6 $758.00 $52.00 $560.92 74.00% 1.35 15.58 1.0000
Proyecto 7 $2,845.00 $758.00 $5,633.10 198.00% 0.51 4.75 0.0000
Proyecto 8 $1,235.00 $115.00 $926.25 75.00% 1.33 11.74 1.0000
Proyecto 9 $1,945.00 $125.00 $2,100.60 108.00% 0.93 16.56 0.0000
Proyecto 10 $2,250.00 $458.00 $1,912.50 85.00% 1.18 5.91 0.0000
Proyecto 11 $549.00 $45.00 $263.52 48.00% 2.08 13.20 1.0000
Proyecto 12 $525.00 $105.00 $309.75 59.00% 1.69 6.00 1.0000
Proyectos elegidos
Proyecto 1
Proyecto 4
Proyecto 6
Proyecto 8
Proyecto 11
Proyecto 12
rboles de Decisin
Qu es un rbol de decisin ?
Maximizar
Minimizar
4. Anlisis de sensibilidad
5. Tomar la decisin
Diagrama de Influencia
Los diagramas de influencia son una herramienta grfica que nos permite analizar,
causas, efectos, as como variables no controlables y crticas.
Nos permiten identificar las variables y rutas claves para tomar una decisin adecuada.
Nodos
Flechas o arcos
Tipos de Nodos
Nodo de Decisin
Nodo de Incertidumbre
Nodo Terminal
Veamos un ejemplo
Otorgamiento Crdito
USD 7 millones
Qu significa esto?
Qu es el Value at Risk (VaR) ?
Presupuestos
Es posible reunir informacin representativa sobre los posibles
resultados de una inversin en el corto plazo.
Datos histricos o supuestos expertos
Esta informacin permite describir el futuro (comportamiento estable)
Definicin
Probabilidad
de
ocurrencia
5% de
probabilidad
0
-2% -1% 0% 1% 2%
Posibles
VaR variaciones
del valor de la
USD 7MM
cartera
en 1 da
Metodologas VaR alternativas
Las similitudes
Mtodo Analtico
(Delta Normal)
Los tres mtodos buscan estimar un valor
crtico para las prdidas potenciales.
Mtodo Montecarlo
Las diferencias
(Simulaciones)
Mtodo Analtico
(Delta Normal)
Mtodo Montecarlo
(Simulaciones)
Mtodo Histrico
(Histogramas)
VaR Analtico - Delta Normal
Supuestos
El supuesto clave es que es posible conocer la funcin de distribucin de
rendimientos (futuros) de la inversin o paquete de inversiones que se
plantea manejar.
Se asume que la distribucin es normal (y, por ello, simtrica), con media y
varianza conocidas.
Sin embargo
Es realmente normal?
Problemas de estabilidad de medias y varianzas
De dnde procede la informacin sobre media y varianza?
Y los momentos superiores?
Probabilidad de
ocurrencia
0
-2% -1% 0% 1% 2%
Posibles valores de la
variable aleatoria
VaR Analtico - Delta Normal
Probabilidad de
ocurrencia
Posibles valores de la
variable aleatoria
0
-3 -2 -1 +1 +2 +3
68.26%
95.44%
99.74%
VaR Analtico - Delta Normal
Probabilidad de
ocurrencia
5% 90% 5%
Posibles valores de la
variable aleatoria
Generalizacin
xm xm xm
P z 5% P 1.65 5% 1.65
x 1.65 m
VaR Analtico - Delta Normal
Conversin de plazos
El intervalo de confianza
[1] Banco de Pagos Internacionales, Amendment to the Capital Accord to Incorporate Markets Risk, Comit
de Basilea, Basilea, Suiza, Enero de 1996.
[2] Riskmetrics Technical Document JP Morgan 1996
Metodologas VaR alternativas
Mtodo Analtico
(Delta Normal)
Mtodo Montecarlo
(Simulaciones)
Mtodo Histrico
(Histogramas)
VaR Montecarlo
Supuestos
Sin embargo
Es necesario que una serie de rendimientos se distribuya siguiendo un patrn
conocido?
Problemas de estabilidad de parmetros
VaR Montecarlo
Procedimiento
A partir de los supuestos sobre las distribuciones y sus covarianzas, es
posible generar numerosos rendimientos futuros hipotticos.
Mediante la combinacin de dichos retornos, se puede estimar
resultados alternativos del portafolio y formar as un histograma
emprico.
Finalmente, a partir de este histograma, se puede estimar el percentil
de riesgo apropiado.
En sntesis
Se asume que las distribuciones son conocidas y se generan
numerosos mundos imaginarios que siguen estas distribuciones.
El VaR se calcula comparando dichos escenarios simulados.
Riesgos del Modelo VaR Montecarlo
Mtodo Analtico
(Delta Normal)
Mtodo Montecarlo
(Simulaciones)
Mtodo Histrico
(Histogramas)
VaR Histrico
Supuestos
A diferencia de los dos primeros mtodos, este enfoque no realiza
supuestos sobre la manera de suavizar la distribucin de los
retornos.
Procedimiento
Se utiliza el propio histograma emprico de los retornos histricos para
calcular el nivel de prdidas crtico.
Histograma
Valoracin del
de valores
portafolio
posibles
A manera de Resumen
Problemas del VaR
Medicin de Escenarios Extremos
Probabilidad
de
ocurrencia
5% de
probabilidad
0
-2% -1% 0% 1% 2%
Posibles
VaR variaciones
del valor de la
USD 7MM
cartera
en 1 da
Medicin de Escenarios Extremos
El VaR es el mismo
Por qu el VaR no es suficiente?
Falta de subaditividad
Falta de convexidad
Por ello, de modo agregado se dice que el VaR no es una medida coherente de
riesgo.
El VaR NO es subaditivo.
Riesgo VaR
Indicador sub-aditivo
0%
0% 50% 100%
El VaR NO es convexo
Riesgo
Indicador no convexo
0%
0% 50% 100%
Definicin
El Conditional-Value-at-Risk (CVaR) a un nivel de confianza dado es la
prdida esperada entre las prdidas que son mayores que el VaR.
Dicho de otra forma, es la prdida esperada que es ms grande o igual que
el VaR.
[Uryasev S., y Rockafellar, R.T 2000]
Implicancias
Es un promedio de las prdidas que exceden el VaR.
Va a ser un indicador que no slo tiene en cuenta el VaR sino tambin las
prdidas extremas de la distribucin.
CVaR: Valor Esperado de las Prdidas que superan al VaR
Probabilidad
de
ocurrencia
0
-2% -1% 0% 1% 2%
Posibles
variaciones
CVaR VaR
del valor de la
cartera
en 1 da
Resumen de las ventajas del CVaR
El CVAR calcula riesgos ms all del VAR lo que la hace una medida ms
conservadora, puesto que por definicin as lo exige, por lo que el CVAR domina al
VAR.
El CVAR tiene la propiedad de ser una funcin siempre convexa respecto a las
posiciones lo que permite la optimizacin en la posicin de una cartera.
2.10%
2.05%
2.00%
1.95%
1.90%
1.85%
1.80%
1.75%
1.70%
1.65%
1.60%
1.55%
1.50%
1.45%
1.40%
1.35%
1.30%
1.25%
1.20%
1.15%
1.10%
0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.65 0.70 0.75 0.80 0.85 0.90 0.95 1.00
Weight in Asset 1
CVaR @ 5% VaR @ 5%
VaR vs. CVaR ante recomposiciones de Cartera
Evolucin del VaR en funcin a la proporciones invertidas en Sol Meli (w1) , Telefnica (w2) y
BSCH (1- w1 - w2) para un nivel de confianza del 95% y un horizonte temporal de un da.
VaR vs. CVaR ante recomposiciones de Cartera
Evolucin del CVaR en funcin a la proporciones invertidas en Sol Meli (w1) , Telefnica (w2) y
BSCH (1- w1 - w2) para un nivel de confianza del 95% y un horizonte temporal de un da.
Introduccin a los Riesgos de Crdito
PERDIDAS POR INCUMPLIMIENTO
1. Cul es la probabilidad de
que la contraparte incumpla
los pagos?
Probabilidad de incumplimiento =
PD
X
2. Cunto deber
Equiv alencia del prstamo
este cliente a la institucin en
caso de incumplimiento? (Exposicin al incumplimiento)
=
EaD
(Exposicin esperada)
X
Las perdidas no
esperadas se cubren con
capital
Riesgos Operacionales
RIESGO DE OPERACIN - INTRODUCCIN
La Definicin:
Basilea II define el riesgo operacional como el riesgo de prdida resultante de una falta
de adecuacin o de un fallo de los procesos, el personal o los sistemas internos, o bien
como consecuencia de acontecimientos externos. Esta definicin incluye el riesgo legal,
pero excluye el riesgo estratgico y el riesgo reputacional.
Metodologa de Medicin:
Cuadros de Mando
METODOLOGAS DE MEDICIN
RIESGO DE OPERACIN - INTRODUCCIN
Mtodo de Medicin Avanzada (AMA)
Divisin de la entidad en lneas de negocio y topologas de riesgo
Capital basado en el clculo de las prdidas esperadas e inesperadas (VaR del 99,9% en un
horizonte temporal de un ao.
Requiere de 2 funciones distribucin: Frecuencia y Severidad.
De la combinacin de ambas funciones deriva la distribucin de perdidas por riesgo
operacional VaR.
RIESGO DE OPERACIN - INTRODUCCIN
Medicin de la Frecuencia
La frecuencia del riesgo operacional se refiere a la periodicidad en que se presente determinado fallo
operacional.
Las funciones de distribucin ms aplicadas a estos fenmenos: Binomial, Poisson, Binomial Negativa,
Hipergeomtrica Dsicretas
Medicin de la Severidad
La severidad hace referencia a la prdida monetaria incurrida por la ocurrencia de un fallo operacional.
Se trata entonces de variables de naturaleza continua.
CRITERIOS CUANTITATIVOS
Coberturas por Riesgo Operativo
DETERMINACIN DE LAS FUNCIONES DE
PROBABILIDAD
La aplicacin de las pruebas de bondad de ajuste permite tener una idea de la mejor
distribucin que describe el fenmeno, cuando se cuenta con datos.
Tal proceso se puede complementar con la observacin de la grfica de la funcin de
distribucin acumulada y los datos observados.
Adicionalmente comparar los parmetros estadsticos de la muestra con los de la
distribucin contribuye a la formacin de un concepto adecuado respecto a la distribucin
que mejor se ajusta.
MEDICIN DE LA FRECUENCIA
Los modelos de severidad producen estimaciones del valor de la perdida por cada fallo
presentado.
Se trata entonces de variables continuas.
Tiene como caracterstica la presencia de valores extremos poco frecuentes.
Si se cuenta con observaciones de los montos perdidos cada vez que han ocurrido
errores, puede ajustarse a una distribucin paramtrica
O puede ajustarse a una funcin custom