EL MTODO DE MONTE CARLO

El mtodo de Monte Carlo es una herramienta de investigacin y planeamiento; bsicamente es una tcnica de muestreo artificial, empleada para operar numricamente sistemas complejos que tengan componentes aleatorios. Las tcnicas estadsticas numricas, en particular la tcnica de Monte Carlo, sirven para estimar la incertidumbre en las tasas de emisin (a partir de incertidumbres en las medidas de actividad y los factores de emisin) cuando: Las incertidumbres son grandes; No tienen una distribucin gaussiana; Los algoritmos son funciones complejas; Existen correlaciones entre algunos de los conjuntos de datos de actividad, factores de emisin o ambos. Las incertidumbres en los factores de emisin y/o datos de actividad a menudo son grandes y pueden no tener distribuciones normales. En esos casos, quiz sea difcil o imposible combinar incertidumbres por medio de las reglas estadsticas convencionales. Se puede utilizar el mtodo de Monte Carlo, que consiste en hacer muchas veces los clculos del inventario en una computadora electrnica, cada vez eligiendo al azar (por computadora) los factores de emisin o parmetros modelo y datos de actividad inciertos a partir de la distribucin de incertidumbres que el usuario especifique al comienzo. Ese procedimiento genera una distribucin de incertidumbres para la estimacin del inventario que es coherente con las distribuciones de incertidumbres de entrada de los factores de emisin, parmetros modelo y datos de actividad. El mtodo exige muchos datos y tiempo de computacin, pero es muy adecuado para aplicar al problema de la propagacin y totalizacin de incertidumbres en un sistema tan vasto como un inventario nacional de gases de efecto invernadero En qu consiste la simulacin de Montecarlo? Imaginemos que tenemos una secuencia de operaciones histricas y queremos saber si el mtodo de trading utilizado producir en el futuro resultados semejantes si las cosas funcionaran como hasta el momento. La secuencia de operaciones histricas contiene dos medidas importantes del xito o fracaso de nuestro mtodo. Por una parte tenemos el resultado final y por otro el drawdown o riesgo mximo asumido. La pregunta que siempre nos hacemos cuando nos encontramos ante un sistema de trading nuevo es la de si en el futuro conseguiremos los mismos resultados que nos muestra la estadstica actualmente. Eso es realmente complicado, ms aun si los resultados son fruto de una

sobreoptimizacin de nuestro sistema. No obstante, si en el futuro nuestro sistema produjera exactamente las mismas operaciones en la misma secuencia de aparicin que nuestros resultados histricos, los resultados finales y drawdown seran idnticos a los obtenidos en el pasado. Sin embargo, sabemos que esto es prcticamente imposible que ocurra. De hecho, si tuviramos este grado de certeza respecto a la secuencia de operaciones, simplemente entraramos con ms carga en las operaciones positivas y no entraramos en las operaciones negativas. Demasiado fcil, verdad? Efectivamente, demasiado fcil para ser cierto. Cuando nosotros utilizamos un sistema o mtodo de trading, seleccionndolo en funcin de las estadsticas del mismo, nuestra intencin es que en el futuro el sistema se comporte de manera similar. Pero ello no quiere decir que lo esperamos es la misma secuencia de operaciones. Simplemente esperamos que, a largo plazo, los estadsticos ms representativos del sistema (% acierto, ganancia media por operacin, ratio ganadoras / perdedoras, etc...) sean lo ms parecidos posibles a los datos histricos. No obstante, e incluso aunque nuestro sistema produzca resultados que son estadsticamente similares a los histricos, los resultados futuros no sern exactamente iguales a los histricos, ni en magnitud ni en orden de ocurrencia de las ganancias y las prdidas, y por lo tanto, nuestra secuencia de operaciones ser otra bien distinta. Una manera de conseguir resultados estadsticos de los datos histricos es el de generar secuencias de operaciones de manera aleatoria, cada cual con su respectivo resultado final y drawdown. Para entenderlo ms fcilmente, supongamos un sistema que realiza 100 operaciones. Tomamos el resultado de la primera operacin y lo anotamos en una bolita y lo introducimos en un saco. Hacemos lo mismo con las 99 operaciones restantes. Ahora tendremos 100 bolas, cada una con el resultado de cada una de las operaciones de nuestra secuencia histrica. A continuacin tenemos que obtener secuencias aleatorias de esas 100 operaciones. Sacamos una bola, anotamos la ganancia o prdida que muestra y la volvemos a meter en el saco. Repetimos la extraccin 100 veces. De esta manera habremos conseguido una secuencia de 100 operaciones de manera aleatoria. Volvemos a repetir el proceso de extraccin de las 100 bolas durante un nmero significativo de iteraciones. Normalmente se realizan unas 10.000 iteraciones, con lo que conseguimos 10000 secuencias aleatorias distintas de nuestras operaciones histricas. Con lo cual, tenemos 10000 resultados finales distintos y 10000 drawdown distintos. Ya podemos por lo tanto crear una distribucin de probabilidad de nuestro resultado final y de nuestro drawdown. Ya hemos utilizado las simulaciones de Montecarlo aplicadas a nuestro mtodo de trading. Normalmente, tendremos mejores cosas que hacer que realizar 10000 extracciones aleatorias de 100 operaciones cada una, por lo que habitualmente las simulaciones de Montecarlo no se hacen manualmente, sino que se utilizan herramientas informticas que facilitan mucho su clculo.

Para qu podemos utilizar las simulaciones de Montecarlo? Con el uso de las simulaciones de Montecarlo, podemos encontrar respuesta a muchas preguntas que hasta ahora ni siquiera nos realizbamos, como por ejemplo: Cul es el rango de resultados esperados por un sistema representado por una lista de operaciones histricas? Qu drawdown podemos esperar que ocurra en el futuro en un sistema representado por una lista de operaciones histricas? Cunto capital se necesita para poder operar un determinado sistema? Hasta dnde puede caer nuestra inversin inicial sin que comencemos a ponernos nerviosos? Cul es la racha de operaciones positivas consecutivas que podemos esperar? Y la de operaciones negativas? Cunto tiempo podemos estar en drawdown? Etc... Como vern, muchas de las respuestas a estas preguntas son vitales para poder encontrar el xito en nuestros sistemas y habitualmente son preguntas a las que no le prestamos la debida atencin. Aplicacin del Mtodo de Monte Carlo en el Anlisis de Riesgo de los Proyectos
Automatizacin del Modelo de Monte Carlo De forma simplificada, se puede aplicar el Modelo de Monte Carlo en el Excel de la siguiente forma: 1. Estimar la escala de valores que podra alcanzar cada factor, y la probabilidad de ocurrencia asociada a cada valor. 2. Elegir, aleatoriamente, uno de los valores de cada factor, y dependiendo de la combinacin seleccionada, computar la tasa de rendimiento resultante 3. Repetir el mismo proceso una y otra vez, la cantidad de veces que sea necesaria, que permita definir y evaluar la probabilidad de ocurrencia de cada posible tasa de rendimiento. Como existen millones de posibles combinaciones de factores, necesitamos efectuar un nmero de pruebas suficientemente grande para que pueda apreciarse la posibilidad de ocurrencia de las varias tasas de rendimiento. El resultado a que se llegar ser una lista de distintas tasas de rendimiento que podran lograrse, que puede variar desde una prdida (si los factores son adversos) hasta la ganancia mxima que sea posible lograr conforme con los pronsticos que se hayan efectuado

4. Se calcula la tasa media esperada, que es el promedio ponderado de todas las tasas resultantes de las sucesivas pruebas realizadas, siendo la base de ponderacin la probabilidad de ocurrencia de cada una. 5. Tambin se determina la variabilidad de los valores respecto del promedio, lo que es importante porque a igualdad de otros factores, la empresa presumiblemente preferir los proyectos de menor variabilidad. Dependiendo de la poltica de decisin, el proceso lo podremos aplicar a la tasa interna de retorno o al valor actual neto. Los ejercicios aqu presentados trabajan en base al valor actual neto.