Professional Documents
Culture Documents
Integral
Riesgos en Toma
Decisiones
de
de
OBJETIVO
Muchas Veces Resulta Difcil Entender Lo Que Es El Riesgo Y Mucho Ms, Cuantificarlo
Conceptos Bsicos
Distribucin Normal
Distribucin Lognormal
Alargada positivamente
3 condiciones:
No puede ir debajo de cero, pero puede llegar hasta +
infinito
El log natural da una curva normal
Alargada positivamente
Ejemplos:
Precio de acciones
Tiempo de reparacin
Distribucin Triangular
Distribucin PERT
3 condiciones:
- Fijar el mnimo
- Fijar el mximo
-Fijar el valor ms probable
Distribucin Uniforme
Ejemplos:
Fugas en una tubera
Corte de Fibras
El criterio de decisin:
Si VAN es mayor que cero, aceptar el proyecto
Si VAN es menor que cero, rechazar el proyecto
Si VAN es igual a cero, es indiferente
VAN
t 0
Tiempo
Como el flujo de caja ocurre en perodos de
tiempo futuros, debemos localizarlos en el
mismo instante de tiempo.
E ( FCt )
1 r
t
Riesgo
FLUJO DE CAJA
INVERSION
OBJETIVO
FLUJO DE EFECTIVO
Io
VPN>0
VAN
Io
t 1
VPN<0
FC
1COK
t
-I
0
-1200
1
1000
Donde: COK=10%
Obtenemos:
COK
TIR
10.00%
22.79%
2
500
3
100
1200
1860
1 TIRM
TIRM 15.73%
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.
t 1
IR
FC
1COK
I
t
Riesgo e Incertidumbre
Riesgo e Incertidumbre
Al considerar el riesgo se suelen distinguir dos casos:
El riesgo propiamente dicho:
Se refiere a situaciones en las que se conoce la
probabilidad de ocurrencia de un evento particular.
Por ejemplo, la probabilidad de que en una determinada
zona caiga granizo.
La incertidumbre:
Se refiere a situaciones en las que no se conoce la
probabilidad de ocurrencia.
Riesgo e Incertidumbre
RIESGO
EXPOSICIN
($)
INCERTIDUMBRE
(?)
Anlisis de Sensibilidad.
Qu es el Riesgo?
La condicin en que existe la posibilidad de que un evento ocurra e impacte negativamente
sobre los objetivos de la empresa. Lo opuesto se llama suerte.
Definiciones operativas:
Cuantiles Estimados
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
La Asimetra mide la desviacin de una distribucin, es decir, la distribucin
est orientada hacia un lado o el otro. La media es siempre desviada hacia la
cola de la distribucin mientras que la mediana permanece constante.
rt r 3
(
)
t T W 1
W
T
Curtosis
La Curtosis mide las probabilidades de eventos extremos, prdidas
catastrficas (por ejemplo, Sep 11, cada del mercado de acciones).
rt r 4
(
)
t T W 1
W
T
Distribucin asimtrica
hacia ganancias
Resultado esperado
Distribucin asimtrica
hacia prdidas
Distribucin asimtrica
hacia ganancias
Resultado esperado
Distribucin asimtrica
hacia prdidas
Anlisis de Mercados
Tamao de Mercado
Precios de Venta
Crecimiento del Mercado
Cuota del Mercado
Costos Variables
Costos Fijos
Vida til de la Inversin
Costo de la Inversin
Inversin Requerida
Valor residual de la Inversin
Recalcula el modelo y
registra el resultado de la
simulacin para este
intento
Convierte el nmero
al azar en un valor
de muestra
PRODUCT PROFORMA
Unit Sales
10
Sales Price
$ 10.00
Total Revenue
$ 100.00
Variable Cost/Unit
$
5.50
Total Variable Cost
$ 55.00
Total Fixed Cost
$ 20.00
Total Cost
$ 75.00
Net Revenue
$ 25.00
Introduce el valor de
muestra al modelo
de transformacin
Datos
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
30,000
Precio Unitario
75
Costo Unitario
25
Escenarios
Bajo
Medio
Alto
Costo Fijo
630,000
27,000
30,000
39,000
Valor Residual
350,000
65
75
90
2,800,000
20
25
35
Inversion
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.
Ttulo de la Simulacin
Seleccionar
si
desea
detener
la
simulacin
cuando se encuentre un
error.
Seleccione e ingrese un
valor de capital si quiere
que la simulacin siga una
secuencia
de
nmero
aleatorio especfico (no
est activado inicialmente)
Configurar el mismo valor semilla (mismo numero aleatorio de valor secuencial) en una
simulacin siempre obtendr los mismo resultados, asumiendo que el numero de
intentos es el mismo y que el modelo con los supuestos relevantes y pronsticos son
los mismos.
Grfica de Pronstico
Estadsticas de Pronstico
Si nosotros sacamos este pronstico 100 veces, i.e., correr una simulacin de prueba
1,000 por 100 veces y recolectamos 100 coeficientes de asimetra, la asimetra de la
distribucin podra indicar que tan lejos est cero de 0.19. si el 90% de confianza en la
distribucin asimtrica bootstrapped contiene el valor cero, entonces podramos
concluir que con un nivel de confianza del 90%, esta distribucin es simtrica y no
asimtrica. Y que el valor0.19 es estadsticamente suficientemente cercano a cero. De
otro lado, si cero cae fuera de esta rea de confianza del 90%, entonces esta
distribucin es negativamente asimtrica. El mismo anlisis puede ser aplicado a los
excesos de curtosis y otras estadsticas.
Anlisis Tornado
Tabla Araa
Anlisis de Sensibilidad
Anlisis de Sensibilidad
Dominacin Determinstica
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.
A pesar de que la dominacin estocstica es positiva, no garantiza que la estrategia D sea
mejor que la C en cada escenario posible. Para un escenario en particular es decir, para
una combinacin especfica de los valores de las variables aleatorias es posible que la
estrategia C tenga un VPN mayor que el de la estrategia D. Sin embargo, en general, la
estrategia D es superior.
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.
Proyeccin de Variables
Qu es Pronosticar ?
Hay una preocupacin por conocer lo que va a
suceder en el futuro, dado que permite adaptar
las acciones presentes a posibles resultados
esperados o no deseables.
Predecir anticipadamente el futuro de los
aspectos de cada proyecto que tienen
incertidumbre, a travs de la medicin de
variables
econmicas,
utilizando
las
herramientas apropiadas para cada variable,
escenario o proyecto, las cuales pueden ser
cualitativas o cuantitativas
Con Tendencia
Sin Tendencia
Desde luego, si la estacionalidad existe pero no est presente una tendencia, un modelo
Aditivo Estacional o Multiplicativo Estacional podra ser mejor.
No Estacionalidad
Con Estacionalidad
Aditivo Estacional
Suavizamiento
Exponencial Simple
Multiplicatvo
Estacional
Aditivo Holt-Winter's
Suavizamiento
Exponencial Doble
Multiplicativo HoltWinter's
2. Inicie el Anlisis de
Series de tiempo
Ao
2006
2006
2006
2006
2007
2007
2007
2007
2008
2008
2008
2008
2009
2009
2009
2009
2010
2010
2010
2010
Trimestre
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
Periodo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Ventas
$684.20
$584.10
$765.40
$892.30
$885.40
$677.00
$1,006.60
$1,122.10
$1,163.40
$993.20
$1,312.50
$1,545.30
$1,596.20
$1,260.40
$1,735.20
$2,029.70
$2,107.80
$1,650.30
$2,304.40
$2,639.40
Multiplicativo de Holt-Winter
Reporte
Resumen Estadstico
Alfa, Beta, Gamma
0.00, 0.00, 0.00
0.10, 0.10, 0.10
0.20, 0.20, 0.20
0.30, 0.30, 0.30
0.40, 0.40, 0.40
0.50, 0.50, 0.50
RMSE
914.824
415.322
187.202
118.795
101.794
102.143
RMSE
914.824
415.322
187.202
118.795
101.794
El anlisis se llev a cabo con alfa = 0.2429, beta = 1.0000, gamma = 0.7797, y estacionalidad = 4
Medidas de Error
RMSE
71.8132
MSE 5157.1348
MAD
53.4071
MAPE
4.50%
U de Theil
0.3054
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
AR(1) phi=.5
400
500
100
200
300
AR(1), phi=.9
400
500
Un ejemplo:
zt
AR(1):
0.5zt
.4
.3
.2
.1
.0
-.1
-.2
-.3
-.4
100
200
300
AR(1) phi=.5
400
500
at ; at
iid N(0,.01)
Un ejemplo:
AR(2): Z t = 1.4 Z t-1 0.7 Z t-2 + a t; a t : iid N(0,1)
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
MA(1), theta=.5
400
500
100
200
300
ma(1), theta=.9
400
500
Un ejemplo:
MA(1):
zt
at
.5at
.4
.3
.2
.1
.0
-.1
-.2
-.3
-.4
100
200
300
MA(1), theta=.5
400
500
; at
iid N(0,.01)
Un ejemplo:
MA(2): Z t = a t 0.9 a t-1 + 0.2 a t-2; a t : iid N(0,1)
Modelos ARIMA
Reporte Auto-ARIMA
Reporte ARIMA
0.0050
-0.0052
0.0708
1.03
99
2.8549
2.9478
-141.32
1.9634
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(t1)+...+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
Coeficientes
Error Estandar
Estadstico t
P-Value
Menor a 5%
Mayor a 95%
Intercepto
AR(1)
-0.0812
0.1041
-0.7799
0.4373
0.0917
-0.2540
-0.0714
0.1021
-0.6995
0.4859
0.0982
-0.2410
Grados de Libertad
Grados de Libertad para la Regresin
Grados de Libertad Residual
Grados de Libertad Totales
Prueba de Hiptesis
Estadstico t Crtico (99% confianza con diferencia de 97)
Estadstico t Crtico (95% confianza con diferencia de 97)
Estadstico t Crtico (90% confianza con diferencia de 97)
1
97
98
2.6275
1.9847
1.6607
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 de
Cuadrados
Regresin
Residual
Total
0.52
103.68
104.2
Suma del
Promedio de
Cuadrados
0.52
1.07
Estadstico
F
Valor P
0.49
0.4900
Prueba de Hiptesis
Estadstico F Crtico (99% confianza con diferencia de 1 y 97) 6.9036
Estadstico F Crtico (95% confianza con diferencia de 1 y 97) 3.9391
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
Tiempo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
AC
(0.0701)
0.0452
(0.0607)
(0.1133)
0.0032
0.1052
(0.0992)
0.1246
(0.1335)
(0.0503)
0.0115
(0.1192)
0.0902
(0.0308)
(0.0604)
0.0631
(0.0834)
(0.0181)
(0.0284)
(0.0943)
PAC
(0.0701)
0.0405
(0.0551)
(0.1240)
(0.0085)
0.1141
(0.1018)
0.0904
(0.1024)
(0.0634)
0.0061
(0.1215)
0.0682
(0.0616)
(0.0445)
0.0281
(0.0630)
(0.0206)
(0.0923)
(0.0618)
Estadstico Q
0.5020
0.7123
1.0956
2.4467
2.4478
3.6366
4.7067
6.4128
8.3920
8.6761
8.6910
10.3244
11.2711
11.3828
11.8175
12.2972
13.1460
13.1863
13.2873
14.4130
Valor P
0.4786
0.7004
0.7781
0.6542
0.7843
0.7257
0.6957
0.6011
0.4952
0.5631
0.6504
0.5875
0.5881
0.6557
0.6928
0.7233
0.7264
0.7804
0.8235
0.8090
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
Perodo
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
Real (Y)
-0.7847
0.6472
-0.2010
-0.1425
-0.5960
0.1616
-1.1230
1.0685
-0.6736
-0.4483
-0.9325
-0.3389
1.6845
0.3663
-2.1754
-0.6381
-0.3391
-0.9872
-0.2461
-0.6384
1.0572
-0.6763
-1.2208
0.4092
-1.3784
0.2279
1.3809
0.0143
0.7861
0.1225
-0.4418
1.2610
-1.8734
3.1207
-0.1084
0.6486
-0.4967
-1.1036
-1.7587
1.5954
-1.6172
-0.6617
-0.1160
-1.1080
Pronstico (F)
(0.1146)
(0.0251)
(0.1274)
(0.0668)
(0.0710)
(0.0386)
(0.0927)
(0.0010)
(0.1575)
(0.0331)
(0.0491)
(0.0146)
(0.0570)
(0.2015)
(0.1073)
0.0742
(0.0356)
(0.0569)
(0.0107)
(0.0636)
(0.0356)
(0.1567)
(0.0329)
0.0060
(0.1104)
0.0173
(0.0974)
(0.1798)
(0.0822)
(0.1373)
(0.0899)
(0.0496)
(0.1713)
0.0527
(0.3041)
(0.0734)
(0.1275)
(0.0457)
(0.0023)
0.0445
(0.1951)
0.0344
(0.0339)
(0.0729)
Error (E)
(0.6701)
0.6723
(0.0736)
(0.0757)
(0.5251)
0.2002
(1.0302)
1.0694
(0.5161)
(0.4153)
(0.8834)
(0.3244)
1.7414
0.5678
(2.0681)
(0.7124)
(0.3035)
(0.9302)
(0.2354)
(0.5748)
1.0927
(0.5196)
(1.1879)
0.4032
(1.2680)
0.2106
1.4784
0.1941
0.8682
0.2599
(0.3518)
1.3107
(1.7021)
3.0680
0.1956
0.7220
(0.3692)
(1.0579)
(1.7563)
1.5510
(1.4221)
(0.6961)
(0.0821)
(1.0351)
RMSE:
1.0234
El Riesgo y la Diversificacin
El Riesgo y la Diversificacin
La Diversificacin resulta de la combinacin de valores cuyo rendimiento es menor que la correlacin
perfecta para reducir el riesgo de la cartera. El rendimiento de la cartera (varios proyectos a invertir) es
simplemente un promedio ponderado de los rendimientos de los valores individuales, no importando el
nmero de los valores en la cartera.
La Diversificacin disminuye el Riesgo
Para probar esta afirmacin usaremos el siguiente ejemplo:
Un agricultor produce Naranjas y Mangos. Dichos cultivos desarrollan ms o menos en funcin al
comportamiento del clima. Las naranjas se desarrollan mejor en climas fros y los mangos en los
climas calurosos. Segn ello los resultados de cada cultivo son los siguientes:
Clima Fro
Clima Normal
Clima Caluroso
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 %
Sus valores esperados sern:
NARANJAS:
MANGOS:
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%
-3d
-2d -1d
1d
2d
3d
El Riesgo y la Diversificacin
D = 59.86 Mangos
D = 74.86 Naranjas
-3d
-2d -1d
1d
2d
3d
El Riesgo y la Diversificacin
Si el agricultor decide invertir 50 % en cada cultivo en lugar de sembrar solo uno se obtendr:
El Valor Esperado ser:
0.33 ( 127.5 ) + 0.33 ( 90 ) + 0.33 ( 105) = 107.50
Su Varianza ser:
0.33(127.5 107.5)2 0.33(90 107.5)2 0.33(105 107.5)2 1,163.81
El Riesgo y la Diversificacin
D = 34.11
DIVERSIFICACIN
D = 59.86 Mangos
D = 74.86 Naranjas
-3d
-2d -1d
1d
2d
3d
El Riesgo y la Diversificacin
Desviacin estndar para el
rend. cartera
Riesgo diversificable
No sistemtico
Riesgo Total
Riesgo sistemtico o
relacionado con el
mercado
Cantidad de Holdings
Proyecto A:
E
D
1500
C
K
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.
VANe = $ 1500 ;
VAN = $ 500
Proyecto B:
VANe = $ 2800 ;
VAN = $ 1540
No existe ninguna frmula matemtica o criterio que nos pueda indicar, con exactitud la decisin ms
conveniente.
La eleccin depender bsicamente de la actitud y preferencia hacia la toma de riesgos del
inversionista, lo cual variar en funcin del volumen del proyecto con relacin a su patrimonio.
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.
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:
Cules acciones colocar en un portafolio, as como el peso de cada accin como un
porcentaje del presupuesto total.
Optimizar el equipo de trabajo para una lnea de produccin.
Proyectar y seleccionar estrategias y priorizacin
Optimizacin de Inventarios.
Precios ptimos y tasas de regalas
Utilizacin de empleados para planeamiento de la fuerza de trabajo
Configuracin de mquinas para programacin de produccin.
Localizacin de bodegas para distribucin
Flexibilidad en el diseo de manufacturas.
Polticas de tratamiento en administracin de residuos.
Tipos de Optimizacin
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
Procedimientos de Optimizacin
Optimizacin esttica
Optimizacin sin simulacin: RAPIDA
Gran punto de arranque antes de hacer un anlisis de optimizacin avanzado.
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.
VAN
$458.00
$1,954.00
$1,599.00
$2,251.00
$849.00
$758.00
$2,845.00
$1,235.00
$1,945.00
$2,250.00
$549.00
$525.00
Total
$17,218.00
Retorno/Riesgo
2.4573
MAX
Costo
$1,732.44
$859.00
$1,845.00
$1,645.00
$458.00
$52.00
$758.00
$115.00
$125.00
$458.00
$45.00
$105.00
$8,197.44
< =$5000
Riesgo $
Riesgo %
Relacin
Retorno/Riesgo
ndice de
Rentabilidad
Seleccin
$54.96
$1,914.92
$1,551.03
$1,012.95
$925.41
$560.92
$5,633.10
$926.25
$2,100.60
$1,912.50
$263.52
$309.75
12.00%
98.00%
97.00%
45.00%
109.00%
74.00%
198.00%
75.00%
108.00%
85.00%
48.00%
59.00%
8.33
1.02
1.03
2.22
0.92
1.35
0.51
1.33
0.93
1.18
2.08
1.69
1.26
3.27
1.87
2.37
2.85
15.58
4.75
11.74
16.56
5.91
13.20
6.00
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
$7,007
40.70%
12.00
<=6
VAN
$458.00
$1,954.00
$1,599.00
$2,251.00
$849.00
$758.00
$2,845.00
$1,235.00
$1,945.00
$2,250.00
$549.00
$525.00
Total
$5,776.00
Retorno/Riesgo
3.7543
MAX
Costo
$1,732.44
$859.00
$1,845.00
$1,645.00
$458.00
$52.00
$758.00
$115.00
$125.00
$458.00
$45.00
$105.00
$3,694.44
< =$5000
Riesgo $
Riesgo %
Relacin
Retorno/Riesgo
ndice de
Rentabilidad
Seleccin
$54.96
$1,914.92
$1,551.03
$1,012.95
$925.41
$560.92
$5,633.10
$926.25
$2,100.60
$1,912.50
$263.52
$309.75
12.00%
98.00%
97.00%
45.00%
109.00%
74.00%
198.00%
75.00%
108.00%
85.00%
48.00%
59.00%
8.33
1.02
1.03
2.22
0.92
1.35
0.51
1.33
0.93
1.18
2.08
1.69
1.26
3.27
1.87
2.37
2.85
15.58
4.75
11.74
16.56
5.91
13.20
6.00
1.0000
0.0000
0.0000
1.0000
0.0000
1.0000
0.0000
1.0000
0.0000
0.0000
1.0000
1.0000
$1,539
26.64%
6.00
<=6
Proyectos elegidos
Proyecto 1
Proyecto 4
Proyecto 6
Proyecto 8
Proyecto 11
Proyecto 12
rboles de Decisin
Qu es un rbol de decisin ?
Herramienta analtica para la estructuracin y evaluacin de problemas bajo
incertidumbre.
Tcnica para presentar, analizar, seleccionar y evaluar entre varias posibilidades de
accin o escenarios.
Permiten entre otros evaluar consecuencias, implementar variables de riesgo, hacer
anlisis con variables discretas y/o continuas, hacer predicciones y clculos de
probabilidades.
Diagrama de Influencia
Los diagramas de influencia son una herramienta grfica que nos permite analizar,
causas, efectos, as como variables no controlables y crticas.
Nos permiten identificar las variables y rutas claves para tomar una decisin adecuada.
Los elementos claves en los diagramas de influencia son:
Nodos
Flechas o arcos
Tipos de Nodos
Nodo de Decisin
Nodo de Incertidumbre
Nodo Terminal
Veamos un ejemplo
Otorgamiento Crdito
Una entidad desea decidir si otorgar un crdito o no a un cliente para la compra de un
vehculo por US$ 20.000.
Se encuentra en la siguiente situacin:
Si se otorga el crdito existe una probabilidad del 0.1 de incumplimiento
Si el cliente realiza los pagos la entidad obtiene una utilidad del 15% sobre el valor del
vehculo
Si el cliente incumple la entidad tiene un costo de US$ 15.000
El no otorgamiento del crdito no genera costo para la compaa
Veamos un ejemplo
Veamos un ejemplo
Riesgo de Mercado
7 millones
Qu significa esto?
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)
Criterio
asimtrico
Horizonte de
inversin
Significancia
estadstica
Definicin
Es la mxima prdida esperada
dentro de un horizonte de inversin de n das
con una probabilidad de error de %
Criterio
asimtrico
Horizonte de
inversin
Significancia
estadstica
Probabilidad
de
ocurrencia
5% de
probabilidad
0
-2%
-1%
VaR
USD 7MM
0%
1%
2%
Posibles
variaciones
del valor de la
cartera
en 1 da
Mtodo Analtico
(Delta Normal)
Mtodo Montecarlo
(Simulaciones)
Mtodo Histrico
(Histogramas)
Las similitudes
Los tres mtodos buscan estimar un valor
crtico para las prdidas potenciales.
Las diferencias
Cada mtodo realiza distintos supuestos
acerca de qu valores son representativos
sobre las futuras prdidas potenciales y cmo
stas se distribuyen estadsticamente.
Mtodo Analtico
(Delta Normal)
Mtodo Montecarlo
(Simulaciones)
Mtodo Histrico
(Histogramas)
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
Probabilidad de
ocurrencia
Posibles valores de la
variable aleatoria
0
-3
-2
-1
+1
+2
+3
68.26%
95.44%
99.74%
Probabilidad de
ocurrencia
5%
90%
5%
Posibles valores de la
variable aleatoria
Generalizacin
Si llevamos esta generalidad a una distribucin normal N(m,)
tendramos que normalizar para calcular qu valor de x se superar
con una probabilidad de 5%.
xm
xm
xm
P z
5% 1.65
5% P 1.65
x 1.65 m
Conversin de plazos
Es comn (aunque no recomendable) convertir los rendimientos y volatilidades de
un da en sus correspondientes anuales del siguiente modo:
Rendimiento:
rperiodo rdiariaT
Volatilidad:
periodo diaria T
El intervalo de confianza
Segn la propuesta del Comit de Basilea[1] el intervalo de confianza
ideal es de 99% (1% de probabilidad, -2.33 desviaciones estndar) a
10 das.
Segn la metodologa de RiskMetrics[2] es de un 95% (5% de
probabilidad y -1.65 desviaciones estndar) a 1 da.
[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
Mtodo Analtico
(Delta Normal)
Mtodo Montecarlo
(Simulaciones)
Mtodo Histrico
(Histogramas)
VaR Montecarlo
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 una distribucin conocida (no
necesariamente normal o simtrica).
Para ello es posible utilizar algn procedimiento de ajuste o bootstrapping.
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.
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.
Se mantiene el supuesto previo de que el comportamiento pasado es
representativo del futuro cercano.
Procedimiento
Se utiliza el propio histograma emprico de los retornos histricos para
calcular el nivel de prdidas crtico.
Variables actuales
Cambios histricos
Tasas de inters
Tasas de inters
Tasas de inters
Tipos de cambio
Tipos de cambio
Tipos de cambio
Spreads de riesgo
ndices burstiles
Spreads de riesgo
Valores posibles
Spreads de riesgo
ndices burstiles
ndices burstiles
Histograma
de valores
posibles
Valoracin del
portafolio
A manera de Resumen
5% de
probabilidad
-2%
-1%
VaR
USD 7MM
0%
1%
2%
Posibles
variaciones
del valor de la
cartera
en 1 da
El VaR es el mismo
Por ello, de modo agregado se dice que el VaR no es una medida coherente de
riesgo.
Riesgo
VaR
Indicador sub-aditivo
0%
0%
50%
100%
Riesgo
Indicador no convexo
0%
0%
50%
100%
Qu es el CVaR ???
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.
Probabilidad
de
ocurrencia
0
-2%
-1%
CVaR
0%
VaR
1%
2%
Posibles
variaciones
del valor de la
cartera
en 1 da
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
CVaR @ 5%
VaR @ 5%
0.60
0.65
0.70
0.75
0.80
0.85
0.90
0.95
1.00
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.
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.
Prdidas esperadas
EL
=
1. Cul es la probabilidad de
que la contraparte incumpla
los pagos?
Probabilidad de incumplimiento
PD
X
2.
Cunto deber
este cliente a la institucin en
caso de incumplimiento?
(Exposicin esperada)
EaD
X
3.Qu cantidad de la
exposicin v a a perder la
institucin?
Grav edad
(Prdida en caso de
incumplimiento)
LGD
Las perdidas no
esperadas se cubren con
capital
Riesgos Operacionales
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:
Mtodo del Indicador Bsico
No Avanzadas
Mtodo Estndar
Metodologas
de Medicin
del Riesgo
Operacional
METODOLOGAS DE MEDICIN
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
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
MEDICIN DE LA SEVERIDAD
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