You are on page 1of 179

Gestin

Integral
Riesgos en Toma
Decisiones

de
de

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

Curva de campana (Cantidades que ocurren normalmente)


3 condiciones:
El valor ms esperado
Simetra
Ms posiblemente cerca del promedio que lejos
Ejemplos:
Retorno de un portafolio
de inversiones
Comportamiento de
un proceso

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

Extremadamente flexible, pero menos precisa que la distribucin


normal
3 condiciones:
Fijar el mnimo
Fijar el mximo
Fijar el valor
ms probable
Es la mejor en
ausencia de datos

Distribucin PERT

Los valores situados entre el ms probable y los extremos tienen


ms probabilidades de producirse que en la distribucin triangular;
es decir, los extremos no tienen tanto peso.

3 condiciones:
- Fijar el mnimo
- Fijar el mximo
-Fijar el valor ms probable

Ejemplo: Variables en el proceso


de evaluacin de un proyecto
de Inversin

Distribucin Uniforme

Es mejor cuando faltan datos


3 condiciones:
Fijar el valor mnimo
Fijar el valor mximo
Igual nivel entre
ambos valores

Ejemplos:
Fugas en una tubera
Corte de Fibras

Criterios de Evaluacin de proyectos

Son utilizados para saber si se debe realizar un proyecto


de Inversin. Estos criterios son:
- Valor Actual Neto
- Tasa interna de retorno
- Relacin Costo beneficio
- Periodo de recuperacin de la inversin
- Costo Anual Equivalente

Valor Actual Neto (VAN)


Considera de manera explcita el valor del dinero en el
tiempo, descontando los flujos de efectivo a una tasa de
descuento.

El VAN representa la riqueza adicional que se consigue con


el proyecto sobre la mejor alternativa.

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

Valor Actual Neto (VAN)


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.

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

Como los flujos de caja son inciertos, los


inversionistas demandan mayores retornos a
una tasa de descuento.

Valor Actual Neto (VAN)

FLUJO DE CAJA
INVERSION

OBJETIVO

FLUJO DE EFECTIVO

Valor Actual Neto (VAN)

Io

VPN>0

VAN

Io

t 1

VPN<0

FC
1COK
t

-I

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.

La frmula para TIRM es:

VF ( flujos de caja positivos)


TIRM
1
VP( Inversiones )
n

Tasa interna de Retorno Modificada (TIRM)


Veamos un ejemplo para el siguiente proyecto que tiene los siguientes flujos de caja:

0
-1200

1
1000

Donde: COK=10%
Obtenemos:

COK
TIR

10.00%
22.79%

2
500

3
100

Tasa interna de Retorno Modificada (TIRM)

Entonces, la manera de calcular la TIRM es:

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.

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

t 1

IR

FC
1COK
I
t

Una proporcin de 1 es lgicamente la medida ms baja aceptable en el ndice. Cualquier


valor inferior a 1,0 indicara que el valor presente de los flujos de caja futuros del proyecto
es inferior a la inversin inicial.
Un aumento en los valores del ndice de rentabilidad, tambin aumenta el atractivo
financiero del proyecto propuesto.

Inclusin de riesgos en la evaluacin de Decisiones

Riesgo e Incertidumbre

Cules son sus similitudes y diferencias?


No existe el riesgo si no hay 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.

Por ejemplo, es difcil conocer la probabilidad de que


aparezca una nueva tecnologa para producir cierto bien.

Riesgo e Incertidumbre

RIESGO

EXPOSICIN
($)

INCERTIDUMBRE
(?)

Obj.: Medir la Incertidumbre

Aplicacin del Clculo Estocstico

Obj.: Medir la Exposicin

Determinar las relaciones entre


las variables de riesgo.

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.

Para que un evento incierto sea considerado riesgoso debe tener :


Probabilidad de Ocurrencia
Severidad de Prdida

Gestin Financiera y Gestin de Riesgos

Cmo medir el Riesgo? Algunos aspectos a considerar

Definiciones operativas:

Medidas numricas de riesgo:

Dispersin de los posibles resultados


Probabilidad de no alcanzar el resultado deseado
Probabilidad de tener prdidas
Desbalance en los resultados esperados

Desviacin estndar (cuadrtica) respecto a la media


Desviacin absoluta (lineal) respecto a la media
Cuantiles estimados
Momentos superiores: asimetra, curtosis

Objetivo: cifras que tengan valor intuitivo

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

Riesgo Simtrico versus Riesgo Asimtrico

Algunas medidas de riesgo simtrico:


Desviacin estndar y varianza
Desviacin absoluta respecto a la media

Algunas medidas de riesgo asimtrico:


Semidesviacin estndar
Probabilidades empricas de prdida

Riesgo Simtrico versus Riesgo Asimtrico

Distribucin asimtrica
hacia ganancias

Resultado esperado

Distribucin asimtrica
hacia prdidas

Riesgo Simtrico versus Riesgo Asimtrico

Ambas tienen el mismo riesgo


simtrico

Los indicadores asimtricos


identifican
la
segunda
distribucin de resultados
como ms riesgosa que la
primera

Distribucin asimtrica
hacia ganancias

Resultado esperado

Distribucin asimtrica
hacia prdidas

Anlisis de riesgos usando Simulacin de Montecarlo

Anlisis de Riesgo por Simulacin


Cuando nos enfrentamos a situaciones sobre la que no es posible obtener una
informacin satisfactoria o es muy costosa su investigacin, es posible la
operacin de disear un proceso y una realidad mediante la simulacin.
As, los modelos de simulacin pretenden representar una realidad de una
manera simplificada, recogiendo las relaciones o leyes que se consideran
fundamentales y, por consiguiente, determinantes de la realidad a simular.
Matemticamente, una simulacin consiste en operar con un modelo numrico
que representa la estructura de un proceso dinmico a travs del cual se
realizan experimentos sobre x nmero de hiptesis.

Mtodo de Simulacin de Monte Carlo


El MTODO DE MONTE CARLO (propuesto por J. Von Neumann y S. Ulam)
es una tcnica de seleccin de nmeros aleatorios a travs de una o ms
distribuciones de probabilidad, para utilizarlas en una simulacin.
En un Monte Carlo, el muestreo artificial o simulado trata de crear un universo
terico descrito completamente por una LEY DE PROBABILIDAD que se
supone conocida o adecuada. Posteriormente, de este universo se obtiene una
MUESTRA aleatoria mediante una sucesin de nmeros aleatorios.

Qu es una Simulacin de Monte Carlo ?


Una simulacin Monte Carlo en su forma ms simple es un generador de
nmeros aleatorios que es til para anlisis de pronstico, estimacin, y riesgo.

Una simulacin de este tipo calcula numerosos contextos o escenarios de un


modelo al escoger repetidamente valores de una distribucin de probabilidad
de un usuario predefinido para las variables inciertas y usando esos valores
como insumo para el modelo. Ya que todos esos contextos producen resultados
asociados en un modelo, donde cada contexto puede tener un pronstico. Los
pronsticos son eventos (usualmente con frmulas o funciones) que usted define
como salidas importantes del modelo.
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:

Anlisis de Mercados

Tamao de Mercado
Precios de Venta
Crecimiento del Mercado
Cuota del Mercado

Costos Fijos y Variables

Costos Variables
Costos Fijos
Vida til de la Inversin

Costo de la Inversin

Inversin Requerida
Valor residual de la Inversin

Esquema: Simulacin de Monte Carlo


Empieza aqu: Genera un nmero
al azar (entre 0 y 1)
Transforma la Distribucin de
Probabilidad acumulada en
Distribucin de Probabilidad

Genera el siguiente nmero


al azar (entre 0 y 1 )

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

Distribuciones de Probabilidad de los Flujos de Caja


En un modelo de incertidumbre, el VAN puede considerarse una variable
aleatoria. Por tanto, la suma de variables independientes, segn el Teorema
Central de Lmite, tiende a seguir una distribucin normal cuando el nmero de
sumandos tiende a .
En la prctica, la convergencia de este teorema es eficiente y consistente, y por
ello, podemos aventurarnos a decir que una variable aleatoria como el VAN
puede aproximarse a una normal cuando el nmero de sumandos es 10.

Pasos para efectuar una simulacin

1.Desarrollo de un perfil de simulacin en Excel con RS


2.Definicin de suposiciones para las variables aleatorias.
3.Definicin de las variables de decisin (optimizacin).
4.Definicin de las celdas de prediccin, esto es, las variables de salida de
inters.
5. Correr la simulacin.
6. Interpretar y analizar los resultados.

Empezando a usar el Risk Simulator

Veamos el siguiente ejemplo


Ilustraremos el manejo del Risk Simulator para el
anlisis de riesgos, usando el siguiente ejemplo de un
proyecto privado:

La empresa de confecciones Jeans S.A. Considera un


proyecto de inversin para una nueva planta de
confecciones en el cono norte de Lima, cuyas ventas se
estiman en 30,000 unidades anuales durante los
siguientes 5 aos, con un precio de venta por unidad de
S/.75 y un costo variable unitario de S/.25. Se estima un
costo fijo de S/. 630,000. La inversin inicial fue de S/.
2800,000. La tasa de descuento que se utiliza es de
15% anual, con un horizonte de 10 aos y un valor
residual de S/. 350,000.
Se pide calcular los indicadores de rentabilidad del
Proyecto de Inversin, as como tambin realizar el
anlisis de riesgos correspondiente.

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

Volumen de ventas en unidades

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.

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
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)

Ingresar nmero deseado


de intentos de simulacin
Seleccionar si desea que
las correlaciones sean
consideradas
en
la
simulacin.

Por qu usar Valores Semilla para simulacin?

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.

Como la simulacin se basa en generadores de nmeros aleatorios, los resultados no


siempre sern exactamente iguales. Esto puede crear problemas cuando se hacen
presentaciones (las diapositivas muestran resultados diferentes a los obtenidos en la
simulacin en vivo) . Por lo tanto, configurar valores semilla garantizar que hayan los
mismos resultados.

La verdadera aleatoriedad de una simulacin no esta restringida por agregar un valor


semilla. La simulacin entera an es aleatoria.

No es necesario probar diferentes valores semilla y volver a ejecutar la simulacin. Si


se desea, es una mejor aproximacin realizar un bootstrap no paramtrico, donde hay
mltiples simulaciones concurrentes y las estadsticas resultantes de cada simulacin
con diferentes valores semilla sern compiladas.

Definimos Supuestos de Entrada


En este caso las variables tienen una distribucin triangular.

Definimos Pronsticos de Salida


El siguiente paso es definir pronsticos de salida en el modelo.

Grfica de Pronstico

La grfica de pronstico es un histograma de


probabilidad que muestra los clculos de
frecuencia de valores ocurridos en el nmero total
de intentos simulados.

Las barras verticales muestran la frecuencia de


un valor x particular ocurriendo en un nmero
total de intentos, mientras la frecuencia
acumulada (lnea uniforme) muestra el total de
probabilidades de todos los valores en y debajo
de x ocurridos en el pronstico.

Estadsticas de Pronstico

Las estadsticas de pronstico resumen la


distribucin de los valores de pronstico en
trminos de los cuatro momentos de una
distribucin.

Usar grficas de pronstico para Intervalos de Confianza


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

La simulacin Bootstrap estima la confiabilidad o precisin de los pronsticos


estadsticos o muestras de datos sin procesar. La simulacin Bootstrap puede ser
usada para responder una gran cantidad de preguntas sobre confianza y precisin en
las simulaciones. Por ejemplo supongamos un modelo idntico (con supuestos
idnticos y pronsticos pero sin ninguna semilla aleatoria) que est corriendo para 100
personas diferentes, cuyos resultados sern claramente ligeramente diferentes. La
pregunta es, si nosotros recolectamos todas las estadsticas de estas 100 personas,
como ser distribuida la media, o la mediana, o la asimetra o excesos de curtosis?
Suponga que una persona tiene un valor medio de 1.50 mientras otro 1.52. Son estos
dos valores estadstica y significativamente diferentes uno del otro o son ellos
estadsticamente similares y la pequea diferencia es debido totalmente a una
aleatoriedad fortuita? Que pasa con 1.53? Entonces, cuan lejos es suficientemente
lejos para decir que los valores son estadsticamente diferentes? Adicionalmente, si en
los resultados de un modelo la simetra es -0.19 es esta distribucin pronosticada
negativamente asimtrica o es estadsticamente suficientemente cercana a cero para
concluir que esta distribucin es simtrica y no asimtrica?

Simulacin Bootstrap No Paramtrica

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.

Simulacin Bootstrap No Paramtrica

Esencialmente la simulacin bootstrap es una herramienta de prueba de hiptesis. Los


mtodos clsicos usados en el pasado confiaban en las frmulas matemticas para
describir la procesin de muestras estadsticas. Estos mtodos asumen que la
distribucin de una muestra estadstica se aproxima a una distribucin normal haciendo
relativamente fcil el clculo del error estndar o el intervalo de confianza. Ahora,
cuando una distribucin no est normalmente distribuida o fcilmente encontrada, estos
mtodos clsicos son difciles de usar. En contraste, el anlisis bootstrapping estudia
las muestras estadsticas empricamente. Repitiendo las muestras de los datos y
creando distribuciones de los diferentes estadsticos para cada muestra. Los mtodos
clsicos de prueba de hiptesis estn disponibles en Risk Simulator y sern explicados
en la siguiente seccin. Los mtodos clsicos ofrecen alto poder en las pruebas pero
confan en los supuestos de normalidad y pueden ser usados nicamente para probar
la media y varianza de una distribucin, en comparacin con la simulacin bootstrap
que ofrece menor poder pero es no paramtrica y distribution-free, y puede ser usada
para probar cualquier estadstico distribucional. .

Ejecutar una Simulacin Bootstrap No Paramtrica


Para realizar una prueba de hipotesis, ejecute una simulacion y luego haga clic sobre el
icono de Bootstrap o en Simulador de Riesgo | Herramientas | Simulacin No
Paramtrica. Seleccione el pronstico deseado, las estadsticas que desea probar, el
numero de intentos bootstrap y ejecute el anlisis.

Interpretacin de una 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

Las Tablas Tornado y Araa ayudan


a identificar los factores crticos de
xito del resultado de una celda para
poder identificar las entradas y
simularlas.
Las variables crticas identificadas
que son inciertas son las nicas que
no deben ser simuladas. No pierda
su tiempo simulando variables que
puedan ser inciertas o tienen poco
impacto en los resultados.

Anlisis Tornado

Una Tabla Tornado organiza todas


las entradas que le dan forma al
modelo, empezando con la variable
de entrada que tiene el impacto ms
grande sobre los resultados. La tabla
se obtiene afectando cada dato
ingresado precedente en un rango
consistente (por ejemplo, 10% del
caso base) una a la vez, y
comparando sus resultados con el
caso base.

Tabla Araa

Una Tabla Araa, como su nombre lo


indica, se asemeja a una araa con
un cuerpo central y varias piernas
saliendo de ella. La pendiente
positiva indica una relacin positiva,
mientras que una pendiente negativa
indica una relacin negativa entre las
variables relacionadas. Por lo tanto,
las tablas araas pueden utilizarse
para visualizar relaciones lineales y
no lineales.

Anlisis de Sensibilidad

Las tablas de Sensibilidad son


perturbaciones
dinmicas
creadas despus de una
simulacin. Las tablas de
Sensibilidad son perturbaciones
dinmicas en el sentido de que
mltiples
supuestos
son
impactadas simultneamente y
sus
interacciones
son
capturadas en las fluctuaciones
de los resultados.

Anlisis de Sensibilidad

Las tablas de Correlacin No


Lineal de Rango, indican los
rangos que tienen las
correlaciones entre cada
supuesto y el pronstico
objetivo

Comparacin de los perfiles Rentabilidad / Riesgo


Al presentar los perfiles de rentabilidad/riesgo en un slo grfico, podemos
comparar las diferentes estrategias y seleccionar la ms deseable. Sin embargo,
el problema es determinar cul es ms conveniente para el decisor.
Cuando comparamos las curvas de rentabilidad/riesgo existen tres casos
posibles:
Que exista una dominacin determinstica.
Que exista una dominacin estocstica.
Que no exista ningn tipo de dominacin.

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.

Ningn tipo de Dominacin


Si no existe dominacin estocstica, las distribuciones de probabilidades acumuladas de
las estrategias se cruzarn y ser ms difcil hacer una afirmacin definitiva de cul es la
mejor estrategia.
Por ejemplo, las distribuciones de las estrategias E y F, que se muestran en la figura
siguiente, representan una situacin muy comn: la estrategia E tiene menor riesgo
(probabilidad de obtener un VPN negativo), pero tambin tiene menos posibilidades de
generar valores altos.
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 ?
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

Componentes de una serie de Tiempo


Veamos un ejemplo:
La series X t muestra la cantidad de pasajeros de lneas areas en Espaa de Enero de
1949 a Diciembre de 1960.

La serie muestra: Tendencia y Estacionalidad

Componentes de una serie de Tiempo


Los componentes de esta serie son:

Pronstico de Series de Tiempo


Los ocho modelos ms comunes de Series de Tiempo, segregados por estacionalidad y
tendencias se listan abajo. Por ejemplo, si la variable de datos no tiene tendencia o
estacionalidad. Entonces un modelo sencillo de promedios mviles o un modelo single
exponential-smoothing pueden ser suficientes.

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

Promedio Movil Simple

Aditivo Estacional

Suavizamiento
Exponencial Simple

Multiplicatvo
Estacional

Promedio Movil Doble

Aditivo Holt-Winter's

Suavizamiento
Exponencial Doble

Multiplicativo HoltWinter's

Pronstico de Series de Tiempo


Simulador de Riesgo| Pronstico | Anlisis de Series de Tiempo.
1. Abra o escriba algunos
datos histricos

2. Inicie el Anlisis de
Series de tiempo

3. Usted puede seleccionar cualquiera


de los 8 mtodos a escoger o escoger
Modelo de Seleccin Automtica para
que el software encuentre el modelo
que mas se ajuste.

4. Si usted escoge Modelo de


Seleccin Automtica o cualquier
modelo con un componente de
estacionalidad, entre el nmero de
estaciones por ciclo.
5. Entre el nmero deseado de
periodos a pronosticar

6. Si existe un perfil de Simulacin,


usted puede chequear esta opcin
y los resultados del pronstico
tendrn supuestos predefinidos en
ellas.

Pronstico de Series de Tiempo


Metodologas

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

El Mejor Modelo: Multiplicativo de Holt-Winter


Alfa
0.2429
Beta
1.0000
Gamma
0.7797
Estacionalidad
4
RMSE
71.8132
MSE
5157.1348
MAD
53.4071
MAPE
4.50%
U de Theil
0.3054

Segundo Mejor Modelo: Aditivo de Holt-Winter


Alfa
0.2217
Beta
1.0000
Gamma
1.0000
Estacionalidad
4
RMSE
92.4240
MSE
8542.1969
MAD
74.0883
MAPE
5.38%
U de Theil
0.3424

Tercero Mejor Modelo: Multiplicativo Estacional


Alfa
0.7195
Gamma
1.0000
Estacionalidad
4
RMSE
152.3492
MSE
23210.2897
MAD
126.6442
MAPE
9.01%
U de Theil
0.4908

Cuarto Mejor Modelo: Aditivo Estacional


Alfa
0.6882
Gamma
1.0000
Estacionalidad
4
RMSE
182.4348
MSE
33282.4687
MAD
161.1926
MAPE
10.62%
U de Theil
0.5607

Quinto Mejor Modelo: Suavizado Exponencial Doble


Alfa
0.1160
Beta
1.0000
RMSE
223.6280
MSE
50009.4736
MAD
197.9173
MAPE
15.09%
U de Theil
0.7313

Sexto Mejor Modelo: Promedio Mvil Doble


4
RMSE
272.7573
MSE
74396.5245
MAD
249.0010
MAPE
14.40%
U de Theil
0.7248

Sptimo Mejor Modelo: Suavizado Exponencial Simple


Alfa
0.7948
RMSE
287.1776
MSE
82470.9621
MAD
249.2510
MAPE
18.16%
U de Theil
0.9561

Octavo Mejor Modelo: Promedio Mvil Simple


2
RMSE
318.8152
MSE
101643.1317
MAD
280.3222
MAPE
19.55%
U de Theil
0.9623

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

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

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

Resumen del Anlisis de Series de Tiempo


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.
Periodo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Pronstico21
Pronstico22
Pronstico23
Pronstico24
Pronstico25
Pronstico26

Real Pronstico Ajustado


684.20
584.10
765.40
892.30
885.40
684.20
677.00
667.55
1006.60
935.45
1122.10
1198.09
1163.40
1112.48
993.20
887.95
1312.50
1348.38
1545.30
1546.53
1596.20
1572.44
1260.40
1299.20
1735.20
1704.77
2029.70
1976.23
2107.80
2026.01
1650.30
1637.28
2304.40
2245.93
2639.40
2643.09
2713.69
2114.79
2900.42
3293.81
3346.55
2580.81

Medidas de Error
RMSE
71.8132
MSE 5157.1348
MAD
53.4071
MAPE
4.50%
U de Theil
0.3054

Modelos de Series de Tiempo (Metodologa ARIMA)

Hasta el momento t-1 se tiene la siguiente informacin:


- Valores Pasados de la serie: X 1, X 2, , X t-1
- Innovaciones Pasadas: a 1, a 2, , a t-1
Segn la Informacin disponible, hay tres tipos de modelos:

Modelos Autorregresivos de orden p: AR(p)


El modelo incorpora la informacin de las ltimas p observaciones.

Otras formulaciones:

Polinomio en el operador de retardos L


Filtro de autorregresivo (porque est aplicado a la propia variable).

Modelos Autorregresivos de orden 1: AR(1)


Un proceso autorregresivo de primer orden, AR(1), representa una variable cuyo
valor actual est relacionado con su valor anterior mediante un modelo de regresin.

El modelo incorpora la ltima observacin.

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

Los procesos AR(1) se


reconocen por una ACF
infinita y una PACF que se
anula a partir del segundo
retardo.
Si los datos tienen media,
es necesario especificar
un trmino constante.

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)

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.
El modelo incorpora las dos ltimas observaciones.

La figura muestra el perfil de una serie


generada por un AR(2) sin constante, con
distintos valores del parmetro :

Los procesos AR(2) se


reconocen por una ACF
infinita y una PACF que
se anula a partir del
tercer retardo.
Si los datos tienen
media, es necesario
especificar un trmino
constante.

Un ejemplo:
AR(2): Z t = 1.4 Z t-1 0.7 Z t-2 + a t; a t : iid N(0,1)

Modelos de Medias Mviles de orden q: MA(q)


El modelo incorpora la informacin de las ltimas q innovaciones.

Sus caractersticas bsicas son:


- Siempre es estacionario.
- Solo q innovaciones pasadas entran en el modelo.

- La funcin de autocorrelacin se corta tras q retardos.


- Las innovaciones persisten q perodos.

Modelos de Medias Mviles de orden 1: MA(1)


Un proceso de medias mviles de primer orden, MA(1), representa una variable cuyo valor
actual est relacionado con el valor actual y anterior de las innovaciones mediante un
modelo de regresin.
El modelo incorpora la innovacin actual y la anterior

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

Los procesos MA(1) se


reconocen
por
una
PACF infinita y una ACF
que se anula a partir del
segundo retardo.
Si los datos tienen
media, es necesario
especificar un trmino
constante.

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)

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.
El modelo incorpora la innovacin actual y las dos ltimas observaciones de esta.

La figura muestra el perfil de una serie


generada por un MA(2) sin constante, con
distintos valores del parmetro :

Los procesos MA(2) se


reconocen por una PACF
infinita (no se muestra
aqu) y una ACF que se
anula a partir del tercer
retardo.
Si los datos tienen media,
es necesario especificar
un trmino constante.

Un ejemplo:
MA(2): Z t = a t 0.9 a t-1 + 0.2 a t-2; a t : iid N(0,1)

Procesos Mixtos: ARMA(p,q)


Incluyen p retardos de la propia variable y q innovaciones pasadas.

Modelos ARIMA

Reporte Auto-ARIMA

Reporte ARIMA

ARIMA (Modelos Autorregresivos Integrados de Medias Mviles)


Estadsticas de la Regresin
R-Cuadrado (Coeficiente de Determinacin)
R-Cuadrado Ajustado
R-Mltiple (Coeficiente de Correlacin Mltiple)
Error Estndar Estimado (EEy*)
Nmero de Observaciones

0.0050
-0.0052
0.0708
1.03
99

Criterio de Informacin Akaike (AIC)


Criterio Schwarz (SC)
Logaritmo de Probabilidad
Estadstico Durbin-Watson (DW)
Nmero de Iteraciones

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)

Lmite Inferior Lmite Superior


(0.2000)
0.2000
(0.2000)
0.2000
(0.2000)
0.2000
(0.2000)
0.2000
(0.2000)
0.2000
(0.2000)
0.2000
(0.2000)
0.2000
(0.2000)
0.2000
(0.2000)
0.2000
(0.2000)
0.2000
(0.2000)
0.2000
(0.2000)
0.2000
(0.2000)
0.2000
(0.2000)
0.2000
(0.2000)
0.2000
(0.2000)
0.2000
(0.2000)
0.2000
(0.2000)
0.2000
(0.2000)
0.2000
(0.2000)
0.2000

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

Debida diligencia en Pronsticos: Cuidarse de la Caja Negra


Pronsticos fuera del Rango
Errores del modelo (Causalidad Granger y causalidad circular)
No Linealidad e interacciones
Modelos mal ajustados (Bad Goodness-of-Fit)
Cambios y quiebres estructurales
Errores de especificacin y mtodos economtricos incorrectos
Variables omitidas
Multicolinealidad
Variables redundantes
Micronumerosidad y datos no estacionales
Heterosedasticidad y homosedasticidad
Autocorrelacin y Correlacin serial
Estacionalidad y ciclicidad
Errores no-esfricos y dependientes
Caminatas aleatorias, No predecibilidad y procesos estocsticos:
Movimiento Browniano
Reversin a la media
Proceso de difusin de salto
Procesos Mixtos
Y muchos, muchos, muchos, muchos otros asuntos tcnicos

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:

0.33(210) + 0.33(90) + 0.33(30) = 110


0.33(45) + 0.33(90) + 0.33(180) = 105

Las Varianzas sern:


NARANJAS: 0.33(210 110)2 0.33(90 110)2 0.33(30 110)2 5,599.9
2
2
2
MANGOS : 0.33(45 105) 0.33(90 105) 0.33(180 105) 3,583

Las Desviaciones Estndar sern:


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%
-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

La Desviacin Estndar ser: 34.11


Como se demuestra, gracias a la diversificacin el riesgo diminuy.

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

Comparacin entre Proyectos


VAN

Proyecto A:

VAN = S/. 500

E
D

1500

VANe = S/. 1500 ;

Son mejores que A:


F G H

C
K

Son peores que A

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


Proyecto A:

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.

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:
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.

Mtodos Heursticos y Algoritmos


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.
El Simulador de Riesgo usa algoritmos inteligentes para acelerar el proceso de bsqueda
e inteligentemente eliminar ciertas reas que son subptimas, logrando as incrementar la
eficiencia.

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

Pasos requeridos en una Optimizacin


Para correr un modelo de optimizacin, algunas variables deben ser primero
determinadas y creadas:
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)

Restricciones: Restricciones o condiciones que deben ser satisfechas en la optimizacin


(e.g., presupuesto, tiempo, recursos, etc.)
supuestos de simulacin: supuestos Monte Carlo cuando se corren optimizaciones
dinmicas o estocsticas.

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.

Uso de la Optimizacin en Proyectos


Ilustraremos, el uso de optimizacin en Proyectos con el siguiente ejemplo:
Proyecto
Proyecto 1
Proyecto 2
Proyecto 3
Proyecto 4
Proyecto 5
Proyecto 6
Proyecto 7
Proyecto 8
Proyecto 9
Proyecto 10
Proyecto 11
Proyecto 12

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

Uso de la Optimizacin en Proyectos

Finalmente, un proceso de Optimizacin de Frontera Eficiente aplica los


conceptos de incrementos marginales y valuacin de precios sombra en la
Optimizacin.

Uso de la Optimizacin en Proyectos


Despus de aplicar la optimizacin, el Software nos indica cual es el valor de
las decisiones (en este caso la seleccin de los Proyectos); as como tambin,
el valor de la Funcin Objetivo.
Proyecto
Proyecto 1
Proyecto 2
Proyecto 3
Proyecto 4
Proyecto 5
Proyecto 6
Proyecto 7
Proyecto 8
Proyecto 9
Proyecto 10
Proyecto 11
Proyecto 12

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

Uso de la Optimizacin en Proyectos


En nuestro ejemplo, los proyectos a elegirse deben ser:

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.

Elementos de un rbol de decisin


Alternativas de decisin: Posibles cursos de accin para el decisor.
Eventos Probabilsticos asociados al proceso de decisin: Eventos que no se
controlan y presentan incertidumbre.

Informacin Econmica Relevante: Consecuencias econmicas de las posibles


decisiones.
Secuencia del proceso de Decisin: Orden y relaciones en el cual se producen las
decisiones (Nodos de Decisin y nodos de Estado).

Solucin de un rbol de decisin


Etapas del proceso de decisin:
1.Definicin del problemas
2.Estructuracin del rbol de decisiones
3.Resolver el rbol, utilizando valores esperados y seleccionando la mejor estrategia
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.
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

Conceptos de Value at Risk

Indicador Base de Riesgo de Mercado: VaR

Valor-en-Riesgo (VaR @ 5%) a 1 da =


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)

Tres elementos distintivos de la definicin


El Value-at-Risk incorpora:

Criterio
asimtrico

Horizonte de
inversin

Significancia
estadstica

Definicin de Value at Risk (VaR)

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

Definicin de Value at Risk (VaR)

Definicin de Value at Risk (VaR)

El VaR resume la prdida mxima esperada (o peor prdida) a lo largo de un


horizonte de tiempo objetivo dentro de un intervalo de confianza dado.
El clculo del VaR est dirigido a elaborar un reporte de la siguiente forma:
Se tiene una certeza de X% de que no se perder ms de V dlares en los
siguientes N das
V es el VaR de N -das para un nivel de confianza de X%

Segn la propuesta del Comit de Basilea el intervalo de confianza ideal es de 99%


(1% de probabilidad, -2.33 desviaciones) y
Segn la metodologa de RiskMetrics es de un 95% (5% de probabilidad y -1.65
desviaciones).

Indicador Base de Riesgo de Mercado: VaR

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

Metodologas VaR alternativas

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.

Metodologas VaR alternativas

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?

A partir de los supuestos sobre la distribucin, es posible calcular directamente


el percentil de riesgo apropiado.

VaR Analtico - Delta Normal

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

Con una probabilidad de 95% en una cola


=DISTR.NORM.ESTAND.INV(5%)= -1.6448
Valor crtico: 1.6448 Desviaciones estndar

VaR Analtico - Delta Normal

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

VaR Analtico - Delta Normal

Los dos componentes: la media y la volatilidad


La media () de los rendimientos suele calcularse como el promedio aritmtico de
las rentabilidades observadas en el corto plazo. Distinguir la diferencia entre
media aritmtica y geomtrica en este caso.

La volatilidad () de los rendimientos se aproxima utilizando la desviacin estndar


de las rentabilidades observadas en el corto plazo.

Conversin de plazos
Es comn (aunque no recomendable) convertir los rendimientos y volatilidades de
un da en sus correspondientes anuales del siguiente modo:

manual mdiaria 252

anual diaria 252

VaR Analtico - Delta Normal

Perodo de anulacin de riesgo


El periodo de Anulacin de Riesgo (Defeasance Period), es el horizonte de
tiempo elegido al cual se har referencia para el clculo de la medida de
riesgo.
Las medidas de riesgo vendrn referenciadas en funcin de ese horizonte
temporal.

Rendimiento:

rperiodo rdiariaT

Volatilidad:

periodo diaria T

VaR Analtico - Delta Normal

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

Metodologas VaR alternativas

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.

Riesgos del Modelo VaR Montecarlo

Riesgos del Modelo


Suponer que la Simulacin es la nica alternativa.
Simular demasiados escenarios.
Demasiada atencin a la seleccin de parmetros o distribuciones en
detrimento de la intuicin detrs del modelo.
Mala interpretacin de resultados, especialmente intervalos de confianza.
Utilizar los mismos parmetros para distintos momentos del tiempo.
Elegir los supuestos, distribuciones, etc. que arrojan los mejores
resultados numricos.
En sntesis: Un buen modelo determinstico no necesariamente es un
buen modelo de simulacin.

Metodologas VaR alternativas

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.

Notar que los patrones de covarianza entre variables se incorporan


directamente en el procedimiento.

VaR Histrico Sntesis del proceso

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

Problemas del VaR

Medicin de Escenarios Extremos


El VaR NO captura la intensidad de prdidas.
Probabilidad
de
ocurrencia

5% de
probabilidad

-2%

-1%

VaR
USD 7MM

0%

1%

2%

Posibles
variaciones
del valor de la
cartera
en 1 da

Medicin de Escenarios Extremos


El VaR NO captura la intensidad de prdidas.

El VaR es el mismo

Por qu el VaR no es suficiente?

Los trabajos de Artzner y Delbaen (1997), demuestran que el VaR tiene


caractersticas indeseables:
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 nicamente es coherente cuando est basado en distribuciones continuas


normalizadas (ya que para una distribucin normal el VaR es proporcional a la
desviacin estndar).

Deficiencias del VaR para la toma de decisiones


El VaR NO es subaditivo.

Riesgo

VaR

Indicador sub-aditivo
0%

0%

50%

100%

Peso en el activo 1 (cartera hipottica con dos activos)

Deficiencias del VaR para la toma de decisiones


El VaR NO es convexo

Riesgo

Indicador no convexo
0%

0%

50%

100%

Peso en el activo 1 (cartera hipottica con dos activos)

Conditional Value at Risk

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.

CVaR: Valor Esperado de las Prdidas que superan al VaR

Probabilidad
de
ocurrencia

0
-2%

-1%

CVaR

0%

VaR

1%

2%

Posibles
variaciones
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.

El CVAR es continuo respecto al nivel de confianza.

Es consistente con la aproximacin de mnima varianza, ya que la cartera de


mnima varianza es la que minimiza tambin el CVAR.

VaR vs. CVaR ante recomposiciones de 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


Weight in Asset 1

CVaR @ 5%

VaR @ 5%

0.60

0.65

0.70

0.75

0.80

0.85

0.90

0.95

1.00

VaR vs. CVaR ante recomposiciones de Cartera


El VaR para tres acciones - Sol Meli, Telefnica y BSCH

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


El CVaR para tres acciones - Sol Meli, Telefnica y BSCH

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


Magnitud de las prdidas esperadas

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)

Equiv alencia del prstamo


(Exposicin al incumplimiento)

EaD
X

3.Qu cantidad de la
exposicin v a a perder la
institucin?

Grav edad
(Prdida en caso de
incumplimiento)

LGD

Cmo medir el Riesgo de Crdito?


Primero hay que definir cual es la funcin de perdida que queremos
medir:

De manera muy simple la perdida esperada resulta de calcular:


Perdida Esperada = PD * LGD *EAD

Las perdidas esperadas


se cubren con provisiones

Calculando la prdida no esperada


La perdida no esperada se mide forma equivalente al VaR de mercado
calculando la diferencia entre la mxima perdida para un cierto nivel de
confianza respecto a la perdida esperada en un periodo de tiempo.

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:
Mtodo del Indicador Bsico
No Avanzadas
Mtodo Estndar
Metodologas
de Medicin
del Riesgo
Operacional

Modelo de Medicin Interna


Avanzadas

Modelo de Distribucin de Prdida


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 ausencia de informacin es un fenmeno recurrente en la valoracin del riesgo


operacional.
Para proveer una solucin inicial al problema, a la espera de recolectar la informacin
en la medida en la cual el proceso de implantacin de la generacin de datos avance,
se puede aplicar el proceso de auto valoracin
Mediante las preguntas a expertos es posible lograr la asignacin de una funcin de
distribucin.
Para ello puede hacer uso del Mtodo Delphi a travs del cual la opinin de los expertos
converge a la caracterizacin de la variable.

DETERMINACIN DE LAS FUNCIONES DE


PROBABILIDAD

El Mtodo se desarrolla por etapas:


1. En la primera los expertos expresan su opinin y de esta informacin se produce
las estadsticas que resumen la opinin del grupo
2. En la segunda etapa, conocidos los resultados de la primera, los expertos
retroalimentan y producen un nuevo concepto.
3. El proceso se repite eliminado opiniones extremas hasta arribar a un consenso
que puede estar representado por una funcin de distribucin triangular, o por una
distribucin uniforme.

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

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:


1. Binomial
2. Poisson
3. Binomial Negativa
4. Hipergeomtrica.

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

You might also like