Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1. 2.
4.2 SIMULACIN CON RISK SIMULATOR ................................................................................. 26 4.2.1 DEFINIENDO PERFIL .................................................................................................... 27 4.2.2 DEFINIENDO VARIABLES SUPUESTOS ......................................................................... 28 4.2.3 DEFINIENDO VARIABLES PRONSTICO ...................................................................... 29 4.2.4 EJECUTANDO LA SIMULACIN ................................................................................... 29 4.2.5 RESULTADOS DE LA SIMULACIN .............................................................................. 30 4.2 EJEMPLO DE COSTOS TOTALES ......................................................................................... 32 4.3 VaR por Mtodo de Simulacin de Montecarlo ................................................................ 35 4.4 Ejemplo de Evaluacin de Proyectos ................................................................................ 35 4.5 OPTIMIZACIN CON RISK SIMULATOR.............................................................................. 39 4.5.1 DEFINIENDO VARIABLES DECISIN ............................................................................ 40 4.5.2 DEFINIENDO VARIABLES OBJETIVO ............................................................................ 40 4.5.3 DEFINIENDO RESTRICCIONES ..................................................................................... 41 4.5.4 EJECUTAR LA SIMULACIN......................................................................................... 41 4.5.5 RESULTADOS DE LA OPTIMIZACIN ........................................................................... 42 4.6 ANLISIS DE SENSIBILIDAD Y TORNADO ........................................................................... 43 4.7 PRONSTICO ..................................................................................................................... 46 4.7.1 Regresin Lineal ......................................................................................................... 47 4.7.2 Anlisis de Series de tiempo....................................................................................... 49 4.7.3 Pronsticos Box-Jenkins ARIMA ................................................................................. 52 4.7.3.1 identificacin de un modelo arima ........................................................................ 52 4.7.3.2 Estimacin ............................................................................................................... 55 4.7.3.3 Diagnostico .............................................................................................................. 55 4.7.3.4 pronostico ............................................................................................................... 56 4.7.4 ESTIMACIN POR RS .................................................................................................. 56 4.8. PROCESOS ESTOCSTICOS ............................................................................................... 59 4.9 MODELOS LOGIT- PROBIT TOBIT .................................................................................... 62 4.10 HERRAMIENTAS ESTADSTICAS Y ANALTICAS ................................................................ 65 5. BIBLIOGRAFA ...................................................................................................................... 72
RIESGO
El inters por la administracin del riesgo se ha incrementado de manera vertiginosa esto en parte es causa de la globalizacin; en vista del gran nmero de transacciones que se presentan a diario entre empresas de diferentes lugares del mundo, hay presencia de efectos aleatorios los cuales pueden modificar los resultados de las transacciones, pero estos efectos pueden presentarse desde cualquier contexto: cambios en el precio de una accin, la volatilidad en el tasa de cambio de un pas con respecto a otro, el dao de una mquina de produccin, la sequa o el exceso de lluvias, el cambio en la normatividad de un pas, son slo algunos ejemplos de los efectos aleatorios que se encuentran en la realidad. Estos efectos aleatorios se pueden clasificar en dos, uno al que llamaremos riesgo y otro incertidumbre, aunque ambos estn relacionados, el primero es la posibilidad de que ocurra un evento o impacto adverso, que puede ser interno o externo, que genere en cierto perodo de tiempo una variacin en los resultados esperados de una situacin dada, esta posibilidad es medible. Mientras la incertidumbre se diferencia con el riesgo en que no es medible debido a que incluye variables que se desconocen. Es importante que las organizaciones tengan claro qu es el riesgo y adems que tengan conocimiento de los tipos de riesgos que se pueden presentar para as poder establecer polticas de gestin del riesgo de una forma ms acertada. Pero, por qu es importante la administracin del riesgo?. El riesgo es una variable importante en la toma de decisiones, si no se tienen en cuenta los riesgos a los que se enfrenta un individuo, una empresa, un sector o un pas, los resultados podran no ser los esperados. Un ejemplo claro es la decisin de una inversin, si se desea invertir en la Bolsa de Valores de Colombia, en la accin de la empresa A que tiene un valor por accin de $ 10.000, y el inversionista desea obtener ganancia, l esperar que para cierto perodo de tiempo la accin suba y de esta manera vender y obtener una ganancia. Pero qu ocurre si en vez de subir, la accin baja, el inversionista se enfrenta a una prdida. Pero qu puede causar sta prdida?, puede ser desde un efecto por alguna noticia sobre la empresa A, hasta por el anunci de la Reserva Federal en Estados Unidos de un incremento en la tasa de referencia. El inversionista debe tener en cuenta todos estos factores de riesgo (variables aleatorias que no se conocen en el futuro ni su comportamiento exacto) para su decisin. As mismo se puede presentar el caso donde la accin A llega a niveles superiores a los que esperaba el inversionista. Para poder controlar todos esos factores es importante desarrollar una buena administracin del riesgo. La correcta gestin del riesgo incluye procedimientos capaces de generar y ofrecer un buen entendimiento de los conceptos y factores de riesgo as como las clases de riesgo a los que est expuesta una entidad, esto permitir realizar una planificacin para anticiparse a los posibles resultados y consecuencias.
TIPOS DE RIESGO
A continuacin se presentarn las clases de riesgo a las que una entidad puede enfrentarse: Riesgo de Crdito: Son las posibles prdidas que se pueden generar por deterioro de la situacin financiera de terceros o contraparte que tienen obligaciones con la entidad Riesgo de Mercado: Posibles prdidas que se pueden dar por variaciones en tasas de inters, tasas de cambio, precios y dems factores de riesgo. Riesgo de Liquidez: Posibilidad de prdidas que se pueden generar por la imposibilidad de vender activos o de adquirir pasivos ante necesidades de liquidez Riesgo Operacional: Es la posibilidad de que se incurra en una prdida causada por una insuficiencia o falla de procesos, del personal, procedimientos, de maquinaria o cualquier elemento que influya en las labores de la empresa. Riesgo Legal: Riesgo de prdida debido a los cambios en la normatividad de un pas que afecta los acuerdos contractuales, procesos legales o sentencias adversas. Riesgo ambiental: Posibilidad de prdida causada por un efecto ambiental o climtico. Cada clase de riesgo contiene un grupo de factores de riesgo, por ejemplo, en el riesgo de mercado, algunos factores de riesgo son la tasa de inters, la tasa de cambio y el precio, entre otros. Como primer paso se deben definir los factores de riesgo de una empresa y posteriormente se determina un mapa de riesgos, el tercer paso medir el riesgo asignando un conjunto de nmeros a las posibilidades de ocurrencia de los hechos inciertos, cuarto paso la medicin de la exposicin y por ltimo determinar una medida integral del riesgo. Una vez se tenga una medida de riesgo, el personal encargado de la administracin de riesgo tiene diferentes alternativas para la gestin, ellas son: Eludir la exposicin eliminando la fuente de riesgo Transferir el riesgo pagando por ello Cubrir el riesgo Mitigar Asumir
medicin del riesgo para activos financieros, por lo cual su anlisis se realiza para entidades que cotizan en bolsa o que tengan inversiones en activos financieros. Algunas de las metodologas referenciadas en este trabajo son aplicables a empresas del sector real que no invierten en la bolsa o no tienen relacin con activos financieros, as como las que si se relacionan. El anlisis del riesgo de mercado se basa en clculo de la volatilidad a la que est enfrentado un activo financiero, tales como acciones, bonos, futuros, as como variables financieras fundamentales como son la tasa de inters y la tasa de cambio de referencia. Estas metodologas se calculan con base en los retornos simples de un activo definidos como
1
para
donde indica el precio del activo en el perodo , [2] presentan otras formas del clculo de los retornos las cuales ofrecen ventajas estadsticas y matemticas, en ste trabajo se usar el concepto de retorno simple presentado en la ecuacin (20) para facilidad en los clculos y su anlisis. En el caso de un portafolio, el retorno puede escribirse como: para el siguiente perodo
(1) donde las ponderaciones un activo en el perodo . estn indexadas por el tiempo, para reconocer la indica el retorno para
Como el inters es medir el riesgo de mercado de un activo2, tal como lo menciona [2], una forma de medirlo es por medio de la funcin de distribucin de probabilidad de las prdidas y ganancias de los activos. La primera forma de medir el riesgo es por medio de la desviacin estndar la cual se calcula de la distribucin de probabilidad de las prdidas y ganancias, la desviacin estndar mide la volatilidad de los retornos de un portafolio, se define como:
, ,
Se usar la palabra Activo para un conjunto de activos financieros donde mismo significado que Portafolio el cual es un conjunto de activos financieros.
El Valor en Riesgo o VaR3 es una medida estadstica que cuantifica la exposicin al riesgo de mercado, a travs de la estimacin de la prdida mxima que podra registrar un portafolio en un intervalo de tiempo y con cierto nivel de confianza, es decir, el VaR es la mnima prdida esperada en una posicin para un horizonte temporal, con un nivel de confianza (probabilidad) y moneda de referencia especficos. Esta metodologa fue difundida por JP Morgan en 1994, donde se expona que al considerar la diversificacin de portafolios y analizar las correlaciones entre los rendimientos de los activos se poda disminuir el riesgo a causa de las volatilidades de los mercados financieros, bajo condiciones normales del mercado, ya que en momentos de crisis y turbulencias econmicas la prdida esperada se define por pruebas de estrs. Usando una definicin estadstica, el VaR es el nivel de prdidas que se sita entre los peores resultados esperados y los mejores resultados esperados en un perodo de tiempo de la funcin de distribucin de prdidas y ganancias del activo. De acuerdo a la definicin anterior, si el VaR diario de una cartera es de 1 milln de dlares, con una probabilidad del 95%, significa que, en el perodo que comprende las prximas 24 horas, existe una probabilidad del 5% de que la prdida ser superior al milln de dlares o dicho de otra forma, la probabilidad de que las prdidas sean inferiores a 1 milln de dlares es del 95%. Existen diferentes mtodos de calcular el VaR, el ms comn es el de varianzas y covarianzas, tambin conocido como mtodo paramtrico o analtico, otras metodologas se basan en la simulacin, que son de mayor uso en inversiones en derivados. Entre estos mtodos se destacan la simulacin por Montecarlo y la simulacin histrica.
2.1.2 Cpulas
Utilizando la teora en espacios mtricos, Abe Sklar (1959) desarrolla un conjunto de funciones denominadas cpulas, funciones que unen una funcin de distribucin multivariada a sus marginales unidimensionales. La cpula logra capturar la estructura de dependencia entre las variables, ya que se encuentra definida por la transformacin uniforme de las distribuciones marginales, independiente de la distribucin de probabilidad que tengan cada una. Bajo esta premisa, no se hace necesario exigir distribuciones de probabilidad normales para las distribuciones marginales de las variables. Una Cpula es la funcin que vincula las distribuciones marginales de las variables con su distribucin conjunta. El objetivo de las cpulas es encontrar la funcin de distribucin conjunta H que mejor refleje la relacin entre X y Y; aqulla que garantice que la distribucin condicionada que se
3
Value at Risk
asocie represente fielmente esa relacin de dependencia y pueda ser utilizada en el clculo del VaR. Las cpulas permiten definir distribuciones de probabilidad conjuntas entre variables, adicionales a las distribuciones multivariadas estndar que limitan los tipos de dependencia a los que se puede representar. En este sentido, es posible concluir que la cpula logra capturar toda la informacin que exista sobre dependencia en un conjunto de variables.
La teora del valor extremo introducida en los aos cincuenta por el matemtico alemn Emil Julius Gumbel, soluciona los problemas que se presentan en la medicin del riesgo cuando la distribucin de los retornos o precios de los activos financieros presenta colas pesadas y por ende cuando existe una mayor probabilidad de ocurrencia de eventos extremos. Existen dos tipos de metodologas para la identificacin de los valores extremos en las series. El primero es conocido como mximo por bloques, cuyo campo de aplicacin radica en las observaciones ms grandes de una muestra amplia de observaciones idnticamente distribuidas. Por lo tanto, este modelo considera el mximo valor que toma una variable aleatoria en periodos sucesivos de tiempo. Dichas observaciones son consideradas como los valores extremos de la serie para cada uno de los periodos seleccionados. El segundo tipo de metodologa es conocido como picos sobre el umbral (POT por sus siglas en ingls), los cuales se basan en las observaciones de una muestra que exceden un lmite o umbral previamente definido. Estos modelos a su vez se encuentran divididos en aquellos que son semiparamtricos, como los construidos alrededor del estimador de Hill, y los totalmente paramtricos, basados en la Distribucin Generalizada de Pareto (GPD). En este caso, la serie original no es dividida en bloques, sino que se define un umbral a lo largo de su historia, y aquellas observaciones que lo exceden se consideran valores extremos. Una de las grandes ventajas que ofrece el modelo POT es que gracias al uso ms eficiente de la informacin, es considerado como el modelo ms til en aplicaciones prcticas
3.
RIESGO DE CRDITO
En un mundo altamente competitivo, el paisaje empresarial est cambiando rpidamente. No hace mucho tiempo, los acreedores ofrecan crdito a ttulo personal, a menudo eran a vecinos de la ciudad o grupos sociales conocidos. Como la toma de decisiones se hizo ms centralizada, el mtodo tradicional de revisin por un agente de crdito ya no era factible y tampoco rentable. Para realizar un proceso de decisin ms racional y cuantificable, el acceso a informacin ms predictiva se convirti en un elemento imperativo y la informacin de crdito se volvi extremadamente valiosa, [12].
Actualmente el tema del riesgo en las organizaciones se ha convertido en uno de los principales temas a tratar en las agendas de las compaas, especialmente el riesgo crediticio pues gran parte de la actual crisis se debe a falencias en la administracin de este tipo de riesgo. Como se mencion anteriormente el riesgo crediticio son las posibles prdidas que se pueden generar por deterioro de la situacin financiera de terceros que tienen obligaciones con la entidad, este tipo de riesgo se mide para activos con naturaleza crediticia por ejemplo prstamos comerciales, hipotecas, crditos de consumo, entre otros. A continuacin se presentarn los elementos de medicin del riesgo de crdito:
El objetivo de la medicin del riesgo crediticio es obtener la distribucin asociada a las prdidas de incumplimiento esperadas y no esperadas, y el promedio de esta distribucin es la Prdida Esperada (Expected Loss), es decir, el monto de capital que podra perder una entidad en un plazo determinado si la contraparte no cumpliera con las obligaciones contradas. Este clculo se debe realizar constantemente ya que permite afrontar futuras prdidas y tomar medidas oportunas tales como hacer provisiones. Para su clculo son necesarios los siguientes elementos:
3.1.1 Probabilidad de Incumplimiento (PD) Es la probabilidad de que un cliente caiga en incumplimiento en un perodo determinado. Su mnimo valor es cero, lo cual indicara que es imposible que incumpla con sus obligaciones, y su mximo valor es uno cuando es seguro que incumpla.
3.1.2 Exposicin (EAD) Estima la cantidad que el cliente adeudar al momento de que caiga en incumplimiento.
3.1.3 Severidad de la Prdida (LGD) Es el porcentaje estimado de lo que la institucin perdera en caso de que el cliente cayera en incumplimiento Teniendo estos tres componentes, la Prdida Esperada es simplemente el producto de ellos: (1)
supuestos y se valen de nuevos sistemas de aprendizaje como son redes neuronales, algoritmos genticos y K-nn (estimacin basada en un conjunto de entrenamientos o prototipos). Pero, precisamente por la implementacin de las mencionadas metodologas la tcnica no-paramtrica ha recibido crticas dirigidas a la falta de transparencia y sobreestimacin de las probabilidades, [18].
manteniendo los dems factores fijos y otros factores que adems de influyen en
Para los modelos de scoring la variable dependiente es una variable binaria, dicotmica o dummy, donde la variable toma los valores de uno o cero. Para modelos de crdito sta variable se relaciona con aprobacin o no del crdito, calificacin del cliente (bueno o malo), entre otros. Supngase que para cada individuo o unidad experimental se define la siguiente variable aleatoria:
Y= Los modelos con variables dummy son los modelos de escogencia discreta, dentro de ste grupo se encuentra la regresin lineal, pero se le da el nombre de modelo lineal de probabilidad. En los modelos lineales de probabilidad se encuentran algunos inconvenientes como son la violacin del supuesto de heteroscedasticidad, pero la principal debilidad del procedimiento de estimacin es que no hay posibilidad de restringir que los valores estimados estn entre 0 y 1, es decir, .
10
Es una tcnica que permite construir un modelo predictivo para pronosticar el grupo al que pertenece una observacin a partir de determinadas caractersticas observadas que delimitan su perfil. El anlisis discriminante es una tcnica de clasificacin y segmentacin ad hoc que permite asignar o clasificar nuevos individuos u observaciones dentro de grupos o segmentos previamente definidos. Su objetivo es producir una regla o esquema de clasificacin que permita predecir la poblacin a la que es ms probable que tenga que pertenecer una nueva observacin o individuo, [16]. El modelo predictivo que pronostica el grupo de pertenencia de una observacin en virtud del perfil define la relacin entre una variable dependiente que es categrica y varias variables independientes. Por tanto, la expresin funcional del anlisis discriminante puede escribirse como . Las categoras de la variable dependiente definen los posibles grupos de pertenencia de las observaciones o los individuos y las variables independientes definen el perfil conocido de cada observacin. El objetivo principal del anlisis discriminante es utilizar los valores conocidos de las variables independientes medidas sobre un individuo u observacin para predecir qu categora le corresponde para clasificar el individuo en la categora adecuada, otra finalidad del anlisis discriminante es poder determinar las diferencias entre los grupos y su interpretacin, esto se realiza por medio de las variables discriminantes, cuando se valoriza las caractersticas que diferencian un grupo de otro se le denomina anlisis discriminante descriptivo y el uso del anlisis discriminante para la prediccin del grupo de pertenencia se denomina funcin discriminante. Cada caso o individuo deben ser mutuamente excluyente, es decir, debe corresponder a uno y slo a un grupo; el modelo discriminante tiene los siguientes supuestos bsicos: normalidad multivariante, homocedasticidad, linealidad y ausencia de multicolinealidad. Una vez comprobados los supuestos, se obtienen una serie de funciones lineales a partir de las variables independientes que permitan interpretar diferencias entre grupos y clasificar los individuos. Las funciones lineales son llamadas funciones discriminantes y son combinaciones lineales de las variables discriminantes, en un caso donde la variable dependiente tiene G grupos denominado anlisis discriminante mltiple, el nmero mximo de funciones , donde es el nmero de variables explicativas. viene dada por la siguiente funcin lineal lineales viene dado por
(3)
Los
ejes discriminantes vienen definidos respectivamente por los vectores definidos mediante las siguientes expresiones
11
Sea la matriz within-group de la suma de cuadrados y de productos cruzados y sea la matriz between-groups de la suma de cuadrados y de productos cruzados. [8], sustent la funcin discriminante lineal basada en los valores y vectores propios de . Para obtener , donde el primer coeficiente discriminante ponderado , debemos maximizar son los valores propios en orden decreciente, tenemos para
(4)
respecto de
e igualando a
(5)
(6)
(7)
, obteniendo hasta ejes discriminantes los cuales no son ortogonales. Una vez obtenidas las funciones discriminantes, el siguiente paso es su interpretacin la cual se realiza analizando la contribucin de las variables independientes en la funcin discriminante correspondiente, para un individuo , al sustituir los valores de cada variable independiente en la funcin discriminante correspondiente se obtendr la puntuacin discriminante, cada coeficiente representar el cambio producido en caso de que una variable cambie. Para realizar la clasificacin de los individuos es necesario basarse en las funciones de clasificacin por grupos, las cuales realizan la clasificacin de acuerdo a cuanto mayor sea la proximidad del individuo al grupo correspondiente, una vez teniendo las puntuaciones correspondientes se procede a establecer el grupo al que debe ser asignado, tomando el mayor valor de la puntuacin y ese ser su grupo. Otro procedimiento para realizar la clasificacin es el de funciones de distancia generalizada, ste procedimiento se basa en el clculo de la distancia de un caso a los centroides de cada uno de los grupos, los centroides se calculan reemplazando en cada funcin discriminante los valores de las 12 por su valor medio
en cada . Para el clculo de esta distancia se usa la distancia de Mahalanobis, [14], por lo tanto se asignar un individuo a un grupo de acuerdo a la menor distancia de Mahalanobis calculada. Un procedimiento muy utilizado es usando las probabilidaddes de pertenencia al grupo, donde simplemente un individuo ser clasificado donde su probabilidades de pertenencia sea mayor, ste mtodo supone que todos los grupos poseen un tamao similar, pero en caso de que los tamaos sean diferentes, se incorpora el clculo de probabilidades a priori usando para ello tcnicas bayesianas de estimacin, lo cual permite mejorar la prediccin y disminuir el error de clasificacin; con la regla de bayes es posible calcular la probabilidad a posteriori que sera la probabilidad de pertenencia en cada grupo.
3.3.3 Modelo Logit y Probit A causa de las limitaciones del modelo lineal de probabilidad, se debe buscar otra herramienta que permita transformar en una probabilidad, se debe buscar una funcin tal que: (8) De tal modo que, la probabilidad de que es una funcin de las variables
exgenas, as que para que tome valores entre cero y uno, debe ser una funcin de probabilidad. Para esto en la medicin del credit scoring se han usado dos funciones de distribucin de probabilidad, la primera la distribucin normal estndar la cual se denomina modelo PROBIT y la segunda es una funcin logstica llamada LOGIT, ambos que hacen parte de los modelos de seleccin discreta. La distribucin normal no es la que mejor describe el comportamiento de la variable respuesta, la distribucin Bernoulli es la que describe el comportamiento de la variable aleatoria , donde es posible que el evento tome dos valores (0,1)
Para , cuando para tiene distribucin Bernoulli con parmetro , la funcin de densidad de probabilidad tiene la forma: (9)
13
. Esta distribucin se encuentra dentro de la familia exponencial con .En la distribucin Bernoulli, el valor esperado de es
parmetro natural
igual a la probabilidad de observar el evento de inters, la media se restringe al intervalo y la varianza es una funcin particular de la media. Un modelo que cumple con estas condiciones es
(10)
es el vector de cuando
(11)
El lado izquierdo de la expresin en (??) es llamado la funcin logit y es equivalente al logaritmo del cociente de la probabilidad de observar el evento sobre la probabilidad de no observarlo, es decir , donde
(12) (13)
El cociente es llamado razn de disparidad (odds ratio) o como los momios a favor de la opcin . a parte de
Para la ecuacin (8) se tiene otra funcin de distribucin asociada para la funcin logstica con media cero y varianza uno, as tenemos que:
14
(14)
(16)
(17)
De tal forma se puede resumir la probabilidad de que la variable cero y uno de la siguiente forma
tome valores de
(18)
(19)
La diferencia entre las distribuciones normal y logstica es que sta ltima da ms peso a las colas en la distribucin, la estimacin de estos modelos no es posible realizarla por el mtodo de mnimos cuadrados ordinarios debido al incumplimiento de las propiedades de los estimadores ya que no son insesgados, por lo tanto la estimacin es realizada por el mtodo de Mxima Verosimilitud. Este mtodo selecciona como estimador aquel valor del parmetro que tiene la propiedad de maximizar el valor de la probabilidad de la muestra observada, para lo cual es necesario construir una funcin de verosimilitud que expresa la probabilidad de obtener valores observados en funcin de los parmetros desconocidos. Se han realizado varios estudios para determinar cul es el mejor mtodo, el Probit o el Logit, an no se ha llegado a una conclusin pero para modelos de scoring el modelo logstico ha tomado ventaja por su mejor poder predictivo, [5] hace una extensa explicacin sobre esta conclusin.
15
Los rboles de decisin son una herramienta grfica, con una rama o raz como la estructura de las cajas y lneas, que se utiliza para mostrar las posibles vueltas de eventos que pueden-o no-ser controlables, incluso el nombre implica que cada rama supone que representa opciones a disposicin de una toma de decisiones. Los rboles de decisin tambin se utilizan para la visualizacin de datos en la clasificacin y prediccin de problemas. En general, los rboles de decisin no estn bien adaptados para elaboracin de modelos de prediccin, pero hay casos en que se puede considerar. Un ejemplo de ello son los datos disponibles para un sistema de puntuacin para el desarrollo de un nuevo producto. Esto podra ser abordado mediante la definicin de una primera estructura de rbol usando los datos disponibles, y, posteriormente, la utilizacin de arranque (muestreo con reemplazo) para calcular las diferentes probabilidades de nodo terminal que luego se promedia.
La humanidad en los ltimos siglos ha tratado de sustituir los esfuerzos del hombre con las mquinas. Recientemente, este esfuerzo se ha extendido ms all del trabajo en el dominio del pensamiento y la toma de decisiones. Si bien el objetivo es hacer la vida ms fcil, muchas personas temen que las computadoras, con el tiempo, obtengan la capacidad de pensar y funcionar de manera similar a los seres humanos. De hecho, el uso de cualquier modelo predictivo como parte de un proceso de decisin podra ser interpretada como la influenza aviar. Estas son las redes neuronales, que pueden describirse como elementos de clculo de redes que pueden responder a los insumos, y aprender a adaptarse al medio ambiente. stas son, supuestamente capaces de imitar la manera en que funciona el cerebro humano, especialmente cuando se trata de auto-organizacin y aprendizaje. El resultado final es algo as como un rbol de decisin, excepto que el detalle es mucho ms fino.
16
La prueba de Kolmogorov-Smirnov (KS) ([10]; [19]) es una prueba que se fundamenta en la curva de Lorenz en las teoras de crecimiento. En el caso de credit scoring, este estadstico se utiliza para evaluar el poder predictivo del sistema. La metodologa que se lleva a cabo es la de tomar dos distribuciones, se fija un valor crtico y si el valor de KS es menor que ese valor crtico entonces habr evidencia para decir que esas dos distribuciones son iguales y que el modelo tiene un buen nivel predictivo. La hiptesis nula de la prueba K-S es que las dos muestras provienen de poblaciones con la misma funcin de distribucin
si
Finalmente, el estadstico KS mide la diferencia entre dos distribuciones. Para el caso aplicado al scoring se evala si ste puede hacer distincin entre los prstamos buenos y malos. Por lo tanto hace una distincin en la distribucin de scoring entre los buenos y los malos. Generalmente, el rango que toma el KS se encuentra entre 20 y 70. Se debe considerar que para la creacin del este indicador se necesita de las frecuencias acumuladas tanto de los buenos como de los malos.
17
negativos. Cuando esta curva tiende hacia la izquierda, entonces se dice que el modelo tiene un buen poder de prediccin. Para todos los posibles puntos de corte o criterios de clasificacin que se seleccionen para discriminar dos poblaciones, en este caso buenos y malos clientes, siempre habr casos en los que se clasificarn correctamente a los buenos clientes como buenos (A: fraccin positiva verdadera) y algunos casos en donde los buenos clientes sern clasificados como malos (B: fraccin de falsos negativos). Por otro lado, algunos clientes malos sern clasificados como buenos (C: fraccin de falsos positivos) y algunos clientes malos sern correctamente clasificados como malos (D: fraccin negativa falsa). Lo anterior lo podemos describir por medio de la siguiente tabla: Buenos Modelo/Observado Buenos Malos Total A B A+B C D C+D A+C B+D Malos Total
Tabla 1: Clasificacin de clientes del modelo vs. Observado De acuerdo a lo anterior, se define lo siguiente:
Sensibilidad =
Especificidad =
El rendimiento global de una prueba de diagnstico se suele resumir el rea bajo la curva ROC. Esta rea se puede interpretar como la probabilidad de que el resultado de una prueba de diagnstico de un sujeto anormal, seleccionado al azar ser mayor que el resultado de la prueba de diagnstico mismo de un sujeto normal seleccionado al azar. Cuanto mayor es el rea bajo la curva ROC, mejor ser el rendimiento global de la prueba de diagnstico.
3.5.3 Chi-Square
Es utilizada para medir o evaluar una hiptesis, comparando los datos reales con los estimados, en esta prueba se establece un lmite de confianza, y se busca la relacin lineal entre las variables, y por medio del p - valor establece una medida de confianza. Sin embargo el uso de esta prueba no garantiza plenamente la independencia o la dependencia de las variables, ya que est sujeto al nivel de confianza y al p - valor que 18
utilicemos para aceptar o rechazar la hiptesis nula, pero entre mayor sea el nivel de significancia utilizado menor ser la probabilidad de rechazar errneamente la hiptesis nula. Esta prueba es utilizada dentro del riesgo financiero, para estimar en cierta medida la tendencia de las variables con relacin al tiempo, y estimar el riesgo con relacin a las personas consideradas buenas o malas. Dentro del crdito es necesario tener en cuenta que el uso de esta prueba esta estimando unos datos, que en la realidad estos pueden verse afectados por otras variables. Los clientes son aceptados o rechazados dentro de los crditos dependiendo del grado de riesgo que se determine. Sin embargo el comportamiento de los crditos es dinmico y puede verse afectado por la infraestructura, la competitividad, los cambios en la economa, etc. Variables que no son independientes y por el contrario pueden estar muy correlacionadas entre s.
escoger una tcnica para modelar el riesgo de crdito se debe tener en cuenta la informacin con la que se cuenta, as como las herramientas tecnolgicas disponibles y la experticia de quien vaya a modelar. Sin embargo la tendencia general es que no se llegue a un acuerdo sobre cul modelo es superior o mejor ya que simplemente pueden ser construidos bajo tcnicas o metodologas diferentes como por ejemplo aquellos que usan redes neuronales, los tradicionales de anlisis estadstico, [11].
20
El clculo se realiza multiplicando un factor de 15% por promedio de los tres ltimos aos de los ingresos netos anuales positivos de la institucin. 2.3.2 Mtodo Estndar (STDAOp) y Estndar Alternativo (ASA)
STDAOp: Se clasifican los activos en ocho lneas de negocio y se les asigna un factor que puede ser del 12%, 15% 18%. Cada factor se multiplica al promedio de los tres ltimos aos de los ingresos netos positivos; en caso de que el ingreso neto total sea negativo en algn ao, entonces se sustituye el valor de ese ao por cero. ASA: Se calcula igual que el STDAOp a excepcin de dos lneas de negocio, la banca comercial y la minorista. En el caso de estas lneas de negocio, los prstamos y los anticipos son multiplicados por un factor fijo m = 0.035, y el resultado sustituye a los ingresos brutos como indicador de riesgo.
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.
21
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
2.3.3.2 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.
22
4.
RISK SIMULATOR
Risk Simulator es un software de simulacin Monte Carlo, pronstico y optimizacin. El software est escrito en Microsoft .Net y C# y funciona junto con Excel como complemento. Risk Simulator contiene los siguientes mdulos: Simulacin de Monte Carlo Pronstico Optimizacin Modelacin y herramientas de anlisis
Los requisitos mnimos para Risk Simulator son: Procesador Pentium IV Windows XP o Vista MS Excel XP, 2003 2007 80 MB en Disco Duro 1GB de RAM
23
Grfica 1. Men Simulador de Riesgo En la grfica 1 se observan cada uno de los conos que contienen las funciones de Risk Simulator, a continuacin se mencionar la funcionalidad de cada una de los conos.
ICONO
FUNCIONALIDAD Es el cono principal de Risk Simulator ya que permite acceder a todas las funcionalidad del software por medio de un men de opciones, son las mismas funcionalidades de los dems conos pero en un solo listado. Crea un nuevo perfil de simulacin para almacenar todos los supuestos de entrada y pronsticos de salida. Puede tener mltiples perfiles en un solo modelo Permite seleccionar, eliminar o duplicar entre varios perfiles activos uno para realizar la simulacin.
Edita las preferencias del perfil activo, como son nmero de iteraciones, valor semilla de simulacin, activacin de correlaciones y el nombre del perfil. Establece en la celda activa un supuesto de entrada de distribucin. La celda debe contener un valor y no una funcin. Establece en la celda activa como pronstico de salida. La celda debe contener una funcin o ecuacin. Copia un supuesto de simulacin, la variable de pronstico o de decisin con sus parmetros o vnculos a celdas correspondientes.
24
Pega las celdas copiadas con el cono Copiar, supuestos de simulacin, variables de pronstico o decisin. Si despus de dar Copiar se da ESC se copian los parmetros pero no los valores de la celda copiada. Quita el supuesto de simulacin, variable de pronstico o decisin.
Corre la simulacin a una velocidad regular (til en modelos pequeos o cuando la sper velocidad no puede ser aplicada debido a errores en el modelo. La simulacin se ejecuta a sper velocidad primero examinando el modelo y luego convirtindolo a cdigo puro. No todos los modelos pueden correr a sper velocidad, por ejemplo cuando se tienen datos externos o funciones VBA. Corre la simulacin paso a paso. Esto es muy til para pronstico de ilustracin o para revisar si una celda de supuesto o pronstico esta cambiando correctamente. Restablece la simulacin a su estado inicial.
Ejecuta optimizaciones estticas, estocsticas y dinmicas, crea un reporte si elige la optimizacin estocstica, lo anterior si se ha definido correctamente los supuestos, las variables de decisin y objetivo. Objetivo: Establece la celda la cual se maximizar o minimizar la optimizacin Decisin: Establece la celda la cual est relacionada con la celda objetivo Restriccin: Son las restricciones generadas por las variables de decisin o de objetivo. El cono emerge el listado de todas las herramientas analticas disponibles en el simulador de riesgo, por ejemplo anlisis estadstico, economtrico, distribucin, etc. Cambia las opciones del programa como idioma, colores en los supuestos, pronsticos o decisin y permite que Risk Simulator inicie o no automticamente con Excel. Permite obtener ayuda en lnea sobre el programa, manual de usuario, modelos de ejemplo, informacin de contacto y otras fuentes de informacin Permite la administracin de la licencia del software (instalacin y actualizacin) 25
Despliega diferentes conos de Risk Simulator para las opciones de Simulacin, Pronstico, Optimizacin y Herramientas de Anlisis.
26
Las Constantes
El Modelo
D
Grfica 2. Proceso de Simulacin En la grfica 2 se observa la relacin que debe existir entre las variables y el modelo para realizar la simulacin, de igual forma este procedimiento se debe realizar para hacer optimizaciones y para hacer optimizacin estocstica. Los pasos para realizar la simulacin de Monte Carlo debe seguir los siguientes pasos por Risk Simulator: 1. 2. 3. 4. 5. Definir un perfil Definir variables supuestos Definir variable pronstico Ejecutar la simulacin Obtener reportes y/o datos
4.2.1 DEFINIENDO PERFIL Por medio del cono Nuevo Perfil se definen las caractersticas para la nueva simulacin, en el grfico 3 se observa la ventana emergente del Nuevo Perfil, en esta ventana se define el nombre de la simulacin, el nmero de iteraciones, si se activan las correlaciones, especificar la semilla del nmero aleatorio y si en el caso de encontrar errores en la simulacin pausar o continuar la simulacin.
27
Grfica 3. Nuevo Perfil de Simulacin En el caso en que ya se tengan varios perfiles de simulacin, entonces se debe proceder a seleccionar un perfil de los disponibles en el libro activo.
Una vez activado o seleccionado el perfil de simulacin, colocando el cursor sobre una celda que contenga un valor que vaya a ser seleccionada como variable de supuesto se da clic en el cono de Supuesto de Entrada o clic derecho y la misma opcin y se selecciona una distribucin dependiendo si la variable es discreta o continua. Tanto continuas como discretas Tambin se puede ajustar una funcin a los datos del comportamiento de la variable aleatorias Es posible definir una funcin a la medida de los datos
28
Como se observa en la grfica 4, hay un listado de posibles distribuciones que se ajustan de acuerdo al tipo de informacin disponible, al modelo o a la experiencia del analista. Cada distribucin necesita unos parmetros que deben ser ingresados por el usuario o son el resultado de un ajuste de distribucin anterior.
4.2.3 DEFINIENDO VARIABLES PRONSTICO Antes de la definicin de una variable como pronstico se debe hacer con anterioridad una definicin del modelo tal como se explica en la grfica 2, la variable pronstico debe contener una funcin y/o frmula que vincule las variables de supuesto y el modelo.
Grfica 5. Variable Pronstico En la grfica 5 se observa la ventana emergente como resultado de activar el cono de Pronstico de Salida, en esta ventana es posible definir el nombre de la celda de pronstico, el nivel de precisin que por default es del 95%, el nivel de error y si se desea que haya una dinmica entre la simulacin y la ventana de pronstico.
4.2.4 EJECUTANDO LA SIMULACIN Finalizado el proceso de definicin de variables supuesto y pronstico se procede a ejecutar la simulacin, se tienen las alternativas de Paso a Paso, Correr y Sper Velocidad.
4.2.5 RESULTADOS DE LA SIMULACIN Al momento de finalizar la simulacin se obtienen los resultados correspondientes de acuerdo a los criterios seleccionados en el perfil de simulacin, las variables supuesto y de pronstico, se genera una grfica de cada una de las variables pronstico en el caso de haber sido activada la opcin correspondiente.
Grfica 7. Grfica de Pronstico SI se desea obtener un reporte del modelo se va a Herramientas Analticas Crear un reporte (grfica 8) el cual muestra cuales fueron los supuestos y las variables de pronstico.
Grfica 8. Reporte del modelo Si se desea obtener solamente los resultados del pronstico Herramientas Analticas Crear la Tabla Estadstica del Pronstico, de lo cual emerge la ventana de la grfica 9.
30
La tabla estadstica de pronstico (grfica 9), permite obtener los resultados de los estadsticos descriptivos bsicos de la variable de pronstico, as como los percentiles que el usuario desee. Recordando en la grfica 10 el procedimiento de la simulacin de Monte Carlo
Grfica 10. Etapas de una Simulacin La simulacin de Montecarlo tiene varias ventajas entre las cuales tenemos: 31
Adems de la funcin estimada, otro resultado de la simulacin es una medida del error entre la funcin calculada a partir de la muestra y la de la poblacin. En efecto, la desviacin estndar de la muestra permite tener una medida de la calidad del estimativo, pero tambin de la mejora en este estimativo a medida que se incrementa el nmero de experimentos. As, la potencia del mtodo de simulacin de Monte Carlo descansa en su capacidad de entregar estimaciones muy cercanas a la de la poblacin Muestra la frecuencia de los valores estimados Anlisis de Certidumbre Estadsticas y Percentiles
PARA TENER EN CUENTA Los supuestos son la clave para los procesos de simulacin Siempre ponga nombre a cada supuesto Utilice datos si se tienen disponibles Siempre considere las correlaciones posibles
32
En este caso la relacin es Costos totales = Costos fijos + Costos Variables, pero los Costos Variables es igual al Costo Unitario * Unidades producidas. El rea de produccin le comenta a usted la situacin de la empresa, en la cual se ha tenido como histrico que el Costo Unitario (CU) han tenido un comportamiento de $ 1 por unidad, llegando a un mximo de $6, pero que en promedio es $3 el valor ms comn, luego le comentan que las Unidades Producidas (UP) es de mnimo 500 y mximo 1000. De acuerdo a lo anterior las celdas de CU y UP se asignaran como Supuestos de Entrada, la primera como una distribucin triangular y la segunda como uniforme discreta.
Posteriormente el objetivo de la simulacin es la celda del Costo Total por lo tanto se selecciona como Pronstico de Salida 33
Se recuerda que para que una celda se pueda definir como de Pronstico debe tener una funcin y/o formula que se vincule con las celdas a simular. El modelo quedar visualizado de la siguiente forma:
34
Por lo tanto ya se puede conocer con un nivel de certeza a cunto ascendern los costos totales ante diferentes escenarios.
Donde S es el precio de mercado, el rendimiento del activo, t el horizonte de estudio, la volatilidad del activo y una variable aleatorio normal estndar.
AL valor del 95% de la cola derecha se le resta el precio final y este es el VaR para una accin.
35
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. Se debe considerar los siguientes datos para algunas variables: Escenarios Datos Volumen de ventas en unidades Precios unitario Costo unitario Bajo 27,000 65 20 Medio 30,000 75 25 Alto 39,000 90 35
El primer paso es crear un perfil de simulacin, se usarn 10.000 simulaciones. A continuacin se establece en MS Excel el modelo correspondiente de tipo determinstico.
36
En este caso lo que se busca es construir el flujo de caja futuro del proyecto para un horizonte de 10 aos, del cual el objetivo fundamental es obtener el valor del VAN. De acuerdo a lo anterior las celdas correspondientes a Volumen de ventas, Precio Unitario y Costo Unitario se asignarn como Supuestos de Entrada, todas como una distribucin triangular.
37
El objetivo de la simulacin es la celda del VAN (tal y como se mencion lneas arriba) por lo tanto se selecciona como Pronstico de Salida.
38
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.
Los procedimientos de optimizacin son posibles con variables Continuas, discretas y discretas y continuas mezcladas. Los mtodos de optimizacin disponible en Risk Simulator son: Lineal No lineal Esttica: Estimados rpidos de un solo punto Dinmica: Simulacin con Optimizacin Estocstica: Mltiples iteraciones con distribuciones de variables de decisin
Para realizar un proceso de Optimizacin con Risk Simulator se debe seguir el siguiente procedimiento: 1. Definir un perfil 39
SOFTWARE SHOP INSTRUCTOR: BRAYAN RICARDO ROJAS 2. 3. 4. 5. 6. Definir variables de decisin Definir variable objetivo Definir las restricciones Ejecutar la optimizacin Obtener reportes y/o datos
4.5.1 DEFINIENDO VARIABLES DECISIN Las variables de decisin son aquellas que necesitan ser ajustadas y probadas de acuerdo a unas restricciones que pueden ser un rango de valores discretos o continuos o tomar valores binarios, la combinacin de estas variables permite llegar a una optimizacin de la variable objetivo. Para definir las variables de decisin en la seccin de Optimizacin se da clic sobre el cono Decisin de lo cual emerge la ventana que se observa en el grfico 11.
Grfico 11. Variable de Decisin En la celda activa se establecern los rangos que la variable puede tomar, entre ellos valores continuos o discretos y adems est la opcin de que la celda tome valores binarios 0 1. Finalmente la celda queda por default resaltada con un color Azul que indica que es una variable de decisin.
4.5.2 DEFINIENDO VARIABLES OBJETIVO Las variable objetivo son aquellas que se maximizaran o minimizaran de acuerdo al modelo planteado, estas variables deben contener una formula o funcin que est relacionada directa o indirectamente con las variables de decisin.
40
Al dar clic sobre Objetivo de la seccin de Optimizacin, se debe estar previamente ubicado en la celda que ser el objetivo. La ventana emergente (grfica 12) necesita solamente que se indique el tipo de optimizacin.
Grfico 12. Variable Objetivo 4.5.3 DEFINIENDO RESTRICCIONES La definicin de las restricciones puede ser antes o despus de la definicin de la variable objetivo, las restricciones pueden ser de igualdad =, mayor o igual que >= o menor o igual que <=.
Grfica 13. Definicin Restricciones 4.5.4 EJECUTAR LA SIMULACIN Al finalizar el proceso de definicin de variables y restricciones se procede a seleccionar el mtodo de optimizacin, el cual puede ser esttico, dinmico o estocstico, en la grfica 14 se puede observar las opciones correspondientes.
41
Grfica 14. Configuracin Optimizacin En la ventana Resumen de Optimizacin del grfico 14, es posible editar opciones con respecto a la optimizacin, tales como seleccionar de un conjunto de variables de decisin una o varias, de igual forma para las restricciones y se puede modificar la celda objetivo. Al finalizar la configuracin se da clic en OK.
4.5.5 RESULTADOS DE LA OPTIMIZACIN Al finalizar el proceso de optimizacin se genera una ventana de resultado de la optimizacin, donde se presenta la grfica de evolucin de la optimizacin, as como el proceso de iteracin correspondiente, en la grfica 15 se puede observar un ejemplo de una optimizacin, una vez se tiene el resultado de la optimizacin se procede a reemplazar los valores iniciales por los valores optimizados.
42
Grfica 15. Resultado de Optimizacin Finalizado el procedimiento es posible obtener reportes de la misma forma que se realizaba con la simulacin de Montecarlo. Una herramienta muy poderosa que tiene Risk Simulator es la posibilidad de ejecutar optimizaciones estocsticas, sta metodologa es la inclusin de simulaciones de Montecarlo y Optimizaciones, la forma de modelacin es la vinculacin de los temas tratados anteriormente.
43
El ejemplo consiste en un Flujo de Caja de un proyecto de inversin, para realizar el anlisis tornado se debe seleccionar una celda objetivo en este caso el Valor Presente Neto, por lo tanto se va a Herramientas Analticas Anlisis Tornado
44
El anlisis Tornado se realiza previ a las simulaciones dado que va analizar la relacin que existe entre todas las variables del modelo y la variable objetivo, para lo cual usa un anlisis de escenarios, por defecto el programa hace un incremento y una disminucin del 10% sobre el valor base de cada variable en el modelo y observa como ante cambios en cada variable afecta a la variable objetivo.
El reporte generado por el software explica cmo se debe realizar la interpretacin y anlisis de los resultados, el aporte principal del anlisis tornado es que permite analizar cules son las variables que ms importancia tienen con respecto al objetivo. Esto facilita parametrizar las simulaciones dado que se tendra como prioridad las variables de mayor relevancia dadas por la herramienta Tornado. El anlisis de Sensibilidad se realiza posterior a las simulaciones, este procedimiento consiste en realizar mltiples perturbaciones para ver el resultado en la variable objetivo, para realizar el anlisis de sensibilidad posteriormente a la simulacin se debe ubicar en la celda objetivo ir a Herramientas Analticas- Anlisis de Sensibilidad.
45
4.7 PRONSTICO
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 Risk Simulator provee al usuario de varias metodologas de pronstico:
Box- Jenkins Arima Regresin Lineal Mltiple Extrapolacin No Lineal Pronstico Estocstico Anlisis de Series de Tiempo Cadenas de Markov Modelos GARCH
46
Uno de los principales objetivos de los modelos de regresin es explicar el comportamiento de un fenmeno variable dependiente a partir de un conjunto de regresores variables independientes. Con frecuencia la forma funcional que define la relacin entre la(s) variable(s) dependiente(s) y los regresores ha sido establecida por alguna ciencia o disciplina. Sin duda, por su facilidad de interpretacin, los modelos de regresin lineal son los ms populares, los ms empleados y los ms fciles de interpretar. Los pasos para realizar la regresin son, primero seleccione los datos que se encuentran ordenados en su archivo de Excel, segundo en el Simulador de Riesgo seleccione Pronstico Anlisis de Regresin
Tercero, seleccione la variable dependiente, y seleccione si es el caso, varias rezagas o incluir al modelo la transformacin logaritmo natural a las variables independientes. Obteniendo un reporte como el siguiente:
47
Una vez tenga el modelo estimado y haya evaluada la significancia de cada una de las variables, evalu los supuestos del modelo de regresin lineal, para ello seleccione la base de datos y dirjase a Herramientas Analticas Herramientas de Diagnstico, lo que le permitir evaluar no multicolinealidad, no autocorrelacin, homocedasticidad, normalidad, evidencia de procesos estocsticos, valores atpicos, entre otros. Lo que deber seleccionar es la variable dependiente del modelo, y posteriormente obtendr un archivo temporal de Excel en el cual encontrar todos los resultados del modelo.
48
El anlisis de series de tiempo consiste principalmente en identificar los componentes que tiene la serie de tiempo (estacionalidad, tendencia, ciclo y aleatorio) para poder realizar los pronsticos correspondientes. Risk Simulator cuenta con los siguientes modelos de anlisis de series de tiempo
Por ejemplo se cuenta con el siguiente histrico de ventas y se desea analizar con base en su comportamiento pasado el futuro de las ventas.
49
De acuerdo al grfico se observa un comportamiento tendencial y evidencia de estacionalidad en la serie, para lo cual de acuerdo a los modelos se podra realizar una estimacin por el mtodo Aditivo o Multiplicativo de Holt- Winters. Al seleccionar los datos e ir al mdulo de pronstico Anlisis de Series de Tiempo emerge la siguiente ventana:
50
En la cual el usuario tiene varias posibilidades, entre ellas la primera y ms sencilla, y es que el software seleccione el mejor modelo de los 8 posibles y adicionalmente que encuentre los parmetros que minimizan el RMSE (Root Mean Square Error). La segunda opcin es que el usuario seleccione el modelo que considera evaluar de acuerdo a los datos, en este caso puede seleccionar entre que el software encuentre los parmetros que minimizan de igual forma el RMSE o por el contrario el usuario puedo ingresarlos manualmente. Al ejecutar Seleccin Ejemplar Automtica
51
Se generan dos resultados el primero una tabla con los 8 modelos posibles con sus parmetros y el RMSE correspondiente, la tabla presenta el orden de seleccin de los modelos, en este caso el modelo seleccionado es un Holt-Winter Multiplicativo, en una hoja adicional se presenta la descripcin del modelo y su interpretacin similar a la siguiente imagen.
Uno de los modelos ms usado son los ARIMA (Modelos Autorregresivos (AR) Integrados (I) y de media mvil (MA)), los cuales buscan explicar el comportamiento de una serie por medio de su pasado y de los choques aleatorios o de error que haya sufrido en el tiempo, a este tipo de modelos se denomina dinmico. Para poder realizar un modelo ARIMA se debe partir que la serie es estacionaria, es decir que tanto su media como su varianza no cambian y no dependen del tiempo, se recomienda para este tipo de modelos tamaos muestrales amplios ya que permiten modelar mejor el comportamiento de la variable de estudio. Para el estudio de los modelos ARIMA se usa la metodologa de Box Jenkins, el primer paso es la identificacin del modelo, segundo la estimacin, tercero el diagnstico y por ltimo el pronstico.
La correcta identificacin de un modelo ARIMA requiere poder contar con la paciencia suficiente para poder realizar cambios, pruebas, estimaciones, etc., pero ante todo se debe tener claro que una correcta identificacin puede evitar problemas futuros con los dems pasos.
52
Antes que nada se debe verificar el supuesto fundamental de los modelos ARIMA y es que la serie sea estacionaria, la primera aproximacin es realizar una grfica de la serie, para este ejemplo se usar una serie del IPP (ndice de precios al productor) de Colombia, observemos la grfica, para pegar una grfica a Word se da clic derecho sobre el grfico Copiar se selecciona el formato y se pega en la ubicacin deseada.
La grfica nos da una primera conclusin de que la serie no es estacionaria, si se toman diferentes perodos mustrales las medias y las varianzas sern distintas, cuando una serie es no estacionaria se dice de igual forma que la serie tiene raz unitaria.
Con Risk Simulator usted podr verificar si la serie es estacionaria por medio de la herramienta de Anlisis de Estadsticas en el men de Herramientas Analticas. Una vez seleccionados los datos:
53
Emerge una hoja nueva, en este caso se selecciona la hoja de Estocsticos y en la seccin de Resumen Estadsticos, se observa la Probabilidad de Ajuste del Modelo Estocstico, si es mayor al 5% indica que la serie es no estacionaria. El otro mtodo es por medio de la autocorrelacin, en este mismo archivo se encontrar una hoja con ese nombre, por medio del grfico de correlaciones se puede determinar si la serie es estacionaria o no dependiendo si la serie decrece lentamente o no.
54
Las autocorrelaciones parciales nos indican el componente AR y las simples el componente MA, en este caso dado que se diferenci una vez se dice que la serie es Integrada de orden (1).
4.7.3.2 Estimacin
Una vez se tenga la variable estacionaria y los posibles modelos identificados se procede a realizar la estimacin del o los modelos propuestos. Los resultados de la estimacin por RS nos permite revisar los coeficientes, la probabilidad asociada, estadsticos descriptivos y algunas pruebas. El segundo paso de la estimacin es verificar la significancia de los rezagos y de los errores en este caso el rezago AR(2) y el MA(1) no son significativos, en los modelos ARIMA al igual que en MCO una variable puede ser la causante de la insignificancia de algunas variables, para ello se recomienda eliminar las variables con mayor probabilidad de ser no significativas.
4.7.3.3 Diagnostico
El siguiente paso de acuerdo a la metodologa de Box Jenkins es realizar la diagnosis del modelo es decir verificar los supuestos del modelo y su correcta especificacin y estimacin, si 55
el modelo no presenta inconvenientes y cumple la teora se procede a pronosticar o hacer impulso respuesta; en el caso de no cumplir algn supuesto o se presenta una mala definicin del modelo se procede al primer paso la identificacin del modelo. El primer paso es realizar la grfica de los residuales y verificar si presentan problemas con su varianza, lo que puede ser efecto de coeficientes no incluidos o de outliers en la historia de la serie, ahora es conveniente realizar una prueba ms robusta para ello usamos el Correlograma del modelo estimado, este correlograma es sobre los residuos del modelo si hay algn coeficiente significativo se debe incluir en la estimacin.
Una vez se tengan los modelos evaluados (recuerde tener por lo menos dos modelos) y que cumplan los supuestos de los modelos ARIMA, se debe seleccionar el mejor modelo ESTIMADO, para ello se usan los criterios de informacin que RS presenta: AIC (Akaike Information Criteria), BIC o SIC (Bayesian o Schuartz Information Criteria) y Hannan Quinn, el mejor modelo ser aquel que tenga los criterios de informacin ms pequeos.
4.7.3.4 pronostico Como se mencion anteriormente debe tener claro el usuario que se quiere con el modelo si una correcta estimacin para lo cual para seleccionar el mejor modelo usa los criterios de informacin, pero si su objetivo es pronosticar se usan los criterios de evaluacin de pronstico. RS imprime los resultados de los estadsticos RMSE, MAE, MAPE y U-Theil para poder evaluar el o los modelos, si se tienen dos o ms modelos, el mejor modelo ser aquel que tenga stos estadsticos ms pequeos y una U-Theil menor que 1.
Risk Simulator cuenta con dos herramientas para la estimacin de modelos ARIMA, la primera es la AUTO ARIMA, la cual realiza el procedimiento de identificacin, estimacin, verificacin y pronstico de manera automtica. Primero se seleccionan los datos y en el men de Pronstico se selecciona AUTO-ARIMA
56
RS reporta los modelos que evalu por medio del siguiente cuadro:
Es importante anotar que en esta herramienta RS utiliza el criterio del R2 ajustado como herramienta de seleccin del mejor modelo. El reporte incluye una explicacin estadsticas del procedimiento realizado por RS y de igual forma presenta los pronsticos del modelo y una grfica para la estimacin y otra para los residuales del modelo.
57
58
En este caso el usuario debe ingresar los parmetros del modelo ARIMA, es decir el componente Autorregresivo (AR), el integrado (I) y el de media mvil (MA). Generando un reporte como el siguiente:
leyes de la probabilidad. Podemos usar los Procesos Estocsticos del Simulador de Riesgo para simular y crear estos procesos. Estos procesos tambin pueden ser usados para pronosticar una multitud de datos de series de tiempo que incluyen, precios de acciones, tasas de inters, tasas de inflacin, precios del petrleo, precios de la electricidad, p recios de bienes bsicos o commodities , y muchos ms. Usted tiene dos posibilidades para utilizar la herramienta de procesos estocsticos ubicada en el modulo de pronstico, la primera es ingresar valores aleatorios en los parmetros de cada modelo para verificar algn tipo de comportamiento, el segundo es ajustar a una serie de datos histrica los parmetros correspondientes. Para la segunda opcin debemos ingresar a Herramientas Analticas Anlisis de Estadsticas
Y seleccionar la opcin de Estimacin de Parmetro Estocstico, lo cual nos genera el siguiente reporte:
60
Una vez conocidos los parmetros del proceso estocstico, se proceder a realizar los pronsticos correspondientes por la ruta Pronstico Avanzado - Procesos Estocsticos
Una vez se ingresan los parmetros correspondientes se realiza el correspondiente reporte de las simulaciones que realiz el software de acuerdo al modelo y los parmetros ingresados.
61
del antilogaritmo para el valor encontrado previamente de probabilidad EXP(Y Estimado)/[1 + EXP(Y Estimado)] = EXP(1.6)/(1+ EXP(1.6)) = 0.8320. Por lo tanto una persona tiene un 82.20% de probabilidad de desarrollar algn tipo de complicacin pulmonar en vida. Un modelo Probit (algunas veces conocido como modelo Normit) es una alternativa popular de especificacin para un modelo binario en cual emplea una funcin probit utilizando una estimacin de mxima verosimilitud y la aproximacin es llamada regresin probit. Los modelos de regresin Probit o Logistica tienden a producir predicciones similares, donde los parmetros estimados en una regresin logstica son entre 1.6 y 1.8 veces ms altos que los correspondientes a los coeficientes de un modelo Probit. La eleccin de un modelo Probit o Logit es enteramente relacionado con la conveniencia particular, y la principal distincin entre ambos se basa en el hecho que la distribucin logstica tiene una mayor curtosis (colas gordas) para tener en cuenta en los valores extremos. Por ejemplo, suponga que una familia tiene la decisin de adquirir una vivienda y su respuesta es una variable binaria (comprar o no comprar la vivienda) y depende de una serie de variables independientes Xi como son el ingreso, la edad, tal que Ii = 0 + 1X1 +...+ nXn, donde el mayor valor de li, significa una mayor probabilidad de ser propietario de la vivienda. Para cada familia, existe un umbral crtico I*, donde si es superado la casa es comprada por alguien ms, es decir, la cas ano es comprada, y la probabilidad de salida (P) se asume distribuida normalmente, tal que Pi=CDF(I) utilizando una funcin de distribucin acumulada normal estndar (CDF). Por lo tanto, usa los coeficientes estimados exactamente igual a los de un modelo de regresin, utilizando el valor Estimado Y, y aplicar la distribucin normal estndar (usted puede usar la funcin Excel DISTR.NORM.ESTAND o la herramienta de Anlisis de Distribucin seleccionando la distribucin Normal y ajustando la media en 0 y la desviacin estndar en 1). Finalmente, para obtener un Probit o unidad de probabilidad, defina li + 5 (esto es porque siempre la probabilidad Pi < 0.5, el estimado li es negativo, debido al hecho que la distribucin normal es simtrica alrededor de una media de cero). El modelo Tobit (Tobit Censurado) es un mtodo de modelacin biomtrica y economtrica usada para describir la relacin entre una variable dependiente no-negativa Yi y una o ms variables independientes Xi. Un modelo Tobit es un modelo economtrico en el cual la variable dependiente es censurada; esto es, la variable dependiente es censurada porque los valores debajo de cero no son observados. El modelo Tobit asume que existe una variable inobservable latente Y*. Esta variable es linealmente dependiente de las variables Xi va un vector de coeficientes i, que determina sus interrelaciones. En adicin, el trmino del error Ui est distribuido normalmente para capturar la influencia aleatoria en esta relacin. La variable observable Yi es definida como la igualdad de la variable latente siempre que las variables latentes sean superiores a cero y Yi es asumido como cero en otro caso. Esto es, Yi = Y* si Y* > 0 y Yi = 0 si Y* = 0. Si el parmetro de relacin i es estimado utilizando una regresin de mnimos cuadrados ordinarios de los observados Yi en Xi, los estimadores de la regresin calculada son inconsistentes y el coeficiente de la pendiente se encuentra insesgada hacia abajo y el intercepto insesgado hacia arriba. nicamente el MLE podra ser consistente para un modelo Tobit. En el modelo Tobit, se tiene un complemento estadstico llamado Sigma, el cual e equivalente al error estndar de la estimacin en una regresin de mnimos cuadrados
63
ordinarios y los coeficientes estimados son usados en el mismo sentido que en el anlisis de regresin. Usando la siguiente base de datos, seleccione los datos y dirjase a Pronstico Avanzado Modelo de Mxima Verosimilitud
64
Como se coment anteriormente, los coeficientes no son interpretados, se debe realizar la transformacin Z / 1-Z, para conocer los coeficientes que permiten interpretar el aumento o disminucin de probabilidades.
Herramientas de Diagnstico
Anlisis de Estadsticas
66
A manera de resumen: Ejemplo de un Modelo de Evaluacin de Proyectos Usted est decidiendo invertir en un proyecto de venta de pescado fresco y se considerarn 3 estrategias respecto a la capacidad de la planta y terreno, calidad de equipos y calidad del personal y gerencia. Dado que dispone de poco capital se asume que se tendra que financiar el 80% con deuda y a una tasa de 15% anual a 4 aos sin posibilidad de refinanciamiento. Se asume liquidacin de todos los activos al trmino de los 5 aos. Los datos estimados son los siguientes: Se estima ventas en efectivo el ao 1 en 2MM y a una tasa de incremento de 10% por ao y las cuentas por cobrar al final del ao seran de 10% de las ventas anuales totales. La inversin en terreno, obras civiles y equipos se estima en 0.5MM, 1MM y 0.7MM. El capital de trabajo se estima en 0.8MM al inicio y a incrementarse en 8% anual del aumento de ventas. La planilla + costos laborales y otros gastos de personal se estima en 810M por ao. Los costos variables se estiman cumplen lo siguiente CV = 30%*Ventas + 20,000*t , t=1,2,3,4,5, donde 30% es el porcentaje de costo en materia prima respecto a las ventas, y los 20,000 son otros costos variables. Se asume que el Capital de Trabajo se recupera ntegramente en la liquidacin y las obras civiles se deprecian en 10% y los equipos en 15% anual. El impuesto a la renta se estima en 30%. Se estima la tasa de descuento en 14%.
a) Elabore el Flujo de Caja y el Estado de Prdidas y Ganancias con los datos mencionados. b) Identifique cuales son las variables que tienen un mayor impacto en el VPN del Proyecto mediante el diagrama de tornado asumiendo una distribucin triangular para todas las variables del modelo y emplee simulacin de Monte Carlo para analizar el riesgo involucrado.
67
c) Con los escenarios bajo, medio y alto aproxime una distribucin normal para asignar a las variables del modelo, corra la simulacin con estas distribuciones y analice los resultados. . d) Corra la simulacin con 1,000 y 10,000 iteraciones. Compare la precisin de ambas. e) Suponga que hay la opcin de continuar el negocio por 2 aos ms luego de conocer todas las incertidumbres. Como modelara esta situacin asumiendo que para ello a inicios del 6to ao se tendra que invertir un 50% de la inversin inicial en terreno y obras civiles y 100% en maquinaria y equipo, y el valor de liquidacin se mantiene igual y solo se descuenta la misma depreciacin de los aos anteriores. Los dems supuestos se mantienen iguales en los 2 aos. Use Simulacin para contestar las siguientes preguntas: Se incrementa el VPN esperado? Se incrementa la probabilidad de prdida? Cul es el valor de la opcin? f) Suponga ahora que el nivel de ventas estar ahora restringido a una capacidad de la planta determinada de 3500 MM en ventas (se define la capacidad en trminos monetarios). Es decir las ventas anuales no pueden ser mayor a esta capacidad. Corra la simulacin con estos supuestos y compare los resultados con la anterior situacin.
2. DETERMINACIN DE COSTOS DE UN PROCESO DE PRODUCCIN El objetivo del taller es tomar un ejemplo clsico de estimacin de costos de una empresa del sector real, usando para ello las diferentes herramientas del software Risk Simulator: Ajuste de distribucin Establecer supuestos de entrada y salida Pronstico con modelos ARIMA, Series de tiempo y Extrapolacin Anlisis de Escenarios Grficas sobrepuestas
La empresa de Aceros ABC desea determinar los costos de su proceso de produccin el cual se divide en las siguientes fases: 1. Fundicin 2. Formacin Se tienen 3 materias primas, A, B y C. (MP), tiene unos costos de MOD (mano de obra directa) y MOI (mano de obra indirecta), adems, CIF (costos indirectos de fabricacin). El objetivo (VARIABLE OUTPUT-PRONOSTICO) es que pueda presentar un informe en el cul indique con un nivel de confianza del 95% Costo total de Materiales. MOD, CIF y del total de costos del proceso de fundicin (B30:E30) y de formacin (H30:K30) respectivamente. HOJA 68
FORMATOS. Las Hojas Datos y Formato se encuentran vinculadas, por medio de las siguientes condiciones. Para la realizacin del ejercicio usted se reuni con las diferentes reas que participan en el proceso recolectando la siguiente informacin. 1. En el proceso de fundicin, la materia prima A tiene unos costos de mnimo $70.000.00, en promedio $95.000.000 y mximo $120.000.000 CELDA C4 HOJA DATOS, 2. Para la materia prima B, se consult con el proveedor el cual afirm que en promedio nos vende $23.000.000 y que en promedio nos desviamos como un 10% de ese valor CELDA C5 HOJA DATOS 3. Para el proceso de fundicin la MOD an no se tiene el dato actualizado pero se tienen los datos de los ltimos 3 aos los cuales estn en la hoja MOD, realice un pronstico por medio de la opcin de Anlisis de Series de Tiempo para ese dato faltante CELDA C8 HOJA DATOS 4. Para el proceso de fundicin MOI se tienen los datos histricos en la hoja MOI de los ltimos 2 aos, se requiere tener en cuenta las posibles variaciones que puede tener esa variable en los resultados, para ello realice un ajuste de distribucin CELDA C9 HOJA DATOS 5. Para el proceso de Formacin los datos de materia prima C an no se han calculado, por eso el gerente de produccin recomienda utilizar los datos histricos que se encuentran en la hoja MP C y hacer un pronstico por medio de un modelo ARIMA CELDA D6 HOJA DATOS 6. En la MOD del proceso de formacin se tienen los siguientes datos histricos, selos para poder determinar la distribucin asociado a la MOD CELDA D8 HOJA DATOS. Nota: Distribucin Personalizada VALOR $ 60,000,000,00 $ 66,000,000,00 $ 70,000,000,00 $ 75,000,000,00 FRECUENCIA 1 10 5 2
7. Los CIF del proceso de formacin se deben pronosticar, para ello un especialista recomend usar la metodologa de la extrapolacin, usando los datos de la hoja CIF del ltimo ao extrapole un perodo y use el pronstico para el ejercicio CELDA D10 HOJA DATOS 8. Para el proceso de produccin de fundicin se requiere hacer un pronstico de las Unidades Iniciadas (Uds Iniciadas), para ello usando los datos de la hoja UDS1 seleccione el mejor modelo entre un modelo de Series de Tiempo y uno de un modelo ARIMA CELDA B8 HOJA FORMATO 9. Realice el mismo procedimiento para el proceso de formacin de acuerdo al numeral anterior usando los datos de la hoja UDS2 CELDA H8 HOJA FORMATO 10. La variable prdidas normales es la misma para el proceso de fundicin como para el de formacin, obtenga la distribucin asociada y para la estimacin de los costos
69
establezca la distribucin como una variable supuesto. CELDAS B9 Y H9 HOJA FORMATO Solucione las preguntas iniciales del taller que es generar el informe. 11. Por medio de un anlisis de escenarios analice como ante cambios en la unidad de produccin de unidades iniciadas y prdidas normales de 10 unidades desde 1450 a 1600 para las unidades iniciadas y para prdidas normales de 10 unidades desde 130 a 210 se produce cambio en el costo total. 12. Por medio de la opcin de grficas sobrepuestas compare los costos totales del proceso de produccin fundicin contra formacin. 13. Genere un reporte de los resultados presentando el percentil 40%, 60%, 75% y 99% para los costos totales de cada variable supuesto
3. TALLER ESTADOS FINANCIEROS 1. Realice un modelo de Prdidas y ganancias, completando la siguiente informacin para la realizacin del Estado de Prdidas y Ganancias - Con los datos de los Ingresos descritos en la Hoja Ingresos analice cul es la distribucin asociada a los Ingresos, adicionalmente analice la variable por medio de la opcin Anlisis de Estadsticas verifique si los datos son normales, haga la prueba de que la media es igual a 550.000.000. - Se le pregunt al comit de costos sobre la distribucin que tenan los costos, ellos argumentaron no tener conocimientos sobre distribuciones ya que solo son operarios, pero respondieron que los costos generalmente estn entre 300.000.000 y 600.000.000 - Los gastos de personal no se han podido calcular dado un problema en el sistema contable de la empresa, por eso, se recomienda realizar un pronstico de los ltimos 4 aos para conocer cunto podra ser el valor del mes de diciembre Realice un pronstico por medio de un mdelo ARIMA de la hoja gastos de personal Realice un pronstico por medio de Anlisis de Series de tiempo
Compare los RMSE, para el modelo ARIMA lo encuentra como suma del promedio de cuadrados y debe sacarle la raz. Seleccione para pronosticar el mdelo que tenga el menor RMSE - Los Honorarios tienen una distribucin triangular con mnimo 1000000, mximo 10000000 y ms probable 5500000 - Los Gastos Diversos, tienen una relacin con un conjunto de variables, por lo tanto se desea estimar el valor del gasto diverso por una relacin lineal, del tipo un modelo de regresin 70
lineal, en la hoja gastos diversos estn los datos de 49 meses anteriores con los gastos correspondientes, pero no se ha calculado para el mes de diciembre el valor de ste mes, por lo tanto se desea utilizar un modelo de regresin lineal para poder realizar el anlisis. - Debe pronosticar las variables Utilidad Antes de Impuesto y la Utilidad Neta del Ejercicio - Antes de realizar la simulacin debe analizar las variables que afectan a la Utilidad Antes de Impuesto por medio de un anlisis Tornado, posteriormente a la simulacin realice un anlisis de Sensibilidad 2. Utilizando el archivo Estimacin de Costos, realice el ejercicio planteado en la hoja descripcin 3. Realice el ejercicio de seleccin de portafolio
71
5.
BIBLIOGRAFA
[1] Aragons, J. R. and Blanco, C. and Mascareas, J. M. and Pierce, M. El valor en riesgo en la gestin de carteras de acciones: el empleo de ndices sectoriales como factores de riesgo en la gestin de fondos de renta variable. Revista europea de direccin y economa de la empresa, 9(4):113-122, 2000. [2] Becerra, O. and Melo, L. Medidas de riesgo, caractersticas y tcnicas de medicin: una aplicacin del VaR y el ES a la tasa interbancaria de Colombia. Borradores de economa, 343, Banco de la Repblica, 2005. [3] Bollerslev, Tim. Generalized Autoregressive Condicional Heteroscedasticity. Journal of Econometrics, 31:309 - 328, 1986. [4] Medicin integral del riesgo de crdito. Limusa Noriega Editores, 2003. [5] Cox, D.R. The analysis of binary data. Methuen & Co., 1970. [6] Cox, D.R. and Snell, E.J. The Analysis of Binary Data. Chapman and Hall, 2 edition, 1989. [7] Engle, Robert. F. Autoregressive Condicional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation. Econometrica, 50(4):987 - 1006, 1982. [8] Fisher, Ronald. The Use of Multiple Measurements in Taxonomic Problems. Annual Eugenics, 7(4):179-188, 1936.
72
[9] Hosmer, D.W and Lemeshow, S. Applied logistic regression. John Wiley and Sons, 1989. [10] Kolmogorov, Andrei. Grundbegriffe der Wahrscheinlichkeitsrechnung.. Springer, 1933. [11] Mays, Elizabeth. Credit Scoring For Risk Managers: The Handbook For Lenders. South-Western Educational P., 1 edition, 2003. 12] Mays, Elizabeth. Handbook of Credit Scoring. Glenlake Publishing Company, 2001. [13] Nagelkerke, N. J. A note on a general definition of the coefficiente of determination. Biometrika, 78(3):691-692, 1991. [14] Pea, Daniel. Anlisis de Datos Multivariantes. Mc. Graw Hill, 1 edition, 2002. [15] Press, J. and Wilson, S. Choosing between logistic regression and discriminant analysis. Journal of the American Statistical Association, 73(364):699 - 705, 1978. [16] Prez, Cesar. Educacin S.A., 2008. Econometra Avanzada. Tcnicas y Herramientas. Pearson
[17] Raymond, Anderson. The Credit Scoring Toolkit: Theory and Practice for Retail Credit Risk Management and Decision Automation. Oxford Univerity Press, 2007. [18] Siddiqi, Naeem. Credit Risk Scorecards: Developing and Implementing Intelligent Credit Scoring. John Wiley and Sons, 2006. [19] Smirnov, N. Estimate of deviation between empirical distribution functions in two independent samples Bull. 2(2):3 - 16, 1933. [20] Tagliafichi, R. La danza de los cisnes ''blancos" y el clculo del VaR. Palermo Business Review, (3):29 - 48, 2009.
73