Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Manual RS PDF
Manual RS PDF
TABLA DE CONTENIDO
1. RIESGO................................................................................................................................... 3
2. TIPOS DE RIESGO ................................................................................................................... 4
2.1 RIESGO DE MERCADO ......................................................................................................... 4
2.1.1 Valor en Riesgo ............................................................................................................. 6
2.1.2 Cópulas ......................................................................................................................... 6
2.1.3 Teoría del Valor Extremo.............................................................................................. 7
3. RIESGO DE CRÉDITO .......................................................................................................... 7
3.1 Pérdida Esperada............................................................................................................. 8
3.1.1 Probabilidad de Incumplimiento (PD) ......................................................................... 8
3.1.2 Exposición (EAD) .......................................................................................................... 8
3.1.3 Severidad de la Pérdida (LGD) ...................................................................................... 8
3.2 Métodos de Pérdida Esperada ........................................................................................... 9
3.3 Técnicas Paramétricas ....................................................................................................... 10
3.3.1 Regresion lineal .......................................................................................................... 10
3.3.2 Análisis discriminante ................................................................................................ 11
3.3.3 Modelo Logit y Probit ................................................................................................. 13
3.4 Técnicas no Paramétricas .................................................................................................. 16
3.4.1 Árboles de decisión .................................................................................................... 16
3.4.2 Redes neuronales ....................................................................................................... 16
3.5 Pruebas de Evaluación ...................................................................................................... 16
3.5.1 Kolmogorov- Smirnov ................................................................................................ 17
3.5.2 Curva ROC....................................................................................................................... 17
3.5.3 Chi-Square .................................................................................................................. 18
3.5.4 Hosmer - Lemeshow....................................................................................................... 19
2.3 RIESGO OPERACIONAL ...................................................................................................... 20
2.3.1 Modelo del Indicador Básico (BIA) ...................................................................... 21
2.3.2 Método Estándar (STDAOp) y Estándar Alternativo (ASA) ................................. 21
2.3.3 Método de Medición Avanzada (AMA) ............................................................... 21
2.3.3.1 Medición de la Frecuencia .............................................................................. 22
2.3.3.2 Medición de la Severidad ................................................................................ 22
4. RISK SIMULATOR ................................................................................................................. 23
4.1 INTRODUCCIÓN A RISK SIMULATOR ..................................................................................... 24
1
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
2
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
1. RIESGO
Estos efectos aleatorios se pueden clasificar en dos, uno al que llamaremos riesgo y
otro incertidumbre, aunque ambos están relacionados, el primero es la posibilidad de que
ocurra un evento o impacto adverso, que puede ser interno o externo, que genere en cierto
período de tiempo una variación en los resultados esperados de una situación 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 qué es el riesgo y además que
tengan conocimiento de los tipos de riesgos que se pueden presentar para así poder
establecer políticas de gestión del riesgo de una forma más acertada. Pero, ¿por qué es
importante la administración 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 país, los resultados podrían no ser los esperados. Un ejemplo claro es
la decisión de una inversión, si se desea invertir en la Bolsa de Valores de Colombia, en la
acción de la empresa A que tiene un valor por acción de $ 10.000, y el inversionista desea
obtener ganancia, él esperará que para cierto período de tiempo la acción suba y de esta
manera vender y obtener una ganancia. Pero qué ocurre si en vez de subir, la acción baja, el
inversionista se enfrenta a una pérdida. Pero ¿qué puede causar ésta pérdida?, puede ser
desde un efecto por alguna noticia sobre la empresa A, hasta por el anunció 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 decisión. Así mismo se puede presentar el caso
donde la acción A llega a niveles superiores a los que esperaba el inversionista. Para poder
controlar todos esos factores es importante desarrollar una buena administración del riesgo.
3
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
2. TIPOS DE RIESGO
A continuación se presentarán las clases de riesgo a las que una entidad puede
enfrentarse:
Riesgo de Crédito: Son las posibles pérdidas que se pueden generar por deterioro de la
situación financiera de terceros o contraparte que tienen obligaciones con la entidad
Riesgo de Mercado: Posibles pérdidas que se pueden dar por variaciones en tasas de interés,
tasas de cambio, precios y demás factores de riesgo.
Riesgo Operacional: Es la posibilidad de que se incurra en una pérdida 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 pérdida debido a los cambios en la normatividad de un país que afecta
los acuerdos contractuales, procesos legales o sentencias adversas.
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 interés, 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 números a las posibilidades de ocurrencia de los hechos inciertos, cuarto paso la
medición de la exposición y por último determinar una medida integral del riesgo. Una vez se
tenga una medida de riesgo, el personal encargado de la administración de riesgo tiene
diferentes alternativas para la gestión, ellas son:
Cubrir el riesgo
Mitigar
Asumir
4
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
medición del riesgo para activos financieros, por lo cual su análisis se realiza para entidades
que cotizan en bolsa o que tengan inversiones en activos financieros.
donde indica el precio del activo en el período , [2] presentan otras formas del
cálculo de los retornos las cuales ofrecen ventajas estadísticas y matemáticas, en éste trabajo
se usará el concepto de retorno simple presentado en la ecuación (20) para facilidad en los
cálculos y su análisis. En el caso de un portafolio, el retorno para el siguiente período
puede escribirse como:
(1)
Como el interés es medir el riesgo de mercado de un activo2, tal como lo menciona [2],
una forma de medirlo es por medio de la función de distribución de probabilidad de las
pérdidas y ganancias de los activos.
1
La ecuación (1) se supone con dividendos iguales a cero.
2
Se usará la palabra Activo para un conjunto de activos financieros donde teniendo el
mismo significado que Portafolio el cual es un conjunto de activos financieros.
5
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
Usando una definición estadística, el VaR es el nivel de pérdidas que se sitúa entre los
peores resultados esperados y los mejores resultados esperados en un
período de tiempo de la función de distribución de pérdidas y ganancias del activo.
2.1.2 Cópulas
3
Value at Risk
6
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
asocie represente fielmente esa relación de dependencia y pueda ser utilizada en el cálculo del
VaR. Las cópulas permiten definir distribuciones de probabilidad conjuntas entre variables,
adicionales a las distribuciones multivariadas estándar que limitan los tipos de dependencia a
los que se puede representar. En este sentido, es posible concluir que la cópula logra capturar
toda la información que exista sobre dependencia en un conjunto de variables.
La teoría del valor extremo introducida en los años cincuenta por el matemático
alemán Emil Julius Gumbel, soluciona los problemas que se presentan en la medición del
riesgo cuando la distribución 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 metodologías para la identificación de los valores extremos en las
series. El primero es conocido como máximo por bloques, cuyo campo de aplicación radica en
las observaciones más grandes de una muestra amplia de observaciones idénticamente
distribuidas. Por lo tanto, este modelo considera el máximo 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 metodología es conocido como picos sobre el umbral (POT por sus
siglas en inglés), los cuales se basan en las observaciones de una muestra que exceden un
límite o umbral previamente definido. Estos modelos a su vez se encuentran divididos en
aquellos que son semiparamétricos, como los construidos alrededor del estimador de Hill, y los
totalmente paramétricos, basados en la Distribución 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 más eficiente de la
información, es considerado como el modelo más útil en aplicaciones prácticas
3. RIESGO DE CRÉDITO
7
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
(1)
8
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
Los modelos de pérdida esperada son más conocidos como modelos de Credit Scoring
están enfocados a identificar y medir el riesgo de crédito derivado del incumplimiento, el cual
se asocia a la pérdida potencial, causada por la incapacidad de la contraparte de cumplir con
sus obligaciones, [4]. El término de Credit Scoring hace referencia al uso de modelos
estadísticos que transforman información relevante en medidas (numerales) que permiten
tener un criterio o una guía para la toma de decisiones financieras particularmente decisiones
en relación a la evaluación del crédito (aprobación o no de un crédito). A través de modelos de
predicción (algoritmos, regresiones), las instituciones pueden predecir el comportamiento de
un cliente basados en la historia crediticia del cliente y las referencias de prestamistas
anteriores. De esta forma, los clientes se clasifican en buenos o malos, asociándoles un bajo o
alto riesgo, respectivamente y se define cuales de esos clientes potenciales serán
efectivamente aceptados por la entidad, [17]. Un scoring se refiere al uso de un numeral para
ordenar o clasificar casos (personas, compañías, países) de acuerdo a percepciones cualitativas
o cuantitativas, con el objetivo de discriminar, dividir o separar los distintos casos. Los Scores
son usualmente presentados como un numeral que representan una característica, mientras
los rangos son presentados usualmente como letras (A, B, C, etc) que representan una o más
cualidades. Los score son creados por procesos probabilísticos (estocásticos) y no por procesos
determinísticos. Usualmente en lugar de ver los modelos scoring como una herramienta de
predicción, son usados para conocer la probabilidad de un evento futuro basándose en las
experiencias del pasado, dependiendo la información que se tenga acerca del crédito los
modelos se pueden clasificar en dos tipos, de iniciación o de comportamiento. Los modelos de
iniciación son construidos utilizando variables socio demográficas del cliente y una vez
obtenida la probabilidad de incumplimiento asociada al cliente se utiliza como un criterio para
otorgar o no una solicitud de crédito, una vez se tenga un historial de pagos del cliente de
variables como moras, número de solicitudes, número de pagos, etc., luego se procede a la
construcción de los modelos de comportamiento los cuales permiten realizar provisiones de
acuerdo a la probabilidad de incumplimiento hallada por medio de los modelos.
9
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
(2)
Y=
Los modelos con variables dummy son los modelos de escogencia discreta, dentro de
éste grupo se encuentra la regresión lineal, pero se le da el nombre de modelo lineal de
probabilidad.
10
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
Es una técnica que permite construir un modelo predictivo para pronosticar el grupo al
que pertenece una observación a partir de determinadas características observadas que
delimitan su perfil. El análisis discriminante es una técnica de clasificación y segmentación 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
clasificación que permita predecir la población a la que es más probable que tenga que
pertenecer una nueva observación o individuo, [16]. El modelo predictivo que pronostica el
grupo de pertenencia de una observación en virtud del perfil define la relación entre una
variable dependiente que es categórica y varias variables independientes. Por tanto, la
expresión funcional del análisis discriminante puede escribirse como . Las
categorías 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 observación.
El objetivo principal del análisis discriminante es utilizar los valores conocidos de las
variables independientes medidas sobre un individuo u observación para predecir qué
categoría le corresponde para clasificar el individuo en la categoría adecuada, otra finalidad del
análisis discriminante es poder determinar las diferencias entre los grupos y su interpretación,
esto se realiza por medio de las variables discriminantes, cuando se valoriza las características
que diferencian un grupo de otro se le denomina análisis discriminante descriptivo y el uso del
análisis discriminante para la predicción del grupo de pertenencia se denomina función
discriminante.
Cada caso o individuo deben ser mutuamente excluyente, es decir, debe corresponder
a uno y sólo a un grupo; el modelo discriminante tiene los siguientes supuestos básicos:
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 análisis discriminante múltiple, el número máximo de funciones
lineales viene dado por , donde es el número de variables explicativas.
Cada una de las funciones discriminantes viene dada por la siguiente función lineal
de las variables explicativas
(3)
11
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
(4)
(5)
(6)
(7)
12
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
en cada . Para el cálculo de esta distancia se usa la distancia de Mahalanobis, [14], por lo
tanto se asignará un individuo a un grupo de acuerdo a la menor distancia de Mahalanobis
calculada.
(8)
(9)
13
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
(10)
(11)
(12)
(13)
El cociente es llamado razón de disparidad (odds ratio) o como los momios a favor de
la opción .
Para la ecuación (8) se tiene otra función de distribución asociada para a parte de
la función logística y es la función de distribución normal estándar, esto es
con media cero y varianza uno, así tenemos que:
14
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
(14)
(15)
(16)
(17)
(18)
(19)
La diferencia entre las distribuciones normal y logística es que ésta última da más peso
a las colas en la distribución, la estimación de estos modelos no es posible realizarla por el
método de mínimos cuadrados ordinarios debido al incumplimiento de las propiedades de los
estimadores ya que no son insesgados, por lo tanto la estimación es realizada por el método
de Máxima Verosimilitud. Este método selecciona como estimador aquel valor del parámetro
que tiene la propiedad de maximizar el valor de la probabilidad de la muestra observada, para
lo cual es necesario construir una función de verosimilitud que expresa la probabilidad de
obtener valores observados en función de los parámetros desconocidos. Se han realizado
varios estudios para determinar cuál es el mejor método, el Probit o el Logit, aún no se ha
llegado a una conclusión pero para modelos de scoring el modelo logístico ha tomado ventaja
por su mejor poder predictivo, [5] hace una extensa explicación sobre esta conclusión.
15
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
Ahora se tratará lo referente a las técnicas no paramétricas. Mientras que las técnicas
paramétricas requieren muchos supuestos sobre los datos subyacentes, las técnicas no
paramétricas requieren pocos o ninguno. Dentro de este grupo se encuentran técnicas como
los árboles de decisión, redes neuronales, entre otros.
Los árboles de decisión son una herramienta gráfica, con una rama o raíz como la
estructura de las cajas y líneas, 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 disposición de una toma de decisiones. Los árboles de decisión también
se utilizan para la visualización de datos en la clasificación y predicción de problemas.
La humanidad en los últimos siglos ha tratado de sustituir los esfuerzos del hombre
con las máquinas. Recientemente, este esfuerzo se ha extendido más allá del trabajo en el
dominio del pensamiento y la toma de decisiones. Si bien el objetivo es hacer la vida más fácil,
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 decisión podría ser interpretada como la
influenza aviar. Estas son las redes neuronales, que pueden describirse como elementos de
cálculo de redes que pueden responder a los insumos, y aprender a adaptarse al medio
ambiente. Éstas son, supuestamente capaces de imitar la manera en que funciona el cerebro
humano, especialmente cuando se trata de auto-organización y aprendizaje. El resultado final
es algo así como un árbol de decisión, excepto que el detalle es mucho más fino.
16
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
La hipótesis nula de la prueba K-S es que las dos muestras provienen de poblaciones
con la misma función de distribución
4
Receiver Operating Characteristic
17
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
negativos. Cuando esta curva tiende hacia la izquierda, entonces se dice que el modelo tiene
un buen poder de predicción.
Para todos los posibles puntos de corte o criterios de clasificación que se seleccionen
para discriminar dos poblaciones, en este caso buenos y malos clientes, siempre habrá casos
en los que se clasificarán correctamente a los buenos clientes como buenos (A: fracción
positiva verdadera) y algunos casos en donde los buenos clientes serán clasificados como
malos (B: fracción de falsos negativos). Por otro lado, algunos clientes malos serán clasificados
como buenos (C: fracción de falsos positivos) y algunos clientes malos serán correctamente
clasificados como malos (D: fracción negativa falsa). Lo anterior lo podemos describir por
medio de la siguiente tabla:
Buenos A C A+C
Malos B D B+D
• Sensibilidad =
• Especificidad =
3.5.3 Chi-Square
Es utilizada para medir o evaluar una hipótesis, comparando los datos reales con los
estimados, en esta prueba se establece un límite de confianza, y se busca la relación lineal
entre las variables, y por medio del p - valor establece una medida de confianza.
18
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
utilicemos para aceptar o rechazar la hipótesis nula, pero entre mayor sea el nivel de
significancia utilizado menor será la probabilidad de rechazar erróneamente la hipótesis nula.
Esta prueba es utilizada dentro del riesgo financiero, para estimar en cierta medida la
tendencia de las variables con relación al tiempo, y estimar el riesgo con relación a las
personas consideradas buenas o malas.
Dentro del crédito 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 créditos dependiendo del grado de riesgo
que se determine. Sin embargo el comportamiento de los créditos es dinámico y puede verse
afectado por la infraestructura, la competitividad, los cambios en la economía, etc. Variables
que no son independientes y por el contrario pueden estar muy correlacionadas entre sí.
El test propuesto por [9], comprueba que las variables que se están teniendo en
cuenta en el modelo son las apropiadas dado que ayudan a identificar clientes buenos y malos.
Este test es aplicado a los modelos de regresión logística. Por lo tanto, si las variables
determinan el tipo de clientes, se deduce también que los modelos de regresión logística van a
tener un buen nivel de predicción.
Para calcular este test se debe tomar un muestra de los préstamos; de esta muestra se
deben generar grupos y a partir de estos separar los clientes buenos y malos y hacer la
diferencia entre los actuales malos y los que se esperan.
Con cada grupo se hace la anterior operación y se realiza la sumatoria de los mismos,
este gran total se divide entre los malos esperados multiplicados por la tasa de buenos.
Un analista de riesgo debe tener presente todos estos indicadores que en conjunto
van a evaluar el estado del modelo creado, no se debe desconocer que tanto la prueba KS
como la curva de ROC son los más utilizados, sin embargo, es ideal contrastar con otro tipo de
estadísticos que aumenten la certeza que se tiene sobre el modelo o que generen inquietudes
sobre tales modelos.
19
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
escoger una técnica para modelar el riesgo de crédito se debe tener en cuenta la información
con la que se cuenta, así como las herramientas tecnológicas disponibles y la experticia de
quien vaya a modelar. Sin embargo la tendencia general es que no se llegue a un acuerdo
sobre cuál modelo es superior o mejor ya que simplemente pueden ser construidos bajo
técnicas o metodologías diferentes como por ejemplo aquellos que usan redes neuronales, ó
los tradicionales de análisis estadístico, [11].
Como respuesta a este fenómeno, las entidades han ido incrementando paulatinamente los
recursos asignados a este riesgo, pasando de la simple mejora de los sistemas de control al
desarrollo de modelos de medición y gestión del riesgo operacional que intentan obtener una
estimación razonable del impacto de futuras pérdidas.
Definición
• Basilea II define el riesgo operacional como el riesgo de pérdida resultante de una falta
de adecuación o de un fallo de los procesos, el personal o los sistemas internos, o bien
como consecuencia de acontecimientos externos. Esta definición incluye el riesgo
legal, pero excluye el riesgo estratégico y el riesgo reputacional.
20
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
El cálculo se realiza multiplicando un factor de 15% por promedio de los tres últimos años de
los ingresos netos anuales positivos de la institución.
STDAOp: Se clasifican los activos en ocho líneas de negocio y se les asigna un factor β que
puede ser del 12%, 15% ó 18%. Cada factor se multiplica al promedio de los tres últimos años
de los ingresos netos positivos; en caso de que el ingreso neto total sea negativo en algún año,
entonces se sustituye el valor de ese año por cero.
ASA: Se calcula igual que el STDAOp a excepción de dos líneas de negocio, la banca comercial y
la minorista. En el caso de estas líneas de negocio, los préstamos y los anticipos son
multiplicados por un factor fijo m = 0.035, y el resultado sustituye a los ingresos brutos como
indicador de riesgo.
• Capital basado en el cálculo de las pérdidas esperadas e inesperadas (VaR del 99,9% en
un horizonte temporal de un año.
21
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
22
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
4. RISK SIMULATOR
Procesador Pentium IV
Windows XP o Vista
MS Excel XP, 2003 ó 2007
80 MB en Disco Duro
1GB de RAM
23
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
En la gráfica 1 se observan cada uno de los íconos que contienen las funciones de Risk
Simulator, a continuación se mencionará la funcionalidad de cada una de los íconos.
ICONO FUNCIONALIDAD
Es el ícono principal de Risk Simulator ya que permite acceder a todas las
funcionalidad del software por medio de un menú de opciones, son las
mismas funcionalidades de los demás íconos pero en un solo listado.
Edita las preferencias del perfil activo, como son número de iteraciones,
valor semilla de simulación, activación de correlaciones y el nombre del
perfil.
24
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
Cambia las opciones del programa como idioma, colores en los supuestos,
pronósticos o decisión y permite que Risk Simulator inicie o no
automáticamente con Excel.
25
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
Dado un conjunto de valores para las variables de decisión, un estudio de simulación permite
estimar cual es la distribución probabilística que siguen los resultados, junto a sus
probabilidades de ocurrencia.
El MÉTODO DE MONTE CARLO (propuesto por J. Von Neumann y S. Ulam) es una técnica de
selección de números aleatorios a través de una o más distribuciones de probabilidad, para
utilizarlas en una simulación.
En un Monte Carlo, el muestreo artificial o simulado trata de crear un universo teórico descrito
completamente por una LEY DE PROBABILIDAD que se supone conocida o adecuada.
Posteriormente, de este universo se obtiene una MUESTRA aleatoria mediante una sucesión
de números aleatorios.
26
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
X
X
independientes X
X
X
En la gráfica 2 se observa la relación que debe existir entre las variables y el modelo para
realizar la simulación, de igual forma este procedimiento se debe realizar para hacer
optimizaciones y para hacer optimización estocástica.
Los pasos para realizar la simulación de Monte Carlo debe seguir los siguientes pasos por Risk
Simulator:
1. Definir un perfil
2. Definir variables supuestos
3. Definir variable pronóstico
4. Ejecutar la simulación
5. Obtener reportes y/o datos
27
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
Una vez activado o seleccionado el perfil de simulación, colocando el cursor sobre una celda
que contenga un valor que vaya a ser seleccionada como variable de supuesto se da clic en el
ícono de Supuesto de Entrada o clic derecho y la misma opción y se selecciona una distribución
dependiendo si la variable es discreta o continua.
• También se puede ajustar una función a los datos del comportamiento de la variable
aleatorias
28
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
29
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
Si se desea obtener solamente los resultados del pronóstico Herramientas Analíticas Crear
la Tabla Estadística del Pronóstico, de lo cual emerge la ventana de la gráfica 9.
30
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
La tabla estadística de pronóstico (gráfica 9), permite obtener los resultados de los estadísticos
descriptivos básicos de la variable de pronóstico, así como los percentiles que el usuario desee.
31
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
• Análisis de Certidumbre
• Estadísticas y Percentiles
La empresa ABC desea hacer una mejor estimación de sus costos de producción dado que se
encuentran enfrentados a muchos eventos aleatorios principalmente por la variación de los
precios internacionales de las mercancías que usan como materias primas, para eso se usará
Risk Simulator como herramienta para poder mejorar en la toma de decisiones.
El primer paso es crear un perfil de simulación tal como se explicó en la sección anterior, se
usarán 10.000 simulaciones y una semilla de simulación de 123456. A continuación se
establece en MS Excel © el modelo correspondiente de tipo deterministico.
32
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
En este caso la relación es Costos totales = Costos fijos + Costos Variables, pero los Costos
Variables es igual al Costo Unitario * Unidades producidas.
33
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
Se recuerda que para que una celda se pueda definir como de Pronóstico debe tener una
función y/o formula que se vincule con las celdas a simular. El modelo quedará visualizado de
la siguiente forma:
34
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
Por lo tanto ya se puede conocer con un nivel de certeza a cuánto ascenderán los costos
totales ante diferentes escenarios.
Para el cálculo del VaR por simulación de Montecarlo usaremos la ecuación de movimiento
Browniano discreta dada por:
AL valor del 95% de la cola derecha se le resta el precio final y este es el VaR para una acción.
35
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
2´800,000. La tasa de descuento que se utiliza es de 15% anual, con un horizonte de 10 años y
un valor residual de S/. 350,000.
Se pide calcular los indicadores de rentabilidad del Proyecto de Inversión, así como también
realizar el análisis de riesgos correspondiente.
Escenarios
Precios unitario 65 75 90
Costo unitario 20 25 35
36
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
En este caso lo que se busca es construir el flujo de caja futuro del proyecto para un horizonte
de 10 años, del cual el objetivo fundamental es obtener el valor del VAN.
37
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
El objetivo de la simulación es la celda del VAN (tal y como se mencionó líneas arriba) por lo
tanto se selecciona como Pronóstico de Salida.
38
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
En este caso, calculamos la probabilidad de que el VAN sea mayor a Cero, y obtenemos una
Certeza del 98% de que esto suceda.
• Optimización de Inventarios.
Los procedimientos de optimización son posibles con variables Continuas, discretas y discretas
y continuas mezcladas. Los métodos de optimización disponible en Risk Simulator son:
• Lineal
• No lineal
Para realizar un proceso de Optimización con Risk Simulator se debe seguir el siguiente
procedimiento:
1. Definir un perfil
39
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
Para definir las variables de decisión en la sección de Optimización se da clic sobre el ícono
Decisión de lo cual emerge la ventana que se observa en el gráfico 11.
En la celda activa se establecerán los rangos que la variable puede tomar, entre ellos valores
continuos o discretos y además está la opción de que la celda tome valores binarios 0 ó 1.
Finalmente la celda queda por default resaltada con un color Azul que indica que es una
variable de decisión.
40
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
Al dar clic sobre Objetivo de la sección de Optimización, se debe estar previamente ubicado en
la celda que será el objetivo. La ventana emergente (gráfica 12) necesita solamente que se
indique el tipo de optimización.
41
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
En la ventana Resumen de Optimización del gráfico 14, es posible editar opciones con respecto
a la optimización, tales como seleccionar de un conjunto de variables de decisión una o varias,
de igual forma para las restricciones y se puede modificar la celda objetivo. Al finalizar la
configuración se da clic en OK.
42
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
Una herramienta muy poderosa que tiene Risk Simulator es la posibilidad de ejecutar
optimizaciones estocásticas, ésta metodología es la inclusión de simulaciones de Montecarlo y
Optimizaciones, la forma de modelación es la vinculación de los temas tratados anteriormente.
A partir del Risk Simulator se pueden realizar análisis de sensibilidad y de tornado los cuales
permiten identificar los factores, variables, supuestos, etc., que pueden influenciar de forma
positiva o negativa en la(s) variable(s) objetivo.
43
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
44
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
El análisis Tornado se realiza previó a las simulaciones dado que va analizar la relación que
existe entre todas las variables del modelo y la variable objetivo, para lo cual usa un análisis de
escenarios, por defecto el programa hace un incremento y una disminución 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 cómo se debe realizar la interpretación y análisis
de los resultados, el aporte principal del análisis tornado es que permite analizar cuáles son las
variables que más importancia tienen con respecto al objetivo. Esto facilita parametrizar las
simulaciones dado que se tendría como prioridad las variables de mayor relevancia dadas por
la herramienta Tornado.
45
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
4.7 PRONÓSTICO
Hay una preocupación por conocer lo que va a suceder en el futuro, dado que permite adaptar
las acciones presentes a posibles resultados esperados o no deseables.
• Extrapolación No Lineal
• Pronóstico Estocástico
• Cadenas de Markov
• Modelos GARCH
46
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
Los pasos para realizar la regresión son, primero seleccione los datos que se encuentran
ordenados en su archivo de Excel, segundo en el Simulador de Riesgo seleccione Pronóstico –
Análisis de Regresión
47
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
Una vez tenga el modelo estimado y haya evaluada la significancia de cada una de las
variables, evalué los supuestos del modelo de regresión lineal, para ello seleccione la base de
datos y diríjase a Herramientas Analíticas – Herramientas de Diagnóstico, lo que le permitirá
evaluar no multicolinealidad, no autocorrelación, homocedasticidad, normalidad, evidencia de
procesos estocásticos, valores atípicos, entre otros.
48
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
Por ejemplo se cuenta con el siguiente histórico de ventas y se desea analizar con base en su
comportamiento pasado el futuro de las ventas.
49
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
50
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
En la cual el usuario tiene varias posibilidades, entre ellas la primera y más sencilla, y es que el
software seleccione el mejor modelo de los 8 posibles y adicionalmente que encuentre los
parámetros que minimizan el RMSE (Root Mean Square Error). La segunda opción 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 parámetros que minimizan de igual forma el
RMSE o por el contrario el usuario puedo ingresarlos manualmente.
51
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
Se generan dos resultados el primero una tabla con los 8 modelos posibles con sus parámetros
y el RMSE correspondiente, la tabla presenta el orden de selección de los modelos, en este
caso el modelo seleccionado es un Holt-Winter Multiplicativo, en una hoja adicional se
presenta la descripción del modelo y su interpretación similar a la siguiente imagen.
Uno de los modelos más usado son los ARIMA (Modelos Autorregresivos (AR) Integrados (I) y
de media móvil (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 dinámico.
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 tamaños muestrales amplios ya que permiten modelar mejor el
comportamiento de la variable de estudio.
Para el estudio de los modelos ARIMA se usa la metodología de Box – Jenkins, el primer paso
es la identificación del modelo, segundo la estimación, tercero el diagnóstico y por último el
pronóstico.
52
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
Antes que nada se debe verificar el supuesto fundamental de los modelos ARIMA y es que la
serie sea estacionaria, la primera aproximación es realizar una gráfica de la serie, para este
ejemplo se usará una serie del IPP (índice de precios al productor) de Colombia, observemos la
gráfica, para pegar una gráfica a Word se da clic derecho sobre el gráfico Copiar se selecciona
el formato y se pega en la ubicación deseada.
Con Risk Simulator usted podrá verificar si la serie es estacionaria por medio de la herramienta
de Análisis de Estadísticas en el menú de Herramientas Analíticas. Una vez seleccionados los
datos:
53
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
Emerge una hoja nueva, en este caso se selecciona la hoja de Estocásticos y en la sección de
Resumen Estadísticos, se observa la Probabilidad de Ajuste del Modelo Estocástico, si es mayor
al 5% indica que la serie es no estacionaria. El otro método es por medio de la autocorrelación,
en este mismo archivo se encontrará una hoja con ese nombre, por medio del gráfico de
correlaciones se puede determinar si la serie es estacionaria o no dependiendo si la serie
decrece lentamente o no.
54
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
4.7.3.2 Estimación
Una vez se tenga la variable estacionaria y los posibles modelos identificados se procede a
realizar la estimación del o los modelos propuestos.
Los resultados de la estimación por RS nos permite revisar los coeficientes, la probabilidad
asociada, estadísticos descriptivos y algunas pruebas.
4.7.3.3 Diagnostico
55
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
El primer paso es realizar la gráfica 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 más robusta para ello usamos el Correlograma
del modelo estimado, este correlograma es sobre los residuos del modelo si hay algún
coeficiente significativo se debe incluir en la estimación.
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 información que RS presenta: AIC (Akaike
Information Criteria), BIC o SIC (Bayesian o Schuartz Information Criteria) y Hannan – Quinn, el
mejor modelo será aquel que tenga los criterios de información más pequeños.
4.7.3.4 pronostico
Como se mencionó anteriormente debe tener claro el usuario que se quiere con el modelo si
una correcta estimación para lo cual para seleccionar el mejor modelo usa los criterios de
información, pero si su objetivo es pronosticar se usan los criterios de evaluación de
pronóstico.
RS imprime los resultados de los estadísticos RMSE, MAE, MAPE y U-Theil para poder evaluar
el o los modelos, si se tienen dos o más modelos, el mejor modelo será aquel que tenga éstos
estadísticos más pequeños y una U-Theil menor que 1.
Risk Simulator cuenta con dos herramientas para la estimación de modelos ARIMA, la primera
es la AUTO ARIMA, la cual realiza el procedimiento de identificación, estimación, verificación y
pronóstico de manera automática. Primero se seleccionan los datos y en el menú de
Pronóstico se selecciona AUTO-ARIMA
56
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
RS reporta los modelos que evaluó por medio del siguiente cuadro:
Es importante anotar que en esta herramienta RS utiliza el criterio del R2 ajustado como
herramienta de selección del mejor modelo.
El reporte incluye una explicación estadísticas del procedimiento realizado por RS y de igual
forma presenta los pronósticos del modelo y una gráfica para la estimación y otra para los
residuales del modelo.
57
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
58
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
En este caso el usuario debe ingresar los parámetros del modelo ARIMA, es decir el
componente Autorregresivo (AR), el integrado (I) y el de media móvil (MA). Generando un
reporte como el siguiente:
Un Proceso Estocástico en una secuencia de eventos o caminos generados por las leyes de
probabilidad. Esto significa que eventos aleatorios pueden ocurrir en el tiempo, pero son
regidos por leyes estadísticas y probabilísticas especificas. Los principales Procesos
Estocásticos incluyen la Caminata Aleatoria o Proceso Browniano, Regresión a la Media y los
Saltos de Difusión. Estos procesos pueden ser utilizados para pronosticas una multitud de
variables que aparentemente sigan tendencias aleatorias pero que están restringidas por las
59
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
leyes de la probabilidad. Podemos usar los Procesos Estocásticos del Simulador de Riesgo para
simular y crear estos procesos. Estos procesos también pueden ser usados para pronosticar
una multitud de datos de series de tiempo que incluyen, precios de acciones, tasas de interés,
tasas de inflación, precios del petróleo, precios de la electricidad, p
Usted tiene dos posibilidades para utilizar la herramienta de procesos estocásticos ubicada en
el modulo de pronóstico, la primera es ingresar valores aleatorios en los parámetros de cada
modelo para verificar algún tipo de comportamiento, el segundo es ajustar a una serie de
datos histórica los parámetros correspondientes.
60
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
Una vez conocidos los parámetros del proceso estocástico, se procederá a realizar los
pronósticos correspondientes por la ruta – Pronóstico – Avanzado - Procesos Estocásticos
61
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
Las Variables Dependientes Limitadas describen las situaciones donde la variable dependiente
contiene datos que están limitados en alcance y rango, como binarias (0 o 1), truncadas,
ordenadas o datos censurados. Por ejemplo, dado un conjunto de variables independientes
(p.ej., edad, ingreso, educación, cupo de tarjeta de crédito o tenencia de préstamo
hipotecario), podemos calcular la probabilidad de incumplimiento utilizando la estimación de
máxima verosimilitud (MLE – por sus siglas en ingles).
La respuesta o variable dependiente Y es binaria, es decir, puede tener solamente dos posibles
resultados que denotaremos como 1 y 0 (p.ej., Y puede representar la ausencia/presencia de
una condición especifica, cumplimiento/incumplimiento de un préstamo previo, éxito/fracaso
de algunos dispositivos, respuesta si/no en estudios, etc.). También tenemos un vector de
variables independientes o regresores de X, los cuales se asumen con influencia en el resultado
Y. Una típica aproximación con una regresión de mínimos cuadrados ordinarios es incorrecta
porque los errores de la regresión son heteroscedasticos y no normales; y los resultados
estimados de probabilidad resultantes serian valores sin sentido sobre 1 o debajo de 0. MLE se
ocupa de estos problemas de análisis utilizando una rutina de optimización iterativa que
maximiza la función logarítmica de verosimilitud cuando las variables dependientes son
limitadas.
62
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
Un modelo Probit (algunas veces conocido como modelo Normit) es una alternativa popular de
especificación para un modelo binario en cual emplea una función probit utilizando una
estimación de máxima verosimilitud y la aproximación es llamada regresión probit. Los
modelos de regresión Probit o Logistica tienden a producir predicciones similares, donde los
parámetros estimados en una regresión logística son entre 1.6 y 1.8 veces más altos que los
correspondientes a los coeficientes de un modelo Probit. La elección de un modelo Probit o
Logit es enteramente relacionado con la conveniencia particular, y la principal distinción entre
ambos se basa en el hecho que la distribución logística tiene una mayor curtosis (colas gordas)
para tener en cuenta en los valores extremos. Por ejemplo, suponga que una familia tiene la
decisión 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 = β0 + β1X1 +...+ βnXn, donde el mayor valor de li, significa una mayor
probabilidad de ser propietario de la vivienda. Para cada familia, existe un umbral crítico I*,
donde si es superado la casa es comprada por alguien más, es decir, la cas ano es comprada, y
la probabilidad de salida (P) se asume distribuida normalmente, tal que Pi=CDF(I) utilizando
una función de distribución acumulada normal estándar (CDF). Por lo tanto, usa los
coeficientes estimados exactamente igual a los de un modelo de regresión, utilizando el valor
Estimado Y, y aplicar la distribución normal estándar (usted puede usar la función Excel
DISTR.NORM.ESTAND o la herramienta de Análisis de Distribución seleccionando la
distribución Normal y ajustando la media en 0 y la desviación estándar 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 distribución normal es
simétrica alrededor de una media de cero).
63
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
ordinarios y los coeficientes estimados son usados en el mismo sentido que en el análisis de
regresión.
Usando la siguiente base de datos, seleccione los datos y diríjase a Pronóstico – Avanzado –
Modelo de Máxima Verosimilitud
64
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
Risk Simulator cuenta con un gran número de herramientas estadísticas y analíticas que le
permiten al usuario poder sacar la mejor información posible de sus datos o de sus
simulaciones, pronósticos u optimizaciones. Entre las herramientas disponibles tenemos:
65
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
Herramientas de Diagnóstico
Análisis de Estadísticas
66
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
A manera de resumen:
Se estima ventas en efectivo el año 1 en 2MM y a una tasa de incremento de 10% por
año y las cuentas por cobrar al final del año serían de 10% de las ventas anuales
totales.
La inversión 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 año.
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 íntegramente en la liquidación 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 Pérdidas 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 distribución triangular para todas las
variables del modelo y emplee simulación de Monte Carlo para analizar el riesgo involucrado.
67
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
c) Con los escenarios bajo, medio y alto aproxime una distribución normal para asignar a las
variables del modelo, corra la simulación con estas distribuciones y analice los resultados. .
e) Suponga que hay la opción de continuar el negocio por 2 años más luego de conocer todas
las incertidumbres. Como modelaría esta situación asumiendo que para ello a inicios del 6to
año se tendría que invertir un 50% de la inversión inicial en terreno y obras civiles y 100% en
maquinaria y equipo, y el valor de liquidación se mantiene igual y solo se descuenta la misma
depreciación de los años anteriores. Los demás supuestos se mantienen iguales en los 2 años.
Use Simulación para contestar las siguientes preguntas:
f) Suponga ahora que el nivel de ventas estará ahora restringido a una capacidad de la planta
determinada de 3500 MM en ventas (se define la capacidad en términos monetarios). Es decir
las ventas anuales no pueden ser mayor a esta capacidad. Corra la simulación con estos
supuestos y compare los resultados con la anterior situación.
El objetivo del taller es tomar un ejemplo clásico de estimación de costos de una empresa del
sector real, usando para ello las diferentes herramientas del software Risk Simulator:
- Ajuste de distribución
- Establecer supuestos de entrada y salida
- Pronóstico con modelos ARIMA, Series de tiempo y Extrapolación
- Análisis de Escenarios
- Gráficas sobrepuestas
La empresa de Aceros ABC desea determinar los costos de su proceso de producción el cual se
divide en las siguientes fases:
1. Fundición
2. Formación
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), además, CIF (costos indirectos de fabricación).
68
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
FORMATOS. Las Hojas Datos y Formato se encuentran vinculadas, por medio de las siguientes
condiciones.
Para la realización del ejercicio usted se reunió con las diferentes áreas que participan en el
proceso recolectando la siguiente información.
VALOR FRECUENCIA
$ 60,000,000,00 1
$ 66,000,000,00 10
$ 70,000,000,00 5
$ 75,000,000,00 2
7. Los CIF del proceso de formación se deben pronosticar, para ello un especialista
recomendó usar la metodología de la extrapolación, usando los datos de la hoja CIF del
último año extrapole un período y use el pronóstico para el ejercicio CELDA D10 HOJA
DATOS
8. Para el proceso de producción de fundición se requiere hacer un pronóstico 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 formación de acuerdo al numeral
anterior usando los datos de la hoja UDS2 CELDA H8 HOJA FORMATO
10. La variable pérdidas normales es la misma para el proceso de fundición como para el
de formación, obtenga la distribución asociada y para la estimación de los costos
69
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
11. Por medio de un análisis de escenarios analice como ante cambios en la unidad de
producción de unidades iniciadas y pérdidas normales de 10 unidades desde 1450 a
1600 para las unidades iniciadas y para pérdidas normales de 10 unidades desde 130 a
210 se produce cambio en el costo total.
12. Por medio de la opción de gráficas sobrepuestas compare los costos totales del
proceso de producción fundición contra formación.
13. Genere un reporte de los resultados presentando el percentil 40%, 60%, 75% y 99%
para los costos totales de cada variable supuesto
- Con los datos de los Ingresos descritos en la Hoja Ingresos analice cuál es la distribución
asociada a los Ingresos, adicionalmente analice la variable por medio de la opción Análisis de
Estadísticas verifique si los datos son normales, haga la prueba de que la media es igual a
550.000.000.
- Se le preguntó al comité de costos sobre la distribución que tenían los costos, ellos
argumentaron no tener conocimientos sobre distribuciones ya que solo son operarios, pero
respondieron que los costos generalmente están 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 pronóstico de los últimos 4 años para conocer
cuánto podría ser el valor del mes de diciembre
Compare los RMSE, para el modelo ARIMA lo encuentra como suma del promedio de
cuadrados y debe sacarle la raíz. Seleccione para pronosticar el módelo que tenga el menor
RMSE
- Los Honorarios tienen una distribución triangular con mínimo 1000000, máximo 10000000 y
más probable 5500000
- Los Gastos Diversos, tienen una relación con un conjunto de variables, por lo tanto se desea
estimar el valor del gasto diverso por una relación lineal, del tipo un modelo de regresión
70
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
lineal, en la hoja gastos diversos están los datos de 49 meses anteriores con los gastos
correspondientes, pero no se ha calculado para el mes de diciembre el valor de éste mes, por
lo tanto se desea utilizar un modelo de regresión lineal para poder realizar el análisis.
- Debe pronosticar las variables Utilidad Antes de Impuesto y la Utilidad Neta del Ejercicio
- Antes de realizar la simulación debe analizar las variables que afectan a la Utilidad Antes de
Impuesto por medio de un análisis Tornado, posteriormente a la simulación realice un análisis
de Sensibilidad
71
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
5. BIBLIOGRAFÍA
[4] Medición integral del riesgo de crédito. 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.
72
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
[9] Hosmer, D.W and Lemeshow, S. Applied logistic regression. John Wiley and Sons,
1989.
[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.
[14] Peña, Daniel. Análisis 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.
[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.
[20] Tagliafichi, R. La danza de los cisnes ''blancos" y el cálculo del VaR. Palermo
Business Review, (3):29 - 48, 2009.
73