) Disefio Y Evaluacion De Proyectos. Un Enfoque Integrado. Contreras Villablanca E. y Diez Fuentes C. Contreras Villablanca E. y Diez Fuentes C. (2015). Diserio Y Evaluacién De Proyectos. Un Enfoque Integrado. JC Sez, Primera Edicién, paginas 389-447.CAPITULO 10 = Evawuacion DE PROYECTOS HAjO INCERTIDUMIRE: INVERTIR.O NO INVERTIR HOY INTRODUCCION Un proyecto de inversién podria generar beneficios, pero no se tiene seguridad o certidumbre de lo que ‘ocurrini en el futuro, por tanto, un proyecto ¢s ricsgoso cuando una o varias variables del flujo de caja son aleatorias en vez de deterministcas. Para ello, este capitulo presenta metodologias de anilisis individual de Fieggo en proyectos, tales como el anilsis de sensbilidad y de escenatios,andlsis probabilistco, aver- siénal riesgo y equivalencia a la certidumbre, guste simple en la tasa de descuento, simulacidn y nuevos desarrollos como el Valor en Riesgo (VeR, 6 VaR por su nombre en inglés: Value at Risk), asimismo, se describe el riesgo en carteras de inversiones haciendo uso del modelo de valoracién de activos de capital. OBjETIVos Altérmino de este capitulo, el estudiante seri capaz de: + Explicar las metodologias de anilisis individual de riesgo en proyectos para evaluar la conveniencia de cada alternativa de proyecto de inversidn separadamente. + Conocer las ventajas y desventajas de las metodologias de anilisis individual de riesgo en proyectos. + Describir los nuevos desarrollos en las metodologias de anilisis individual de riesgo en proyectos como el Valor en Riesgo (VeR). + Analizar el riesgo en carteras de inversiones mediante el modelo de valoraci vos de capital Capital Assets Pricing Model CAPM). + Distinguir el riesgo diversificable del riesgo no diversificable y el respectivo tratamiento para efectos de una adecuada evaluacién. de acti- 1. PRESENTACION La prictica de la evaluacién de proyectos (y de disciplinas relacionadas como la valoracién de empresas) mayoritariamente se realiza bajo supuestos de certidumbre, con dichos supuestos se pierde mucha informacién til para la toma de decisiones, informacién que, dado el estado del arte, es bastante ficil de generar a partir de datos que muchas veces son piblicos y con apoyo de tecnologia de informacién y software especializados de facil acceso, El objetivo de este documento es difundie los conceptos y las formas de aplicarlos, para asi contribuir al mejoramiento de la evaluacién de proyectos privados y pablicos, mediante la medicién de la incertidumbre asociada a los resultados de los indicadores tradicionales. Se dice que un proyecto es riesgoso cuando una o varias variables del flujo de eaja son aleato- rias en lugar de leterministicas. En estos casos, no existiri certeza en los flujos de cada periodo. Y, ‘como los indicadores de evaluacién de proyectos, por ejemplo el VPN y la TIR, se calculan a partir de estos flujos, entonces estos indicadores serin también variables aleatorias (Diez y Avilés, 1998), En presencia de incertidumbre ya no sitve aplicar el criterio tradicional que se ha utilizado hasta ahora para proyectos: maximizar el VPN de los flujos relevantes, ya que bajo incertidum- bre este indicador es una variable alcatoria, 389Algunas fuentes tipicas de riesgo en proyectos son: * Poco conocimiento de la industria + Dinmica de los precios * Dinmica de In demanda * Gustos y modas * Costos de insumos + Tecnologias * Uso de fuentes de informacién poco confiables + Errores de interpretacién de datos + Ecrores en la manipulacida de informacion A continuacién, se revisan los principales enfoques utilizados para incorporar el riesgo y la incertidumbre a la evaluacidn de proyectos de inversion. 2. METODOLOGIAS DE ANALISIS INDIVIDUAL DE RIESGO EN PROYECTOS Este enfoque consiste en evaluar la conveniencia de cada alternativa de proyecto de inversion separadamente. Dentro de este enfoque existen diversos métodos para determinar la conve- niencia de un proyecto: 2.1 ANALISIS DE SINSIBILIDAD Y DE ESCENARIOS 2.1.1 ANALISIS DE SENSIBILIDAD Primero se realiza la evaluacién del proyecto en una situacién base, tomando los valores espe- rados o medios de las variables aleatorias. Después, se determinan las variables ms significati- vas que afectan los indicadores de conveniencia del proyecto, entre ellos: + precio de venta + precios de insumos + costos de produccién + vokimenes de venta * coeficientes tecnoligicos + inversion. Se busca sensibilizar los indicadores ante variaciones en las variables significativas mis in- ciertas GSapag y Sapag, 1995). 390CAPITULO 10 UACION DE: PROYECTOS IKAJO INCERTIDUMBRE: INVERTIR © NO INVERTIR HOY Figura 10.1: Anilisis de Sensibilidad Situacién base Precio venta *(1-x%) Precio insumos *(1-¥%) Ventas *(1-25) Costas operacién *(1+W%) Fuente: Elaboracién propia. Por ejemplo, segtin como se ilustra cn Ia Figura 10.1, se puede evaluar la situacion base para el horizonte tl del proyecto. Y evaluar precios de venta inferiores en un x% a los de la situacién base, precio de uno o varios insumos importantes un y% mis earos, ventas un 2% feriores, 0 costos de operacin un w' mas caros. Ademés, se puede evaluar el pros un horizonte (2 < tl. Lo relevante es determinar cuiles son las variables criticas que hacen que el proyecto sea © no conveniente, y si para variaciones o errores de esos parimetros, el proyecto sigue siendo atractivo. Por ese motivo, también pueden scr considerndas variables como la inver valor residual de ésta al momento de liquidaci6n del proyecto, inversién en capital de trabajo, et. Si el impacto de una variable riesgosa en el VPN es importante, entonees el proyecto es riesgoso, El nivel de riesgo se determina en la medida que el VPN se hace negativo para valores probables de la variable. En este caso, se debe hacer una evaluacién costo-beneficio de Ia conveniencia de comprar certidumbre. Por ejemplo, seguros o precios futuros Una de ls formas en las que se suele presenta os resultados de un anilisis de sensibilidad, es mediante el cilculo de elasticidades lel VAN respecto a ca (AVAN / VAN) / (AX / X), donde X es cualquiera de las variables riesgosas sujeto de an . Con ese indicador, el cuadro de anilisis se puede presentar segiin la Figura 10.2. Figura 10.2: Calculo de Elasticidades Situacién Base PrecioVenta* (1 - x%) Precioinsumos * (1+ ¥%) 301A continuacién se presentan ejemplos de aplicacién de este método a tres proyectos de riego. En las figuras 5, a través del anilisis de sensibilidad, se determina que en esos proyectos las variables mis relevantes de analizat, son los precios de los productos agricolas. 2.1.2 APLICACION DE. ANALISIS DE SENSIBILIDAD PARA TRES PROYECTOS DE RIEGO Estos anilisis se presentan para tres proyectos. La idea ¢s investigar si las variables riesgosas son las mismas en este tipo de proyectos (embals EJEMPLO DEL MUNDO REAL 10-1: APLICACION DE ANALISIS DE SENSIBILIDAD PARA TRES PROYECTOS DE RIEGO ANALISIS DE SENSIBILIDAD DEL PROYECTO CANAL La VicroriA DE VILCON. Se sensibiliz6 respecto a los precios de cada uno de los productos de los terrenos bene- ficiados por esa obra de riego, y para variaciones de todos los precios en conjunto. Se analizaron también los montos de las inversioncs. Otras variables, en particular los costos ‘operacionales (costos operacionales de mano de obra, de transporte y de comercializacién) stn sujetos a poca variabilidad, por lo que no fueron considerados. Los resultados se sintetizan en la Figura 10.3. ‘othe eS SSC CA CGN Mia se $ 5 s Ta, = 89 smmon semaGa _saa7i77 ‘ae 73 50 SADNIG SARTO OAS roy 2-96 sumo semen 1946570 rm 37a Seuxss2pu8 Soman 71423670 erat 22° MA SASLIIDIE GeONDSIE 99870 ven ear P12 OA SATION KOMI LISS Fombencn Mra = S3S. SASLANIAME SMEAR —-L0RTDNS Manage 7 75S SmgZGE SmarIT 74508 aumae Royale 2 32 sasimias xmamomo sean cane” 2 Hs Samo Geosstaas ieeRE soe i213 sssumon ssa anno ry SS0518 720545020 von Ce EO ree brace a pre clo oe asa abst Crl Later in Gate Caasta “Enel cao dela treba carve y che nohay wna rica poyeclin de preci. ms 1907, Como conclusién importante de este aniliss, se tiene que las variables riesgosas mis importantes de modelar son los precios de los productos, A modo de ejemplo, la sensibi- lidad del VAN respecto a los precios de la leche, las papas, la remolacha, las frambuesas yl carne, es mayor que Ia sensibilidad respecto 4 Ia inversi6n. Si consideramos todos los precios en conjunto, la clasticidad obtenida 15 veces mayor que la de la inversién. Anilisis de sensibilidad del proyecto Laja—Diguillin. ‘También se sensibilizé respecto a los precios de cada uno de los productos (ver DOH, 392CAPITULO 10 & EvALunciOn DE: PROYECTOS RYO INCERTIDUMBRE: INVERTIR © NO INVERTIR HOYFigura 10.5: AnCAPITULO 10: UACION 2 PROVEGTOS BO INCERTIDUMBREE INVERTIR O NO Proyecto Victoria de Vilcin: La clasticidad a los precios es aproximadamente 6 veces mayor que la clasticidad a la inversi6n, y aproximadamente 4 veces mayor que la elasticidad ala rasa de incorporacién a ricgo.’ ‘Todos los resultados consistentemente muestran la importancia del conjunto de pre- ios de productos agricolas como variables de riesgo. Es necesario destacar que el riesgo hidrolégico y climatico de la situacién con proyecto, noes relevante para la evaluacién, ya que los embaises se disefian con normativas de tama- fio y capacidad tal que deben garantizar un 85% de seguridad de riego (Mideplan, 1996). El riesgo climitico si es relevante para ln situacidn sin proyecto, pero su eliminacién es justamente la fuente de beneficios y de disposicién a pagar por parte de los agricultores, y por tanto el diferencial de riesgos queda caprurado en el modelamiento agro ~econdmico dela metodologfa de evaluacidn vigente, En el caso del margen de riesgo climatico no cubierto de acuerdo al disetio del embalse, se puede considerar la inclusidn de eventos aleatorios de “Saltos” de Poisson (esta forma de modelar se incluye en el capitulo dedicado al tema de VeR y simulacién). 2.1.3 VENTAAS Y DESVENTAJAS DEL. METODO DE. ANALISIS DE SENSIBILIDAD Las ventajas mas evidentes son: + Facil aplicacién y ficil de entender. + Se puede combinar con otros métodos (para ver un aniliss de sensibilidad aplicado sobre tun modelo de flujos que siguen un proceso Browniano ver Hooper & Pointon, 2002). Dentro de las des tajas del método tenemos que: Sélo permite analizar variaciones de un parimetro a la ver. (lo que no es realista).. + No utiliza informacién como las distribuciones de probabilidad del parimetro a sensi- bilizar (si se dispone de esa informacién, el método no permite aprovecharla). + No entrega distribucién de probabilidades de los indicadores de rentabilidad (VPN ‘TIR), como se hace en el caso del anilisis probabilistico y la simulacién’ lis alla de estas eriticas, deben considerarse los siguientes argumentos (a favor del método): Lantlss mis futible cuando se carece de informacién hist6rica sobre el comporaamiento de has variables riesgosas. Es informacién es necesaria para determina la funciones de distribuciin le probabilidad de clichas variables, yes uno de los datos de entrada necesarios para hacer andliss probabilistico o simulicion, sin ellos la aplicacisn de ese tipo de métodos es menos rigurosa. Es un buen paso, previo a otros mis sofisticados como el anilisis probabilistico o la simulacidn, ya que ayuda a detectar las variables criticas desde el punto de vista del riesgo, siendo esas las que posteriormente debiesen tener prioridad en el proceso de modelamiento, de esa forma se hace mis eficiente el anilisis probabilistico o la simula- cidn, al permitir la focalizacién en las variables mis importantes. abe sefialar, que por falta de datos, no se pudo sensibilizar con respecto a los rendimientos de los terrenos (los que asu vez dependten del lima). ‘Que se presenta mis adelante en este documenta, 395Cabe sefalar que, en lugar del cilculo de la elasticdad presentado, se han propuesto otras miétricas como el por ejemplo el difrental importance measure (DIM). (Borgonovo y Peceati, 2005). 2.4.4 APLICACION AL. AFROPUERTO CERRO MORENO DE ANTOFAGASTA, 7000 ptiembr 396CAPLTULO 10 :: EVALUACION DE PROYECTOS BAJO INCERTIDUMBRE: INVERTIR © NO INVERTIR HOY (2.1.5 ANALISIS DE ESCENARIOS: Este método permite resolver el problema de la unidimensionalidad del anilisis de sensibi- lidad. Esto se logea a través de definir escenarios para las distintas variables riesgosas que afectan la inversion. Cada escenario esti determinado por los valores que supuestamente tomarian las variables riesgosas en estos. Habitualmente se definen 3 escenarios: optimista, medio (también llamado escenario base 0 neutro) y pesimista. 397Ejemplo de un escenario optimista + precio del producto es un 20% superior al estimado en la situacidn base + precio de los insumos se mantienen + el volumen de produccién y venta es un 10% superior al de la situaci6n base. Es decir, un escenario es un cambio coherente en las variables riesgosas, ya que no todas las combinaciones de variables aleatorias son igualmente probables. La definicién de los esce- narios posibles debe ser realizada por la propia organizacién que est evaluando el proyecto © por expertos de ese sector industrial. Este método es levemente mejor que el de sensibilidad, ya que considera que hay variables ‘que pueden variar en forma conjunta (no necesariamente una a la vez), pero mantiene las des- ventajas y sesgos del analisis anterior. 2.1.6 APLICACION DE ANALISIS DE ESCENARIO A UN PROYECTO DE TECNOLOGIAS DE INFORMACION EN UN BANCO Este proyecto consistia en dlesarrollar una nueva tecnologia que permita entregat a los clientes de la Banca Empresa la posibilidad de aceeder en forma remota (Canal WEB) a un crédito automitico, con caracteristicas particulares de tasas de interés y montos miximos autorizados para el cliente’, Se configuraron escenarios a partir de variaciones porcentuales (respecto a la evaluaciGn base) de los ingresos operacionales, costos operacionales y costos fijos, obtenién- dose los resultados segtin las Figuras 10.9 y 10.10. Figura 10.9: Analisis de Escenarios Proyecto Web en un Banco VAN *Losresultados estin tomados de un proyecto formulado por alumnos del Diploma de Gestién de Operaciones de Servicios Financieros, que imparte el Departamento de Ingenieria Industrial de la Universidad de Chile en conjunto con el Instiuto de Estudios Bancatios Guillermo Subereaseaux 398CAPITULO 10: YALLACION DE PROYECTOS BAJO INCERFIDUMBRE: INVERTIR © NO I Figura 10.10: Anilisis de Escenario Proyecto Web Banca (En porcentajes) Variable |_Pesimista_| Medio (-) Base Medio(+) | _Optimista Ingreso operacional | -40 “10 0 10 40 Costo operacional | 30 10 o -10 30 Costos fijos 20 5 o Ss 20 Fuente: Trabajo de curso de Diplomado en Gestién de Operaciones de Servicios Financieros (DiI- IEB) 2.2 ANALISIS PROBABILISTICO Consiste en calcular estimadores de tendencia central y de dispersién del VPN (variable aleatoria) de un proyecto de inversién a través de su funcivin de distribucidn de probabilidades. ste método se incluye dentro de este capitulo de marco teérico por dos razones impor- s posible aplicarlo directamente el cileulo de los estimadores (de tendencia central y in del VAN), pero ademis, la base teérica dle los modelamientos es comiin con la de los métodos mas recientes (en particular el VeR). 2.2.1. BRLVE REPASO DE PROBABILIDADES. Si se tiene una variable aleatori tonces su valor esperado 0 esperanza continua llamada X, con funcién densidad f(X), en- 10) E(X)= S ‘X f(X)dX Con X variando en todo su espacio muestral. Si X es discreta entonces: @ E(X)= » X,P(X)) Es importante recordar que el valor esperado es un operador lineal, es decir: @ E(aX + bY) = aE(X)+bE(Y) Por otro lado, la varianza de X es: a ¥(X) = A(x- E00) | ‘ ~2* X*E(X)+E*(X)| = E(X?)-E?(X) 399La varianza no es un operador lineal, en efecto: © V(aX #bY) = a°V(X)+b°V(Y)#2abCOV(X,Y) Donde: © COV (X,Y) = HX - BUY -£0))] La covarianza seri no nula entre las variables aleatorias cuando cllas tienen algin grado de correlacién entre ellas. Se define el coeficiente de correlacién entre X ¢ Y como p: covey, Pry = LEE) con oy = IV ¥ oy = VCO ¢Cuil es el criterio de decisién para este enfoque? Determinar si es conveniente o no hacer tun proyecto riesgoso requiere de elementos algo mas complejos que la evaluaci6n de proyectos deterministica. Como primer paso debemos conocer los conceptos de valor esperado y des- viacién estandar del VPN. 2.2.2 VPN rsPERADO Se parte del supuesto de que se tiene una variable aleatoria X que esti presente en todos los flujos, luego tienen un flujo de caja aleatorio con un horizonte de n periodos Fa(X), F1(X), F2X)uonFa(X). A partir de ellos pueden obtener un VPN aleatorio VPN(X). Luego et VPN esperado seri la esperanza de ese VPN aleatori & F(X) VPN(X) = Fy(X) a ®) N(X) = F(X) + y (ler)! E(PN(X)) = E(F(X) + 3 FELD) ® (+r)! Un error que frecuentemente sucede es que se confunde el valor esperado de una funcién que depende de una v.a. (como por ejemplo el I/PN) con la funcidn evaluada en el valor espe- rado de la va, valores que en general serin distintos, es decir: E(VPN(X)) « VPN(E(X)) a ‘Serin iguales s6lo en el caso particular en que la funcién I/PN es line se debe recordar que lo relevante es E(VPN(X)) y no VPN(E(X)). Ya que llevar a decisiones equivocadas. en la va. Siempre dkimo puede 2.2.3 DesviaciOn esTANDAR DEL VPN Esisten tres casos posibles: En primer lugar, podria ocurrir que los flujos de caja de cualquier periodo sean estadisticamente independientes de los flujos de los periodos restantes. En se~ 400CAPITULO 10: VALLACIGN DE PROYECTOS BAJO INCERFIDUMBRE: INVERTIR © NO I gundo lugar, podria ocurrir que los flujos de cualquiera de los periodos tuviesen correlacién perfecta con los flujos de los periodos restantes, es decir, que la variabilidad de cualquiera de los se explica totalmente por la variabilidad de los flujos restantes. Los dos casos anteriores son los menos probables, lo que posiblemente se encuentre en la realidad de un proyecto, son flujos que no son independientes y tampoco tienen correlacidn perfecta, es decir, cl easo inter- medio de flujos con correlacién imperfecta. A continuacién, se presentan las ecuaciones para calcular la desviacién estindar del VPN cn cada uno de los tres casos. 1) Fhujos de caja independientes: COVE, F,)= plF,,F,)=0, Views a Luego: f oF) 12) pern- (a+ Sats)- §ze ii) Flujos de caja perfectamente correlacionados: (13) Afr, )- COL ERE) oRotF) “lL Wy Luego: = Shae 14) SAP) (5 AAD) 5 off) ‘ ov) = or S ae)" aan” lS a Baer’ iif) Flujos de caja imperfectamente correlacionados: ae (13) Ls) FE area ie (Sa den AA, den +7 2.2.4 FUNCION De DIsTRIMUCION DE PROBAMILADAD DEL VPN, En el anilisis de la distribucién del VPNde un proyecto, es fundamental Teorema del Limite Central, el que plantea: “Si una variable alcatoria X puede ser expresada como la suma de n variables aleatorins independientes, entonces para un “n grande”, la variable aleatoria X sigue aproximadamente tuna distribuciGa normal”, (Joiron, 2004) 401Figura 10.11: Distribucién de Probabilidades del VPN Fuente: Elaboracién propia. EI VPN es en efecto una variable aleatoria que es igual a la suma (ponderada) de (a1) variables seston os uj de xe Por oor con lx Bunlones de deci de los os caja se puede obtener el comportamiento probabilistico del VPN. La forma funcional de itaeedn de probabilidad del VPN dependera del nimero de flujos, de la distribucién de cada uno y de la independencia que exista entre ellos. ‘No obstante, como ya se ha dicho, por el Teorema Central del Limite, se sabe que indepen- dicntemente de ls distribuciones de los flujos de cada periodo, la distribucién del VPN ten- di a ajustarse a una distribucién normal, para proyectos con largos horizontes de evaluacién (muchas variables aleatorias F1). A continuacién se plantea otro problema: En la Figura 10.12, Cuil es un mejor proyecto, A 6 B? Figura 10.12: Distribucién de Probabilidades del VPN de Dos InversionesCAPL{TULO 10 :: EVALUACION DE PROYECTOS BJO INCERTIDUMBRE: INVERTIR © NO IN La respuesta a esta pregunta lleva a los temas de aversién al riesgo, grados de aversion al riesgo y el método de equivalencia a la certidumbre. 2.3 AVERSION AL. RIESGO Y EQUIVALENCIA A LA CERTIDUMBRE 2.3.1 -AVERSION AL RIBSGO* La decisién de qué proyecto realizar depende del “comportamiento” del inversionista frente al riesgo. Estos comportamientos pueden ser clasificados en tres categor + Neutro al riesgo + Amante del riesgo + Adverso al riesgo F/ VA =1t1f + {COV Po ray VARVAR (om) (mf) => F=(4 eA + {COV m) | VAR (rm) (rat D) (29) => VA={F-COV , rm) en / VAR (rm) } / (14) De donde se concluye que el flujo equivalente cierto es: EC = F-COV (F, rm) *(rm-f)/ VAR (rm) 30) La expresién anterior permite encontrar el flujo equivalente cierto sin necesidad de cono- cer los datos del modelo CAPM. Sin embargo, si ya se ha calculado la tasa de descuento con CAPM, se puede determinar EC de una forma alternativa (mis simple), ya que si WA=EC/ Ces F/ (1+r) Gl) => EC = (1+4f) F / (141) Enronces en general, para un periodo ¢ cualquiera se tiene que: EC=4,F 2 donde a, ={ (+18) / +9} ¢<1 Notese que en todos los casos, llegar a obtener el parimetro de equivalencia a la certidum- bre, implica que se debié desarrollar previamente el método de ajuste a la tasa de descuento, lo que plantea el cuestionamiento de la utilidad del método de equivalencia a la certidumbre, dado que siya se ealeulé la tasa de descuento ajustada por riesgo, deja de ser necesario incluir el riesgo en los flujos via equivalencia a la certidumbre. Adicionalmente, se debe tener en cuenta que no hay disponibilidad de informacién necesaria para aplicar el método de ajuste a la tasa de descuento en el caso de proyectos puiblicos (no existe la informacién hist6rica de rentabilida- des de mereado de los proyectos que se requiere para el modelo CAPM), por lo tanto tampoco pueden por esa via aplicar el método de equivalencia a la certidumbre. 2.5 SIMULACION Surge como respuesta a las limitaciones del modelo probabilistico Savvides, 1994), este tiltimo: + Requiere conocimientos y manejo acabado de conceptos de probabilidades * Es de dificil formulacién matemitica debido a la necesidad de: » Modelacién de las relaciones entre flujos » Modelacién de la relaciones entre variables Por lo tamto, en algunos casos se Hlega a la imposibilidad de acceder a una solucién anal tica, La solucién prictica ha sido la Simulacién Computacional (Sapag y Sapag, 1995, Blank y Tarquin, 1998), Esta técnica surgié a partir del desarrollo de la computacién e informatica, que 408CAPLTULO 10 :: EvALiaciOn DE PROYECTOS RYO INCERTIDUMBRE: INVERTIR © NO IN IR HOY les permite hacer una gran cantidad de cileulos en poco tiempo. La idea tras la simulacién es recrear” numérica y reiteradamente la experiencia aleatoria que interesa analizar, por medio de un modelo que describa el comportamicnto del sistema (no es optimizante) y mida las va- riables de desempeiio del sistema bajo distintos panimetros dados La simulacién permite la evaluacién de un gran niimero de es mente, de acuerdo a las distribuciones de probabilidades de las va ciones de interdependencia ios generados aleatoria- les riesgosas y de las rel entre cllas. El procedimiento se puede represcntar en la Figura 10.16, Figura 10.16: Modelo General de Simulacién heme acta Fucnte: Flaboracién propia Como resultado de la simulacién se obtiene un Histograma, que repr ximada la Distribucién de Probabilidades del VAN (suponiendo que ese es criterio de eva- luacién seleccionado): Figura 10.17: Histograma ait Fuente: Elaboracién propia. 409Fucate: Elaboracin propia. ‘Ntese de la figura 10.12, que uno de los datos de entrada necesarios es la definici6n de las, distribuciones probabilisticas de Ins variables riesgosas. En la propuesta metodol6gica, éstas deben de ser previamente identificadas mediante anilisis de sensibilidad. Figura 10.18: Las Distribuciones de Probabilidad mas usadas 2Cémo trabajar en un proyecto? Con modelacién mediante el uso de algiin software de apoyo (pot ejemplo @Risk o Criysallbal), que permiten ajustes de curvas a datos histéricos, seleccionanado las distribuciones que mejor se ajustan con test estadisticos que miden bondad de ajuste (como el Chi cuadrado, el de Kolmogorov ~ Smirnoff y otros). Para tener una idea de la gama de modelos de simulacién disponibles en el mercado, se recomienda el trabajo de Bernal (2004), Ejemplo: En la evaluacién de un proyecto de riego, se requiere simular el precio de la arve- ja, partir de datos histéricos de precios, se obtiene la distribucién de la Figura 10.19. 410CAPITULO 10 :: EvALuaciON Dr PROYECTOS BAO INCERTIDUMBRE: INVERTIR © NO INVERTIR HOY Figura 10.19: Obtencién de la Funcién de Distribucién para un Producto Agricola Dla eps sa Logteneeoho Tara 0867) oy st sae 4 25 fo ya oa o ° La Ta a een A continuacién, en Ia figura 10.20 se muestra cl resultado de una simulacién realizada con Crystallball Figura 10.20: Resultado de una Simulacién con Crystall Ball A modo de ejemplo dentro del sector de riego, se muestra en la Figura 10.21 una salida de una simulacién de un proyecto’, realizada con el software @Risk. * Correspondea un resultado parcial, que se presenta en este punto slo a most de referencia, ya que en la simula se modelaron solamente algunas de las variables de riesgo, y sin considerar las correlaciones entre ellas auFigura 10.21: 'stadisticas de la Simulacién de un Proyecto de Riego Resultados, Estadisticas generales Iteraciones 1000 Media 5.262 Minimo -27 064 Maximo 88 004 Std Dev 412105 Variance 146 537 800 Probab. VAN <0 35,79% Fuente: Elaboracién propia. Segtin estos resultados, el valor medio del VAN es de $5.262 millones y la probabilidad de que el proyecto sea no rentable es de un 35,79%. El VeR de este proyecto, seria de 5.262- 468 millones de $. Fl segundo término en el calculo anterior, corresponde a la Jima pérdida que podria dejar el proyecto considerando El histograma que representa grificamente los resultados anteriores se presenta en la Fi- gura 10,22 Figura 10.22: Histograma de la Simulacién con @Risk de un Proyecto de Riego ‘leven ec VAN (AS ) AR sai 918 a0 200 Venn 105 10 Fucnte: Ehboracién propia. 412CAPITULO 10: EVALUACION DE PROYECTOS RYO INCERTIDUMBRES INVERTIR © NO INVERTIR HOY 2.6 NUEVOS DESARROLLOS: EL VALOR EN Ruesco (VER)* Los pasos detallados de la metodologia VeR (Longerstaey J. & Zangat P, 1995), han sido ampliamente difundidos (ya se cuenta con més de 10 afios de difusion y marketing de la he- rramienta) y ha sido aplicada en muchos pais tintos tipos de activos, fundamentalmente financieros. Los aspectos tedricos se tratan con mis detalle en 2.6.2 y siguientes, en 2.6.1 sdlo. se presenta la metodologia de forma general y se ilustran los resultados que permite aleanzar mediante ejemplos. 2.6.1 InrropucciOn aL VER hecho de que el métoxlo sea estindar, permite comparar los resultados. Lo anterior permite que quienes trabajen con la herramienta, ya puedan conocer sus limitantes y su aplicabilidad, es decir, ya debieran poder saber bajo qué condiciones la herramienta es aplicable y bajo cuales se deben hacer ajustes y contrastar con otros métodos. Lo que el VeR mide es la exposicién al riesgo para un cierto nivel de confianza, es decir, el monto miximo que se podria perder para ese nivel de confianza, en cierto intervalo de tiempo. Ese monto maximo tiene asociado una probabilidad de perder (ver Figura 10.23) Figura 10.23: Valor en Riesgo (VER) reed Print saanal cs 3% 8 cs $ Fuente: Haboraién prop Fuente: Blaboracidn propia Moputo Parawernico Este punto se basa en una aplicacién realizada para la mineria en Chile. (Cruz, 2004). Se parte del supuesto de que el riesgo del proyecto depende sélo del riesgo asociado a los precios del producto o servicio de dicho proyecto. ° “Todo este punto debe mucho a ls conversaciones, y trabajos conjuntos realizados con el profesor José Miguel Cruz, ya toda la experiencia que él ha desarrollado y transmitido sobre el tema en el Departamento de Ingenieria Industrial de la Universidad de Chile (mis alli de ls citas de sus trabajos que se reeogen en la bibliografi). 413En este ejemplo, el interés radica en estimar la pérdida maxima (al 95%) que pudiera su- frir el proyecto respecto a su VPN esperado. La pregunta es cual es el riesgo asociado a esta inversidn, La manera de responder esta pregunta se basa en proyectar un escenario de precios futuros que se mueva por debajo del precio esperado, y que separe los posibles escenarios de precios entre los que ocurren con probabilidad del 95%, y los que oeurren con probabilidad del 5%. El riesgo de esta inversidn se puede medir en cuanto se podria desviar el precio de su tra- yeetoria media estimada. Entonces, se puede evaluar el valor de la inversion a través de una trayectoria critica del precio, y que corresponde a aquel precio tal que precios menores que este s6lo ocurren con una probabilidad baja (5%). Como se calcula este precio limite? La clave consiste en encontrar alguna variable a la cual se le puede conocer o proyectar de manera razonable su funcidn de distribuciGn de probabilidad, y resolver la ecuacion T,(Pee) 25% 3) Donde F representa la funcién de densidad de probabilidad acumulada. ‘Supdngase inicialmente que el cambio porcentual del precio se distribuye en forma normal, con valor esperado igual a Re y con varianza igual a t’s2 donde s2 representa la varianza de 1 dia del precio. Esta volatilidad diaria (definida como la desviacidn estindar de los cambios por- centuales diario) se puede suponer por ejemplo, que se mantendrit en los proximos periodos. La ventaja de suponer normalidad es que el percentil al 5% es conocido y puede calcularse cen funcién de tomar el valor medio y restarle un determinado mimero de desviaciones estin- dares (1,64 desviaciones para un 5%, 2,33 para un 1%) De esta manera, el eambio porcentual que separa la distribucién entre los menores (los que iis hacen caer el precio) que ocurren con un 5% de probabilidad y los mayores que ocurren con un 95% de probabilidad es VeR, y se calcula (para el caso de la distribucién normal) como: VeR=Re-k*0 G4) ‘Cuando existe mas de una variable que explica ¢l riesgo de una inversién determinada, es necesario calcular los riesgos en forma individual primero, y luego considerar las interacciones de estas variables incorporando sus correlaciones. Por ejemplo, si una inversién tiene 2 factores de riesgos (factor 1 y factor 2), se podria me- diante la técnica antes deserita calcular los VeR individuales, VeRI y VeR2. El valor en riesgo total, que incorpora ambos factores en forma simultinea se denomina VeR covariado, o VeR total y se caleula como sigue: VeRTotaF VeRP? + VeR2? +2pVeRIVeR2 65) Donde p es el cocficiente de correlacidn entre el factor 1 y el factor 2. Para el caso de mis de dos variables, el andlisis es similar slo que es necesario compactar la notacién que se vuelve engorrosa, por lo que se utiliza notacién matricial, 414CAPL{TULO 10 :: EVALUACION DE PROYECTOS BAJO INCERTIDUMBREE INVERTIR © NO INVERTIR HOY MODELOS NO PARAMETRICOS Dentro de estos modelos esti Ia simulacidn, que es lo que se propone en este trabajo (Best, 1999). Con este tipo de alternativas se obtienen modelos mis especificos que valoran mejor para casos especificos, pero no para la generalidad. Se puede asi levantar el supuesto de nor- malidad de los precios (implicito en los modelos paramétricos).. Para valoracién de activos reales, en particular en proyectos, cuando no se dispone de pre~ ios que dependen sélo de las fuerzas del mercado (ejemplo en proyectos de inversién), en es- 0s easos si hay volatilidades intrinsecas a modelar en forma espeeifiea, ademas en estos casos no existe la necesidad de estandarizar, Por tanto, se desartolla un modelo para ese conjunto de activos, el que le interesa a la empresa, incluyendo las volatilidades intrinsecas del proyecto, Esto se traduce, por ejemplo, en los métodos de valoracién de opciones reales o de VeR por medio de simulacién, Se sucle modelar la evolucién de precios mediante procesos estocisticos. Para un anilisis general sobre procesos se recomienda analizar el texto de Coleman (1976) Ventas net. VER (Rrstrcro A Mi:TODOS ANTERIORES DE ANALISIS DE RIESGO EN CARTERAS): Permite medie y comparat riesgos, teniendo en cuenta la cartera completa, y considerando no s6lo has reatabilidades y riesgos individuales sino las eorrelaciones entre los mismos. Permite compara la cficiencia de los gestores de earteras, comparando no sélo las rentabilidades que estos obtienen, sino ademas la relacién rentabilidad ~ riesgo que han disefiado. Se ha establecido en el mercado como una medida clave del riesgo de mercado, desde que el Comité de Basilea establecié que los bancos deberian ser capaces de cubrir pérdidas en sus portafolios sobre un horizonte de 10 dias, un 99% del tiempo. Cairicas at. VER paramtreico La metodologia del VeR ha tenido detractores, eriticas mis generales que las que se presentan en este punto se pueden ver en Szego (2004). Se han propuesto alternativas como la de usar simulacién ex post, valorizando la cartera actual con los datos hist6ricos de precios y tasas, cligiendo los niveles de pérdidas que con alta confiabilidad (mis que el 95%) podrian ocurrit para la actual cartera segtin los datos histéricos (Lawrence y Robinson, 1995). EI modelo asume que la distribucién conjunta es normal’. Se han propuesto alternativas que reflejen mejor la distribucién de probabildades de los precios de las acciones. Selle critica que la volatildad Futura sea estimada con medias méviles que pesan mas los pe- riodos mas recientes que los distantes. Se critica ademas que se proponga un parimetro tinico para ponderar las volatlidades histéricas de todos los activos en lugar de estimar parimetros para cada activo. La mayor parte de estas critieas han sido respond Zangar P, 1995). por JP Morgan (Longerstaey J. & COMENTARIOS A LAS CRETICAS CONTRA EL USO DEL VeR PARAMETRICO: En relacidn al aleance y aplicabilidad, se indica que el no considerar los valores extremos no es tun problema de la metodologia ya que nada fuerza a usar un intervalo del 95% de confianza, ‘Ya que pari los precios de acciones se propane un modelo browniano yeométrico con un proceso de Weiner “15este puede ser modificado y se modifican entonces los parimetros de las ecuaciones. En gene- ral, si es el nivel de confianza seleccionado, el VeR pasa a ser una funcién de ct. ‘Se sefiala, ademas, que los gestores de riesgo no estin interesados sdlo en los casos extremos, y que por lo tanto la cleceién de la metodologia a aplicar dependeri también de las exigencias de os reguladores. Se plantea que los métodos de simulacién ex post propuestos como alternati pueden ser muy costosos por la gean cantidad de informacién historica que requeririan. Respecto ala normalidad o no normalidad de los precios de las acciones, se sefiala que mas importante que esa discusién, es analizar silos modelos no normales son mejores para predecir cl futuro que los modelos normales. Respecto al método exponencial propuesto para explicar la dinimica de la volatilidad, se define el uso de un parimetro tinico para ponderar las volatilidades histéricas de todos los activos, en lugar de estimar parimetros para cada activo, argumentando la mayor simplicidad tidad de parimetros a estimar en el modelo alternativo) in, muchas de estas disquisiciones iniciales del modelo, han sido superadas cen la prictica en la medida de que se han ido integrando mejoras a la versiones originales de Risk Metries: ajustes al intervalo de confianza, ¢ incluso aplicaciones integradas dle VeR con modelos de procesos Jump Poisson, 0 el uso de ENT (Extreme Value Theory) como alternativa al VeR, si bicn hasta donde se conoce no hechas por JP Morgan sino por otras empresas y por académicos (Fernindez, 2003). Se puede decir que quienes se han apropindo del modelo originalmente propuesto por Risk Metrics, estin introduciendo mejoras que permiten superar varios de los puntos de discusién iniciales en torno al tema. Finalmente, respecto a la aplicabilidad de In herramienta, debe tenerse en cuenta que las estandarizaciones propuestas por JP Morgan suponen que los activos cuya volatilidad se mo- dela tengan precios de mercados que oscilan por motivos de oferta y demanda. En sectores regulados no se cumple la condicidn anterior, esto dificulta la aplicacidn a sectores como agua potable, energia y telefonia fija, en cambio no hay dificultades para su aplicacién (con los su- iales de Risk Metrics) en la mineria del cobre, en indices de precios (como el IPSA), cn el tipo de cambio (desde que este se dejé flotar producto de la eliminacién de las bandas de precios del Banco Central) y en la agricultura (en particular en un proyecto de ricgo). Si se deseara ajustar el modelo del VeR a sectores donde no se dan las condiciones anteriores (las intervenciones regulatorias serfan una posible causa), se puede hacer mis sofisticada la estima- cién de volatilidades usando (por ejemplo) un modelo Jump Poisson. En cualquicr caso, el nivel de sofisticacién para estimar la volatilidad, depende del uso que se le quiera dar al VeR. 2.6.2 Oricen vet VER EL VeR y sus metodologias de cileulo asociadas, se originan en el entorno de la regulacién de la volatilidad de los mereados financieros. En razén de ese origen, a continuacidn se describe di- cho entorno, para luego presentar los aspectos tedricos de este método de medicién de tiesgos. Cabe sefialar que el origen del VeR, con objetivos de medicién de riesgos de activos finan- cicros, no invalida su aplicacién a la mediciGn de riesgos de los activos reales de un proyecto, asi como el cileulo del valor de las opciones financieras permiti6 dar paso al caleulo de opeio- nes reales en proyectos. 416