Evaluación de Opciones Reales Mediante Simulación - El Método de Los Mínimos Cuadrados

PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE
ESCUELA DE INGENIERIA
EVALUACIÓN DE OPCIONES
REALES MEDIANTE SIMULACIÓN:
EL MÉTODO DE LOS MÍNIMOS
CUADRADOS
MIGUEL ALEXIS GRAVET GAYTÁN
Tesis para optar al grado de

Magíster en Ciencias de la Ingeniería
Profesor Supervisor:
GONZALO CORTÁZAR SANZ
Santiago de Chile, 2003

PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE
ESCUELA DE INGENIERIA
Departamento de Ingeniería Industrial y Sistemas
EVALAUCIÓN DE OPCIONES REALES

MEDIANTE SIMULACIÓN: EL
MÉTODO DE LOS MÍNIMOS
CUADRADOS
MIGUEL ALEXIS GRAVET GAYTÁN
Memoria presentada a la Comisión integrada por los profesores:
GONZALO CORTÁZAR
GUSTAVO LAGOS
AUGUSTO CASTILLO
MARIO DURÁN
Para completar las exigencias del título de

Ingeniero Civil de Insutrias, con Diploma en Minería
Santiago de Chile, Mayo 2003

A mis Padres Hugo y Mariela,
a mi tío Horacio,
y a Katherina.
ii
AGRADECIMIENTOS
En primer lugar quisiera agradecer a mis padres Hugo y Mariela

por su incondicional apoyo y comprensión. A mi tío Horacio por sus
motivantes consejos y observaciones, y a Katherina por brindarme su cariño y
compañía a lo largo de la realización de esta tesis.
Debo destacar también el haber sido guíado por el profesor

Gonzalo Cortázar quien con su entusiasmo y dedicación, ha despertado en mi
el interés por la investigción académica.
La buena disposición con que realicé este trabajo no hubiese sido

posible sin el agradable ambiente de compañerismo y sana diversión que
impregnó la oficina que compartí junto a: Jorge, Javier y Eric. Asimismo,
quisiera reconocer la cordial relación que siempre mantuve con todos los
integrantes del proyecto “Risk America.com”.
Por último, agradezco el apoyo financiero entregado por el

proyecto Fondef DI102400.
iii
iv
INDICE GENERAL
Pág.
DEDICATORIA………………………………………………………………………....ii
AGRADECIMIENTOS…………………………………………………………………iii
INDICE DE TABLAS…………………………………………………………………..ix
INDICE DE FIGURAS…………………………………………………………………xv
RESUMEN……………………………………………………………………………xviii
ABSTRACT…………………………………………………………………………....xix
I. INTRODUCCIÓN .................................................................................................1
II. MARCO TEÓRICO...............................................................................................7

2.1 Opciones Reales.................................................................................................7
2.1.1 Introducción ...............................................................................................7
2.1.2 Metodologías de valorización de opciones reales......................................9
2.1.3 Opciones Reales versus Valor Actual Neto. ............................................11
2.1.2 Literatura acerca de la Teoría Opciones Reales.......................................12
2.2 Algoritmos de valorización de opciones americanas.......................................16
2.2.1 Introducción .............................................................................................16
2.2.2 Métodos numéricos tradicionales ............................................................17
2.2.3 Métodos basados en la simulación...........................................................19
2.2.4 Tópicos relacionados con la modelación matemática de los algoritmos .37
III. DESCRIPCIÓN Y ANÁLISIS DEL ALGORITMO PROPUESTO POR

LONGSTAFF Y SCHWARTZ (2001)................................................................44
3.1 Introducción .....................................................................................................44
3.2 Descripción del algoritmo LSM.......................................................................46
3.2.1 El esquema de valorización .....................................................................46
3.2.2 El algoritmo de valorización ....................................................................48
3.2.3 Convergencia del algoritmo .....................................................................54
3.2.4 Ejemplo numérico ....................................................................................57
3.3 Comparación del algoritmo LSM con el método de diferencias finitas ..........68
3.4 Consideraciones acerca de la base a utilizar en las regresiones.......................70
3.4.1 Análisis del número de regresores ...........................................................71
3.4.2 Análisis de las distintas familias de polinomios ......................................72
3.4.3 Análisis de la política óptima generada por la base de potencias ............75
IV. IMPLEMENTACIÓN Y RESULTADOS DE LA VALORIZACIÓN DEL

MODELO DE CORTAZAR Y SCHWARTZ (1998) MEDIANTE EL
ALGORITMO LSM. ...........................................................................................80
4.1 Descripción general del problema....................................................................80
4.2 Modelo del pozo de petróleo de Cortázar y Schwartz (1998)..........................81
4.2.1 Modelo de precios spot del petróleo ........................................................81
4.2.2 Valor del pozo de petróleo desarrollado ..................................................86
4.3 Aplicación del algoritmo LSM al modelo de Cortázar y Schwartz (1998). ....89
4.3.1 Simulación ...............................................................................................89
4.3.2 Programación dinámica ...........................................................................91
4.4 Resultados y conclusiones de la valorización del modelo de Cortázar y
Schwartz (1998) mediante el algoritmo LSM..................................................94
4.4.1 Valorización del proyecto de inversión ...................................................94
4.4.2 Política óptima .........................................................................................95
4.4.3 Conclusiones ..........................................................................................101
V. IMPLEMENTACIÓN DEL ALGORITMO LSM AL MODELO DE BRENNAN

Y SCHWARTZ (1985) ......................................................................................103
5.1 Descripción general del modelo de Brennan y Schwartz (1985)...................103
5.2 Modelo de Brennan y Schwartz (1985) .........................................................104
5.2.1 Modelo de precios..................................................................................105
5.2.2 Valor de la mina : Modelo general.........................................................105
5.2.3 Valor de la mina : En términos reales ....................................................109
5.2.4 Valor de la mina : Modelo analítico.......................................................111
5.3 Etapas previas a la implementación del algoritmo LSM ...............................116
5.3.1 Incorporación del tiempo como dimensión del modelo.........................116
5.3.2 Incorporación de las reservas de la mina como dimensión del modelo 119
5.3.2 Incorporación del estado operacional de la mina como dimensión del
modelo ...................................................................................................122
5.4 Implementación del algoritmo LSM al modelo de Brennan
y Schwartz (1985) ..........................................................................................126
5.4.1 Valorización del modelo de Brennan y Schwartz (1985) “avanzando
hacia atrás” en el tiempo........................................................................126
hacia adelante” en el tiempo..................................................................137
5.5 Obtención de la política óptima de operación................................................139
VI. RESULTADOS DE LA VALORIZACIÓN DEL MODELO DE BRENNAN Y

SCHWARTZ (1985) MEDIANTE EL ALGORITMO LSM ............................145
6.1 Valor de la mina con reservas infinitas..........................................................145
6.2 Valor de la mina con reservas finitas .............................................................150
6.3 Análisis de sensibilidad del valor de la mina con reservas finitas .................155
6.3.1 Estática comparativa en función de la volatilidad del retorno del precio
spot del commodity ...............................................................................155
6.3.2 Estática comparativa en función del retorno por conveniencia del
commodity.............................................................................................158
6.3.3 Estática comparativa en función de la tasa de interés real.....................159
6.3.4 Estática comparativa en función del riesgo político ..............................161
6.4 Política óptima de la mina con reservas finitas.............................................163
6.5 Análisis de sensibilidad de la política óptima de operación ..........................172
6.5.1 Análisis de la política óptima para la Estructura de Costos 1................173
VII. CONCLUSIONES ..............................................................................................181
BIBLIOGRAFÍA ...........................................................................................................184
A N E X O S ..................................................................................................................191
ANEXO A : DESCRIPCIÓN DE ALGUNOS POLINOMIOS QUE CONFORMAN

UNA BASE PARA UN ESPACIO DE HILBERT. ..........................................192
A.1 Polinomios de Legendre. ...............................................................................192
A.2 Polinomios de Chebyshev..............................................................................192
A.3 Polinomios de Gegenbauer ............................................................................193
A.4 Polinomios de Jacobi .....................................................................................193
ANEXO B : DEMOSTRACIÓN DE LA PRIMERA PROPOSICIÓN DE

CONVERGENCIA DEL ALGORITMO LSM. ................................................194
B.1 Proposición 3.1 ..............................................................................................194
ANEXO C : VALOR DE LA MINA INFINITA QUE NO CUENTA CON LA
OPCIÓN DE CERRAR .....................................................................................196
ANEXO D : VALOR DE LA MINA DEL EJEMPLO DE BRENNAN Y SCHWARTZ

(1985) PARA DISTINTOS PARÁMETROS TÉCNICOS PROPIOS DEL
ALGORITMO LSM. .........................................................................................198
D.1 Número de simulaciones................................................................................198
D.1.1 10.000 simulaciones...............................................................................198
D.1.2 25.000 simulaciones...............................................................................199
D.1.3 50.000 simulaciones...............................................................................200
D.1.4 100.000 simulaciones.............................................................................201
D.2 Oportunidades de ejercicio. ...........................................................................202
D.2.1 Oportunidades de ejercicio anuales........................................................202
D.2.2 Oportunidades de ejercicio semestrales .................................................203
D.2.3 Oportunidades de ejercicio cuatrimestrales ...........................................204
D.2.4 Oportunidades de ejercicio trimestrales.................................................205
D.3 Número de potencias simples presentes en la base de regresión. ..................206
D.3.1 Dos potencias .........................................................................................206
D.3.2 Tres potencias ........................................................................................207
D.3.3 Cuatro potencias.....................................................................................208
D.3.4 Cinco potencias......................................................................................209
D.4 Plazo de concesión.........................................................................................210
D.4.1 Cuarenta años.........................................................................................210
D.4.2 Cincuenta años .......................................................................................211
D.4.3 Sesenta años ...........................................................................................212
D.4.4 Setenta años ...........................................................................................213
ANEXO E : EJEMPLO DE FUNCIONES QUE ESTIMAN EL VALOR ESPERADO

DE UNA MINA ABIERTA...............................................................................214
INDICE DE TABLAS
Pág
Tabla 3.1 : Matriz de simulaciones………………………………………………………58
Tabla 3.2 : Matriz de flujos de caja para el tiempo t = 3 ………………………………..59
Tabla 3.3: Regresión para el tiempo t = 2 ……………………………………………….60
Tabla 3.5 : Decisión de ejercicio óptimo para el tiempo t = 2 …………………………..61
Tabla 3.6 : Matriz de flujos de caja para el tiempo t = 2 ………………………………..62
Tabla 3.7 : Regresión para el tiempo t = 1 ………………………………………………64
Tabla 3.8 : Decisión de ejercicio óptimo para el tiempo t = 1 …………………………..65
Tabla 3.9 : Estrategia de parada generada por el algoritmo LSM……………………….66
Tabla 3.10 : Matriz de flujos de caja de la opción……………………………………….67
Tabla 3.11: Comparación entre algoritmo LSM, y el método de diferencias finitas…….69
Tabla 3.12 : Valores de las primeras cuatro opciones de la tabla (3.11) para distintos
números de polinomios de Laguerre (K) presentes en la base de regresión…..................71
números de potencias simples (K) presentes en la base de regresión……………………73
números de polinomios de Chebyshev (K) presentes en la base de regresión…………...75
Tabla 4.1 : Parámetros estimados por Schwartz (1997) para el proceso de precios
planteado por Gibson y Schwartz (1990)………………………………………………...85
Tabla 4.2 : Variables de estado iniciales para el día 2 de Enero de 1998. Estimación
realizada por Cortázar y Schwartz (1998)……………………………………………….86
ix
Tabla 4.3 : Producción y costos anuales del pozo de petróleo planteado por Cortázar
y Schwartz (1998)………………………………………………………………………..88
Tabla 4.4 : Comparación del valor obtenido mediante el algoritmo LSM y el

algoritmo de Barraquand Martineau para el pozo de petróleo de Cortazar y Schwartz
(1998)…………………………………………………………………………………….85
Tabla 4.5 : Evolución del precio spot crítico a lo largo de la concesión……………….101
Tabla 6.1 : Parámetros operativos de la mina con reservas infinitas…………………...147
Tabla 6.2 : Parámetros tributarios y del proceso estocástico del cobre………………...147
Tabla 6.3 : Parámetros técnicos para la aplicación del algoritmo LSM………………..148
Tabla 6.4 : Aproximación del valor analítico de la mina infinita mediante un

yacimiento que cuenta con 300 MMLb. de mineral en inventario y un plazo de
concesión de 70 años…………………………………………………………………...149
Tabla 6.5 : Aproximación del valor analítico de la mina infinita mediante un

yacimiento que cuenta con 400 MMLb. de mineral en inventario y un plazo de
concesión de 90 años………………………………………………………………………….150
Tabla 6.6 : Parámetros operativos de la mina del ejemplo propuesto en Brennan y

Schwartz (1985)………………………………………………………………………...150
Tabla 6.7 : Parámetros del mercado, del precio del cobre y de la estructura
tributaria del ejemplo propuesto en Brennan y Schwartz (1985)………………………151
Tabla 6.8 : Valor de la mina para diferentes precios obtenida mediante el algoritmo
LSM (50.000 simulaciones) v/s el método de diferencias finitas utilizado por
Brennan y Schwartz (1985)…………………………………………………………......152
Tabla 6.9 : Valor de la mina para diferentes precios obtenida mediante el algoritmo
LSM (100.000 simulaciones) v/s el método de diferencias finitas utilizado por
Brennan y Schwartz (1985)…………………………………………………………….153
x
Tabla 6.10 : Valor de la mina para diferentes precios spot del commodity obtenida
mediante el algoritmo LSM (50.000 simulaciones) v/s el método de Barraquand-
Martineau……………………………………………………………………………….154
Tabla 6.11 : Valores de la mina para distintos niveles de volatilidad obtenidos

mediante el método de diferencias finitas (MDF) v/s el algoritmo LSM (50.000
simulaciones) …………………………………………………………………………..155
Tabla 6.12 : Valores de la mina para distintos niveles del retorno por conveniencia
obtenidos mediante el algoritmo LSM (50.000 simulaciones) v/s el método de
diferencias finitas……………………………………………………………………….156
Tabla 6.13 : Valores de la mina para distintos niveles de la tasa de interés real
obtenidos mediante el algoritmo LSM (50.000 simulaciones) v/s el método de
diferencias finitas……………………………………………………………………….160
Tabla 6.14 : Valores de la mina para distintos niveles de riesgo político obtenidos
mediante el algoritmo LSM (50.000 simulaciones) v/s el método de diferencias
finitas…………………………………………………………………………………....162
Tabla (D.1) : Valor de la mina cuando el algoritmo LSM se aplica considerando

10.000 simulaciones, tres oportunidades de ejercicio por año, tres potencias como
base de regresión y 50 años de plazo de concesión v/s el método de diferencias
finitas utilizado por Brennan y Schwartz (1985)……………………………………….198


xi

50.000 simulaciones, una oportunidad de ejercicio por año, tres potencias como

50.000 simulaciones, dos oportunidades de ejercicio por año, tres potencias como


50.000 simulaciones, cuatro oportunidades de ejercicio por año, tres potencias
como base de regresión y 50 años de plazo de concesión v/s el método de
diferencias finitas utilizado por Brennan y Schwartz (1985)…………………………...205

50.000 simulaciones, tres oportunidades de ejercicio por año, dos potencias como
xii

50.000 simulaciones, tres oportunidades de ejercicio por año, cuatro potencias
diferencias finitas utilizado por Brennan y Schwartz (1985)………………………..….208

50.000 simulaciones, tres oportunidades de ejercicio por año, cinco potencias
diferencias finitas utilizado por Brennan y Schwartz (1985)……………………..…….209



xiii
xiv
INDICE DE FIGURAS
Pág
Figura 2.1 : Algoritmo de Tilley…………………………………………………………24
Figura 2.2 : Algoritmo de estratificación de Barraquand-Martineau.…………………....27
Figura 2.3 : Áreas de ejercicio disjuntas…………………………………….…………...28
Figura 2.4 : Ilustración de un árbol simulado………………………….………………...31
Figura 2.5 : Ilustración de una malla estocástica …………………………………..…....35
Figura 3.1: Comparación de políticas óptimas generadas por los métodos de

diferencias finitas y por el algoritmo LSM, cuando éste se aplica considerando una
especificación que incluye las dos primeras potencias de la variable de estado………...76

especificación que incluye las tres primeras potencias de la variable de estado………...77

diferencias finitas y por el algoritmo LSM, cuando este se aplica considerando una
especificación que incluye las cuatro primeras potencias de las variable de estado…….78
Figura 4.1 : Política óptima de ejercicio para el primer año de concesión……………....97
Figura 4.2 : Valor de desarrollo óptimo del pozo en función del retorno por
conveniencia del petróleo………………………………………………………………..98
Figura 4.2 : Política óptima de ejercicio para el segundo año de concesión…………….99
Figura 4.3 : Política óptima de ejercicio para el tercer año de concesión……………….99
Figura 4.4 : Política óptima de ejercicio para el cuarto año de concesión……………...100
Figura (5.1) : Valor de la mina abierta (V), y cerrada (W) como función del precio
spot del commodity (S)…………………………………………………………………115
xv
Figura (5.2) : Estados de reservas relevantes para la implementación del algoritmo
LSM…………………………………………………………………………………….121
Figura (5.3) : Transiciones factibles entre los estados operacionales de la mina para
dos tiempos consecutivos……………………………………………………………….123
Figura (5.4) : Incorporación de los estados de operación y del nivel de reservas de

la mina como dimensión……………………………………………………………….125
Figura (5.5) : Política óptima de operación para el primer caso considerado…………..141
Figura (5.6) : Política óptima de operación para el segundo caso considerado………...142
Figura (5.7) : Política óptima de operación para el tercer caso considerado…………...143
Figura (5.8) : Política óptima de operación para el cuarto caso considerado……….….144
Figura (6.1): Política óptima de operación de la mina para distintos niveles de

inventario obtenida mediante el algoritmo LSM, con oportunidades de ejercicio
cada cuatro meses………………………………………………………………………164
Figura (6.2) : Comparación de los precios críticos de apertura para distintos

niveles de inventario procedentes del algoritmo LSM, y del método de diferencias
finitas……………………………………………………………………………………167
Figura (6.3) : Comparación de los precios críticos de cierre para distintos niveles
de inventario procedentes del algoritmo LSM, y del método de diferencias finitas……168
Figura (6.4) : Comparación de los precios críticos de abandono para distintos niveles
de inventario procedentes del algoritmo LSM y del método de diferencias finitas…….169
Figura (6.5) : Regresión para estimar el valor esperado de una mina cerrada que
cuenta con 140 MMLb. en inventario…………………………………………………..170
Figura (6.6) : Ajuste de la regresión exhibida en la figura (6.5) para aquéllos valores
de la mina cerrada cuyo precio spot del cobre es inferior a 0.5 US$/Lb.…………..…..171
xvi
Figura (6.7) : Política óptima de operación obtenida a través del algoritmo LSM
para los distintos niveles de inventario, con K1 = K 2 = f = 0 ………………………….174
Figura (6.8) : Comparación de las políticas óptimas de operación para

K1 = K 2 = f = 0 , encontradas mediante los métodos de diferencias finitas (MDF) y
el algoritmo LSM……………………………………………………………………….175
Figura (6.9) : Política óptima de operación obtenida a través del algoritmo LSM,
para distintos niveles de inventario, con K1 = K 2 = US $200.000 y f = 0 …………...176
Figura (6.10): Comparación de las políticas óptimas de operación para distintos

niveles de inventario, para K1 = K 2 = US $200.000 y f = 0 encontradas
mediante los métodos de diferencias finitas (MDF), y el algoritmo LSM……………..177
Figura (6.11) : Política óptima de operación obtenida a través del algoritmo LSM
para los distintos niveles de inventario, para K1 = K 2 = 0 y f = 500.000 / año ……...178
Figura (6.12) : Comparación de las políticas óptimas de operación para

K1 = K 2 = 0 y f = 500.000 encontradas mediante los métodos de diferencias
finitas (MDF), y el algoritmo LSM……………………………………………………..179
Figura (E.1) : Valor esperado de la mina abierta para distintos números de

potencias que conforman la base de regresión………………………………………….214
xvii
RESUMEN
En esta tesis se analiza en profundidad el algoritmo de valorización de

opciones americanas propuesto por Longstaff y Schwartz (2001). Esta elección se
debe al gran interés que ha despertado esta metodología al interior de una de las áreas
más desafiantes de la teoría financiera moderna.
Una de las extensiones más interesantes de las metodologías de

valorización de opciones financieras consiste en utilizar estos algoritmos para evaluar
proyectos de inversión. Esta aplicación recibe el nombre de Teoría de Opciones
Reales.
Al iniciar esta investigación no existían referencias de la aplicación del

algoritmo de Longstaff y Schwartz (2001) a la valoración de opciones reales. La
percepción de este hecho motivó que, en la presente tesis se extendiera la
implementación de esta nueva metodología a dos de estos modelos, los cuales
corresponden a los proyectos de inversión planteados en Brennan y Schwartz (1985),
y Cortázar y Schwartz (1998).
Los resultados obtenidos incluyen una tasación de los proyectos y la

generación de sus políticas óptimas de operación. Las soluciones encontradas fueron
cotejadas con aquéllas generadas a través de otras metodologías más tradicionales, lo
cual ratificó la validez de esta aplicación. Dado que las opciones reales presentan una
estructura más compleja que la mayoría de los derivados financieros, la adecuada
evaluación de este tipo de instrumentos constituye una prueba fundamental para este
algoritmo. Por lo tanto, puede concluirse que, la metodología planteada por Longstaff
y Schwartz (2001) representa una herramienta de evaluación muy poderosa, cuyas
potencialidades pueden aprovecharse en todas las áreas donde se emplean activos
derivados, como por ejemplo: el mercado de acciones, bonos, letras hipotecarias,
commodities, deudas soberanas, y monedas.
xviii
ABSTRACT
In this thesis we carefully analyze the algorithm proposed by Longstaff

and Schwartz (2001) for valuing american options. This election owes to the great
interest that this method has generated within one of the most challenging areas in
modern finance theory.
One of the most interesting extensions of the pricing methods for financial
options is using these algorithms for valuing investment proyects. This application is
known as Real Options Theory.
Upon the beginning of this investigation there has been none reference of
using the algorithm proposed by Longstaff and Scwartz (2001) for valuing real
options. The perception of this fact has motivated that in the present thesis we extend
the implementation of this new method to two of these options, these models are
those presented in Brennan and Schwartz (1985), and Cortazar and Schwartz (1998).
The obtained results include the valuation of the proyects and the generation of their
optimal operating policy. These solutions were compared with those founded by other
more traditional methods, which ratified the validity of this implementation. Due to
the greater difficulty for valuing real options instead of other derivatives, the adequate
valuation of this type of real assets means a major test for this algorithm. Therefore, it
can be concluded that the method proposed by Longstaff and Schwartz (2001) is a
very powerful valuation tool, whose potencial can be used in all areas where the
derivatives are traded, such as for example: the markets for stocks, bonds, mortgages,
commodities, sovereign debts, and currencies.
xix
1
I. INTRODUCCIÓN
Una buena parte del éxito alcanzado por una empresa se debe a la
capacidad de gestión de sus ejecutivos. Sin embargo, aún cuando el reconocimiento
de este hecho se encuentra debidamente documentado, la incorporación de esta
premisa a la hora de tomar las decisiones de asignación de capital fue postergada
durante mucho tiempo.
Esta inconsecuencia ha sido reparada por una nueva metodología de

evaluación de proyectos, la cual asigna valor a la flexibilidad, ya que incorpora la
habilidad de los gerentes para tomar las decisiones correctas en el momento
apropiado. Este nuevo enfoque se conoce con el nombre de Teoría de Opciones
Reales.
La Teoría de Opciones Reales puede entenderse como una adaptación de

la teoría de opciones financieras a la valorización de activos de origen real. La
similitud entre las funciones que representan los pagos generados por las opciones
financieras1 y la estructura de los flujos de caja de numerosos proyectos de inversión
comenzó a detectarse a partir de los años ochenta2.
Al ser las opciones financieras decisiones contingentes a la realización de

un evento aleatorio, ellas entregan la posibilidad de tomar ciertas acciones una vez
despejada esta incertidumbre, permitiendo a sus poseedores aprovechar los
escenarios favorables, y al mismo tiempo resguardarse de eventos negativos. Esta
facultad se representa mediante flujos de caja no lineales.
1
Este es el nombre con el cual se conocen aquellas opciones que se transan en los
mercados financieros, en general son opciones escritas sobre: acciones, índices accionarios, futuros,
tasas de interés, commodities, etc.
2
Gracias a trabajos como los de: Tourinho (1979), Brennan y Schwartz (1985) y
McDonald y Siegel (1985).
2
Asimismo, cuando se evalúa un proyecto de inversión considerando las

distintas alternativas que éste otorga, las proyecciones de sus flujos de caja también
resultan no lineales. Para ejemplificar lo anterior se puede considerar el beneficio
que significa para una empresa la posibilidad de aplazar una inversión. Esta
flexibilidad resulta valiosa debido a que proporciona un tiempo adicional para
examinar la tendencia futura de los acontecimientos, reduciendo así la probabilidad
de incurrir en costosos errores. Entonces, mientras mayor sea el intervalo de tiempo
disponible para tomar la decisión, mayor será la posibilidad de esperar a que las
circunstancias se desarrollen favorablemente, incrementando la rentabilidad del
proyecto.
Considerando lo expuesto anteriormente, resulta lógico que la

valorización de opciones reales se encuentre muy relacionada con la valorización de
opciones que se efectúa en los mercados financieros. Sin embargo, no debe olvidarse
que la mayoría de los proyectos de inversión son complejos, ya que además de
incorporar una combinación de activos y opciones, sus gerentes se enfrentan a una
serie de decisiones secuenciales, por lo que la utilidad de este enfoque consiste en
ayudar a simplificar dicho problema, facilitando su comprensión y posibilitando su
resolución.
Debido a que en la mayoría de los proyectos se toman numerosas

decisiones anteriores a las fechas que marcan el término de estas inversiones, la
problemática de valorización que surge al considerar estos activos como opciones
reales generalmente incluye una secuencia de opciones americanas.
Los activos de tipo americano son aquéllos que entregan la posibilidad a

quienes los compran, y/o a quienes los emiten, de escoger en qué momento se desea
percibir los pagos que estos instrumentos generan. Las expresiones analíticas para
valorizar esta clase de derivados son muy escasas y es por esta razón que, para
aproximar su precio, se ha desarrollado una vasta literatura referente a métodos
3
numéricos, siendo los más tradicionales: el método de diferencias finitas y el método

de mallas.
Estos algoritmos se utilizaron en un comienzo para estimar los precios de

opciones que dependieran de un sólo activo subyacente, o bien, de una única fuente
de incertidumbre. Sin embargo, la creciente demanda por instrumentos financieros
que permitiesen cubrir riesgos cada vez más específicos, estimuló la aparición de
opciones cuyo valor está influido por numerosos activos subyacentes. Asimismo, la
modelación cada vez más extensa en el tiempo de los precios de commodities y de
las tasas de interés exigía la sofisticación de las técnicas de estimación de
parámetros, y por ende la incorporación de múltiples factores de riesgo. Estos
avances dejaron al descubierto la inconveniencia de aplicar estos algoritmos para
valorizar activos que dependen de tres o más variables de estado.
Para evaluar derivados de carácter europeo3 la simulación de Monte

Carlo es muy utilizada, incluso cuando estos instrumentos dependen de un gran
número de factores aleatorios, esto se debe a que la tasa de convergencia al precio
correcto resulta independiente de la dimensión del activo. No obstante, la “natural”
extensión de las técnicas de simulación a la valorización de opciones americanas que
dependen de cuantiosas fuentes de incertidumbre, debía superar la discordancia que
provocaba enfrentar un problema que requiere de una resolución “hacia atrás” en el
tiempo4 mediante la simulación de trayectorias “hacia adelante”.
Esta limitante comenzó a ser superada por una serie de algoritmos

“híbridos” que combinan la simulación con la programación dinámica, lo que hizo
3
Este es el nombre con el cual se identifica a los activos derivados que sólo pueden
ejercerse en una fecha predeterminada.
4
Esta forma de resolución permite encontrar la política de ejercicio óptima, es decir,
permite dilucidar para qué instante de tiempo resulta más conveniente tomar la decisión de ejercicio.
La resolución adecuada de esta problemática resulta indispensable para valorizar cualquier activo
americano.
4
posible valorizar eficientemente opciones americanas que dependen de múltiples

variables de estado.
Uno de los métodos que utiliza la simulación para valorizar activos de

carácter americano es el que proponen Longstaff y Schwartz (2001), (LSM). Estos
investigadores plantean aprovechar toda la información proveniente de la simulación
para estimar el valor esperado de continuar sin ejercer la opción (a través de una
regresión por mínimos cuadrados), para luego compararlo con el valor de ejercicio
inmediato, obteniéndose así una completa especificación de la estrategia de ejercicio
óptima, para cada trayectoria simulada.
El gran interés que ha despertado esta nueva metodología5 le asegura una

preponderancia cada vez mayor dentro de un área de las finanzas que viene
exhibiendo un desarrollo explosivo en los últimos años. La percepción de este hecho
ha suscitado que, en la presente tesis se realice un completo análisis tanto de los
distintos procedimientos que forman parte de este algoritmo, como también de la
extensión de sus aplicaciones.
Con el objetivo de ofrecer una recopilación de los antecedentes técnicos

que permitan al lector ubicarse en el contexto global en el que se inserta este trabajo
de investigación, se ha considerado relevante incluir una acabada revisión de los
distintos algoritmos que abordan la problemática de valorización de un activo
americano multidimensional. Esta descripción se complementa con la exposición de
algunos tópicos que ayudan a entender de manera más profunda los aspectos teóricos
que están presentes en los modelos matemáticos utilizados.
La mayor motivación para realizar esta tesis consiste en aportar una

aplicación innovadora del algoritmo LSM, la cual permita transformar a este trabajo
en un referente para futuras investigaciones que utilicen esta metodología. Para
5
Véase por ejemplo: Stentoft (2001), Moreno y Navas (2001) y Clément, Lamberton y
Protter (2001).
5
cumplir este objetivo se procede a implementar el algoritmo LSM a dos casos de

opciones reales, ya que al momento de iniciar esta tesis no existían indicios en la
literatura financiera del empleo de esta nueva herramienta para la valoración de este
tipo de opciones. Dada la complejidad de estos activos derivados su adecuada
valorización representa una prueba fundamental para constatar la verdadera
capacidad de este algoritmo.
El primer caso corresponde a una concesión de un pozo de petróleo

planteado por Cortázar y Schwartz (1998). Los dueños de este proyecto poseen la
opción de diferir su desarrollo mientras dure el contrato. Los costos de producción,
así como la cantidad de barriles a extraer se conocen con certeza. Además, utilizando
la modelación de la curva de futuros de petróleo para dos factores aleatorios, también
se conocen los distintos precios a los cuales la producción podría venderse, por lo
tanto, este problema se modela como una opción sobre el VAN del proyecto, el cual
depende del precio spot y del retorno por conveniencia del petróleo.
El segundo caso lo constituye el problema clásico de opciones reales

propuesto por Brennan y Schwartz (1985). Este modelo evalúa una mina de cobre
que cuenta con reservas finitas de mineral, una estructura de costos conocida y un
tiempo de concesión ilimitado. Es decir, la mina puede operar indefinidamente
mientras su inventario no se haya agotado. Además, el dueño de este activo puede
ejercer continuamente la opción de abrir, cerrar o abandonar el yacimiento. Para abrir
o cerrar la mina se incurre en un costo operacional, mientras que el abandono no
significa desembolso alguno. Asimismo, para conservar las faenas temporalmente
detenidas se debe cancelar un gasto de mantención.
La dificultad que presenta el modelo de Brennan y Schwartz (1985) ha

sido ampliamente reconocida por los investigadores del área de opciones reales, por
lo tanto, el análisis y resolución de este problema convierten al presente trabajo de
investigación en una valiosa fuente de información para avanzar en la comprensión
de este paradigma.
6
Finalmente, cabe destacar que, mediante la realización de esta tesis se

busca reafirmar la importancia del enfoque de opciones reales como herramienta de
evaluación de proyectos de inversión, aportando así un nuevo eslabón a la cadena de
investigación en esta área de las finazas modernas.
Este trabajo se estructura de la siguiente forma: en el capítulo II se

introducen los principales elementos teóricos que definen el campo en el cual se
enmarca esta tesis. A continuación en el capítulo III se realiza una descripción formal
del algoritmo LSM, se revisan sus distintas formas de aplicación y su rendimiento en
comparación con los métodos tradicionales. Luego, en el capítulo IV se describe el
primer modelo de opción real a considerar: la concesión del pozo de petróleo. Éste se
resuelve aplicando el método LSM y se efectúa un análisis de los resultados en
comparación con otros métodos numéricos. En el capítulo V se aborda el modelo de
la mina de cobre. Aquí se presenta en detalle el proyecto de inversión planteado por
Brennan y Schwartz (1985) junto con la implementación y ajustes necesarios para la
resolución de este problema mediante el algoritmo LSM. Posteriormente, en el
capítulo VI se reportan y analizan los principales resultados prácticos que surgen de
aplicar el algoritmo LSM al ejemplo numérico resuelto en Brennan y Schwartz
(1985). Finalmente, en el capítulo VII se exponen las conclusiones que se
desprenden de la investigación llevada a cabo para sustentar esta tesis.
7
II. MARCO TEÓRICO
El marco teórico en el cual se desarrolla esta investigación abarca dos

grandes áreas. La primera dice relación con el enfoque de valorización de activos
conocido como Teoría de Opciones Reales, mientras que la segunda se refiere a los
distintos métodos de valorización de opciones americanas.
En este capítulo se entrega una descripción de los conceptos básicos,

las características más importantes y una revisión de la literatura de la Teoría de
Opciones Reales. A continuación se describen los principales métodos numéricos
utilizados en la valorización de opciones americanas, desde los métodos tradicionales
hasta los últimos algoritmos que utilizan la simulación de Monte Carlo; combinada
con la programación dinámica.
2.1 Opciones Reales
Esta sección se inicia con una introducción al enfoque de valorización de

activos conocido como Teoría de Opciones Reales. En seguida se describen los
principales métodos de valorización de un activo derivado real. Luego, se presenta
una comparación entre este nuevo enfoque y la metodología tradicional de
valorización de activos: El Valor Actual Neto (VAN). Por último, se realiza una
acabada revisión de la literatura referente a opciones reales.
2.1.1 Introducción
La semejanza entre las funciones que representan los flujos de caja de las
opciones financieras y muchos proyectos de inversión comenzó a detectarse a partir
de los años ochenta. Las opciones financieras al ser derechos contingentes otorgan a
sus poseedores la facultad de aprovechar los eventos favorables y al mismo tiempo
limitar las pérdidas en escenarios negativos. Esta asimetría puede caracterizarse
mediante funciones que representan flujos de caja no-lineales. Por ejemplo, una
opción de compra (call) que otorga el derecho pero no la obligación de comprar un
determinado activo a un precio preestablecido (precio de ejercicio), exhibe flujos de
8
caja convexos, debido a que su poseedor se beneficia de aumentos de precio del

activo subyacente, mientras que sus pérdidas se encuentran acotadas si éste
disminuye. Asimismo, una opción de venta (put) también posee flujos de caja
convexos, ya que al igual que una opción de compra este instrumento financiero
presenta disimetrías entre las pérdidas y ganancias que puede generar.
Muchas inversiones en recursos naturales exhiben flujos de caja muy

similares al de las opciones financieras. Por ejemplo, un proyecto minero en el cual
el yacimiento puede abrir o cerrar sin costo, puede verse como una opción de compra
sobre el precio del mineral a extraer. En este caso, el costo marginal de producción
sería equivalente al precio de ejercicio de la opción.
También pueden encontrarse similitudes en el área de los proyectos de

investigación y desarrollo, ya que en este contexto la opción de compra estaría
emitida sobre el valor del proyecto a desarrollar, mientras que su precio de ejercicio
correspondería a la inversión en investigación.
Un proyecto de inversión puede verse entonces como una opción en

cuanto a la forma de sus flujos de caja, escrita sobre un activo proveniente del mundo
real. Por ejemplo, el activo derivado real puede ser una mina de cobre o un pozo de
petróleo, en cuyo caso el subyacente sería el cobre y el petróleo respectivamente.
El reconocimiento de estas semejanzas tiene como consecuencia que la

valorización de estos proyectos de inversión se encuentre estrechamente ligada a la
valorización de opciones financieras. Al igual que los activos derivados financieros
los activos derivados reales también pueden clasificarse en europeos y americanos.
Las opciones reales europeas son aquéllas que pueden ser ejercidas solamente en
una determinada fecha de expiración. En cambio, las opciones reales americanas
pueden ser ejercidas en cualquier momento hasta la fecha de expiración del proyecto.
Sin embargo, no debe olvidarse que los proyectos de inversion son

complejos, ya que muchos de ellos pueden incluir una secuencia de opciones
anidadas, por ejemplo: adquirir una propiedad minera entrega la opción de
9
explorarla, la obtención de información de la fase de exploración otorga la

posibilidad de explotar la mina y al explotarla se tiene la flexibilidad de extraer el
mineral por etapas. Finalmente, una vez que el dueño se encuentra explotando la
mina éste puede cerrarla o bien abandonarla.
2.1.2 Metodologías de valorización de opciones reales
a) Valorización por arbitraje
La metodología tradicional de valorización de opciones reales se basa en

la valorización por arbitraje. La teoría financiera privilegia la tasación relativa por
sobre la absoluta, y en este sentido la valorización por arbitraje actúa de igual forma,
al evaluar un activo en relación a otro (“benchmark”). Según esta técnica, cada activo
posee su propio benchmark: otro activo perfectamente correlacionado. El CAPM
planteado por Scharpe (1964), utiliza un razonamiento similar, ya que si se
descompone el riesgo total de un activo en su parte diversificable y no diversificable,
el CAPM plantea que sólo este último componente del riesgo es importante para
evaluar el activo, debido a que presenta una perfecta correlación con otro activo: el
portafolio de mercado.
La valorización por arbitraje es un método muy robusto cuando se

encuentran dos activos perfectamente correlacionados. El razonamiento es simple,
pero poderoso: siempre que sea posible construir un portafolio libre de riesgo
mediante la combinación de activos perfectamente correlacionados, esta cartera
deberá rentar la tasa libre de riesgo. De no ser así, cualquier inversionista
independiente de sus preferencias, podría beneficiarse al transar este portafolio,
obligando a que los precios se ajusten.
Según Black y Scholes (1973) el retorno de las opciones se encuentra

perfectamente correlacionado con el retorno de sus activos subyacentes. Luego, la
formación de un portafolio que contenga al activo subyacente y a la opción, da
origen a la ecuación diferencial que describe el precio de este activo derivado, en
función de su activo subyacente.
10
En el caso de las opciones reales donde el subyacente es un commodity,

es usual que el portafolio se forme con contratos futuros en vez del activo
subyacente. Esto se debe a que los inversionistas no pueden tomar posiciones cortas
en los mercados de commodities, pero sí pueden efectuar este tipo de transacciones
en los mercados de futuros. Además, la gran liquidez de estos contratos permite que
sus precios reflejen mucha información.
La ecuación diferencial resultante tendrá tantas dimensiones como

variables de estado se utilicen en la evaluación. Como se mencionó anteriormente, la
mayoría de las inversiones otorgan la posibilidad a sus dueños de ejercer distintas
opciones a lo largo de la vida del proyecto. Esta característica transforma a estos
derivados reales en activos de tipo americano, y a la ecuación diferencial
correspondiente en una ecuación de “borde libre”.
b) Valorización neutral al riesgo
Al igual que para el caso de las opciones financieras, las opciones reales
también pueden evaluarse usando la valorización neutral al riesgo. Esta metodología
señala que es válido asumir que todos los inversionistas son indiferentes al riesgo
(vale decir no requieren compensación cuando se aumenta la incertidumbre), cuando
se trata de evaluar activos derivados. Dada esta suposición, basta con calcular el
valor esperado de los pagos de la opción en un mundo neutral al riesgo para luego
descontarlos a la tasa libre de riesgo. Para aproximar las distribuciones de las
variables aleatorias que representan los pagos de la opción, generalmente se recurre a
la simulación de Monte Carlo.
Sin embargo, no todas las opciones reales son contingentes al valor de

variables de estado que se transan en los mercados financieros. Por ejemplo, los
costos incluyen capital humano que no se puede comprar ni vender. Para valorizar
estas opciones se utiliza un método desarrollado por Brennan y Schwartz (1982) y
por Cox, Ingersoll, y Ross (1985), éste consiste en ajustar la tasa de crecimiento
instantánea esperada (“drift”) de los distintos procesos estocásticos en una cantidad
11
que refleje el premio por riesgo de las variables consideradas. Esta prima, se obtiene
de un modelo de equilibrio de los mercados financieros. Esta metodología, a
diferencia de las opciones reales sobre commodities transables, tiene la ventaja de
prescindir de la modelación del retorno por conveniencia1(parámetro que se trata de
estimar mediante el uso de la estructura temporal de los contratos futuros).
2.1.3 Opciones Reales versus Valor Actual Neto.
La metodología tradicional de valorización de activos es la del valor

actual neto (VAN), ésta consiste en descontar los flujos de caja esperados a una
cierta tasa que considere el valor del dinero en el tiempo, como también el riesgo
inherente al activo. De esta forma, el precio de un activo corresponde al valor
presente de estos flujos de caja menos la inversión inicial, y el criterio de inversión
óptimo será invertir si este número es positivo.
La gran ventaja del VAN es su simpleza, sin embargo, ésta puede ser
también su mayor desventaja, sobre todo cuando la estructura de la inversión a
valorizar no se adapta a los supuestos intrínsecos de esta metodología2.
En primer lugar, si bien es cierto que la incertidumbre no es importante

en inversiones para las cuales los precios relevantes sean razonablemente
predecibles, esta volatilidad cobra una importancia vital en aquellos proyectos donde
las fluctuaciones de precios del orden del 30% anual son muy frecuentes. Bajo estas
condiciones, la práctica del VAN de reemplazar la distribución de los precios futuros
por sus valores esperados tiende a causar errores en el cálculo de los flujos de caja
esperados, como también de las tasas de descuento apropiadas.
1
Con este nombre se conoce al costo de oportunidad que significa poseer un contrato
futuro, en vez del activo subyacente.
2
Para una descripción detallada de las desventajas del VAN como método de
valorización de inversiones en recursos naturales, véase Cortázar (1999).
12
En segundo lugar, el VAN no considera las flexibilidades inherentes a un

proyecto, tales como: la opción de posponer inversiones, aumentar la producción en
caso que los precios suban, reducirla en caso que éstos bajen, o bien, abandonar el
proyecto si las condiciones son muy desfavorables.
En tercer lugar, la estimación de una tasa de descuento que refleje el

riesgo de los flujos de caja a lo largo de toda la vida del proyecto resulta muy difícil,
ya que la incertidumbre puede ser variable a lo largo del tiempo y además este único
parámetro debe considerar el leverage al cual se opera el proyecto, al igual que sus
distintas flexibilidades.
Finalmente, una ventaja del método de opciones reales es que además de

evaluar el activo derivado real, también determina la política óptima que maximiza el
valor de este proyecto. Estas estrategias están determinadas por valores críticos de
las variables inciertas. Estos umbrales señalan cuándo es óptimo ejercer las distintas
opciones de las que se dispone, por ejemplo, invertir, almacenar, o cerrar.
2.1.2 Literatura acerca de la Teoría Opciones Reales
En esta subsección se efectúa una reseña de los principales artículos que

forman parte de la literatura de las opciones reales3, destacando en cada uno de ellos
las flexibilidades de los proyectos considerados.
Brennan y Schwartz (1985) evalúan una mina considerando la opción de

apertura, cierre y abandono de las operaciones. En primer lugar, se resuelve el caso
de una mina con reservas infinitas, lo que da origen a una solución analítica, luego se
analiza la concesión de una mina con reservas físicas conocidas, problema que se
resuelve mediante diferencias finitas. En este artículo se consideran costos asociados
a la apertura, cierre y mantención de la mina cerrada. El precio del activo de salida
(cobre) se modela como una variable estocástica que sigue un proceso browniano
3
Para una excelente recopilación, de los principales artículos publicados en el área de
opciones reales, véase Schwartz y Trigeorgis (2001).
13
geométrico, y la política óptima está dada por tres precios críticos. Por último, se
incorpora la opción de diferir la inversión inicial, de manera de encontrar el
momento óptimo para llevarla a cabo.
McDonald y Siegel (1985) estudian la situación que enfrenta una

empresa cuando debe decidir invertir en proyectos riesgosos. En este caso, se asume
que la firma puede detener temporalmente su producción si la variable estocástica
que modela los costos excede las ventas. Los autores asumen que los individuos que
manejan la empresa son aversos al riesgo.
Majd y Pindyck (1987) también consideran la opción de diferir la

inversión en un proyecto, sin embargo, en este caso la decisión puede tomarse a lo
largo de un tiempo variable, dependiendo de la tasa de inversión, la cual a su vez se
encuentra acotada. La variable principal en este artículo corresponde a la tasa de
inversión acumulada, ya que la opción se ejerce sobre la tasa de inversión, la que
puede ser nula para escenarios desfavorables, o bien, alcanzar su cota máxima para
escenarios positivos. Para este caso, la política óptima está dada por un valor crítico
del proyecto para cada nivel de inversión acumulada.
Trigeorgis y Mason (1987) implementan la opción de expandir las

operaciones al analizar el caso de una empresa que puede variar su tasa de
producción según las condiciones del mercado. Si estas son favorables la firma
puede aumentar su escala de producción incurriendo en una inversión determinada.
Paddock, Siegel y Smith (1988) estudian una reserva de petróleo sin

desarrollar. La opción se plantea en términos de invertir para habilitar el yacimiento,
y de esta manera comenzar a explotarlo. A diferencia de los artículos anteriores que
abordan la opción de diferir inversiones, en este caso se considera que existe un
costo de oportunidad por tener la opción sobre la reserva y no el yacimiento de
petróleo.
Cortazar y Schwartz (1993) analizan el caso de una firma que posee un

proceso productivo de dos etapas, y que cuenta con la opción de almacenar las
14
unidades en proceso en un inventario intermedio. La variable incierta corresponde al

precio de venta del producto que se obtiene en la segunda etapa, por lo que cada
unidad en inventario puede considerarse como una opción de compra americana
sobre el precio del producto, cuyo precio de ejercicio corresponde al costo marginal
de la segunda etapa. De esta forma, la primera etapa es equivalente a la mina
planteada por Brennan y Schwartz (1985), pero en vez de vender cada unidad
producida al precio de mercado, el valor obtenido corresponde al de una opción de
compra americana asociada a la segunda etapa de producción.
Cortazar y Schwartz (1998) analizan el caso de una concesión de un pozo

de petróleo. En este modelo, el valor presente de los flujos de la producción
corresponde a una variable estocástica que depende de dos variables de estado: el
precio del petróleo y su retorno por conveniencia. El valor de esta concesión puede
homologarse al de una opción de compra americana sobre el valor presente de la
producción, donde el precio de ejercicio corresponde al monto de la inversión
necesaria para comenzar la explotación, mientras que el tiempo de duración de la
opción coincide con el plazo de concesión.
Schwartz y Moon (2000) presentan un modelo que caracteriza a las

inversiones en investigación y desarrollo, en particular a aquéllas que buscan
encontrar una nueva droga en la industria farmacéutica. Las incertidumbres presentes
en este tipo de inversiones se resumen en tres procesos estocásticos. El primero se
utiliza para modelar el nivel de inversión requerido para desarrollar el proyecto. El
segundo, tiene que ver con los pagos futuros que generará la investigación, por lo
tanto su volatilidad disminuye a medida que se aumenta la cantidad invertida. Por
último, se considera la posibilidad que un evento catastrófico ponga fin a la
inversión. La solución de la ecuación diferencial parcial resultante entrega no sólo el
valor del proyecto, sino también, la política óptima de inversión, esto es, los valores
de las tres variables de estado para los cuales resulta óptimo proseguir con la
investigación.
15
Cortazar y Cassasus (2000) extienden el modelo planteado por Cortázar y

Schwartz (1993) al considerar una inversión en un recurso natural que puede
explotarse mediante múltiples etapas de producción. Este mineral dispone de
reservas conocidas, y cuenta además con la flexibilidad de almacenar los productos
intermedios.
Slade (2001) valoriza mediante opciones reales 21 proyectos mineros

llevados a cabo en Canadá durante el periodo 1980-1993. Utilizando datos empíricos
se estiman los parámetros relevantes de los procesos estocásticos que describen la
evolución de: precios, costos, leyes, reservas, y tasas de producción. A continuación
se realiza la comparación de los valores de estos proyectos considerando diversas
hipótesis acerca de los procesos estocásticos considerados. La autora destaca la
escasa adopción de la teoría de opciones reales como instrumento de valorización de
proyectos mineros al interior de la industria canadiense.
Bernardo y Chowdry (2002) revisan el caso de una empresa neutral al

riesgo que debe escoger entre múltiples proyectos. Según este artículo, los flujos de
caja que una empresa puede obtener de una inversión dependen de los recursos
generales con que la firma cuente, así como de los recursos específicos que la
empresa pueda aplicar a cada proyecto en particular. Por ejemplo, el nivel de
investigación y desarrollo alcanzado por la firma puede ser útil sólo en determinados
negocios, mientras que un sistema de distribución eficiente puede servir para
múltiples proyectos. La esencia de este modelo consiste en reconocer que la empresa
no conoce el nivel de sus recursos (generales o específicos), pero puede aprender a
dimensionarlos al observar los resultados obtenidos en los distintos proyectos de
inversión que emprende. Este modelo asume además que la organización puede
aumentar su inversión en cualquier momento, pero de forma irreversible. Los autores
concluyen que una empresa en sus inicios se especializará en un solo negocio, luego
experimentará con una nueva línea por algún tiempo, para luego transformarse en
una gran organización con distintas áreas de negocio, o bien, dedicarse al rubro
original, pero a gran escala.
16
2.2 Algoritmos de valorización de opciones americanas
En esta sección se presenta una completa revisión de los distintos

métodos numéricos de valorización de opciones americanas. Para facilitar la
comprensión, primero se describen las características de un activo americano. En
seguida se revisan los algoritmos más tradicionales, para luego describir la extensión
de sus aplicaciones. Posteriormente, se analizan en profundidad las metodologías
basadas en la simulación. Finalmente, se exponen algunos tópicos que ayudan a
clarificar ciertos conceptos relacionados con la modelación matemática de estos
algoritmos.
2.2.1 Introducción
Los activos de tipo americano son aquéllos que entregan la posibilidad a

quienes los compran, y/o a quienes los emiten, de influenciar la fecha en la cual se
reciben los flujos de caja que estos instrumentos generan. Por ejemplo, las opciones
americanas tradicionales permiten a sus dueños escoger cuándo ejercerlas. Las
opciones shout brindan la posibilidad de asegurar el valor intrínseco4 de este
derivado a lo largo de un plazo específico. Asimismo, los swaptions americanos
otorgan el derecho de elegir en qué momento se desea entrar en un swap. Los bonos
rescatables entregan la posibilidad a quienes los emiten de volver a comprar estos
instrumentos en determinadas fechas y a precios preestablecidos. Diversas
consideraciones pueden influenciar la decisión de ejercer dichas opciones, pero la
valorización por arbitraje de estos activos se determina mediante la estrategia de
ejercicio que maximiza el valor de estos instrumentos (ya que siempre existirá un
inversionista dispuesto a comprar un derivado americano por sobre su valor
intrínseco, para aquellos momentos en que no resulte óptimo ejercerlo). Luego, para
evaluar correctamente activos de tipo americano resulta indispensable conocer la
estrategia de ejercicio óptima.
4
Este término corresponde al pago que se recibe por ejercer la opción, considerando el
valor de las variables de estado en ese momento.
17
2.2.2 Métodos numéricos tradicionales
Muchas expresiones analíticas han sido propuestas para valorizar

opciones europeas. Éstas obedecen a una diversidad de modelos financieros, siendo
la más notable de ellas la fórmula de Black y Scholes (1973) para opciones sobre
activos cuyos precios siguen un movimiento browniano geométrico. En cambio, para
opciones americanas no ha sido posible encontrar formulas cerradas, excepto en
algunos casos muy especiales (opción de venta americana de duración infinita). Esta
falencia de expresiones analíticas ha sido compensada con la aparición de una gran
cantidad de métodos numéricos de valorización. A continuación se realiza una reseña
histórica de los métodos más tradicionales, para luego describir cómo se comportan
cuando éstos se aplican a los distintos activos americanos.
a) Reseña histórica
Brennan y Schwartz (1977) junto con Courtadon (1982) introdujeron los

métodos de diferencias finitas. Cox, Ross y Rubinstein (1979) propusieron los
árboles binomiales. Otro métodos se han basado en aproximaciones analíticas, entre
ellos se cuentan: el algoritmo de extrapolación de Geske y Johnson (1984), la
solución cuasi-analítica de Barone-Adesi y Whaley (1987) y la descomposición del
valor de una opción americana en una opción europea más un premio por el ejercicio
anticipado, propuesta por Kim (1990), y Carr, Jarrow y Mynenei (1992).
Como se mencionó previamente, la obtención de la estrategia de ejercicio

óptima resulta crucial para valorizar adecuadamente un activo americano. El
encontrar esta política corresponde a un problema de programación dinámica5, y
todos los algoritmos mencionados comparten la característica de trabajar hacia atrás
en el tiempo para descifrarla.
5
La programación dinámica es un método ascendente, ya que primero divide el
problema original en subproblemas. Combinando las soluciones de estos subproblemas, se obtienen
las soluciones de ejemplares sucesivamente más grandes, hasta llegar a resolver el problema original.
18
b) Aplicabilidad de los métodos numéricos tradicionales
En un principio, la aplicación de estas metodologías se vio restringida a

modelos que incluían un sólo activo subyacente, o bien, una única fuente de
incertidumbre (lo que se conoce en la literatura como el caso “unidimensional”).
Posteriormente, los avances en la eficiencia de estos algoritmos junto al aumento de
la capacidad de los computadores, permitieron resolver estos problemas muy
rápidamente, siendo posible en la actualidad valorizar grandes portafolios de activos
americanos unidimensionales casi instantáneamente.
Sin embargo, activos cada vez más complejos junto con productos
financieros altamente sofisticados han sido y continúan siendo introducidos al
mercado. Estos nuevos productos poseen características especialmente diseñadas
para aislar cualquier tipo de riesgo, por más refinado que éste sea. Esto provoca que
muchos de estos activos dependan de múltiples variables de estado. Por ejemplo, un
administrador de fondos que desee cubrir su posición en acciones tecnológicas ya no
necesita comprar un portafolio de opciones, le basta con adquirir una opción sobre el
índice Nasdaq-100. Así también, un inversionista que desee apostar a que las
acciones de empresas de biotecnología subirán más que las de empresas provenientes
del sector automotriz, pero desea un resguardo en caso de equivocarse, puede
comprar una opción escrita sobre la diferencia entre dos índices accionarios. Las
opciones de “canasta” (“basket options”) y las opciones sobre “spreads”, son sólo
dos ejemplos de derivados cuyos pagos dependen de múltiples activos. Muchos de
estos instrumentos, particularmente los swaptions de tasas de interés de tipo
“bermudiano”6, revisten gran importancia económica7.
6
El término bermudiano se utiliza para referirse a activos que otorgan un número finito
de oportunidades de ejercicio, a diferencia del término americano que se reserva para aquellos activos
que permiten tomar estas decisiones de manera continua.
7
Véase Longstaff, SantaClara y Schwartz (2001), para una descripción de las pérdidas
ocasionadas por el ejercicio subóptimo de los swaptions americanos.
19
Incluso en aquellos casos donde existe un único activo subyacente, la

tendencia actual apunta a refinar su modelación a través de la inclusión de múltiples
fuentes de incertidumbre. Por ejemplo, modelos con volatilidad aleatoria, riesgo de
crédito o default, y retornos por conveniencia estocásticos. Esta inclinación hacia
modelos “multidimensionales” resulta especialmente evidente en el área de tasas de
interés, donde las curvas de rendimiento de los bonos consideran hasta diez factores
estocásticos.
Una alternativa para valorizar activos americanos multidimensionales

consiste en extender la aplicación de los métodos numéricos descritos previamente.
Desafortunadamente, todas estas metodologías comparten la limitante de requerir
capacidades computacionales que se incrementan de manera exponencial según
aumenta la dimensión del problema8. En la práctica, esto significa que estos
algoritmos resultan inconvenientes de aplicar para activos que dependan de tres o
más variables de estado.
2.2.3 Métodos basados en la simulación
Dada la importancia que reviste para esta investigación la adecuada

comprensión del uso de las técnicas de simulación para valorizar activos americanos
multidimensionales, a continuación se presenta una introducción al tema. En ella se
describe la forma en que la simulación se adapta a la evaluación de activos
americanos. Luego, se efectúa una reseña histórica de los distintos algoritmos
propuestos. Por último, se analizan con mayor detalle algunas de estas metodologías.
a) Introducción
Para valorizar opciones europeas multidimensionales la simulación de

Monte Carlo resulta muy eficiente. Esto se debe a que la tasa de convergencia de la
simulación es independiente de la dimensión del problema. Esta técnica genera
trayectorias de los precios de los activos subyacentes o de las variables de estado
8
Algunos autores denominan a este problema "maldición de la dimensionalidad".
20
hacia adelante en el tiempo, sin embargo, cuando esta metodología se aplica a la

valorización de derivados las distribuciones obtenidas no corresponden a las
observadas en la práctica, ya que generalmente la simulación se efectúa considerando
las probabilidades neutrales al riesgo9 de las distintas variables. Una vez
aproximadas estas distribuciones, se procede a descontar los pagos contingentes a la
tasa libre de riesgo. No obstante, aún cuando la simulación funciona bien para
activos europeos, ésta parece ser incompatible con el enfoque de resolver hacia atrás
en el tiempo, el cual resulta indispensable para determinar las decisiones óptimas que
maximizan el valor de las opciones americanas.
Hasta hace algunos años la creencia general era que los métodos de
simulación no eran aplicables a opciones americanas. Por ejemplo, Hull (1999)
señala: “Una limitación de los métodos de simulación de Monte Carlo, es que sólo
pueden utilizarse para evaluar derivados de tipo europeo”. Sin embargo, esta visión
empezó a cambiar a medida que numerosos algoritmos híbridos que combinan la
simulación con elementos de programación dinámica comenzaron a ganar
aceptación.
b) Reseña histórica
Los primeros intentos de extender la simulación a la valorización de

opciones americanas fueron realizados por Bossaerts (1989) y Tilley (1993). El
primer algoritmo asume una forma paramétrica de la frontera de ejercicio. En
cambio, la metodología propuesta por Tilley agrupa las trayectorias simuladas en
“paquetes” o “bins” de acuerdo al valor del activo subyacente y luego utiliza estas
trayectorias agrupadas para estimar un valor de continuación que se asigna a todas
las simulaciones incluidas en un mismo bin. Un análisis más profundo de esta
metodología puede encontrarse en Carriere (1996).
9
La medida de probabilidad neutral al riesgo es aquella que permite que los valores
esperados de los activos coincidan con las expectativas de inversionistas para los cuales la volatilidad
del retorno es irrelevante.
21
Barraquand y Martineau (1995) elaboran un algoritmo que también

involucra la partición de las trayectorias simuladas. Sin embargo, esta división se
efectúa en el espacio del pago de la opción en vez del espacio de las variables de
estado. La clave de esta metodología consiste en reducir un problema
multidimensional a otro de una sola dimensión, dado que según los autores el único
parámetro relevante para ejercer una opción es su valor intrínseco. El problema
unidimensional resultante puede resolverse rápidamente mediante procedimientos
estándar de programación dinámica.
Raymar y Zwecher (1997) extienden el algoritmo anterior basando la

decisión de ejercicio en la partición del espacio del pago de la opción en dos
variables de estado en vez de una. Estos algoritmos llamados de estratificación, son
aplicados en un contexto de tasas de interés por Clewlow y Stickland (1998), y Carr
y Yang (1999).
Broadie y Glasserman (1997a) presentan un método de valorización

basado en la simulación de árboles. Este algoritmo genera árboles aleatorios de las
variables de estado para luego aplicar la programación dinámica. Broadie y
Glasserman (1997b) también proponen otra metodología denominada malla
estocástica. En este modelo, toda la información de un paso en el tiempo se utiliza
para estimar los precios del paso anterior. Esta naturaleza “enlazadora” introduce una
dependencia en los precios de nodos consecutivos.
Un enfoque alternativo que combina la simulación con los métodos

estadísticos de regresión es presentada en los trabajos de Carriere (1996), Tsitliskis y
Van Roy (1999), y Longstaff y Schwartz (2001). El esfuerzo computacional de estos
métodos es lineal en el número de oportunidades de ejercicio, y cuasi-lineal en el
número de trayectorias simuladas. Lo característico de estos algoritmos es que son
capaces de generar límites inferiores para el valor de la opción, para ello utilizan las
técnicas de regresión con el objetivo de estimar el valor de continuación, y de esta
manera generar una aproximación de la estrategia de ejercicio óptima.
22
Otros métodos se basan en la parametrización de la política de ejercicio

de la opción, pero, al igual que los algoritmos que utilizan la regresión, estos
métodos sólo son capaces de generar límites inferiores para el precio de un activo
bermudiano. A este grupo de metodologías pertenecen los trabajos de Li y Zhang
(1996), Garcia (1999) y Andersen (2000).
En cuanto a los algoritmos que generan límites superiores, pueden

mencionarse los trabajos realizados por Haugh y Kogan (2001), Rogers (2001), y
Andersen y Broadie (2001), los cuales se basan en el problema dual de la
valorización. Estos métodos generan un precio a través de la especificación de
10
alguna martingala arbitraria . La precisión del precio obtenido dependerá de la
elección de esta martingala.
c) Descripción de los principales algoritmos
A continuación se brinda una descripción más detallada de los

principales algoritmos que utilizan la simulación en conjunto con la programación
dinámica para valorizar opciones americanas.
Todas estas metodologías abordan el problema de encontrar el precio Q

de una opción americana, donde:
Q = max (τ ) E[h(τ , Sτ )] (2.1)
En esta ecuación St = ( St1 ,..., Stn ) representa un vector que sigue un
proceso estocástico markoviano dado un estado inicial S0 . Los componentes de St

pueden representar precios de acciones, tasas de interés, tipos de cambio o en general
las variables de estado del modelo. El pago derivado del ejercicio en el tiempo t y en
el estado St = x , se denota por h(t , x) y se asume que h(t , x) > 0.
10
Este es el nombre con el cual se conoce a los procesos estocásticos cuya tasa de
crecimiento instantáneo esperado es cero. Es decir, E(St) = So. Para una explicación detallada, véase
Dudley (1989).
23
Para adaptar la simulación a este problema sólo se permite ejercer la

opción en los tiempos 0 = t0 < t1 < ... < td = T 11. El tiempo de parada τ 12
estará
entonces restringido al conjunto: t = 0,1, 2...T .
i) Algoritmo de agrupación
Tilley (1993) propuso esta metodología para aplicarla al caso

unidimensional. Este algoritmo comienza con la simulación de m trayectorias:
S (i ) = ( S0 , S1 (i ),..., ST (i )) , donde: i = 1,..., m . Luego, se procede a trabajar hacia atrás
en el tiempo desde t = T hasta t = 0 . El valor de la opción correspondiente a la

trayectoria i , en el momento t , se denomina Q(t , St (i )) . En la fecha de expiración
(es decir, para t = T ), el valor de la opción correspondiente a la simulación i es

simplemente su pago o valor intrínseco. Así, Q(T , ST (i )) = h(T , ST (i )) . En t = T − 1
las trayectorias se ordenan de manera decreciente según sea el valor del subyacente,
de manera que: ST −1 (i1 ) ≤ ST −1 (i2 ) ≤ ... ≤ ST −1 (im ) . Estas simulaciones se agrupan en
“paquetes”, de tal forma que cada uno contenga la misma cantidad de trayectorias.
Por ejemplo, el paquete número uno contendrá las simulaciones: i1 ,..., ik . El número
dos, agrupará a las trayectorias: ik +1 ,..., i2 k , etc. Para estimar la decisión óptima a
tomar en t = T − 1 para el paquete numero uno, se procede a aproximar el valor de

continuar (no ejercer la opción en ese momento) mediante la siguiente expresión:
k
C1 = ∑ Q(T , ST (i j )) / k 13. Luego, para cada una de las simulaciones pertenecientes al
j =1
11
De esta manera, se está aproximando el valor de la opción americana por el de una
opción bermudiana equivalente.
12
Básicamente, una estrategia de ejercicio corresponde a un tiempo de parada si la
decisión de ejercer sólo depende de la información disponible hasta ese momento y no del
comportamiento futuro de los activos subyacentes o de las variables de estado.
13
Para facilitar la exposición de los distintos procedimientos, se asume que la tasa de
interés es igual a cero.
24
paquete número uno, el valor de la opción se calcula de la siguiente forma:

Q(T − 1, ST (i )) = max(h(T − 1, ST −1 (i )), C1 ) . Este proceso se repite para los demás
paquetes en t = T − 1 , para luego hacer lo mismo en los demás momentos de ejercicio

restantes, hasta llegar a t = 0 .
La siguiente figura ilustra la forma en que se agrupan las trayectorias.
St
S0
t
0 = t0 t1 t2 t3 t4 td = T
Figura 2.1 : Algoritmo de Tilley. La ilustración muestra m =6 trayectorias, agrupadas

en tres paquetes, en el tiempo t4 .
La idea fundamental de este algoritmo consiste en generar una estrategia

de ejercicio lo más cercana posible a un tiempo de parada, ya que la misma
estimación del valor de continuar se utiliza para todas las trayectorias pertenecientes
a una misma agrupación.
25
Para obtener una buena aproximación del valor de continuar, cada

agrupación debiera contener muchas trayectorias. Pero, usar el mismo valor de
continuar para todas las simulaciones pertenecientes a un grupo, tiene sentido sólo si
estas trayectorias están muy próximas entre si, lo que únicamente se produce cuando
cada agrupación incluye pocas simulaciones. Luego, debe buscarse un equilibrio
entre incorporar demasiadas trayectorias en un paquete, o bien, muy pocas.
ii) Algoritmo de estratificación de los pagos
Al igual que el método de Tilley (1993), Barraquand y Martineau (1995)

también dividen las trayectorias simuladas en grupos. Sin embargo, estos
investigadores particionan el espacio unidimensional producido por el pago de la
opción, en vez del espacio multidimensional generado por los activos subyacentes o
las variables de estado. Así, Barraquand y Martineau reducen un problema
multidimensional a otro de una sola dimensión.
Esta metodología comienza dividiendo el espacio del pago de la opción

en K bins, k = 1,..., K . Existen muchas maneras de llevar esto a cabo, pero cuando
los activos subyacentes siguen un movimiento browniano geométrico, Barraquand y
Martineau recomiendan usar bins cuyo tamaño se incremente exponencialmente a
medida que el pago de la opción aumenta. En seguida se simulan las trayectorias:
S (i ) = ( S0 , S1 (i ),..., ST (i )) , para i = 1,..., m . Cada elemento de St (i ) representa a un
vector de n dimensiones, por lo que: St (i ) = ( St1 (i ),..., Stn (i )) . Para cada bin k , en el
tiempo t , at (k ) registra la cantidad de trayectorias que contiene dicha agrupación.
Para cada par de bines k , l , en tiempos consecutivos t , y t + 1 , bt (k , l ) corresponde
a la cantidad de simulaciones que pertenecen al bin k en t y que luego forman parte

del bin l en t + 1 . Por último, para cada bin k , en el tiempo t , ct (k ) indica la suma
de los pagos resultantes de ejercer la opción para todas las trayectorias incluidas en
dicha agrupación, luego: ct (k ) = ∑ h(t , St (i )) . A medida que se efectúa la
simulación, las variables at (k ) , bt (k , l ) y ct (k ) van aumentando de valor, y al

26
contener éstas la única información necesaria para llevar a cabo la programación

dinámica puede prescindirse de almacenar las trayectorias simuladas, optimizando
así los recursos computacionales.
El paso final consiste en resolver el problema unidimensional generado.

Si Q(t , k ) denota el valor estimado de la opción para el bin k , en el tiempo t ,
entonces al comenzar en t = T , se tiene que: Q (T , k ) = cT (k ) / aT (k ) , para cada bin
k = 1,..., K . Así, el valor estimado de la opción en t = T para cada una de las

agrupaciones corresponderá al pago o valor intrínseco promedio de las trayectorias
que caen en cada uno de los bins al momento de expirar la opción. A continuación y
trabajando hacia atrás en el tiempo desde t = T − 1 hasta t = 0 , el valor de la opción
para cada bin k , en el tiempo t , se calcula como el máximo entre el valor intrínseco
promedio de las simulaciones incluidas en cada una de las agrupaciones y el valor
estimado de continuar. Para estimar este parámetro, primero se debe aproximar la
probabilidad de “pasar” del bin k en el tiempo t , al bin l en el tiempo t + 1 ,
mediante la siguiente expresión: pt (k , l ) = bt (k , l ) / at (k ) . De esta forma, el valor
K
esperado de continuar se calcula como: ∑ p (k , l )Q(t + 1, l ) 14. En resumen, el paso
l =1
t
recursivo consiste en fijar el valor de la opción para cada bin k , en el tiempo t ,

según la siguiente expresión:
ct (k ) K
Q(t , k ) = max[ , ∑ pt (k , l )Q(t + 1, l )] (2.2)
at (k ) l =1
Este método de estratificación de los pagos es rápido, fácil de

implementar y ofrece las flexibilidades propias de la simulación. Sin embargo, su
14
Esta manera de aproximar el valor esperado de continuar constituye la gran diferencia
con el algoritmo de agrupación, ya que esta metodología asume que la probabilidad de que una
trayectoria "salte" de un bin a otro es nula, por lo tanto, para estimar el valor de continuar para un
determinado bin, sólo utiliza el pago promedio de esa agrupación en el tiempo siguiente.
27
principal inconveniente es que no siempre converge al valor correcto de la opción, a

medida que se aumenta el esfuerzo computacional15.
La figura que se exhibe a continuación expone la forma en que se

implementa el método de estratificación.
Pago
t
0 = t0 t1 t2 t3 t4 td = T
Figura 2.2 : Algoritmo de estratificación de Barraquand-Martineau. La ilustración

muestra at2 (k ) = 4 trayectorias que pasan por el bin k en el tiempo t2 . Sólo una de
estas simulaciones “salta” al bin l en el tiempo t3 .
Según el esquema anterior, sólo una de las simulaciones que forman

parte del bin k en el tiempo t = t2 , después pertenece al bin l , luego la estimación
de la probabilidad de transición corresponde es: pt2 (k , l ) = 1 .

4
15
Este inconveniente se presenta cuando la política de ejercicio óptima depende de
múltiples variables de estado.
28
Para ilustrar la no convergencia de esta metodología, Broadie y

Glasserman (1997c) utilizan este algoritmo para valorizar una opción de compra
americana escrita sobre el máximo de dos acciones que pagan dividendos. La
función de pago de esta opción es: h(t , St1 , St2 ) = max[(max( St1 , St2 ) − k , 0)] . Para un
tiempo cualquiera t < T , la región de ejercicio óptimo de esta opción estará formada
por dos áreas disjuntas, como se ilustra en la figura (2.3).
S1
Ejercer
Ejercer
Continuar
S2
Figura 2.3 : Áreas de ejercicio disjuntas para una opción escrita sobre dos activos: S1
y S2 . El pago de la opción es: h(t , St1 , St2 ) = max(max( St1 , St2 ) − K ;0)) . Las lineas
punteadas representan curvas de “isopago”.
Al aplicar el algoritmo de Barraquand y Martineau sólo una decisión

prevalece a lo largo de toda la curva de “isopago”, h(t , St1 , St2 ) = c . Pero, como ilustra
la figura (2.3), la estrategia de ejercicio óptima involucra tomar ambas decisiones a
29
lo largo de esta curva, lo que provoca que el algoritmo de estratificación sea incapaz
de converger a la política de ejercicio óptima.
En general, las funciones de pago de opciones que dependen de n

variables de estado, generan estrategias de ejercicio óptimas que también dependen
de estas n variables16.
iii) Algoritmo del árbol simulado
Broadie y Glasserman (1997a) presentan esta metodología que resulta

apropiada para valorizar opciones con pocas oportunidades de ejercicio. Para
introducir los conceptos básicos de este algoritmo se considera el problema de
estimar el valor de una opción bermudiana, que sólo posee dos fechas de ejercicio.
Los tiempos t = 0 , y t = T .
En este caso el problema consiste en estimar Q , donde:
Q = max(a, µ ) (2.3)
En (2.3) a = h(0, S0 ) corresponde al valor (conocido) de ejercer la opción
en el tiempo t = 0 , y µ = E[h(T , ST )] denota el valor (desconocido) de continuar.
Si se utilizan b muestras (independientes e idénticamente distribuidas):

X T (1),..., X T (b) obtenidas de la distribución de ST , el estimador ϕ puede definirse
según la siguiente expresión:
ϕ ( X T (1),..., X T (b), a ) = max(a, X ) (2.4)
b
En (2.4), X = ∑ h(T , X T (i )) / b
i =1
16
Raymar y Zwecher (1997a), demuestran que pueden obtenerse mejores resultados si
se divide en dos variables de estado el espacio de pago del derivado.
30
Si la muestra anterior se divide en dos grupos puede generarse otro

estimador. Para ello, el primer grupo: X T (1), ..., X T (b / 2) se utiliza para estimar el
valor de continuar, el cual se compara con el beneficio que reporta el ejercicio
inmediato de la opción, mientras que el segundo grupo: X T (b / 2 + 1),..., X T (b) se
reserva para estimar el valor de la opción, sólo para el caso que se decida continuar.
b/2 b
Formalmente, si: X 1 = (2 / b)∑ X T (i ) , y X 2 = (2 / b) ∑ X T (i ) , entonces el
i =1 i = b / 2 +1
estimador θ se define de la siguiente manera:
θ ( X T (1),..., X T (b), a ) = a si X1 ≤ a
θ ( X T (1),..., X T (b), a) = X 2 si X1 ≥ a (2.5)
Bajo algunas restricciones acerca de la distribución de ST , ambos

estimadores resultarán asintóticamente insesgados a medida que se aumenta el
parámetro b .
Cuando existen más de dos oportunidades de ejercicio debe simularse un

árbol que represente la evolución de los activos subyacentes y de las variables de
estado.
Comenzando por el estado inicial S0 , en el tiempo t = 0 , b muestras
independientes se generan a partir de la distribución de S1 . Éstas se denotan por:
X 1 (1),..., X 1 (b) . Luego, a partir de cada nodo X 1 (i ) 17, b muestras independientes
representadas por: X 2 (i, j ) , donde: j = 1...b , se obtienen a partir de la distribución
condicional de S2 dado S1 = X 1 (i ) . Este proceso se repite hasta llegar a la última
oportunidad de ejercicio en el tiempo t = T .
17
Debe recordarse que cada nodo X t (i ) , representa un vector de n dimensiones, por
lo que: X t (i ) = ( X t (i ),..., X t (i )) .
1 n
31
La siguiente figura, muestra una ilustración de la descripción anterior
X 2 (1,1)
X1(1) X 2 (1, 2)
Subárbol 1 X 2 (1, 3)
X 2 (1, 4)
X 2 (2,1)
X 2 (2, 2)
X 1 (2) X 2 (2, 3)
S0
X 2 (2, 4)
X 2 (3,1)
X 1 (3) X 2 (3, 2)
X 2 (3, 3)
X 2 (3, 4)
X 2 (4,1)
X 1 (4) X 2 (4, 2)
Subárbol 4 X 2 (4, 3)
X 2 (4, 4)
Figura 2.4 : Ilustración de un árbol simulado con b = 4 ramas por nodo y tres
oportunidades de ejercicio. El rectángulo punteado identificado como “Subárbol 1”
señala el subárbol que emana del nodo X 1 (1) .
Los estimadores ϕ y θ definidos por las ecuaciones (2.4) y (2.5)

respectivamente, pueden ser generalizados al modelo planteado por el árbol. Para
ilustrar la definición de ϕ en este contexto, debe observarse el sub-árbol número 1
que emana desde el nodo X 1 (1) en la figura (2.4). Visto desde este nodo, el problema
se simplifica a uno de dos oportunidades de ejercicio como el definido por la
32
ecuación (2.3). Luego, ϕ1 (1) puede definirse usando la ecuación (2.4) y esta
estimación del valor de la opción se asigna al nodo X 1 (1) . Similarmente, para
i = 2, ..., b , ϕ1 (i ) entregará el valor de la opción para los distintos nodos X 1 (i ) .
Retrocediendo en el tiempo hasta t = 0 , definimos ϕ = ϕ0 , usando una modificación

de la ecuación (2.4):
ϕ0 = max(h(0, S0 ), ϕ ) (2.6)
b
En esta ecuación, ϕ = ∑ ϕ1 (i ) / b . Este mismo procedimiento recursivo,
i =1
puede aplicarse en la definición del estimador θ sobre un árbol simulado que cuente
con un número de oportunidades de ejercicio finito.
La naturaleza no-recombinatoria del árbol simulado18 provoca que el

trabajo computacional sea exponencial en el número de oportunidades de ejercicio.
Dicho de otra forma, cada rama que emana desde un nodo particular genera su
propio subárbol independiente19. Esto resulta inconveniente, por que información
potencialmente útil proveniente de otros subárboles es ignorada. En el siguiente
algoritmo, también planteado por Broadie y Glasserman, toda la información
proveniente de un tiempo t , se utiliza para estimar el valor de la opción en el tiempo
siguiente.
18
A diferencia de los árboles binomiales “recombinatorios” propuestos por Cox, Ross y
Rubinstein (1979).
19
Para un refinamiento de este algoritmo, en cuanto al descarte de ramas que no aportan
información, como también, referente al uso de técnicas antitéticas. Véase Broadie y Glasserman
(1997c).
33
iv) Algoritmo de la malla estocástica
Recordando lo planteado al inicio de esta sección, el problema a resolver

consiste en aproximar Q, donde:
Q = max (τ ) E[h(τ , Sτ )]
En esta formulación St = ( St1 ,..., Stn ) representa un vector de n variables
que sigue un proceso estocástico markoviano dado un estado inicial S0 , y τ

representa un tiempo de parada que puede tomar valores dentro del conjunto finito:
t = 0,1,..., T . En este esquema, f (t , x,.) denota la función densidad de St +1 , dado
St = x 20 y f (t ,.) representa la función densidad de la variable St (considerando S0

constante).
El algoritmo de la malla estocástica planteado por Broadie y Glasserman

(1997b) genera vectores aleatorios X t (i ) para i = 1,..., b y t = 1,..., T . Dado que S0
es conocido, se fija X 0 (1) = S0 . Sin embargo, esta metodología no obtiene las

muestras de las distribuciones reales de las variables, ya que en vez de utilizar la
función f (t ,.) , las muestras se generan a partir de una función densidad propia de la
malla: g (t ,.) . La elección de esta función puede ser arbitraria, excepto por el
requerimiento técnico de que: g (t , u ) > 0 si f (t − 1, x, u ) > 0 , para todo x .
El estimador generado por este algoritmo, se define de forma recursiva.

Partiendo en el tiempo t = T el valor de la opción, para i = 1,..., b corresponde a:
Qˆ (T , X T (i )) = h(T , X T (i )) (2.7)
20
Si se tratara de un problema donde el activo subyacente sigue un movimiento
2
(ln( y ) − (ln( x) + r − σ
2
1 )
browniano geométrico, f (t , x, y ) = exp(− 2 ).
2πσ ∆t σ 2 ∆t
34
Para los tiempos t = T − 1,..., 0 y los puntos i = 1,..., b el estimador de

malla estocástica se define a partir de la siguiente expresión:
b
Qˆ (t , X t (i )) = max[h(t , X t (i ));1/ b∑ Qˆ (t + 1, X t +1 ( j ))ω (t , X t (i ), X t +1 ( j ))] (2.8)
j =1
Donde ω (t , X t (i ), X t +1 ( j )) ≡ f (t , X t (i ), X t +1 ( j )) / g (t + 1, X t +1 ( j )) , es un
peso que se asigna al “arco” que une a X t (i ) con X t +1 ( j ) .
En el tiempo t = 0 , sólo i = 1 es aplicable en la ecuación (2.8), por lo que

Qˆ ≡ Qˆ (0, S0 ) resulta ser el estimador final del verdadero precio Q .
La ecuación (2.8) al igual que la mayoría de los estimadores definidos

anteriormente, indica que el valor aproximado de la opción: Q (t , X t (i )) para el nodo
X t (i ) corresponde al máximo entre el valor de ejercicio, dado por: h(t , X t (i )) y el

valor estimado de continuar. Este último parámetro se aproxima mediante la
expresión:
b
1/ b∑ Qˆ (t + 1, X t +1 ( j )) f (t , X t (i ), X t +1 ( j )) / g (t + 1, X t +1 ( j )) . (2.9)
j =1
Este término incluye una expresión denominada razón de verosimilitud,

ésta corresponde a: f (t , X t (i ), X t +1 ( j )) / g (t + 1, X t +1 ( j )) . Este cuociente puede
interpretarse como la probabilidad de pasar desde el nodo X t (i ) en el tiempo t , al
nodo X t +1 ( j ) en el tiempo t + 1 . El trabajo computacional de calcular Q̂ , es
proporcional a b 2 d . Esto significa que, el trabajo es cuadrático en el parámetro b de

la malla y lineal en el número de oportunidades de ejercicio.
La siguiente figura exhibe una ilustración de una malla estocástica para

una opción que depende de dos variables de estado. En ella se consideran los
siguientes parámetros: n = 2 , d = 2 y b = 3 .
35
S1
X 2 (3)
X 1 (1)
X 2 (1)
X1(2)
S0 X2(2)
t2
t1 X1(3)
S2
Figura 2.5 : Ilustración de una malla estocástica para una opción que depende de dos
activos S 1 y S 2 . Para cada tiempo t = t1 , t2 se generan tres vectores aleatorios.
Si bien es cierto que, la elección de la función densidad de malla: g (t ,.)

es arbitraria, se debe tener mucha precaución al escogerla, por que la varianza del
estimador Q̂ puede crecer exponencialmente con el número de oportunidades de
ejercicio. Para evitar esto, Broadie y Glasserman (1997b) proponen una forma
particular para la función densidad de malla, la cual se muestra a continuación:
g (1, u ) = f (0, S0 , u ) (2.10)
b
g (t , u ) = 1/ b∑ f (t − 1, X t −1 ( j ), u ) para t = 2,..., T (2.11)
j =1
36
Según la ecuación (2.11), la función densidad de malla g (t ,.) resulta ser

un promedio de las funciones densidad de probabilidad de St dado St −1 = X t −1 ( j ) ,
para j = 1,..., b . Para obtener muestras de esta función se utiliza un procedimiento

llamado “muestreo estratificado”. Éste consiste en generar los puntos de la malla
para el tiempo t , como muestras de la función densidad “real” denotada por:
f (t − 1, X t −1 ( j ),.) y luego “olvidarse” de las correspondencias entre nodos sucesivos,
para entonces comenzar a asignar aleatoriamente los nodos “hijos” a los nodos
“padres”21. De esta manera, se logra una correspondencia entre todos los nodos de
tiempos consecutivos de la malla22.
El estimador Q̂ generado por la malla se encuentra sesgado

superiormente, sin embargo, resulta ser asintóticamente insesgado a medida que el
parámetro b aumenta. Además de este estimador el algoritmo de malla estocástica
puede usarse para calcular otra aproximación del precio de un activo derivado: el
estimador de trayectoria.
Éste se obtiene al simular la trayectoria S = ( S0 , S1 ,..., Sτˆ ) del proceso
subyacente St , hasta que se llega al tiempo de parada τˆ ≤ T . Esta trayectoria S se
simula de acuerdo a la función densidad "real" del proceso St . Para estimar el
tiempo de parada óptimo τˆ , en cada tiempo t se compara el valor de ejercicio

inmediato dado por: h(t , St ) , con el valor de continuar estimado por los puntos
originales de la malla estocástica. Esta aproximación corresponde a:
b
Qˆ (t , St ) = 1/ b∑ Qˆ (t + 1, X t +1 ( j )) f (t , X t (i ), X t +1 ( j )) / g (t + 1, X t +1 ( j )) .
j =1
21
Este procedimiento puede llegar a requerir de mucho trabajo computacional si el
parámetro b de la malla es elevado.
22
A diferencia de lo que ocurre en el algoritmo del árbol simulado.
37
Si h(t , St ) < Qˆ (t , St ) la decisión optima será continuar, generándose
entonces el próximo punto: St +1 , en cambio, si: h(t , St ) > Qˆ (t , St ) la decisión es
ejercer y el estimador de trayectoria q̂ , se fija según la siguiente expresión:

qˆ = h(t , St ) .
En resumen el estimador de trayectoria se define de la siguiente manera:
qˆ = h(τˆ, Sτˆ ) (2.12)
Debido a que τˆ no es necesariamente el tiempo de parada óptimo, el

estimador definido por la ecuación (2.12) corresponde a un límite inferior del
verdadero precio Q . Esta aproximación también resulta asintóticamente insesgada a
medida que aumenta el parámetro b 23.
2.2.4 Tópicos relacionados con la modelación matemática de los

algoritmos
La presente sección tiene como objetivo exponer algunos temas que

facilitan la comprensión del problema matemático que deben enfrentar los distintos
métodos que calculan el precio de un activo americano. Para comenzar se describe
por qué algunas soluciones intuitivas no son apropiadas. Luego, se realiza un análisis
detallado de los distintos sesgos que se generan a partir de la aplicación de algunos
algoritmos. Para finalizar, se revisa cuan eficiente resulta aproximar el valor de un
activo americano mediante el valor de un activo bermudiano de iguales
características.
23
Una práctica sugerida por Broadie y Glasserman (1997b) consiste en efectuar
múltiples cálculos de Q̂ y de q̂ , de manera de construir un intervalo de confianza válido para Q .

38
a) Soluciones intuitivas
Como se expuso previamente, el problema a resolver consiste en

encontrar el precio Q de una opción americana, donde:
Q = max (τ ) E[h(τ , Sτ )] (2.1´)
Si se conoce la solución τ ∗ (tiempo de parada óptimo) de este problema

de optimización, Q se puede escribir de la siguiente manera:
Q = E[h(τ ∗ , Sτ ∗ )] (2.13)
Intuitivamente parecería que el problema planteado en (2.1´) podría

resolverse comparando el valor de distintas opciones europeas que vencen en
t = 0,1, 2...T . Sin embargo, debe tenerse en cuenta que la esperanza de los pagos
planteada en (2.1') se aplica sobre la filtración relevante24 para el proceso seguido por
St .
Otra idea para estimar el precio de Q podría ser simular una trayectoria:
S = ( S0 , S1 ,..., ST ) para luego calcular el estimador P definido por la siguiente
expresión:
P = max t =0,...T h(t , St ) (2.14)
Según esta definición, el ejercicio ocurre en el momento más favorable

de la trayectoria. Este estimador se denomina de mirada hacia adelante perfecta
("perfect foresight estimator"), ya que la decisión de ejercer en el tiempo t se toma
considerando toda la información proveniente de los tiempos futuros: t + 1...T . Este
24
En términos prácticos una filtración corresponde a la forma en que la información es
revelada a los inversionistas (partición de eventos). Por ejemplo en t=0, todo evento es posible, en
t=1, la filtración revela que algunos eventos son imposibles, o muy improbables, y en t=T, los
inversionistas conocen el verdadero estado. Para una explicación más detallada, véase Dudley (1989).
39
estimador se encuentra sesgado, ya que: max t = 0,...T h(t , St ) ≥ h(τ ∗ , Sτ ∗ ) y de esta
manera, E[max t = 0,...T h(t , St )] ≥ E[h(τ ∗ , Sτ ∗ )] = Q 25.
Si dos trayectorias coincidieran en el tiempo t y luego se separaran, el

estimador definido en (2.14) podría tomar la decisión de ejercer la opción en el
tiempo t para una trayectoria, mientras que para la otra decidiría esperar. De esta
manera, la estrategia definida por este estimador no es un tiempo de parada,
generando así un sesgo.
b) Sesgo de los algoritmos basados en la simulación
El estimador de mirada perfecta hacia adelante se encuentra sesgado

superiormente debido a que toma en cuenta información proveniente del futuro,
entregando de esta forma, mayores datos de los que realmente dispone un
inversionista que enfrenta la decisión de ejercer la opción en un momento
determinado.
En cambio, los estimadores que se basan en una representación

paramétrica de la región de ejercicio, generalmente se encuentran sesgados
inferiormente, ya que si τ denota un tiempo de parada generado por cualquier
estrategia de ejercicio predeterminada, entonces:
E[h(τ , Sτ )] ≤ max (τ ) E[h(τ , Sτ )] ≡ Q (2.15)
La desigualdad anterior se debe a que τ no es necesariamente el tiempo

de parada óptimo. Esto provoca que la aproximación correspondiente se encuentre
sesgada inferiormente.
Elementos causantes de ambos tipos de sesgo se encuentren presentes en

los algoritmos de Tilley (1993) y de Barraquand-Martineau (1995). El sesgo superior
25
El sesgo de este estimador es generalmente bastante severo, por lo que su
aproximación al valor de la opción resulta deficiente.
40
se produce debido a que las mismas trayectorias se utilizan para estimar las
decisiones de ejercicio óptimas y el valor de la opción. Por otro lado, el sesgo
inferior se genera debido a que la estrategia de ejercicio estimada no es la óptima. A
medida que se aumenta el número de simulaciones, en el algoritmo de Barraquand-
Martineau, el sesgo superior va desapareciendo, sin embargo, debido a que la
estrategia estimada no converge necesariamente a la política óptima, el sesgo inferior
podría mantenerse.
Ya que en general resulta valioso conocer la dirección del sesgo del

estimador calculado, ambos algoritmos pueden modificarse en orden a establecer con
precisión la dirección de sus desviaciones. Para ello, se recurre a la aproximación
que ambas metodologías generan de la estrategia de ejercicio óptima. Una vez
conocida esta política, Broadie y Glasserman (1997c) proponen generar un conjunto
adicional de simulaciones que permitan valorizar la opción siguiendo la estrategia de
ejercicio estimada originalmente. Este grupo de simulaciones adicionales genera un
estimador que según la ecuación (2.15) se encuentra sesgado inferiormente.
Si se analizan los sesgos presentes en los estimadores que forman parte

del algoritmo del árbol simulado propuesto por Broadie y Glasserman (1997a), puede
entenderse con mayor claridad las causas que provocan estas desviaciones.
Para ello, se considera nuevamente el problema de estimar el precio de

una opción bermudiana con sólo dos fechas de ejercicio. Los tiempos t = 0 y t = T .
Luego, el problema consiste en aproximar Q , donde:
Q = max(a, µ )
En (2.6) a = h(0, S0 ) corresponde al valor (conocido) de ejercer la opción
en el tiempo t = 0 , y µ = E[h(T , ST )] denota el valor (desconocido) de continuar. Si
se utilizan b muestras de la distribución de ST : X T (1),..., X T (b) , el primer estimador

del árbol simulado se define mediante la siguiente expresión:
41
ϕ = max(a, X )
b
donde, X = ∑ h(T , X T (i )) / b
i =1
Para comprobar el sesgo superior de este estimador se obtiene su valor

esperado:
E[ϕ ( X T (i ), ..., X T (b), a)] = E[max(a, X )] (2.16)
≥ max(a, E[ X ]) (2.17)
= max(a, µ ) = Q (2.18)
La desigualdad en (2.9), se obtiene debido a la desigualdad de Jensen26.
A pesar de que X es un estimador insesgado de µ , el operador:

“max(.)” implícito en la definición de ϕ , sesga la estimación de Q . Esta desviación
superior resulta de usar la misma muestra: X T (1),..., X T (b) para estimar la decisión
óptima y el valor de la opción que resulta de esta comparación.
El segundo estimador del árbol simulado divide la muestra anterior en

dos grupos: El primero se utiliza para estimar el valor de continuar, el cual se
compara con el valor (conocido) de ejercicio inmediato, lo que permite tomar la
decisión óptima. Si esta elección consiste en continuar sin ejercer la opción el valor
de ésta se aproxima mediante la segunda muestra. Luego, si se definen las variables
X 1 y X 2 de la siguiente manera:
b/2 b
X 1 = (2 / b)∑ X T (i ) , y X 2 = (2 / b) ∑ X T (i ) .
i =1 i = b / 2 +1
26
La desigualdad de Jensen plantea que, para una función estrictamente convexa, la
esperanza de la función siempre será mayor que la función evaluada en la esperanza de su dominio.
42
Entonces el estimador θ , se define de la siguiente forma:
θ ( X T (1),..., X T (b), a ) = a si X1 ≤ a
θ ( X T (1),..., X T (b), a) = X 2 si X1 ≥ a
Para comprobar el sesgo inferior de este estimador, también debe

calcularse su valor esperado:
E[θ ( X T (1),..., X T (b), a )] = aP( X 1 ≤ a) + E[ X 2]P( X 1 > a ) (2.19)
= ap + µ (1 − p ) (2.20)
≤ max(a, µ ) = Q (2.21)
En (2.20) p se define como P ( X 1 ≤ a) y la desigualdad planteada en

(2.21) se obtiene al considerar que 0 ≤ p ≤ 1 . De esta forma, se demuestra que θ es
un estimador sesgado inferiormente. Este sesgo se produce debido a la existencia de
una probabilidad positiva de que la decisión tomada por el estimador no sea la
correcta.
c) Ejercicio discreto versus Ejercicio continuo.
Todos los algoritmos que utilizan la simulación calculan el precio de una

opción americana aproximando el precio de una opción bermudiana equivalente.
Pero, si el objetivo final es conocer el valor del activo con ejercicio

continuo, resulta importante comprender cómo una opción bermudiana converge a su
contraparte americana. Carverhill y Weber (1990) demuestran que una opción con
oportunidades de ejercicio discretas y que depende de un único subyacente converge
a su contraparte americana en O (1/ d ) , siendo d el número de oportunidades de
ejercicio.
Broadie y Glasserman (1997c), analizan el caso de una opción americana

cuyo subyacente corresponde al promedio geométrico de dos acciones, es decir, la
forma de los pagos de este activo derivado está dado por la siguiente expresión:
43
h(t , St1 , St2 ) = max( St1 St2 − K ;0) . Los autores utilizan el método de extrapolación de
Richardson para aproximar el precio de esta opción. De esta forma, si Qd denota el
precio de una opción con d oportunidades de ejercicio, la extrapolación de dos

puntos indica que para aproximar el valor de la opción con oportunidades de
ejercicio continuo, debe calcularse la siguiente expresión:
Qˆ ∝ = 2Q2 d − Qd (2.22)
Según Broadie y Glasserman (1997c), basta con usar d = 4 , para que el

estimador definido en la ecuación (2.22) resulte muy cercano al precio verdadero.
Estos resultados ilustran cómo con un número relativamente pequeño de

oportunidades de ejercicio ( 2d = 8 ), se obtiene una muy buena aproximación del
valor de una opción con ejercicio continuo.
Así, se da término a la revisión del marco teórico en el que se inserta esta

investigación. En el próximo capítulo se analiza en profundidad el algoritmo
propuesto por Longstaff y Schwartz (2001), el cual pertenece a la categoría de
aquellas metodologías que combinan la simulación con las técnicas de regresión.
44
III. DESCRIPCIÓN Y ANÁLISIS DEL ALGORITMO PROPUESTO

POR LONGSTAFF Y SCHWARTZ (2001).
A continuación se presenta en forma detallada el algoritmo que sustenta

este trabajo de investigación. Para ello, se recurre principalmente al artículo
Longstaff y Schwartz (2001) y a otras publicaciones que analizan esta metodología.
Para comenzar se presenta una introducción. En ella se describen de

forma general los distintos procedimientos que forman parte del algoritmo LSM.
Luego, se realiza una exposición formal de esta nueva metodología, la cual incluye
un análisis de convergencia, y un ejemplo práctico. Posteriormente, se compara el
desempeño del algoritmo LSM con el método de diferencias finitas. Para finalizar, se
realiza un detallado análisis de los resultados que se obtienen al considerar las
distintas formas de aplicar esta metodología.
3.1 Introducción
El algoritmo de Longstaff y Schwartz (LSM) puede ser descrito como

una metodología simple, pero a la vez poderosa, de valorizar activos de carácter
americano a través de la simulación, la estimación econométrica basada en mínimos
cuadrados y las técnicas estándar de programación dinámica.
Como se mencionó en el capítulo anterior, los algoritmos que utilizan

las técnicas de simulación presentan variadas ventajas en comparación con los
métodos tradicionales de diferencias finitas y árboles binomiales.
Además de aplicarse con facilidad a opciones multidimensionales, la

simulación permite valorizar derivados que dependan de la trayectoria seguida por
sus activos subyacentes1. Otra de sus ventajas consiste en permitir que las variables
1
Para resolver estos problemas mediante el método de diferencias finitas, debe
agregarse una dimensión al modelo para transformarlo en un problema markoviano.
45
de estado sigan procesos estocásticos muy generales, tales como: los procesos de
difusión planteados por Merton (1976), y por Cox y Ross (1976), procesos no-
markovianos, como los propuestos por Heath, Jarrow y Morton (1992), e incluso
semi-martingalas, como las usadas por Harrison y Pliska (1981)2.
Para comprender la esencia de este algoritmo, debe recordarse que en

cualquier oportunidad de ejercicio el poseedor de una opción americana compara el
beneficio que obtendría si ejerce la opción inmediatamente con el pago esperado de
continuar (y por ende no ejercer la opción en ese momento). Luego, la estrategia de
ejercicio óptima se encuentra determinada fundamentalmente por el valor esperado
de continuar sin ejercer la opción. La clave de la metodología propuesta por
Longstaff y Schwartz (2001) consiste en estimar este valor esperado a través de una
regresión por mínimos cuadrados (a partir de la información de panel entregada por
la simulación). El valor ajustado de esta regresión genera un estimador insesgado del
valor esperado de continuar. Específicamente, el algoritmo propone regresionar los
pagos que se obtienen en caso de no ejercer la opción sobre funciones del valor de
las variables de estado. Al estimar la función de pago esperado de continuar para
cada oportunidad de ejercicio, se obtiene una completa especificación de la estrategia
óptima, sobre cada trayectoria simulada.
La descripción anterior pone de manifiesto la facilidad con que este

algoritmo puede implementarse, ya que sólo se necesita aplicar la estimación a través
de mínimos cuadrados. Para comprobar la capacidad de esta nueva metodología en
cuanto a la valorización de activos de diversa complejidad, Longstaff y Schwartz
(2001) determinan el precio de instrumentos tan variados como: una opción de venta
2
Las semi-martingalas se caracterizan por ser los procesos estocásticos más generales
sobre los cuales pueden definirse las integrales estocásticas. Para una completa revisión de la teoría de
martingalas, véase Dudley (1989).
46
(put) estándar, una opción asiática-americana3 dependiente de la trayectoria, un swap

en el cual una de las partes cuenta con la opción de cancelarlo y cuyo nominal es
variable y, finalmente, para demostrar el poder y la completa generalidad de esta
herramienta se evalúa un swaption americano inserto en un modelo “string” de veinte
factores, lo que significa que cada punto de la curva de tasas de interés constituye
una dimensión independiente.
Otras metodologías que también utilizan las técnicas de regresión para

valorizar opciones americanas se presentan en Carriere (1996) y en Tsitliskis y Van
Roy (1999). No obstante, ninguno de los algoritmos presentados en estos artículos
alcanza el nivel de aplicación práctica del método propuesto por Longstaff y
Schwartz (2001). Además, una característica especial de las regresiones incluidas en
el algoritmo LSM consiste en considerar sólo aquellas trayectorias para las cuales el
valor intrínseco de la opción resulte positivo, ya que es en estas circunstancias donde
existe la verdadera disyuntiva del ejercicio de la opción. De esta manera, se aumenta
la eficiencia del algoritmo y se disminuyen sus requerimientos computacionales.
3.2 Descripción del algoritmo LSM
En esta sección se presentan los fundamentos teóricos del algoritmo

LSM junto a un ejemplo práctico de su aplicación. El esquema de valorización sobre
el cual se basa esta metodología coincide con el presentado por Black y Scholes
(1973), por Merton (1976), y por Harrison y Pliska (1981).
3.2.1 El esquema de valorización
Se asume la existencia de un espacio de probabilidad subyacente

denotado por: (Ω, F , P) junto con un horizonte de tiempo finito [0, T ] . En este
3
Una opción asiática corresponde a un derivado cuyo subyacente es un promedio de los
valores de un activo a lo largo de un período determinado.
47
espacio Ω representa el conjunto de todos los eventos factibles, lo cual puede ser
interpretado como todas las posibles evoluciones de una economía estocástica desde
el tiempo t = 0 hasta el tiempo t = T . Un elemento típico de Ω se representa por: ω
(lo que corresponde a una trayectoria simulada). F simboliza la topología de los
eventos que se pueden distinguir en el tiempo t = T (En este sentido F representa
una partición de los eventos incluidos en Ω , para el tiempo t = T ). P denota una
medida de probabilidad de los elementos de F ). Para definir la filtración generada
por el proceso de precios de los activos relevantes para esta economía se utiliza el
término F, luego F = ( Ft : t ∈ [0, T ] ), y se asume que F = FT . En este caso F
simboliza un conjunto de particiones Ft de Ω , las cuales a medida que aumenta t se

hacen cada vez más finas (esto resulta consecuente con la generación secuencial de
información que proviene tanto de los procesos estocásticos relevantes, como de las
variables de estado del problema). Por último, se asume la existencia de una medida
de probabilidad denotada por Q , ésta corresponde a una martingala equivalente, la
cual permite realizar la valorización neutral al riesgo.
Este algoritmo se enfoca en evaluar activos derivados de carácter

americano cuyos flujos de caja pueden recibirse durante el horizonte de tiempo
representado por: [0, T ] . Las funciones que representan estos flujos de caja deben
pertenecer al espacio de funciones doblemente integrables o de varianza finita,
espacio que se representa por la siguiente expresión: L2 (Ω, F , Q) . (Básicamente este
requisito se introduce para eliminar funciones discontinuas o mal comportadas). La
expresión denotada por: C (ω , s : t , T ) se utiliza para representar el flujo de caja
proveniente de la opción a valorizar (sobre la trayectoria ω ), con la condición de que
ésta no se ejerza en el tiempo t , o en tiempos anteriores a t , y además, se asume que
el dueño de este activo sigue la política de ejercicio óptima para todo tiempo
representado por s , donde: t < s ≤ T . Por ejemplo, para una opción de venta
americana con precio de ejercicio representado por: X donde el activo subyacente
48
sigue un proceso estocástico St . C (ω , s : T − 1, T ) , representa el flujo de caja de la
opción condicional en seguir la estrategia de ejercicio óptima en el tiempo t = T , por

lo tanto, debido a que el valor del flujo de caja al vencimiento se conoce con certeza,
C (ω , s : T − 1, T ) = max( X − ST (ω ), 0) .
3.2.2 El algoritmo de valorización
Una vez identificado el modelo matemático que describe el problema de

valorización, a continuación se describe cómo funciona esta nueva metodología.
a) Idea central del algoritmo LSM
El objetivo del algoritmo LSM consiste en proveer de una aproximación

para cada trayectoria simulada del tiempo de parada óptimo (el cual maximiza el
valor de la opción americana). Para poder aplicar la simulación el método se enfoca
en el caso de opciones con oportunidades de ejercicio discretas, por lo que se asume
que el ejercicio sólo puede llevarse a cabo en K momentos distintos donde:
0 < t1 < ... < t K = T .
Como es lógico en el tiempo t = T (es decir, en la fecha de expiración) el

inversionista ejerce el activo derivado únicamente si su valor intrínseco es positivo, o
bien, lo “pierde” si el flujo de caja proveniente del ejercicio de la opción resulta
negativo. Sin embargo, para un tiempo tk anterior a la fecha de expiración del
contrato, el dueño de este activo deberá escoger entre ejercer la opción de manera
inmediata, o postergar su ejercicio, volviendo a enfrentar esta misma elección en el
tiempo tk +1 . El valor de la opción se maximiza a lo largo de cada una de las
trayectorias, (y con ello incondicionalmente) si el poseedor de este instrumento toma
la decisión de ejercer tan pronto como el valor intrínseco de la opción sea mayor o
igual que el valor esperado de continuar.
49
b) Valor esperado de continuar
En el tiempo tk el flujo de caja proveniente del ejercicio inmediato se

conoce con certeza ya que es equivalente al valor intrínseco de la opción. Sin
embargo, el pago que podría recibirse en caso de continuar sin ejercer este activo
derivado resulta desconocido. La ausencia de oportunidades de arbitraje implica que
el valor de continuar (es decir, el valor de la opción asumiendo que ésta no puede ser
ejercida hasta después del tiempo tk ) corresponde al valor esperado (en un mundo
neutral al riesgo) de los flujos de caja restantes, denotados por:
C (ω , s : tk , T ) (descontados a la tasa libre de riesgo). Específicamente, para el tiempo
tk el valor de continuar está dado por la siguiente expresión:
K
F (ω; tk ) = EQ [ ∑ exp(− ∫ tkj r (ω , s )ds )C (ω , t j : tk , T ) / Ftk ]
t
(3.1)
j = k +1
En esta ecuación r (ω , t ) corresponde a la función que representa a la tasa

de interés en el tiempo t , para un estado particular de evolución de la economía
representado por la trayectoria ω . El valor esperado se toma según la medida de
probabilidad Q , condicional en la información generada por la partición Ftk . En
general el valor de la ecuación (3.1) no se conoce con certeza, ya que es una

expresión extremadamente difícil de calcular, es por ello que debe realizarse una
aproximación4.
4
Cuando el algoritmo LSM se aplica a una opción americana financiera (“call” o "put")
cuyo subyacente sigue un proceso browniano geométrico, la ecuación (3.1) se conoce con certeza,
para el tiempo tk = t K −1 , ya que esta expresión se reduce a la fórmula de Black y Scholes para una
opción europea con tiempo de expiración: t K − t K −1 , donde el valor inicial del subyacente es igual a:
StK −1 (ω ) .
50
c) Estimación del valor esperado de continuar
El algoritmo LSM aproxima el valor de la función definida en la

ecuación (3.1) para los tiempos: t K −1 , t K − 2 ,..., t1 a través de una regresión por mínimos
cuadrados. La metodología trabaja hacia atrás en el tiempo, debido a que los flujos
de caja generados por la opción pueden cambiar recursivamente, ya que
C (ω , s : tk , T ) puede diferir de C (ω , s : tk +1 , T ) si es que resulta óptimo ejercer la
opción en el tiempo tk +1 .
Específicamente, para el tiempo t K −1 el algoritmo asume que la forma
funcional de F (ω , t K −1 ) puede representarse mediante una combinación lineal de una
serie discreta de funciones medibles con respecto a la partición generada por FtK −1 .
La justificación teórica de esta representación lineal se genera a partir de

la pertenencia de F (ω , t K −1 ) al espacio de funciones doblemente integrables, el cual a
su vez corresponde a un espacio de Hilbert5. Según la teoría del análisis real un
espacio de Hilbert posee una base finita ortonormal, por lo que cualquiera de sus
elementos puede representarse mediante una combinación lineal de esta base.
Por ejemplo, si X representa el valor del activo subyacente de una

opción y se asume que X sigue un proceso markoviano6, entonces una posible
elección para las funciones base del espacio de Hilbert, el cual contiene a la
esperanza de los pagos del derivado, podrían ser los polinomios (ponderados) de
Laguerre, los cuales se definen a continuación:
5
Para una descripción más detallada de los espacios de Hilbert, y en general de toda la
teoría referente al análisis real, véase Dudley (1989).
6
Para problemas no markovianos, las funciones base deben evaluarse en los valores
actuales de las variables de estado, como también en sus valores anteriores.
51
L0 ( X ) = exp(− X / 2) (3.2)
L1 ( X ) = exp(− X / 2)(1 − X ) (3.3)
L2 ( X ) = exp(− X / 2)(1 − 2 X − X 2 / 2) (3.4)
exp( X )d N
LN ( X ) = exp(− X / 2)( )( X N exp(− X )) (3.5)
N !dX N
Con esta especificación de las funciones base la función esperanza:

F (ω , t K −1 ) puede representarse de la siguiente manera:
∞
F (ω , t K −1 ) = ∑ a j L j ( X ) (3.6)
j =1
En (3.6) los coeficientes a j resultan ser constantes.
Otros tipos de funciones base pueden ser los polinomios de: Legendre,
Chebyshev, Gegenbauer y Jacobi7. Pruebas numéricas realizadas por Longstaff y
Schwartz (2001) indican que a pesar de no ser bases ortonormales las series de
Fourier y las series trigonométricas e incluso las potencias simples de las variables
de estado, también entregan resultados satisfactorios.
En la práctica, el algoritmo LSM estima la función esperanza: F (ω , t K −1 )

usando las primeras M funciones base (con M < ∞ ), esta aproximación se denota
por: FM (ω , t K −1 ) . Una vez que este subconjunto de funciones base ha sido
especificado, FM (ω , t K −1 ) se estima regresionando los valores descontados de
C (ω , s : t K −1 , T ) sobre las funciones base especificadas (evaluadas en las variables de

estado correspondientes).
7
En el anexo A, se especifica la forma funcional de estos polinomios.
52
Las simulaciones consideradas en esta regresión son aquéllas para las

cuales la opción tiene un valor intrínseco positivo para el tiempo t K −1 . Esta
metodología utiliza exclusivamente dichas trayectorias debido a que la decisión de
ejercicio sólo es relevante cuando la opción tiene un valor intrínseco positivo, es
decir, cuando el flujo de caja generado por el ejercicio de este derivado es mayor que
cero. Mediante el uso de estas trayectorias el algoritmo limita la región o el dominio
sobre el cual debe estimarse la función esperanza de continuar. Esto provoca un
ahorro en términos del tiempo de resolución, ya que la cantidad de funciones base
para conseguir una buena aproximación resulta moderada.
Debido a que los valores de las funciones base son independientes e

idénticamente distribuidos cuando estas funciones se evalúan en las variables de
estado, puede recurrirse a las propiedad de consistencia del estimador de mínimos
cuadrados para demostrar que el valor ajustado de la regresión denotado por:
FˆM (ω , t K −1 ) , converge en media cuadrática y en probabilidad a la expresión:
FM (ω , t K −1 ) , a medida que el número de trayectorias consideradas en la regresión

aumenta a infinito. Además, citando el teorema de Gauss-Markov puede demostrarse
que: FˆM (ω , t K −1 ) resulta ser el mejor estimador lineal insesgado de: FM (ω , t K −1 )
(basado en el error cuadrático medio).
d) Ejercer versus Continuar
Una vez que se estima la función esperanza de continuar para el tiempo

t K −1 , el algoritmo determina para cada trayectoria ω considerada en la regresión si
resulta óptimo ejercer el derivado. Para ello, FˆM (ω , t K −1 ) se compara con el valor
intrínseco de la opción, el cual se representa mediante la siguiente expresión:
VI (ω, t K −1 ) . Si VI (ω, t K −1 ) ≥ FˆM (ω , t K −1 ) , entonces: C (ω , s : t K − 2 , T ) = VI (ω, t K −1 ) . Pero
53
t K −1
si: VI (ω, t K −1 ) ≤ FˆM (ω , t K −1 ) , C (ω , s : t K − 2 , T ) = C (ω , s : t K −1 , T ) exp( ∫ r (ω , s )ds ) .

tK − 2
Cabe destacar que la expresión: FˆM (ω , t K −1 ) se utiliza sólo para efectos de tomar la
decisión de ejercer. Esta forma de proceder evita el sesgo superior que se produciría
al establecer: C (ω , s, t K − 2 , T ) = Max(VI (ω , t K −1 ); FˆM (ω , t K −1 )) 8. La recursión procede
entonces repitiendo el proceso descrito para el tiempo t K − 2 y así sucesivamente hasta

que se determinan todas las decisiones de ejercicio anticipado, para cada oportunidad
considerada y sobre cada trayectoria simulada.
Cuando existen dos variables de estado, por ejemplo: X e Y , el conjunto

de funciones base debe evaluarse en ambas variables, como también en su producto
cruzado denotado por: XY . Este mismo razonamiento debe aplicarse a opciones que
dependan de más de dos variables de estado. Intuitivamente esto podría sugerir que
el número de funciones base debería crecer exponencialmente a medida que aumenta
la dimensión del problema. Sin embargo, Longstaff y Schwartz (2001) señalan que
según su experiencia práctica el número de funciones base necesario para aproximar
la función esperanza de continuar resulta bastante moderado, incluso para el caso de
problemas que consideran múltiples dimensiones.
Finalmente, la opción americana se valoriza partiendo en el tiempo

inicial y avanzando por cada una de las trayectorias simuladas hasta que se llega al
primer tiempo de parada. Allí se registra el valor descontado del flujo de caja que
8
Para demostrar este sesgo debe calcularse el valor esperado de la siguiente expresión :
Max(VI (ω , t K −1 ); FˆM (ω , t K −1 )) . Al considerar la desigualdad de Jensen se tiene que:
E[ Max(VI (ω , t K −1 ); FˆM (ω , t K −1 ))] ≥ Max(VI (ω , t K −1 ); E[ FˆM (ω , t K −1 )]) . El lado derecho de

esta desigualdad simboliza el verdadero valor de la opción, ya que debido a las propiedades del
estimador de mínimos cuadrados: E[ FˆM (ω , t K −1 )] = FM (ω , t K −1 ) .

54
resulta del ejercicio de la opción, para luego promediar los pagos que provienen de
cada una de las trayectorias ω .
3.2.3 Convergencia del algoritmo
Si bien es cierto que, los resultados más importantes acerca de la

convergencia de un algoritmo son los que se obtienen en la práctica, de todas
maneras resulta beneficioso revisar la convergencia desde un punto de vista teórico.
Longstaff y Schwartz (2001) proponen dos resultados de convergencia

del algoritmo LSM al valor real de la opción denotado por: V ( X ) . A continuación se
presentan ambas proposiciones9.
Proposición 3.1. Suponga que, LSM (ω , M , K ) representa al flujo de

caja descontado que resulta de seguir la regla establecida por el algoritmo LSM de
ejercer en cuanto el valor de ejercicio inmediato sea mayor o igual que FˆM (ω , tk ) .
Entonces para cualquier elección discreta de los parámetros M, K, y del vector
θ ∈ R M *( K −1) que representa los coeficientes correspondientes a las M funciones base
para cada una de las ( K − 1) oportunidades de ejercicio, la siguiente inecuación se
cumple con seguridad casi absoluta.
N
1
V ( X ) ≥ lim
N →∞ N
∑ LSM (ω , M , K )
i =1
i
La intuición detrás de esta proposición ya había sido expuesta en el

capítulo anterior y se resume de la siguiente forma: el algoritmo LSM genera una
estrategia de ejercicio a través de la determinación de una regla de parada. Sin
embargo, el verdadero precio de un activo americano se fundamenta en la estrategia
de parada que maximiza su valor, por lo que cualquier otra política, incluyendo
9
La demostración de la proposición 3.1 se realiza en el anexo B.
55
aquélla determinada por el algoritmo LSM, generará precios menores o iguales que
aquél determinado por la estrategia óptima de parada.
Esta propiedad resulta particularmente útil, ya que provee de un criterio

objetivo para comprobar la convergencia del algoritmo en la práctica. Por ejemplo, al
considerar esta desigualdad puede determinarse el número de funciones base que se
necesita para aproximar con precisión el precio real del derivado, ya que lo único que
debe hacerse es incrementar M hasta que el valor entregado por el algoritmo LSM
no siga aumentando10.
Debido a la naturaleza de esta metodología resulta difícil postular un

resultado general de convergencia, ya que para ello deberían considerarse
simultáneamente los valores límites que resultan de aumentar el número de
oportunidades de ejercicio ( K ), el número de funciones base ( M ) y el número de
trayectorias simuladas ( N ), además de considerar los efectos resultantes de propagar
la regla de parada desde el tiempo t K −1 hasta el tiempo t1 .
No obstante, para el caso de una opción con sólo dos oportunidades de

ejercicio, esta convergencia puede demostrarse con mayor facilidad. Esto es lo que se
plantea en la siguiente proposición.
Proposición 3.2. Suponga que, el valor de una opción americana

depende de una sola variable de estado, denotada por X con soporte en (0, ∞) la
cual sigue un proceso estocástico markoviano. Si se asume además que, esta opción
10
Este procedimiento no puede aplicarse cuando el valor de la opción se calcula
directamente al descontar el máximo entre el valor de ejercicio inmediato y el valor estimado de
continuar: Max (VI (ω , t K −1 ); FˆM (ω , t K −1 )) , ya que con esto se genera un sesgo superior,
ignorándose entonces la dirección del sesgo global del algoritmo.

56
sólo puede ejercerse en los tiempos t1 y t2 , que la función esperanza de continuar
F (ω , t1 ) es absolutamente continua y que se cumplen las siguientes desigualdades:
∫ 0∞ exp(− X ) * F 2 (ω , t1 ) * dX < ∞
∫ 0∞ exp(− X ) * F 2 X (ω , t1 ) * dX < ∞
Entonces, para cualquier ε > 0 , existe un M < ∞ , tal que:
 1 N 
lim Pr | V ( X ) − * ∑ LSM (ωi , M , K )> ε  = 0
N →∞
 N i =1 
Intuitivamente, este resultado implica que, al escoger M suficientemente

grande y al aumentar el número de simulaciones a infinito, el algoritmo LSM genera
un valor que converge para cualquier nivel de precisión deseado, ya que ε es
arbitrario. La clave para este resultado es que la convergencia de FM (ω , t1 ) a
F (ω , t1 ) resulta uniforme en el intervalo (0, ∞) cuando se cumplen las condiciones
de integración (pertenencia de F (ω , t1 ) a L2 ).
Esta deducción puede interpretarse aseverando que, el número de

funciones base que se necesita para obtener un grado de aproximación arbitrario, no
precisa ser infinito toda vez que: N → ∞ . Aún cuando lo anterior está restringido al
caso de una variable de estado, Longstaff y Schwartz proponen que algo similar
ocurre para problemas multidimensionales (cuando se encuentran las condiciones
bajo las cuales ocurre la convergencia uniforme de FM (ω , t1 ) a F (ω , t1 ) ).
Clément, Lamberton y Protter (2001), demuestran la casi segura

convergencia del algoritmo LSM. Estos investigadores plantean que a medida que el
número de simulaciones tiende a infinito esta metodología de valorización generará
un precio para la opción que converge al precio real del derivado que cuenta con
57
M oportunidades de ejercicio. Además, estos autores determinan la tasa de esta

convergencia, como también demuestran que el error normalizado resulta
asintóticamente Gaussiano.
Broadie y Glasserman (1997c), sugieren una técnica para comprobar la

convergencia de cualquier algoritmo basado en la simulación. En esencia estos
autores proponen aplicar la regla de parada generada por el algoritmo a otro conjunto
de simulaciones. En términos del algoritmo LSM esto implica estimar la función
esperanza de continuar usando un primer conjunto de simulaciones, para luego
aplicarla a otro grupo (“fuera de muestra”). Un algoritmo eficiente debiera generar
un valor para la opción cuando la política de ejercicio se aplica fuera de muestra muy
cercano al precio generado cuando esta política se aplica sobre la muestra que la
generó. Longstaff y Schwartz (2001) demuestran que las diferencias entre ambas
formas de aplicar el algoritmo LSM son virtualmente nulas. Esto comprueba la
eficiencia de esta metodología, como también da origen a la recomendación de usar
esta herramienta sobre la muestra original, de modo de minimizar el tiempo de
resolución.
3.2.4 Ejemplo numérico
Para finalizar esta sección se presenta un ejemplo propuesto por

Longstaff y Schwartz (2001) con el objetivo de facilitar la comprensión del
algoritmo LSM.
En este caso la metodología analizada se utiliza para valorizar una opción

de venta con 3 oportunidades de ejercicio, escrita sobre una acción que no paga
dividendos. El precio de ejercicio es 1.10 y la tasa de interés libre de riesgo es 6%
anual (compuesta continuamente). Para simplificar la exposición del algoritmo sólo
se simulan ocho trayectorias. Éstas se generan usando las probabilidades neutrales al
riesgo. La matriz de simulación obtenida, se muestra en la siguiente tabla:
58
Tabla 3.1 : Matriz de simulaciones. Esta tabla exhibe 8 simulaciones para el precio
de un activo subyacente que no paga dividendos. El precio inicial es: 1.00, la tasa de
interés es: 6% anual. El precio de ejercicio de la opción de venta a valorizar es: 1.10.
Trayectoria t=0 t=1 t=2 t=3
1 1.00 1.09 1.08 1.34
2 1.00 1.16 1.26 1.54
3 1.00 1.22 1.07 1.03
4 1.00 0.93 0.97 0.92
5 1.00 1.11 1.56 1.52
6 1.00 0.76 0.77 0.90
7 1.00 0.92 0.84 1.01
8 1.00 0.88 1.22 1.34
El objetivo del algoritmo LSM consiste en generar una regla de parada

que maximice el valor de la opción en cada oportunidad de ejercicio a lo largo de
cada trayectoria simulada. Dado que esta metodología es recursiva, se deben calcular
una serie de matrices de pago intermedias. Condicional en no ejercer la opción antes
de la fecha de expiración, los flujos de caja obtenidos por el dueño de este activo
derivado cuando éste sigue la estrategia óptima para t = 3 , se muestran a
continuación:
59
Tabla 3.2 : Matriz de flujos de caja para t = 3 . Los valores de la última columna
corresponden al pago que se obtiene al ejercer la opción de venta en t = 3 . Un cero
indica que para la trayectoria considerada resulta preferible no ejercer el derivado.
Trayectoria t=1 t=2 t=3
1 - - 0.00
2 - - 0.00
3 - - 0.07
4 - - 0.18
5 - - 0.00
6 - - 0.20
7 - - 0.09
8 - - 0.00
Estos flujos de caja son idénticos a los pagos que se recibirían si la

opción fuera europea en vez de americana.
Si la opción de venta tiene un valor intrínseco positivo en el tiempo

t = 2 , el poseedor de este activo derivado debe decidir si ejercer la opción
inmediatamente, o extender la vida de este instrumento financiero hasta su fecha de
expiración, en el tiempo t = 3 . De la tabla (3.1) puede verse que existen sólo cinco
trayectorias para las cuales la opción tiene un valor intrínseco positivo en el tiempo
60
t = 2 . Si X denota el precio del activo subyacente en el tiempo t = 2 , para estas

cinco trayectorias e Y simboliza el valor presente del flujo de caja que se obtiene
para cada una de estas simulaciones, si la opción no se ejerce en el tiempo t = 2 ,
entonces la siguiente tabla muestra la información contenida en estos vectores:
Tabla 3.3: Regresión para el tiempo t = 2 . X simboliza el precio del activo

subyacente en t = 2 , mientras que Y representa el valor presente de los flujos de caja
de la opción de venta, condicional en ejercerla después del tiempo t = 2 .
Trayectoria Y X
1 0.00*0.94 = 0.00 1.08
3 0.07*0.94 = 0.06 1.07
4 0.18*0.94 =0.17 0.97
6 0.20*0.94 = 0.19 0.77
7 0.09*0.94 =0.08 0.84
Para estimar el flujo de caja esperado de continuar condicional en el

precio de la acción en el tiempo t = 2 , se regresiona Y sobre una constante , X y
X 2 (como se indicó en la sección anterior ésta no es una base ortonormal). Esta
regresión da como resultado la siguiente aproximación de la función esperanza de
continuar:
E[Y / X ] = −1.07 + 2.98 X − 1.81X 2 (3.7)

61
Empleando esta función de esperanza condicional puede evaluarse la

decisión óptima a tomar en cada una de las trayectorias consideradas en la regresión,
para ello, en la siguiente tabla se muestran los valores de continuar junto con los
valores de ejercicio inmediato para las distintas trayectorias.
Tabla 3.4 : Decisión de ejercicio óptimo para el tiempo t = 2 . La segunda

columna exhibe el flujo de caja que se obtiene al ejercer la opción de venta en t = 2 ,
mientras que la última columna presenta los valores ajustados de la regresión, los
cuales representan la estimación que se tiene del valor de continuar.
Trayectoria Ejercer Continuar
1 0.02 0.04
3 0.03 0.05
4 0.13 0.12
6 0.33 0.15
7 0.26 0.15
El valor de ejercicio inmediato equivale al valor intrínseco de la opción,

es decir: 1.10- X , mientras que el valor de continuar se obtiene evaluando la función
esperanza de continuar dada por la ecuación (3.7) en el valor del subyacente para
cada trayectoria considerada en la regresión. Esta comparación implica que resulta
conveniente ejercer la opción en el tiempo t = 2 , únicamente para las trayectorias
cuatro, seis y siete.
62
Esta decisión genera la matriz que se muestra en la siguiente tabla, en

ella se reportan los flujos de caja generados por el activo derivado, condicional en no
ejercerlo antes del tiempo t = 2 .
Tabla 3.5 : Matriz de flujos de caja para el tiempo t = 2 . Los valores de esta tabla
representan el flujo de caja que se obtiene al seguir la estrategia de ejercicio óptima
aproximada por el algoritmo, para los tiempos t = 2 y t = 3 .
1 - 0.00 0.00
2 - 0.00 0.00
3 - 0.00 0.07
4 - 0.13 0.00
5 - 0.00 0.00
6 - 0.33 0.00
7 - 0.26 0.00
8 - 0.00 0.00
La tabla (3.5) indica que cuando la opción se ejerce en el tiempo t = 2 ,

los flujos de caja de la última columna se hacen cero. Esto ocurre debido a que una
63
vez que este derivado se ejerce no existen más flujos de caja, ya que este activo sólo
puede ejercerse una vez11.
Procediendo recursivamente, ahora se examina para qué trayectorias la

opción debe ejercerse en el tiempo t = 1 . De la tabla (3.1) se puede observar que
nuevamente existen cinco simulaciones para las cuales el activo derivado tiene un
valor intrínseco positivo en el tiempo t = 1 . Para estas trayectorias, al igual que en el
tiempo t = 2 , Y se define como el valor descontado de los flujos de caja futuros de
la opción. Debe notarse que en la definición de Y se utilizan los valores “reales” de
los flujos de caja, para cada una de las simulaciones; y no el valor condicional
esperado de Y , definido por la ecuación (3.7) (como se mencionó en la sección
anterior, el hecho de descontar el valor esperado en vez del flujo de caja “real” para
la trayectoria considerada, provoca un sesgo superior).
Dado que esta opción sólo puede ejercerse una vez12, los flujos de caja
provenientes de este activo, ocurren ya sea en el tiempo t = 2 o en el tiempo t = 3 ,
pero no en ambos momentos. Los flujos de caja que se reciben en el tiempo t = 2 , se
descuentan un período, mientras que aquéllos percibidos en el tiempo t = 3 , deben
ser descontados dos periodos.
11
Si se observa las tablas (3.2) y (3.5), éstas entregan los valores estimados de:
C (ω , s, t = 2, t = 3) y de C (ω , s, t = 1, t = 3) respectivamente, según la notación utilizada en la
sección anterior.
12
Aún cuando la mayoría de los derivados tradicionales se ejercen una sola vez,
también debe tenerse en cuenta aquellos instrumentos anidados, los cuales permiten percibir flujos de
caja en más de una oportunidad. Para estos activos generalmente resulta difícil descartar trayectorias
de la regresión, ya que los valores intrínsecos de estos derivados no son fijos pues dependen de las
estimaciones de los valores esperados de continuar. Esto debe tenerse en cuenta cuando se valoriza la
mina de Brennan y Schwartz (1985).
64
Al igual que antes X representa los precios del activo subyacente para
aquellas simulaciones en las cuales la opción presenta un valor intrínseco positivo
para el tiempo t = 1 . Los vectores X e Y se reportan en la siguiente tabla:
Tabla 3.6 : Regresión para el tiempo t = 1 . X simboliza el precio del activo

subyacente en t = 1 , mientras que Y representa el valor presente de los flujos de caja
de la opción de venta, condicional en ejercerla después del tiempo t = 1
Trayectoria Y X
1 0.00*0.94 = 0.00 1.09
4 0.13*0.94 = 0.12 0.93
6 0.33*0.94 =0.31 0.76
7 0.26*0.94 = 0.25 0.92
8 0.00*0.94 =0.00 0.88
La función esperanza de continuar para el tiempo t = 1 , se estima al igual

que en el tiempo t = 2 , regresionando Y sobre una constante, X y X 2 . La
aproximación de la función esperanza de continuar está dada por la siguiente
expresión13:
13
Según Longstaff y Schwartz (2001), si la función (3.8) se estimara considerando las
ocho trayectorias simuladas, la base de regresión debiera incluir por lo menos seis términos.
65
E[Y / X ] = 2.04 − 3.36 X + 1.36 X 2 (3.8)
Al evaluar la expresión (3.8) en los precios generados para el activo

subyacente en t = 1 se obtienen los valores estimados de continuar. Los valores
intrínsecos de la opción junto con los valores estimados de continuar para el tiempo
t = 1 , se exhiben en la siguiente tabla:
Tabla 3.7 : Decisión de ejercicio óptimo en el tiempo t = 1 . La segunda

columna exhibe el flujo de caja que se obtiene al ejercer la opción de venta en t = 2 ,
mientras que la última columna presenta los valores ajustados de la regresión, los
cuales representan la estimación que se tiene del valor de continuar.
Trayectoria Ejercer Continuar
1 0.01 0.013
4 0.17 0.11
6 0.34 0.29
7 0.18 0.12
8 0.22 0.15
Al comparar los valores reportados en las columnas de la tabla (3.7) se

puede apreciar que el ejercicio inmediato resulta óptimo para las trayectorias cuatro,
seis, siete y ocho.
66
Habiendo identificado la estrategia de ejercicio óptima para los tiempos

t = 1 , t = 2 y t = 3 , la regla de parada puede representarse por la matriz que se
exhibe en la siguiente tabla:
Tabla 3.8 : Estrategia de parada generada por el algoritmo LSM. El valor uno indica
en qué momento resulta óptimo ejercer la opción considerada. Según esta regla de
detención sólo resulta óptimo ejercer el derivado para las trayectorias: tres, cuatro,
seis, siete y ocho.
1 0 0 0
2 0 0 0
3 0 0 1
4 1 0 0
5 0 0 0
6 1 0 0
7 1 0 0
8 1 0 0
Con esta especificación de la estrategia de detención resulta sencillo

determinar los flujos de caja que genera esta política óptima. Esto se realiza
67
ejerciendo la opción en aquellos momentos denotados con el numero uno en la tabla

(3.8). Este procedimiento genera la tabla que se muestra a continuación, la cual
corresponde a la matriz de pago final de la opción:
Tabla 3.9 : Matriz de flujos de caja de la opción. Los valores de esta tabla
representan los pagos que se obtienen al seguir la estrategia de ejercicio generada por
el algoritmo LSM, para la opción de venta considerada. Para aproximar el precio del
derivado deben descontarse estos flujos, para luego promediarlos.
1 0.00 0.00 0.00
2 0.00 0.00 0.00
3 0.00 0.00 0.07
4 0.17 0.00 0.00
5 0.00 0.00 0.00
6 0.34 0.00 0.00
7 0.18 0.00 0.00
8 0.22 0.00 0.00
Una vez computados los flujos de caja generados por esta opción
americana de venta para cada oportunidad de ejercicio, y en cada trayectoria
68
simulada, se procede a descontar estos pagos al tiempo t = 0 para luego

promediarlos y con ello estimar el valor de este activo derivado. Al realizar estos
cálculos se obtiene un precio de: 0.1144. Éste resulta casi el doble del que se obtiene
al descontar los flujos que aparecen en la tabla (3.2) y que corresponde a: 0.0564,
precio que como se mencionó anteriormente, equivale al precio de la opción de venta
europea.
A pesar de su simpleza, este ejemplo permite ilustrar cómo la estimación

por mínimos cuadrados es capaz de utilizar la información proveniente de todas las
trayectorias simuladas para de esta forma aproximar la función esperanza de
continuar.
3.3 Comparación del algoritmo LSM con el método de diferencias finitas
Previamente, se presentó un ejemplo de la manera en que el algoritmo

LSM puede utilizarse para valorar opciones americanas tradicionales. En la presente
sección esta metodología se aplica de manera más rigurosa, con el fin de aproximar
el precio de opciones americanas de venta, cuyo subyacente sigue un proceso
browniano geométrico. Con el objetivo de juzgar la calidad de los resultados
generados por esta aplicación, éstos se comparan con aquéllos que se obtienen al
emplear el método de diferencias finitas.
El ejercicio a realizar puede encontrarse en Stentoft (2001). Éste

consiste en la valorización de una opción de venta americana escrita sobre una
acción que no paga dividendos. Se asume que este derivado puede ejercerse 50 veces
por año, mediante el pago de un cantidad que se denota por K (precio de ejercicio).
La especificación utilizada para aproximar la función esperanza de continuar
considera los tres primeros polinomios de Laguerre (los cuales fueron definidos en la
sección anterior). Los valores obtenidos a través de ambos métodos para diversos
parámetros de la opción y del activo subyacente, se presentan en la siguiente tabla:
69
Tabla 3.10: Comparación entre algoritmo LSM, y el método de diferencias finitas.

Las columnas identificadas como PDF y PLSM presentan los precios generados por
diferencias finitas (DF) y el algoritmo LSM. Análisis realizado por Stentoft (2001).
S0 T σ PDF PLSM E.S +PLSM − PDF
36 1 0.2 4.478 4.474 (0.0061) -0.004

36 2 0.2 4.840 4.830 (0.0068) -0.010
36 1 0.4 7.101 7.095 (0.0084) -0.006
36 2 0.4 8.507 8.499 (0.0105) -0.008
40 1 0.2 2.314 2.312 (0.0053) -0.002

40 2 0.2 2.884 2.880 (0.0065) -0.005
40 1 0.4 5.312 5.307 (0.0088) -0.005
40 2 0.4 6.920 6.909 (0.0100) -0.011
44 1 0.2 1.110 1.106 (0.0054) -0.004

44 2 0.2 1.690 1.689 (0.0070) -0.001
44 1 0.4 3.948 3.943 (0.0108) -0.005
44 2 0.4 5.647 5.647 (0.0117) 0.000
Los resultados expuestos en la tabla (3.10) corresponden a una

implementación del algoritmo LSM que considera cien mil trayectorias simuladas, a
través del uso de la técnica de reducción de varianza conocida como “simulación con
variables antitéticas”14. En cuanto al método de diferencias finitas (que en este caso
representa el valor de la opción americana “pura”, es decir, con ejercicio continuo),
14
Esta técnica consiste en generar un punto de una trayectoria mediante la obtención de
un número aleatorio, para luego utilizar el inverso aditivo de éste, en la generación del mismo punto
pero en la trayectoria siguiente. Para una revisión de las técnicas de reducción de varianza, véase Hull
(1999).
70
se consideraron 40.000 discretizaciones de la variable tiempo, y 1.000

discretizaciones del activo subyacente. El precio de ejercicio de la opción es 40 y la
tasa de interés es de 6 % anual (compuesta continuamente).
La primera columna de la tabla (3.10) reporta el valor inicial del

subyacente sobre el cual está escrita la opción, la segunda columna denota el tiempo
(en años) de expiración del contrato, a continuación se exhibe el valor de la
volatilidad para los distintos casos considerados. La columna encabezada por las
letras PDF exhibe el precio calculado para la opción según el método de diferencias
finitas, de igual forma la columna denotada por PLSM reporta el valor generado para
el derivado según el algoritmo LSM. Finalmente, las dos últimas columnas
corresponden al valor del error estándar del algoritmo LSM, y a la diferencia
absoluta entre el precio calculado por el algoritmo LSM y aquél generado por el
método de diferencias finitas.
Al analizar los valores de la tabla (3.10) resulta evidente que ninguna de

las diferencias entre ambos métodos es significativa, sin importar si la evaluación se
aplica a opciones cuyo valor intrínseco inicial es positivo, nulo o negativo. Aún
cuando el sesgo inferior del algoritmo LSM pareciera estar presente en los valores
reportados, de todas maneras puede concluirse que ambas metodologías generan
resultados prácticamente iguales. En cuanto a los errores estándar, se puede decir que
estos se encuentran dentro del margen habitual de compra y venta de activos a través
de un intermediario.
3.4 Consideraciones acerca de la base a utilizar en las regresiones
En la sección anterior, se comprobó que el algoritmo LSM puede

aplicarse eficientemente a opciones que dependen de un único activo subyacente. No
obstante, dada la flexibilidad que esta metodología entrega para escoger la base de
regresión, a continuación se examinan diversas especificaciones de la base utilizada
para aproximar la función esperanza de continuar.
71
3.4.1 Análisis del número de regresores
Según Longstaff y Schwartz (2001), para obtener una correcta

especificación de la base a considerar, el número de regresores debiera incrementarse
hasta que el valor generado por el algoritmo LSM no continúe aumentando. Stentoft
(2001) analiza esta recomendación, para ello aumenta el número de polinomios
ponderados de Laguerre utilizado en las regresiones desde uno a cinco.
Los resultados de este análisis, para las mismas opciones consideradas en

las primeras cuatro filas de la tabla (3.10), se presentan en la siguiente tabla:
Tabla 3.11 : Valores de las primeras cuatro opciones presentadas en la tabla (3.10)
para distintos números de polinomios de Laguerre (K) presentes en la base de
regresión. Análisis realizado por Stentoft (2001).
Opción K=1 K=2 K=3 K=4 K=5
1 4.431 4.462 4.474 4.474 4.459

2 4.780 4.818 4.830 4.834 4.827
3 7.050 7.084 7.095 7.097 7.092
4 8.441 8.485 8.499 8.497 8.504
Para las opciones consideradas en la tabla (3.11) resulta evidente que al

aumentar el número de polinomios de uno a dos se obtiene un considerable
incremento del precio estimado para estos activos derivados. El aumento de precio
promedio para este caso es de: 0.036, siendo los cambios individuales: 0.031, 0.038,
0.034 y 0.044 respectivamente. Al subir el número de polinomios (K) de dos a tres,
el aumento de precios no es tan apreciable como en el caso anterior, ya que el
incremento de precios promedio resulta ser de sólo 0.012, siendo los cambios
72
individuales: 0.012, 0.012 ,0.011 y 0.014 respectivamente. Para los demás aumentos
en el número de polinomios, no todas las opciones incrementan su valor y aquéllas
que lo hacen no presentan cambios que puedan considerarse estadísticamente
significativos. Por lo que la pregunta a resolver es, si el número adecuado es dos o
tres polinomios. Para dilucidar esta disyuntiva Stentoft (2001) compara los
resultados de usar ambas bases con los precios aproximados por diferencias finitas,
(éstos pueden encontrarse en la tabla (3.10)). Al considerar este aspecto, resulta
evidente que, los precios obtenidos para K=2, son significativamente distintos de
aquéllos calculados por diferencias finitas, sin embargo, para K=3, los precios de
ambas metodologías (como se constató anteriormente), resultan prácticamente
indistinguibles. De esta manera Stentoft (2001) concluye que, al menos para su
aplicación práctica, el algoritmo LSM debiera usar los tres primeros polinomios de
Laguerre, cuando se escoge esta forma funcional para especificar la base de
regresión a utilizar para aproximar la función esperanza de continuar.
3.4.2 Análisis de las distintas familias de polinomios
Stentoft (2001) revisa las consecuencias de utilizar distintas familias de

polinomios para especificar la base de regresión. Esta diversidad de opciones se
genera cuando la función esperanza de continuar pertenece a un espacio de Hilbert,
ya que existen muchos grupos de polinomios que representan una base ortonormal
para este espacio. A esta categoría pertenecen los polinomios (ponderados) de
Laguerre utilizados en la sección anterior, sin embargo, en la práctica no resulta
especialmente evidente por qué estos polinomios pudieran resultar más idóneos que
otras familias de funciones, en especial, cuando se considera que éstos sólo pueden
aproximar a la función esperanza de continuar en el intervalo: (0,1) y no en su
verdadero dominio representado por: (0, ∞) . Además, la función de ponderación
utilizada: (exp − ( x / 2)) , incrementa la importancia de aquellas trayectorias para las
cuales la variable de estado es cercana a cero (trayectorias con un valor intrínseco
muy alto, para opciones de venta), lo que en general parece ser “discutible”.
73
Si se considera que la función exponencial puede representarse como una

serie de potencias simples, los polinomios (ponderados) de Laguerre resultan ser una
combinación especial de estas funciones. Esta consideración, junto con el hecho de
que las potencias producen aproximaciones tan compactas como se quiera en
intervalos cerrados (“Teorema de Weistrass”), resultan suficientes para motivar el
uso de esta familia de polinomios en las regresiones del algoritmo LSM.
La siguiente tabla exhibe el efecto de considerar cada vez más potencias

de la variable de estado en la especificación de la base de regresión, para las mismas
opciones de la tabla (3.10)
para distintos números de potencias simples (K) presentes en la base de regresión.
Análisis realizado por Stentoft (2001).
1 4.417 4.463 4.473 4.474 4.477

2 4.744 4.819 4.829 4.835 4.833
3 7.010 7.087 7.096 7.096 7.094
4 8.365 8.489 8.500 8.499 8.503
Al comparar los cambios de precios que se producen al modificar el

número de potencias incluidas en la especificación de la función esperanza de
continuar, Stentoft llega a conclusiones muy similares a las obtenidas para el caso de
los polinomios ponderados de Laguerre, ya que al aumentar K desde uno a dos se
tiene un impacto significativo en los precios, mientras que los cambios se vuelven
muy reducidos al incrementar K de dos a tres. Sin embargo, la tabla (3.12) muestra
74
que las potencias simples permiten la convergencia más rápida del método, ya que
sólo la mitad de los precios reportados para K = 2 resultan significativamente
distintos de los precios calculados por diferencias finitas exhibidos en la tabla (3.10).
Si se contrastan los resultados obtenidos usando los polinomios

ponderados de Laguerre, con aquéllos derivados del empleo de las potencias simples
(Tablas (3.11) y (3.12) respectivamente), puede aseverarse que, las diferencias son
en promedio muy pequeñas para los casos en que K > 1 y por ende estadísticamente
no resultan ser significativas. Esto comprueba que, al menos en la práctica, resulta
claro que no se obtiene ningún beneficio al utilizar los polinomios ponderados de
Laguerre.
Por último, Stentoft (2001) también propone el uso de los polinomios

ponderados de Chebyshev, los cuales se definen mediante la siguiente fórmula:
Tk ( X ) = cos(k cos −1 (2 X − 1)) (3.9)
A su vez las ponderaciones de estos polinomios se encuentran definidas

por la siguiente expresión:
(1 − (2 x − 1) )
2 0.5
(3.10)
Estos términos constituyen una base para el espacio de Hilbert, además

son ortogonales en el intervalo [0,1] , y aún cuando son trigonométricos también
pueden ser replicados mediante una serie de potencias.
El ejercicio realizado en las tablas (3.11) y (3.12) se repite con los

polinomios ponderados de Chebishev. Los resultados se presentan en la próxima
tabla:
75
para distintos números de polinomios de Chebyshev (K) presentes en la base de
regresión. Análisis realizado por Stentoft (2001).
1 3.952 4.447 4.472 4.478 4.476

2 3.952 4.824 4.828 4.833 4.833
3 4.693 7.038 7.095 7.094 7.095
4 4.727 8.316 8.474 8.497 8.498
Al analizar los valores reportados en la tabla (3.13) puede verificarse que

no se obtiene ningún beneficio al especificar la base de regresión a través de los
polinomios ponderados de Chebyshev.
Por lo tanto, dado que las potencias simples requieren de menor

capacidad computacional para ser implementadas, esta familia de polinomios resulta
ser muy adecuada de usar como base de regresión.
3.4.3 Análisis de la política óptima generada por la base de potencias
Con el fin de complementar el análisis de Stentoft (2001) en cuanto al

número de potencias a usar en la especificación de la base de regresión, a
continuación se expone la política óptima de ejercicio para la primera opción
presentada en la tabla (3.10). Esta estrategia se obtiene mediante el método de
diferencias finitas y el algoritmo LSM, cuando éste considera las dos primeras
potencias simples como base para aproximar la función esperanza de continuar.
76
Precio de ejercicio 40
35
30
Politica optima (diferencias) Política óptima LSM
25
0 10 20 30 40 50
Tiempo

especificación que incluye las dos primeras potencias de la variable de estado.
En este caso, la aproximación de la política óptima resulta ser bastante

deficiente, por lo que esta especificación no cumple con la condición de aproximar al
menos de manera cualitativa la función esperanza de continuar.
La siguiente figura contrasta la misma política óptima “real”, obtenida

mediante diferencias finitas, con aquélla generada por el algoritmo LSM, pero para
una especificación de la base de regresión que incluye a las tres primeras potencias
simples.
77
Precio de ejercicio 40
35
30
25
0 10 20 30 40 50
Tiempo

especificación que incluye las tres primeras potencias de la variable de estado.
Al analizar la figura (3.2) puede concluirse que el uso de tres potencias

simples mejora sustancialmente el ajuste de la política óptima, en comparación con
lo expuesto en la figura (3.1).
Para continuar este análisis la siguiente figura exhibe la comparación

entre la política óptima calculada mediante diferencias finitas y aquélla que se
obtiene cuando el algoritmo LSM se aplica considerando una especificación de la
base de regresión que incluye a las cuatro primeras potencias simples.
78
40
Precio de ejercicio
35
30
25
0 10 20 30 40 50
Tiempo

diferencias finitas y por el algoritmo LSM, cuando este se aplica considerando una
especificación que incluye las cuatro primeras potencias de las variable de estado.
Si bien el ajuste desplegado en la figura (3.3) resulta bastante

satisfactorio, éste no representa una mejora considerable en cuanto a la aproximación
exhibida en la figura (3.3). Esta apreciación junto con el aumento en los
requerimientos computacionales que provoca una mayor especificación de la base a
utilizar, permiten sostener que, la mejor especificación práctica para el caso
unidimensional consiste en realizar las regresiones definidas por la siguiente
ecuación:
y (ω ) = β 0 + β1 x(ω ) + β 2 x(ω ) 2 + β3 x(ω )3 + ε ω (3.11)

79
Donde y (ω ) representa el flujo de caja “ex-post” de continuar sobre la

trayectoria ω , mientras que x(ω ) simboliza el valor de la variable de estado para la
simulación ω .
Así entonces se concluye la presentación y el análisis de los aspectos más

importantes del algoritmo LSM. En el próximo capítulo se implementa esta
metodología para valorizar una concesión de un pozo de petróleo. Esta aplicación
resulta interesante, debido a que el activo derivado real que modela este proyecto
depende de dos variables de estado.
80
IV. IMPLEMENTACIÓN Y RESULTADOS DE LA VALORIZACIÓN

DEL MODELO DE CORTAZAR Y SCHWARTZ (1998)
MEDIANTE EL ALGORITMO LSM.
El presente capítulo describe la aplicación del algoritmo LSM a un

proyecto de inversión que se valoriza según la teoría de opciones reales. Esta
implementación se presenta con el objetivo de recabar información referente al
desempeño del algoritmo LSM cuando éste se emplea para evaluar activos derivados
que dependen de dos variables de estado. Además, esta adaptación permite facilitar
la implementación de esta metodología a problemas de opciones reales de mayor
dificultad, como el presentado en el próximo capítulo.
Para comenzar y a modo de introducción se efectúa una presentación

general del proyecto a valorizar. Luego, se revisa su modelación matemática, la cual
explica la forma en que se proyectan los precios del petróleo y los flujos de caja
contingentes. Posteriormente, se describe la aplicación del algoritmo LSM a este
activo derivado real. Finalmente, se exponen los distintos resultados obtenidos.
4.1 Descripción general del problema
El modelo a valorizar corresponde al presentado en Cortázar y Schwartz

(1998). Éste consiste en una concesión que permite iniciar la explotación de un pozo
de petróleo. Sin embargo, para comenzar a extraer este recurso debe incurrirse en
una inversión de desarrollo, la cual puede interpretarse como la infraestructura
necesaria para habilitar el pozo. Como la opción de postergar inversiones resulta
valiosa, en general los gobiernos licitan concesiones no muy extensas de manera de
fomentar la concretización de este tipo de proyectos, ya que éstos frecuentemente
son de gran magnitud. Para considerar esta característica, el modelo propone una
concesión por un número finito de años, de tal forma que cuando la opción de
postergar la inversión de desarrollo expire, los dueños de los derechos de explotación
se vean obligados a decidir si en definitiva asumen los costos de desarrollar este
81
proyecto, o bien, optan por perder la concesión. Si finalmente se resuelve extraer el

recurso, la producción se efectúa de manera continua, ya que el modelo asume que el
pozo no puede detener su funcionamiento.
Dado que las reservas con que cuenta el pozo son conocidas, se puede
proyectar con certeza el esquema de extracción junto con los costos unitarios de
producción. Además, como el mercado de futuros de petróleo presenta gran liquidez,
los precios a los cuales puede venderse la producción resultan conocidos de
antemano. Todo lo anterior provoca que el valor presente de los flujos de caja
generados por este proyecto pueda determinarse con precisión al momento de
efectuar la inversión.
A raíz de esta descripción puede afirmarse que, este contrato de

concesión resulta equivalente a una opción americana de compra, escrita sobre el
valor presente de los flujos de caja generados por el pozo de petróleo. En este activo
derivado “real” el precio de ejercicio equivale al monto de la inversión de desarrollo
y su tiempo de expiración coincide con el período de concesión. Finalmente, el
número de oportunidades de ejercicio corresponderá al número de ocasiones en las
cuales los dueños de este derecho decidan evaluar la opción de invertir.
4.2 Modelo del pozo de petróleo de Cortázar y Schwartz (1998)
Esta sección describe cómo se modela el proyecto de inversión planteado

por Cortázar y Schwartz (1998). Para ello, se describe la forma en que se proyectan
los precios futuros del petróleo, así como el valor presente de los flujos de caja
generados por el pozo una vez que se decide explotarlo. Además, se describe cómo
se obtienen los distintos parámetros utilizados.
4.2.1 Modelo de precios spot del petróleo
Para describir la evolución de los precios spot del petróleo, el modelo

escogido asume que este commodity sigue un proceso browniano geométrico, con un
82
retorno por conveniencia estocástico, el cual a su vez evoluciona según un proceso

que incorpora reversión a la media. Este paradigma fue propuesto originalmente por
Gibson y Schwartz (1990). Posteriormente, Schwartz (1997) demuestra que esta
especificación del precio resulta apropiada para capturar eficazmente muchas de las
características de la estructura temporal de los contratos futuros de cobre y petróleo,
al igual que la de sus volatilidades.
a) Descripción matemática de los procesos estocásticos
Como se mencionó anteriormente, existen dos factores aleatorios

presentes en el modelo, el primero corresponde al precio spot del commodity
denotado por: S y el segundo está representado por su retorno por conveniencia
instantáneo definido por: δ . Ambos factores siguen el proceso estocástico conjunto
definido por las siguientes expresiones:
dS = ( µ − δ ) Sdt + σ 1 Sdz1 (4.1)
d δ = κ (α − δ )dt + σ 2 dz2 (4.2)
En estas ecuaciones los incrementos brownianos dz1 y dz2 se encuentran
correlacionados según un coeficiente de correlación instantánea ρ , lo que da origen

a la siguiente expresión:
dz1 dz2 = ρ dt (4.3)
En la ecuación (4.1) µ representa el “retorno total” de invertir en el

activo S , es decir, incluye los aumentos de precio más el retorno por conveniencia,
el cual cuantifica el flujo de servicios que recibe el dueño de un inventario físico del
commodity, pero no el poseedor de un contrato futuro. En la ecuación (4.2) α
denota el retorno por conveniencia de largo plazo, y por ende la expresión κ ( κ > 0 )
83
simboliza la rapidez o el grado de reversión que presenta el retorno por conveniencia

hacia este valor de equilibrio.
Como se ha descrito en los capítulos previos, cuando se utiliza la

simulación para valorizar activos derivados el proceso estocástico relevante no es
aquél que siguen las variables en el mundo real, sino que el proceso ajustado por
riesgo, el cual describe la evolución de los precios de los activos en un mundo donde
todos los inversionistas se declaran neutrales al riesgo. Para este proceso de precios
las ecuaciones anteriores se transforman en las siguientes expresiones:
dS = (r − δ ) Sdt + σ 1 Sdz1 (4.4)
d δ = [κ (α − δ ) − λ ]dt + σ 2 dz2 (4.5)
dz1 dz2 = ρ dt (4.6)
En la ecuación (4.5) λ representa el precio de mercado del riesgo

correspondiente al retorno por conveniencia1.
La ecuación (4.5) puede escribirse de manera más simple según la

siguiente expresión:
d δ = κ (αˆ − λ )dt + σ 2 dz2 (4.7)
Donde α̂ se define por la ecuación que se exhibe a continuación:
λ
αˆ = α − (4.8)
κ
1
Para una completa descripción del concepto “precio de mercado del riesgo” para
activos no-transables, véase Brennan y Schwartz (1982), y Cox, Ingersoll y Ross (1985).
84
Para valorizar contratos futuros escritos sobre un subyacente que

describe un proceso estocástico que incluye dos factores aleatorios al igual que el
presentado en las ecuaciones (4.4), (4.5) y (4.6), existe una fórmula analítica, la cual
se presenta a continuación:
F ( S , δ , T ) = S exp  −δ (1 − exp(−κ T ) + A(T )  (4.9)
En (4.9) T representa la duración del contrato y A(T ) se define

mediante la siguiente expresión:
 1 σ 2 2 σ 1σ 2 ρ  σ 2 2 (1 − exp(−2κ T )
A(T ) =  r − αˆ + −  T +
 2 κ2 κ  4 κ3
 σ 2   1 − exp(−κ T ) 
+  ακ
ˆ + σ 1σ 2 ρ − 2   (4.10)
 κ  κ2 
b) Parámetros del modelo de precios
Ciertos parámetros del modelo presentado en la sección anterior son

variables de estado propios de una fecha específica, en cambio, otros necesitan ser
estimados. Para la aproximación de estos últimos se recurre a la investigación
realizada por Schwartz (1997), quien estima los parámetros relevantes para el
proceso estocástico conjunto seguido por las variables de estado del modelo de
precios, a partir de una base de datos que incluye los cierres de precio diarios de los
distintos contratos futuros de petróleo para el período comprendido entre Enero de
1993 y Mayo de 1996. Para cada una de las semanas pertenecientes a este intervalo
de tiempo, diez contratos futuros con fechas de vencimiento de hasta nueve años se
emplean en la estimación tanto de los parámetros del proceso “real” como los del
proceso ajustado por riesgo. Esta aproximación se fundamenta en una metodología
de optimización conocida como Filtro de Kalman. Los resultados obtenidos mediante
este procedimiento se reportan en la siguiente tabla:
85
Tabla 4.1 : Parámetros estimados por Schwartz (1997) para el proceso de precios
planteado por Gibson y Schwartz (1990). Los datos se generan a partir de contratos
futuros de petróleo, transados entre Enero de 1993 y Mayo de 1996.
Parámetro Valor estimado
r 0.050
κ 1.187
α 0.090
σ1 0.212
σ2 0.187
ρ 0.845
λ 0.093
Utilizando los parámetros reportados en la tabla (4.1), Cortázar y

Schwartz (1998) estiman el valor inicial de las variables de estado. Para ello,
consideran la curva de futuros de petróleo para el día 2 de Enero de 1998, junto con
la fórmula teórica de estos contratos descrita por la ecuación (4.9). Posteriormente,
establecen el problema de minimizar el cuadrado de las diferencias entre la curva
teórica para esa fecha y la información proveniente del mercado de futuros. De esta
manera, obtienen el valor óptimo inicial del precio spot del petróleo y de su retorno
por conveniencia, los cuales se presentan en la siguiente tabla:
86
Tabla 4.2 : Variables de estado iniciales para el día 2 de Enero de 1998. Estimación
realizada por Cortázar y Schwartz (1998), considerando los datos de la tabla (4.1).
Parámetro Valor estimado
S0 17.390
δ0 -0.057
Al considerar la fecha para la cual se estiman las variables de estado

iniciales, puede aseverarse que, la valorización del pozo se efectúa para el día 2 de
Enero de 1998.
4.2.2 Valor del pozo de petróleo desarrollado
Una vez que las inversiones necesarias para habilitar la explotación del
pozo se efectúan, éste puede considerarse como un yacimiento “desarrollado”, el
cual como se dijo anteriormente, presenta condiciones de explotación conocidas. Por
ejemplo: los costos asociados a la extracción y a la comercialización, junto con los
niveles de producción anuales se consideran fijos. Una vez realizada la inversión
para habilitar el pozo se utiliza una variante del método del Valor Actual Neto
(VAN) conocida con el nombre de “Equivalentes ciertos” para valorizar los flujos
generados por la explotación del pozo. Un equivalente cierto del valor del precio del
petróleo en un año más corresponde al precio al que actualmente se transa un
contrato futuro sobre petróleo en los mercados financieros. Una vez valorada la
producción mediante el uso de estos equivalentes ciertos, resulta fácil obtener el
valor presente del proyecto, ya que los flujos se descuentan a la tasa libre de riesgo.
87
a) Valor presente de los flujos de caja del pozo de petróleo
Si se utiliza el enfoque de los equivalentes ciertos, junto con la fórmula

para el precio de contratos futuros dada por la ecuación (4.9), el valor presente del
pozo de petróleo desarrollado se encuentra representado por la siguiente expresión:
N
VD( S , δ ) = ∑ exp(− rt ) { PF
t ( S , δ , t ) − Ct } (1 − τ ) + τ Dt 
 (4.11)
t =1
Donde:
N denota los años de producción.
Pt representa los barriles de petróleo producidos en el año t .
Ct cuantifica el costo total de producción en el año t .
Dt simboliza la depreciación permitida para el año t .
τ corresponde a la tasa de impuesto a las utilidades.
Por último, cabe destacar que la expresión (4.11) considera una

estructura impositiva que autoriza la compensación por pérdidas contables.
b) Parámetros operativos del pozo de petróleo
Una vez iniciada la producción, las reservas de petróleo permiten que

la explotación del pozo se extienda por un período de siete años. En la siguiente tabla
se muestran los parámetros operativos del pozo, vale decir, la cantidad de barriles a
extraer junto con los costos de producción para cada uno de los siete años de
explotación (para efectos del descuento de los flujos de caja se asume que éstos
ocurren al final de cada año).
88
Tabla 4.3 : Producción y costos anuales del pozo de petróleo planteado por Cortázar
y Schwartz (1998).
Año Producción (MM barriles) Costos (MMUS$)
1 1,70 3,00
2 1,00 2,00
3 0,55 1,40
4 0,34 1,10
5 0,23 0,97
6 0,16 0,87
7 0,07 0,47
Total 4,05 9,81
Como se mencionó anteriormente, la mayoría de los contratos de

concesión de yacimientos petrolíferos poseen duración finita. En atención a esta
característica el modelo supone que el contrato de concesión caduca en cinco años.
Si se decide explotar el pozo se debe incurrir en una inversión de

desarrollo equivalente a US$ 30.000.000, cifra que se supone constante en el tiempo.
La decisión de invertir se evalúa una vez al año durante el período de concesión.
Dado que el modelo asume un régimen de depreciación lineal, cada año US$
4.285.714 pueden descontarse de las ventas por este concepto. Además, se supone
un premio por riesgo político, el cual puede interpretarse como la probabilidad de
poisson anual de expropiación del pozo sin compensaciones para los dueños de la
89
concesión. Esto se representa mediante la adición de dos puntos porcentuales a la

tasa libre de riesgo cuando se efectúa el descuento de los flujos de caja del proyecto.
Cortázar y Schwartz (1998) resuelven el modelo descrito mediante el

algoritmo de Barraquand-Martineau2. Estos autores consideran que todos los flujos
de caja del proyecto ocurren en el séptimo año. Luego, para presentar resultados
comparables, la presente aplicación del algoritmo LSM se realiza manteniendo esta
consideración.
4.3 Aplicación del algoritmo LSM al modelo de Cortázar y Schwartz

(1998).
A continuación se describe la adaptación del algoritmo LSM a la

valorización del proyecto de inversión propuesto por Cortázar y Schwartz (1998).
Para facilitar la comprensión de esta sección, la implementación de esta metodología
se divide en dos partes: la simulación y la programación dinámica.
4.3.1 Simulación
Para aproximar el proceso de precios de dos factores descrito por las

ecuaciones (4.4), (4.5) y (4.6) se debe considerar el intervalo de tiempo relevante
para la discretización. En este caso, como las decisiones de inversión se evalúan una
vez al año, el intervalo de tiempo denotado por: ∆t es igual a uno.
Según la ecuación (4.6), los procesos que describen la evolución del

precio spot del petróleo y el de su retorno por conveniencia se encuentran
correlacionados, por lo que para cada intervalo de tiempo ∆t deben generarse dos
muestras aleatorias provenientes de una distribución normal bivariada.
2
Para una resolución de este problema mediante el algoritmo de Raymar-Zwecher,
véase Osorio (1999).
90
Si ε1 denota la primera de ellas, ésta puede generarse directamente de la
distribución normal estándar. Si ε 2 simboliza la segunda muestra, su valor se define

mediante la siguiente ecuación:
ε 2 = ρε1 + aux 1 − ρ 2 (4.12)
En la ecuación (4.12) aux denota una variable aleatoria auxiliar, la cual

también se obtiene de una distribución normal estándar, mientras que ρ corresponde
al coeficiente de correlación instantánea.
Si se utiliza la variable X para identificar al logaritmo natural del precio

spot S , entonces los procesos seguidos por X y δ pueden obtenerse a través de las
siguientes ecuaciones:
 1 − e −κ∆t  σ 12k
∆X = −δ   + A( ∆ t ) − + σ 1k ε1 (4.13)
 κ  2
∆δ = (1 − e −κ∆t )(αˆ − δ ) + σ 2 k ε 2 (4.14)
Para evaluar la expresión (4.13), A(∆t ) se obtiene de la ecuación (4.10).

A su vez, las variables σ 1k y σ 2k denotan desviaciones estándar “modificadas” las
cuales se definen a continuación:
 σ 22 2σ 1σ 2 ρ  σ 22 (1 − e −2κ∆t )  σ 2   1 − e −κ∆t 
σ 12k =  σ 12 + −  ∆ t + + 2σ 2  ρσ −   (4.15)
 κ2 κ  2κ 3 
1
κ   κ 2 
 1 − e −2κ∆t 
σ 22k = σ 22   (4.16)
 2κ 
Cabe destacar que el coeficiente de correlación ρ definido en la

ecuación (4.6) es un coeficiente de correlación instantánea, por lo que su utilización
91
en la aproximación de procesos como el descrito en este modelo donde el término

∆t es significativo, no resulta ser óptima. Para obtener la aproximación real la
simulación debe llevarse a cabo según la siguiente expresión para ρ .
 1 − e −2κ∆t   σ2   1 − e−κ∆t 
σ 
2
 + σ 2  ρσ 1 −  κ 
2
2κ 2
 κ 
ρ (∆t ) =    (4.17)
σ 1k σ 2 k
Para efectos de comparación de resultados, se utiliza el coeficiente de

correlación instantánea ya que éste fue el utilizado en Cortazar y Schwartz (1998).
Al utilizar el enfoque de opciones reales, este proyecto de inversión

resulta equivalente a una opción americana de compra, escrita sobre el valor presente
de los flujos de caja provenientes de la explotación del pozo. Según esta analogía, el
precio de ejercicio corresponde al valor de la inversión de desarrollo, la duración de
este activo derivado se homologa al plazo de concesión del yacimiento, y dado que la
opción de invertir se revisa una vez al año, las oportunidades de ejercicio de esta
opción real ascienden a cinco. Así entonces, la simulación del proceso conjunto se
realiza a lo largo de los cinco años de concesión y la frecuencia de generación de las
variables de estado es de una vez por año.
4.3.2 Programación dinámica
Luego de realizada la simulación, esta concesión se valoriza mediante la

resolución del problema “hacia atrás” en el tiempo. Para ello, el algoritmo LSM
recurre a las regresiones por mínimos cuadrados y a las técnicas tradicionales de
programación dinámica.
Para la fecha de expiración del contrato (la cual se denota por T ) el valor
del proyecto definido por Q se conoce con certeza para cualquier trayectoria
simulada. Este valor se define mediante la siguiente ecuación:
92
Q( SωT , δ ωT , T ) = Max(VD( SωT , δ ωT ) − I , 0) (4.18)
Donde I simboliza la inversión de desarrollo, mientras que SωT y δ ωT
denotan las variables de estado para la simulación ω , en la fecha de expiración T .
Para el tiempo t = T − 1 debe estimarse el valor esperado de continuar

sólo para aquellas trayectorias en las cuales el valor intrínseco de la opción es
positivo ( VD( SωT −1 , δ ωT −1 ) > I ), ya que es para estas simulaciones donde existe la
verdadera disyuntiva del ejercicio de la opción. Para las demás trayectorias la

elección de continuar resulta trivial, debido a que el ejercicio de la opción implicaría
la realización de un proyecto con VAN negativo.
Atendiendo la recomendación efectuada por Longstaff y Schwartz

(2001) en cuanto a la base de regresión a utilizar para un derivado que depende de
dos variables de estado, la especificación a emplear para el modelo analizado
consiste en: una constante, las tres primeras potencias del precio spot del petróleo y
del retorno por conveniencia, más su producto cruzado: S δ .
Entonces, si y (ωT −1 ) denota el valor descontado de continuar para alguna

trayectoria sobre la cual el valor intrínseco de la opción es positivo en el tiempo
t = T − 1 , es decir:
y (ωT −1 ) = Q( SωT , δ ωT )e − r∆t ≥ 0 (4.19)
Se asume que y (ωT −1 ) puede representarse según la siguiente ecuación:
y (ωT −1 ) = β 0 + β1 SωT −1 + β 2 Sω2T −1 + β 3 Sω3T −1 + β 4 SωT −1 δ ωT −1 + β 5δ ωT −1
+ β 6δ ω2T −1 + β 7 δ ω3T −1 + ε ωT −1 (4.20)

93
En la expresión (4.10) los β ' s denotan los coeficientes a estimar en la

regresión, mientras que ε ωT −1 simboliza una variable aleatoria proveniente de una
distribución normal con media cero y desviación estándar desconocida.
Luego de realizada la regresión, el valor esperado de continuar para la

trayectoria ω (el cual se denota por yˆ (ωT −1 ) ), se define mediante la siguiente
expresión:
yˆ (ωT −1 ) = βˆ0 + βˆ1 SωT −1 + βˆ2 Sω2T −1 + βˆ3 Sω3T −1 + βˆ4 SωT −1 δ ωT −1 + βˆ5δ ωT −1
+ βˆ6δ ω2T −1 + βˆ7 δ ω3T −1 (4.21)
Donde βˆi son los coeficientes estimados por la regresión.
Una vez realizada esta aproximación, el algoritmo es capaz de calcular el

valor de la opción para el tiempo t = T − 1 sobre todas las trayectorias, ya que para
aquellas simulaciones no incluidas en la regresión la decisión de continuar resulta
inmediata. Luego, el valor de la opción para estas trayectorias, está dado por la
Q( SωT −1 , δ ωT −1 , T ) = Q( SωT , δ ωT , T )e − r ∆t (4.22)
En cambio, para aquellas trayectorias con valor intrínseco positivo, sí

existe una decisión que tomar, por lo que el valor de la opción estará dado por las
ecuaciones que se muestran a continuación:
Q( SωT −1 , δ ωT −1 , T ) = Q( SωT , δ ωT , T )e − r ∆t si yˆ (ωT −1 ) > VD( SωT −1 , δ ωT −1 ) − I (4.23)
Q( SωT −1 , δ ωT −1 , T ) = VD( SωT −1 , δ ωT −1 ) − I si yˆ (ωT −1 ) < VD( SωT −1 , δ ωT −1 ) − I (4.24)

94
De esta manera, se obtiene una completa especificación de la política

óptima de ejercicio sobre cada trayectoria simulada.
El procedimiento anterior se repite para los tiempos anteriores a T − 1

hasta llegar al tiempo t = 1 . Finalmente, el valor del proyecto de inversión para el
tiempo inicial t = 0 se calcula según la siguiente expresión:
M
1
Q( S0 , δ 0 , t = 0) = Max(
M
∑ Q(Sω
j =1
1
j , δ ω j , t = 1)e − r∆t , VD( S0 , δ 0 ) − I ) (4.25)
1
En la ecuación (4.25), la expresión: VD( S0 , δ 0 ) − I corresponde al valor

del pozo de petróleo sin considerar la opción de posponer la inversión, en cambio,
M
1
(
M
∑ Q(Sω
j =1
1
j , δ ω j , t = 1)e − r ∆t representa al valor del proyecto que incluye este
1
derecho.
4.4 Resultados y conclusiones de la valorización del modelo de Cortázar

y Schwartz (1998) mediante el algoritmo LSM.
En esta sección se presentan los distintos resultados obtenidos al aplicar

el algoritmo LSM al modelo de Cortazar y Schwartz (1998). En primer lugar, se
reporta la tasación del proyecto. Posteriormente, se exhibe la política óptima
generada. Para finalizar se exponen las principales conclusiones de esta valorización.
4.4.1 Valorización del proyecto de inversión
El valor del proyecto de inversión calculado mediante el algoritmo de

Barraquand-Martineau reportado en Cortazar y Schwartz (1998) asciende a US$
8.434.234.
En la siguiente tabla se muestran los principales resultados obtenidos

mediante la aplicación del algoritmo LSM según la descripción efectuada en la
95
sección (4.3), para distintos números de trayectorias simuladas, junto con el

porcentaje de variación en comparación al valor calculado por Cortázar y Schwartz
(1998).
Tabla 4.4 : Comparación del valor obtenido mediante el algoritmo LSM y el algoritmo
de Barraquand Martineau para el pozo de petróleo de Cortazar y Schwartz (1998).
Número de Valor concesión (US$) Variación porcentual

simulaciones según algoritmo LSM con respecto a Cortázar
y Schwartz (1998)
1.000.000 8.325.270 -1,29 %
2.000.000 8.323.887 -1,31 %
5.000.000 8.324.232 -1.30 %
Los resultados obtenidos mediante el algoritmo LSM son menores que

los entregados por la metodología de Barraquand-Martineau. Esto concuerda con lo
planteado en los capítulos anteriores, donde se demuestra que el algoritmo LSM se
encuentra sesgado inferiormente, mientras que el algoritmo de Barraquand-
Martineau presenta por lo general un sesgo superior.
4.4.2 Política óptima
La metodología propuesta por Barraquand-Martineau genera una política

óptima de operación del pozo de petróleo planteado por Cortázar y Schwartz (1998)
que únicamente se basa en el valor de desarrollo del pozo. En cambio, al aplicar el
96
algoritmo LSM se obtiene una política óptima de operación que depende tanto del
precio spot del petróleo como de su retorno por conveniencia.
Para obtener esta política de ejercicio para cada tiempo t la función

esperanza de continuar (estimada a través de una regresión por mínimos cuadrados,
descrita en la sección anterior), se iguala al valor presente neto de desarrollo del
pozo, es decir:
y (ω ) = VD( S , δ ) − I (4.26)
t ωt ωt
La expresión anterior equipara la estimación con la que se cuenta en el

tiempo t del valor esperado de continuar con el beneficio que reporta el ejercicio
inmediato de la opción. La ecuación (4.26) define una curva en el plano ( S , δ ) , la
cual representa la frontera entre la región donde se decide ejercer la opción de
desarrollar el pozo y aquélla en la cual se prefiere esperar un año más para evaluar
esta decisión. Al observar esta curva puede percibirse claramente la influencia de
cada una de las variables de estado sobre la decisión de ejercicio.
A medida que aumenta el número de simulaciones, el error de estimación

de la función esperanza de continuar va disminuyendo, por lo que la política de
ejercicio aproximada por el algoritmo va convergiendo a la estrategia óptima.
Para el presente cálculo de la política óptima se utilizó la implementación

del algoritmo LSM que incluye 5.000.000 de simulaciones.
La figura que se despliega a continuación exhibe la política óptima de

desarrollo del pozo para el primer año de concesión. Esta se calcula mediante una
grilla de valores para el retorno por conveniencia. Cada uno de estos valores se
utiliza para encontrar el precio spot del petróleo que define al par ordenado que
pertenece a la función (4.26).
97
25
20
Política óptima año 1
15
-0.10 -0.05 0.00 0.05 0.10
R et o r no p o r co nveni enci a
Figura 4.1 : Política óptima de ejercicio para el primer año de concesión.
La política óptima exhibida en la figura (4.1) comprueba que la región de

ejercicio se ubica en la zona de precios spot del petróleo elevados y bajos valores del
retorno por conveniencia, esto coincide con la lógica económica, ya que es en estas
circunstancias donde el valor presente de los flujos de caja del proyecto resulta
mayor, lo que en consecuencia motiva la ejecución de la inversión de desarrollo.
Los valores de desarrollo del pozo para las distintas combinaciones

( S , δ ) que conforman la frontera de ejercicio desplegada en la figura (4.1) son
prácticamente iguales. Si bien es cierto que el valor de desarrollo del pozo se
fundamenta en el precio de un futuro de petróleo a siete años, el grado de reversión a
la media considerado en este modelo permite que el valor de estos contratos sean
muy similares, a pesar de las diferencias iniciales en cuanto al precio spot del
petróleo y su retorno por conveniencia. Este efecto puede apreciarse con mayor
claridad en la siguiente figura.
98
45
44
43
42
41
Valor de desarrollo óptimo año 1
40
-0.10 -0.05 0.00 0.05 0.10
R et o r no p o r co nveniencia
Figura 4.2 : Valor de desarrollo óptimo del pozo en función del retorno por
conveniencia del petróleo.
La curva exhibida en la figura (4.2) demuestra que el valor de desarrollo

del pozo se mantiene prácticamente constante sobre la frontera de ejercicio exhibida
en la figura (4.1). Esta característica permite basar la decisión de ejercicio sólo en el
valor de desarrollo del pozo, sin alterar significativamente la tasación de esta
concesión, lo que respalda el uso del método de Barraquand-Martineau para la
valorización de este proyecto, al menos para los parámetros particulares del modelo
(alta correlación entre los procesos estocásticos de St y δt , y un elevado grado de
reversión a la media κ ).
Las figuras que se presentan a continuación exhiben la política óptima de

desarrollo del pozo para el segundo, tercer y cuarto año de concesión.
99
25
Precio spot(US$/barril)
20

15
-0.10 -0.05 0.00 0.05 0.10
Retorno por conveniencia
Figura 4.2 : Política óptima de ejercicio para el segundo año de concesión.
25
20

15
-0.10 -0.05 0.00 0.05 0.10
Figura 4.3 : Política óptima de ejercicio para el tercer año de concesión.

100
25
20

15
-0.10 -0.05 0.00 0.05 0.10
Figura 4.4 : Política óptima de ejercicio para el cuarto año de concesión.
La política óptima exhibida en las figuras anteriores, permanece

prácticamente constante a lo largo de la concesión.
Para el quinto año, es decir, al final de la concesión, la política óptima

simplemente consiste en ejercer la opción de desarrollo para todas aquellas
combinaciones de las variables de estado donde el valor presente de los flujos del
proyecto menos la inversión de desarrollo sea positivo.
Una característica que no resulta evidente de la simple inspección de las

figuras anteriores, consiste en la disminución del valor del precio spot del petróleo
crítico, es decir, aquél que desencadena la decisión de ejercicio. Para aclarar este
efecto, a continuación se presenta una tabla con algunos de los valores de la frontera
de ejercicio para los distintos años de concesión.
101
Tabla 4.5 : Evolución del precio spot crítico a lo largo de la concesión.
δ S año 1 S año 2 S año 3 S año 4
-0,05 19,80 19,55 19,34 19,13
0,00 20,66 20,39 20,13 19,90
0,05 21,54 21,25 20,94 20,69
En la tabla anterior puede apreciarse con mayor claridad cómo el precio

spot crítico disminuye a lo largo del tiempo para un mismo valor del retorno por
conveniencia. Esto se debe al carácter finito de la concesión, ya que a medida que se
aproxima el plazo final, los dueños de la inversión exigen un valor menor para
explotar el pozo.
4.4.3 Conclusiones
Una vez analizados los resultados obtenidos puede concluirse que, el

algoritmo LSM es capaz de valorizar adecuadamente el modelo planteado por
Cortázar y Schwartz (1998), ya que se adapta con mucha facilidad a problemas que
dependen de más de una dimensión.
Esta flexibilidad se refleja en la generación de políticas óptimas más

sofisticadas, las cuales dependen de todas las variables que inciden en el modelo.
Esta refinación en el análisis permite aseverar que, el algoritmo de Barraquand-
Martineau funciona adecuadamente cuando existe una alta correlación entre los
procesos que describen la evolución del precio spot del petróleo y el de su retorno
102
por conveniencia, y la estructura temporal de los contratos futuros presenta un

elevado grado de reversión a la media, ya que en estas circunstancias el valor de
desarrollo del pozo permanece prácticamente constante sobre la frontera de ejercicio.
Así se da término a la implementación del algoritmo LSM para la

evaluación de una opción real que depende de dos variables de estado. En el próximo
capítulo se describe cómo se adapta esta metodología para valorizar un problema
bastante más complejo, el cual se ha transformado en un modelo clásico en la
literatura de opciones reales.
103
V. IMPLEMENTACIÓN DEL ALGORITMO LSM AL MODELO DE

BRENNAN Y SCHWARTZ (1985)
En el presente capítulo se describe la implementación del algoritmo LSM

a un problema de valorización de una mina de cobre. Este proyecto de inversión
puede representarse mediante una secuencia de opciones americanas anidadas. Si
bien esta característica aumenta la complejidad del modelo, también le permite
describir la realidad de manera más precisa, lo que resulta fundamental para
comprobar la eficiencia y aplicabilidad del algoritmo LSM.
A modo de introducción se presenta una reseña general del problema a

resolver. Luego, se realiza una descripción formal del modelo planteado por Brennan
y Schwartz (1985). Posteriormente, se detallan los pasos necesarios para adaptar el
algoritmo LSM a la valorización de este proyecto de inversión. Por último, se expone
la forma en la cual la metodología propuesta por Longstaff y Schwartz (2001) evalúa
la secuencia de opciones americanas que conforman el problema.
5.1 Descripción general del modelo de Brennan y Schwartz (1985)
El modelo a describir corresponde al presentado por Brennan y Schwartz

(1985), el cual puede considerarse como uno de los trabajos seminales en el área de
las opciones reales1. En este artículo se presenta una mina de cobre que cuenta con
una etapa de producción. Este yacimiento posee una estructura de costos conocida y
un nivel de reservas finito. Además, se asume que el precio del cobre se determina de
manera exógena y que existe un mercado de gran liquidez donde se transan contratos
futuros sobre este commodity.
1
Algunas extensiones o modificaciones de este modelo pueden encontrarse en: Cortázar
y Schwartz (1993), Casassus (1996), Castillo (1999), Cortázar y Casassus (2000) y Cortázar,
Schwartz y Casassus (2001).
104
En la evaluación de este recurso natural se incorpora la opción de

apertura, cierre y abandono de la producción. Para abrir o cerrar la mina debe
incurrirse en costos fijos, mientras que el abandono de las faenas puede realizarse sin
desembolsar recursos. Además, se considera un costo de mantención el cual
garantiza que la mina se encuentre en buenas condiciones a pesar de estar cerrada.
Junto con la obtención del valor de este proyecto minero el enfoque de

opciones reales permite dilucidar su política óptima de operación. De esta manera,
para cada nivel de reservas y en todo instante de tiempo se obtienen tres precios
críticos. El primero, marca el umbral después del cual resulta beneficioso abrir la
mina. El segundo, define el punto a partir del cual resulta óptimo cubrir los costos de
cierre y dejar de producir al menos de manera temporal. El último de estos
parámetros señala el nivel de precios para el cual conviene terminar la producción de
manera definitiva.
Luego de encontrar el valor del yacimiento Brennan y Schwartz (1985)

analizan el momento óptimo para realizar la inversión de desarrollo, lo cual coincide
con el problema de ejercicio de una opción americana tradicional. Al finalizar el
artículo, se aprovecha la metodología desarrollada para valorizar un tipo de contrato
de largo plazo. Este derivado fija el valor de una cierta cantidad del commodity, pero
además otorga el derecho de recibir este mineral de forma variable a lo largo de un
plazo determinado. Este tipo de acuerdos resulta frecuente en la industria minera,
toda vez que permite a los compradores industriales asegurar un flujo de insumos
que se adapte a sus demandas productivas.
5.2 Modelo de Brennan y Schwartz (1985)
Esta descripción incluye el modelo de precios utilizado, así como el valor

de la mina según las distintas variables de estado consideradas.
105
5.2.1 Modelo de precios
Para describir la evolución de los precios spot del cobre el modelo

utilizado asume que este commodity sigue un proceso browniano geométrico,
definido por la siguiente ecuación:
dS
= µ dt + σ dz (5.1)
S
En este ecuación dz corresponde al incremento de un proceso Gauss-

Weiner, σ simboliza la desviación estándar instantánea de los retornos del precio
spot y µ representa el “retorno esperado total” de invertir en el activo S , es decir,
incluye los aumentos de precio más el retorno por conveniencia.
El retorno por conveniencia constituye el flujo de servicios que recibe el

dueño de un inventario físico del commodity, pero no el poseedor de un contrato
futuro. En este modelo de precios este retorno se considera proporcional al precio
spot.
El modelo de precios definido por la ecuación (5.1) resulta no-

estacionario, debido a la raíz unitaria presente en todos los movimientos brownianos
geométricos. Esto provoca que el modelo ignore los ciclos de precios de los
commodities (producidos por las fluctuaciones de la oferta y demanda de estos
activos reales).
5.2.2 Valor de la mina : Modelo general
El valor de la mina en su versión más general depende de tres variables

de estado: el precio spot del commodity S , el inventario físico de la mina Q y el
tiempo de calendario t . Además, el modelo asume que la mina se maneja según una
política de operación denotada por φ .
106
Esta política de operación se define como una función que determina la

tasa anual de producción de la mina cuando ésta se encuentra abierta. Esta función se
simboliza por: q( S , Q, t ) y se genera a partir de tres precios críticos: S0 (Q, t )
representa el precio bajo el cual resulta preferible abandonar la mina si esta se

encuentra previamente cerrada; S1 (Q, t ) corresponde al precio bajo el cual conviene
cerrar o abandonar la mina si ésta se encuentra previamente abierta, mientras que
S 2 (Q, t ) cuantifica el precio sobre el cual resulta beneficioso abrir la mina. La tasa
anual de producción puede variar sin costo entre un límite superior denotado por q y
un límite inferior simbolizado por q (el cual sólo se alcanza cuando la mina se
encuentra cerrada).
Luego, el valor de la mina se escribe de la siguiente manera:
V = V ( S , Q, t ; j , φ ) (5.2)
Para esta ecuación la variable j indica el estado de operación de la

mina, ya que cuando ésta toma el valor uno el yacimiento se encuentra produciendo,
mientras que cuando se hace igual a cero la mina se encuentra cerrada.
Considerando el proceso estocástico definido por la ecuación (5.1), el

cambio instantáneo en el valor de la mina puede obtenerse mediante la aplicación del
lema de Itô2. Al utilizar este resultado el diferencial total de la mina está dado por la
1
dV = VS dS + VQ dQ + Vt dt + VSS (dS ) 2 (5.3)
2
2
En cierto sentido este lema constituye una especie de regla de la cadena en la teoría
del cálculo diferencial estocástico. Para un análisis detallado de su deducción, véase Itô (1951).
107
Donde el cambio diferencial en el inventario de la mina está supeditado

a la tasa de producción según la siguiente ecuación:
dQ = − qdt (5.4)
El flujo de caja o tasa de retorno continua proveniente de la mina se

define mediante la siguiente expresión:
FC = q( S − A) − M (1 − j ) − λ jV − T (5.5)
Donde: A(q, Q, t ) indica el costo marginal promedio de producir a una

tasa q en el tiempo t cuando el inventario de la mina es Q . M (t ) corresponde al
costo de mantención de la mina en el tiempo t cuando ésta se encuentra cerrada.
λ j ( j = 0,1) simboliza la tasa de impuestos proporcional al valor de la mina cuando
ésta se encuentra abierta o cerrada, y T (q, Q, S , t ) denota al total de impuestos y
derechos a pagar cuando la mina se encuentra operando.
El modelo asume que la función de impuestos puede representarse según

la siguiente expresión:
T (q, Q, S , t ) = t1 qS + max {t2 q [ S (1 − t1 ) − A] ;0} (5.6)
En esta ecuación t1 representa la tasa de impuesto a las ventas y t2

corresponde a la tasa de impuesto a las utilidades.
Siguiendo la teoría de valorización por arbitraje, la ecuación diferencial

que determina el valor de la mina V , bajo la política de operación φ , se obtiene
considerando el retorno de un portafolio compuesto por una posición larga en la
mina y una posición corta en contratos futuros sobre el commodity. Cuando éstos
activos se combinan en forma adecuada el incremento en el valor de esta cartera deja
de ser estocástico para pasar a ser determinístico. Para evitar oportunidades de
108
arbitraje este retorno debe ser igual a la tasa libre de riesgo (denotada por ρ ), esto
provoca que se deba cumplir la siguiente ecuación diferencial parcial:
1 2 2
σ S VSS + ( ρ S − C y )VS − qVQ + Vt + q( S − A) − M (1 − j ) − T − ( ρ + λ j )V = 0 (5.7)
2
El valor de la mina V ( S , Q, t ) satisface la ecuación (5.7) para cualquier
política de operación φ = {q, S0 , S1 , S 2 } , pero bajo la estrategia óptima representada
por: φ ∗ = {q* , S0* S1* , S 2* } , el valor de la mina además satisface el siguiente problema
de optimización:
V ( S , Q, t ) = maxφ V ( S , Q, t ,1, φ )
W ( S , Q, t ) = maxφ V ( S , Q, t , 0, φ )
La solución de estos problemas determinan los dos estados de operación

posibles : V ( S , Q, t ) cuando la mina está abierta y W (S , Q, t ) cuando el yacimiento se
encuentra cerrado.
Según la definición anterior del problema, el valor de la mina bajo la

política óptima de operación se obtiene resolviendo las siguientes ecuaciones:
1 
max q∈( q ,q )  σ 2 S 2VSS + ( ρ S − C y )VS − qVQ + Vt + q( S − A) − T − ( ρ + λ1 )V  = 0 (5.8)
2 
Si la mina se encuentra abierta y,
1 2 2
σ S WSS + ( ρ S − C y )WS + Wt − M − ( ρ + λ0 )W = 0 (5.9)
2
Si la mina se encuentra cerrada.

109
Si se asume que el valor de la mina es nulo cuando el inventario se agota,

se obtienen las siguientes condiciones de borde:
V ( S , Q = 0, t ) = W ( S , Q = 0, t ) = 0 (5.10)
Por último, si se supone que los precios críticos de cierre y apertura que
maximizan el valor de la mina (denotados por: S1* y S2* ) son conocidos por todos los
inversionistas del mercado, se obtienen las siguientes condiciones de equilibrio:
W ( S 2* , Q, t ) = V ( S2* , Q, t ) − K 2 (Q, t ) (5.11)
V ( S1* , Q, t ) = max W ( S1* , Q, t ) − K1 (Q, t );0  (5.12)
W ( S * , Q, t )  W ( S1* , Q, t ) − K1 (Q, t ) ≥ 0 

VS ( S1* , Q, t ) =  S 1  si   (5.13)
W ( S1 , Q, t ) − K1 (Q, t ) ≤ 0 
*
0 
WS ( S 2* , Q, t ) = VS ( S2* , Q, t ) (5.14)
WS ( S0* , Q, t ) = 0 (5.15)
Las ecuaciones (5.13) (5.14) y (5.15) se desprenden de las condiciones

de "high contact" descritas por Merton-Samuelson, mientras que K1 (Q, t ) y K 2 (Q, t )
corresponden a los costos de cierre y de apertura respectivamente.
Este modelo no cuenta con una solución analítica y como está definido
por un sistema de ecuaciones diferenciales parciales de segundo orden en tres
dimensiones, su resolución numérica resulta extremadamente compleja.
5.2.3 Valor de la mina : En términos reales
El valor de la mina depende del tiempo de calendario exclusivamente

debido a que los costos A, M , K1 , K 2 y el precio spot están sujetos a esta variable. Si
110
para simplificar el modelo se asume que la tasa de inflación denotada por: π es

constante a lo largo del tiempo, y el retorno por conveniencia se simboliza por: kS ,
el valor de la mina depende sólo de dos variables de estado: el precio spot y el nivel
de reservas en inventario.
Para describir este nuevo modelo primero deben definirse las

siguientes variables “deflactadas”:
a(q, Q) = A(q, Q, t )e −π t (5.16)
f = M (t )e −π t (5.17)
k1 (Q) = K1 (Q, t )e −π t (5.18)
k2 (Q) = K 2 (Q, t )e −π t (5.19)
s = Se −π t (5.20)
w( S , Q) = W (q, Q, t )e −π t (5.21)
v ( s , Q ) = V ( q, Q, t )e −π t (5.22)
Al hacer este cambio se asume que las variables sólo suben de precio
debido a la tasa de interés real. Para estas nuevas definiciones, el valor de la mina en
términos reales para ambos estados de operación se encuentra dado por las siguientes
expresiones:
1 
max q∈( q ,q )  σ 2 s 2 vSS + (r − k ) svS − qvQ + q ( s − a ) − τ − (r + λ1 )v = 0  (5.23)
2 
Cuando la mina se encuentra abierta y,

111
1 2 2
σ s wSS + (r − k ) swS − f − (r + λ0 ) w = 0 (5.24)
2
Si la mina se encuentra cerrada.
En estas ecuaciones: r = ρ − π corresponde a la tasa “real” libre de

riesgo, y τ está dado por la siguiente expresión:
τ = t1 qs + max ( t2 q [ s(1 − t1 ) − a ] ;0 ) (5.25)
Por último, las condiciones de borde y de equilibrio para esta nueva

versión del modelo son las siguientes:
v( s, Q = 0) = w( s, Q = 0) = 0 (5.26)
w( s2* , Q) = v( s2* , Q) − k2 (Q) (5.27)
v( s1* , Q) = max  w( s1* , Q) − k1 (Q);0  (5.28)
 w ( s* , Q )   w( s1* , Q) − k1 (Q) ≥ 0 
vS ( s1* , Q) =  S 1  si  *  (5.29)
0   w( s1 , Q) − k1 (Q) ≤ 0 
wS ( s2* , Q) = vS ( s2* , Q) (5.30)
De esta manera, el valor de la mina para ambos estados operacionales no

depende del tiempo, por lo que este modelo puede resolverse numéricamente, por
ejemplo, mediante diferencias finitas implícitas.
5.2.4 Valor de la mina : Modelo analítico
Para obtener un modelo que pueda valorizarse analíticamente Brennan y

Schwartz (1985) proponen el caso de una mina en la cual el inventario físico del
commodity se considera infinito. Esta simplificación permite reemplazar las
112
expresiones (5.24) y (5.25), donde el valor de la mina se representa mediante

ecuaciones diferenciales parciales, por expresiones que contengan sólo ecuaciones
diferenciales ordinarias, debido a que Q ya no representa una variable de estado del
modelo. Para facilitar la obtención de una solución analítica se asume que el sistema
tributario permite una completa compensación por pérdidas, de tal manera que la
ecuación (5.25) se transforma en la siguiente expresión:
τ = t1 qs + t2 q [ s(1 − t1 ) − a ] (5.31)
Finalmente, se asume que la mina posee sólo dos tasas de producción: q*

cuando está abierta y cero cuando está cerrada; y que el costo de mantención f es
nulo. Considerando estas suposiciones el valor real de la mina satisface las siguientes
ecuaciones para sus dos estados de operación:
1 2 2
σ s vss + (r − k ) svs + ms − n − (r + λ )v = 0 (5.32)
2
Si la mina se encuentra abierta, y:
1 2 2
σ s wss + (r − k ) sws − (r + λ ) w = 0 (5.33)
2
Cuando la mina se encuentra cerrada.
Donde:
m = q* (1 − t1 )(1 − t2 ) (5.34)
n = q* a(1 − t2 ) (5.35)
Además, se asume que las condiciones de borde se obtienen ignorando

Q en las ecuaciones (5.26), (5.27), (5.28), (5.29) y (5.30).
113
Las soluciones generales para las ecuaciones (5.23) y (5.24) están dadas
por las siguientes expresiones:
w( s ) = β1 s γ1 + β 2 s γ 2 (5.36)
ms n
v( s) = β3 sγ1 + β 4 sγ 2 + + (5.37)
λ +k r+λ
Donde las constantes β ´s se determinan por las condiciones de borde y:
r−k   2(r + λ ) 
γ 1 = α1 + α 2 , γ 2 = α1 − α 2 y α1 = 1 2 −  2  , α 2 = α12 +
 σ   σ 2 
Si se asume que: (r + λ ) > 0 , entonces β 2 = 0 , ya que al ser γ 2 negativo
esta es la única forma de que w( s ) no diverja a medida que el precio spot se

aproxima a cero. De igual forma, dado que γ 1 > 1 , β 3 debe ser nulo si se impone el
requisito de que v no diverja a medida que s → ∞ . Siguiendo este razonamiento el

s
valor de la mina cerrada se define mediante la siguiente expresión:
w( s ) = β1 s γ1 (5.38)
Mientras que la ecuación para el valor de la mina abierta es:
ms n
v( s) = β 4 sγ 2 + − (5.39)
λ +k r+λ
Si no existiera la posibilidad de cerrar la mina cuando los precios del

commodity son bajos, el valor del proyecto estaría dado por los dos últimos términos
de la ecuación (5.39)3. Así, el primer término representa el valor de la opción de
cerrar.
3
En el Anexo Nº3 se presenta la demostración de esta afirmación.
114
Las demás constantes β1 y β 4 , así como la política óptima para cerrar y
abrir esta mina (representada por los precios críticos s1* y s2* ), se determinan
mediante el sistema conformado por las ecuaciones: (5.27), (5.28), (5.29) y (5.30),
cuando éstas no consideran a Q como variable de estado.
Si se asume que: w( s1* ) − k1 ≥ 0 , entonces el sistema a resolver se define

mediante las siguientes expresiones:
γ1 γ2
β1 s2* = β 4 s2* + ds2 + b (5.27')
γ2 γ1
β 4 s1* + ds1 + e = β1 s1* (5.28')
γ 2 −1 γ 2 −1
γ 2 β 4 s1* + d = γ 1 β1 s1* (5.29')
γ 1 −1 γ 2 −1
γ 1 β1 s2* = γ 2 β 4 s2* +d (5.30')
Donde: e = k1 − n , b = − k2 − n , d =m
(r + λ ) (r + λ ) (λ + k )
Al resolver este sistema se obtienen las siguientes soluciones4:
ds2* (γ 2 − 1) + bγ 2
β1 = γ1
(5.40)
(γ 2 − γ 1 ) s2*
ds2* (γ 1 − 1) + bγ 1
β4 = γ2
(5.41)
(γ 2 − γ 1 ) s2*
4
El valor para β4 encontrado en esta investigación resulta distinto del reportado en
ds2* (γ 1 − 1) + bγ 1
Brennan y Schwartz (1985), ya que en esta publicación β4 = γ2 .
(γ 2 − γ 1 ) s1*
115
γ 2 (e − bxγ ) 1
s2* = (5.42)
( xγ − x)d (γ 2 − 1)
1
s1*
Donde x = corresponde a la raíz de la siguiente ecuación no-lineal:
s2*
( xγ 2 − x)(γ 1 − 1) ( xγ1 − x)(γ 2 − 1)

− =0 (5.43)
γ 1 (e − bxγ 2 ) γ 2 (e − bxγ1 )
Esta solución analítica se muestra en la siguiente figura (5.1).
V
V,W
k2
W
k1
S
S1* S2*
Figura (5.1) : Valor de la mina abierta (V) y cerrada (W) como función del precio
spot del commodity (S); k1 : costo de cerrar la mina; k2 : costo de abrir la mina; S1* :
precio crítico de cierre; S2* : precio crítico de apertura.

116
En el esquema anterior la línea punteada representa el valor presente de

los flujos de caja generados por la mina cuando ésta no puede cerrarse; este valor se
obtiene cuando β 4 = 0 en la ecuación (5.39). Dado que γ 2 < 0 , el valor de la opción
de cierre disminuye a medida que aumenta el valor del precio spot.
Cuando los precios del commodity son muy bajos la mina vale más
cerrada que abierta, ya que el costo que significa cerrar la mina resulta menor que las
pérdidas generadas durante la operación. Sin embargo, para precios mayores del
mineral, la mina vale más abierta que cerrada, ya que conviene comenzar la
explotación a pesar del desembolso de los costos de apertura. Resulta evidente al
observar la figura (5.1) que, a medida que los costos de cierre y apertura se
aproximan a cero, los valores para los precios críticos denotados por: s1* y s2* se
hacen cada vez más similares, provocando que ambas curvas tiendan a juntarse.
Por otro lado, a medida que el costo de cierre se hace muy grande la
opción de cierre de la mina disminuye y en el límite el valor de la mina abierta se
hace igual al valor representado por la línea punteada en la figura (5.1).
5.3 Etapas previas a la implementación del algoritmo LSM
Para poder aplicar el algoritmo LSM a la valorización del modelo de

Brennan y Schwartz (1985) que considera el valor de la mina en términos reales,
primero deben realizarse los siguientes procedimientos:
5.3.1 Incorporación del tiempo como dimensión del modelo
Para poder aplicar la simulación a este modelo resulta fundamental

considerar al tiempo como variable de estado.
Debe recordarse que la simulación no aproxima las distribuciones

verdaderas de los precios, sino aquéllas resultantes de considerar las probabilidades
neutrales al riesgo.
117
El proceso ajustado por riesgo correspondiente al modelo exhibido en la

ecuación (5.1) se representa mediante la siguiente expresión:
dS = (r − k ) Sdt + σ Sdz (5.44)
Donde r simboliza la tasa de interés libre de riesgo y k denota el

retorno por conveniencia instantáneo. El retorno ajustado por riesgo corresponde
entonces a la diferencia entre el retorno de un bono libre de riesgo (que representa el
costo de oportunidad de poseer un inventario físico del commodity), y el retorno que
cuantifica el beneficio de poseer el mineral en inventario (y de esta forma asegurar la
continuidad de un proceso productivo o bien aprovecharse de alguna escasez puntual
en la oferta).
La ecuación (5.44) también puede representarse en forma logarítmica a

través del uso del lema de Itô. Luego si denotamos por X al logaritmo natural del
precio spot del commodity, es decir: X = log( S ) , entonces el proceso ajustado por
riesgo de esta variable puede describe mediante la siguiente expresión:
1
dX = (r − k − σ 2 )dt + σ dz (5.45)
2
Este proceso permite aproximar con mayor precisión la distribución del

precio spot cuando el tiempo de discretización deja de ser diferencial. Debido a esta
característica se opta por utilizar la forma logarítmica en la fase de simulación. Para
ello, el proceso reportado en la ecuación (5.45) se discretiza de la siguiente manera:
 σ2 
∆X =  r − k −  ∆t + σε ∆t (5.46)
 2 
En términos del precio spot del commodity la ecuación anterior equivale

a la siguiente expresión:
118
 σ2  
S (t + ∆t ) = S (t ) exp  r − k −  ∆t + σε ∆t  (5.47)
 2  
Donde ε corresponde a una muestra de la distribución normal estándar.
Cuando el algoritmo LSM se aplica al modelo de la mina que prescinde

del tiempo como variable de estado, la generación de precios debe realizarse hasta
que se alcanza una fecha de término “hipotética” simbolizada por T . Este plazo debe
representar un horizonte lejano, de modo que el valor presente del flujo de caja para
momentos posteriores a este tiempo sea despreciable. De esta forma, se establece
como condición de esta implementación que en el tiempo t = T el valor de la mina
sea nulo, ya que para entonces la concesión "infinita" habrá expirado.
Debido a lo extenso del período de simulación resulta necesario en

términos computacionales que las decisiones de apertura, cierre y abandono, se
evalúen sólo unas cuantas veces por año. Sin embargo, aún cuando teóricamente este
supuesto va en contra del carácter americano de la opción, esta simplificación
permite que el modelo sea más cercano a la realidad, ya que en general las decisiones
que afectan la producción en un yacimiento minero suelen revisarse sólo en
determinadas ocasiones. Luego, si η simboliza el número de oportunidades de
ejercicio consideradas en la implementación, el intervalo de tiempo relevante para la
1
simulación estará definido por la siguiente expresión: ∆t = .
η
El hecho de que este período de tiempo resulte relativamente grande

cuando se considera un bajo número de oportunidades de ejercicio no distorsiona la
simulación, ya que como se señaló anteriormente, la ventaja de utilizar la ecuación
(5.47) es que ésta se cumple sin importar lo extenso del intervalo de tiempo
considerado.
119
Todos los algoritmos basados en la simulación utilizan una o varias

técnicas de reducción de varianza con el fin de acelerar la convergencia de sus
estimaciones. Para esta aplicación, la simulación se lleva a cabo mediante el uso de
variables antitéticas, las cuales aseguran una concordancia exacta entre el primer
momento de la muestra y el de la distribución normal estándar, ya que para cada
variable aleatoria ε , automáticamente se genera otra de valor −ε , lo cual permite
que el promedio muestral sea nulo.
5.3.2 Incorporación de las reservas de la mina como dimensión del modelo
La programación dinámica no puede llevarse a cabo cuando las variables

dependen de sucesos pasados. Sin embargo, este hecho puede ser subsanado si se
incluyen variables de estado adicionales. Así entonces, para poder aplicar el
algoritmo LSM resulta necesario considerar el nivel de inventario de la mina como
una variable de estado del modelo.
a) Discretización del nivel de reservas
Para introducir el estado de reservas de la mina, primero debe

establecerse la máxima cantidad de mineral a extraer durante un intervalo de tiempo.
Si se asume que existe una única tasa anual de producción denotada por q * y que el
número de oportunidades de ejercicio por año es η , entonces el inventario inicial de
la mina simbolizado por Q , puede dividirse en tantos bloques de mineral como lo

indica la siguiente expresión:
NB = Q = Qη (5.48)
q * ∆t q*
Donde: NB corresponde al número de bloques iniciales de mineral.
De esta forma, si Q denota la cantidad de bloques de mineral que aún

forman parte del inventario, el estado para el cual Q = NB representa el caso en el
120
cual no se han iniciado aún las labores productivas, mientras que Q = 0 , simboliza el
evento para el cual se ha extraído todo el mineral. Considerando entonces esta
discretización, se definen NB + 1 estados de reservas posibles.
b) Condiciones de borde y niveles de inventario relevantes
Si se denota por V ( S , Q, t ) el valor “real” de la mina cuando el precio

spot asciende a S , el inventario cuenta con Q bloques de mineral y el tiempo
calendario es t , resulta inmediata la siguiente condición de borde:
V ( S , Q = 0, t ) = 0 (5.49)
Para el tiempo t = T (plazo de concesión) los estados que representan a

la mina que aún cuenta con reservas ( Q > 0 ) son irrelevantes, ya que en todos ellos
la mina carecerá de valor, debido a la imposibilidad de extraer los recursos
existentes. Aplicando este mismo razonamiento, para el tiempo t = T − 1 sólo existe
la posibilidad de extraer un bloque de mineral antes de que expire la concesión, por
lo tanto, todos aquellos estados que simbolizan a la mina que posee más de un bloque
de mineral ( Q > 1 ), serán equivalentes al de aquélla que sólo cuenta con un bloque
( Q = 1 ). Procediendo recursivamente (hasta el tiempo t = T − NB ), los únicos
estados relevantes para la implementación del algoritmo LSM son aquéllos que
permiten extraer todo el mineral que aún se encuentra en inventario dentro de lo que
resta de tiempo para que termine la concesión. Así entonces:
l , t = T − i ) = V ( S , Q = i, t = T − i )
V (S , Q = Q (5.50)
l = i, i + 1,..., NB
Para: i = 0,1,..., NB y Q
Para el tiempo t = 0 el único estado factible es aquél que considera un

nivel de reservas igual al inventario inicial de la mina, vale decir Q = NB , ya que
121
para esta fecha aún no se ha comenzado la producción, por lo tanto, no pueden existir
estados en los cuales las reservas sean menores.
Como sólo es posible extraer un bloque de mineral en cada intervalo de

tiempo, los distintos estados de reservas comienzan a aparecer a medida que es
posible consumir el inventario, es decir, recién para el tiempo t = NB todos los
niveles de reservas son factibles.
La siguiente figura exhibe los estados relevantes para la valorización de

la mina en cuanto a su nivel de reservas en inventario.
Q=NB
Q=1 t
Q=0
t=NB t=T-NB t=T
Figura (5.2) : Estados de reservas relevantes para la implementación del algoritmo LSM.
Sólo entre el tiempo t = NB y t = T − NB se consideran todos los estados de reservas,
en cambio, para el tiempo t = 0 y t = T , sólo un estado de reserva resulta relevante.
122
Como se puede apreciar en la figura (5.2) el conjunto de estados de

reservas relevantes para la implementación del algoritmo LSM tiene la forma de un
romboide. En el tiempo t = NB aparece por primera vez el estado cuyas reservas son
nulas. Este tiempo corresponde al momento en que se ha agotado el mineral sólo si
en los tiempos anteriores se ha producido sin interrupción.
A partir del tiempo t = NB los diferentes estados se mantienen hasta

alcanzar el tiempo t = T − NB . En el tiempo siguiente éstos comienzan a disminuir,
hasta que en el plazo t = T se agota el inventario de la mina (debido a que se ha
llegado al final de la concesión).
5.3.2 Incorporación del estado operacional de la mina como dimensión del

modelo
Para determinar adecuadamente los flujos de caja que resultan de la

explotación del yacimiento resulta indispensable conocer el estado de operación de la
mina, ya que por ejemplo, si se decide extraer un bloque de mineral y la mina se
encuentra cerrada, el flujo de caja correspondiente debe considerar el costo de
apertura del yacimiento, en cambio, si la mina se encuentra abierta no será necesario
considerar este gasto. Así entonces, debe distinguirse entre la mina abierta, la cual se
designa por: V ( S , q, t ) , la mina cerrada la cual se denota por: W ( S , q, t ) y la
situación en que se abandona el proyecto, la cual se designa por: AB.
a) Transiciones factibles entre los estados operacionales
Además de diferenciar el estado operacional de la mina resulta de gran

utilidad identificar las distintas transiciones factibles para dos tiempos consecutivos.
En la siguiente figura, se muestran las distintas opciones que poseen los dueños del
proyecto, para un período de tiempo determinado, cuando el nivel de bloques en
inventario es Q ; para los casos en que la mina se encuentra abierta, y cerrada.
123
V(Q-1)
V,W -k1-f
V(Q) W(Q-1)
AB.
-k2
V(Q-1)
-f
W(Q) W(Q-1)
AB.
t
t t+1
Figura (5.3) : Transiciones factibles entre los estados operacionales de la mina para dos
tiempos consecutivos. Los flujos negativos simbolizan los costos involucrados en las
transiciones. (k1) costo de cierre, (k2) costo de apertura y (f) costo de mantención.
Como puede apreciarse en la figura anterior, cuando las transiciones

involucran un cambio operacional éstas llevan asociado un desembolso (salvo el caso
en que se decide abandonar el yacimiento). Por lo tanto, cuando la mina se encuentra
abierta y los dueños optan por cerrarla, se debe incurrir en el costo de cierre K1 .
Mientras que si la mina se encuentra inicialmente cerrada y se decide reiniciar la
producción los dueños deben considerar el costo de apertura K 2 .
A su vez, el costo de mantención f corresponde al gasto que implica

conservar el yacimiento fuera de funcionamiento durante un período de tiempo, por
124
lo que debe cancelarse cada vez que se decide cerrar o mantener cerrada la mina.
Estos desembolsos se representan mediante flujos negativos en la figura (5.3).
Cada vez que se decide continuar con la producción o abrir la mina, los
dueños del proyecto perciben un ingreso que es función del precio spot S y de la
tasa de producción anual q * . Este flujo de caja se define a partir de la siguiente
ecuación:
FC ( S , q*) = q * ∆t ( S − A) − Tax (5.51)
Donde A corresponde al costo unitario de producción y Tax representa

el total de impuestos y derechos que deben cancelarse cuando la mina se encuentra
operando. La caracterización de estos pagos según Brennan y Schwartz (1985), es la
siguiente:
Tax = t1 q * S + max {t2 q * [ S (1 − t1 ) − A] ;0} (5.52)
En esta ecuación t1 representa la tasa de impuesto a las ventas, mientras
que t2 corresponde a la tasa de impuesto a las utilidades.
b) Estado operacional de la mina para los distintos niveles de inventario
Al combinar los distintos estados operacionales de la mina con sus

diversos niveles de inventario, resulta posible especificar para cada punto (S,t )
generado en la etapa de simulación la situación particular en la que se encuentra la
mina. En la siguiente figura, se muestran los distintos estados que se consideran en la
implementación del algoritmo cuando se distinguen el estado de operación de la
mina y su nivel de reservas, para efectos ilustrativos se considera un yacimiento que
sólo cuenta con dos bloques de mineral en inventario.
125
Q=2 V(2) V(2) V(2) …………. V(2)

W(2) W(2) W(2) ………… W(2)
AB. AB. …............ AB.
Q=1 V(1) V(1) ………… V(1) V(1)

W(1) W(1) ………… W(1) W(1)
AB. AB. ………… AB. AB.
Q=0 V(0) V(0) ………… V(0) V(0) V(0)
t=0 t1 t2 ………… T-2 T-1 T
Figura (5.4) : Incorporación de los estados de operación y del nivel de reservas de la

mina como dimensión. La figura presenta el caso en el cual el número de bloques
iniciales en inventario es dos. (NB=2). V(Q), representa a la mina abierta con Q bloques
de mineral en inventario, W(Q) simboliza a la mina cerrada que cuenta con Q bloques de
mineral en inventario, mientras que AB. denota el evento en el cual se abandona el
proyecto.
En el esquema anterior V (Q) y W (Q) representan los estados en los

cuales la mina se encuentra abierta o cerrada y el inventario restante de la mina es
Q , donde Q = 0,1, 2 . Como se puede apreciar el abandono del yacimiento (AB) no
considera los posibles niveles de reserva, ya que a partir del momento en que ocurre
este evento se deja de producir en forma definitiva. Así, la información relevante
para la valorización de la mina se obtiene del estado de operación y reservas
126
inmediatamente anterior al abandono, ya que de allí en adelante los flujos de caja

serán nulos.
Una vez incorporado el tiempo, el nivel de reservas de mineral en

inventario y el estado operacional de la mina como dimensiones del modelo, a
continuación se procede a explicar cómo el algoritmo LSM valoriza este proyecto de
inversión.
5.4 Implementación del algoritmo LSM al modelo de Brennan y

Schwartz (1985)
Esta sección se divide en dos partes. La primera describe cómo el

algoritmo LSM valoriza el modelo descrito en la sección (5.2.3) comenzando desde
el plazo de concesión hasta el tiempo inicial. La segunda explica una forma
alternativa de valorizar el proyecto, ésta se basa en la primera pero sólo para
determinar la política de decisión óptima, ya que en este caso la valorización se
efectúa avanzando hacia adelante en el tiempo (“forward loop”).

hacia atrás” en el tiempo
Como se mencionó en la sección anterior, para cada precio spot del cobre
generado en la simulación, el algoritmo distingue entre la mina abierta y cerrada, y
entre sus distintos niveles de inventario. Luego si Sωt se define como el precio spot
S alcanzado por el commodity en el tiempo t sobre la trayectoria ω , entonces el

valor “real” de la mina abierta que cuenta con Q bloques de mineral en inventario,
puede definirse como: V ( Sωt , Q, t ) , mientras que el valor “deflactado” de una mina
cerrada con las mismas características puede simbolizarse por: W ( Sωt , Q, t ) .
Para obtener el valor de este proyecto el algoritmo LSM utiliza las

técnicas estándar de programación dinámica junto con las estimaciones por mínimos
127
cuadrados. A continuación se detalla cómo avanza la valorización desde el plazo de

concesión hasta el tiempo inicial.
a) Valor de la mina en el tiempo t = T
Cuando se cumple el plazo de concesión el único nivel de reservas

relevante para la valorización es aquél que describe la situación en la cual se ha
agotado todo el inventario, es decir: Q = 0 . Luego, según la ecuación (5.49) el valor
de la mina tanto abierta como cerrada para cualquier cantidad de bloques de mineral
en inventario será nulo:
V ( Sωt , Q ≥ 0, T ) = W ( Sωt , Q ≥ 0, T ) = 0 (5.53)
b) Valor de la mina en el tiempo t = T − 1
Para el tiempo t = T − 1 los únicos estados relevantes son aquéllos en los

cuales la mina cuenta con un bloque de mineral en inventario y aquéllos en los cuales
el inventario se ha agotado. Como muestra la ecuación (5.49), el valor de una mina
que ya no cuenta con reservas en inventario es nulo. En cambio, el valor de la mina
tanto abierta como cerrada que cuenta con más de un bloque de mineral en inventario
para Sωt , se define mediante las siguientes expresiones:
V ( Sωt , Q ≥ 1, T − 1) = Max( FC ( Sωt , q*);0) (5.54)
W ( SωT −1 , Q ≥ 1, T − 1) = Max( FC ( SωT −1 , q*) − K 2 ;0) (5.55)
c) Valor de la mina desde el tiempo t = T − 2 hasta el tiempo t = 1
Desde el tiempo t = T − 2 hasta el tiempo t = 1 , se hace necesario

contar con una estimación de la esperanza del valor presente de la mina para sus
ˆ
distintos estados. La expresión Vespt ( Sωt , Q, t + 1) se utilizará para identificar la
128
estimación, que se tiene cuando el precio spot equivale a S , del valor presente en el
tiempo t de una mina que se encuentra abierta en el tiempo t + 1 y que cuenta con Q
ˆ
bloques de mineral en inventario. De igual modo, Wespt ( Sωt , Q, t + 1) denotará la
estimación, con que se cuenta para un precio spot S , del valor presente en el tiempo
t de una mina que se encuentra cerrada en el tiempo t + 1 y que posee Q bloques de

mineral en inventario. Estas aproximaciones se obtendrán mediante regresiones por
mínimos cuadrados.
Debido a la existencia de los costos de cierre, apertura y mantención,

como también del distinto valor de los bloques de mineral en inventario a medida
que se acerca el plazo de término de la concesión, el valor de la mina en el tiempo t
dependerá del estado inicial en el que ésta se encuentre y de las decisiones que los
dueños del proyecto tomen en ese momento. Cabe destacar que el algoritmo LSM
separa la estimación de la decisión óptima a tomar en el tiempo t de la estimación
del valor de la mina para ese momento. A continuación se presenta cómo se dilucida
la decisión óptima a tomar en un determinado tiempo t , para un precio spot Sωt ,
cuando la mina cuenta con Q bloques de mineral en inventario.
i) Estimación de la decisión óptima
Si la mina se encuentra abierta los dueños del proyecto pueden tomar las
siguientes decisiones:
1. Continuar con la producción.
La elección de esta alternativa se encuentra influenciada por el término:

ˆ
Vespt ( Sωt , Q − 1, t + 1) , el cual representa la estimación (para un precio spot Sωt ) del
valor presente en el tiempo t de una mina que se encuentra abierta en el tiempo t + 1 ,

y que para entonces posee Q − 1 bloques de mineral en inventario. Luego, si se
129
decide optar por mantener abierta la mina hasta el tiempo t + 1 , su valor estimado
estará dado por la siguiente ecuación:
ˆ
V ( Sωt , Q, t ) = FC ( Sωt , q*) + Vespt ( Sωt , Q − 1, t + 1) (5.56)
2. Detener la producción temporalmente.
Para decidirse por esta opción los dueños deben contar con una
estimación del valor presente en el tiempo t de una mina cerrada que posee Q
bloques de mineral en inventario en el tiempo t + 1 , ya que este es el estado en el
cual se encontrará la mina si se toma la determinación de cerrar. Así entonces, el
ˆ
valor fundamental para este caso es: Wespt ( S , Q, t + 1) . Luego, si se decide cerrar la
mina su valor estimado será:
ˆ
V ( Sωt , Q, t ) = − K1 − f + Wespt ( Sωt , Q, t + 1) (5.57)
3. Dejar definitivamente la producción
Esta alternativa supone que los dueños de la inversión no desean seguir

operando el yacimiento, por lo que esta opción no se basa en ninguna estimación de
los valores futuros de la mina, luego como el abandono del yacimiento no significa
costo alguno, el valor del activo será:
V ( Sωt , Q, t ) = 0 (5.58)
De esta forma, los dueños de la inversión optarán por el valor que resulte
más favorable al comparar las ecuaciones (5.56), (5.57) y (5.58), lo cual determinará
la decisión óptima de operación.
Análogamente, si la mina se encuentra cerrada, los dueños de la

inversión podrán decidirse por una de las siguientes alternativas:
130
1. Reiniciar la producción.
La elección de esta alternativa provoca que la estimación del valor de la

mina sea igual a la siguiente expresión:
ˆ
W ( Sωt Q, t ) = − K 2 + FC ( Sωt , q*) + Vespt ( Sωt , Q − 1, t + 1) (5.59)
2. Mantener detenida la producción temporalmente.
Esta opción conlleva el siguiente valor:
ˆ
W ( Sωt , Q, t ) = − f + Wespt ( Sωt , Q, t + 1) (5.60)
3. Dejar definitivamente la producción
Esta alternativa supone que resulta más valioso abandonar la mina, así:
W ( Sωt , Q, t ) = 0 (5.61)
ii) Estimación del valor de la mina
Como se mencionó previamente, la implementación del algoritmo LSM

sólo emplea las ecuaciones anteriores para dilucidar cuál es la alternativa óptima a
escoger, pero no utiliza el valor máximo resultante como el estimador del valor de la
mina, ya que por ejemplo; si al comparar las ecuaciones (5.56), (5.57) y (5.58)
resulta óptimo continuar con la producción (es decir (5.56) es mayor), el algoritmo
asignará el siguiente valor para la mina abierta:
V ( Sωt , Q, t ) = FC ( Sωt , q*) + V ( Sωt +1 , Q − 1, t + 1)e − ( r + λ1 ) ∆t (5.56')
En esta expresión r corresponde a la tasa de interés real y λ1 simboliza

ˆ
el impuesto aplicable a la mina abierta. El valor esperado: Vespt ( Sωt , Q − 1, t + 1) , se
131
reemplaza por el valor de la mina que finalmente se obtiene para el tiempo t + 1 ,

según la evolución de la trayectoria ω . Este reemplazo refleja cómo la programación
dinámica saca partido de la resolución hacia atrás del problema al considerar el
verdadero valor de la variable una vez ocurrido el evento aleatorio, en vez de su
esperanza. Además, al utilizar distintos estimadores para la decisión óptima y para el
valor del activo se evita que la valoración presente un sesgo superior.
De igual forma, si la comparación entre el valor de las expresiones

(5.56), (5.57) y (5.58) da como resultado que la decisión óptima sea cerrar la mina, el
algoritmo LSM asignará el siguiente valor para la mina abierta:
V ( Sωt , Q, t ) = − K1 − f + W ( Sωt +1 , Q, t + 1)e − ( r + λ0 ) ∆t (5.57')
Donde en este caso λ0 denota la tasa de impuesto con la cual se grava a

la mina cuando ésta se encuentra cerrada. En este caso, la expresión para el valor
esperado de la ecuación (5.57), se reemplaza por el valor presente de la variable
aleatoria que se quería estimar: W ( Sωt +1 , Q − 1, t + 1)e − ( r + λ0 ) ∆t .
Finalmente, si se decide abandonar la mina se mantiene el valor nulo con

el cual se representa esta decisión en la ecuación (5.58).
Análogamente, si la mina se encuentra cerrada su valor estará influido

por la decisión óptima que se obtiene al comparar el valor de las expresiones (5.59),
(5.60) y (5.61).
Si la expresión (5.59) es mayor que (5.60) y que (5.61), entonces la

elección óptima será reanudar las operaciones durante el próximo período de tiempo,
así el valor para la mina cerrada será:
W ( Sωt , Q, t ) = − K 2 + FC ( Sωt , q*) + V ( Sωt +1 , Q − 1, t + 1)e − ( r + λ1 ) ∆t (5.64)

132
En cambio, si el valor de la ecuación (5.60) resulta ser mayor, entonces la

decisión óptima a tomar será mantener suspendida la producción hasta el próximo
período, esta elección determina que el valor de la mina cerrada sea igual a:
W ( Sωt , Q, t ) = − f + W ( Sωt +1 , Q,, t + 1)e − ( r + λ0 ) ∆t (5.65)
Por último, si la comparación correspondiente da como resultado que el

valor máximo sea igual a cero, la decisión óptima será abandonar la mina y por ende
su valor será:
W ( Sωt , Q, t ) = 0 (5.66)
Los únicos parámetros que necesitan ser estimados en los procedimientos

descritos anteriormente, son aquellos que representan los valores esperados de la
mina según sus distintos estados. Estas expresiones resultan fundamentales para
determinar la política óptima a seguir, por lo que su correcta aproximación resulta
clave para valorizar adecuadamente este proyecto.
iii) Estimación del valor esperado de la mina
La herramienta que el algoritmo LSM utiliza para estimar estos valores

esperados corresponde a una regresión por mínimos cuadrados. Para ejemplificar su
implementación, a continuación se analizará la forma en la cual ésta metodología
ˆ
calcula el valor de Vespt ( Sωt , Q − 1, t + 1) .
El término anterior se utiliza para aproximar la esperanza del valor

presente en el tiempo t de la mina abierta que cuenta con Q − 1 bloques de mineral
en inventario en el tiempo t + 1 , para un precio spot Sωt . La especificación de la base
de regresión para esta estimación sólo incluye funciones que se evalúan en el precio
spot S , ya que esta es la única variable que diferencia a las distintas "observaciones"
que se tiene de la variable independiente. (Valor de minas abiertas, las cuales en el
133
tiempo t + 1 cuentan con Q − 1 bloques de mineral en inventario). Según el análisis

efectuado en el capítulo tres se opta por usar las potencias simples como las
funciones que determinan la base de regresión a utilizar. De esta manera, si
V ( Sωt +1 , Q − 1, t + 1) representa el valor de la mina abierta correspondiente a la
trayectoria ω , que para el tiempo t + 1 posee Q − 1 bloques de mineral en inventario,

la especificación escogida para la base de regresión asume que el valor presente de
esta variable puede representarse mediante la siguiente expresión:
V ( Sωt +1 , Q − 1, t + 1)e − ( r + λ1 ) ∆t = β 0 + β1 Sωt + β 2 Sω2t + β 3 Sω3t + ε ωt (5.67)
Donde los β ' s simbolizan los coeficientes a estimar en la regresión y

ε ω denota una variable aleatoria proveniente de una distribución normal con media
t
cero y desviación estándar desconocida.
La cantidad de observaciones a considerar en la regresión depende del

dominio sobre el cual se quiera estimar la función esperanza. Para el caso de una
opción financiera tradicional este dominio resulta evidente, ya que corresponde a
aquéllos valores de la variable de estado para los cuales el ejercicio del derivado da
como resultado un flujo de caja positivo (debido a que es en estas circunstancias
donde realmente existe una disyuntiva, ya que para los demás valores la decisión de
no ejercer resulta trivial). Sin embargo, dada la complejidad de esta opción, resulta
difícil determinar a-priori para qué valores de S la decisión a tomar resulta obvia.
Para superar este inconveniente y con el propósito de aplicar esta implementación
para cualquier valor de los costos de cierre, apertura y mantención, la regresión
descrita por la expresión (5.67) se realiza considerando todas las trayectorias
simuladas.
Una vez realizada la regresión, el valor esperado de la expresión (5.67)

puede representarse según la siguiente ecuación:
134
ˆ ˆ ˆ ˆ 2 ˆ 3
Vespt ( Sωt , Q − 1, t + 1) = β 0 + β1 Sωt + β 2 Sωt + β 3 Sωt (5.68)
Donde los βˆ ' s corresponden a los valores estimados de los coeficientes

de la ecuación (5.67).
Este mismo procedimiento debe repetirse para calcular el valor de:

ˆ
Wespt ( Sωt , Q, t + 1) . Para ello, sólo basta con reemplazar el término
V ( Sωt +1 , Q − 1, t + 1)e − ( r + λ1 ) ∆t por la expresión: W ( Sωt +1 , Q, t + 1)e − ( r + λ0 ) ∆t en la ecuación
(5.67).
Una vez expuesta la forma en la cual se calculan los términos

ˆ ˆ
Vespt ( Sωt , Q − 1, t + 1) y Wespt ( Sωt , Q, t + 1) , la programación dinámica se puede
aplicar sin problemas para valorizar la mina según sus distintos estados hasta el
tiempo t = 1 .
d) Valor de la mina en el tiempo t = 0
Para calcular el valor presente de la mina en el tiempo t = 0 , no se

recurre a las técnicas de regresión para estimar los valores esperados, ya que en el
tiempo inicial existe un único valor para el precio spot, el cual se denota por S0 . Esto
provoca que el lado derecho de la ecuación (5.67) sea igual para todas las
trayectorias consideradas, dando lugar a una regresión “degenerada”.
A raíz de esta limitante para aplicar la regresión, los valores esperados se

calculan mediante el promedio aritmético de las simulaciones. Así, el valor del
ˆ
término Vespt = 0 ( S 0 , Q = NB − 1, t = 1) estará definido por la siguiente expresión:
N
1
ˆ
Vespt = 0 ( S0 , Q = NB − 1, t = 1) =
N
∑ V ( Sω , Q = NB − 1, t = 1)e
i =1
i 1
− ( r + λ1 ) ∆t
(5.70)
135
Donde N corresponde al número de simulaciones y NB simboliza el

número de bloques de mineral en los que se ha dividido el inventario inicial de la
mina.
Análogamente, el valor esperado para la mina cerrada estará dado por la

siguiente ecuación:
N
1
ˆ
Wespt = 0 ( S 0 , Q = NB, t = 1) =
N
∑W (Sω , Q = NB, t = 1)e
i =1
i 1
− ( r + λ0 ) ∆t
(5.71)
Al igual que en los tiempos anteriores, si la mina se encuentra abierta, la

decisión óptima a tomar al inicio del proyecto dependerá del valor de la siguiente
expresión:
ˆ
Max( FC ( S0 , q*) + Vesp t = 0 ( S 0 , Q = NB − 1, t = 1);
(5.72)
ˆ
− K − f + Wesp ( S , Q = NB, t = 1);0)
1 t =0 0
Como se ha llegado al final de la evaluación el valor de la mina se

obtiene promediando las estimaciones que se generan en cada una de las
simulaciones. Por lo tanto, el valor para la mina abierta se obtiene directamente de la
expresión (5.72), ya que si se decide comenzar a producir inmediatamente, el valor
de la mina abierta será:
ˆ
V ( S0 , Q = NB, t = 0) = FC ( S0 , q*) + Vespt = 0 ( S 0 , Q = NB − 1, t = 1) (5.73)
En cambio, si se decide cerrar temporalmente hasta el próximo período,

la mina abierta tendrá el siguiente valor:
ˆ
V ( S0 , Q = NB, t = 0) = − K1 − f + Wespt = 0 ( S 0 , Q = NB, t = 1) (5.74)
Mientras que si se decide abandonar la mina, su valor será:

136
V ( S0 , Q = NB, t = 0) = 0 (5.75)
Por otro lado, si la mina se encuentra inicialmente cerrada, sus valores

dependerán de la siguiente expresión:
ˆ
Max(− K 2 + FC ( S0 , q*) + Vespt = 0 ( S 0 , Q = NB − 1, t = 1);
(5.76)
ˆ
− f + Wesp ( S , Q = NB, t = 1);0)
t =0 0
Si esta comparación arroja como resultado que la decisión óptima para el

tiempo inicial sea abrir inmediatamente la mina para comenzar la producción, el
valor de la mina cerrada será:
ˆ
W ( S0 , Q = NB, t = 0) = − K 2 + FC ( S0 , q*) + Vespt = 0 ( S 0 , Q = NB − 1, t = 1) (5.77)
Si resulta más valioso tomar la decisión de permanecer con la mina

cerrada esperando que el precio del commodity aumente, el valor del yacimiento
cerrado será:
ˆ
W ( S0 , Q = NB, t = 0) = − f + Wespt = 0 ( S 0 , Q = NB, t = 1) (5.78)
Por último, si se decide abandonar las faenas la mina nunca podrá

producir, por lo que su valor será:
W ( S0 , Q = NB, t = 0) = 0 (5.79)
De esta forma entonces, se finaliza la descripción de la manera en que el

algoritmo LSM lleva a cabo la programación dinámica para valorizar el modelo de la
mina de Brennan y Schwartz (1985). En la próxima sección se presenta una forma
alternativa de obtener la solución de este problema.
137

hacia adelante” en el tiempo
Aún cuando el valor del proyecto puede determinarse mediante el

procedimiento descrito en la sección anterior, resulta de gran utilidad revisar una
forma en la cual puede obtenerse el mismo resultado pero de manera más intuitiva.
Si se mantiene un registro de todas las decisiones óptimas aproximadas

en la sección anterior, la valorización de este proyecto puede efectuarse descontando
los flujos de caja que se generan a partir de estas decisiones.
Así, partiendo en el tiempo t = 0 la decisión óptima a tomar según sea el

estado operacional inicial de la mina resulta conocida de la sección anterior, ya que
ésta se obtiene de la comparación efectuada por la ecuación (5.72), si la mina se
encuentra abierta, o bien, del cotejo realizado por la ecuación (5.76), si la mina se
encuentra cerrada. Luego, para cualquier trayectoria ω el flujo de caja derivado de
esta elección resulta conocido. Por ejemplo, si la mina inicialmente se encuentra
abierta y la decisión óptima es producir, el flujo de caja será: FC ( S0 , q*) , el
inventario de la mina se habrá reducido en una unidad, luego Q = NB − 1 , y el estado

operacional de la mina para el próximo período será abierta. En cambio, si se decide
cerrar la mina el flujo de caja será: − K 2 , el inventario de la mina seguirá siendo el
inicial, es decir: Q = NB , y la mina se encontrará cerrada el próximo período,

mientras que si se opta por abandonar la mina el flujo de caja será nulo.
Avanzando por la misma trayectoria ω , el precio del spot será Sω1 para
el tiempo t = 1 , luego a partir de las decisiones tomadas en el tiempo anterior se

conocerá el estado operacional de la mina y su nivel de inventario. Basado en esta
información se obtiene la decisión óptima a tomar para el tiempo t = 1 . Si el estado
operacional de la mina es abierta, y la decisión es producir, el flujo de caja será
FC ( Sω1 , q*) y el inventario disminuirá en una unidad. En cambio, si la mina se
138
encuentra cerrada el flujo de caja será: − K 2 + FC ( Sω1 , q*) con la consecuente
disminución del inventario. Si la decisión es no producir, el inventario permanecerá

igual pero el flujo de caja será: − f si la mina se encuentra cerrada, o bien: − K1 − f
si la mina se encuentra abierta. Una vez determinado el flujo de caja para el tiempo
t = 1 , éste se descuenta un período, para sumarse al pago calculado en el tiempo
t = 0.
Procediendo recursivamente, a continuación se obtiene el flujo de caja

sobre la trayectoria ω para el tiempo t = 2 , el cual debe descontarse dos períodos.
De esta forma, se sigue avanzando hacia adelante en el tiempo computando los flujos
de caja correspondientes hasta que se haya agotado todo el inventario de mineral, o
bien, hasta que la decisión óptima sea abandonar la mina. Una vez que ocurre alguno
de estos eventos, la suma de los flujos de caja descontados se convierte en el
estimador del valor del proyecto para la trayectoria analizada. Este procedimiento se
repite para todas las simulaciones, para luego promediarlas y obtener el estimador
final del valor del modelo de Brennan y Schwartz (1985).
Dado que las decisiones tomadas en esta sección son iguales a las
elecciones efectuadas en la sección (5.4.1), el valor del proyecto resulta idéntico ya
que se utilizan las mismas simulaciones. Sin embargo, el avanzar hacia adelante en el
tiempo descontando los flujos de caja correspondientes, permite obtener una
aproximación de algunos datos que pueden resultar relevantes para el análisis del
proyecto de inversión. Por ejemplo, puede registrarse para qué proporción de las
simulaciones se decide abandonar el yacimiento, la vida media del proyecto, el
tiempo de explotación medio, etc. Además, esta forma de valorizar el modelo es
capaz de incorporar otras complejidades cómo por ejemplo: estructuras impositivas
que distingan distintos niveles de inventario, distintos costos de apertura y cierre
considerando el tamaño del yacimiento, y en general cualquier modificación que
haga depender el valor de la mina de la trayectoria que siguen las variables de estado
del modelo.
139
5.5 Obtención de la política óptima de operación
La aplicación del algoritmo LSM a la resolución de la mina planteada por

Brennan y Schwartz (1985) también permite obtener la política óptima de operación,
en función del precio spot del commodity.
Como se mencionó anteriormente, la política óptima de operación de la

mina se encuentra determinada por tres precios críticos, los cuales señalan el nivel
para el cual resulta beneficioso cambiar de estado operativo. Estos precios resultan
distintos según sea la cantidad de bloques de mineral en inventario.
Como el algoritmo LSM debe incorporar la variable tiempo para

implementar la etapa de simulación, los precios críticos calculados a través de esta
metodología también estarán influidos por esta nueva dimensión. Esto provoca que
cuando se quiera resolver la variante del modelo de Brennan y Schwartz (1985) que
considera dos variables de estado (precio spot y nivel de reservas), la política óptima
utilizada para representar los precios críticos de este problema deba obtenerse en un
tiempo para el cual las curvas que definen los precios de apertura, cierre y abandono,
sean estables para cada nivel de reservas, ya que si se elige una fecha muy cercana al
final de la concesión las decisiones tomadas en estos tiempos estarán influidas por el
hecho de que el plazo de término se encuentra muy cercano.
Una vez elegido el tiempo t adecuado, los precios críticos corresponden

a la intersección de las curvas que definen las decisiones óptimas a seguir para cada
precio spot S . Luego, según la ecuación (5.59), cuando la mina se encuentra abierta,
posee Q bloques de mineral en inventario y su tasa de producción anual es q * , la
decisión de continuar produciendo causará que el valor de la mina sea equivalente a
la siguiente expresión:
ˆ
AA( S ) = FC ( S , q*) + Vespt ( S , Q − 1, t + 1) (5.80)
140
La primera letra de la función (5.80) denota el estado operacional de la

mina para el tiempo t , mientras que la segunda simboliza el estado operacional en el
cual se encontrará la mina en el próximo período. Así entonces, AA denota el caso
para el cual la mina en el tiempo t se encuentra abierta y permanece así en el tiempo
t + 1 . Siguiendo con esta notación, la decisión de cancelar temporalmente la
producción se simbolizará por AC (abierta en t y cerrada en t + 1 ), función que se
obtiene a partir de la expresión (5.69) y que se exhibe en la siguiente ecuación:
ˆ
AC ( S ) = − K1 − f + Wespt ( S , Q, t + 1) (5.81)
Análogamente, si la mina se encuentra cerrada, la decisión de abrir y

reanudar la producción estará representada por CA( S ) (cerrada en t y abierta en
t + 1 ), esta función se define mediante la siguiente expresión:
ˆ
CA( S ) = − K 2 + FC ( S , q*) + Vespt ( S , Q − 1, t + 1) (5.82)
Finalmente, la opción de mantener el yacimiento cerrado se simboliza

mediante la función CC ( S ) (cerrada en t y cerrada en t + 1 ), esta curva se define
según la siguiente ecuación:
ˆ
CC ( S ) = − f + Wespt ( S , Q, t + 1) (5.83)
A partir de la descripción efectuada anteriormente, se pueden obtener las

siguientes igualdades:
AA( S ) − K 2 = CA( S ) (5.84)
CC ( S ) − K1 = AC ( S ) (5.85)
141
Si se denota por S0 al precio crítico de abandono, por S1 al precio crítico
de cierre y por S2 al precio crítico de apertura. Los pasos a seguir para determinar
estos valores se detallan a continuación:
En primer lugar, se calcula la intersección entre las curvas AA( S ) y

AC ( S ) , si al evaluar cualquiera de estas funciones en el precio spot encontrado, se
obtiene un número positivo, éste precio spot corresponderá el precio crítico de cierre
S1 . A su vez, el precio crítico de apertura S2 se obtiene de la intersección entre las
curvas CA( S ) y CC ( S ) . Por último, el valor para el cual la curva CC ( S ) = 0

determina el precio crítico de abandono S0 . Esta política se exhibe en la siguiente
figura:
V,W
V
k2
W k1 S
S0 S1 S2
Figura (5.5) : Política óptima de operación para el primer caso considerado. S0

representa el precio crítico de abandono, S1 simboliza el precio crítico de cierre y S2
corresponde al precio crítico de apertura.
142
Si al evaluar las curvas AA( S ) y AC ( S ) en su punto de intersección se

obtiene un valor negativo, esto indica que el precio crítico de cierre S1 es en realidad
un precio crítico de abandono, por lo que en estas circunstancias la mina se abandona
sin un cierre previo. Esta eventualidad da origen a dos políticas óptimas distintas.
1) Si al evaluar las funciones CA( S ) y CC ( S ) en su punto de

intersección se obtiene un valor positivo, entonces éste será el precio crítico de
apertura S2 . A su vez, el precio crítico S0 resulta de encontrar la raíz de la función
CC ( S ) . Por último, el precio crítico de cierre S1 se obtiene de la raíz de la función
AA( S ) . El esquema que representa a este caso se muestra en la siguiente figura:
V
V,W
k2
W
S
k1
S1 S2
Figura (5.6) : Política óptima de operación para el segundo caso considerado. S0 es el

precio crítico de abandono, S1 el precio crítico de cierre, el cual en este caso también
corresponde a un precio crítico de abandono, y S2 es el precio crítico de apertura.
143
En la figura anterior se puede observar cómo la magnitud de los costos

de cierre provoca que sea preferible abandonar la mina aún cuando ésta se encuentra
abierta.
Una variante del caso anterior se obtiene cuando el precio crítico S0
resulta mayor que el precio crítico S1 . Esto se produce cuando los costos de
mantención resultan demasiado altos, lo que provoca que el valor de la mina abierta
siempre sea mayor que el de la mina cerrada. La representación de este caso se
exhibe en la siguiente figura:
V
V,W
k2
S
S1 S0 S2
Figura (5.7) : Política óptima de operación para el tercer caso considerado. S0 representa
el precio crítico de abandono, S1 simboliza el precio crítico de cierre, el cual en este
caso también corresponde a un precio crítico de abandono, y S2 corresponde al precio
crítico de apertura.
144
2) En cambio, si al evaluar las curvas CA( S ) y CC ( S ) en su punto de

intersección se obtiene un valor negativo, el precio crítico de apertura S2 saldrá de la
raíz de la función CA( S ) , mientras que el precio crítico de cierre continúa siendo la
raíz de la curva AA( S ) . Sin embargo, para este caso la mina nunca estará cerrada
sólo abierta o abandonada, por lo que los precios críticos S0 y S1 coinciden. La
figura que ilustra este caso especial, se exhibe a continuación.
V,W V
k2
S
S0=S1 S2
Figura (5.8) : Política óptima de operación para el cuarto caso considerado. S0

representa el precio crítico de abandono el cual coincide con S1 (precio crítico de
cierre), S2 corresponde al precio crítico de apertura.
Así, se completa la descripción de la implementación del algoritmo LSM

al modelo planteado por Brennan y Schwartz (1985). Los resultados de esta
adaptación se exponen en el siguiente capítulo.
145
VI. RESULTADOS DE LA VALORIZACIÓN DEL MODELO DE

BRENNAN Y SCHWARTZ (1985) MEDIANTE EL ALGORITMO
LSM.
En el presente capítulo se dan a conocer los principales resultados que se

obtienen al aplicar el algoritmo propuesto por Longstaff y Schwartz (2001) al
modelo desarrollado por Brennan y Schwartz (1985), a partir de la implementación
descrita en el capítulo anterior.
Para comenzar se analiza el caso de la mina que posee reservas infinitas.

Este problema resulta importante desde un punto de vista teórico, ya que cuenta con
una solución analítica. Posteriormente, se resuelve el ejemplo numérico planteado
por Brennan y Schwartz (1985) quienes utilizan el método de diferencias finitas
implícitas para aproximar su solución. Luego, se realiza una estática comparativa con
respecto a las principales variables que influyen en el valor de la mina. Finalmente,
se analiza la política óptima de operación para el ejemplo considerado, como
también para distintos costos de apertura, cierre y mantención.
6.1 Valor de la mina con reservas infinitas
Si se asume que la mina cuenta con un inventario infinito el nivel de

bloques de mineral en reservas deja de ser una variable de estado del problema. Esto
provoca que la ecuación diferencial parcial que describe el valor de la mina se
transforme en una ecuación diferencial ordinaria, donde la única variable de estado
corresponde al precio spot del commodity. Esta simplificación permite obtener una
expresión analítica para la tasación de este yacimiento.
La valorización de este modelo mediante el algoritmo LSM tiene la

virtud de introducir esta metodología a la resolución de un problema que se plantea
como una serie de opciones americanas anidadas, y a la vez permite establecer una
primera validación de la aplicabilidad del método si es que éste logra generar
soluciones que convergen al valor analítico.
146
Para emular el caso de un yacimiento que cuenta con un inventario

infinito, la implementación del algoritmo LSM se efectúa suponiendo que la mina a
valorizar posee una gran cantidad de reservas, las cuales pueden extraerse dentro de
un período de concesión muy extenso.
La razón por la cual una mina con inventario infinito posee un valor
acotado está dada por la imposibilidad de extraer todas las reservas de una sola vez,
lo cual provoca que el valor presente de los ingresos obtenidos por las ventas de
mineral para un tiempo muy lejano sean prácticamente despreciables, permitiendo
entonces que el valor de la mina no diverja.
El valor presente de una unidad de commodity que se vende en el tiempo

t está dado por la siguiente expresión:
VP = ( S0 e( r −κ )t )e − rt (6.1)
Donde S0 representa el precio spot del commodity, r simboliza la tasa

de interés libre de riesgo y κ denota el retorno por conveniencia.
Dado que la implementación del algoritmo LSM obliga a realizar la

valorización dentro de un tiempo finito, los ingresos de la mina con reservas infinitas
en fechas posteriores a este plazo son ignorados. Luego, dado que la ecuación (6.1)
señala que mientras mayor sea el retorno por conveniencia menor será el valor
presente de los ingresos de la mina, el algoritmo LSM reportará mejores
aproximaciones para aquellos casos en los cuales el retorno por conveniencia sea
elevado.
La aplicación de la metodología propuesta por Longstaff y Schwartz

(2001) al caso de una mina que posee reservas infinitas se efectúa para un yacimiento
que cuenta con los parámetros de operación y los costos de apertura, cierre y
mantención que se detallan en la siguiente tabla:
147
Tabla 6.1 : Parámetros operativos de la mina con reservas infinitas.
Parámetros operativos Valor
Tasa de producción (q*) 10 MMLb./año
Costo de producción (A) 0,5 US$/Lb.
Costo de apertura (K2) 200.000 US$
Costo de cierre (K1) 200.000 US$
Costo de mantención (f) 0,0
En la siguiente tabla se exhiben los parámetros que se utilizan para

describir la estructura tributaria y el proceso estocástico que modela el precio spot
del commodity.
Tabla 6.2 : Parámetros tributarios y del proceso estocástico del cobre.
Parámetros tributarios Valor
Impuesto a la propiedad ( λ ) 2 % /año
Impuesto a las utilidades ( t1 ) 50 %
Impuesto a las ventas ( t2 ) 0%
Parámetros proceso de precios Valor
Varianza del precio spot ( σ 2 ) 8 % /año
Tasa libre de riesgo ( r ) 2 % /año

148
Los parámetros técnicos utilizados por el algoritmo LSM para la

resolución de este problema se presentan en la siguiente tabla:
Tabla 6.3 : Parámetros técnicos para la aplicación del algoritmo LSM
Parámetros algoritmo LSM Valor
Número de simulaciones ( M ) 50.000
Oportunidades de ejercicio ( OE ) 3 / año
Grado máximo polinomio base ( G ) 3
Debido a los requerimientos computacionales del algoritmo LSM se optó

por suponer que las opciones de apertura, cierre y abandono sólo pueden ejercerse
tres veces por año, en contraposición al ejercicio continuo propuesto en el modelo
original.
En cuanto a los polinomios usados como base para las regresiones

lineales, se consideran las potencias simples del precio spot del commodity hasta el
término de tercer orden.
Una vez definidos los parámetros a utilizar se procede a aproximar el

valor de la mina infinita mediante la valorización de una concesión sobre un
yacimiento de cobre que cuenta con 300 Millones de libras de mineral en inventario
y cuya duración es de 70 años. Para minimizar el efecto de una duración finita del
contrato en la aproximación de la infinita original se elige un retorno por
conveniencia de 6 % (de modo de restar importancia a los ingresos posteriores al
plazo fijado). Los resultados de esta aproximación para distintos valores del precio
spot del commodity se exhiben en la siguiente tabla:
149
Tabla 6.4 : Aproximación del valor analítico de la mina infinita mediante un yacimiento
que cuenta con 300 MMLb. de mineral en inventario y un plazo de concesión de 70 años
Precio Valor de la mina mediante Valor de la mina analítica con

spot algoritmo LSM (MMUS$) reservas infinitas (MMUS$)
(US$/Lb.) Abierta Cerrada Abierta Cerrada
0,5 5,53 5,64 5,95 6,00
0,6 8,83 8,63 9,50 9,32
Para comprobar la convergencia del algoritmo LSM a continuación se

repite el análisis anterior para una concesión sobre un yacimiento que cuenta con 400
Millones de libras de mineral en inventario, y cuya duración es de 90 años. Los
resultados de la valorización de esta mina se presentan en la siguiente tabla:
Tabla 6.5 : Aproximación del valor analítico de la mina infinita mediante un yacimiento
que cuenta con 400 MMLb. de mineral en inventario y un plazo de concesión de 90
años.
Precio Valor de la mina mediante Valor de la mina con reservas

spot algoritmo LSM (MMUS$) infinitas (MMUS$)
(US$/Lb.) Abierta Cerrada Abierta Cerrada
0,5 5,88 5,96 5,95 6,00
0,6 9,32 9,12 9,50 9,32

150
Al aumentar el inventario de la mina y extender el plazo de concesión el

algoritmo LSM genera aproximaciones que en promedio se encuentran un 2% por
debajo del valor de la mina infinita.
Esta mejoría en la estimación hace pensar que el algoritmo LSM genera

soluciones que convergen al valor analítico de la mina infinita. Esta cualidad
aumenta las probabilidades de que esta metodología valorice adecuadamente
versiones más complejas de la mina propuesta por Brennan y Schwartz (1985).
6.2 Valor de la mina con reservas finitas
El problema a valorizar en esta sección corresponde a la mina de cobre

que se expone en el ejemplo numérico propuesto por Brennan y Schwartz (1985). En
este artículo los autores valorizan mediante diferencias finitas un yacimiento que
cuenta con un inventario finito de mineral, equivalente a quince años de producción.
Los datos de este yacimiento se presentan a continuación:
Tabla 6.6 : Parámetros operativos de la mina del ejemplo propuesto en Brennan y

Schwartz (1985).
Parámetros operativos Valor
Tasa de producción (q*) 10 MMLb./año
Inventario (Q) 150 MMLb.
Costo de producción (A) 0,5 US$/Lb.
Costo de apertura (K2) 200.000 US$
Costo de cierre (K1) 200.000 US$
Costo de mantención (f) 500.000 US$/año

151
En la siguiente tabla se exhiben los parámetros económicos del mercado,

del proceso estocástico para el cobre y aquéllos referentes a la estructura tributaria.
Tabla 6.7 : Parámetros del mercado, del precio del cobre y de la estructura tributaria del
ejemplo propuesto en Brennan y Schwartz (1985)
Parámetros del mercado Valor
Tasa libre de riesgo nominal ( r ) 10 %/año
Tasa de inflación ( π ) 8 %/año
Parámetros del cobre Valor
Varianza del precio spot ( σ 2 ) 8 %/año
Retorno por conveniencia ( κ ) 1 %/año
Parámetros tributarios Valor
Impuesto a la propiedad ( λ ) 2 %/año
Impuesto a las utilidades ( t1 ) 50 %
Impuesto a las ventas ( t2 ) 0%
Según los datos expuestos en tabla (6.6) si el yacimiento no pudiera

cerrarse las reservas permitirían que la producción se extendiera por un período de
15 años. Considerando este dato la aplicación del algoritmo LSM se realiza fijando el
período de concesión en 50 años, con lo cual se pretende aproximar un plazo infinito.
152
Al igual que antes la base de regresión utilizada considera las tres

primeras potencias del precio spot del commodity. Además, las oportunidades de
ejercicio se mantienen en tres por año.
En la siguiente tabla se presenta una comparación entre los resultados

reportados por Brennan y Schwartz (1985) y aquéllos obtenidos mediante el
algoritmo LSM, cuando éste se aplica considerando 50.000 simulaciones para el
precio spot del cobre.
Tabla 6.8 : Valor de la mina para diferentes precios obtenida mediante el método de
diferencias finitas utilizado por Brennan y Schwartz (1985) v/s el algoritmo LSM
(50.000 simulaciones)
Precio Valor de la Mina Valor de la Mina Error (%)

spot (MMUS$) (MMUS$)
(US$/lb.) Brennan-Schwartz Algoritmo LSM
Abierta Cerrada Abierta Cerrada Abierta Cerrada
0,4 4,15 4,35 4,15 4,35 0,00% 0,00%
0,5 7,95 8,11 7,92 8,09 -0,38% -0,25%
0,6 12,52 12,49 12,45 12,43 -0,56% -0,48%
0,7 17,56 17,38 17,50 17,30 -0,34% -0,46%
0,8 22,88 22,68 22,88 22,68 0,00% 0,00%
0,9 28,38 28,18 28,43 28,23 0,18% 0,18%
1,0 34,01 33,81 34,09 33,89 0,24% 0,24%

153
La primera columna de la tabla (6.8) exhibe el precio spot inicial, las

cuatro columnas siguientes reportan el resultado de la valorización de la mina en sus
dos estados iniciales posibles. De éstas las dos primeras exhiben los valores
obtenidos por Brennan y Schwartz (1985) mediante el método de diferencias finitas,
mientras que las otras dos reportan el valor generado mediante el algoritmo LSM.
La siguiente tabla contiene los resultados que se obtienen cuando el

algoritmo LSM se aplica considerando 100.000 simulaciones.
Tabla 6.9 : Valor de la mina para diferentes precios obtenida mediante el método de
diferencias finitas utilizado por Brennan y Schwartz (1985) v/s el algoritmo LSM
(100.000 simulaciones).

spot (MMUS$) (MMUS$ )
0,4 4,15 4,35 4,10 4,30 -1,20% -1,15%
0,5 7,95 8,11 7,87 8,06 -1,01% -0,62%
0,6 12,52 12,49 12,45 12,41 -0,56% -0,64%
0,7 17,56 17,38 17,51 17,31 -0,28% -0,40%
0,8 22,88 22,68 22,85 22,65 -0,13% -0,13%
0,9 28,38 28,18 28,40 28,20 0,07% 0,07%
1,0 34,01 33,81 34,08 33,98 0,21% 0,21%

154
Al comparar los resultados reportados en las tablas (6.8) y (6.9) puede

concluirse que no existe una mejora sustancial al aumentar el número de
simulaciones.
Este ejemplo numérico también ha sido resuelto mediante el algoritmo de

Barraquand-Martineau. En la siguiente tabla se presenta una comparación entre los
resultados reportados por Acosta (1999) y aquéllos obtenidos mediante el algoritmo
LSM cuando éste se aplica considerando 50.000 simulaciones.
Tabla 6.10 : Valor de la mina para diferentes precios spot del commodity obtenida
mediante el método de Barraquand-Martineau v/s el algoritmo LSM (50.000
simulaciones).
Precio Valor de la Mina Diferencia

Valor de la Mina
(MMUS$)
(US$/lb.) Barraquand-
Algoritmo LSM
Martineau
0,4 4,19 4,39 4,15 4,35 0,04 0,04
0,5 7,97 8,17 7,92 8,09 0,05 0,08
0,6 12,53 12,53 12,45 12,43 0,08 0,10
0,7 17,57 17,37 17,50 17,30 0,07 0,07
0,8 22,90 22,70 22,88 22,68 0,02 0,02
0,9 28,44 28,24 28,43 28,23 0,01 0,01
1,0 34,10 33,90 34,09 33,89 0,01 0,01

155
De la tabla anterior se desprende que ambos métodos generan valores

casi idénticos para el ejemplo numérico propuesto por Brennan y Schwartz (1985)1.
Sin embargo, existe una tendencia del método de Barraquand-Martineau

a generar valores mayores a los obtenidos mediante el algoritmo LSM. Esto parece
confirmar lo expuesto en el capitulo dos, donde se reconoce el sesgo superior
generado por la metodología de estratificación (cuando el modelo a valorizar
depende de una variable de estado) y el sesgo inferior característico de los algoritmos
basados en regresiones.
6.3 Análisis de sensibilidad del valor de la mina con reservas finitas
Debido a la complejidad del modelo de Brennan y Schwartz (1985), la

presente sección tiene como objetivo profundizar más en el conocimiento de este
paradigma, como también estudiar el comportamiento del algoritmo LSM cuando
éste se aplica a distintas variantes del ejemplo expuesto en la sección anterior. Para
cumplir con esta labor, a continuación se realiza una estática comparativa del valor
de la mina en función de distintos parámetros.
6.3.1 Estática comparativa en función de la volatilidad del retorno del

precio spot del commodity
La siguiente tabla muestra los resultados para la mina descrita en la

sección anterior para distintos niveles de volatilidad del precio del cobre. Para
efectos de comparación, se incluyen los valores obtenidos mediante diferencias
finitas2 y aquéllos que resultan de la aplicación del algoritmo LSM.
1
En el Anexo D se muestran tablas similares a las (6.8), (6.9) y (6.10). En ellas se
realiza una comparación entre las soluciones entregadas por el método de diferencias finitas y el
algoritmo LSM, para distintos parámetros de su implementación.
2
Todos los resultados obtenidos mediante el método de diferencias finitas expuestos en
este capítulo, se generan a partir del programa “EXPLOTA”, el cual fue desarrollado para el proyecto
FONDEF D92I1026.
156
Tabla 6.11 : Valores de la mina para distintos niveles de volatilidad obtenidos mediante
el método de diferencias finitas (MDF) v/s el algoritmo LSM (50.000 simulaciones).
Estado Valor de la mina (MMUS$) Valor de la mina (MMUS$)

σ2
Inicial MDF LSM
US$ 0,6 US$ 0,8 US$ 1,0 US$ 0,6 US$ 0,8 US$ 1,0
A 10,25 21,18 32,72 10,22 21,13 32,89

0,04
C 10,06 20,98 32,52 10,02 20,93 32,69
A 11,43 22,00 33,34 11,38 22,02 33,43

0,06
C 11,34 21,80 33,14 11,27 21,82 33,23
A 12,52 22,68 34,01 12,45 22,68 34,09

0,08
C 12,49 22,88 33,81 12,43 22,88 33,89
A 13,51 23,77 34,81 13,46 23,67 34,80

0,10
C 13,55 23,57 34,61 13,50 23,47 34,60
A 14,41 24,61 35,55 14,43 24,41 35,48

0,12
C 14,50 24,43 35,35 14,60 24,25 35,28
La segunda columna de la tabla anterior, simboliza los dos estados

iniciales posibles para la mina: Abierta (A) y Cerrada (C). Las tres columnas
siguientes reportan el valor para tres niveles de precios spot del commodity para cada
uno de los estados iniciales de la mina, obtenidos mediante el método de diferencias
finitas (MDF). En cambio, las últimas tres columnas utilizan el algoritmo de
Longstaff y Schwartz (2001) (LSM).
157
Como se vio anteriormente, el precio spot del commodity se rige por un

movimiento browniano geométrico, cuya versión para una medida de probabilidad
neutral al riesgo está dada por la siguiente ecuación:
dS
= (r − κ )dt + σ dz (6.1)
S
Donde r simboliza la tasa de interés libre de riesgo, κ denota el retorno

por conveniencia, σ 2 corresponde a la varianza y dz se refiere al incremento de un
proceso Gauss-Weiner.
Según la ecuación anterior, al aumentar la volatilidad se incrementa la

incertidumbre del precio del cobre, ya que aún cuando el valor esperado se mantiene
inalterado, es posible que el precio alcance precios más altos pero también más
bajos.
Para el enfoque tradicional de evaluación de proyectos (VAN), la

volatilidad del activo subyacente resulta irrelevante, ya que todas las estimaciones de
los flujos de caja de una inversión se basan en el valor esperado, (incluso si el
aumento de la volatilidad provoca que aumente el riesgo del proyecto, el valor de
éste puede decrecer debido al aumento en la tasa de descuento) sin embargo, como la
teoría de opciones reales supone que los flujos de caja del proyecto son convexos, un
aumento en la incertidumbre del precio del activo subyacente incrementará el valor
de la inversión, ya que los escenarios favorables podrán aprovecharse
completamente, mientras que si el precio baja mucho, las pérdidas siempre estarán
acotadas.
Al analizar los datos reportados en la tabla (6.11) puede concluirse que,

el algoritmo LSM también considera la incertidumbre valiosa para el proyecto, ya
que la tasación de la mina se incrementa con respecto a la volatilidad, lo que provoca
que el precio crítico de apertura también aumente.
158
6.3.2 Estática comparativa en función del retorno por conveniencia del

commodity
La siguiente tabla reporta una estática comparativa del valor de la

mina en función del retorno por conveniencia del cobre.
Tabla 6.12 : Valores de la mina para distintos niveles del retorno por conveniencia
obtenidos mediante el método de diferencias finitas (MDF) v/s el algoritmo LSM
(50.000 simulaciones).

κ
Inicial MDF LSM
US$ 0,6 US$ 0,8 US$ 1,0 US$ 0,6 US$ 0,8 US$ 1,0
A 15,52 26,54 38,48 15,44 26,32 38,30

0,00
C 15,72 26,48 38,28 15,64 26,21 38,10
A 12,52 22,68 34,01 12,45 22,68 34,09

0,01
C 12,49 22,88 33,81 12,43 22,88 33,89
A 10,35 19,93 30,27 10,32 19,99 30,42

0,02
C 10,20 19,73 30,07 10,12 19,79 30,22
A 8,61 17,39 26,95 8,62 17,50 27,18

0,03
C 8,41 17,19 26,75 8,42 17,30 26,98
A 7,18 15,21 24,02 7,19 15,36 24,31

0,04
C 6,98 15,01 23,82 6,99 15,16 24,11
159
Al igual que la tabla (6.11) la segunda columna de la tabla anterior

simboliza los dos estados iniciales posibles para la mina: Abierta (A) y Cerrada (C).
Las tres columnas siguientes reportan el valor para tres niveles de precios spot del
cobre para cada uno de los estados iniciales de la mina, obtenidos mediante el
método de diferencias finitas (MDF). En cambio, las últimas tres columnas utilizan
el algoritmo de Longstaff y Schwartz (2001) (LSM)
El retorno por conveniencia se define como el flujo de servicios que

recibe el dueño de un inventario físico del commodity, pero no así el poseedor de un
contrato futuro.
De la ecuación (6.1) se desprende que el valor esperado del precio del

commodity en un mundo neutral al riesgo disminuye a medida que el retorno por
conveniencia aumenta. Esto implica que el valor esperado de los ingresos de la mina
presente el mismo comportamiento.
Sin embargo, los costos de la mina sólo dependen de la tasa de interés,

por lo que el valor del yacimiento se ve mermado frente a un aumento del retorno por
conveniencia.
Al analizar los datos exhibidos en la tabla anterior, se confirma el hecho

de que el valor de la mina aumenta a medida que disminuye el retorno por
conveniencia, además el precio crítico de apertura se hace menor a medida que se
incrementa este costo de oportunidad.
6.3.3 Estática comparativa en función de la tasa de interés real
El ejemplo numérico resuelto en la sección 6.2 entrega el valor

“deflactado” de la mina, ya que para eliminar la incidencia del tiempo se supone que
todos los parámetros aumentan de precio según la inflación, la cual a su vez se
supone constante para todo el período de evaluación. De esta forma, el único
parámetro relevante para el análisis de sensibilidad será la diferencia entre la tasa de
interés nominal y la tasa de inflación; vale decir, la tasa de interés real.
160
La siguiente tabla reporta una estática comparativa del valor de la mina

en función de este parámetro macroeconómico. Al igual que antes, las estimaciones
se obtienen mediante el método de diferencias finitas y el algoritmo LSM.
Tabla 6.13 : Valores de la mina para distintos niveles de la tasa de interés real obtenidos
simulaciones).

r
Inicial MDF LSM
US$ 0,6 US$ 0,8 US$ 1,0 US$ 0,6 US$ 0,8 US$ 1,0
A 10,27 20,19 31,02 10,20 20,19 31,16

0,00
C 10,13 19,99 30,82 10,03 19,99 30,96
A 12,52 22,68 34,01 12,45 22,68 34,09

0,02
C 12,49 22,88 33,81 12,43 22,88 33,89
A 14,91 25,55 36,91 14,80 25,42 36,82

0,04
C 15,03 25,38 33,71 14,91 25,22 36,62
A 17,29 28,05 39,50 17,04 27,82 39,36

0,06
C 17,48 27,97 39,30 17,24 27,72 39,16
A 19,44 30,24 41,75 19,22 30,03 41,68

0,08
C 19,64 30,25 41,56 19,42 30,04 41,48
161
En la literatura de opciones reales generalmente se ha determinado que,

un aumento de la tasa de interés lleva aparejado un aumento del valor del proyecto,
lo que se opone a la conclusión obtenida mediante el valor presento neto, ya que
según esta metodología mientras menor sea el valor del dinero en el tiempo, mayor
será el valor presente los flujos de tiempos futuros, incrementándose de esta manera
la rentabilidad del proyecto.
Para el caso específico de este modelo, el efecto anterior puede

apreciarse al considerar la siguiente expresión para el valor de los flujos en un
determinado período de tiempo ∆t :
F = ( S0 e( r −κ )t − A)q * ∆t (6.2)
Donde A representa el costo unitario de producción, q * denota la tasa

anual de producción, y t representa el tiempo calendario.
Al descontar este flujo para obtener su valor presente, se obtiene la

VP = ( S0 e − (κ + λ ) t − Ae− ( r + λ )t )q * ∆t (6.3)
Donde λ representa el riesgo político o impuesto a la propiedad.
Al analizar la expresión anterior se puede observar que, el valor presente

de los flujos depende de la tasa de interés solamente a través del costo de producción.
Los datos reportados en la tabla (6.6) confirman que, el valor del

proyecto aumenta a medida que sube la tasa de interés. Este mismo comportamiento
puede ser atribuido al precio crítico de apertura.
6.3.4 Estática comparativa en función del riesgo político
El riesgo político se utiliza para cuantificar la probabilidad de una

expropiación no compensada del proyecto. La ocurrencia de este hecho, se encuentra
162
estrechamente ligada a las condiciones de estabilidad política del país en el cual se

efectúa la inversión.
La siguiente tabla, cumple la función de cuantificar el efecto del riesgo

político en el valor de la mina para distintos niveles del precio spot del commodity,
según el método de diferencias finitas y el algoritmo LSM.
Tabla 6.14 : Valores de la mina para distintos niveles de riesgo político obtenidos
simulaciones)

λ
Inicial MDF LSM
US$ 0,6 US$ 0,8 US$ 1,0 US$ 0,6 US$ 0,8 US$ 1,0
A 16,40 27,72 40,18 16,49 27,71 39,98

0,00
C 16,60 27,89 40,13 16,69 27,90 39,94
A 14,01 24,94 36,81 13,96 24,82 36,74

0,01
C 14,14 24,79 36,61 14,12 24,62 36,54
A 12,52 22,68 34,01 12,45 22,68 34,09

0,02
C 12,49 22,88 33,81 12,43 22,88 33,89
A 11,35 21,14 31,63 11,30 21,18 31,73

0,03
C 11,23 20,94 31,43 11,15 20,98 31,53
A 10,37 19,60 29,45 10,36 19,68 29,62

0,04
C 10,20 19,40 29,25 10,16 19,48 29,42
163
La tabla anterior, ratifica la relación inversa que existe entre el parámetro

λ y el valor de la mina. En cuanto al precio crítico de apertura éste aumenta a
medida que la inversión se realiza en un país más estable.
Una vez realizada la estática comparativa en función de: la volatilidad, el

retorno por conveniencia, la tasa de interés real y el riesgo político, puede concluirse
que, el algoritmo LSM entrega resultados muy similares a los obtenidos mediante el
método de diferencias finitas.
6.4 Política óptima de la mina con reservas finitas
Una de las ventajas más importantes de utilizar la teoría de las opciones

reales para valorizar activos consiste en la obtención de la estrategia de operación
que maximiza el valor de estos proyectos.
Por lo tanto, para evaluar adecuadamente la aplicabilidad del algoritmo

LSM al modelo de la mina descrito en la sección (6.2), aún resta analizar la política
óptima de operación que genera esta metodología.
Como se mencionó en el capítulo cinco, esta política de operación queda

determinada por los precios críticos que definen el momento oportuno para ejercer
las opciones con las que cuenta el proyecto. Estos umbrales van cambiando a medida
que disminuyen las reservas, ya que mientras menor sea el inventario de la mina
menor será el incentivo para extraer el mineral inmediatamente, dado que los costos
de oportunidad de la extracción inmediata aumentan a medida que disminuye el
tiempo esperado de operación del yacimiento.
La mina planteada por Brennan y Schwartz (1985) cuenta con las

opciones de abandono, cierre y apertura, por lo que su política óptima de operación
quedará definida por tres curvas, las cuales determinan el precio crítico inherente a
cada una de estas flexibilidades, para cada nivel de inventario.
En esta sección se presentan la política óptima que se obtiene al aplicar el

algoritmo LSM a la valorización de la mina descrita en la sección (6.2).
164
Para evaluar la eficiencia de esta estimación, las curvas encontradas a

través del algoritmo LSM se comparan con aquéllas obtenidas mediante el método de
diferencias finitas implícitas.
En la siguiente figura se exhibe la política óptima de operación para la

mina de cobre descrita en la sección (6.2), cuando este proyecto se valoriza a través
del algoritmo LSM.
0.90
0.80
0.70
Precio Crítico (US$/Lb.)
0.60
0.50
0.40
0.30
0.20
0.10 apertura LSM cierre LSM abandono LSM
0.00
150 140 130 120 110 100 90 80 70 60 50 40 30 20 10
Reservas físicas (MMlbs.)
Figura (6.1) : Política óptima de operación de la mina para distintos niveles de inventario
obtenida mediante el algoritmo LSM, con oportunidades de ejercicio cada cuatro meses.
165
Como se mencionó previamente, los precios críticos que conforman la

política óptima para cada uno de los niveles de inventario determinan tres posibles
estados de operación de la mina. Para el caso en que el precio spot del commodity se
encuentre entre los valores críticos de apertura y cierre no existirá un cambio de
estado operacional del yacimiento, por lo que la mina se mantiene en el estado en el
cual se encuentra originalmente.
En cambio, si el precio spot del cobre se encuentra por sobre el umbral

crítico de apertura, entonces la mina siempre se encontrará en operación, ya que si
ésta se encuentra originalmente cerrada la decisión óptima será comenzar a producir.
Por otra parte, si el precio spot del commodity se encuentra por debajo del umbral
que define el cierre del yacimiento, pero por encima del de abandono, la mina se
encontrará temporalmente fuera de funcionamiento, ya que si ésta se encuentra
abierta la decisión óptima será cerrarla. Finalmente, si el precio spot del cobre cae a
niveles inferiores al del precio crítico de abandono, la mina deja de producir en
forma definitiva sin importar el estado inicial en el cual se encuentre.
Del análisis de la figura anterior, se desprende que la curva de precios

críticos que marcan el umbral de abandono resulta creciente a medida que el nivel de
reservas de mineral disminuye, mientras que la curva de apertura presenta un
comportamiento opuesto. Estas tendencias se manifiestan debido a que el costo de
oportunidad de la extracción inmediata aumenta a medida que el inventario de la
mina se agota.
La curva de cierre disminuye hasta que el nivel de reservas es igual a 30

MMlbs, ya que para valores menores las curvas que representan los precios críticos
de cierre y abandono se unen. Esto provoca que para estos niveles de inventario la
mina se abandone sin un cierre previo.
Este comportamiento se debe a que los costos de cierre y mantención en

los que se debe incurrir para cerrar la mina, son demasiado altos en comparación al
beneficio de esperar que el precio suba, considerando el bajo nivel de reservas.
166
Cabe recordar que el proyecto de inversión planteado por Brennan y

Schwartz (1985) asume que las opciones de apertura, cierre y abandono pueden ser
ejercidas continuamente, y además el modelo asume que el plazo de concesión es
infinito.
Sin embargo, debido a las limitantes desde el punto de vista de los

requerimientos computacionales, la presente implementación del algoritmo LSM
asume que el ejercicio de estas opciones se realiza cada cuatro meses, dentro de un
plazo de concesión que se extiende por 50 años.
Al disminuir las oportunidades de ejercicio el modelo de la mina se

asemeja más a una concesión real, ya que para la mayoría de los proyectos mineros
resulta habitual que las decisiones de producción se evalúen unas cuantas veces por
año y no a cada instante de tiempo.
No obstante, para efectos de aproximar la política óptima este hecho

resulta un tanto perjudicial, ya que las decisiones que se toman en un momento
determinado obligan a los dueños del yacimiento a mantener dicha determinación
hasta la próxima oportunidad de ejercicio, es decir, dentro de cuatro meses. Esto
provoca que una decisión inapropiada pueda extenderse durante un período de
tiempo considerable.
Para cuantificar este efecto resulta útil comparar las políticas óptimas
exhibidas en la figura (6.1) las cuales se obtienen considerando tres oportunidades de
ejercicio por año, con aquellas curvas que resultan de la aplicación del método de
diferencias finitas, el cual asume que las decisiones de ejercicio pueden tomarse de
forma continua.
La figura que se exhibe a continuación, ilustra la comparación entre las

curvas que representan los precios críticos de apertura, según los dos métodos
considerados.
167
0.90
0.80
0.70
0.60
0.50
0.40
0.30
0.20
0.10 Algoritmo LSM Diferencias finitas
0.00
150 140 130 120 110 100 90 80 70 60 50 40 30 20 10
Figura (6.2) : Comparación de los precios críticos de apertura para distintos niveles de
inventario procedentes del algoritmo LSM, y del método de diferencias finitas.
Al observar el esquema anterior puede concluirse que, ambas curvas

presentan la misma tendencia, ya que las dos representan precios críticos de apertura
que disminuyen a medida que se agota el inventario.
La función encontrada a través del algoritmo LSM resulta más inestable

que la curva generada a partir de la otra metodología. Esta característica parece
bastante lógica, si se toma en cuenta que para encontrar los precios óptimos debe
168
recurrirse a métodos numéricos para encontrar las raíces de polinomios de tercer

orden.
La figura que se presenta a continuación efectúa la comparación entre las

curvas de cierre obtenidas mediante el algoritmo LSM y el método de diferencias
finitas implícitas.
0.60
0.50
0.40
0.30
0.20
0.10
Algoritmo LSM Diferencias finitas
0.00
150 140 130 120 110 100 90 80 70 60 50 40 30 20 10
Figura (6.3) : Comparación de los precios críticos de cierre para distintos niveles de
inventario procedentes del algoritmo LSM, y del método de diferencias finitas.
169
Como se puede apreciar en la figura (6.3), ambas curvas presentan una

orientación similar a medida que se agotan las reservas. Por último, la siguiente
figura compara las curvas de abandono generadas por ambos métodos.
0.60
0.50
0.40
0.30
0.20
0.10
Algoritmo LSM Diferencias finitas
0.00
150 140 130 120 110 100 90 80 70 60 50 40 30 20 10
Figura (6.4) : Comparación de los precios críticos de abandono para distintos niveles de
inventario procedentes del algoritmo LSM y del método de diferencias finitas.
La figura anterior muestra que ambas curvas de abandono se diferencian

por un margen que crece junto con el nivel de reservas de la mina.
170
La justificación para esta disparidad puede explicarse analizando la

estimación del valor esperado de la mina, parámetro que resulta fundamental para
determinar la política óptima de operación. Para ello, a continuación se exhibe una
figura que representa una de las tantas regresiones que se utilizan para estimar el
valor esperado de la mina cerrada.
Valores observados Valores ajustados
900
Valor mina cerrada (MMUS$)
800
700
600
500
400
300
200
100
0
-100
0 0.5 1 1.5 2 2.5 3 3.5
Precio spot (US$/Lb.)
Figura (6.5) : Regresión para estimar el valor esperado de una mina cerrada que cuenta
con 140 MMLb. en inventario. Los valores observados corresponden a las 50.000
simulaciones, y la base de regresión considera a las tres primeras potencias del precio
spot del commodity.
171
Debido a la naturaleza de la regresión por mínimos cuadrados la

estimación se ajusta mejor en aquellas zonas donde existe una mayor densidad de
valores observados, sin embargo, para aquellos valores donde la densidad de
observaciones es baja el ajuste resulta deficiente.
Para clarificar la magnitud de este efecto a continuación se presenta una

figura que sólo exhibe el ajuste de la regresión anterior para 300 valores observados
cuyos precios spot del cobre se encuentran bajo el costo marginal de producción, es
decir, inferiores a: 0.5 US$/Lb.
Valores ajustados Valores observados
180
160
Valor mina cerrada (MMUS$)
140
120
100
80
60
40
20
0
-20
0 0.5 1 1.5
Precio spot (US$/Lb.)
Figura (6.6) : Ajuste de la regresión exhibida en la figura (6.5) para aquellos valores
de la mina cerrada cuyo precio spot del cobre es inferior a 0.5 US$/Lb.
172
El contar con una mala aproximación en la zona de precios del

commodity para los cuales se produce el abandono de la mina se manifiesta
claramente en la figura (6.6), ya que para valores bajos del precio spot del cobre el
valor esperado se encuentra sesgado inferiormente, lo que provoca que el abandono
de las operaciones se produzca anticipadamente (es decir, para precios mayores que
los umbrales óptimos de abandono). Esta decisión errónea no “contamina” la
estimación del valor del proyecto debido a que el porcentaje de simulaciones donde
efectivamente se decide abandonar las operaciones es extremadamente bajo.
Una posible solución para este inconveniente y por ende una extensión
para futuras investigaciones consiste en dividir el dominio del precio spot del
commodity donde se realiza la estimación. De esta manera, las regresiones pueden
realizarse por tramos, logrando así una mejor aunque más compleja estimación del
valor esperado de la mina.
Otra alternativa consiste en asignar mayor peso a los valores observados

que presenten baja densidad, para de esta forma obligar a la regresión a un mejor
ajuste en esta zona. Sin embargo, esta refinación llevaría aparejado una distorsión en
la tasación del proyecto, por lo que debería buscarse un equilibrio, o bien, realizar
dos evaluaciones con objetivos distintos.
6.5 Análisis de sensibilidad de la política óptima de operación
Como es lógico, los costos de apertura, cierre y mantención, juegan un

papel fundamental en la determinación de los precios críticos que definen la
estrategia óptima de operación.
Para complementar entonces el análisis anterior, a continuación se

estudia el comportamiento de la política óptima de operación generada por el
algoritmo LSM, cuando se alteran los costos asociados a cada una de las
flexibilidades del proyecto.
173
La estructura de costos para los distintos casos a examinar se detallan a

continuación3:
Estructura de costos 1:
Los costos de apertura, cierre y mantención son nulos ( K1 = K 2 = f = 0 ).
Estructura de costos 2 :
Los costos de apertura y cierre se mantienen iguales, pero el costo de mantención es

nulo. ( K1 = US $200.000 ; K 2 = US $200.000 ; f = 0 ).
Estructura de costos 3 :
Los costos de apertura y cierre son nulos, y el costo de mantención se mantiene

igual. ( K1 = K 2 = 0 ; f = US $500.000 / año ).
Análogamente a la comparación efectuada en la sección anterior, los

resultados obtenidos mediante la aplicación del algoritmo LSM que considera
oportunidades de ejercicio cada cuatro meses se cotejan con las políticas óptimas de
operación obtenidas mediante el método de diferencias finitas, el cual asume que las
decisiones de ejercicio se toman en forma continua.
6.5.1 Análisis de la política óptima para la Estructura de Costos 1
Cuando los costos de apertura, cierre y abandono resultan ser nulos, el

yacimiento posee sólo dos estados operacionales: abierto y cerrado. La mina nunca
se abandona ya que los costos de mantención son nulos, por lo que no resulta
oneroso mantener el yacimiento fuera de funcionamiento de manera temporal.
Debido a la forma en la cual se implementa el algoritmo LSM puede

aseverarse que, las curvas de apertura y cierre coinciden para este caso, ya que la
única frontera relevante es aquélla que gatilla el inicio de las faenas de producción.
Por otro lado, debido a la inexistencia de los costos de mantención la curva de
3
Estos son los mismos casos considerados por Acosta (1999).
174
abandono coincide con el eje de las abscisas. La siguiente figura, exhibe la estrategia
óptima de operación cuando todos los costos son nulos.
1.40
1.20
1.00
0.80
0.60
0.40
0.20 apertura abandono

0.00
150 140 130 120 110 100 90 80 70 60 50 40 30 20 10
Figura (6.7) : Política óptima de operación obtenida a través del algoritmo LSM para los
distintos niveles de inventario, con K1 = K 2 = f = 0 .
Como se mencionó anteriormente, para este caso los umbrales críticos

determinan sólo dos estados posibles de operación para la mina, ya que al no existir
costo de mantención, nunca será óptimo abandonar la producción definitivamente.
De esta forma, resulta factible conservar la mina fuera de

funcionamiento durante cualquier período de tiempo a la espera de que los precios
del commodity aumenten para alguna fecha futura.
175
Las curvas de apertura y cierre coinciden para este caso, debido a que
pasar de un estado a otro no significa costo alguno, así lo único importante es saber
el estado operacional actual. Éste se encuentra definido por la curva de apertura de la
figura (6.7), ya que para precios mayores a este nivel, la mina estará produciendo,
mientras que para valores inferiores las faenas se habrán detenido temporalmente.
La tendencia de esta curva de frontera indica que, a medida que se agota

el inventario los dueños valoran más los bloques de mineral, por lo tanto, exigen un
precio cada vez mayor para venderlos.
La siguiente figura compara la política óptima ilustrada anteriormente

con aquélla que se obtiene al aplicar el método de diferencias finitas.
1.60
1.40
1.20
1.00
0.80
0.60
0.40
apertura LSM apertura MDF abandono
0.20
0.00
150 140 130 120 110 100 90 80 70 60 50 40 30 20 10
Figura (6.8) : Comparación de las políticas óptimas de operación para distintos niveles
de inventario, para K1 = K 2 = f = 0 , encontradas mediante el algoritmo LSM y el
método de diferencias finitas (MDF).
176
Al observar la figura anterior se puede afirmar que, las curvas

encontradas por ambos métodos se encuentran muy cercanas. Además, como es
lógico ambos métodos generan la misma curva de abandono.
Cuando los costos de apertura y cierre son distintos de cero, pero el costo
de mantención es nulo, la mina también posee sólo dos estados operacionales: abierta
y cerrada. La diferencia con el caso anterior es que para esta estructura de costos las
curvas de apertura y cierre se diferencian notablemente, debido a que en estas
circunstancias sí resulta relevante el estado inicial de la mina. La siguiente figura,
ilustra la política óptima de operación para esta estructura de costos.
1.80
1.60
1.40
1.20
1.00
0.80
0.60
0.40
apertura LSM cierre LSM abandono
0.20
0.00
150 140 130 120 110 100 90 80 70 60 50 40 30 20 10
Figura (6.9) : Política óptima de operación obtenida a través del algoritmo LSM, para
distintos niveles de inventario, con K1 = K 2 = US $200.000 y f = 0 .
177
La estrategia óptima presentada en la figura anterior resulta similar a la

de la estructura de costos número uno, ya que ambas presentan la misma tendencia,
es decir, aumentan a medida que el inventario de la mina disminuye. Sin embargo, a
diferencia del caso anterior, y debido a la incorporación de los costos de apertura y
cierre, los precios críticos se separan dando lugar a dos funciones completamente
distintas.
La comparación entre las distintas políticas de operación para esta

estructura de costos, se exhibe en la siguiente figura.
2.00
1.80
1.60
1.40
1.20
1.00
0.80
0.60
0.40 apertura LSM apertura MDF cierre LSM
0.20 cierre MDF abandono
0.00
150 140 130 120 110 100 90 80 70 60 50 40 30 20 10
Figura (6.10): Comparación de las políticas óptimas de operación para distintos

niveles de inventario, para K1 = K 2 = US $200.000 y f = 0 encontradas mediante el
algoritmo LSM y el método de diferencias finitas (MDF).
178
Al observar la comparación reportada en la figura (6.10) se puede

apreciar que ambas metodologías generan curvas de precios críticos muy similares.
Para la opción de apertura el método de diferencias finitas, genera

umbrales de ejercicio levemente superiores que el algoritmo LSM, mientras que para
la opción de cierre ocurre lo contrario. Por último, y como es lógico las dos
metodologías elaboran la misma curva de abandono.
La siguiente figura ilustra la política óptima de operación para los costos:

K1 = K 2 = 0 y f = 500.000 / año .
0.70
0.60
0.50
0.40
0.30
0.20
0.10 apertura LSM abandono LSM
0.00
150 140 130 120 110 100 90 80 70 60 50 40 30 20 10
Figura (6.11) : Política óptima de operación obtenida a través del algoritmo LSM para
los distintos niveles de inventario, para K1 = K 2 = 0 y f = 500.000 / año .
179
La política óptima representada en la figura anterior demuestra que la

introducción de los costos de mantención provoca que los dueños del proyecto se
vean forzados a tomar la decisión de producir para niveles del precio del commodity
cada vez más bajos, a medida que se agotan las reservas de la mina, esto se debe al
costo de oportunidad que significa mantener la mina cerrada.
La siguiente figura compara los precios críticos obtenidos mediante los

dos algoritmos considerados en este análisis.
0.70
0.60
0.50
0.40
0.30
0.20
0.10 apertura LSM apertura MDF

abandono LSM abandono MDF
0.00
150 140 130 120 110 100 90 80 70 60 50 40 30 20 10
Figura (6.12) : Comparación de las políticas óptimas de operación para distintos niveles
de inventario, para K1 = K 2 = 0 y f = 500.000 / año encontradas mediante el algoritmo
LSM y el método de diferencias finitas (MDF).
180
La comparación ilustrada en la figura anterior demuestra que, las curvas

siguen tendencias similares, sin embargo, para el caso de las curvas de abandono,
éstas se diferencian por un margen apreciable, en especial para altos niveles del
inventario.
Como se mencionó anteriormente, la disparidad entre las curvas de

abandono se debe a la metodología utilizada para estimar el valor esperado de la
mina, ya que ésta provoca un sesgo inferior en la estimación para precios bajos del
commodity, lo que lleva a abandonar las faenas de forma anticipada.
Al concluir este análisis de sensibilidad puede afirmarse que, las

diferencias existentes entre ambas algoritmos se deben principalmente a las
inestabilidades propias de la regresión en cuanto a su subespecificación, ya que
según los análisis de convergencia el número de variables explicativas resulta muy
grande.
Por último, debe considerarse que, ambos métodos generan políticas

óptimas provenientes de modelos que difieren en el número de oportunidades de
ejercicio.
Sin embargo, a pesar de estos inconvenientes la similitud entre las

distintas curvas analizadas resulta satisfactoria para la gran mayoría de los casos
analizados. Además, la tendencia seguida por los precios críticos generados se ajusta
a la lógica económica que rige estas decisiones. Esta característica otorga al
algoritmo LSM una consistencia intrínseca, ya que sus resultados resultan coherentes
de interpretar.
En el próximo y último capítulo se presentan las principales conclusiones

que surgen del análisis, aplicación e interpretación de los distintos resultados
obtenidos al utilizar el algoritmo de Lonstaff y Schwartz (2001) a través de toda esta
investigación.
181
VII. CONCLUSIONES
En esta tesis se implementó el algoritmo propuesto por Longstaff y

Schwartz (2001) (LSM) a la resolución de dos problemas pertenecientes al enfoque
de valorización de activos conocido como Teoría de Opciones Reales. Ambos
modelos plantean diversas dificultades para cualquier metodología de valorización,
debido a las distintas flexibilidades presentes en estos proyectos. El primero de ellos
describe una concesión de un pozo de petróleo sin desarrollar, el cual para comenzar
a producir necesita de una inversión inicial. La decisión de explotar este yacimiento
debe tomarse durante un plazo finito. El segundo modelo analizado corresponde a un
trabajo clásico en la literatura de opciones reales. Este proyecto consiste en una mina
de cobre que cuenta con una tasa de producción variable. Las flexibilidades con las
que cuentan los dueños de este yacimiento involucran la detención temporal de las
faenas, su reanudación, o bien, su abandono definitivo.
Para resolver el primer modelo el algoritmo LSM se aplicó

considerando dos variables de estado, ya que el proceso utilizado para describir la
evolución de los precios del petróleo involucra un retorno por conveniencia
estocástico. La eficiencia con la cual la simulación de Monte Carlo incorpora nuevas
variables de estado hizo posible que, el algoritmo LSM se aplicara con relativa
facilidad a este problema. Los resultados encontrados se cotejaron con otras
metodologías numéricas, lo cual ratificó la validez de la solución presentada.
En cuanto a la resolución del segundo modelo, se optó por cuadrar los

resultados encontrados con el método de diferencias finitas. Sin embargo, la solución
generada a través de esta metodología suponía que el tiempo no era una dimensión
relevante del modelo. Esto presentaba un serio inconveniente para la aplicabilidad
del algoritmo LSM, ya que éste utiliza la simulación para modelar el proceso de
precios, por lo que la variable tiempo resulta indispensable de considerar. Este
problema se superó simulando un plazo de concesión muy extenso para el proyecto,
182
de manera de aproximar la connotación infinita de la concesión original. Este ajuste

debió complementarse con la redefinición de las dimensiones del modelo. La
precisión de los resultados encontrados ratifica la validez de esta adaptación, como
también da lugar a nuevas extensiones del modelo, las cuales pueden hacer uso del
tiempo como variable de estado.
Una de las ventajas de utilizar el enfoque de opciones reales para

valorizar activos consiste en la obtención de la política óptima de operación de los
proyectos. Uno de los beneficios de resolver estos modelos mediante el algoritmo
LSM consiste en la facilidad con que se encuentran los precios críticos que definen
los distintos estados operacionales, ya que a diferencia de otros métodos alternativos
esta metodología trabaja con valores exactos de las variables de estado y no con
agrupaciones de valores promedio, por lo que tanto la obtención como la
interpretación de estos resultados se facilita en gran medida.
Otro punto importante de destacar consiste en la enorme flexibilidad

que supone la aplicación del algoritmo LSM, debido a que las estimaciones por
mínimos cuadrados que utiliza esta metodología pueden realizarse sobre una gran
cantidad de bases de regresión, siendo la más sencilla de ellas las potencias simples
de las variables de estado. Además, esta metodología permite enfocarse en aquellos
dominios donde resulta relevante la estimación, es decir, permite eliminar de la
regresión aquellos valores de la variable de estado para los cuales la decisión óptima
a tomar sea trivial, concentrándose de esta forma en las zonas donde sí existe una
disyuntiva real.
En cuanto a la utilización de la simulación para aproximar las

distribuciones de probabilidad de las variables de estado, esta herramienta resulta
muy poderosa ya que es capaz de incorporar al modelo toda la complejidad que sea
necesaria en cuanto a la forma de los flujos de caja, la estructura tributaria, las
funciones de costo, etc.
183
El algoritmo LSM resulta intuitivo de aplicar, debido a que todos sus

procedimientos siguen una evolución lógica. Esta característica resulta muy
importante para la Teoría de Opciones reales, ya que al ser ésta una metodología que
resulta un tanto más compleja que las tradicionales, necesita de un método de
resolución que pueda ser simple de explicar para de esta manera fomentar la
adopción de este enfoque entre los ejecutivos que toman las decisiones de asignación
de capital.
Algunas extensiones para este trabajo de investigación pueden

concretarse mediante la exploración de las distintas potencialidades que presenta el
algoritmo LSM. La más clara de ellas consiste en valorizar proyectos que consideren
varios factores para explicar la evolución de los precios de commodities u otras
variables de estado, como pueden ser la inflación o la tasa de interés.
Lo anterior puede ser complementado con el uso de métodos de

proyección alternativos a los mínimos cuadrados ordinarios. Por ejemplo, para el
caso de modelos con volatilidades variables, la estimación debería llevarse a cabo
mediante el método generalizado de momentos, debido a la heterocedasticidad del
modelo.
Otra fuente de posibles extensiones consiste en mejorar la estimación

de los valores esperados de la mina en aquellas zonas donde existe una baja densidad
de observaciones. Esto mejoraría la determinación de las políticas óptimas de
operación.
Por último, cabe destacar la enorme aplicabilidad de este algoritmo a

otras ramas de valorización de opciones, como es el caso de los bonos convertibles,
las deudas soberanas, las letras de crédito, o en general cualquier instrumento
financiero de carácter americano.
184
BIBLIOGRAFÍA
ACOSTA, P. (1999) Modelo de Simulación de Monte Carlo para evaluar opciones

reales :Evaluación de una mina de cobre mediante el algoritmo de Barraquand-
Martineau Mag. en Cs. de la Ingeniería, Pontificia Universidad Católica de Chile.
ANDERSEN, L. (2000) A Simple Approach to the pricing of bermudian Swaptions in

the Multi-Factor Libor market Model. Journal of Computational Finance. Vol. 3, 5-32.
ANDERSEN, L. y BROADIE, M. (2001) A primal–dual simulation algorith for pricing

multi-dimensional american options. Documento de trabajo. Columbia University, New
York.
BARONE-ADESI, G. y WHALEY, R.E. (1987) Efficient analytical aproximation of

American option value. The Journal of Finance, Vol. 42, Nº 3, 301-320.
BARRAQUAND, J. y MARTINEAU, D. (1995) Numerical Valuation of High

Dimensional Multivariate American Securities. Journal of Financial and Quantitative
Analysis, Vol. 30, N° 3, 383-405.
BERNARDO. A. y CHOWDRY, B. (2002) Resources, real options, and corporate

strategy. Journal of Financial Economics. Nº 63, 211-234.
BLACK, F. y SCHOLES, M. (1973) The pricing of options and corporate liabilities.

Journal of Political Economy, Vol. 81, 637-654.
BOSSAERTS, P. (1988) Simulation Estimators of Early Optimal Exercise. Documento

de Trabajo Graduate School of Industrial Administration, Carnigie Melon University.
BRENNAN, M.J. (1991) The price of convenience and the valuation of commodity
contingent claims. En D. Lund y B. Øksendal (eds.) Stochastic models and option
values, Elsevier, North Holland.
BRENNAN, M.J. y SCHWARTZ, E.S. (1977). The valuation of the american put
options. The Journal of Finance Vol. 32, N° 2, 449-462.
185
BRENNAN, M.J. y SCHWARTZ, E.S. (1982) Consistent Regulatory Policy under

uncertainity. Bell Journal of Economics N° 13, 506-521.
BRENNAN, M.J. y SCHWARTZ, E.S. (1985) Evaluating natural resources investments.

Journal of Business, Vol. 58, N° 2, 135-157.
BROADIE, M. y GLASSERMAN, P. (1997a) Pricing American-Style Securities using

simulation. Journal of Economics Dynamics and Control, Vol. 21, N° 8-9, 1323-1352.
BROADIE, M. y GLASSERMAN, P. (1997b) A Stochastic Mesh Method for pricing

high dimensional American Options. Documento de Trabajo, University of Columbia.
BROADIE, M. y GLASSERMAN, P. (1997c) Monte Carlo Methods for pricing high

dimensional American Options. Documento de Trabajo, University of Columbia.
BROADIE, M., GLASSERMAN, P. y JAIN, G. (1997) Enhanced Monte Carlo

estimates for American Options Prices. Journal of Derivatives, Vol. 5, Nº1, 25-44.
CARR, P. y YANG, G. (1999) Simulating Bermudian Interest Rate Derivatives.

Documento de Trabajo. Bank of America, New York.
CARR, P., JARROW, R. y MYNENI, R. (1992) Alternative Characterizations of

American put options. Mathematical Finance Vol.2, 87-106.
CARRIERE, J. F. (1996) Valuation of the early exercise price for derivative securities
using simulation and splines. Insurance: Mathematics and Economics. Vol. 19, 19-30.
CASSASUS, J. (1996) Evaluación de Inversiones en Recursos Naturales con Múltiples

Etapas de Producción utilizando Opciones Reales. Mag. en Cs. de la Ingeniería,
Pontificia Universidad Católica de Chile.
CASTILLO, A. (1999) An application of natural resource evaluation using a simulation-

dynamic programming approach. Journal of Computational Finance. Vol.3, Nº2.
CAVERHILL, A. y WEBBER, N. (1990). American Options: Theory and Numerical

Analysis. En Options: Recent Advantages in Theory and Practice Manchester University
Press.
186
CLÉMENT, E., LAMBERTON, D. y PROTTER, P. (2001) An Analysis of the

Longstaff-Schwartz Algorithm for American Option Pricing. Documento de Trabajo.
Université de Marne-la-Vallée.
CLEWLOW, L. y STRICKLAND, C. (1998) Pricing Interest Rate Exotics by Monte

Carlo Simulation. En Monte Carlo Methodoligies and Applications for Pricing and Risk
Management. Risk Books, London.
CORTAZAR, G. (1999) The valuation of natural resources. En Trigeorgis (ed.) Real

options and business strategy: Applications to decision making, Risk Books, London.
CORTAZAR, G. y CASSASUS, J. (2000) A compound option model for evaluating

multi-stage natural resource investments. En M.J. Brennan y L.Trigeorgis (eds.) Project
Flexibility, agency and competition: New developments in the theory and application of
real options. Oxford University Press, New York.
CORTAZAR, G. y SCHWARTZ, E.S. (1993) A compound option model of production

and intermediate investement. Journal of Business, Vol. 66, N° 4, 517-540.
CORTAZAR, G. y SCHWARTZ, E.S. (1994) The valuation of commodity-contingent

claims. The Journal of Derivatives, Vol. 1, 27-35.
CORTAZAR, G. y SCHWARTZ, E.S. (1997) Implementing a real option model for

valuing an undeveloped oil field. International Transactions in Operational Research,
Vol. 4, N° 2, 125-137.
CORTAZAR, G. y SCHWARTZ, E.S. (1998) Monte Carlo evaluation model of an

undeveloped oil field. Journal of Energy Finance & Development, Vol. 3, N° 1, 73-84.
CORTAZAR, G., SCHWARTZ, E.S. y CASASSUS, J. (2001) Optimal exploration

under price and geological-technical uncertainty: A real options model. R&D
Management, Vol. 31, N° 2, 181-189.
CORTAZAR, G., SCHWARTZ, E.S. y LÖWENER, A. (1998) Optimal investement and

production decisions and the value of the firm. Review of Derivatives Research, Vol. 2,
39-57.
187
CORTAZAR, G., SCHWARTZ, E.S. y SALINAS, M. (1998) Evaluating environmental

investments: A real options approach. Management Science, Vol 44, Nº 2, 1059-1070.
COX, J.C y ROSS, S.A. (1976) The Valuation of Options for Alternative Sthocastic
Processes. Journal of Financial Economics Nº 3, 145-166.
COX, J.C, INGERSOLL, J.E. y ROSS, S.A. (1985) An Intertemporal General

Equilibrium Model Of Asset Prices. Econometrica. Nº 53, 363-384.
COX, J. ROSS, S. y RUBINSTEIN, M. (1979) Option pricing: A simplified approach.

Journal of Financial Economics, Vol. 7, 229-264.
COURTADON, G. (1982) A more accurate Finite Difference Approximation for the

Valuation of Options. Journal of Financial and Quantitative Analysis, Vol. XVII, Nº 5,
Diciembre 1982.
DUDLEY, R.M. (1989) Real Analysis and Probability. 2ª ed. Chapman&Hall, New
York.
GARCIA, D. (1999) A Monte Carlo Method for pricing American Options. Documento
de trabajo. Darmouth College.
GESKE, R. y JOHNSON, H. (1984) The American put options valued analytically. The
Journal of Finance, Vol. 39, Nº 5, 1511-1524.
GIBSON, R. y SCHWARTZ, E.S. (1990) Stochastic convenience yield and the pricing
of oil contingent claims. The Journal of Finance, Vol. 45, N° 3, 959-976.
HARRISON, J. M. y PLISKA, S.R. (1981) Martingales and Stochastic Integrals in the

Theory of Continous Trading. Stochastic Process and their Applications. Nº 11, 261-
271.
HAUGH, M. y KOGAN, L. (2001) Approximating Pricing and Exercising of High-

Dimensional American Options: A Duality Approach. Documento de Trabajo. MIT.
HEATH, D., JARROW, R. y MORTON, A. (1992 ), Bond pricing and the term structure
of interest rates. Econometrica, Vol. 60, 77-106.
188
HULL, J. (1999) Options, Futures & Other Derivatives. 4ª ed. Prentice Hall, Upper
Saddle River,NJ.
ITO, K. (1951) On Stochastic Differential Equations. Memoirs American Mathematical

Society, Nº 4, 1-51.
KIM, I. J. (1990) The Analytic Valuation of American options. Review of Financial

studies Vol.3, Nº 4, 547-572.
LAUGHTON, D.G. y JACOBY, H.D. (1993) Reversion, timing options, and long-term
decision-making. Financial Management. Vol. 22, N° 3, 225-240.
LI, B. y ZHANG, G. (1996) Hurdles Removed Documento de Trabajo. Merril Linch,

New York.
LONGSTAFF, F.A. y SCHWARTZ E.S. (2001) Valuing american options by

simulation: A simple least -squares approach. The Review of Financial Studies, Vol. 14,
Nº 1, 113-147.
LONGSTAFF, F.A., SANTACLARA ,P. y SCHWARTZ, E.S (2001) Throwing Away

a Billion Dollars: The Cost of Sub-optimal Exercise Strategies in the Swaption Market.
Journal of Financial Economics 62:1, pp. 39-66.
MAJD, S. y PINDYCK, R. (1987) Time to Build, Option Value, and Investmnent

Decisions. Jounal of Financial Economics. Nº 18 ,7-27.
MCDONALD, R. y SIEGEL, D. (1985) Investment and the Valuation of Firms when

there is an option to shut down. International Economic Review, Vol 26, Nº 2, 331-349.
MCDONALD, R. y SIEGEL, D. (1986) The value of waiting to invest. The Quarterly

Journal of Economics, Noviembre,1986.
MERTON, R.C. (1976) Option pricing when underlying stock returns are discontinous.
The Journal of Financial Economics. Nº 3, 125-144.
189
MORENO, M. y NAVAS, J. (2001) On the Robustness of Least Squares Monte-Carlo

(LSM) for pricing American Derivatives. Documento de trabajo. Universitat Pompeu
Fabra, Barcelona.
OSORIO, M. (1999) Modelo de simulación de Monte Carlo para evaluar opciones

reales: Evaluación de un pozo de petróleo y de una mina de cobre mediante el algoritmo
de Raymar-Zwecher . Mag. en Cs. de la Ingeniería, Pontificia Universidad Católica de
Chile.
PADDOCK, J., SIEGEL, D. y SMITH, J. (1988) Option Valuation of Claims on

Physical Assets: The Case of Offshore Petroleum Leases. Quarterly Journal of
Economics Vol. 103, Nº 3, 479-508.
PINDYCK, R. (1993) Investment of Uncertain Cost. Journal of Financial Economics.

Nº 34, 53-76.
RAYMAR, S. y ZWECHER, M. (1997) A Monte Carlo valuation of American Call

Options on the maximum of several stocks. Journal of Derivatives 5, Nº 1 (Fall), 7-23.
ROGERS, C. (2001) Monte Carlo Valuation of American Options. Documento de

Trabajo Darmouth College.
SCHWARTZ, E.S. (1997) The stochastic behaviour of commodity prices: Implications

for valuation and hedging. The Journal of Finance, Vol. 52, N° 3, 923-973.
SCHWARTZ, E.S. y MOON, M. (2000) Evaluation of Research and Development

Investments. En M.J. Brennan y L. Trigeorgis (eds.) Innovation, Infraestucture and
Strategic Options. Oxford University Press, New York.
SCHWARTZ, E.S. y TRIGEORGIS, L. (2001) Real Options and Investment under

Uncertainity: Classical Readings and Recent Contributions. MIT Press.
SCHWARTZ, E.S. y SMITH, J.E. (2000) Short-term variations and long-term dynamics
in commodity prices. Management Science, Vol. 46, 893-911.
SHARPE, W. (1964) Capital Asset Prices: A Theory of Market Equilibrium Under

Conditions of Risk. The Journal of Finance, Vol. 19, 425-442.
190
SLADE, M. (2001) Valuing Managerial Flexibility: An application of Real-Option

theory to minig investments. Documento de trabajo. University of British Columbia.
STENTOFT, L. (2001) Assesing the Least Squares Monte-Carlo Approach to American

Option Valuation. Documento de Trabajo. University of Aarhus.
TILLEY, J.A (1993) Valuing American Options in a Path Simulation Model.

Transactions of the Society of Ancuariess, Nº 45, 42-56.
TOURINHO, P. (1979) The option value of Reserves of Natural Resources. Documento

de Trabajo. University of California-Berkeley.
TRIGEORGIS, L. y MASON, P. (1987) Valuing Managerial Flexibility. Midland

Corporate Finance Journal,, Vol. 5, Nº 1, 14-21.
TSITSIKLIS, J. y VAN ROY, B. (2001) Regression methods for pricing complex

american-style options. IEEE Transactions on Neural Network. Vol. 12 ,694-703.
191
ANEXOS
192
ANEXO A : DESCRIPCIÓN DE ALGUNOS POLINOMIOS QUE

CONFORMAN UNA BASE PARA UN ESPACIO DE HILBERT.
A.1 Polinomios de Legendre.
P0 ( x) = 1
P1 ( x) = x
1
P2 ( x) = (3 x 2 − 1)
2
1
P3 ( x) = (5 x 3 − 3 x)
2
1
P4 ( x) = * (35 x 4 − 30 x 2 + 3)
8
1
P5 ( x) = (63x 5 − 70 x 3 + 15 x)
8
1
P6 ( x) = (231x 6 − 315 x 4 + 105 x 2 − 5)
16
A.2 Polinomios de Chebyshev
T0 ( x) = 1
T1 ( x) = x
T2 ( x) = 2 x 2 − 1
T3 ( x) = 4 x3 − 3x
T4 ( x) = 8 x 4 − 8 x 2 + 1
T5 ( x) = 16 x 5 − 20 x 3 + 5 x
193
T6 ( x) = 32* x 6 − 48* x 4 + 18* x 2 − 1
A.3 Polinomios de Gegenbauer
C0λ ( x) = 1
C1λ ( x) = 2λ x
C2λ ( x) = −λ + 2λ (1 + λ ) x 2
4
C3λ = −2λ (1 + λ ) x + λ (1 + λ )(2 + λ ) x 3
3
A.4 Polinomios de Jacobi
P0(α , β ) ( x) = 1
1
P1(α ,β ) ( x) = [ 2(α − 1) + (α + β + 2)( x − 1)]
2
1
P2(α , β ) ( x) =  4(α − 1) 2 + 4(α + β + 3)(α + 2)( x − 1) + (α + β + 3) 2 ( x − 1) 2 
8
194
ANEXO B : DEMOSTRACIÓN DE LA PRIMERA PROPOSICIÓN DE

CONVERGENCIA DEL ALGORITMO LSM.
B.1 Proposición 3.1
Si M representa el número de funciones presentes en la base de

regresión, K denota el número de oportunidades de ejercicio de la opción; FM (ω ; tk )
denota la función esperanza de continuar que depende de las M funciones base, y
FˆM (ω , tk ) corresponde a la aproximación por mínimos cuadrados de la expresión
anterior, entonces:
Suponga que LSM (ω , M , K ) representa al flujo de caja descontado que

resulta de seguir la regla establecida por el algoritmo LSM de ejercer en cuanto el
valor de ejercicio inmediato sea mayor o igual que FˆM (ω , tk ) . Entonces para
cualquier elección discreta de los parámetros M, K, y del vector θ ∈ R M *( K −1) que

representa los coeficientes correspondientes a las M funciones base para cada una
de las ( K − 1) oportunidades de ejercicio, la siguiente inecuación se cumple con
seguridad casi absoluta.
N
1
V ( X ) ≥ lim
N →∞ N
∑ LSM (ω , M , K )
i =1
i
Por definición, el valor del activo subyacente X tk resulta medible con
respecto a la partición Ftk . De igual forma, el valor de ejercicio inmediato de la
opción resulta medible con respecto a Ftk . Por construcción FˆM (ω , tk ) es una
función lineal de X tk por lo que también resulta medible con respecto a Ftk . Luego,
el evento que describe la situación en la cual el ejercicio inmediato de la opción es

mayor que cero y mayor que FˆM (ω , tk ) pertenece a Ftk , por lo que la regla generada
por el algoritmo LSM consistente en ejercer la opción cuando este evento ocurre,
195
define un tiempo de parada. Si el valor presente de seguir esta estrategia de parada se

denota por Eθ . Entonces, dado que V ( X ) es el supremo de todos los valores
presentes que se generan debido a cualquier tiempo de parada : V ( X ) ≥ Eθ .
Dado que la forma funcional de FˆM (ω , tk ) es la misma para todas las
trayectorias, los flujos de caja representados por: LSM (ω , M , K ) , resultan

independientes e idénticamente distribuidos, por lo que al aplicar la versión fuerte de
 1 N

la ley de los grandes números se tiene que: Pr  lim
 N →∞ N
∑ LSM (ω , M , K ) = Eθ  = 1
i =1
i
Este resultado en combinación con la desigualdad anterior, comprueban la

proposición.
196
ANEXO C : VALOR DE LA MINA INFINITA QUE NO CUENTA CON LA

OPCIÓN DE CERRAR
ms n
La motivación de este anexo es demostrar que, el término −
λ+k r+λ
de la ecuación (5.39) representa el valor de una mina infinita, que está obligada a
producir, y por ende no cuenta con la opción de cerrar.
Si q * , representa la tasa de producción anual de la mina, F (t ) simboliza

el valor de una unidad de commodity que se vende en el momento t y A denota el
costo unitario de producción. El flujo de caja diferencial de la mina para el tiempo t ,
se encuentra dado por la siguiente expresión:
dFC = q * dt ( F (t ) − A) − t1 F (t ) + t2 ( F (t )(1 − t1 ) − A )   (C.1)
Donde t1 corresponde a la tasa de impuesto sobre las ventas y t2

simboliza la tasa de impuesto a las utilidades.
Reagrupando términos en la ecuación (C.1), se obtiene la siguiente

expresión:
dFC = q * dt [ F (t )(1 − t2 )(1 − t1 ) − A(1 − t2 ) ] (C.2)
Si se descuenta esta expresión se puede obtener un elemento diferencial

del valor presente de la mina infinita, luego si se denota por: dVP a este diferencial,
y se considera que r simboliza la tasa de interés, y λ representa el premio por
riesgo político. Entonces al descontar la ecuación (C.2), se obtendrá la siguiente
expresión:
dVP = q * dt  se− ( r −κ )t (1 − t2 )(1 − t1 ) − A(1 − t2 )  e− ( r + λ ) t (C.3)
En (C.3) el valor F (t ) se reemplaza por el valor del futuro que se transa

en el tiempo t = 0 , y que tiene como referencia el valor del spot en ese momento el
197
cual se denota por: s y el retorno por conveniencia del commodity el cual se

simboliza mediante: κ , luego: F (t ) = se − ( r +κ ) t .
Si m = q * (1 − t1 )(1 − t2 ) y n = q * A(1 − t2 ) , la expresión (C.3) puede

escribirse de la siguiente manera:
dVP = ( se− (κ + λ )t m − ne− ( r + λ )t )dt (C.4)
Si se integra la ecuación anterior entre t = 0 y t = ∞ , se puede obtener el

valor presente de la mina en cuestión, luego:
t =∞ t =∞
∫e ∫e
− (κ + λ ) t − ( r +λ )t
VP = ( dt ) sm −( dt )n (C.5)
t =0 t =0
Resolviendo las integrales presentes en la ecuación anterior se obtiene la

ms n
VP = − (C.6)
λ +k r+λ
198
ANEXO D : VALOR DE LA MINA DEL EJEMPLO DE BRENNAN Y

SCHWARTZ (1985) PARA DISTINTOS PARÁMETROS
TÉCNICOS PROPIOS DEL ALGORITMO LSM.
D.1 Número de simulaciones.
A continuación se presentan los valores de la mina del ejemplo propuesto

por Brennan y Schwartz (1985) cuando se varía la cantidad de simulaciones.
D.1.1 10.000 simulaciones
Tabla (D.1) : Valor de la mina obtenida por Brennan y Schwartz (1985) mediante el
método de diferencias finitas v/s el algoritmo LSM cuando éste se aplica considerando
10.000 simulaciones, tres oportunidades de ejercicio por año, tres potencias como base
de regresión y 50 años de plazo de concesión.

0,4 4,15 4,35 4,06 4,26 -2,17% -2,07%
0,5 7,95 8,11 7,68 7,88 -3,40% -2,84%
0,6 12,52 12,49 12,20 12,17 -2,56% -2,56%
0,7 17,56 17,38 17,22 17,02 -1,94% -2,07%
0,8 22,88 22,68 22,41 22,21 -2,05% -2,07%
0,9 28,38 28,18 27,95 27,75 -1,52% -1,53%
1,0 34,01 33,81 33,60 33,40 -1,21% -1,21%

199

0,4 4,15 4,35 4,20 4,40 1,20% 1,15%
0,5 7,95 8,11 8,04 8,22 1,13% 1,36%
0,6 12,52 12,49 12,58 12,58 0,48% 0,72%
0,7 17,56 17,38 17,62 17,42 0,34% 0,23%
0,8 22,88 22,68 22,90 22,70 0,09% 0,09%
0,9 28,38 28,18 28,43 28,23 0,18% 0,18%
1,0 34,01 33,81 34,06 33,86 0,15% 0,15%

200

0,4 4,15 4,35 4,15 4,35 0,00% 0,00%
0,5 7,95 8,11 7,92 8,09 -0,38% -0,25%
0,6 12,52 12,49 12,45 12,43 -0,56% -0,48%
0,7 17,56 17,38 17,50 17,30 -0,34% -0,46%
0,8 22,88 22,68 22,88 22,68 0,00% 0,00%
0,9 28,38 28,18 28,43 28,23 0,18% 0,18%
1,0 34,01 33,81 34,09 33,89 0,24% 0,24%

201

0,4 4,15 4,35 4,10 4,30 -1,20% -1,15%
0,5 7,95 8,11 7,87 8,06 -1,01% -0,62%
0,6 12,52 12,49 12,45 12,41 -0,56% -0,64%
0,7 17,56 17,38 17,51 17,31 -0,28% -0,40%
0,8 22,88 22,68 22,85 22,65 -0,13% -0,13%
0,9 28,38 28,18 28,40 28,20 0,07% 0,07%
1,0 34,01 33,81 34,08 33,88 0,21% 0,21%

202
D.2 Oportunidades de ejercicio.

por Brennan y Schwartz (1985) cuando se varía la frecuencia con la cual se evalúan
las decisiones de abrir, cerrar, y abandonar la mina.
D.2.1 Oportunidades de ejercicio anuales
50.000 simulaciones, una oportunidad de ejercicio por año, tres potencias como base de
regresión y 50 años de plazo de concesión.

0,4 4,15 4,35 3,96 4,16 -4,58% -4,37%
0,5 7,95 8,11 7,74 7,94 -2,64% -2,10%
0,6 12,52 12,49 12,34 12,28 -1,44% -1,68%
0,7 17,56 17,38 17,47 17,27 -0,51% -0,63%
0,8 22,88 22,68 22,87 22,67 -0,04% -0,04%
0,9 28,38 28,18 28,48 28,28 0,35% 0,35%
1,0 34,01 33,81 34,22 34,02 0,62% 0,62%

203
D.2.2 Oportunidades de ejercicio semestrales
50.000 simulaciones, dos oportunidades de ejercicio por año, tres potencias como base

0,4 4,15 4,35 4,14 4,34 -0,24% -0,23%
0,5 7,95 8,11 7,90 8,10 -0,63% -0,12%
0,6 12,52 12,49 12,43 12,40 -0,72% -0,72%
0,7 17,56 17,38 17,47 17,27 -0,51% -0,63%
0,8 22,88 22,68 22,84 22,64 -0,17% -0,18%
0,9 28,38 28,18 28,41 28,21 0,11% 0,11%
1,0 34,01 33,81 34,11 33,91 0,29% 0,30%

204
D.2.3 Oportunidades de ejercicio cuatrimestrales

0,4 4,15 4,35 4,15 4,35 0,00% 0,00%
0,5 7,95 8,11 7,92 8,09 -0,38% -0,25%
0,6 12,52 12,49 12,45 12,43 -0,56% -0,48%
0,7 17,56 17,38 17,50 17,30 -0,34% -0,46%
0,8 22,88 22,68 22,88 22,68 0,00% 0,00%
0,9 28,38 28,18 28,43 28,23 0,18% 0,18%
1,0 34,01 33,81 34,09 33,89 0,24% 0,24%

205
D.2.4 Oportunidades de ejercicio trimestrales
50.000 simulaciones, cuatro oportunidades de ejercicio por año, tres potencias como
base de regresión y 50 años de plazo de concesión.

0,4 4,15 4,35 4,10 4,30 -1,20% -1,15%
0,5 7,95 8,11 7,91 8,08 -0,50% -0,37%
0,6 12,52 12,49 12,47 12,45 -0,40% -0,32%
0,7 17,56 17,38 17,52 17,34 -0,34% -0,46%
0,8 22,88 22,68 22,84 22,64 -0,17% -0,18%
0,9 28,38 28,18 28,33 28,13 -0,18% -0,18%
1,0 34,01 33,81 34,01 33,81 0,00% 0,00%

206
D.3 Número de potencias simples presentes en la base de regresión.

por Brennan y Schwartz (1985) cuando se varía el número de las potencias simples de la
variable de estado que forman parte de la base de regresión.
D.3.1 Dos potencias
50.000 simulaciones, tres oportunidades de ejercicio por año, dos potencias como base

0,4 4,15 4,35 4,13 4,33 -0,48% -0,46%
0,5 7,95 8,11 7,83 8,01 -1,51% -1,23%
0,6 12,52 12,49 12,30 12,28 -1,76% -1,68%
0,7 17,56 17,38 17,30 17,10 -1,48% -1,61%
0,8 22,88 22,68 22,68 22,48 -0,87% -0,88%
0,9 28,38 28,18 28,24 28,04 -0,49% -0,50%
1,0 34,01 33,81 33,94 33,74 -0,21% -0,21%

207
D.3.2 Tres potencias

0,4 4,15 4,35 4,15 4,35 0,00% 0,00%
0,5 7,95 8,11 7,92 8,09 -0,38% -0,25%
0,6 12,52 12,49 12,45 12,43 -0,56% -0,48%
0,7 17,56 17,38 17,50 17,30 -0,34% -0,46%
0,8 22,88 22,68 22,88 22,68 0,00% 0,00%
0,9 28,38 28,18 28,43 28,23 0,18% 0,18%
1,0 34,01 33,81 34,09 33,89 0,24% 0,24%

208
D.3.3 Cuatro potencias
50.000 simulaciones, tres oportunidades de ejercicio por año, cuatro potencias como
base de regresión y 50 años de plazo de concesión.

0,4 4,15 4,35 4,17 4,37 0,48% 0,46%
0,5 7,95 8,11 7,96 8,15 0,13% 0,49%
0,6 12,52 12,49 12,49 12,49 -0,24% 0,00%
0,7 17,56 17,38 17,57 17,37 0,06% -0,06%
0,8 22,88 22,68 22,97 22,77 0,39% 0,40%
0,9 28,38 28,18 28,53 28,33 0,53% 0,53%
1,0 34,01 33,81 34,20 34,00 0,56% 0,56%

209
D.3.4 Cinco potencias
50.000 simulaciones, tres oportunidades de ejercicio por año, cinco potencias como base

0,4 4,15 4,35 4,18 4,38 0,72% 0,69%
0,5 7,95 8,11 7,96 8,16 0,13% 0,62%
0,6 12,52 12,49 12,55 12,58 0,24% 0,72%
0,7 17,56 17,38 17,63 17,44 0,40% 0,35%
0,8 22,88 22,68 23,03 22,83 0,66% 0,66%
0,9 28,38 28,18 28,59 28,39 0,74% 0,75%
1,0 34,01 33,81 34,25 34,05 0,71% 0,71%

210
D.4 Plazo de concesión

por Brennan y Schwartz (1985) cuando se varía el plazo de concesión utilizado para
aproximar una concesión de duración infinita.
D.4.1 Cuarenta años

0,4 4,15 4,35 4,13 4,33 -0,48% -0,46%
0,5 7,95 8,11 7,90 8,08 -0,63% -0,37%
0,6 12,52 12,49 12,45 12,44 -0,56% -0,40%
0,7 17,56 17,38 17,50 17,30 -0,34% -0,46%
0,8 22,88 22,68 22,88 22,68 0,00% 0,00%
0,9 28,38 28,18 28,44 28,24 0,21% 0,21%
1,0 34,01 33,81 34,10 33,90 0,26% 0,27%

211
D.4.2 Cincuenta años

0,4 4,15 4,35 4,15 4,35 0,00% 0,00%
0,5 7,95 8,11 7,92 8,09 -0,38% -0,25%
0,6 12,52 12,49 12,45 12,43 -0,56% -0,48%
0,7 17,56 17,38 17,50 17,30 -0,34% -0,46%
0,8 22,88 22,68 22,88 22,68 0,00% 0,00%
0,9 28,38 28,18 28,43 28,23 0,18% 0,18%
1,0 34,01 33,81 34,09 33,89 0,24% 0,24%

212
D.4.3 Sesenta años

0,4 4,15 4,35 4,17 4,37 0,48% 0,46%
0,5 7,95 8,11 7,91 8,09 -0,50% -0,25%
0,6 12,52 12,49 12,45 12,44 -0,56% -0,40%
0,7 17,56 17,38 17,50 17,30 -0,34% -0,46%
0,8 22,88 22,68 22,87 22,67 -0,04% -0,04%
0,9 28,38 28,18 28,44 28,24 0,21% 0,21%
1,0 34,01 33,81 34,10 33,90 0,26% 0,27%

213
D.4.4 Setenta años

0,4 4,15 4,35 4,19 4,39 0,96% 0,92%
0,5 7,95 8,11 7,91 8,09 -0,50% -0,25%
0,6 12,52 12,49 12,45 12,42 -0,56% -0,56%
0,7 17,56 17,38 17,49 17,29 -0,40% -0,52%
0,8 22,88 22,68 22,87 22,67 -0,04% -0,04%
0,9 28,38 28,18 28,43 28,23 0,18% 0,18%
1,0 34,01 33,81 34,10 33,90 0,26% 0,27%
)
214
ANEXO E : EJEMPLO DE FUNCIONES QUE ESTIMAN EL VALOR

ESPERADO DE UNA MINA ABIERTA.
La motivación de este anexo consiste en exhibir la forma de las curvas

que resultan de la estimación del valor esperado de la mina para sus distintos estados
de operación.
Para cumplir con este objetivo, la siguiente figura exhibe las funciones
obtenidas para distinto número de potencias en la base de regresión.
40
30
Valor esperado (MMUS$)
20
10
0
0.00 0.50 1.00 1.50
-10 Precio spot (US$/Lb.)
-20
-30
3 potencias 4 potencias
5 potencias 6 potencias
Figura (E.1) : Valor esperado de la mina abierta para distintos números de potencias que
conforman la base de regresión

Evaluación de Opciones Reales Mediante Simulación - El Método de Los Mínimos Cuadrados

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Evaluación de Opciones Reales Mediante Simulación - El Método de Los Mínimos Cuadrados

Cargado por

Copyright:

Formatos disponibles

PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE

MIGUEL ALEXIS GRAVET GAYTÁN

Tesis para optar al grado de

Santiago de Chile, 2003

EVALAUCIÓN DE OPCIONES REALES

MIGUEL ALEXIS GRAVET GAYTÁN

Memoria presentada a la Comisión integrada por los profesores:

Para completar las exigencias del título de

Santiago de Chile, Mayo 2003

En primer lugar quisiera agradecer a mis padres Hugo y Mariela

Debo destacar también el haber sido guíado por el profesor

La buena disposición con que realicé este trabajo no hubiese sido

Por último, agradezco el apoyo financiero entregado por el

II. MARCO TEÓRICO...............................................................................................7

III. DESCRIPCIÓN Y ANÁLISIS DEL ALGORITMO PROPUESTO POR

IV. IMPLEMENTACIÓN Y RESULTADOS DE LA VALORIZACIÓN DEL

V. IMPLEMENTACIÓN DEL ALGORITMO LSM AL MODELO DE BRENNAN

VI. RESULTADOS DE LA VALORIZACIÓN DEL MODELO DE BRENNAN Y

VII. CONCLUSIONES ..............................................................................................181

ANEXO A : DESCRIPCIÓN DE ALGUNOS POLINOMIOS QUE CONFORMAN

ANEXO B : DEMOSTRACIÓN DE LA PRIMERA PROPOSICIÓN DE

ANEXO D : VALOR DE LA MINA DEL EJEMPLO DE BRENNAN Y SCHWARTZ

ANEXO E : EJEMPLO DE FUNCIONES QUE ESTIMAN EL VALOR ESPERADO

Tabla 3.1 : Matriz de simulaciones………………………………………………………58

Tabla 3.2 : Matriz de flujos de caja para el tiempo t = 3 ………………………………..59

Tabla 3.3: Regresión para el tiempo t = 2 ……………………………………………….60

Tabla 3.5 : Decisión de ejercicio óptimo para el tiempo t = 2 …………………………..61

Tabla 3.6 : Matriz de flujos de caja para el tiempo t = 2 ………………………………..62

Tabla 3.7 : Regresión para el tiempo t = 1 ………………………………………………64

Tabla 3.8 : Decisión de ejercicio óptimo para el tiempo t = 1 …………………………..65

Tabla 3.9 : Estrategia de parada generada por el algoritmo LSM……………………….66

Tabla 3.10 : Matriz de flujos de caja de la opción……………………………………….67

Tabla 3.11: Comparación entre algoritmo LSM, y el método de diferencias finitas…….69

Tabla 4.4 : Comparación del valor obtenido mediante el algoritmo LSM y el

Tabla 4.5 : Evolución del precio spot crítico a lo largo de la concesión……………….101

Tabla 6.1 : Parámetros operativos de la mina con reservas infinitas…………………...147

Tabla 6.2 : Parámetros tributarios y del proceso estocástico del cobre………………...147

Tabla 6.3 : Parámetros técnicos para la aplicación del algoritmo LSM………………..148

Tabla 6.4 : Aproximación del valor analítico de la mina infinita mediante un

Tabla 6.5 : Aproximación del valor analítico de la mina infinita mediante un

Tabla 6.6 : Parámetros operativos de la mina del ejemplo propuesto en Brennan y

Tabla 6.11 : Valores de la mina para distintos niveles de volatilidad obtenidos

Tabla (D.1) : Valor de la mina cuando el algoritmo LSM se aplica considerando

Tabla (D.2) : Valor de la mina cuando el algoritmo LSM se aplica considerando

Tabla (D.3) : Valor de la mina cuando el algoritmo LSM se aplica considerando

Tabla (D.5) : Valor de la mina cuando el algoritmo LSM se aplica considerando

Tabla (D.6) : Valor de la mina cuando el algoritmo LSM se aplica considerando

Tabla (D.7) : Valor de la mina cuando el algoritmo LSM se aplica considerando

Tabla (D.8) : Valor de la mina cuando el algoritmo LSM se aplica considerando

Tabla (D.9) : Valor de la mina cuando el algoritmo LSM se aplica considerando

Tabla (D.11) : Valor de la mina cuando el algoritmo LSM se aplica considerando

Tabla (D.12) : Valor de la mina cuando el algoritmo LSM se aplica considerando

Tabla (D.13) : Valor de la mina cuando el algoritmo LSM se aplica considerando

Tabla (D.14) : Valor de la mina cuando el algoritmo LSM se aplica considerando

Tabla (D.15) : Valor de la mina cuando el algoritmo LSM se aplica considerando

Figura 2.1 : Algoritmo de Tilley…………………………………………………………24

Figura 2.2 : Algoritmo de estratificación de Barraquand-Martineau.…………………....27

Figura 2.3 : Áreas de ejercicio disjuntas…………………………………….…………...28

Figura 2.4 : Ilustración de un árbol simulado………………………….………………...31

Figura 2.5 : Ilustración de una malla estocástica …………………………………..…....35

Figura 3.1: Comparación de políticas óptimas generadas por los métodos de

Figura 3.2: Comparación de políticas óptimas generadas por los métodos de

Figura 3.3: Comparación de políticas óptimas generadas por los métodos de