UNIVERSIDAD NACIONAL DEL SANTA

FACULTAD DE INGENIERA
INGENIERA AGROINDUSTRIAL

PROYECTO DE INVESTIGACIN: ANLISIS DINMICO DEL RIESGO DE UN PROYECTO

EQUIPO INVESTIGADOR:

Ing. Pedro Walter Gamarra Leiva Lic. Julio Leca Vergara

CHIMBOTE PER - 2012

INDICE

1.

INTRODUCCIN ................................................................................................................ 4 1.1. Orgenes de la Simulacin de Monte Carlo ................................................................ 4 1.2. El mtodo de simulacin de Monte Carlo ................................................................... 4 1.3. La distribucin de probabilidad de las variables ........................................................ 5 1.4. Asignar valores aleatorios a cada variable ................................................................. 6 1.5. Resultados de la simulacin ......................................................................................... 7 1.6. Ventajas del mtodo Monte Carlo ................................................................................ 9

2. 3.

FUNDAMENTOS, RELEVANCIA Y ANTECEDENTES .............................................................. 10 OBJETIVOS........................................................................................................................... 10 3.1. General............................................................................................................................. 10 3.2. Especficos ........................................................................................................................ 10

4.

MARCO TERICO ................................................................................................................ 11 4.1. El riesgo y su caracterizacin ..................................................................................... 12

5. METODOLOGA PROPUESTA PARA REALIZAR EL ANLISIS DE RIESGO DE UN PROYECTO DE INVERSIN .......................................................................................... 14 5.1. Definicin y formulacin del problema ...................................................................... 14 5.2. Recoleccin de Informacin ........................................................................................ 15 5.3. Construccin del Modelo del Proyecto ...................................................................... 15 6. SIMULACIN ................................................................................................................... 17 6.1. Estadstica ..................................................................................................................... 18 6.2. Incertidumbre................................................................................................................. 18 6.3. El Mtodo de Monte Carlo........................................................................................... 18 6.4. Simulacin utilizando Monte Carlo ............................................................................. 19 6.5. Simulacin y Anlisis ................................................................................................... 19 7. 8. 9. DESARROLLO DE UN CASO DE ANLISIS ............................................................ 21 CONCLUSIONES Y COMENTARIOS FINALES ........................................................ 31 REFERENCIAS BIBLIOGRFICAS ............................................................................. 32

Resumen Los procesos de planificacin y evaluacin de proyectos se sustentan sobre hiptesis y estimaciones que hacen referencia a resultados que solo sern verificables en el futuro. Por esta razn, la incertidumbre en los parmetros y resultados de un proyecto es una constante de la prctica valorativa de los beneficios y costos asociados al mismo. Continuando con esta lgica, el proceso de Anlisis Dinmico del Riesgo de un Proyecto de Inversin presenta herramientas como la simulacin, permiten considerar diferentes escenarios, definidos, en funcin de la incertidumbre de variables de entrada que sean consideradas crticas. En el presente trabajo de investigacin se recogen algunas ideas sobre la aplicacin prctica de la tcnica conocida como simulacin de Monte Carlo en la evaluacin de proyectos. De igual forma se propone una metodologa para realizar anlisis de riesgo en proyectos de inversin. La metodologa desarrollada se ilustra con un caso de aplicacin prctica.

Palabras clave: Evaluacin de proyectos, simulacin financiera, simulacin de Monte Carlo, anlisis de riesgo.

Summary The planning and evaluation of projects are based on assumptions and estimates that refer to results that are only verifiable in the future. Therefore, the uncertainty in the parameters and results of a project is a constant practice of the valuation of benefits and costs associated with it. Continuing with this rationale, the process of Dynamic Risk Analysis of Investment Project presents how simulation tools allow to consider different scenarios, defined in terms of the uncertainty of input variables that are considered critical. In this research some ideas on the practical application of the technique known as Monte Carlo simulation in the evaluation of projects are set. Similarly proposes a methodology for risk analysis in investment projects. The methodology is illustrated with a case of practical application.

Keywords: evaluation of projects, financial simulation, Monte Carlo simulation, risk analysis.

1. INTRODUCCIN Tomar decisiones bajo incertidumbre no es un proceso simple. Planificar el futuro en estas circunstancias implica enfrentarse con situaciones adversas, esforzarse ms de lo normal para proyectar el futuro, prepararse para los escenarios no deseados, etc. Por este motivo, no basta con hacer simples anlisis de sensibilidad para evaluar cmo afectan las variables crticas a los objetivos del proyecto, sino que es necesario utilizar herramientas de base cientfica que agreguen un mayor soporte tcnico a las proyecciones futuras. Los mtodos que utilizan el valor esperado como criterio de decisin no miden en forma exacta el valor estimado, sino slo la de uno de los tantos escenarios futuros posibles. Los cambios que se producirn en el comportamiento de las variables del entorno harn que sea prcticamente imposible confiar que el valor esperado calculado sea el que efectivamente se de en el futuro. Para disminuir este inconveniente, se puede utilizar el modelo de Monte Carlo que simula los resultados que puede asumir el valor esperado de una variable del proyecto a travs de la asignacin aleatoria de un valor a cada variable crtica que influye sobre ella. La simulacin de Monte Carlo se puede definir como una tcnica cuantitativa utilizada para evaluar cursos alternativos de accin, o para obtener la respuesta ms probable por medio de un modelo matemtico, cuando el resultado esperado es una funcin de diversas variables inciertas que pueden estar combinadas entre s. 1.1. Orgenes de la Simulacin de Monte Carlo La simulacin de Monte Carlo tiene sus primeros orgenes en 1940 cuando en USA se estaba desarrollando la bomba de hidrgeno. Con esta tcnica de simulacin se predecan los posibles sucesos con amplios niveles de acercamiento en las probabilidades de ocurrencia. Luego, en la segunda mitad de la dcada del 70 el mtodo de simulacin de Monte Carlo se hace ms popular y comienza a ser utilizado en las reas de contabilidad, finanzas, investigacin, biologa, qumica, fsica, etc. En la actualidad, gracias al desarrollo de software y computadoras personales la simulacin de Monte Carlo est al alcance de cualquier 1.2. El mtodo de simulacin de Monte Carlo El mtodo de Monte Carlo simula los resultados que puede asumir alguna variable dependiente del proyecto (ejemplo: VAN, TIR, etc.) a travs de la asignacin aleatoria de un valor a cada variable independiente que afectan al mismo (ejemplo: tasa de crecimiento, tasa de inters, ventas, costos, etc.). A cada una de estas variables independientes se les asigna una distribucin de probabilidad.

Por ejemplo, supongamos un proyecto donde se quiere evaluar la rentabilidad de un posible hotel a construir en el futuro. La rentabilidad de este Hotel se medir por su valor actual neto (VAN). Entre las variables que influyen sobre la rentabilidad del proyecto se pueden mencionar: la tasa de inters, la tasa de impuestos, los costos variables, la inversin, etc. La simulacin de Monte Carlo puede incluir todas las combinaciones posibles de las variables que afectan los resultados de un proyecto. Por ejemplo, se puede evaluar cul ser la rentabilidad del proyecto si cambian todas las variables al mismo tiempo, teniendo en cuenta la interrelacin que existe entre ellas. 1.3. La distribucin de probabilidad de las variables En primer lugar hay que definir cul es la distribucin de probabilidad de cada variable que afecta los objetivos del proyecto. Por ejemplo, se puede tener informacin histrica para estimar que la tasa de inters tienen una distribucin normal cuya media es 10% y la desviacin estndar del 2%. En este caso, siguiendo los principios estadsticos sabemos que existe un 95% de probabilidad que la tasa de inters futura est comprendida entre 6% y 14% (media +- 2 desviacin estndar).

Adems, tambin podramos definir en el modelo cul es el rango lgico donde puede caer una variable. Por ejemplo, podemos establecer que los cambios en la inversin a realizar tambin tiene una distribucin de probabilidad normal, cuya media es del 0% y la desviacin estndar del 5%. Sin embargo, en base a datos histricos se determina que los desvos en la inversin nunca podrn variar en ms de 30%. En este caso la distribucin de probabilidad de esta variable estara truncada en ambas puntas como se refleja en el grfico a continuacin.

Este mismo anlisis, que define la distribucin de probabilidad de cada variable, se debe realizar para todas aquellas variables que influyen en la rentabilidad del proyecto. La distribucin de probabilidad de cada variable puede tener distintas formas: continua, discreta, uniforme, triangular, beta, etc. A continuacin se muestran algunos ejemplos de distribucin.

1.4. Asignar valores aleatorios a cada variable Una vez definidas las variables que afectan los objetivos del proyecto, sus interrelaciones y sus distribuciones de probabilidad, se debe asignar un valor aleatorio a cada variable. Este proceso de asignar valores aleatorios a cada variable lo realiza en forma automtica el software de simulacin. Por ejemplo, si se defini la tasa de descuento con una distribucin normal cuya media es el 10% y su desviacin estndar el 2%, el computador -60% 30% 0% 30% 60% seleccionar en un 95% de los casos un valor aleatorio
6

comprendido entre 6% y 14% (intervalo formado por la media +/- 2 desviacin estndar). Hay que tener en cuenta que cada vez que se modifique una variable, tambin variarn sus variables relacionadas. Por ejemplo, si cambia la estimacin de ventas del proyecto tambin cambiarn los costos variables relacionados. El computador asignar valores aleatorios a todas las variables que afectan la rentabilidad del proyecto en forma simultnea. De esta forma se podrn correr miles de escenarios donde en cada uno de ellos se obtiene un indicador de rentabilidad. 1.5. Resultados de la simulacin Siguiendo con el ejemplo de evaluar la rentabilidad del proyecto hotelero, se podran sensibilizar las siguientes variables: tasa de inters, impuestos, inversin y costos variables. Para todas ellas se supuso una distribucin normal cuya media y desviacin estndar se presenta en la tabla.

Con un software adecuado se podran correr cientos de miles de escenarios al azar donde se combinan variaciones (hacia arriba o hacia abajo) de todas las variables del proyecto en forma simultnea. Para cada uno de los escenarios se obtiene el valor actual neto (VAN) como indicador de la rentabilidad del proyecto. Una vez que se corren todos los escenarios se obtienen, por ejemplo, 10.000 valores de rentabilidad del proyecto. Si se grafican estos valores en una curva de distribucin de probabilidad, debido a la ley de los grandes nmeros, seguramente la distribucin se asemejar a una funcin normal. En el grfico a continuacin se presenta la distribucin del VAN de este proyecto en particular.

Con este mtodo se puede obtener, por ejemplo, que la probabilidad de tener un resultado positivo asciende al 64% y existe un 36% de probabilidad de perder dinero. Inicialmente no se entiende mucho el proceso de simulacin por no entender de dnde salen estos valores ya que Ud. no posee todos los datos de este proyecto, pero gradualmente se entender el proceso de simulacin. Simplemente, se quiere mostrar los resultados que se pueden obtener con la simulacin de Monte Carlo. En la Tabla a continuacin se resumen los resultados estadsticos que se pueden obtener con la simulacin de Monte Carlo.

En este ejemplo en particular, al cambiar todas las variables del proyecto en forma simultnea, se obtuvo una media del VAN de $205.896. Sin embargo, existe un 36% de probabilidades que el VAN del proyecto arroje valores negativos.
8

La conclusin de este anlisis es que si bien en promedio el proyecto sera rentable, existe un elevado porcentaje de probabilidades de que no lo sea, lo que est indicando el alto grado de riesgo de quebranto del proyecto. La Simulacin de Monte Carlo aporta informacin mucho ms completa en relacin a utilizar slo la informacin del valor promedio esperado. 1.6. Ventajas del mtodo Monte Carlo La simulacin Monte Carlo tiene la ventaja, sobre otros mtodos que evalan el riesgo, que no slo brinda el valor ms probable de la variable dependiente, sino tambin su distribucin de probabilidad. Por lo tanto, todos los resultados posibles pueden ser analizados. Otra ventaja es que el nmero de variables independientes que pueden ser consideradas en el anlisis es muy grande. Todas las combinaciones posibles de los estados de la naturaleza se incluyen en el problema, proveyendo un mtodo de anlisis muy riguroso. La simulacin de Monte Carlo da una idea de la probabilidad que la variable dependiente est dentro de un determinado rango o por encima de un valor preestablecido. Por ejemplo, dos proyectos de inversin, A y B, tienen el mismo VAN esperado de $ 50.000. Pero el proyecto A al tener una desviacin estndar menor es menos riesgoso ya que la probabilidad de obtener una rentabilidad negativa es inferior al proyecto B.

Hay que tener en cuenta que generalmente la distribucin probabilstica del VAN es ms importante para la toma de decisiones, que un nico valor esperado para esta variable. En la presente introduccin se muestra la ventaja del anlisis dinmico del riesgo utilizando la simulacin de Monte Carlo, en relacin a otras tcnicas para evaluar el riesgo del proyecto en forma esttica.

2. FUNDAMENTOS, RELEVANCIA Y ANTECEDENTES Tradicionalmente, la valuacin solo consideraba uno de los tanto escenarios futuros posibles, o en el mejor de los casos uno optimista, uno pesimista y otro ms probable. De esta forma, los resultados obtenidos al aplicar este criterio (esttico) no medan con exactitud el valor que se pretenda determinar en funcin de un flujo de fondos proyectado. Los cambios que se produciran en el comportamiento de las variables de entrada (independientes), sobre todo aquellas ajenas a la empresa (demanda, costos de produccin, impuestos, etc.) hacan prcticamente imposible que los resultados esperados se dieran en la realidad. Para solucionar esta situacin se comenz a utilizar modelos de simulacin, que incorporan el riesgo, el cual queda representado mediante las distribuciones de probabilidad de las variables de entrada, de modo que durante el proceso de simulacin se obtienen valores aleatorios en funcin de las distribuciones definidas. De esta manera es posible darle ms realismo al modelo obteniendo resultados ms confiables a la hora de tomar una decisin. Se debe hablar de riesgo y no de incertidumbre, porque el primero puede asociarse a una probabilidad de ocurrencia, mientras que al segundo es imposible asignarle una probabilidad. Por lo tanto, cuando se habla de riesgo, es posible estimar una distribucin de probabilidad. Se pretende evaluar los beneficios que brinda este mtodo dinmico (o probabilstico) a la gestin empresarial y a la toma de decisiones efectivas. Otro interrogante que se plantea en este proyecto es la posibilidad de relacionar la simulacin tal como la hemos definido, con lo que establecen las Normas Contables en nuestro pas respecto a la valuacin. A travs del presente trabajo, se intenta realizar un aporte no solo desde el punto de vista acadmico, sino tambin para la gestin empresarial. 3. OBJETIVOS 3.1. General Estudiar los modelos y herramientas existentes de simulacin que se utilizan para la valuacin y su impacto en la toma de decisiones empresariales. 3.2. Especficos Conocer las herramientas con precisin, ahondando en los conceptos y parmetros estadsticos que utiliza. Conocer los criterios utilizados para identificar y modelar los datos de entrada e interpretar estadsticamente los resultados obtenidos. Estudiar la herramienta de optimizacin y simulacin simultanea para obtener resultados ms precisos bajo un conjunto de restricciones.
10

Comparar los mdelos dinmicos de valuacin contra los ms utilizados en la actualidad. Conocer si la forma de valuacin adoptada por la normativa profesional vigente, puede ser complementada con los modelos de simulacin.

4. MARCO TERICO A pesar de que el estudio de tcnicas tiles para analizar el riesgo involucrado en decisiones de inversin se ha venido tratando con relativa fortaleza en diversos textos y artculos especializados en el rea financiera, la experiencia en evaluacin de proyectos a nivel de las empresas colombianas, coloca de manifiesto que la aplicacin de tcnicas probabilsticas y de simulacin para analizar el riesgo en proyectos se encuentra an lejos de lo que podramos llamar una utilizacin generalizada. Autores como Hillier (1963) propusieron el uso de distribuciones de probabilidad del valor presente, dando lugar a criterios de decisin como el valor presente esperado a partir de la consideracin de flujos de caja aleatorios correlacionados. Posteriormente Later y Giaccotto (1984) derivaron los parmetros de distribucin para el valor presente neto de un proyecto cuando los flujos estaban correlacionados por un proceso estocstico autoregresivo (procesos Markovianos). Coats y Chesser (1982) mostraron como la utilizacin de tcnicas Monte Carlo podra incorporarse en modelos financieros con el fin de asociar probabilidad de ocurrencia e intervalos de confianza para los, resultados. Goyal, et al. (1997) realizaron serios cuestionamientos relacionados con la escasez de literatura acadmica sobre la naturaleza estocstica de los flujos de caja de un proyecto de inversin o financiacin, al igual que su poca difusin en los currculos de los cursos de pregrado en ingeniera econmica y finanzas. Tratando de especular sobre las posibles causas de esta aparente apata por la formulacin de modelos de evaluacin que incorporen tcnicas de anlisis de riesgo, es posible pensar en razones como el desconocimiento de herramientas informticas que faciliten el proceso y en un marco ms general, las deficiencias de formacin relacionadas con este tema, a nivel de los programas de pregrado en Ingeniera y Administracin. La gran mayora de cursos en el rea de ingeniera econmica o en general de anlisis econmico de decisiones, se concentran en un mayor grado en torno a los modelos tradicionales que incorporan criterios como el valor presente neto y la tasa interna de retorno en condiciones de certeza supuesta, y en algunos casos se complementan con tcnicas de anlisis de sensibilidad a partir de la construccin de escenarios. Es claro que las tcnicas tradicionales siguen siendo vlidas en cuanto a su fortaleza terica y la informacin que proporcionan. Sin embargo, la incorporacin de herramientas como la
11

simulacin para el anlisis del riesgo inherente en los proyectos de inversin se constituye en un excelente instrumento para mejorar la calidad del proceso de toma de decisiones. En el presente artculo se describir una metodologa sencilla y probada para construir modelos de evaluacin econmica de decisiones que incorporen la componente del riesgo e incertidumbre, con el fin de mejorar el proceso decisorio. Como complemento a la metodologa presentada se mostrarn los resultados de un caso hipottico en el cual se recurre a tcnicas de simulacin para evaluar un proyecto de inversin. 4.1. El riesgo y su caracterizacin Siendo lo ms pragmtico posible, el riesgo puede definirse como la posibilidad de que nuestras acciones puedan generar ms de un resultado. En este sentido, la definicin de riesgo surge de nuestra incapacidad de predecir con certeza lo que suceder en el futuro. Toda accin o decisin adoptada en la vida personal y empresarial tiene implcito el fenmeno del riesgo en mayor o menor proporcin. Generalmente, el trmino riesgo se circunscribe a la descripcin de situaciones en las cuales el rango de posibles resultados de una determinada accin es muy significativo. Algunos autores, establecen que el riesgo presente en ciertas situaciones puede considerarse como objetivo o subjetivo. Recurriendo al tradicional ejemplo de los cursos de probabilidad e inferencia estadstica, de lanzar una moneda al aire, se puede afirmar que el riesgo presente en este fenmeno es totalmente objetivo, puesto que, no obstante los resultados son inciertos, las probabilidades de ocurrencia se van haciendo evidentes en la medida en que se realiza el experimento. Los riesgos objetivos, son relativamente claros para la gran mayora de las personas involucradas en anlisis de decisiones, sin embargo, existe otro tipo de riesgo en el cual las probabilidades de ocurrencia no son tan claras y explicativas. Por ejemplo, el riesgo de que llueva el da viernes, podra clasificarse como un riesgo subjetivo. De hecho teniendo en cuenta la misma informacin dos meteorlogos pueden pensar que dicha probabilidad es sustancialmente diferente y ninguno de los dos est necesariamente equivocado. Los riesgos subjetivos se pueden mitigar en la medida en que se aprovecha nueva informacin frente a cierta decisin, es decir, una mayor cantidad y calidad de informacin frente a un problema, debe permitir una mejor aproximacin a las problemticas caracterizadas por la presencia de riesgo subjetivo. Por otra parte, el juicio sobre el nivel de riesgo de una decisin incorpora una componente vinculada a la apreciacin personal de quien toma la decisin, en consecuencia, frente a una misma situacin los perfiles de riesgo de dos individuos pueden conducir a valoraciones diferentes del nivel de riesgo implcito en la decisin. Esta situacin se hace evidente en el campo financiero
12

cuando se definen variables que podran fluctuar entre un valor mnimo y un valor mximo. Algunos analistas construiran escenarios pesimistas y otros trabajaran con los optimistas, aunque la mayora optara por trabajar con valores promedio. Por ltimo en este proceso de caracterizacin, la adopcin de decisiones que incorporen un mayor o menor nivel de riesgo son lo que se podra denominar situaciones contingentes que en la prctica puede ser evitadas o gestionadas de cierta forma. Por ejemplo, los exportadores de flores en Colombia se ven seriamente afectados por los fenmenos de fortalecimiento del peso frente al dlar. Un empresario de este sector podra asumir dos posiciones frente al tema de la fluctuacin de la tasa de cambio. En primer lugar, se pensara en una posicin pasiva, es decir, resignarse a cerrar todos los negocios de exportacin bajo lo que se conoce como la tasa de cambio spot. El empresario sabe que esta tasa puede ser alta y esto le favorecer, pero tambin puede tender a la baja y esta situacin lo afectar negativamente. La posicin contraria, es fundamentalmente activa, es decir, el empresario exportador que sabe que la tasa de cambio es una variable crtica en su negocio, decide protegerse de las posibles fluctuaciones en el precio de la divisa mediante instrumentos de cobertura como un forward de venta de divisas, en el cual, si bien el riesgo no desaparece en su totalidad al menos puede ser mitigado, protegiendo la rentabilidad del negocio realizado. El primer paso para analizar y modelar el riesgo en un proyecto de inversin es reconocer la necesidad de realizar este tipo de anlisis. Si la decisin que estoy analizando es la de llevar algn excedente a un banco y constituir algn depsito, el nivel de riesgo asociado a esta inversin si bien existe, es probable que dependiendo de la solidez de la institucin financiera receptora ni siquiera amerite realizar un anlisis de riesgo. Esto es lo que se podra denominar como un evento casi de certeza total. Sin embargo, la gran mayora de las decisiones de inversin se caracterizan por la gran incertidumbre en los flujos futuros, por lo cual se hace necesario mejorar las tcnicas de anlisis con el fin de incorporar este elemento en el proceso decisorio. En muchas situaciones reales y en particular en las que ataen especficamente a proyectos de inversin es prcticamente imposible realizar experimentos para calcular el riesgo con relativa facilidad. Es probable, apoyar la decisin en experiencias previas o similares, pero no existen modelos matemticos que sealen con exactitud el nivel de riesgo involucrado en las variables de un modelo de evaluacin de un proyecto, en consecuencia, el riesgo deber ser estimado con base en informacin disponible. En algunas ocasiones los posibles eventos y resultados derivados de una decisin pueden representarse mediante distribuciones de probabilidad. De
13

esta forma las variables crticas que condicionan el xito de un determinado proyecto de inversin podran simularse a partir de distribuciones de probabilidad que representen de la mejor manera posible los valores factibles de la variable. En esta lgica, el anlisis de riesgo puede definirse como el proceso cualitativo o cuantitativo mediante el cual se trata de estimar el impacto del factor riesgo en las decisiones. La tcnica que se presentar en esta investigacin se apoya en elementos de simulacin, luego se puede clasificar como una aproximacin cuantitativa al problema. 5. METODOLOGA PROPUESTA PARA REALIZAR EL ANLISIS DE RIESGO DE UN PROYECTO DE INVERSIN 5.1. Definicin y formulacin del problema Al igual que cualquier tipo de decisin, el proceso de evaluacin de un proyecto toma como punto de partida la definicin clara y correcta del problema que se pretende evaluar, con el fin de no correr riesgos como el generar soluciones muy sofisticadas para problemas que no se han formulado de manera apropiada. En evaluacin de proyectos, la definicin del problema hace referencia al objeto central de anlisis que es valorar la factibilidad de una cierta decisin, para lo cual es necesario establecer de comn acuerdo con los interesados del proyecto cuales seran las alternativas a desarrollar para resolver la problemtica. McKinney y Engfer (2004), proponen la descomposicin del problema en sus elementos claves, como punto de partida para su correcta formulacin. La herramienta que utilizan es el conocido diagrama de influencia propio de la disciplina sistmica. En la figura 1 se ilustra lo que podra ser un diagrama inicial de influencia para la evaluacin de un proyecto de inversin.

Figura 1. Diagrama inicial de influencia para el anlisis de un proyecto de inversin (Fuente El Autor).

En trminos generales, la formulacin de un problema puede presentarse a partir de su descomposicin en elementos claves. En este sentido, los
14

diagramas de influencia son una interesante herramienta visual para apoyar el anlisis del proyecto en relacin con la estructuracin de los elementos del problema, la identificacin de fuentes de incertidumbre, la definicin de necesidades de recoleccin de informacin, la definicin de tareas crticas, el desarrollo del modelo computacional y el anlisis de los impactos de las diferentes variables sobre el resultado final. 5.2. Recoleccin de Informacin No menos importante que la definicin del problema de anlisis, es el proceso de recoleccin de informacin. Es necesario recordar que la mayor cantidad y calidad de la informacin en torno a un proyecto reduce los niveles de incertidumbre en las variables de entrada. Por este motivo es necesario realizar y documentar un plan de recoleccin de informacin en torno a las variables del proyecto, sus valores actuales, sus posibles valores futuros y en fin cualquier evento que se considere podra tener un significativo impacto en el futuro. Los planes de recoleccin de informacin se suelen establecer a partir de referencias secundarias y en los casos en que se requiera con el apoyo de fuentes primarias basadas en tcnicas de entrevista o incluso ms formales como procesos de investigacin de mercados. El objetivo bsico de la fase de recoleccin de informacin es definir los posibles valores rango para las variables claves del proyecto, e identificar adems la incertidumbre en torno a ellas. Algunos problemas de inversin han sido ya bastante estudiados y en consecuencia la recoleccin de informacin es relativamente ms simple en la medida en que se apoya en informacin secundaria. Un ejemplo ilustrativo en este caso, lo proporciona la famosa teora de colas, al estudiar variables como el tiempo de llegada de usuarios a un sistema de servicio. La literatura plantea que el tiempo entre cada evento, se distribuye en forma exponencial. Este supuesto de entrada facilita el proceso de construccin del modelo. Como complemento a los procesos de bsqueda de informacin, es absolutamente relevante, la consulta con expertos en el negocio en el cual se circunscribe el proyecto objeto de anlisis.

5.3. Construccin del Modelo del Proyecto

Esta etapa del proceso de anlisis de riesgo en un proyecto de inversin se realiza en torno a la construccin del modelo computacional del proyecto. Se refiere fundamentalmente a un modelo capaz de representar los posibles comportamientos que sufriran los criterios de decisin del proyecto en diversos escenarios obtenidos a partir de las variables de entrada. En trminos generales, los modelos de evaluacin financiera de proyectos se componen de los elementos presentados en la figura 2:

15

Figura 2. Marco general de los procesos de evaluacin de proyectos.

La construccin del modelo de evaluacin parte con la definicin de las variables de entrada, es decir, aquellos elementos que gobernarn en el modelo, por lo tanto las posibles variaciones que registren dichas variables sern factor determinante en los resultados que el modelo arroja. Las variables de entrada pueden ser externas cuando se utiliza informacin macroeconmica, sectorial, de mercado e internas cuando hace referencia a elementos operacionales como capacidades de produccin y niveles de eficiencia entre otros. Las variables o parmetros de entrada del modelo son fundamentales en la definicin de los beneficios y costos de las alternativas que se pretenden evaluar. Posteriormente se deben establecer las relaciones de beneficios y costos a travs de las herramientas que soportarn el modelo de evaluacin. Como resultado de estas relaciones se construye el flujo de caja del proyecto, base fundamental de su evaluacin. Es usual que se construya un escenario denominado base, que se supone se sustenta sobre los llamados resultados ms probables, para posteriormente realizar un anlisis de sensibilidad en el cual se somete el modelo a variaciones en las variables definidas como crticas. Es comn, en este sentido que se genere un escenario denominado como pesimista y un escenario optimista. En su forma ms simple, el anlisis de sensibilidad somete el modelo a variacin unidimensional, es decir, la verificacin de resultados en la funcin objetivo frente a un cambio de una de las variables crticas, es decir, alterar el valor de una sola de las variables de un proyecto puede generar escenario poco realistas puesto que la variable podra estar correlacionada con otras variables de entrada. En un segundo nivel de anlisis, dentro del proceso de construccin del modelo y de incorporacin de niveles de incertidumbre en el mismo, se utiliza con
16

mucha frecuencia la tcnica de anlisis de escenarios, en la cual se intenta remediar la unidimensionalidad del anlisis de sensibilidad tradicional al incorporar la definicin de escenarios en los cuales se puede presentar el cambio simultneo en diferentes variables. No obstante, el problema de las tcnicas hasta aqu presentadas se relaciona con la poca dinmica que ofrecen, en la medida en que no son eficientes para medir los resultados a la luz de mltiples escenarios. Como un elemento complementario del anlisis de riesgo, puede recurrirse a tcnicas como la simulacin de Monte Carlo mediante la cual se adiciona la componente dinmica del anlisis en la medida en que se pueden construir mltiples escenarios aleatorios. Algunos autores afirman con razn que los escenarios generados a partir de procesos de simulacin son realmente pseudoaleatorios, puesto que son influenciados por los valores de referencia mnima y mxima que defina el analista para las variables de entrada y por las distribuciones de probabilidad adoptadas para representar el comportamiento de las variables de entrada. Los cuales deben ser consistentes con los supuestos que maneja el analista sobre el nivel de riesgo de las variables de entrada del proyecto.
6. SIMULACIN

La simulacin de Monte Carlo se remonta a los trabajos desarrollados por Stan Ulam y John Von Neumann a finales de los 40 cuando investigaban los fenmenos de movimiento de partculas. En la actualidad es una tcnica de gran utilizacin en diversos mbitos. Una Simulacin es un proceso en el cual se disea un modelo de un sistema real y se llevan a cabo experiencias con l. Tambin se habla de Simulacin como la tcnica con la cual se imita el ambiente en el cual ocurre un evento para utilizar un modelo anlogo y obtener as informacin del proceso en cuestin. Podemos sacar de lo antes dicho que el objetivo de una simulacin es bsicamente comprender el comportamiento de un sistema frente a diversas situaciones, e inclusive evaluar nuevas estrategias, dentro de los lmites que se imponen por un criterio o conjunto de ellos. Es gracias a esto que desde los aos 60 se utiliza la simulacin como un mtodo para tomar decisiones estratgicas, dada la habilidad de imitar problemas reales y permitir el anlisis de estos a medida que cambian las condiciones de entorno. La simulacin nace en el instante en el cual las ecuaciones no son capaces de adaptarse a un modelo real, ya sea por la ausencia de las mismas o por la no disponibilidad de la data para aplicarlas. Es debido a esto que los resultados obtenidos de una simulacin no son precisos, ms bien otorgan un rango de

17

posibles resultados que pueden ser interpretados de distintas maneras, pero aun as llenan el vaco que existira si no se contara con esta herramienta. 6.1. Estadstica La palabra estadstica tiene su origen en el siglo XVIII, cuando se aplic a los arreglos polticos de los estados modernos del mundo conocido. Se refera solamente a una relacin existente entre los mismos. Posteriormente, la entrada de datos numricos en esos arreglos polticos y su estudio le dio a la palabra un carcter cuantitativo. En la actualidad se puede definir la estadstica como una metodologa cientfica que trata de la recoleccin, presentacin y agrupacin de los datos, as como el anlisis, interpretacin, proyeccin e inferencia de ellos. Ms adelante se utilizar la estadstica para ordenar los resultados de una simulacin y generar una conclusin entorno a la misma. 6.2. Incertidumbre The more precisely the position is determined, the less precisely the momentum is known in this instant, and vice versa La cita anterior corresponde al fsico alemn Weiner Heisenberg, quien en 1927 la postul bajo el nombre de Principio de Incertidumbre. Esto lo hizo Heisenberg luego de trabajar en el desarrollo de la bomba atmica, no para el Proyecto Manhattan que se nombr anteriormente, sino para la contraparte del mismo, en Alemania, cuando se encontr con el problema de conocer la posicin y el momento de una partcula subatmica. Descubri que mientras ms se conoca una de las propiedades, menos se saba de la otra en ese instante. Posteriormente se utiliz la estadstica y el Mtodo de Monte Carlo para obtener una solucin. En la actualidad la palabra incertidumbre se emplea ampliamente y no slo en cuanto a partculas subatmicas. Se habla de incertidumbre del clima, incertidumbre de un mercado, incertidumbre poltica. Y cuando se est en la fase exploratoria de un Yacimiento sea de Petrleo o Gas, las variables como rea, profundidad, porosidad, saturacin de petrleo y muchas otras suelen estar en incertidumbre debido a la falta de informacin. Con este trmino definido, podemos decir que la simulacin es una herramienta que se puede utilizar para resolver ciertos problemas donde existe incertidumbre y las maneras tradicionales no otorgan una solucin satisfactoria al mismo. 6.3. El Mtodo de Monte Carlo En la definicin de simulacin se dijo que era un proceso en el cual se disea un modelo de un sistema real y se llevan a cabo experiencias con l. Lo que hace el Mtodo de Monte Carlo es eso exactamente, toma una ecuacin (modelo) que imita un sistema real y la aplica en distintos escenarios, realizando las experiencias. Es por esto que este mtodo es tambin conocido como Simulacin de Monte Carlo.
18

La tcnica de sta simulacin consiste en alimentar una ecuacin con nmeros aleatorios, algo as como los que se obtienen en una ruleta de un casino. Y es precisamente esta similitud la que le da a este mtodo su nombre, siendo el casino de Monte Carlo en el Principado de Mnaco la inspiracin. 6.4. Simulacin utilizando Monte Carlo Para hacer una simulacin de Monte Carlo se necesita una ecuacin la cual ser el objeto de la simulacin y los datos para la misma. La diferencia de este mtodo con el tradicional para resolver una ecuacin es que Monte Carlo toma en cuenta la incertidumbre y los datos que alimentarn las variables de la ecuacin no deben ser necesariamente un valor constante sino pueden ser un grupo de ellos. Al simular, la ecuacin se calcula varias veces, y en cada clculo se escoge un valor al azar para cada valor de las variables independientes, cuidando que estos valores tengan la misma distribucin de probabilidad que la variable fsica. Con esto se obtienen tantos resultados como clculos hechos, los cuales se utilizan para generar un grfico conocido como histograma de frecuencias (del cual se hablar ms adelante) y de all se realizan una serie de anlisis. A continuacin, paso a paso y con un caso se demuestra cmo se realiza una simulacin utilizando el mtodo de Monte Carlo. 6.5. Simulacin y Anlisis El paso final del anlisis de riesgo de un proyecto de inversin es la simulacin y anlisis de resultados. Sobre el modelo computacional construido se procede a evaluar el impacto de las variables de entrada en los criterios de decisin del proyecto. En el mercado existen muchas herramientas que facilitan los procesos de simulacin a partir de modelos construidos en hojas de clculo. Generalmente todas estas herramientas proporcionan una base comn de trabajo ya que permiten introducir niveles de incertidumbre en las variables de entrada, manejar las correlaciones entre las variables, revisar la significancia de estas variables en los resultados finales, adems de presentar algunos anlisis estadsticos sobre los criterios de decisin que se utilizarn para efectos de tomar la decisin sobre el proyecto. En el mercado se cuenta con herramientas tipo Add-ins para Excel como @Risk, Cristal Ball, Insight.xla, SimTools.xla, EasyPlanex entre otras. La valuacin por el mtodo de Flujos de Fondos Descontados puede ser complementada con la simulacin, lo que implicar que se puede conocer la distribucin de probabilidad de variables de entrada (independientes) y utilizarlas para determinar las variaciones posibles en una o ms variables de salida (dependientes).

19

La simulacin se puede realizar fcilmente recurriendo a uno de los tantos software disponibles, los cuales permiten llevar a cabo miles de pruebas en unos pocos segundos. Para los efectos del presente trabajo se utilizar el Crystal Ball de Oracle (versin 12), entre otras razones por la simplicidad de uso y por disponibilidad del mismo. De todos modos, todos los programas para simulacin siguen un procedimiento similar. Para realizar la simulacin se debe: 1. Identificar las variables dependientes e independientes. 2. Definir las interrelaciones que existen entre todas las variables. Armar un flujo de fondos. 3. Identificar la distribucin de probabilidad que mejor represente el comportamiento de cada variable de entrada (independientes), de modo que en el proceso de simulacin se obtengan valores aleatorios de las distribuciones definidas. 4. Definir el pronstico de salida (VAN u otras variables de salida, mtodo de muestreo, nmero de iteraciones o, alternativamente, nivel de confianza deseado, etc.) 5. Ejecutar la simulacin. Para cada variable aleatoria, con su distribucin de probabilidad, se generan n nmeros aleatorios, de tal manera que se dispone de n conjuntos de valores posibles de las distintas variables que impactan en las valores de salida del modelo. Es decir, se simula el comportamiento (miles de escenarios) que stas variables tendrn en el futuro. 6. Anlisis estadstico-probabilstico de resultados.

20

7. DESARROLLO DE UN CASO DE ANLISIS Una empresa de transporte de la ciudad de Chimbote se encuentra considerando la posibilidad de adquirir un vehculo para ampliar su capacidad de servicio a los clientes. Para tal efecto, se quiere evaluar la compra de un camin con capacidad de 20 toneladas. Los analistas de la empresa estiman que un vehculo con estas caractersticas podra costar alrededor de 100 mil dlares americanos. Se cree que el porcentaje de ocupacin promedio para esta categora de vehculos es aproximadamente de un 80%. De igual forma el vehculo podra recorrer una distancia anual entre 30.000 y 36.000 kilmetros. La tarifa que se cobrara por la operacin sera de 100 $/tonelada-kilmetro, durante el primer ao y se asume que dicha tarifa crecera a partir de la inflacin, que se ha estimado en 5% anual. Los costos de operacin del vehculo se han estimado en 21% de los ingresos y los costos de mantenimiento se proyectado en un 12% de los ingresos. Se supone que el vehculo se puede depreciar a 5 aos, sin considerar ajustes por inflacin y sin valor de salvamento. Se asumir para la evaluacin una tasa mnima de retorno del 15% anual y una tasa de impuesto a la renta del 35%. Se requiere evaluar la factibilidad de invertir en este activo, para lo cual se recurrir al anlisis de flujo de caja descontado, utilizando criterios como el valor presente neto y la tasa interna de retorno. A continuacin se presentan las principales relaciones del modelo:

21

EBITDA Earnings before interest, taxes, depreciation, amortization Utilidad antes de intereses, impuestos, depreciacin y amortizacin. NOPAT Net Operating Profits after Taxes Utilidades Operacionales netas despus de impuestos. WACC Weighted Average Cost of Capital CPPC Costo promedio ponderado de capital.
En la figura 3, se puede observar el modelo desarrollado. De acuerdo con los resultados obtenidos, se concluira que el proyecto es viable puesto que presenta un valor presente positivo y una tasa interna de retorno (TIR) superior a la tasa de descuento exigida. Sin embargo un primer anlisis de sensibilidad de este modelo podra construirse de acuerdo con el posible comportamiento de alguna de las variables de entrada. Se asumir para esto el porcentaje de ocupacin, que se considera una de las variables crticas del modelo.

22

Aplicando la herramienta <Buscar Objetivo> del Excel se encuentra el porcentaje de ocupacin mnimo que produce el punto de equilibrio econmico del proyecto. El punto de equilibrio econmico del proyecto se obtiene cuando VPN = 0 VP(Ingresos) = VP (Egresos) TIR = Tasa mnima de retorno o en este caso TIR = CPPC Posteriormente se realiz un anlisis complementario utilizando la herramienta de generacin de escenarios de Excel. Los resultados obtenidos se interpretan de la siguiente manera: Con los valores actuales de porcentaje de ocupacin (80%) y distancia recorrida _ ao (35.000 Kms/ao) se obtiene un VPN de $12.594 (miles de pesos) y una TIR de 20.06%.

Continuando con el esquema de anlisis, se procedi a simular el modelo utilizando para ello la herramienta conocida como Cristal Ball10, soportada en los procesos de simulacin de Monte Carlo. Los pasos desarrollados para la simulacin del modelo se presentan en la figura 6.
23

Paso 1. Definicin de Variables de Entrada Para el caso desarrollado se asumieron como variables crticas la distancia recorrida cada ao, el porcentaje de ocupacin, la tarifa, los costos de operacin y los costos de mantenimiento. A cada una se le asoci una funcin de distribucin (Como se observa en la Figura 6). La definicin de las funciones de distribucin se realiz a juicio del autor, sin embargo es posible ajustar algn tipo de distribucin utilizando las tradicionales herramientas de ajuste estadstico, lo cual sera posible si se conoce informacin histrica de las variables de entrada. Entre las variables porcentaje de ocupacin y tarifa se asumi la existencia de una correlacin negativa (factor de correlacin - 0.52 Ver Figura 6). Este factor de correlacin puede ser estimado a partir de la informacin histrica que se posea de las variables. Paso 2. Definicin de Variables de Salida Las variables de salida del modelo se refieren en este caso a los criterios de decisin que se utilizarn para definir la conveniencia econmica del proyecto. En este caso se asumieron como variables de salida el valor presente neto y la tasa interna de retorno (Figura 7), calculados a partir de las funciones VNA y TIR del Asistente de Funciones del Excel. Paso 3. Simulacin del Modelo Para simular el modelo se generaron 1000 escenarios. Los resultados obtenidos para las variables de salida se presentan en la figura 7, en la cual se consignan los histogramas correspondientes a los resultados obtenidos para los dos criterios de decisin utilizados (VPN y TIR).

Resumen de escenario

24

25

26

27

Como se puede observar en las figuras anteriores, el anlisis de las variables de salida se hace relativamente ms completo que el tradicional anlisis determinstico de un proyecto. En el caso concreto de nuestro caso desarrollado se pueden identificar los siguientes resultados: 1. El proyecto presenta un valor presente neto promedio de $7.476 con una desviacin estndar de $6.320 que representa la gran incertidumbre evidente en el proyecto. En el anlisis determinstico tradicional, los resultados de un modelo de estas caractersticas generalmente se adoptan sobre la base de utilizar uno o a lo sumo tres escenarios posibles, mientras que la simulacin permite llegar a conclusiones tan interesantes como las que se ilustran en la Figura 10, que hace referencia a la probabilidad de no factibilidad de un proyecto, entendida como la probabilidad de que las variables de salida adopten ciertos valores de referencia. En el caso del valor presente neto, la probabilidad de que sea negativo p(VPN<0) es de 12.9% y si se utiliza la tasa interna de retorno, dicha probabilidad est definida como p(TIR<WACC), que este caso es 12.7%.

28

Considerando los resultados obtenidos un analista podra adoptar una decisin con ms elementos de juicio e incorporando interesantes elementos de evaluacin del riesgo del proyecto como la probabilidad de no factibilidad y consecuentemente la probabilidad de factibilidad que estara dada por el complemento.

2. Un anlisis complementario al realizado hasta aqu tiene que ver con la posibilidad de desarrollar estudios de sensibilidad en los cuales se identifique el impacto de las diferentes variables de entrada frente a los resultados simulados de las variables de salida. La gran mayora de las
29

aplicaciones computacionales que utilizan tcnicas de Monte Carlo, priorizan el impacto de las variables mediante dos mtodos, contribucin a la varianza o ranking de correlaciones.

3. En la Figura 11, se pueden observar los resultados obtenidos para el ejemplo de compra del camin. La variable ms relevante es la distancia recorrida al ao, seguida de las variables tarifa, costos de operacin, porcentaje de ocupacin y finalmente costos de mantenimiento. Este anlisis, permitira concentrar los esfuerzos de anlisis y optimizacin en aquellas variables determinantes del proyecto, por el alto nivel de incertidumbre que generan y en consecuencia adoptar medidas de control sobre el proyecto.

30

8. CONCLUSIONES Y COMENTARIOS FINALES

Como se observ a lo largo del presente artculo, la utilizacin de tcnicas de simulacin permite refinar el anlisis y las conclusiones derivadas de proyectos de inversin, introduciendo criterios como la probabilidad de no factibilidad o su complemento, la probabilidad de factibilidad, las cuales proporcionan ms elementos de juicio para la toma de decisiones en el anlisis de alternativas de inversin o financiacin. Las aplicaciones de la simulacin en las finanzas corporativas presentan un universo bastante amplio, puesto que la gran mayora de las decisiones estudiadas se somete a fenmenos donde prima la incertidumbre. Desde el punto de vista acadmico y pedaggico, la utilizacin de tcnicas de simulacin proporciona excelentes elementos de anlisis de alternativas, que complementan las tcnicas tradicionales, estudiadas en los cursos de finanzas e ingeniera econmica. El anlisis econmico de proyectos de inversin utilizando tcnicas de simulacin, es especialmente til en aquellos proyectos donde la incertidumbre es absolutamente determinante en los resultados finales, por ejemplo en los proyectos de exploracin y posterior explotacin de campos petrolferos, concesiones viales entre otros. La simulacin permite refinar los supuestos de los proyectos de inversin y formular nuevas hiptesis que pueden ser validadas a travs de pruebas en el modelo de anlisis. Por ejemplo, algunos de los conflictos tpicos entre los grupos de inters o stakeholders de un proyecto podran ser simulados en diferentes escenarios y de esta manera generar ms elementos de juicio. La utilizacin de criterios como la probabilidad de no factibilidad, permitira mejorar las tcnicas de comparacin de alternativas de inversin incorporando como variable complementaria al anlisis por valor presente neto o tasa de retorno, el anlisis del nivel de riesgo de cada alternativa.

31

9. REFERENCIAS BIBLIOGRFICAS SAVVIDES, Savvakis. (1994) Risk Analysis in Invesment Appraisal. Project Appraisal. Volumen 9 Number 1. Beech Tree Publishing. COATES, Eyler R. y Kuhl, Michael (2008). Using Simulation Software to solve Engineering Economy Problems. Computers & Industrial Engineering. No. 45. COATS,P.K. y Chesser, D.L. (1998). Coping with Business Risk through Probalistic Financial Statements. Simulation, June. HERNANDEZ, Hugo y Montenegro, Jos (2008). Evaluacin del Riesgo en un Proyecto de Servicios Industriales mediante Simulacin de Montecarlo. 3er. Congreso Ibero Americano de Gerencia de Proyectos. Caracas, Venezuela. PULGARN HOME, Fernando y Rodrguez, Ferney. (2007) Diagnostico sobre los mtodos y procedimientos utilizados por la gran industria manufacturera del Valle del Cauca en la definicin de tecnologa productiva en proyectos de ampliacin de la capacidad. Tesis de Grado Ingeniera Industrial, Universidad del Valle 2007. Colombia. RAMREZ PADILLA, David Noel. Contabilidad Administrativa. Mc Graw Hill. ISBN 970-10-1662-9. 488 Pginas. Ao 2008. VLEZ PAREJA, Ignacio. Decisiones empresariales bajo riesgo e incertidumbre. Grupo editorial norma. ISBN 958-04-7441-9. 468 Pginas. 2003. VOSE, David. Quantitative Risk Anlisis. 1ra edicin, Inglaterra: Wiley editorial, 1996. WESTON, J. Fred; COPELAND, Thomas E. Finanzas en administracin. Volumen II. Mc Graw Hill. ISBN 0-03-055883-2. 1359 Pginas. Ao 2008. Oracle Crystal Ball, Gua para el uso de Crystal Ball, versin 12, Estados Unidos, 2012.

32