Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
1.
TABLA DE CONTENIDO
RIESGO................................................................................................................................... 3
2.
4.
2.3.1
2.3.2
2.3.3
2.3.3.1
2.3.3.2
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
BIBLIOGRAFA ...................................................................................................................... 72
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
1.
RIESGO
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
2.
TIPOS DE RIESGO
A continuacin se presentarn las clases de riesgo a las que una entidad puede
enfrentarse:
Riesgo de Crdito: Son las posibles prdidas que se pueden generar por deterioro de la
situacin financiera de terceros o contraparte que tienen obligaciones con la entidad
Riesgo de Mercado: Posibles prdidas que se pueden dar por variaciones en tasas de inters,
tasas de cambio, precios y dems factores de riesgo.
Riesgo de Liquidez: Posibilidad de prdidas que se pueden generar por la imposibilidad de
vender activos o de adquirir pasivos ante necesidades de liquidez
Riesgo Operacional: Es la posibilidad de que se incurra en una prdida causada por una
insuficiencia o falla de procesos, del personal, procedimientos, de maquinaria o cualquier
elemento que influya en las labores de la empresa.
Riesgo Legal: Riesgo de prdida debido a los cambios en la normatividad de un pas que afecta
los acuerdos contractuales, procesos legales o sentencias adversas.
Riesgo ambiental: Posibilidad de prdida causada por un efecto ambiental o climtico.
Cada clase de riesgo contiene un grupo de factores de riesgo, por ejemplo, en el riesgo
de mercado, algunos factores de riesgo son la tasa de inters, la tasa de cambio y el precio,
entre otros.
Como primer paso se deben definir los factores de riesgo de una empresa y
posteriormente se determina un mapa de riesgos, el tercer paso medir el riesgo asignando un
conjunto de nmeros a las posibilidades de ocurrencia de los hechos inciertos, cuarto paso la
medicin de la exposicin y por ltimo determinar una medida integral del riesgo. Una vez se
tenga una medida de riesgo, el personal encargado de la administracin de riesgo tiene
diferentes alternativas para la gestin, ellas son:
Eludir la exposicin eliminando la fuente de riesgo
Transferir el riesgo pagando por ello
Cubrir el riesgo
Mitigar
Asumir
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
medicin del riesgo para activos financieros, por lo cual su anlisis se realiza para entidades
que cotizan en bolsa o que tengan inversiones en activos financieros.
Algunas de las metodologas referenciadas en este trabajo son aplicables a empresas
del sector real que no invierten en la bolsa o no tienen relacin con activos financieros, as
como las que si se relacionan.
El anlisis del riesgo de mercado se basa en clculo de la volatilidad a la que est
enfrentado un activo financiero, tales como acciones, bonos, futuros, as como variables
financieras fundamentales como son la tasa de inters y la tasa de cambio de referencia. Estas
metodologas se calculan con base en los retornos simples de un activo
definidos como
para
donde
indica el precio del activo en el perodo , [2] presentan otras formas del
clculo de los retornos las cuales ofrecen ventajas estadsticas y matemticas, en ste trabajo
se usar el concepto de retorno simple presentado en la ecuacin (20) para facilidad en los
clculos y su anlisis. En el caso de un portafolio, el retorno
puede escribirse como:
(1)
donde las ponderaciones
en el perodo
Como el inters es medir el riesgo de mercado de un activo2, tal como lo menciona [2],
una forma de medirlo es por medio de la funcin de distribucin de probabilidad de las
prdidas y ganancias de los activos.
La primera forma de medir el riesgo es por medio de la desviacin estndar
la cual
se calcula de la distribucin de probabilidad de las prdidas y ganancias, la desviacin estndar
mide la volatilidad de los retornos de un portafolio, se define como:
donde
es el vector de participaciones
teniendo el
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
2.1.2 Cpulas
Value at Risk
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
asocie represente fielmente esa relacin de dependencia y pueda ser utilizada en el clculo del
VaR. Las cpulas permiten definir distribuciones de probabilidad conjuntas entre variables,
adicionales a las distribuciones multivariadas estndar que limitan los tipos de dependencia a
los que se puede representar. En este sentido, es posible concluir que la cpula logra capturar
toda la informacin que exista sobre dependencia en un conjunto de variables.
La teora del valor extremo introducida en los aos cincuenta por el matemtico
alemn Emil Julius Gumbel, soluciona los problemas que se presentan en la medicin del
riesgo cuando la distribucin de los retornos o precios de los activos financieros presenta colas
pesadas y por ende cuando existe una mayor probabilidad de ocurrencia de eventos extremos.
Existen dos tipos de metodologas para la identificacin de los valores extremos en las
series. El primero es conocido como mximo por bloques, cuyo campo de aplicacin radica en
las observaciones ms grandes de una muestra amplia de observaciones idnticamente
distribuidas. Por lo tanto, este modelo considera el mximo valor que toma una variable
aleatoria en periodos sucesivos de tiempo. Dichas observaciones son consideradas como los
valores extremos de la serie para cada uno de los periodos seleccionados.
El segundo tipo de metodologa es conocido como picos sobre el umbral (POT por sus
siglas en ingls), los cuales se basan en las observaciones de una muestra que exceden un
lmite o umbral previamente definido. Estos modelos a su vez se encuentran divididos en
aquellos que son semiparamtricos, como los construidos alrededor del estimador de Hill, y los
totalmente paramtricos, basados en la Distribucin Generalizada de Pareto (GPD). En este
caso, la serie original no es dividida en bloques, sino que se define un umbral a lo largo de su
historia, y aquellas observaciones que lo exceden se consideran valores extremos. Una de las
grandes ventajas que ofrece el modelo POT es que gracias al uso ms eficiente de la
informacin, es considerado como el modelo ms til en aplicaciones prcticas
3.
RIESGO DE CRDITO
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
es el intercepto,
mide el cambio en
influyen en
con respecto a
, para
Y=
Los modelos con variables dummy son los modelos de escogencia discreta, dentro de
ste grupo se encuentra la regresin lineal, pero se le da el nombre de modelo lineal de
probabilidad.
En los modelos lineales de probabilidad se encuentran algunos inconvenientes como
son la violacin del supuesto de heteroscedasticidad, pero la principal debilidad del
procedimiento de estimacin es que no hay posibilidad de restringir que los valores estimados
estn entre 0 y 1, es decir,
10
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
Es una tcnica que permite construir un modelo predictivo para pronosticar el grupo al
que pertenece una observacin a partir de determinadas caractersticas observadas que
delimitan su perfil. El anlisis discriminante es una tcnica de clasificacin y segmentacin ad
hoc que permite asignar o clasificar nuevos individuos u observaciones dentro de grupos o
segmentos previamente definidos. Su objetivo es producir una regla o esquema de
clasificacin que permita predecir la poblacin a la que es ms probable que tenga que
pertenecer una nueva observacin o individuo, [16]. El modelo predictivo que pronostica el
grupo de pertenencia de una observacin en virtud del perfil define la relacin entre una
variable dependiente que es categrica y varias variables independientes. Por tanto, la
expresin funcional del anlisis discriminante puede escribirse como
. Las
categoras de la variable dependiente definen los posibles grupos de pertenencia de las
observaciones o los individuos y las variables independientes definen el perfil conocido de
cada observacin.
El objetivo principal del anlisis discriminante es utilizar los valores conocidos de las
variables independientes medidas sobre un individuo u observacin para predecir qu
categora le corresponde para clasificar el individuo en la categora adecuada, otra finalidad del
anlisis discriminante es poder determinar las diferencias entre los grupos y su interpretacin,
esto se realiza por medio de las variables discriminantes, cuando se valoriza las caractersticas
que diferencian un grupo de otro se le denomina anlisis discriminante descriptivo y el uso del
anlisis discriminante para la prediccin del grupo de pertenencia se denomina funcin
discriminante.
Cada caso o individuo deben ser mutuamente excluyente, es decir, debe corresponder
a uno y slo a un grupo; el modelo discriminante tiene los siguientes supuestos bsicos:
normalidad multivariante, homocedasticidad, linealidad y ausencia de multicolinealidad. Una
vez comprobados los supuestos, se obtienen una serie de funciones lineales a partir de las
variables independientes que permitan interpretar diferencias entre grupos y clasificar los
individuos. Las funciones lineales son llamadas funciones discriminantes y son combinaciones
lineales de las variables discriminantes, en un caso donde la variable dependiente tiene G
grupos
, donde
variables explicativas
(3)
Los
11
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
Sea
la matriz within-group de la suma de cuadrados y de productos cruzados y sea
la
matriz between-groups de la suma de cuadrados y de productos cruzados. [8], sustent la
funcin discriminante lineal basada en los valores y vectores propios de
. Para obtener
, donde
(4)
respecto de
e igualando a
(5)
(6)
(7)
, obteniendo hasta
ejes discriminantes los cuales no son ortogonales. Una vez
obtenidas las funciones discriminantes, el siguiente paso es su interpretacin la cual se realiza
analizando la contribucin de las variables independientes en la funcin discriminante
correspondiente, para un individuo
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
en cada . Para el clculo de esta distancia se usa la distancia de Mahalanobis, [14], por lo
tanto se asignar un individuo a un grupo de acuerdo a la menor distancia de Mahalanobis
calculada.
Un procedimiento muy utilizado es usando las probabilidaddes de pertenencia al
grupo, donde simplemente un individuo ser clasificado donde su probabilidades de
pertenencia sea mayor, ste mtodo supone que todos los grupos poseen un tamao similar,
pero en caso de que los tamaos sean diferentes, se incorpora el clculo de probabilidades a
priori usando para ello tcnicas bayesianas de estimacin, lo cual permite mejorar la
prediccin y disminuir el error de clasificacin; con la regla de bayes es posible calcular la
probabilidad a posteriori que sera la probabilidad de pertenencia en cada grupo.
es una funcin
de las variables
Para
, cuando
para
tiene distribucin Bernoulli con
parmetro , la funcin de densidad de probabilidad tiene la forma:
(9)
13
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
Para
parmetro natural
es
(10)
donde
es el vector de
, donde
regresin logstica. Si
este modelo se satisface que
cuando
cuando
, para
(11)
, donde
(12)
(13)
El cociente es llamado razn de disparidad (odds ratio) o como los momios a favor de
la opcin
a parte de
14
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
(14)
(16)
(17)
tome valores de
(18)
(19)
La diferencia entre las distribuciones normal y logstica es que sta ltima da ms peso
a las colas en la distribucin, la estimacin de estos modelos no es posible realizarla por el
mtodo de mnimos cuadrados ordinarios debido al incumplimiento de las propiedades de los
estimadores ya que no son insesgados, por lo tanto la estimacin es realizada por el mtodo
de Mxima Verosimilitud. Este mtodo selecciona como estimador aquel valor del parmetro
que tiene la propiedad de maximizar el valor de la probabilidad de la muestra observada, para
lo cual es necesario construir una funcin de verosimilitud que expresa la probabilidad de
obtener valores observados en funcin de los parmetros desconocidos. Se han realizado
varios estudios para determinar cul es el mejor mtodo, el Probit o el Logit, an no se ha
llegado a una conclusin pero para modelos de scoring el modelo logstico ha tomado ventaja
por su mejor poder predictivo, [5] hace una extensa explicacin sobre esta conclusin.
15
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
Los rboles de decisin son una herramienta grfica, con una rama o raz como la
estructura de las cajas y lneas, que se utiliza para mostrar las posibles vueltas de eventos que
pueden-o no-ser controlables, incluso el nombre implica que cada rama supone que
representa opciones a disposicin de una toma de decisiones. Los rboles de decisin tambin
se utilizan para la visualizacin de datos en la clasificacin y prediccin de problemas.
En general, los rboles de decisin no estn bien adaptados para elaboracin de
modelos de prediccin, pero hay casos en que se puede considerar. Un ejemplo de ello son los
datos disponibles para un sistema de puntuacin para el desarrollo de un nuevo producto.
Esto podra ser abordado mediante la definicin de una primera estructura de rbol usando los
datos disponibles, y, posteriormente, la utilizacin de arranque (muestreo con reemplazo) para
calcular las diferentes probabilidades de nodo terminal que luego se promedia.
La humanidad en los ltimos siglos ha tratado de sustituir los esfuerzos del hombre
con las mquinas. Recientemente, este esfuerzo se ha extendido ms all del trabajo en el
dominio del pensamiento y la toma de decisiones. Si bien el objetivo es hacer la vida ms fcil,
muchas personas temen que las computadoras, con el tiempo, obtengan la capacidad de
pensar y funcionar de manera similar a los seres humanos. De hecho, el uso de cualquier
modelo predictivo como parte de un proceso de decisin podra ser interpretada como la
influenza aviar. Estas son las redes neuronales, que pueden describirse como elementos de
clculo de redes que pueden responder a los insumos, y aprender a adaptarse al medio
ambiente. stas son, supuestamente capaces de imitar la manera en que funciona el cerebro
humano, especialmente cuando se trata de auto-organizacin y aprendizaje. El resultado final
es algo as como un rbol de decisin, excepto que el detalle es mucho ms fino.
16
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
si
17
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
negativos. Cuando esta curva tiende hacia la izquierda, entonces se dice que el modelo tiene
un buen poder de prediccin.
Para todos los posibles puntos de corte o criterios de clasificacin que se seleccionen
para discriminar dos poblaciones, en este caso buenos y malos clientes, siempre habr casos
en los que se clasificarn correctamente a los buenos clientes como buenos (A: fraccin
positiva verdadera) y algunos casos en donde los buenos clientes sern clasificados como
malos (B: fraccin de falsos negativos). Por otro lado, algunos clientes malos sern clasificados
como buenos (C: fraccin de falsos positivos) y algunos clientes malos sern correctamente
clasificados como malos (D: fraccin negativa falsa). Lo anterior lo podemos describir por
medio de la siguiente tabla:
Buenos
Malos
Total
Buenos
A+C
Malos
B+D
Total
A+B
C+D
Modelo/Observado
Sensibilidad =
Especificidad =
3.5.3 Chi-Square
Es utilizada para medir o evaluar una hiptesis, comparando los datos reales con los
estimados, en esta prueba se establece un lmite de confianza, y se busca la relacin lineal
entre las variables, y por medio del p - valor establece una medida de confianza.
Sin embargo el uso de esta prueba no garantiza plenamente la independencia o la
dependencia de las variables, ya que est sujeto al nivel de confianza y al p - valor que
18
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
utilicemos para aceptar o rechazar la hiptesis nula, pero entre mayor sea el nivel de
significancia utilizado menor ser la probabilidad de rechazar errneamente la hiptesis nula.
Esta prueba es utilizada dentro del riesgo financiero, para estimar en cierta medida la
tendencia de las variables con relacin al tiempo, y estimar el riesgo con relacin a las
personas consideradas buenas o malas.
Dentro del crdito es necesario tener en cuenta que el uso de esta prueba esta
estimando unos datos, que en la realidad estos pueden verse afectados por otras variables. Los
clientes son aceptados o rechazados dentro de los crditos dependiendo del grado de riesgo
que se determine. Sin embargo el comportamiento de los crditos es dinmico y puede verse
afectado por la infraestructura, la competitividad, los cambios en la economa, etc. Variables
que no son independientes y por el contrario pueden estar muy correlacionadas entre s.
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
escoger una tcnica para modelar el riesgo de crdito se debe tener en cuenta la informacin
con la que se cuenta, as como las herramientas tecnolgicas disponibles y la experticia de
quien vaya a modelar. Sin embargo la tendencia general es que no se llegue a un acuerdo
sobre cul modelo es superior o mejor ya que simplemente pueden ser construidos bajo
tcnicas o metodologas diferentes como por ejemplo aquellos que usan redes neuronales,
los tradicionales de anlisis estadstico, [11].
Basilea II define el riesgo operacional como el riesgo de prdida resultante de una falta
de adecuacin o de un fallo de los procesos, el personal o los sistemas internos, o bien
como consecuencia de acontecimientos externos. Esta definicin incluye el riesgo
legal, pero excluye el riesgo estratgico y el riesgo reputacional.
20
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
El clculo se realiza multiplicando un factor de 15% por promedio de los tres ltimos aos de
los ingresos netos anuales positivos de la institucin.
2.3.2 Mtodo Estndar (STDAOp) y Estndar Alternativo (ASA)
STDAOp: Se clasifican los activos en ocho lneas de negocio y se les asigna un factor que
puede ser del 12%, 15% 18%. Cada factor se multiplica al promedio de los tres ltimos aos
de los ingresos netos positivos; en caso de que el ingreso neto total sea negativo en algn ao,
entonces se sustituye el valor de ese ao por cero.
ASA: Se calcula igual que el STDAOp a excepcin de dos lneas de negocio, la banca comercial y
la minorista. En el caso de estas lneas de negocio, los prstamos y los anticipos son
multiplicados por un factor fijo m = 0.035, y el resultado sustituye a los ingresos brutos como
indicador de riesgo.
Capital basado en el clculo de las prdidas esperadas e inesperadas (VaR del 99,9% en
un horizonte temporal de un ao.
21
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
22
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
4.
RISK SIMULATOR
Procesador Pentium IV
Windows XP o Vista
MS Excel XP, 2003 2007
80 MB en Disco Duro
1GB de RAM
23
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
ICONO
FUNCIONALIDAD
Es el cono principal de Risk Simulator ya que permite acceder a todas las
funcionalidad del software por medio de un men de opciones, son las
mismas funcionalidades de los dems conos pero en un solo listado.
Crea un nuevo perfil de simulacin para almacenar todos los supuestos
de entrada y pronsticos de salida. Puede tener mltiples perfiles en un
solo modelo
Permite seleccionar, eliminar o duplicar entre varios perfiles activos uno
para realizar la simulacin.
Edita las preferencias del perfil activo, como son nmero de iteraciones,
valor semilla de simulacin, activacin de correlaciones y el nombre del
perfil.
Establece en la celda activa un supuesto de entrada de distribucin. La
celda debe contener un valor y no una funcin.
Establece en la celda activa como pronstico de salida. La celda debe
contener una funcin o ecuacin.
Copia un supuesto de simulacin, la variable de pronstico o de decisin
con sus parmetros o vnculos a celdas correspondientes.
24
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
26
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
Las Constantes
El Modelo
Las Variables
Pronosticadas
D
Grfica 2. Proceso de Simulacin
En la grfica 2 se observa la relacin que debe existir entre las variables y el modelo para
realizar la simulacin, de igual forma este procedimiento se debe realizar para hacer
optimizaciones y para hacer optimizacin estocstica.
Los pasos para realizar la simulacin de Monte Carlo debe seguir los siguientes pasos por Risk
Simulator:
1.
2.
3.
4.
5.
Definir un perfil
Definir variables supuestos
Definir variable pronstico
Ejecutar la simulacin
Obtener reportes y/o datos
27
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
Una vez activado o seleccionado el perfil de simulacin, colocando el cursor sobre una celda
que contenga un valor que vaya a ser seleccionada como variable de supuesto se da clic en el
cono de Supuesto de Entrada o clic derecho y la misma opcin y se selecciona una distribucin
dependiendo si la variable es discreta o continua.
Tambin se puede ajustar una funcin a los datos del comportamiento de la variable
aleatorias
28
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
30
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
La tabla estadstica de pronstico (grfica 9), permite obtener los resultados de los estadsticos
descriptivos bsicos de la variable de pronstico, as como los percentiles que el usuario desee.
Recordando en la grfica 10 el procedimiento de la simulacin de Monte Carlo
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
Anlisis de Certidumbre
Estadsticas y Percentiles
32
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
En este caso la relacin es Costos totales = Costos fijos + Costos Variables, pero los Costos
Variables es igual al Costo Unitario * Unidades producidas.
El rea de produccin le comenta a usted la situacin de la empresa, en la cual se ha tenido
como histrico que el Costo Unitario (CU) han tenido un comportamiento de $ 1 por unidad,
llegando a un mximo de $6, pero que en promedio es $3 el valor ms comn, luego le
comentan que las Unidades Producidas (UP) es de mnimo 500 y mximo 1000.
De acuerdo a lo anterior las celdas de CU y UP se asignaran como Supuestos de Entrada, la
primera como una distribucin triangular y la segunda como uniforme discreta.
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
Se recuerda que para que una celda se pueda definir como de Pronstico debe tener una
funcin y/o formula que se vincule con las celdas a simular. El modelo quedar visualizado de
la siguiente forma:
34
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
Por lo tanto ya se puede conocer con un nivel de certeza a cunto ascendern los costos
totales ante diferentes escenarios.
AL valor del 95% de la cola derecha se le resta el precio final y este es el VaR para una accin.
35
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
2800,000. La tasa de descuento que se utiliza es de 15% anual, con un horizonte de 10 aos y
un valor residual de S/. 350,000.
Se pide calcular los indicadores de rentabilidad del Proyecto de Inversin, as como tambin
realizar el anlisis de riesgos correspondiente.
Se debe considerar los siguientes datos para algunas variables:
Escenarios
Datos
Bajo
Medio
Alto
27,000
30,000
39,000
Precios unitario
65
75
90
Costo unitario
20
25
35
36
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
En este caso lo que se busca es construir el flujo de caja futuro del proyecto para un horizonte
de 10 aos, del cual el objetivo fundamental es obtener el valor del VAN.
De acuerdo a lo anterior las celdas correspondientes a Volumen de ventas, Precio Unitario
y Costo Unitario se asignarn como Supuestos de Entrada, todas como una distribucin
triangular.
37
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
El objetivo de la simulacin es la celda del VAN (tal y como se mencion lneas arriba) por lo
tanto se selecciona como Pronstico de Salida.
38
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
Optimizacin de Inventarios.
Los procedimientos de optimizacin son posibles con variables Continuas, discretas y discretas
y continuas mezcladas. Los mtodos de optimizacin disponible en Risk Simulator son:
Lineal
No lineal
Para realizar un proceso de Optimizacin con Risk Simulator se debe seguir el siguiente
procedimiento:
1. Definir un perfil
39
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
2.
3.
4.
5.
6.
40
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
Al dar clic sobre Objetivo de la seccin de Optimizacin, se debe estar previamente ubicado en
la celda que ser el objetivo. La ventana emergente (grfica 12) necesita solamente que se
indique el tipo de optimizacin.
41
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
42
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
43
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
44
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
El anlisis Tornado se realiza previ a las simulaciones dado que va analizar la relacin que
existe entre todas las variables del modelo y la variable objetivo, para lo cual usa un anlisis de
escenarios, por defecto el programa hace un incremento y una disminucin del 10% sobre el
valor base de cada variable en el modelo y observa como ante cambios en cada variable afecta
a la variable objetivo.
El reporte generado por el software explica cmo se debe realizar la interpretacin y anlisis
de los resultados, el aporte principal del anlisis tornado es que permite analizar cules son las
variables que ms importancia tienen con respecto al objetivo. Esto facilita parametrizar las
simulaciones dado que se tendra como prioridad las variables de mayor relevancia dadas por
la herramienta Tornado.
El anlisis de Sensibilidad se realiza posterior a las simulaciones, este procedimiento consiste
en realizar mltiples perturbaciones para ver el resultado en la variable objetivo, para realizar
el anlisis de sensibilidad posteriormente a la simulacin se debe ubicar en la celda objetivo ir
a Herramientas Analticas- Anlisis de Sensibilidad.
45
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
4.7 PRONSTICO
Hay una preocupacin por conocer lo que va a suceder en el futuro, dado que permite adaptar
las acciones presentes a posibles resultados esperados o no deseables.
Predecir anticipadamente el futuro de los aspectos de cada proyecto que tienen
incertidumbre, a travs de la medicin de variables econmicas, utilizando las herramientas
apropiadas para cada variable, escenario o proyecto, las cuales pueden ser cualitativas o
cuantitativas
Risk Simulator provee al usuario de varias metodologas de pronstico:
Extrapolacin No Lineal
Pronstico Estocstico
Cadenas de Markov
Modelos GARCH
46
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
47
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
Una vez tenga el modelo estimado y haya evaluada la significancia de cada una de las
variables, evalu los supuestos del modelo de regresin lineal, para ello seleccione la base de
datos y dirjase a Herramientas Analticas Herramientas de Diagnstico, lo que le permitir
evaluar no multicolinealidad, no autocorrelacin, homocedasticidad, normalidad, evidencia de
procesos estocsticos, valores atpicos, entre otros.
Lo que deber seleccionar es la variable dependiente del modelo, y posteriormente obtendr
un archivo temporal de Excel en el cual encontrar todos los resultados del modelo.
48
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
Por ejemplo se cuenta con el siguiente histrico de ventas y se desea analizar con base en su
comportamiento pasado el futuro de las ventas.
49
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
50
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
En la cual el usuario tiene varias posibilidades, entre ellas la primera y ms sencilla, y es que el
software seleccione el mejor modelo de los 8 posibles y adicionalmente que encuentre los
parmetros que minimizan el RMSE (Root Mean Square Error). La segunda opcin es que el
usuario seleccione el modelo que considera evaluar de acuerdo a los datos, en este caso puede
seleccionar entre que el software encuentre los parmetros que minimizan de igual forma el
RMSE o por el contrario el usuario puedo ingresarlos manualmente.
Al ejecutar Seleccin Ejemplar Automtica
51
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
Se generan dos resultados el primero una tabla con los 8 modelos posibles con sus parmetros
y el RMSE correspondiente, la tabla presenta el orden de seleccin de los modelos, en este
caso el modelo seleccionado es un Holt-Winter Multiplicativo, en una hoja adicional se
presenta la descripcin del modelo y su interpretacin similar a la siguiente imagen.
Uno de los modelos ms usado son los ARIMA (Modelos Autorregresivos (AR) Integrados (I) y
de media mvil (MA)), los cuales buscan explicar el comportamiento de una serie por medio de
su pasado y de los choques aleatorios o de error que haya sufrido en el tiempo, a este tipo de
modelos se denomina dinmico.
Para poder realizar un modelo ARIMA se debe partir que la serie es estacionaria, es decir que
tanto su media como su varianza no cambian y no dependen del tiempo, se recomienda para
este tipo de modelos tamaos muestrales amplios ya que permiten modelar mejor el
comportamiento de la variable de estudio.
Para el estudio de los modelos ARIMA se usa la metodologa de Box Jenkins, el primer paso
es la identificacin del modelo, segundo la estimacin, tercero el diagnstico y por ltimo el
pronstico.
52
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
Antes que nada se debe verificar el supuesto fundamental de los modelos ARIMA y es que la
serie sea estacionaria, la primera aproximacin es realizar una grfica de la serie, para este
ejemplo se usar una serie del IPP (ndice de precios al productor) de Colombia, observemos la
grfica, para pegar una grfica a Word se da clic derecho sobre el grfico Copiar se selecciona
el formato y se pega en la ubicacin deseada.
Con Risk Simulator usted podr verificar si la serie es estacionaria por medio de la herramienta
de Anlisis de Estadsticas en el men de Herramientas Analticas. Una vez seleccionados los
datos:
53
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
Emerge una hoja nueva, en este caso se selecciona la hoja de Estocsticos y en la seccin de
Resumen Estadsticos, se observa la Probabilidad de Ajuste del Modelo Estocstico, si es mayor
al 5% indica que la serie es no estacionaria. El otro mtodo es por medio de la autocorrelacin,
en este mismo archivo se encontrar una hoja con ese nombre, por medio del grfico de
correlaciones se puede determinar si la serie es estacionaria o no dependiendo si la serie
decrece lentamente o no.
54
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
4.7.3.2 Estimacin
Una vez se tenga la variable estacionaria y los posibles modelos identificados se procede a
realizar la estimacin del o los modelos propuestos.
Los resultados de la estimacin por RS nos permite revisar los coeficientes, la probabilidad
asociada, estadsticos descriptivos y algunas pruebas.
El segundo paso de la estimacin es verificar la significancia de los rezagos y de los errores en
este caso el rezago AR(2) y el MA(1) no son significativos, en los modelos ARIMA al igual que
en MCO una variable puede ser la causante de la insignificancia de algunas variables, para ello
se recomienda eliminar las variables con mayor probabilidad de ser no significativas.
4.7.3.3 Diagnostico
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
Una vez se tengan los modelos evaluados (recuerde tener por lo menos dos modelos) y que
cumplan los supuestos de los modelos ARIMA, se debe seleccionar el mejor modelo
ESTIMADO, para ello se usan los criterios de informacin que RS presenta: AIC (Akaike
Information Criteria), BIC o SIC (Bayesian o Schuartz Information Criteria) y Hannan Quinn, el
mejor modelo ser aquel que tenga los criterios de informacin ms pequeos.
4.7.3.4 pronostico
Como se mencion anteriormente debe tener claro el usuario que se quiere con el modelo si
una correcta estimacin para lo cual para seleccionar el mejor modelo usa los criterios de
informacin, pero si su objetivo es pronosticar se usan los criterios de evaluacin de
pronstico.
RS imprime los resultados de los estadsticos RMSE, MAE, MAPE y U-Theil para poder evaluar
el o los modelos, si se tienen dos o ms modelos, el mejor modelo ser aquel que tenga stos
estadsticos ms pequeos y una U-Theil menor que 1.
Risk Simulator cuenta con dos herramientas para la estimacin de modelos ARIMA, la primera
es la AUTO ARIMA, la cual realiza el procedimiento de identificacin, estimacin, verificacin y
pronstico de manera automtica. Primero se seleccionan los datos y en el men de
Pronstico se selecciona AUTO-ARIMA
56
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
RS reporta los modelos que evalu por medio del siguiente cuadro:
Es importante anotar que en esta herramienta RS utiliza el criterio del R2 ajustado como
herramienta de seleccin del mejor modelo.
El reporte incluye una explicacin estadsticas del procedimiento realizado por RS y de igual
forma presenta los pronsticos del modelo y una grfica para la estimacin y otra para los
residuales del modelo.
57
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
58
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
En este caso el usuario debe ingresar los parmetros del modelo ARIMA, es decir el
componente Autorregresivo (AR), el integrado (I) y el de media mvil (MA). Generando un
reporte como el siguiente:
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
leyes de la probabilidad. Podemos usar los Procesos Estocsticos del Simulador de Riesgo para
simular y crear estos procesos. Estos procesos tambin pueden ser usados para pronosticar
una multitud de datos de series de tiempo que incluyen, precios de acciones, tasas de inters,
tasas de inflacin, precios del petrleo, precios de la electricidad, p
recios de bienes bsicos o commodities , y muchos ms.
Usted tiene dos posibilidades para utilizar la herramienta de procesos estocsticos ubicada en
el modulo de pronstico, la primera es ingresar valores aleatorios en los parmetros de cada
modelo para verificar algn tipo de comportamiento, el segundo es ajustar a una serie de
datos histrica los parmetros correspondientes.
Para la segunda opcin debemos ingresar a Herramientas Analticas Anlisis de Estadsticas
60
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
Una vez conocidos los parmetros del proceso estocstico, se proceder a realizar los
pronsticos correspondientes por la ruta Pronstico Avanzado - Procesos Estocsticos
61
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
63
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
ordinarios y los coeficientes estimados son usados en el mismo sentido que en el anlisis de
regresin.
Usando la siguiente base de datos, seleccione los datos y dirjase a Pronstico Avanzado
Modelo de Mxima Verosimilitud
64
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
Herramientas de Diagnstico
Anlisis de Estadsticas
66
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
A manera de resumen:
Ejemplo de un Modelo de Evaluacin de Proyectos
Usted est decidiendo invertir en un proyecto de venta de pescado fresco y se considerarn 3
estrategias respecto a la capacidad de la planta y terreno, calidad de equipos y calidad del
personal y gerencia. Dado que dispone de poco capital se asume que se tendra que financiar
el 80% con deuda y a una tasa de 15% anual a 4 aos sin posibilidad de refinanciamiento. Se
asume liquidacin de todos los activos al trmino de los 5 aos. Los datos estimados son los
siguientes:
a) Elabore el Flujo de Caja y el Estado de Prdidas y Ganancias con los datos mencionados.
b) Identifique cuales son las variables que tienen un mayor impacto en el VPN del Proyecto
mediante el diagrama de tornado asumiendo una distribucin triangular para todas las
variables del modelo y emplee simulacin de Monte Carlo para analizar el riesgo involucrado.
67
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
c) Con los escenarios bajo, medio y alto aproxime una distribucin normal para asignar a las
variables del modelo, corra la simulacin con estas distribuciones y analice los resultados. .
d) Corra la simulacin con 1,000 y 10,000 iteraciones. Compare la precisin de ambas.
e) Suponga que hay la opcin de continuar el negocio por 2 aos ms luego de conocer todas
las incertidumbres. Como modelara esta situacin asumiendo que para ello a inicios del 6to
ao se tendra que invertir un 50% de la inversin inicial en terreno y obras civiles y 100% en
maquinaria y equipo, y el valor de liquidacin se mantiene igual y solo se descuenta la misma
depreciacin de los aos anteriores. Los dems supuestos se mantienen iguales en los 2 aos.
Use Simulacin para contestar las siguientes preguntas:
Se incrementa el VPN esperado?
Se incrementa la probabilidad de prdida?
Cul es el valor de la opcin?
f) Suponga ahora que el nivel de ventas estar ahora restringido a una capacidad de la planta
determinada de 3500 MM en ventas (se define la capacidad en trminos monetarios). Es decir
las ventas anuales no pueden ser mayor a esta capacidad. Corra la simulacin con estos
supuestos y compare los resultados con la anterior situacin.
Ajuste de distribucin
Establecer supuestos de entrada y salida
Pronstico con modelos ARIMA, Series de tiempo y Extrapolacin
Anlisis de Escenarios
Grficas sobrepuestas
La empresa de Aceros ABC desea determinar los costos de su proceso de produccin el cual se
divide en las siguientes fases:
1. Fundicin
2. Formacin
Se tienen 3 materias primas, A, B y C. (MP), tiene unos costos de MOD (mano de obra directa)
y MOI (mano de obra indirecta), adems, CIF (costos indirectos de fabricacin).
El objetivo (VARIABLE OUTPUT-PRONOSTICO) es que pueda presentar un informe en el cul
indique con un nivel de confianza del 95% Costo total de Materiales. MOD, CIF y del total de
costos del proceso de fundicin (B30:E30) y de formacin (H30:K30) respectivamente. HOJA
68
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
FORMATOS. Las Hojas Datos y Formato se encuentran vinculadas, por medio de las siguientes
condiciones.
Para la realizacin del ejercicio usted se reuni con las diferentes reas que participan en el
proceso recolectando la siguiente informacin.
1. En el proceso de fundicin, la materia prima A tiene unos costos de mnimo
$70.000.00, en promedio $95.000.000 y mximo $120.000.000 CELDA C4 HOJA DATOS,
2. Para la materia prima B, se consult con el proveedor el cual afirm que en promedio
nos vende $23.000.000 y que en promedio nos desviamos como un 10% de ese valor
CELDA C5 HOJA DATOS
3. Para el proceso de fundicin la MOD an no se tiene el dato actualizado pero se tienen
los datos de los ltimos 3 aos los cuales estn en la hoja MOD, realice un pronstico
por medio de la opcin de Anlisis de Series de Tiempo para ese dato faltante
CELDA C8 HOJA DATOS
4. Para el proceso de fundicin MOI se tienen los datos histricos en la hoja MOI de los
ltimos 2 aos, se requiere tener en cuenta las posibles variaciones que puede tener
esa variable en los resultados, para ello realice un ajuste de distribucin CELDA C9
HOJA DATOS
5. Para el proceso de Formacin los datos de materia prima C an no se han calculado,
por eso el gerente de produccin recomienda utilizar los datos histricos que se
encuentran en la hoja MP C y hacer un pronstico por medio de un modelo ARIMA
CELDA D6 HOJA DATOS
6. En la MOD del proceso de formacin se tienen los siguientes datos histricos, selos
para poder determinar la distribucin asociado a la MOD CELDA D8 HOJA DATOS.
Nota: Distribucin Personalizada
VALOR
$ 60,000,000,00
$ 66,000,000,00
$ 70,000,000,00
$ 75,000,000,00
FRECUENCIA
1
10
5
2
7. Los CIF del proceso de formacin se deben pronosticar, para ello un especialista
recomend usar la metodologa de la extrapolacin, usando los datos de la hoja CIF del
ltimo ao extrapole un perodo y use el pronstico para el ejercicio CELDA D10 HOJA
DATOS
8. Para el proceso de produccin de fundicin se requiere hacer un pronstico de las
Unidades Iniciadas (Uds Iniciadas), para ello usando los datos de la hoja UDS1
seleccione el mejor modelo entre un modelo de Series de Tiempo y uno de un modelo
ARIMA CELDA B8 HOJA FORMATO
9. Realice el mismo procedimiento para el proceso de formacin de acuerdo al numeral
anterior usando los datos de la hoja UDS2 CELDA H8 HOJA FORMATO
10. La variable prdidas normales es la misma para el proceso de fundicin como para el
de formacin, obtenga la distribucin asociada y para la estimacin de los costos
69
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
Compare los RMSE, para el modelo ARIMA lo encuentra como suma del promedio de
cuadrados y debe sacarle la raz. Seleccione para pronosticar el mdelo que tenga el menor
RMSE
- Los Honorarios tienen una distribucin triangular con mnimo 1000000, mximo 10000000 y
ms probable 5500000
- Los Gastos Diversos, tienen una relacin con un conjunto de variables, por lo tanto se desea
estimar el valor del gasto diverso por una relacin lineal, del tipo un modelo de regresin
70
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
lineal, en la hoja gastos diversos estn los datos de 49 meses anteriores con los gastos
correspondientes, pero no se ha calculado para el mes de diciembre el valor de ste mes, por
lo tanto se desea utilizar un modelo de regresin lineal para poder realizar el anlisis.
- Debe pronosticar las variables Utilidad Antes de Impuesto y la Utilidad Neta del Ejercicio
- Antes de realizar la simulacin debe analizar las variables que afectan a la Utilidad Antes de
Impuesto por medio de un anlisis Tornado, posteriormente a la simulacin realice un anlisis
de Sensibilidad
2. Utilizando el archivo Estimacin de Costos, realice el ejercicio planteado en la hoja
descripcin
3. Realice el ejercicio de seleccin de portafolio
71
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
5.
BIBLIOGRAFA
72
SOFTWARE SHOP
INSTRUCTOR: BRAYAN RICARDO ROJAS
[9] Hosmer, D.W and Lemeshow, S. Applied logistic regression. John Wiley and Sons,
1989.
[10] Kolmogorov, Andrei. Grundbegriffe der Wahrscheinlichkeitsrechnung.. Springer,
1933.
[11] Mays, Elizabeth. Credit Scoring For Risk Managers: The Handbook For Lenders.
South-Western Educational P., 1 edition, 2003.
12] Mays, Elizabeth. Handbook of Credit Scoring. Glenlake Publishing Company, 2001.
[13] Nagelkerke, N. J. A note on a general definition of the coefficiente of
determination. Biometrika, 78(3):691-692, 1991.
[14] Pea, Daniel. Anlisis de Datos Multivariantes. Mc. Graw Hill, 1 edition, 2002.
[15] Press, J. and Wilson, S. Choosing between logistic regression and discriminant
analysis. Journal of the American Statistical Association, 73(364):699 - 705, 1978.
[16] Prez, Cesar.
Educacin S.A., 2008.
[17] Raymond, Anderson. The Credit Scoring Toolkit: Theory and Practice for Retail
Credit Risk Management and Decision Automation. Oxford Univerity Press, 2007.
[18] Siddiqi, Naeem. Credit Risk Scorecards: Developing and Implementing Intelligent
Credit Scoring. John Wiley and Sons, 2006.
[19] Smirnov, N. Estimate of deviation between empirical distribution functions in
two independent samples Bull. 2(2):3 - 16, 1933.
[20] Tagliafichi, R. La danza de los cisnes ''blancos" y el clculo del VaR. Palermo
Business Review, (3):29 - 48, 2009.
73