Logica Fuzzy applicata al D.C.

Luca Del Viva

8 novembre 2006
 Sommario

Questo lavoro vuole trattare in modo elementare il concetto di logica fuzzy

indicandone il campo di applicazione e comparandola con la teoria delle proba-
bilità. Dopo un introduzione chiarificatrice, viene sviluppata un applicazione di
questa logica ad un metodo di valutazione degli investimenti ormai consolidato:
il discount cash flow. In particolare cerchiamo di indicare le motivazioni relative
all’applicazione di questa logica al metodo sopra detto, ponendo attenzione ai
problemi che si trovano in fase di selezione dell’investimento, o più in generale
ai problemi di classificazione dei numeri fuzzy.
Logica fuzzy e ambiguità
La teoria fuzzy nasce intorno all’anno 1965 per merito del professore L. A.
Zadeh1 , e inizialmente questa teoria non venne accolta con molto entusiasmo
dal mondo accademico della matematica. In particolare il concetto fuzzy vuol
dire che un oggetto non è definito, cioè che ha dei contorni che sono vaghi come
potrebbero essere quelli di una piuma. Lo scopo principale di questa teoria, così
come si può dedurre dalla parola stessa, è quello di trattare con l’incertezza.
Nella vita di tutti i giorni comunichiamo con le persone attraverso lo strumento
del linguaggio. Nell’utilizzare questo strumento facciamo uso delle parole che
altro non servono che ha comunicare concetti, tuttavia come molti si saranno
accorti, il contorno delle parole non sempre è chiaro e definito, per lo meno non
lo è per tutti allo stesso modo. Per esempio siete in grado di dire quanto siete
giovani? E anche se cercate di dare risposta a questa domanda, dicendo per es-
empio che siete abbastanza giovani, che limiti date all’insieme degli “abbastanza
giovani ”. Credete poi che il limite sia il medesimo per tutte le persone?
L’esistenza in natura di numerose grandezze non rappresentabili con contorni
definiti ha portato alla nascita della logica fuzzy, ossia alla nascita di un metodo
matematico di trattare questo tipo di ambiguità che è molto diversa dall’in-
certezza che viene trattata dalla teoria delle probabilità.
Supponiamo di avere un dado a sei facce, se volessimo sapere quale è la probabil-
ità di ottenere un numero pari, il ragionamento da seguire partirebbe dall’analisi
dei risultati favorevoli (le tre facce pari) e di tutti i possibili risultati (le sei facce
del dado): il rapporto fra queste due grandezze fornirebbe la probabilità dei casi
favorevoli (che nel nostro caso sarà 0.5). Notiamo che l’incertezza risiede nel
fatto che non sappiamo se il numero pari apparirà o meno, ma se riflettiamo
un attimo ci accorgiamo che, una volta lanciato il dado l’incertezza scompare
sia che sia apparso un numero pari sia nel caso in cui sia apparso un numero
dispari. Questo tipo di incertezza viene indicata come “randomness”.
Pensiamo adesso al solito esempio ma che vogliamo determinare la possibilità
di ottenere tramite il lancio del dado un “numero intero piccolo”. Come prima
cosa dobbiamo andare a dare una definizione di quello che consideriamo un nu-
mero intero piccolo la cui determinazione non è universale come avveniva per
l’insieme numeri pari. Questa è il tipo di incertezza che viene trattata dalla
teoria fuzzy. Proviamo a dare una definizione di numero piccolo utilizzando un
grado di verità compreso tra “0” a “1”, dove “1” rappresenta grado massimo e
“0” quello minimo, nel seguente modo:

1=1
2 = 0.8
3 = 0.6
4 = 0.4
5 = 0.2
6=0

Questa scala di valori ci dice che il verificarsi dell’evento “numero intero piccolo”
nel lancio di un dado avrà possibilità massima se esce in numero 1. Se infatti
esce 1, sicuramente si è verificato l’evento numero intero piccolo, se invece esce il
1 In particolare la data precisa della nascita della teoria fuzzy si fa ricorrere da una

pubblicazione di Zadeh del 1965 sugli insiemi fuzzy.

1
4 questo sarà verificato in parte perchè 4 appartiene all’insieme in questione solo
per un grado di verità dello 0.4. Una volta tirato il dado tuttavia, l’incertezza
rimane nella definizione dell’insieme “numero piccolo intero”, questa non scom-
pare come avviene nella teoria delle probabilità.
Come abbiamo visto dall’esempio sopra tutte le volte che abbiamo a che fare
con un insieme, in questo caso i numeri piccoli interi, dai contorni non definiti,
ci troviamo di fronte ad un problema che richiama la logica fuzzy. Vediamo
adesso come affrontare il problema della definizione dell’insieme in questione.
Prima dell’avvento della logica fuzzy veniva utilizzata solamente un tipo di log-
ica che individuava una distinzione netta fra due insiemi, per questo era detta
duale o anche applicativa del principio dell’esclusione del numero di mezzo, cioè
a dire che dato un insieme un elemento o fa parte in maniera completamente
vera a quell’insieme o ne fa parte in maniera completamente falsa. Da questo
modo di ragionare è venuto fuori il modo di rappresentazione tramite “0” o “1”
del grado di appartenenza di un elemento ad un insieme. Supponiamo ad es-
empio, che vi trovate in camera vostra, e fuori sta piovendo, improvvisamente
viene vostra nonna, che non ci vede molto bene, e vi chiede “quanto sta pioven-
do?”. Voi riflettete sulla vecchiaia, guardate fuori e dovete dare una misura alla
pioggia che vedete: piove poco? Mediamente? Abbastanza? Forte?
Si nota subito che non sempre è facile individuare la misura della pioggia, cioè
senz’altro siete in grado di dire piove poco se adesso cade qualche goccia, o
piove forte se sta scendendo un acquazzone, ma come potete scegliere fra piove
mediamente o abbastanza se la situzione risulta intermedia?
La logica classica non si poneva questo problema e andava a suddividere net-
tamente un insieme dall’altro, per esempio seguendo questa avremmo potuto
individuare dei limiti in termini di millimetri cubi di acqua caduti per secondo
e per metro quadrato nel seguente modo:
Insieme mm3 /m2 Intensità pioggia
A x<1 lieve
B 1≤x≤3 media
C x>3 forte
La cui rappresentazione grafica risulterebbe come questa:

lieve media forte

1mm3 3mm3 mm3

Dove sull’asse delle ordinate abbiamo indicato il grado di appartenenza di

un elemento “la pioggia”, ad uno dei tre insiemi individuati. Cioè se la pioggia

2
caduta2 è di 0.9 mm3 , il grado di appartenenza della pioggia all’insieme “lieve”
sarà 1, cioè questa pioggia appartiene a questo insieme con un grado di certezza
massimo, mentre apparterrà agli altri due insiemi con un grado di certezza nullo.
Le critiche che subito possiamo fare sono attinenti:
• siamo stati in grado di svelare con certezza il concetto di “pioggia lieve”,
“media” e “forte”, cosa che in realtà è di difficile realizzazione dato che
dipende dal soggetto che sta osservando la pioggia ed inoltre, è ragionevole
assumere che anche in capo al medesimo soggetto le valutazioni in ques-
tione si presentano relative sia nel tempo che nello spazio. Nello spazio
perchè una pioggia intensa in Italia per esempio potrebbe essere percepita
come lieve in Brasile durante un acquazzone tropicale. Nel tempo perchè
la valutazione fatta dal soggetto dipende da una serie di condizioni per-
sonali che potrebbero variare nel corso del tempo e portare a definire oggi
lieve una pioggia definita media due giorni prima;
• Inoltre un’atro elemento che è meno immediato ma che rappresenta un
paradosso molto noto, attiene al fatto che seguendo la logica in questione
andiamo a considerare media una pioggia con 3mm3 di acqua al secondo
e paradossalmente se cadesse 0.00000000001mm3 di acqua in più ci tro-
veremo immediatamente a dire che la pioggia non è più media, ma forte.

Come adesso sappiamo, il motivo risiede nel fatto che gli insiemi pioggia “lieve”,
“media” e “forte”, sono insiemi dai contorni indefiniti. Tuttavia si pone il prob-
lema di andare a definire questi insiemi fuzzy e questo è risolvibile associando a
ciascun elemento un grado di appartenenza (membership) all’insieme considera-
to tramite l’utilizzo di una particolare funzione definita di membership. Esistono
molte definizioni di funzione di membership: alcuni dicono che esprima il gra-
do di appartenenza di un elemento ad un insieme, altri quello di verità, Zadeh
che come ricordiamo è il fondatore della logica fuzzy, invece uguagliava il grado
di membership di un elemento ad un insieme con la possibilità che si verifichi
quell’elemento, utilizzando quindi il concetto di possibilità. Ad ogni modo con
la funzione di membership andiamo ad associare a ciascun elemento un valore
compreso fra {0 1} e non un valore zero o uno come invece avveniva nella logica
classica. Più il valore associato sarà vicino a zero, e più quell’elemento non farà
parte dell’insieme considerato, mentre più il valore sarà vicino a uno e maggiore
sarà il grado si appartenenza dell’elemento in questione all’insieme considerato.
Aperta questa parentesi ritorniamo adesso al nostro esempio, Dove avevamo tre
insiemi fuzzy relativi all’intensità della pioggia. Il problema adesso riguarda
come andare a determinare questi contorni, perchè se anche sono vaghi, occorre
andare a determinarli, e nella pratica ci riconduciamo al problema di determi-
nazione della forma della funzione di membership.
Esistono moltissime forme che la funzione di membership può assumere: tri-
angolare, trapezzoidale, sigmoide, campanulare etc..., con l’indicazione che la
forma da assumere risulta, nella maggior parte dei casi, completamente sogget-
tiva. La determinazione di questa funzione rappresenta, tuttavia, uno dei punti
2 Tutte le misure sono da intendersi in mm3 per secondo e per metro quadrato. Inoltre le

misure sono state indicate solamente con l’intenzione di proporre un mero esempio didattico,
non sono quindi da intendere realistiche dell’effettiva unità di misura utilizzata per l’intensità
della pioggia.

3
critici della logica in questione perlomeno nei casi in cui non abbiamo alcun dato
alle spalle, poichè questa va ad incidere notevolmente sui risultati che otterre-
mo. Nella realtà esistono anche altri metodi di determinazione oltre a quelli
soggettivi, che utilizzano strumenti statistici o strumenti più raffinati come ad
esempio le reti neurali. L’utilizzo dei suddetti metodi permette di accrescere il
grado di oggettività della determinazione della nostra funzione, ma richiedono
la presenza di dati da interpolare.
Nel nostro caso supponiamo di non avere alcun dato da interpolare e che quindi
dobbiamo trovare un metodo che permetta di risolvere nel modo più razionale
possibile la determinazione delle funzioni in questione. Partendo dall’insieme
“pioggia lieve”, per questo insieme supponiamo che nessuno abbia da smentire
l’affermazione che se l’intensità della pioggia è inferiore a 0.3mm3 per secondo
e per metro quadrato, la pioggia vada considerata come “lieve”. Ugualmente
supponiamo che nessuno avrà da smentire il fatto che consideriamo come “non
lieve”una pioggia superiore a 1mm3 . Se supponiamo per esempio che il passaggio
di opinione o di appartenenza della pioggia dall’insieme “pioggia lieve” a quello
“pioggia non lieve” sia lineare, abbiamo individuato la funzione di membership
del nostro insieme nel seguente modo:

 1 se x ≤ 0, 3
1−x
µL (x) = 0,7 se 0, 3 < x ≤ 1

0 se x > 1

Se passiamo adesso all’insieme “pioggia media”, abbiamo visto che per una quan-
tità inferiore a 0, 3mm3 siamo con certezza all’interno della pioggia lieve, mentre
possiamo dire che se la pioggià è compresa fra 1mm3 e 2mm3 non si abbiano
problemi a dire che si tratta di una pioggia media, così come non presentiamo
problemi a dire che una pioggia superiore a 3, 5mm3 sia da considerare non
media. Otteniamo così la nostra funzione di membership per l’insieme della
pioggia media che sarà:

 0 se x < 0, 3

 x−0,3

 0,7 se 0, 3 ≤ x < 1
µM (x) = 1 se 1 ≤ x ≤ 2

 3,5−x

 se 2 < x ≤ 3, 5
 1,5
0 se x > 3, 5

Infine per quanto riguarda l’insieme “pioggia forte” abbiamo detto che conside-
riamo senz’altro media la pioggia compresa fra 1 e 2, e possiamo dire con altret-
tanta certezza che consideriamo forte la pioggia superiore a 3, 5mm3 . Otteniamo
così l’ultima funzione di membership che sarà data da:

 1 se x ≥ 3, 5
x−2
µF (x) = se 2 ≤ x < 3, 5
 1,5
0 se x < 2

La cui rappresentazione grafica assume la forma seguente:

4
 µ(x)

lieve media forte

0,3 1 2 3,5 mm3

In questo caso vediamo che il passaggio da un insieme ad un’altro avviene in

maniera graduale, senza cambiamenti bruschi. Così che ad esempio una pioggia
di 0, 8mm3 farà parte dell’insieme della “pioggia lieve” con un grado di verità
di 0,29 mentre non vi farà parte per lo 0,71. Nel caso in questione in partico-
lare vediamo che per lo 0,71 farà parte dell’insieme “pioggia media”, precisando
tuttavia che questa specularità non è necessaria al fine della costruzione del
modello ma è puramente casuale.

Applicazione alla valutazione degli investimenti

Abbiamo visto in modo molto semplificato e evitando formalismi matematici
nella spiegazione, quali sono le situazioni in cui si richiede l’intervento della log-
ica fuzzy anzichè della logica tradizionale o della teoria delle probabilità.
Adesso cerchiamo di spostare l’attenzione verso l’applicazione di questa logica
ai problemi di valutazione degli investimenti.
I modelli tradizionali di valutazione degli investimenti come per esempio il dis-
count cash flow, utilizzano delle grandezze di tipo deterministico dette crisp:
ad esempio utilizzare un dato ammontare di cassa relativo ad un determinato
periodo e prendere questo valore come buono, equivale a non considerare l’in-
certezza . L’incertezza la troviamo in parte nel fattore di attualizzazione dove
consideriamo il premio per il rischio, tuttavia ad esempio non viene considera-
ta nella parte attinente al tasso considerato “privo di rischio”. Occorre inoltre
considerare che le assunzioni alla base del calcolo del premio per il rischio sono
abbastanza limitative.
Un passo avanti ulteriore potrebbe essere compiuto associando al nostro flus-
so e anche al tasso di sconto una distribuzione di probabilità. Tuttavia come
detto nella prima parte del lavoro l’incertezza considerata è solamente di tipo
randomness, ed inoltre sappiamo bene che per determinare una distribuzione
di probabilità generalmente occorre avere a disposizione l’indicazione dei casi
favorevoli e di quelli possibili, cosa non sempre possibile specialmente se pensi-
amo agli investimenti altamente incerti, come potrebbe essere la valutazione di
un investimento in ricerca e sviluppo legato ad un prodotto biotecnologico, es:
una proteina contro il cancro.
Occorre inoltre fare altre critiche sull’utilizzo dei metodi statistici nella valu-
tazione degli investimenti:
• Problema della non ripetibilità degli esperimenti: questo problema
attiene l’assunzione del valore medio come indicativo della distribuzione.

5
 Per capire il problema ragioniamo sempre sull’esempio del dado: se sup-
poniamo di ricevere ad ogni lancio tante caramelle in base al numero
che appare sulla facciata, avremo che il valore atteso del numero delle
caramelle sarà di 3,5 per ogni lancio.
Questo valore è il caso limite per il numero di lanci che tende ad infinito,
facendo una media del numero di caramelle per ogni lancio otteniamo il
valore 3,5.
Implicitamente questo presuppone la possibilità di rieffettuare il lancio per
un numero infinito di volte, ma nella realtà non sempre la ripetizione è
possibile: per esempio se stimassi una distribuzione di probabilità per la
dimensione del mercato di domani, io non avrei la possibilità di tornare
dietro nel tempo.
Se non possiamo ripetere l’esperimento otterremo un valore unico che non
è detto, e talvolta è da escludere, che coincida con il valore medio: se
pensiamo alle caramelle è impossibile che io riceva 3,5 caramelle, queste
sono intere, ne potrei ottenere 3 o 4 ma non 3,5.
Queste considerazioni hanno portato all’utilizzo delle tecniche di simu-
lazione fra cui ricordiamo la famosa tecnica Montecarlo.

• Problema della non indipendenza della distribuzione: Se vogliamo

determinare la distribuzione della dimensione del mercato per 3 esercizi
futuri dobbiamo assumere come ipotesi base che le distribuzioni siano in-
dipendenti fra di loro.
Nella realtà tuttavia questo non è vero perchè avere una dimensione del
mercato in t=2 di 8000 sarà più probabile se in t=1 ho ottenuto una di-
mensione di 7000 rispetto al caso in cui avessi ottenuto una dimensione di
1000.
Quindi nella realtà le distribuzioni degli esercizi futuri non sono indipen-
denti dal valore che si è verificato negli esercizi precedenti.

Un ulteriore passo avanti lo si può fare considerando la logica fuzzy e asso-

ciando ad ogni flusso di cassa, una determinata funzione di membership. Sicu-
ramente non è la panacea di tutti i mali, ma permette di andare a fare delle
analisi diverse rispetto a quelle compiute con gli altri strumenti, considerando
un’incertezza diversa rispetto a quella considerata con la teoria delle probabilità.
Possiamo dire che lo scopo principale dell’utilizzo di questo strumento stà nel
fatto che “vogliamo preservare l’incertezza il più a lungo possibile per lasciarla
da ultimo dato che è sempre possibile ridurre l’incertezza tramite un procedi-
mento di perdita di informazioni” 3 .
Come detto se pensiamo all’utilizzo di una distribuzione di probabilità, l’in-
certezza ci abbandona non appena determiniamo il valore medio del flusso o del
tasso, mentre vedremo che con l’utilizzo di questa logica l’incertezza rimarrà fino
alla fine e potrà essere eliminata tramite un processo detto di defuzzyficazione.
Come sarà noto a molti, la formula classica di determinazione del discount cash
flows risulta la seguente:
Xn
DCF = Cft · v t
t=0
3 Citazione tratta da [3]

6
Dove Cft è il flusso di cassa netto del periodo “t”, e v t è il relativo fattore di
sconto ossia (1 + i)−t , dove “i” rappresenta naturalmente il tasso di interesse.
Secondo la metodologia tradizionale noi andiamo a determinare o meglio a fis-
sare dei valori di cassa netti e un tasso di sconto in modo deterministico, cioè
come dire che, nell caso in cui volessimo andare a valutare la convenienza eco-
nomica nell’investire in ricerca per lo sviluppo di una proteina contro il cancro,
il responsabile commerciale sia in grado di dirci con certezza che il flusso di
cassa in entrata relativo alla vendita di quella proteina sarà per esempio di
1.000.000 euro, così come il responsabile del centro produttivo sia in grado di
dirci con certezza che per produrre quella proteina che in realtà non è stata
ancora scoperta, dato che stiamo valutando la possibilità di investire in ricerca
per la sua scoperta, sarà per esempio di 700.000 euro , così come il responsabile
finanziario della nostra azienda sia in grado di dirci che il costo dei mezzi di
finanziamento, che ricordiamo includono anche il costo dei mezzi propri, a sua
volta legato all’andamento del mercato azionario dell’azienda, qualora sia quo-
tata, o al rendimento che i proprietari vogliono realizzare, sia ad esempio del
10%.
Ora queste assunzioni risultano un po’ limitative e azzardate, soprattutto se
pensiamo all’incertezza delle informazioni che supportano il processo di deter-
minazione delle grandezze e l’elevata componente soggettiva che entra nella loro
stima. L’utilizzo di una metodologia deterministica come è il discount cash flow
nella versione originaria, quindi non si presenta adatto a questo tipo di proble-
mi.
Ragioniamo adesso sul seguente aspetto: quando nell’ambito dell’approccio de-
terministico ci viene chiesto quale è il rendimento di un investimento riferito
al primo anno, e noi rispondiamo dando un valore puntuale in realtà è come
se considerassimo l’insieme dei rendimenti del primo esercizio composto da un
unico elemento: il rendimento che forniamo.Tuttavia sappiamo che le infor-
mazioni alla base della nostra dichiarazione sono incerte, e soprattutto che un
loro cambiamento comporta un cambiamento del rendimento da noi fornito, e
soprattutto le stesse informazioni vengono interpretate in maniera diversa da
diversi soggetti.
Se anche volessimo associare una distribuzione di probabilità, il primo problema
che si pone è di come stabilire questa distribuzione? Sulla base delle informazioni
che abbiamo in questo momento assumiamo una determinata distribuzione di
probabilità che risulta la più accurata al mondo4 , questa distribuzione risulta
frutto delle informazioni che abbiamo ora, o meglio, dato che con i mezzi di
comunicazione attuali ci troviamo di fronte ad un quantitativo di informazioni
quasi illimitato, sarebbe meglio dire che è frutto delle informazioni ritenute più
utili in quella dimensione spazio-tempo.
Calcoliamo i nostri valori medi e determiniamo il nostro valore attuale. Nessun
problema? Mi viene subito da pensare che forse le informazioni che abbiamo noi
possono essere differenti rispetto a quelle che si hanno nel distretto industriale
di Bombay o Israele. Inoltre l’informazione di oggi non è detto che sia comple-
tamente avverata domani, le informazioni si succedono confermandosi, contrad-
dicendosi e a volte cambiando leggermente rotta. Siamo inoltre noi infallibili
nello scegliere le informazioni più adatte e nel saperle interpretare? Se queste
4 Qui non si vuole criticare lo strumento in sè, ma il suo campo di applicazione in determinati

contesti.

7
informazioni venissero utilizzate da un altro soggetto, questo raggiungerebbe la
stessa conclusione? Questo comporta che il mio metodo di valutazione seppure
3 giorni fà risultava infallibile in base alle informazioni che avevamo, potrà non
risultarlo adesso.
Se pensiamo bene tutte queste considerazioni non sono altro che il frutto del
fatto che utilizzando anche una distribuzione di probabilità, di fatto conside-
riamo solo un’incertezza di tipo randomness, una volta scelto il valore medio
l’incertezza scompare, e l’insieme dei rendimenti relativi al primo anno di quel-
l’investimento ritorna un valore puntuale.
Supponiamo invece di non volere abbandonare l’incertezza adesso, e di consider-
are tutte le informazioni che abbiamo senza avere la pretesa di fissare un valore
puntuale. Questo non vuol dire non dare un grado di importanza alle stesse
dato che, con la fissazione della funzione di membership andiamo a costruire
un diverso grado di importanza delle informazioni, che ad esempio ci fanno ori-
entare verso il valore con grado di appartenenza uguale a 1.
Noi come detto vogliamo il più possibile trasportare l’incertezza nel modello,
per lasciarla più tardi possibile. Non vogliamo cioè fissare un valore puntuale
per il nostro insieme dei rendimenti riferiti al primo esercizio, ma diciamo che
abbiamo realmente un insieme di valori e che si tratta di un insieme fuzzy perchè
ha i contorni non netti, ma sfumati.
Supponiamo quindi non un unico valore di flusso di cassa netto, ma siamo incerti
sul suo valore ed in particolare supponiamo che il rendimento del primo periodo
sia rappresentato da un insieme fuzzy, o più semplicemente detto numero fuzzy.
In particolare supponiamo che per ciascun periodo venga fornita una terna di
valori rappresentativi del flusso che può essere ricavato da quell’investimento.
Per cui ad esempio per il periodo 1 avremo Cf1 = (Cf1l , Cf1m , Cf1u ) dove il
pedice “l” stà per estremo lower, “m” per middle e “u” per upper. Supponiamo
inoltre che la funzione di membership sia di tipo triangolare:

 Cf1 −Cf1 0 se Cf1 < Cf1l o Cf1 > Cf1u

α(Cf1 ) = Cf1m −Cf1l
l
se Cf1l ≤ Cf1 ≤ Cf1m

 Cf1u −Cf1
Cf1 −Cf1 se Cf1m ≤ Cf1 ≤ Cf1u
u m

La cui rappresentazione grafica sarà la seguente:

α(Cf1 )

Cf1l Cf1m Cf1u Cf1

Se ci riconduciamo al concetto di funzione di membership espresso da Zadeh

tramite la misura di possibilità, vediamo che Cf1m rappresenta l’elemento più
possibile del nostro insieme.

8
Questo modo di rappresentazione grafica è generale e vale per tutti i numeri
fuzzy la cui funzione di membership assume forma triangolare, per questo mo-
tivo definiti anche come “numeri fuzzy triangolari”.
Ritornando al concetto prima esposto in merito all’importanza delle informazioni
adesso possiamo vedere che le informazioni che abbiamo ci portano a dire che il
rendimento rappresentato da Cfm rappresenta quello più possibile, cioè a dire
che questo rendimento è il frutto delle informazioni da noi ritenute più impor-
tanti.
Un altro modo di rappresentazione dei numeri fuzzy di tipo triangolare stà nella
determinazione dei cosiddetti α − cut che altro non sono che gli stessi numeri
ma esplicitati secondo la variabile Cf1 , nel nostro caso avremo:

Cf1 (α) = Cf1l + α(Cf1m − Cf1l )

Cf1 (α) = Cf1u − α(Cf1u − Cf1m )

Se ipotizziamo che anche il tasso di interesse sia fornito nella forma di terna di
numeri i1 (i1l , i1m , i1u ) gli α − cut avranno la seguente forma:

i1 (α) = i1l + α(i1m − i1l )

i1 (α) = i1u − α(i1u − i1m )

Il fattore di sconto assumerà invece la seguente forma:

v1 (α) = (1 + i1u − α(i1u − i1m ))−1

v1 (α) = (1 + i1l + α(i1m − i1l ))−1

Una volta espresse le grandezze in termini di numeri fuzzy siamo in grado
di andare a determinare il nostro discount cash flows che a sua volta sarà dato
da un numero fuzzy, e che assumerà la seguente espressione:
n
X
DCF (α) = [Cft (α), Cft (α)] · [vt (α), vt (α)]
t=0

n
X
DCF (α) = [Cft (α) · vt (α), Cft (α) · vt (α)]
t=0

Supponiamo per esempio di avere i dati riferiti a tre esercizi:

Cf1 (100, 150, 200) i1 (0, 03, 0, 05, 0, 08)

Cf2 (170, 200, 250) i2 (0, 04, 0, 06, 0, 09)

Cf3 (200, 270, 310) i3 (0, 06, 0, 08, 0, 10)

Dove “Cf ” rappresenta il flusso netto di cassa, ossia al netto delle spese operative.
Supponiamo poi che per intraprendere questo investimento occorra sopportare
anche una spesa iniziale di M=350. Ci si chiede di determinare se l’investimento
risulta conveniente o meno.
Come primo passo andiamo a determinare gli α − cut del flusso netto di cassa
che saranno dati da:

9
 Cf1 (α) = 100 + α(150 − 100) Cf1 (α) = 200 − α(200 − 150)

Cf2 (α) = 170 + α(200 − 170) Cf2 (α) = 250 − α(250 − 200)

Cf3 (α) = 200 + α(270 − 200) Cf3 (α) = 310 − α(310 − 270)

Il tasso di interesse invece assumerà la seguente forma:

i1 (α) = 0, 03 + α(0, 05 − 0, 03) i1 (α) = 0, 08 − α(0, 08 − 0, 05)

i2 (α) = 0, 04 + α(0, 06 − 0, 04) i2 (α) = 0, 09 − α(0, 09 − 0, 06)

i3 (α) = 0, 06 + α(0, 08 − 0, 06) i3 (α) = 0, 10 − α(0, 10 − 0, 08)

Mentre il tasso di sconto assumerà la seguente forma:

v1 (α) = (1, 08 − α(0, 08 − 0, 05))−1 v1 (α) = (1, 03 + α(0, 05 − 0, 03))−1

v2 (α) = (1, 09 − α(0, 09 − 0, 06))−1 · v1 (α) v2 (α) = (1, 04 + α(0, 06 − 0, 04))−1 · v1 (α)

v3 (α) = (1, 1 − α(0, 10 − 0, 08))−1 · v2 (α) v3 (α) = (1, 06 + α(0, 08 − 0, 06))−1 · v2 (α)

Una volta individuati gli α − cut andiamo a costruire una tabella nella quale
viene indicato il comportamento di questi al variare di α frà 0 e 1, non si tratta
altro che di andare a sostituire i valori compresi frà 0 e 1 negli α. Per semplicità
svolgiamo i calcoli attraverso l’utilizzo di un foglio di calcolo riportando i risul-
tati nelle seguenti figure.

10
Per andare a determinare il valore attuale non resta che moltiplicare ciascun
flusso di cassa per il proprio fattore di sconto per ciascun livello di α. Per
esempio per α = 0 avremo che:
DCF (0) = Cf1 (0) · v1 (0) + Cf2 (0) · v2 (0) + Cf3 (0) · v3 (0) − M

DCF (0) = Cf1 (0) · v1 (0) + Cf2 (0) · v2 (0) + Cf3 (0) · v3 (0) − M
Sostituendo i valori ottenuti avremo:
DCF (0) = 100 · 0, 9259 + 170 · 0, 8495 + 200 · 0, 7722 − 350

DCF (0) = 200 · 0, 9709 + 250 · 0, 9335 + 310 · 0, 8807 − 350

Svolgiamo i calcoli per ogni livello di α e riportiamo i dati nella seguente figura:

11
Come indicato nelle pagine precedenti non otteniamo un unico valore attuale, ma
otteniamo un numero fuzzy in particolare un numero fuzzy di tipo triangolare,
che graficamente avrà la seguente rappresentazione:

41.45 197.17 350.57 DCF

Un approccio più articolato (aritmetica degli intervalli)

L’esempio presentato nella sezione precedente si presentava di semplice lettura
vista la sua funzione di elemento introduttivo. Nella realtà infatti la determi-
nazione delle grandezze base per il calcolo del VAN, ha luogo in seguito ad un
processo di analisi dettagliata delle informazioni e tramite un procedimento per
gradi.
Si faccia per esempio riferimento al flusso di cassa netto. Questo in prima bat-
tuta è dato dalla differenza fra l’entrata totale dell’investimento, prevista per
quel periodo con l’uscita dello stesso.
A sua volta l’entrata totale sarà data dal prodotto fra mercato di riferimento,
quota target e prezzo di vendita del prodotto e analoghe considerazioni possono
essere fatte per l’uscita di periodo nella componente variabile dei costi.
La scomposizione delle grandezze in questione mette in evidenza il fatto che
le variabili fuzzy in realtà si trovano a monte rispetto ai flussi di cassa netti,
investendo quindi grandezze come: dimensione mercato, quota relativa, prezzo
di vendita, costo variabile, costo non variabile ma di periodo etc.... La consider-
azione di queste grandezze come variabili fuzzy e le operazioni algebriche fra le
stesse impone di andare a studiare come queste variabili si comportano rispetto
alle operazioni aritmetiche conosciute.
In linea generale esistono due diversi metodi con cui possiamo svolgere le oper-
azioni aritmetiche con i numeri fuzzy e questi sono:
• Extension principles;
• Aritmetica degli intervalli.
Nella nostra trattazione utilizzeremo il secondo metodo data la maggiore sem-
plicità di applicazione.
e = [a1 (α); a2 (α)]
Secondo l’aritmetica degli intervalli, dati due numeri fuzzy del tipo A
eBe = [b1 (α); b2 (α)], le operazioni algebriche fra questi due numeri vengono così
definite:
• [a1 , a2 ] + [b1 , b2 ] = [a1 + b1 , a2 + b2 ]
• [a1 , a2 ] − [b1 , b2 ] = [a1 − b2 , a2 − b1 ]

12
 • [a1 , a2 ]/[b1 , b2 ] = [α, β] Dove:

α = min[a1 /b1 , a1 /b2 , a2 /b1 , a2 /b2 ]

β = max[a1 /b1 , a1 /b2 , a2 /b1 , a2 /b2 ]

• [a1 , a2 ] · [b1 , b2 ] = [α, β] Dove:

α = min[a1 b1 , a1 b2 , a2 b1 , a2 b2 ]

β = max[a1 b1 , a1 b2 , a2 b1 , a2 b2 ]

Dove per semplicità visiva abbiamo sostituito a1 = a1 (0) e così via anche per
gli altri α − cuts.
Queste regole sono necessarie affinche si voglia giungere ad un risultato accetta-
bile da un punto di vista matematico anche se nel nostro caso occorrerà sempre
andare ad analizzarne la fattibilità e accettabilità anche da un punto di vista
economico.
Supponiamo per esempio di avere i dati in merito al costo per realizzare l’inves-
timento indicato con “M”, i dati relativi ai flussi di cassa in entrata indicati con
“aj ”, quelli in uscita “bj ” e che il tasso di sconto venga indicato con “ij ”.
Nel caso di α = 0 avremo i seguenti intervalli [a1 , a2 ], [b1 , b2 ], [i1 , i2 ]. Suppo-
nendo di avere a disposizione i dati relativi ad un unico esercizio futuro e che la
differenza A e = [a1 (α); a2 (α)] − B
e = [b1 (α); b2 (α)] ∈ R+ , il VAN sarà dato dalle
seguenti operazioni algebriche:

([a1 , a2 ] − [b1 , b2 ])
V AN = −M
[1 + i1 , 1 + i2 ]
· ¸
(a1 − b2 ) (a2 − b1 )
V AN = − M, −M
1 + i2 1 + i1
Come possiamo vedere nello svolgimento dei calcoli viene seguita la logica del-
l’aritmetica degli intervalli, ovviamente il problema si complica un po’ nell’ipote-
si in cui andiamo a considerare i flussi di cassa come risultati derivanti dal
prodotto fra dimensione del mercato, quota relativa dello stesso e entrata o us-
cita unitaria. In questo caso infatti si possono ritrovare maggiori difficoltà legate
anche al comportamento e alle relazioni delle variabili in questione. Per sem-
plicità tuttavia non affrontiamo questo problema lasciando spazio alla curiosità
del lettore che eventualmente vorrà approfondire la tematica.

Studio dei risultati ottenuti

Una volta ottenuto il risultato in termini di numero fuzzy occorre procedere
allo studio del medesimo per verificare la fattibilità economica dell’investimento
ed eventualmente procedere alla selezione dell’investimento migliore qualora si
avessero a disposizione più scelte.
Il processo illustrato si articola in due fasi che possono essere così denominate:
• Analisi;

13
 • Confronto.
Il processo di “analisi” prevede di considerare l’investimento isolatamente per
verificarne la convenienza economica. Questo processo si rende necessario sia
nel caso in cui parte del numero fuzzy assuma valori negativi e sia nel caso in
cui, pur presentando valori positivi presenta un’elevata base di scelta (intervallo
ampio) che ne mette in evidenza la forte variabilità dei risultati ottenibili.
Il pocesso denominato di “confronto” riguarda lo studio comparato di due in-
vestimenti per la selezione di quello che viene considerato migliore da un punto
di vista economico-finanziario. Il confronto come si può ben capire risulta nec-
essario nel caso in cui la scelta di quale investimento realizzare ricade su più
alternative e nella maggior parte delle volte richiede l’utilizzo di particolari in-
dicatori che riconducono ad un valore unico tramite un processo noto come
“defuzzyficazione”.

Analisi
Come accennato nel paragrafo precedente una volta ottenuto il risultato in ter-
mini di numero fuzzy occorre andare ad analizzare il medesimo. Il punto di
partenza è vedere quanto la base si presenta ampia. Se infatti la base del VAN
così ottenuto è ampia allora questo indica la maggiore variabilità dei risultati
seppur con diverso grado di possibilità di realizzazione. In questa fase ritro-
viamo un pregio fondamentale dell’utilizzo della logica fuzzy nel processo di
valutazione, che risiede nel fatto di presentare al valutatore un risultato che
mette in evidenza la reale natura dell’investimento la quale include la variabil-
ità dei risultati ottenibili.
Seppure il tipo di analisi in questione quindi, non rappresenta un elemento dis-
criminante per la selezione di un investimento, rappresenta un utilissima fonte
di informazione circa la reale natura dell’investimento. Il fatto di avere una vari-
abilità dei risultati non significa che l’investimento non sia da effettuare, ma è la
logica in questione che mette in evidenza la variabilità di questi. Se infatti aves-
simo valutato il solito investimento utilizzando una metodologia deterministica
o tramite l’utilizzo di un valore atteso avremmo ottenuto alla fine del processo
in questione un unico valore, ma l’investimento sarebbe stato il medesimo. La
sola differenza è che con l’utilizzo dei suddetti metodi classici avrei abbandonato
la variabilità dei risultati al momento della determinazione del valore atteso o
al momento della fissazione di una grandezza come crisp.
Il secondo aspetto da considerare è il caso in cui otteniamo un risultato in
parte negativo. Negli esempi mostrati sopra abbiamo visto che i numeri fuzzy
indicanti il valore attuale dell’investimento erano completamente positivi, cioè
presentavano l’estremo inferiore della terna di segno positivo. Talvolta capita
che parte del numero sia negativo, in questo caso si pone un altro problema di
analisi dello stesso, poichè si tratta di decidere se l’investimento avrà un rendi-
mento positivo o meno.
Supponiamo per esempio che dalla formula del valore attuale abbiamo ottenuto
la seguente terna:
DCF = (−50, 120, 200)

La cui rappresentazione grafica risulterà la seguente:

14
 -50 0 120 200

La scelta se effettuare l’investimento o meno può procedere tramite lo studio

incrociato di due elementi:
• Il livello di possibilità per cui si ha il passaggio da un risultato positivo ad
uno negativo;
• L’utilizzo di un indice che mi permetta di rapportare l’area in perdita con
l’area totale.
In merito al primo punto è sufficiente andare a leggere il valore di α nel punto
VAN=0. Questo mi indica la possibilità di ottenere un VAN=0 sulla base delle
convizioni che avevamo espresso in sede di definizione delle grandezze.
Per il secondo punto si fa ricorso ad un indice noto come “β” che si presenta
nella seguente maniera:
R0 g
x
µ(x)dx
β = Rx
g
µ(x)dx
x

Che nel caso in cui xa ≤ 0 ≤ xb sarà:

−xa · f (0) x2a

β= =
xc − xa (xb − xa )(xc − xa )

E nel caso in cui xb ≤ 0 ≤ xc sarà:

−xa − xb · f (0) −xa (xc − xb ) − xb xc
β= =
xc − xa (xc − xb )(xc − xa )

Questo indice come si vede non esprime altro che il rapporto fra l’area in perdi-
ta e l’area totale del nostro numero fuzzy, ovviamente le espressioni svolte
riguardano esclusivamente numeri fuzzy di tipo triangolare. Nel nostro esempio
sarebbe dato da:
50·0.29
2 7.25
β = 170+80 = = 0.058
2
125
In questo caso vediamo che l’area di perdita è pari al 5.8% dell’area totale e quin-
di l’investimento non si presenta come molto rischioso. Si può facilmente intuire
che tuttavia la decisione di assumere o rifiutare l’investimento se considerato a
se stante e non obbligatorio, risulta completamente soggettiva.

15
Confronto
Affrontiamo adesso il problema che nasce qualora dobbiamo scegliere frà più
investimenti, e questi sono espressi in termini di numeri fuzzy.
La selezione al di fuori dei casi in cui risulta ovvia dalla semplice analisi visiva,
presuppone l’utilizzo di un indice o più indici di confronto la cui determinazione
sottointende lo svolgimento del processo noto come “defuzzyficazione”.
I metodi di defuzzyficazione sono molti: si passa da alcune metodologie sempli-
ci, ma che non sempre portano ad una soluzione in termini di scelta fra uno o
un altro investimento, a metodi che risultano alquanto complessi.
Il processo di defuzzyficazione occorre inoltre che sia leggibile in termini eco-
nomici, ossia che il procedimento adottato per riportarsi ad un unico valore
segua una linea spiegabile e accettabile da un punto di vista economico. Detto
questo presentiamo di seguito due indici fra i più utilizzati.

Yager semplice
Perviene ad un indice così composto:
Z 1
V al(F ) = Average(Fα ) dα
0

Dove:
F (α) + F (α)
Average(Fα ) =
2
Il cui risultato nel caso di funzione di tipo triangolare è:
xa + 2xb + xc
V al(F ) =
4
Supponiamo di aver ottenuto i seguenti discount cash flows, relativi a 2
investimenti:
DCFA = (50, 120, 180)

DCFB = (60, 135, 160)

La cui rappresentazione grafica se assumiamo una funzione di membership tri-
angolare sarà:

DCFA DCFB

16
 Quale investimento dovremo scegliere? Applicando il metodo semplice di
Yager avremo i seguenti risultati.
50 + 2 · 120 + 180
V alA = = 117.5
4
60 + 2 · 135 + 160
V alB = = 122.5
4
Quindi con il metodo di Yager risulta più profittevole scegliere l’investimento
“B”.

Yager-Filev
Questo indice viene utilizzato spesso nei casi in cui con l’utilizzo dell’indice
semplice di Yager non sia possibile determinare il risultato migliore. L’indice si
presenta nella seguente maniera:
R1
Average(Fα ) · f (α) dα
V al(F ) = 0 R1
0
f (α) dα

Dove f (α) è una funzione peso, a questo riguardo Yager e Filev introdussero 2
famiglie, quelle crescenti αq e quelle decrescenti (1 − α)q .Il cui risultato nel caso
di funzione di tipo triangolare sarà:

• Con funzione peso crescente:

(xa + xc ) 1 q+1
V al(F ) = · + xb ·
2 q+2 q+2

• Con funzione peso decrescente:

(xa + xc ) q + 1 1
V al(F ) = · + xb ·
2 q+2 q+2

Anche l’indice ponderato può presentare dei problemi in caso di risultati

particolari per cui possiamo ricorrere a tutta una serie di indici che per semplic-
ità di trattazione enunciamo semplicemente lasciando al lettore eventualmente
interessato la possibilità di uno studio più approfondito. Si faccia particolar-
mente riferimento all’indice della distanza di Cheng e al coefficente di variazione
dell’omonimo autore.

17
Bibliografia

[1] Masao Mukaidono “Fuzzy logic for beginners”, World Scientific Publishing
2001;

[2] Jaime Gil-Aluja “Handbook of Management under Uncertainty”, Kluwer

Academic Publishers 2001;

[3] Jaime Gil-Aluja “Investment in Uncertainty”, Kluwer Academic Publishers

2002;

[4] E.H. Mamdani, B.R. Gaines “Fuzzy reasoning and its applications”, Aca-
demic Press 1981.

[5] James J. Buckley, Esfandiar Eslami, Thomas Feuring “Fuzzy Mathematics

in Economics and Engineering”, Physica-Verlag Heidelberg 2002;

[6] A. Kaufmann, M.M. Gupta, “Introduction To Fuzzy Arithmetic”, Van

Nostrand Reinhold, New York, 1985;

18