Incertidumbre y riesgo financiero (página 2)

Para elaborar pronósticos se pueden encontrar dos grandes clases de modelos: causales y de series de tiempo. Los primeros tratan de encontrar las relaciones de causalidad entre diferentes variables, de manera que conociendo o prediciendo alguna o algunas de ellas, se pueda encontrar el valor de otra. En el segundo caso no interesa encontrar esas relaciones, sino que se requiere solamente encontrar los posibles valores que asumirá una determinada variable. En todos los casos siempre se hace uso de la información histórica, ya sea para predecir el comportamiento futuro o para suponer que el comportamiento histórico se mantendrá hacia el futuro y sobre esta base hacer los estimativos.

Se debe tener presente que no existe ningún método de pronóstico infalible; lo que hacen estos procedimientos es estimar un valor posible, pero siempre sujeto a errores. Si el fenómeno que se va a pronosticar fuera determinístico, sólo bastaría utilizar la ley matemática que lo rige y predecir con exactitud el resultado; este sería el caso de fenómenos físicos, como por ejemplo la caída libre de un cuerpo. En el proceso de toma de decisiones se involucra el comportamiento humano, por ejemplo, a través de las decisiones de los individuos a quienes está dirigida un determinado producto o servicio; las decisiones del mercado están compuestas por muchísimas decisiones

individuales, imposibles de predecir con exactitud.

La mayoría de los datos incluyen combinaciones de estas tendencias y se deben generar procedimientos para separarlos. Existen otras clases de pronósticos denominados cualitativos o de pronóstico tecnológico, tales como el Método Delphi.

MÉTODO DELPHI

Este método busca, a través de múltiples rondas o iteraciones donde se comparte la información, encontrar consenso sobre valores o escenarios posibles. Se hace énfasis en que no hay un método de pronóstico perfecto, aunque se podría construir un modelo que ajuste perfectamente los datos que se tienen de un fenómeno; sin embargo, esto no es recomendable puesto que el elemento aleatorio o de error siempre estará presente y será impredecible y es mejor identificar los patrones predecibles y asumir el error que se presente que tratar de introducir en el modelo el elemento error que, se repite, es completamente impredecible e inevitable. En otras palabras, cualquier estimativo implica un cierto grado de error inevitable.

MÉTODOS DE LOS MÍNIMOS CUADRADOS

Se considera el mejor método aquel que minimiza la suma de los cuadrados de los errores (diferencias entre el valor estimado y el observado).

MÉTODOS DE SUAVIZACIÓN

Dentro de los métodos de suavización se pueden considerar tres categorías: a) Promedios móviles, b) suavización exponencial y c) otros.

Promedios móviles

Esta técnica consiste en tomar un grupo de valores observados, calcularle el promedio y utilizarlo como pronóstico para el siguiente período. Sólo sirve para pronosticar un sólo período: el siguiente. Se debe especificar el número de observaciones que se tomarán; se llama móvil porque siempre se toman las N últimas observaciones para hacer el pronóstico. Se pueden considerar promedios móviles simples y promedios móviles lineales. En el primer caso se toman los N últimos datos y se calcula el promedio; en el segundo caso se construyen además promedios de los promedios y con ellos se establece una ecuación lineal que permite elaborar el pronóstico.

Este método puede utilizarse cuando se sabe que los datos son estacionarios. La ventaja sobre el promedio total es que permite ajustar el valor de N para que responda al comportamiento de los datos.

Suavización exponencial

Existen muchos métodos de suavización exponencial: simple, de tasa de respuesta de adaptación, método de Brown de un solo parámetro, método de Holt de dos parámetros, método cuadrático de Brown, etc. Aquí se considerarán un método de suavización: suavización exponencial simple.

El suavización exponencial simple consiste en asignar un peso a la última información (dato) disponible y al último pronóstico, el cual, a su vez, contiene la información

pasada, así:

F t+1 = aX t + (1- a )F t

Para F 2 , se tiene:

F 2 = F 1

Otra forma de expresar el pronóstico es:

F t+1 = F t + a e

donde e es el error incurrido en el último pronóstico.

MÉTODOS DE TENDENCIA

Uno de los métodos más conocidos, pero también de los más mal utilizados es la regresión lineal. En cualquier curso de Presupuesto es tema obligado. Sin embargo, como se mencionó, se tiende a utilizar mal este procedimiento. En cualquier caso en que se utilice un modelo, es necesario validarlo: esto es, verificar si los supuestos del modelo coinciden con la realidad. Y esto no es lo que hace la mayoría de los usuarios.

La regresión lineal implica por lo menos, distribución normal de los errores de la variable dependiente, que no están correlacionados y para utilizarlo con validez estadística, además debe contarse con un tamaño de muestra n de por lo menos 30 datos históricos. Un supuesto obvio es que la tendencia observada de los datos puede ser descrita por una recta. Sin embargo, este supuesto se puede obviar haciendo las substituciones necesarias, por ejemplo, si se considera que una variable tiene un comportamiento exponencial (no lineal), estos datos podrían "linealizarse" calculando el logaritmo de los datos y proyectar el logaritmo. Después se halla el antilogaritmo y esa sería la proyección.

La idea de la regresión lineal es hallar una recta que cumpla con un requisito básico común para muchos métodos de pronóstico: la suma de los cuadrados de la diferencia entre el valor estimado y el observado es mínima. Por eso se llama también método de mínimos cuadrados. En general, se trata de encontrar (en el caso de la regresión lineal), una recta que cumpla esa condición y que se expresa así:

Y = a + b1X1 + b2X2 + b3X3+…+bnXn + e

Donde

Y = variable dependiente

Xj = variable independiente

e = error

a = intersección con el eje de las abscisas (y)

bj = coeficiente de cada variable Xj

El caso particular de una variable independiente la "fórmula" será:

Y = a + bX + e

MÉTODOS DE DESCOMPOSICIÓN

Un método de pronóstico es el de descomposición, para analizar series de tiempo. Un paso importante en el proceso de determinar el método de series de tiempo adecuado es considerar los diferentes patrones que se encuentran en los datos. Se pueden identificar cuatro patrones típicos: horizontal o estacionaria, estacional, cíclico y de tendencia.

• Se presenta un patrón horizontal o estacionario (H) cuando los datos fluctúan alrededor de un valor promedio constante. Las ventas que no aumentan ni disminuyen con el tiempo, es un ejemplo de este tipo de comportamiento.

Se presenta un patrón estacional (E) cuando los datos están afectados por factores que se repiten con cierta frecuencia (trimestral, mensual o en determinadas fechas, por ejemplo, Navidad, Semana Santa, etc.).

Un patrón cíclico (C) se presenta debido a efectos económicos de largo plazo y generalmente asociados con el ciclo económico. La construcción de vivienda puede ser un ejemplo de este tipo.

Un patrón cíclico (C) se presenta debido a efectos económicos de largo plazo y generalmente asociados con el ciclo económico. La construcción de vivienda puede ser un ejemplo de este tipo.

Los métodos de descomposición suponen que los datos contienen patrones estacionales, cíclicos y de tendencia; una función que representa esta relación puede ser la siguiente:

dato = patrón + error = f(tendencia, estacionalidad, ciclo) + error

X t = f(T t , E t , C t , Er t )

Donde

X t es el dato al período t.

T t es el componente de tendencia en el período t.

E t es el componente o índice de estacionalidad del período t.

C t es el componente cíclico del período t.

y Er t es el error del período t.

El procedimiento general para aislar los diversos componentes es el siguiente y se aplica a los diferentes métodos de descomposición.

• Con los datos disponibles calcule el promedio con un N igual a la longitud de la estacionalidad (12 meses, 6 meses, 4 trimestres, o 7 días, por ejemplo). Con esto se elimina la estacionalidad y el error, por lo tanto en el promedio móvil se encuentra sólo la tendencia y el ciclo. A esto lo llaman algunos desestacionalizar la serie de datos. 2) Separe el resultado de el promedio móvil de los datos. Lo que queda es la estacionalidad y el error.

• Aísle los factores estacionales promediándolos para cada período que constituyen el período completo de estacionalidad (cada mes, semestre o trimestre, por ejemplo).

• Identifique la forma de la tendencia con los resultados de (lineal, exponencial, etc.) y calcule su valor para cada uno de los períodos para los cuales se tienen datos.

• Separe el resultado de 4) de los resultados de 1) para obtener el factor cíclico.

• Separe la estacionalidad, la tendencia y el ciclo de los datos para obtener el error.

Este método es útil cuando se considera que existe una tendencia y estacionalidad. La estacionalidad se puede identificar en los datos si se observan ciertos "picos" o "baches" en los datos con regularidad; por ejemplo, si encuentra que el consumo de gaseosa es siempre mayor en los días sábados y domingos y menor en los días jueves, se podría sospechar que existe una estacionalidad asociada a esos días de la semana. Por otro lado, se puede llegar a la conclusión acerca de la existencia de la estacionalidad deduciéndola a partir del comportamiento del negocio; por ejemplo, antes de examinar cualquier dato, se podría pensar que la venta de juguetes o de calendarios y agendas van a presentar picos en los tres últimos meses del año. Obsérvese que se habla de estacionalidad cuando los períodos de análisis son menores de un año. Por ejemplo, semestres, trimestres o meses en relación con un año; quincenas, décadas o semanas en relación con mes; días de la semana con relación a la misma. Esto es, si los datos son anuales, por ejemplo, no tiene sentido pensar en la existencia de un patrón estacional. Uno de los modelos de descomposición más utilizados es el multiplicativo, o sea,

X t = T t x E t x C t x Er t

donde

Xt es el dato real en período t

Tt es el valor de la tendencia en período t

Ct es el valor del factor de ciclo en período t

Ert es el error en período t

Al aplicar los seis pasos propuestos se tiene:

1) y 2) Calcule el promedio móvil y aísle los factores estacionales:

Mt = Tt x Ct

Donde Mt es el promedio móvil en período t

La expresión anterior aísla la estacionalidad y el error.

3) El siguiente paso es eliminar el error de los valores obtenidos con la última expresión.

Los modelos clásicos de descomposición utilizan el enfoque del promedio medial. Para calcular el promedio medial se toman todos los datos de promedio móvil para cada período (mes, trimestre, etc.) y se eliminan los valores extremos, con los datos restantes se calcula el promedio. Los datos obtenidos para cada período se ajustan al 100% multiplicando el promedio medial por 100, número de períodos/suma de todos los promedios mediales.

4) y 5) Los pasos finales es el de calcular la tendencia y separarla del ciclo. Se identifica el patrón de la tendencia y se calcula el valor de ella para cada uno de los períodos para los cuales se tienen datos. La tendencia se calcula a partir de los datos Mt. En este modelo se elimina así: donde a,b,c… son las constantes de la regresión y t es el período correspondiente.

6) Con estos factores, estacionalidad, tendencia y ciclo, se puede estimar el error.

MÉTODO DE DETERMINACIÓN A TRAVÉS DE LAS PROBABILIDADES SUBJETIVAS

Es importante precisar que lo subjetivo no implica arbitrariedad. Así, por ejemplo, si hoy al salir por la mañana se observa que el cielo está cubierto, entonces se saldrá preparado para la lluvia. Subjetivamente, aunque no en forma arbitraria, se está asignando una probabilidad alta al evento lluvia. Y no es arbitrario porque es el resultado de la información con que se cuenta, la cual permite hacer un estimativo subjetivo, no arbitrario, de la probabilidad de tener un día lluvioso.

Hecho esto se debe hacer una verificación de consistencia interna con la percepción de la o las personas que están haciendo la estimación subjetiva de la distribución de probabilidad. Una aproximación podría ser verificar si los valores asignados a cierto intervalo, por ejemplo, de 0 a 34,999, debe tener o no una probabilidad igual al intervalo 35,000 a 44,999 y así para todas las posibilidades. Tratar de definir el punto del intervalo que hace indiferente a la persona entre ese valor y una unidad más o una unidad menos, tiende a ser difícil en la práctica; sin embargo, siendo menos riguroso el método, se podría intentar establecer sub-intervalos iguales y hacer las verificaciones respectivas.

Una alternativa para estimar casos concretos de probabilidades subjetivas es a partir de los datos máximo, mínimo y más probable de una determinada variable. Con esta información se pueden hacer estimativos de los parámetros de algunas distribuciones, por ejemplo:

Donde:

X min = Estimativo del mínimo valor que puede tomar la variable X

X max = Estimativo del máximo valor que puede tomar la variable X

X p = Estimativo del valor más probable que puede tomar la variable X

s = Desviación estándar de la variable X

Estos estimativos pueden ser adecuados para distribuciones normales o distribuciones llamadas Beta utilizadas en los análisis de redes tipo PERT (Project Evaluation Review Technique).

Las probabilidades subjetivas cumplen las mismas reglas que las probabilidades objetivas y pueden ser utilizadas operacionalmente en la misma forma que las segundas.

MÉTODO DE DETERMINACIÓN DE LOS ESTIMATIVOS A TRAVÉS DE ENCUESTAS

Se presenta un ejemplo simple de cómo determinar probabilidades a partir de la información de una encuesta que contiene información subjetiva, para hacer estimativos de demanda. Parte de una encuesta a los elementos de una muestra de 200 clientes potenciales, para un determinado producto.

La encuesta precisaba varios factores de compra:

1) Deseo de comprar el producto.

2) Tiempo en que se compraría el producto.

3) Actitud de las esposas ante la decisión de compra.

4) Preocupación de que el producto utilizará energía atómica.

5) Actitud del decidor ante el precio.

Los resultados del primer factor fueron:

Una encuesta realizada anteriormente indicaba que con un producto similar, solo el 46% de quienes habían afirmado que comprarían, efectivamente compraron. Esta información ayuda a estimar unos pesos o ponderaciones. Con los resultados a la mano, se procedió a asignar ponderaciones a las diferentes respuestas (en este proceso se podría utilizar el Método Delphi), así:

Para el factor 1 (Deseo de comprar el producto)

Para el factor 2 (Tiempo en que se compraría el producto.)

Para el factor 3 (Actitud de las esposas ante la decisión de compra)

Para el factor 4 (Preocupación de que el producto utilizará energía atómica)

Para el factor 5 (Actitud del decidor ante el precio)

De acuerdo con los resultados del primer punto, o sea la pregunta sobre si comprarán o no el producto, el mercado potencial era de 40%, compuesto por 35% que respondió más probable que compren, más 5% que respondió que definitivamente comprarían; considerando las ponderaciones de los diversos factores, se llega a un nuevo estimativo de 19%, teniendo en cuenta solo el primer factor. (10×1+70x.4=38 y 38/200=.19)

¿Cómo se utilizarían estos pesos o ponderaciones en la estimación total?

Cada encuestado se ponderaría por la forma en que hubiera respondido así: Si el encuestado responde "bien" a todas las preguntas equivaldría a 1(1x1x1x1x1). Si por el contrario responde así:

Al efectuar la "Ponderación " de esas respuestas se hallaría que equivale a 0.32. Esto se repite para cada una de las encuestas y se suma; el resultado total expresaría una cifra representativa del mercado potencial.

Si por ejemplo, esta suma resultara ser de 11.9, se tendría un estimativo del mercado que realmente compraría el producto de 5.95% (11.9/200).

Algunos pueden objetar la validez de hacer estimativos que no pueden ser "probados" o "demostrados" a priori y que por lo tanto la decisión podría estar tan errada como suponer la certeza de un solo estimativo. Lo cierto es que es mucho más razonable examinar varias posibilidades planteadas por expertos, que pensar que el futuro es determinístico y basar el análisis en un solo dato.

Se dice también que quienes responden una encuesta, no saben realmente cuál va a ser su comportamiento futuro y que esto es válido en cualquier dirección (los que dicen sí y los que dicen no) y que por lo tanto, cualquier intento que se haga en ese sentido, será un esfuerzo inútil. Esto indica una actitud derrotista que llevaría a la conclusión de que no se podrían tomar decisiones a menos que existiera certeza absoluta sobre el futuro. No debe olvidarse que el problema básico del decidor, es tomar decisiones con consecuencias irreversibles, con información incompleta.

La realidad es que el mundo sigue su curso. El hombre es el motor y tiene que tomar decisiones, con o sin información, completa o incompleta, confiable o no. Y mientras tanto habrá que buscar formas que despejen la incógnita del futuro y las que se presentan en este capítulo y otras de la literatura existente, son aproximaciones a la solución del problema.

Cómo tomar decisiones con información probabilística

Una vez se ha obtenido la probabilidad de que un proyecto es bueno o malo, poco se puede decir sobre el curso de acción que debe emprender el decidor, puesto que es el individuo en forma subjetiva quien decide si una probabilidad de fracaso es alta o baja. O sea que el decidor deberá discernir en forma subjetiva si un proyecto con una determinada probabilidad de fracaso de considerase aceptable o no; hecha esta escogencia para proyectos mutuamente excluyentes se debe proceder a seleccionar el mejor. ¿Qué decir entonces de un proyecto con VPN esperado de $10,000,000 con probabilidad de fracaso de 10% comparado con un proyecto de $20,000,000 de VPN esperado pero con 15% de probabilidad de fracaso? Para estos casos se puede sugerir el siguiente procedimiento heurístico (no siempre escoge el mejor): se debe seleccionar el proyecto con mayor Coeficiente de Variación Probabilístico (CVP).

Ejercicio

Suponga que tiene dos proyectos de inversión A y B, que están siendo comparados económicamente con base en un análisis que considere el riesgo, siendo el nivel de riesgo del proyecto A menor que el del proyecto B, y para los cuales se tiene la siguiente información:

Dado que el Proyecto A es menos riesgoso que el Proyecto B, la persona encargada de tomar decisiones, decide hacer ajustes en la tasa mínima de rendimiento, con la finalidad de incorporar el efecto del riesgo con el siguiente criterio:

 Mientras mayor sea el nivel de riesgo mayor debe ser la tasa mínima de rendimiento exigido.

En tal sentido se determina la rentabilidad del Proyecto A con una tasa mínima del 15% y la rentabilidad el Proyecto B con una tasa mínima del 18%.

Luego, el valor actual de cada proyecto es

En este caso, el riesgo ha sido tomado en cuenta mediante la tasa mínima de rendimiento, calculando el valor actual de A, menor nivel de riesgo, con i= 15%; y el valor actual de B, mayor nivel de riesgo, con un i= 18%. Luego la selección se realiza mediante una base común donde ambos proyectos han sido nivelados en cuanto al riesgo. De otra manera, si en cada proyecto el riesgo hubiese sido medido por modelos diferentes no es posible establecer una comparación entre ambos y, por ende no se puede tomar una decisión.

Conclusiones

Con el desarrollo de este trabajo se obtuvieron las conclusiones siguientes:

1 Los proyectos económicos que comprendan riesgos e incertidumbre son considerados casos no determinísticos.

2 El concepto de incertidumbre implica que no se asignan distribuciones de probabilidad (definidas en términos de sus parámetros, tales como la media y la desviación estándar).

3 El riesgo implica que sí se le puede asignar algún tipo de distribución probabilística.

4 El término incertidumbre se utiliza para indicar una situación de desconocimiento del futuro y el hecho mismo de impredictibilidad de los hechos.

5 No se puede garantizar que una inversión de los frutos deseados y en consecuencia es posible que no ocurra el evento en teoría cierto.

Recomendaciones

En función del análisis y conclusiones que se obtuvieron con esta investigación se recomiendan las acciones siguientes:

1 Considerar el análisis de riesgo e incertidumbre de inversión de un proyecto.

2 Considerar la distribución probabilística para la evaluación económica de un proyecto.

3 Considerar el análisis de los índices de rentabilidad para la evaluación económica de un proyecto.

3 Considerar las estimaciones empíricas (relativo a la experiencia) a la hora de evaluar económicamente un proyecto.

4 Tomar en cuenta el factor riesgo a la hora de invertir en una determinada comunidad o país, en base a su seguridad política y social.

Bibliografía

Apolo.icc.uma.es/tea/cap4/h4-2.html

www.analitica.com/va/economia/opinion/9805646.asp

www.cesca.es/farmacio/aula/xarxes_neuronals/fernandez/shtd.html

www.infonegocio.com.pe/areas/marketing/especiales/20112000mc

www.javeriana.edu.co/decisiones/Riesgo_incertidumbre_on_line/

www.sigsa.com/ealmf/publicaciones/gestion.htm

Autor:

Amarista Yeannys

Andrade Rossana

Crincoli Vanessa

Juliet

Enviado por:

Iván José Turmero Astros

Universidad Nacional Experimental Politécnica

"Antonio José de Sucre"

Vice-Rectorado Puerto Ordaz

Departamento de Ingeniería Industrial

Cátedra: Ingeniería Económica

Profesor: Ing. Andrés Eloy Blanco.

PUERTO. ORDAZ, 04 DE AGOSTO DE 2004