Decisiones de inversión (página 2)

Enviado por IVÁN JOSÉ TURMERO ASTROS

Partes: 1, 2

Si se supone que el individuo se comporta con el deseo de evitar la mayor cantidad de "pena", "arrepentimiento" o costo por no haber seleccionado una alternativa, dado que ocurrió un evento, será necesario construir una nueva matriz de resultados que se denomina matriz de "penalización" cuyos elementos serán:

S = mejor resultado posible en la columna de ese elemento – elemento

Obsérvese que S representa el costo extra en que el individuo incurre al seleccionar una determinada alternativa, dado que ocurrió un evento. La magnitud de S trata de medir la cantidad de "pena" o "arrepentimiento" o costo por haber tomado determinada decisión. En el caso de utilidades, S expresa lo que el individuo deja de ganar al seleccionar la alternativa, dado que ocurrió determinado evento.

Una vez construida la matriz de penalización, se selecciona para cada alternativa la máxima pena S. Esto produce la columna de penas máximas, de la cual el decisor seleccionará la mínima, por ser racional.

Teoría de la opinión contraria (odd-lot theory)

El pequeño inversor siempre se equivoca en sus decisiones. La información se obtiene analizando las operaciones de pequeños lotes o bien haciendo lo contrario de lo que aconsejan los periódicos y revistas.

Criterios normativos

Teoría de partida del análisis técnico

Información suficiente para predecir exclusivamente con los datos de mercado: precios y volumen.
Existen tendencias en los precios.
El pasado se repite.

Cuándo se debe hacer el análisis del riesgo e incertidumbre:

La tarea de tomar decisiones bajo riesgo e incertidumbre no es fácil y los métodos que se presentan y el que sigue pueden desanimar a los decisores por considerar que no siempre es posible realizar ese tipo de análisis. Esto es cierto. Más aun, Siempre que se pueda tomar una decisión correctamente es preferible hacerlo con menos que con más; en otras palabras, no hacer con más lo que pueda hacer con menos. Lo que se pretende es que se utilice un sano criterio para lograr un uso adecuado de la tecnología a disposición de la Humanidad.

En el análisis de inversiones bajo riesgo se debe hacer un análisis previo de la situación antes de embarcarse en un proceso que puede resultar costoso, no solo por los recursos que requiere, sino porque puede producir errores.

El proceso de evaluación comprende:

Definir el monto de la inversión y realizar estimativos gruesos preliminares.
Descartar los proyectos que a primera vista no son viables.
Con base en estos estimativos gruesos, hacer un análisis de certidumbre.
Examinar el monto de la inversión, si es mucho o poco dinero.
Distinguir entre elementos importantes de acuerdo con su grado de influencia y variabilidad, los Importantes estúdiense a profundidad, los poco importantes no se deben estudiar a profundidad.
Descartar los proyectos que no son viables y seleccionar los proyectos aceptables.

Proceso de pronóstico bajo riesgo e incertidumbre:

La Humanidad ha tratado siempre de predecir el futuro. Basta recordar todos los intentos de las tribus primitivas de controlar, prediciendo, los fenómenos naturales o el oráculo de Delfos en Grecia. Así mismo, los decisores se enfrentan día a día con la necesidad de tomar decisiones hoy con consecuencias futuras.

El proceso de predicción comienza con la definición de las variables que intervienen y las relaciones esperadas entre las variables; después se hace la recolección de datos. Estos datos pueden ser obtenidos por medio de experimentos o simplemente por la recopilación de datos históricos. En el caso de la ejecución de experimentos, por ejemplo, la duración de un determinado producto o la simulación del comportamiento de una variable (ver capítulo sobre simulación), el experimentador puede controlar ciertas variables y por lo tanto, se puede lograr una mejor comprensión de las fuentes de variación; en el caso de los datos históricos, nada puede hacerse para controlar las variables que afectan los resultados; éste sería el caso cuando se desea pronosticar la demanda futura a partir del comportamiento de ésta en el pasado.

El paso siguiente en el proceso de predicción es la construcción de un modelo de inferencia estadística para hacer el pronóstico. Estos modelos operan bajo condiciones muy específicas, tales como supuestos de independencia entre variables, distribuciones de probabilidad específicas, etc. Si estos supuestos no se cumplen, los resultados obtenidos pueden perder toda validez.

Al tomar decisiones es posible que el grado de detalle y afinamiento de los resultados sea innecesario, por lo tanto es posible hacer suposiciones fuertes y restrictivas a tal punto que violen las condiciones específicas requeridas por el modelo en cuestión. En estos casos, lo importante es conocer qué condiciones no se están cumpliendo y cuáles son las consecuencias, para actuar con la debida precaución.

No siempre es posible partir de información histórica para hacer pronósticos y es necesario aplicar el criterio, fruto de la experiencia, para "predecir" lo que ocurrirá respecto de una decisión. En la mayoría de las decisiones que se toman día a día son necesarios el criterio y la experiencia. El buen criterio o buen juicio es algo que se obtiene con mucho esfuerzo y paciencia; si bien es cierto que la educación formal da una preparación para adquirirlo, la mejor manera de refinar el criterio es a través de la experiencia.

Al tomar algunas decisiones lo importante determinar cuál es el valor preciso de una variable determinada, sino si este valor sobrepasará o no cierto valor crítico.

En estos casos una estimación o apreciación de este valor será suficiente. Se podría pensar en el principio de reducir la discriminación requerida; este principio se puede enunciar de la siguiente manera: cuando haya que estimar el valor de una variable, encuentre el valor de esa variable para el cual la decisión cambie de una alternativa a otra. De esta manera, lo único que se necesita es determinar si el valor estimado de la variable sobrepasa o no el valor crítico que hace cambiar la decisión. Por ejemplo, al tratar de determinar el valor de la(s) tasa(s) de descuento a utilizar para calcular el Valor Presente Neto de dos alternativas mutuamente excluyentes, sólo se necesita saber si esta(s) tasa(s) de descuento es(son) mayor(es) que el(los) valor(es) crítico(s) estipulado(s).

Muchas veces es necesario pronosticar una variable que depende a su vez de otras. Por ejemplo, los costos totales de operación de un equipo determinado se componen de mano de obra, energía, mantenimiento, etc. Matemáticamente se puede expresar así:

C = f (c1, c2, c3,….., cn)

Se puede obtener el pronóstico de C de dos formas: pronosticando C directamente o pronosticar los componentes de C y a partir de allí hallar el valor de C, por medio de la relación f(.). ¿Cuál de las dos formas utilizar? Esto depende de la varianza que se obtenga en una u otra forma.

Las técnicas de pronóstico son una herramienta necesaria para la planeación macro y microeconómica. Para el caso del gerente su quehacer básico es la toma de decisiones con consecuencias futuras y por lo tanto debe elaborar estimativos de lo que sucederá en el futuro. Por otro lado, debe prever escenarios que le permitan anticiparse a las posibles eventualidades que le indicarán la conveniencia o inconveniencia de una alternativa. En particular para analizar decisiones de inversión es necesario hacer estimativos de muy diversas variables: precios, tasas de interés, volúmenes de venta o de producción, etc., por lo tanto, es necesario que el analista conozca, por lo menos la existencia de ciertas técnicas que le ayuden en esta tarea.

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.

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.

1) 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 del promedio móvil de los datos. Lo que queda es la estacionalidad y el error.

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

4) 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.

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

6) 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 va 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 100x 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.

Árbol de decisión

Para utilizar el árbol de decisiones a fin de evaluar y seleccionar alternativas. Es preciso estimar la siguiente información adicional para cada rama:

Probabilidad estimada de que cada resultado pueda ocurrir. Estas probabilidades deben sumar 1.0 para cada conjunto de resultados (ramas) que resultan de una decisión.
Información económica para cada alternativa de decisión y resultado posible, tal como, inversión inicial y flujos de efectivo anuales.

Las decisiones se toman a partir de la estimación de probabilidad y la estimación del valor económico para cada rama de resultados. De ordinario se utiliza el valor presente en los cálculos de valor esperado del tipo de la ecuación (1). El procedimiento general para resolver el árbol mediante análisis VP es:

1. Empiece en la parte superior derecha del árbol. Determinar el valor VP para cada rama de resultado considerando el valor del dinero en el tiempo.

2. Calcule el valor esperado para cada alternativa de decisión.

E (decisión) = L (estimación de resultado) P (resultado) (2)

Donde la sumatoria incluye todos los resultados posibles para cada alternativa de decisión.

3. En cada nodo de decisión, seleccione el mejor valor E (de decisión), el costo mínimo para una situación de costos solamente, o el reintegro máximo si se estiman los ingresos y los costos.

4. Continúe moviéndose a la izquierda del árbol hacia la decisión de las raíces con el fin de seleccionar la mejor alternativa.

5. Trace el mejor camino de decisiones de regreso a través del árbol.

El siguiente ejemplo ilustra este procedimiento.

4) Se requiere una decisión bien sea para mercadear o para vender un nuevo invento. Si el producto es mercadeado, la siguiente decisión es hacerlo a nivel internacional o nacional. Suponga que los detalles de las ramas de resultados producen el árbol de decisiones de la figura 7. Para cada resultado se indican las probabilidades y el VP de los costos y beneficios (reintegro en $ millones). Determine la mejor decisión en el nodo de decisiones DI.

edu.red

Figura 2. Solución de un árbol de decisiones con valores presentes establecidos.

Solución

Utilice el procedimiento anterior para determinar que la alternativa de decisión DI, de vender el invento, debe maximizar el reintegro.

1. Este ejemplo se ofrece el valor presente del reintegro.

2. Calcule el reintegro VP esperado para alternativas de los nodos D2 y D3 utilizando la ecuación (2). En la figura 8, a la derecha del nodo de decisión D2, los valores esperados de 14 y 0.2 en óvalos se determinan como:

E (decisión internacional) = 12(0.5) + 16(0.5) = 14

E (decisión nacional) = 4(0.4) – 3(0.4) – 1(0.2) = 0.2

Los reintegros VP esperados de 4.2 y 2 para D3 se calculan en forma similar.

3. Seleccione el reintegro esperado más grande en cada nodo de decisión. Éstos son 14 (internacional) D2, y 4.2 (internacional) en D3.

4. Calcule el reintegro esperado para las dos ramas DI.

E (decisión de mercado) = 14(0.2) + 4.2(0.8) = 6.16

E (decisión de vender) = 9(1.0) = 9

El valor esperado para la decisión de vender es simple puesto que el único resultado tiene un reintegro de 9. La alternativa nodal DI de vender genera el reintegro esperado más grande de 9.

Problemas

1) Una encuesta de viviendas incluyó una pregunta sobre el número de automóviles, N, actualmente poseídos por gente que vive en residencias y la tasa de interés, i, sobre el préstamo de tasa más baja para los autos. Los resultados para 100 viviendas se muestran a continuación:

edu.red

(a) Determine si cada variable es discreta o continua y diga por qué.

(b) Elabore gráficas de las distribuciones de probabilidad y de las distribuciones acumulativas para N e i.

(c) De la información obtenida, ¿cuál es la probabilidad de que una vivienda tenga 1ó 2 autos?, ¿Tres o más autos?

Solución:

a) El número de autos (N) es una variable discreta, al igual que el número de viviendas, debido a que nadie puede tener un número fraccional de carros ni viviendas. Por otra parte, la tasa de préstamo es una variable continua, ya que puede asumir valores fraccionales.

Número de autos	Viviendas	P	F
0	12	12	12
1	56	56	68
2	26	26	94
3	3	3	97
(4	3	3	100

edu.red

Tasa de préstamo	Viviendas	P	F
0.0-2	22	22	22
2.01-4	10	10	32
4.01-6	12	12	44
6.01-8	42	42	86
8.01-10	8	8	94
10.01-12	6	6	100

edu.red

c) La probabilidad de que una vivienda tenga dos o más autos es:

P (N = 1 ó N = 2) = P (N = 1) + P (N=2) = 0,56 + 0,26 = 0,82 = 82%

La probabilidad de que una vivienda tenga tres o más autos es:

P (N ( 3) = P (N = 3) + P (N ( 4) = 0,03 + 0,03 = 0,06 = 6%

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.