Bienvenidos Introducción a @RISK Gustavo Vinueza [email protected] México, Junio 2011 » Los modelos determinísticos son fácilmente mejorables a través de la inclusión de incertidumbre, en forma de información distribucional 3 Objetivos 1. Explicar qué hace @RISK 2. Enseñar cómo @RISK incluye incertidumbre en el modelo 3. Presentar un modelo simple @RISK y compararlo con uno determinístico 4 Los Modelos ? ? ? Flujos de Caja / VAN ? ? ? ? Operaciones / Logística Presupuestos ? ? Modelos ? Costos / Construcción Predicción de Demanda ? ? ? ? 5 Desviaciones » En variaciones de costo » En predicción de variables macro » En reacción de clientes hacia un nuevo producto » En market share para un producto » En variabilidad de una pieza » Etc. 6 ¿Cuáles son las causas y posibles soluciones? Categoría Causas Soluciones Propuestas Técnicas Imperfección en Estimaciones • Incorporación de Información Distribucional Psicológicas Sesgo Optimista • • • Revisiones de equipo Redes de expertos Umbrales definidos de actuación Políticas – Económicas Cambio de Prioridades Restricciones presupuestarias • • Fondos de contingencia Proyectos en Etapas El juicio humano es generalmente optimista debido a sobreconfianza y a la consideración insuficiente de información distribucional acerca de las salidas. Ref: Wikipedia, en Kahneman, Tversky 7 ¿QUÉ HACE @RISK? 8 ¿Qué hace @Risk? » Evoluciona los modelos determinísticos • De una sola variable o de escenarios estáticos • “El Número” » Utiliza Simulación Monte Carlo para generar resultados que refuerzan los análisis de riesgo • En vez de una variable, pasamos a una distribución 9 Los Modelos Típicos » Manejo de Portafolios de Proyectos • ¿Invierto o no? » » » » » Proyección de Flujos de Efectivo – VAN/TIR Portafolios de Inversión Riesgos Técnicos, I+D Riesgo de Crédito, Ambiental Riesgo Operacional Todas las industrias • Con sus probabilidades e impacto » Control estadístico de Procesos En todos aparece el componente común de Riesgo 10 Fuentes de riesgos Los riesgos, además de identificarse según el proyecto, tienen además otros componentes propios del proceso de análisis… Variabilidad Incertidumbre Subjetividad • Naturaleza aleatoria (estocástica) de un proceso • Los resultados son aleatorios aún cuando el proceso y sus parámetros estén claramente entendidos • Ej: tirar una moneda, muestreo de una distribución normal, etc. • Falta de conocimiento acerca del valor de un parámetro, o de los factores que determinan el comportamiento de un proceso • El impacto real de distintos resultados posibles sobre el observador, el valor económico “utilitario” o valor • Tolerancia al riesgo: aversión, proclividad • Riesgo “Analista” 11 Resultado: Modelo de Variables Estáticas » Sirve para guiarnos sobre las expectativas » Aproximación tradicional Asumen que todas las variables se mueven en la • Promedio misma dirección al mismo tiempo • Caso optimista / pesimista • Más probable • No definido claramente » Estos son escenarios frecuentemente erróneos! 12 Respuesta ante el Riesgo » Estrategias de mitigación • Impacto de opciones potenciales » Acciones y decisiones, análisis posterior • Evitar – Finalizar, diversificar, eliminar, abandonar • Retener – Aceptar, planear, repreciar • Reducir – Controlar, dispersar • Transferir – Asegurar, tercerizar, compartir • Explotar – Arbitraje, mejorar, expandir, renegociar Pero antes… 13 Administración de Riesgos @RISK Cuantificar Evaluar Monitorear Controlar Actualizar 14 Cuantificando Riesgos con Modelos Estáticos 1,400 1,300 1,200 1,100 900 26.4 174.5 5.0% 0.014 » Para distribuciones sesgadas, moda y mediana serán distintas de la media 800 Es el promedio ponderado de todos los resultados posibles (es decir, de cada uno de los valores por cada una de las probabilidades) 600 90.0% 5.0% 0.012 0.010 Lognorm(80,50) Mínimo Máximo Media Moda Mediana Desv Est Asimetría Curtosis 10% 25% 75% 90% 0.004 0.002 250 200 150 100 50 0.000 -50 Con frecuencia debo decidir entre alguno de estos valores Moda = 48.78 0.006 Mediana = 67.84 Media = 80.00 0.008 0 » 700 » La media es en algunos casos el valor correcto a considerar para la toma de decisiones 1,000 Media = 1,000.00 » Posibilidades: • Valores modales, medianos, medios 15 0.00 +∞ 80.00 48.78 67.84 50.00 2.1191 11.9197 32.50 46.05 99.93 141.61 Cuantificando Riesgos con Expertos Opinión de Expertos ¿Qué debo incluir en mis máximos y mínimos? En los máximos van eventos de riesgo que a veces sobrecalculan el riesgo Incertidumbre Impactos de Eventos de Riesgos O dejar que un experto guíe la evaluación… ¿Cómo reforzamos los modelos? » Con tantos riesgos e incertidumbre, necesito una herramienta que me permita mejorar mi análisis estático » “Con todo lo demás constante muevo una variable” no es real ni aplicable Ceteris Paribus 17 ¿CÓMO SE HACE? SIMULACION MONTE CARLO 18 ¿Qué es la SMC? » No es un solo método » Conjunto de acercamientos que • Define un conjunto de entradas • Genera muestas aleatorias en cada muestra, de acuerdo a una distribución de probabilidades definida por cada una • Realiza un cálculo de probabilidades del modelo y agrega los resultados en una salida final » Historia • Enrico Fermi (1930) • Stanislaw Ulam (1946) – Solitario – Difusión Neutrones • John Von Neumann Input Ref: Wikipedia Output Metropolis, N.; Ulam, S. (1949). "The Monte Carlo Method". Journal of the American Statistical Association (American Statistical Association) 44 (247): 335– 341. doi:10.2307/2280232.PMID 18139350. http://jstor.org/stable/2280232 19 ¿Por qué hacer simulación Monte Carlo? (SMC) {1} » Evolucionar • Pasamos de una plantilla electrónica con un estimado puntual hacia una herramienta de modelación que procese combinaciones de variables Æ análisis más robusto » Reconocer por medio de la simulación • El riesgo, la variabilidad y la incertidumbre 20 ¿Por qué hacer simulación Monte Carlo? (SMC) {2} » Para capturar el efecto de cambios simultáneos en las variables de entrada • Donde el análisis de sensibilidad tradicional es débil • Cuando se desea cuantificar tanto la magnitud como la probabilidad de ciertos resultados – El análisis de sensibilidad tradicional sólo logra capturar la dimensión de magnitud • Cuando existen más de dos variables inciertas que deben ser simultáneamente modificadas – Un número muy amplio de posibles combinaciones • Cuando existen no linealidades en el modelo – Funciones SI, MAX, MIN, etc. » Para capturar relaciones entre variables 21 21 ¿Cómo funciona la SMC? Utilicemos una distribución Uniforme para este ejemplo: f ( x ) = 1 ( max − min ) Distribución donde todos los valores del dominio tienen la misma probabilidad de ocurrencia. Area=1 min Función de densidad de probabilidad (PDF) max Función de distribución acumulada (CDF) F ( x) = P ( X ≤ x) = ( x − min ) ( max − min ) X min max min ≤ x ≤ max 22 Función de distribución acumulada (CDF) Número aleatorio (0-1) Prob Acumulada ¿Cómo funciona la SMC? 0 ≤ y* ≤ 1 x = F −1 ( y ) x* = y* ( max − min ) + min Muestras 2. Genero el valor de la muestra 23 SMC con otras distribuciones x2 x1 ¿Qué valores quiero capturar? Los de las colas! A medida que el proceso obtiene números aleatorios, se va formando la distribución según la frecuencia de cada número x2 x1 24 @RISK » Añade Simulación Monte Carlo sobre Excel » Apoya en cuantificación de la exposición al riesgo ante una decisión » @RISK ayuda a cuantificar la exposición ante variables de entrada para determinar la exposición sobre variables de salida • • • • • Funciones de distribución de probabilidad como complementos a Excel Capacidades de análisis de riesgo pre-procesamiento Gráficos, reportes, estadísticas post-procesamiento Análisis de sensibilidad para asistir en la evaluación de los resultados Capacidad para crear reportes personalizados 25 @RISK: Ventajas » @Risk se basa en Excel • No necesito reprogramar mis modelos • Las funciones se añaden nativamente a Excel • Copy + Paste Nativo • Capacidad de enviar modelos a personas que no tienen @Risk y revisarlos • Velocidad – nueva versión 5.7 64-bit Excel 2010 • Excelente Capacidad gráfica 26 Metodología Tradicional – “Valoración” Resultado es basado en un sólo valor para cada suposición definida Volumen Precios/Mix Estimados puntulales Costos A&P Análisis de flujo de caja VPN Project Metrics TIR, etc 27 Análisis basado en Riesgo El resultado es un rango de valores posibles generados por la simulación en variables de ingreso utilizando distribuciones de probabilidad Rango de valores @ RISK Rango de posibles valores para el VPN, TIR Volumen Precio/Mix Análisis de flujo de caja Análisis de Sensibilidad Costo Project Metrics A&P Identificación de Riesgos y Oportunidades El rol de análisis tiene un mayor valor a través de colaboración y comunicación con el equipo de trabajo sobre variables clave, riesgos y oportunidades 28 Pasos Clave para un Análisis de Riesgo Qué alternativa es mejor bajo incertidumbre? Mitigar? Terminar? O Proceder? 29 Estimado Determinístico vs. Simulación NPV 0.00 51.0% 0.10 6.23 44.0% 5.0% 0.09 Point Estimate 0.08 0.07 NPV 0.06 Minimum -12589.2148 Maximum 10572.1964 Mean 43.7907 Std Dev 3610.3199 0.05 0.04 0.03 X1 = 0 0.02 0.01 15 10 5 0 -5 -10 -15 0.00 Values in Thousands 30 Ejemplo » Determinístico vs Estocástico (@RISK) • 3 Productos – – – – – – Añadir distribuciones de entrada Añadir salidas Proceso simulación Resultados Básicos Análisis de Sensibilidad Reportes 31 ¿Preguntas? » ¿Qué versiones de @RISK existen? • www.palisade.com/risk » ¿Qué debo comprar, el @RISK o el DecisionTools Suite? • http://www.palisade.com/decisiontools_suite/save.asp » ¿Tengo acceso a los Manuales de @RISK? • http://www.palisade.com/support/manuals.asp 32 Distribuciones comunes @RISK trae por defecto, 61 distribuciones 33 Selección de Distribuciones Algoritmo ¿Existe una norma en la industria? ¿Cuándo se verificó dicha norma por última vez? Si no existe norma, existen datos históricos relevantes? Significancia estadística Relevancia Fundamental A mayor número de datos, menor significancia. Ej. Tomar los últimos 80 años de la Bolsa Número de datos – revisar con expertos Distribution Fit Obtener ayuda de expertos 34 Ejemplo[2] » Determinístico vs Estocástico (@RISK) • 3 Productos – Añadir distribution fit – Correlaciones – Optimización 35 ¿Preguntas? 36 Introducción a @RISK Gustavo Vinueza [email protected] México, Junio 2011 Funcionalidad Avanzada Incluyendo Correlación 11 Cálculo Correlación 13 Incluir Correlación en Modelo Distribution Fit 38 Distribution Reference Card Lognormal El límite superior es ilimitado pero los valores no pueden estar por abajo de 0 Sesgo Positivo Ejemplo:Pronóstico de precios futuros, donde las tasas de crecimiento anual son aleatorios (bienes raíces, precios de las acciones) Uniform Min & max son fijos Todos los valores tienen la misma probabilidad de ocurrencia Ejemplo: un agujero en un oleoducto Normal El valor medio más probable es simétrico con respecto al promedio de fenómenos naturales Ejemplos: Altura de las personas, inflación PERT Min & max son fijos Valor más probable Cuando usted conoce el min, max y el valor más probable. Ejemplos: Ventas estimadas, inventario, costos de comercialización 39 Binomial Para cada trial, solo 2 resultados son posibles; usualmente éxito o fracaso. Los Trials son independientes y tienen la misma probabilidad. Ejemplo: número de caras en 10 lanzamientos de una moneda Discrete Muestras randómicas de la lista de enteros y usarlos en las funciones de búsqueda de excel =RiskDiscrete({1,2,3,4}, {2,5,90,3}) (90% oportunidad para el número 3) Acerca de Palisade Corporation » Fundada en 1984 en Ithaca, New York. » Otras oficinas en • • • • • Londres - Reino Unido Sydney – Australia Río de Janeiro – Brasil Tokio - Japón Cuenca - Ecuador » Líder de mercado en software y servicios de análisis de decisiones cuantitativo y de soporte a decisiones » 200,000+ clientes a nivel global » Mayoría de las empresas de la lista de Fortune 500 » Enseñado en los 50 mejores programas de MBA en los Estados Unidos 40 Productos Ofrecidos Herramientas de apoyo a las decisiones: • • • • @RISK PrecisionTree RISKOptimizer TopRank • StatTools • NeuralTools • @RISK para Project • Kits de desarrollador (Developer’s Kits) » Licenciamiento individual y corporativo Denise Castellot – [email protected] Luis Ywama – [email protected] 41 Servicios ofrecidos » Entrenamiento y consultoría • Seminarios abiertos – Presenciales o Basados en Web – http://www.palisade-lta.com/seminarios/ • Entrenamiento/consultoría en sitio • Construcción y validación de modelos • Soluciones personalizadas • Recomendación de Libros – http://www.palisade.com/academic/textbooks.asp Aprenda más en www.palisade-lta.com 42 Conceptos Importantes Variables de Decisión (políticas) vs. Variables Inciertas • Variables de Decisión. El analista puede decidir el nivel de la variable – se puede probar el mejor valor bajo incertidumbre • Variables Inciertas. El analista tiene muy poco o no control sobre ellas Variables Inciertas Clave en un Análisis de Riesgo • Son las variables que cuya variación causa cambios “significativos” en resultados 43