Coordinado por: Mara Teresa Casparri

Alicia Blanca Bernardello

Javier Garca Fronti

Acerca del
Riesgo II

Seleccin de algunos trabajos de

Investigacin

2005

Diseo de Edicin:
Jesica Jimnez
Silvia Juncos
Editores:
Facultad de Ciencias Econmicas
Universidad de Buenos Aires
Centro de Investigacin en Mtodos Cuantitativos aplicados a
la Economa y la Gestin

I.S.B.N. 950-29-0905-4

Este libro se termin de imprimir en el mes de febrero de 2006 en

la imprenta de la facultad de Ciencias Econmicas, UBA.
Crdoba 2122, (1120), Buenos Aires Argentina

II

AUTORES

Casparri, Mara Teresa

Alcalde Bessia, Federico
Bacchini, Roberto Daro
Bernardello, Alicia Blanca
Cristfoli, Mara Elizabeth
Fabris, Julio
Garca Fronti, Javier
Mrquez, Ezequiel
Zeitune, Sabrina

III

IV

Facultad de Ciencias Econmicas

Universidad de Buenos Aires

CENTRO DE INVESTIGACIN EN MTODOS

CUANTITATIVOS APLICADOS A LA ECONOMA
Y LA GESTIN.

Directora:
Mara Teresa Casparri

Subdirector:
Javier Garca Fronti

Secretaria Tcnica:
Alicia Blanca Bernardello

ACERCA DEL RIESGO II

1.

2.

Prlogo
La Teora de opciones reales aplicando matemtica
borrosa: valuacin de un proyecto de inversin en
tecnologa.................................
Ezequiel Mrquez, Roberto Bacchini, Javier Garca
Fronti.
1.1 Resumen.
1.2 Introduccin..
1.3 Valuacin de una opcin real probabilstica..
1.4 Valuacin de una opcin real., enfoque hbrido
1.5 Una aplicacin prctica.
1.6 Eventos extremos en la valuacin de inversiones.
1.7 Conclusiones.
1.8 Bibliografa.
Valuacin de opciones reales en un contexto de
incertidumbre y riesgos extremos: la opcin de
diferir un proyecto de inversin en tecnologa..
Ezequiel Mrquez, Roberto Bacchini, Javier Garca
Fronti.
2.1 Resumen.
2.2 Introduccin..
2.3 La Teora de Opciones Reales..
2.3.1 Opciones reales: un arreglo de
valor...
2.3.2 Las Opciones Reales en un proyecto de
inversin
2.3.3 Las Opciones Reales y las Opciones
Financieras..
2.3.4 Una metodologa para valuar las Opciones Reales.
2.4 El Modelo
2.4.1 El esquema binomial

VI

11
12
14
17
20
23
26
28

31

33
34
36
36

39
41
42
45
46

2.4.2

2.5
2.6
2.7
3.

4.

Una Opcin Real en contexto de incertidumbre.

2.4.3 Una Opcin Real en contexto de incertidumbre y eventos extremos
Simulacin.
Conclusiones.
Bibliografa.

Valor Actual Neto de un proyecto de inversin en

tecnologa. Incertidumbre e impacto en eventos
extremos..
Daro Bacchini, Sabrina Zeitune, Javier Garca Fronti.
3.1 Resumen.
3.2 Introduccin..
3.3 Valor Actual Neto de un proyecto de inversin en
tecnologa
3.3.1 Fondos Constantes
3.3.2 Fondos Aleatorios..
3.3.3 Fondos Aleatorios y su impacto en
eventos extremos
3.3.4 Comparacin de los tres casos..
3.4 Conclusin.
3.5 Bibliografa.
Teora del Control ptimo en un contexto incierto.
Mara Teresa Casparri, Federico Alcalde Bessia.
4.1 Movimiento Browniano..
4.1.1 Introduccin
4.1.2 Definicin.
4.1.3 Propiedades.
4.2 Movimiento Browniano Generalizado
4.3 Procesos de It..
4.3.1 Lema de It..
4.4 Formula de Bellman estocstica en el continuo
4.5 Ejemplo 1

49
51
53
67
69

71
73
74
75
75
78
85
89
91
94
95
97
97
97
99
102
102
103
106
109

4.6
4.7
4.8
5.

6.

Ejemplo 2
Conclusiones.
Bibliografa.

Anlisis de comportamiento de cuentas corrientes

en entidades bancarias mediante el uso de Fuzzy
Clustering y Anlisis discriminante para la
administracin de riesgo crediticio.
Mara Teresa Casparri, Federico Alcalde Bessia, Julio
Fabris.
5.1 Resumen..
5.2 Anlisis de comportamiento de cuentas corrientes
5.2.1 Introduccin al problema.
5.2.2 Anlisis previo y desarrollo..
5.2.2.1 Anlisis grfico..
5.2.3 Reconocimiento de los grupos con fuzzy CMeans Clustering
5.2.4 Anlisis discriminante Cannico de los
resultados obtenidos.
5.3 Conclusin..
5.4 Bibliografa..
5.5 Anexo I: Introduccin al Clustering y Fuzzy
Clustering.
5.5.1 Fuzzy Clustering. Fuzzy C-Means
Clustering..
5.5.2 Medidas de Validacin..
5.5.3 Coeficiente de Particin y Entropa de la
Particin.
5.5.4 ndice de Fukuyama-Sugeno..
5.5.5 ndice de Xie-Beni...

113
120
121

123

125
126
126
129
131
143
146
149
151
154
156
163
164
165
167

La Teora de los Eventos Extremos, aplicacin para

evaluacin de riesgos... 169
Mara Teresa Casparri, Federico Alcalde Bessia.
6.1 Introduccin 171

6.2
6.3

6.4

6.5

6.6
6.7

Teora de los Valores Extremos.

Caso Univariado.
6.3.1 Existencia..
6.3.2 Distribucin de valores extremos generalizados.
6.3.3 Eventos por sobre un lmite (events over
the threshold)..
6.3.4 Aplicaciones del costo univariado.
6.3.5 Mtodos de aplicacin del costo univariado.
Caso bivariado..
6.4.1 Existencia.
6.4.2 Caracterizacin de las funciones de distribucin de valores extremos bivariados
6.4.3 Algunas distribuciones de valores extremos bivariados.
6.4.4 Eventos por sobre un lmite (events over
the threshold) para el caso bivariado
Aplicacin para la evaluacin de riesgos..
6.5.1 Ejemplo 1: Supuesto de independencia de
variables aleatorias.
6.5.2 Ejemplo 2: Supuesto de distribucin bivariada de las variables aleatorias. Dependencia.
6.5.3 Ejemplo 3: Supuesto de distribucin bivariada de las variables aleatorias. Independencia.
Comentarios Finales
Apndice I: Datos utilizados en los ejemplos y
salidas del R
6.7.1 Precios de los activos Z1, Z2, Z3
6.7.2 Estadstica descriptiva..
6.7.3 Ajustamiento de la Pareto a Z1..
6.7.4 Ajustamiento de la Pareto a Z2..
6.7.5 Ajustamiento de la logstica para Z1 y Z2..

172
175
175
176
177
178
179
180
180
181
183
187
194
197

198

200
202
203
203
205
205
206
206

6.7.6 Ajustamiento de la logstica para Z1 y Z3..

Apndice II: Distribuciones
6.8.1 Distribuciones clsicas.
6.8.2 Los tres tipos de distribuciones en eventos
extremos.
6.8.3 Distribuciones de Valores Extremos
Negativas
6.9 Bibliografa..
Aplicacin de la Teora de los Valores Extremos para
el clculo de la mxima perdida esperada de una
empresa que cotiza en la Bolsa de Comercio de
Buenos Aires
Mara Teresa Casparri, Alicia Bernardello, Mara
Elizabeth Cristfoli.
7.1 Introduccin
7.2 Modelo Matemtico..
7.3 Aplicacin de EVT a las acciones de METROGAS
S.A..
7.4 Referencias..
6.8

7.

8.

Nuevas Regulaciones para el Mercado Asegurador

Mara Teresa Casparri, Mara Elizabeth Cristfoli.
8.1 Introduccin
8.2 Situacin actual.
8.2.1 Informe KPMG..
8.2.2 Informe Sharma..

207
208
208
208
210
212

215

217
218
221
226
227
229
224
235
235

Prlogo
El volumen que se presenta titulado Acerca del Riesgo II es
el resultado de algunos trabajos de investigacin en el marco de
los `proyectos UBACyT Evolucin de los Riesgos Financieros
Extremos en Mercados Emergentes con nfasis en Argentina
(UBACyT E012) y El Impacto de la Teora de los Riesgos Extremos
en el Anlisis de Proyectos de Inversin en Tecnologa. Caso
Argentina (UBACyT E015).
Los dos primeros captulos desarrollan aspectos de la teora
de opciones reales aplicada a la evaluacin de proyectos de
inversin en tecnologa en un contexto de incertidumbre.
En el tercero se enfoca el problema en un contexto de
incertidumbre analizando el impacto de eventos extremos.
Los siguientes captulos abordan la teora del Control
ptimo en un contexto incierto y la utilizacin de Fuzzy
Clustering para la administracin de riesgo crediticio.
En los ltimos captulos se estudia la aplicacin de la Teora
de Eventos Extremos para la evaluacin de riesgos y se describe la
Regulacin de mercado asegurador en Argentina.
Queremos en esta oportunidad agradecer profunda-mente a
los docentes, investigadores, y alumnos del Centro de Investigacin que con su entusiasmo y perseverancia contribuyeron a
la realizacin y publicacin de esta obra.
Mara Teresa Casparri
Alicia Bernardello
Javier Garca Fronti

LA TEORA DE OPCIONES REALES APLICANDO

MATEMTICA BORROSA: VALUACIN DE UN
PROYECTO DE INVERSIN EN TECNOLOGA1

Autores:
Ezequiel Agustn Mrquez
Daro Roberto Bacchini
Javier Garca Fronti

Este trabajo est realizado en el marco de los Proyectos UBACyT E012 y

E015.
9

10

1.1 Resumen

Entre las metodologas para evaluar proyectos de inversin

en tecnologa, una de las ms utilizadas actualmente es la teora
de Opciones Reales (Benaroch, 2001 y 2002)

(Benaroch y

Kauffman, 1999) la cual permite evaluar las posibilidades de una

empresa de flexibilizar la inversin de acuerdo a distintos
escenarios. Esta teora asume que el valor presente del beneficio
neto futuro esperado es un valor cierto, lo cual es de difcil
aplicacin en contextos tecnolgicos. Asimismo, en los casos
donde se instala tecnologa nueva, tampoco la estadstica
tradicional puede dar respuesta debido a la falta de historia
previa. Carlsson y Fullr (2000) permiten que el flujo de fondos
futuro sea borroso (en particular trapezoidal) logrando as
extender la teora a opciones reales borrosas.

La primer parte del presente trabajo aplica esta tcnica a

una inversin tecnolgica con opcin de espera y la contrasta con
la metodologa tradicional, evaluando ventajas y desventajas. La
segunda parte presenta una extensin que permite contemplar los
eventos extremos en los flujos futuros que se observan

en los

pases emergentes y en particular en Argentina. Se utiliza una

metodologa hbrida que extiende el modelo borroso modelando los

11

futuros saltos negativos en los beneficios del proyecto con una

distribucin de Poisson.

Palabras Clave: Inversin en Tecnologa, Valuacin de Opciones

Reales, Nmeros Borrosos, Eventos Extremos.

1.2

Introduccin

En los ltimos aos ha habido un gran desarrollo de la

teora de Opciones Reales. Esta teora, a diferencia de la
metodologa tradicional del Valor Actual Neto (VAN), permite
valuar la posibilidad de la empresa de intervenir en el desarrollo
de un proyecto, brindando una mayor flexibilidad en la toma de
decisiones. Esta flexibilidad tiene un valor que no se refleja en el
VAN, y que se puede obtener a travs de las Opciones Reales. Los
trabajos de Benaroch (2001, 2002) son una introduccin a la
teora de Opciones Reales, en los cuales desarrolla distintos
mtodos de valuacin. Asimismo, Benaroch y Kauffman (1999)
utilizan la metodologa para valuar un proyecto real de una
inversin en tecnologa.
Sin embargo, esta teora presenta algunos problemas. Una
de las variables principales en la valuacin de una Opcin Real es
el valor presente del flujo de fondos futuros de la inversin. Estos

12

flujos de fondos son estimados, ya que no existe certeza respecto a

su verdadero valor. Por lo tanto una mala estimacin de dichos
valores llevara a tomar una mala decisin. En las inversiones en
tecnologa este problema es an ms grave, ya que no existe
informacin pasada de la nueva tecnologa, y por lo tanto no es
aplicable la estadstica clsica. Carlsson y Fullr (2000) y
Carlsson y Majlender (2005) introducen un nuevo enfoque basado
en la matemtica borrosa: las Opciones Reales Borrosas.
En este trabajo nos basamos en el modelo de Opciones
Reales Borrosas presentado en dichos trabajos y lo utilizamos en
la valuacin de una opcin de inversin en tecnologa. La
aplicacin de la matemtica borrosa a las Opciones Reales
permite representar los flujos de fondos futuros por medio de una
distribucin

de

posibilidades,

de

esta

forma

captar

la

incertidumbre que estos presentan.

La estructura del trabajo es la siguiente. En la Seccin 2 se
explica la metodologa utilizada para valuar una Opcin Real
desde el enfoque probabilstico. En la Seccin 3 se incorpora al
modelo la matemtica borrosa para reflejar la incertidumbre en
los flujos de fondos de la inversin. En la Seccin 4 se desarrolla
un ejemplo numrico de aplicacin del mtodo. Finalmente, la
Seccin 5 concluye.

13

1.3 Valuacin de una Opcin Real Probabilstica

La teora de Opciones Reales surge como una alter-nativa al
criterio del Valor Actual Neto para valuar proyectos de inversin.
Una Opcin Real es una posibilidad de flexibilizar una inversin,
entre las que encontramos las opciones de diferir, de modificar o
de abandonar una inversin. Estas opciones son muy similares a
las opciones financieras y por lo tanto los mtodos de valuacin se
tomaron de dicha teora. Uno de los principales es la frmula
desarrollada por Black y Scholes (1973) para la valuacin de
opciones de compra. En el mismo ao Merton (1973) extendi
dicha frmula para la valuacin de activos que pagan dividendos,

C0 = S0 e T N (d1 ) Xe T N (d 2 )
donde

2
S
ln 0 + r +
T
2
X
d1 =
,
T

d 2 = d1 T

y donde

C0

= valor de la opcin de compra

S0

= precio del activo

N ( ) = funcin de distribucin acumulada para una

14

variable

normal estandarizada

= precio de ejercicio

= tasa de inters anual libre de riesgo con capitalizacin

continua

= fecha de vencimiento de la opcin

= desvo estndar

= dividendos que paga el activo durante la vida de la opcin

Existen otros modelos para la valuacin de opciones, pero la

frmula de Black y Scholes es una de las ms utilizadas. Para una
introduccin a la teora de valuacin de opciones, vase Hull
(2000).
Para la valuacin de Opciones Reales se utiliza esta misma
frmula, pero cambiando algunas de las variables del modelo. La
diferencia principal es que el activo que se est valuando es un
activo real y no un activo financiero. Una de las caractersticas
que debe presentar un proyecto de inversin para que se pueda
aplicar esta teora es que el mismo no sea ahora o nunca, es
decir que el proyecto se pueda realizar en cualquier momento del
tiempo. Por lo tanto, la pregunta que se hace la empresa no slo
es si debe realizar la inversin o no, sino tambin cundo
realizarla, en qu escala, etc. La regla de decisin que surge a
partir de esta teora es que la empresa debe invertir si el valor

15

actual neto de la inversin es lo suficientemente grande como

para compensar el valor de la opcin. Distintos modelos de
valuacin de Opciones Reales, as como el contexto en el cual son
aplicados se puede encontrar en Dixit y Pindyck (1994). Tomando
el mismo modelo utilizado para valuar opciones financieras
(Benaroch, 2001), (Benaroch, 2002), el precio de una opcin real
es:

VOR = S0 e- d T N ( d1 ) - Xe- rT N ( d 2 )
donde

2
S
ln 0 + r +
T
2
X
d1 =
,
T

d 2 = d1 T

y donde

VOR = valor de la opcin real

S0

= valor actual de los flujos de fondos esperados

N ( ) = es la funcin de distribucin acumulada para una

variable normal estandarizada

= valor de los costos de la inversin

= tasa de inters anual libre de riesgo con

16

capitalizacin continua

= fecha de vencimiento de la opcin

= volatilidad de los flujos de fondos esperados

= ingresos perdidos durante la duracin de la opcin

Si bien las frmulas de una y otra opcin son similares,

existe una diferencia sustancial en la aplicacin de ambas
opciones.

Las

opciones

financieras

pueden

usarse

libre

independientemente, mientras que las opciones reales se utilizan

para tomar decisiones estratgicas dentro de la empresa, donde la
decisin de tomar una opcin debe considerar a la empresa como
un todo, es decir las opciones reales no se utilizan libremente.

1.4 Valuacin de una Opcin Real, enfoque hbrido

En la frmula para la valuacin de opciones reales

presentada en la seccin anterior, el activo subyacente es el valor
actual de los flujos de fondos esperados, mientras que el precio de
ejercicio es el costo de la inversin. stos no son valores ciertos al
momento de valuar la opcin (como s lo es el precio del activo
subyacente en el caso de una opcin financiera), sino que
presentan cierta incertidumbre en relacin a su verdadero valor.
Por esta razn, presentamos en esta seccin un modelo que

17

permite valuar una opcin real aplicando la frmula de Black y

Scholes pero considerando que el valor actual de los flujos de
fondos y el costo de la inversin son valores inciertos, utilizando
nmeros

borrosos

(Carlsson

Fullr,

2000),

(Carlsson

Majlender, 2005).
Podemos estimar el valor actual de los flujos de fon-dos a
partir de una distribucin de posibilidad trapezoidal de la forma:

S0 = ( s1 , s2 , a , b )
donde [ s1 , s2 ] es el centro del nmero borroso S0 y es el intervalo
que contiene los valores ms posibles del valor actual de los flujos
de fondos,

( s2 +

b ) es el valor ms alto que puede tomar el valor

actual y ( s1 - a ) es el valor ms chico del mismo.

Asimismo, podemos estimar los costos esperados por medio
de otra distribucin de posibilidad trapezoidal de la forma:

X = ( x1 , x2 , , )
donde el intervalo
costo esperado,

[ x1 , x2 ]

( x1 + )

contiene los valores ms posibles del

es el valor ms alto que pueden tomar

los costos y ( x1 ) es el menor valor para los mismos.

En este contexto, podemos utilizar la siguiente frmula para
calcular el valor de una opcin real borrosa:

18

VORB = S0 e- d T N ( d1 ) - Xe- rT N ( d 2 ) ,
donde,

E ( S0 )
2
ln
+
r

T
E ( X )
2

d1 =
,
T

d 2 = d1 T

E ( S0 ) es el valor esperado del valor actual de los flujos de

fondos futuros, E ( X ) es el valor esperado de los costos y

( S0 ) es la varianza del valor actual de los flujos de fondos

esperados.
A partir de las operaciones aritmticas para nmeros
borrosos trapezoidales podemos encontrar una expresin para el
valor de una opcin real borrosa:

VORB = ( s1 , s2 , , ) e T N ( d1 ) ( x1 , x2 , ', ') e rT N ( d 2 ) =

(s e
1

N ( d1 ) x2 e rT N ( d 2 ) , s2 e T N ( d1 ) x1e rT N ( d 2 ) ,

a e- d T N ( d1 ) + b ' e- rT N ( d 2 ) , b e- d T N ( d1 ) + a ' e- rT N ( d 2 ))
El valor de una opcin real en este contexto es un nmero
borroso, en el cual los valores ms posibles que puede tomar el
valor

de

la

opcin

se

encuentran

en

el

intervalo

s1e T N ( d1 ) x2e rT N ( d2 ) , s2e T N ( d1 ) x1e rT N ( d2 ) , el mximo valor

19

- dT

que puede tomar la opcin es a e

tras que el mnimo es

N ( d1 ) + b ' e- rT N ( d2 )) mien-

( b e- d T N (d1 ) + a ' e- rT N (d 2 )) .

1.5 Una Aplicacin Prctica

Supongamos una empresa que desea hacer una inversin

para la renovacin y el mantenimiento de un nuevo sistema
informtico, por un plazo de 10 aos. Luego de un estudio de
mercado, la empresa estima que la inversin generar ingresos
que pueden ser representados por el siguiente nmero borroso:

S0 = ($600.000; $900.000;$250.000; $250.000)

Figura 1: Distribucin de posibilidades del valor actual de los flujos de

fondos futuros.

A su vez, se cree que los costos de la misma pueden ser representados por otro nmero borroso:

20

X = ($900.000; $1.100.000;$200.000; $200.000)

Figura 2: Distribucin de posibilidades del valor actual de los costos

esperados.

La empresa espera una tasa libre de riesgo del 4% anual,

mientras que estima perder un 3% de los ingresos por diferir la
inversin.
Para obtener el valor de la opcin necesitamos calcular
previamente los valores esperados de los flujos de fondos y los
costos, as como el desvo estndar de los flujos de fondos:

E ( S0 ) =
E ( X )=
( S0 ) =

$600.000 + $900.000 $250.000 - $250.000

+
= $750.000
2
6

$900.000 + $1.100.000 $200.000 - $200.000

+
= $1.000.000
2
6

( $900.000 $600.000 )
4

( $900.000 $600.000 )( $250.000 + $250.000 ) + ( $250.000 + $250.000 )

6

21

24

 ( S0 ) = $240.658,82
El valor que vamos a utilizar para la frmula de Black &
Scholes es el porcentaje del desvo estndar sobre el valor
esperado:

( S0 )

E ( S0 )

$240.658,82
= 0,3209 . Este valor se denomina
$750.000

coeficiente de variacin. El desvo estndar es una medida de

variabilidad que se encuentra dimensionada por el valor esperado
de la variable, mientras que el coeficiente de variacin permite
obtener una medida de variabilidad absoluta, que no depende de
la magnitud del valor esperado. A partir de aqu se denotar

( S0 )

a este coeficiente de variacin.

Los clculos los podemos realizar en una planilla de Excel de

la siguiente manera:

Figura 3: Clculo de los valores de la Opcin Real Borrosa

El valor de la Opcin Real es el nmero borroso:

22

VORB = ($98.252, 37; $270.232, 98;$148.777, 37; $148.777, 37 )

Figura 4: Distribucin de posibilidades del valor de la Opcin Real

De esta manera obtenemos un conjunto de valores

posibles para la Opcin Real, que amplan la capacidad de la
empresa para tomar decisiones sobre la inversin que planea
realizar.

1.6 Eventos extremos en la valuacin de inversiones

En este trabajo se present un enfoque hbrido para la

valuacin de opciones reales, en el cual se utilizan nmeros
borrosos trapezoidales para la estimacin del valor actual de los
flujos de fondos y para los costos de la inversin. La incorporacin
de los nmeros borrosos nos permite agregar incertidumbre al
modelo, haciendo de ste un modelo ms realista. La eleccin de

23

los nmeros borrosos como fuente de incertidumbre se basa en

que los mismos pueden ser estimados de manera bastante
aproximada por un experto de la empresa que est trabajando en
el proyecto.
Este enfoque de valuacin de Opciones Reales se puede
ampliar

considerando

otros

procesos

que

describan

el

comportamiento del valor del proyecto. En el caso de este trabajo

se parte de la frmula de Black-Scholes, que supone que el valor
del proyecto sigue un movimiento browniano geomtrico, lo cual
produce una distribucin log-normal para el mismo entre dos
momentos en el tiempo. Sin embargo, existen otros modelos que
suponen otro comportamiento, como es el caso del modelo de
difusin con saltos propuesto por Merton (1976).
Merton considera que este modelo es ms representativo
de lo que sucede en el mercado, ya que se pueden producir
cambios bruscos en los precios de los activos debido a la llegada
de nueva informacin relacionada con el activo, los cuales no son
modelados por medio del modelo de Black-Scholes. Este modelo
incorpora

un

nuevo

componente

de

aleatoriedad

al

comportamiento del activo subyacente, a travs de un proceso de

Poisson. El proceso de Poisson permite modelar estos saltos en los
precios de los activos.
En el contexto de las Opciones Reales, el activo subyacente

24

(el valor del proyecto) depende del comportamiento de la economa

que tambin puede sufrir cambios bruscos, en especial las
economas emergentes, como es el caso de la Argentina. Por lo
tanto, en esos casos es ms apropiado el uso de un modelo de
difusin con saltos en lugar de la frmula de Black-Scholes.
La frmula obtenida por Merton es la siguiente:

VOR =

e (1+ m )T ( (1 + m ) T )

n=0

n!

FBS ( S0 , n , rn , T )

donde,

= es el parmetro de la distribucin de Poisson que

describe los saltos

FBS = es la frmula de Black-Scholes con una nueva volatilidad y

una nueva tasa de inters definidas por

n2 = 2 +

n ln (1 + m )
n 2
y rn = r m +
T
T

m = es la amplitud media de cada salto, los cuales siguen

una

distribucin log-normal

Queda para futuros trabajos la incorporacin de la

matemtica borrosa a este modelo, lo cual no es tarea sencilla ya

25

que la expresin contiene infinitos trminos. Sin embargo, la

misma se puede truncar, dejando fuera de la expresin trminos
no significativos. La incorporacin de la matemtica borrosa a la
frmula permitira obtener un modelo ms apropiado para valuar
Opciones Reales en economas emergentes y con un componente
de incertidumbre que brinda posibilidades de decisin ms
amplias.

1.7 Conclusiones

En el presente trabajo se introdujo un modelo de valuacin

de Opciones Reales Borrosas, basado en los modelos de Carlsson
y Fullr (2000) y Carlsson y Majlender (2005). El modelo es una
extensin del modelo clsico de valuacin de

Opciones Reales

basado en la frmula desarrollada por Black y Scholes (1973). Por

medio de la incorporacin de la matemtica borrosa se intenta
obtener un modelo ms cercano a la realidad, dado que le agrega
al modelo un componente de incertidumbre, que el modelo
original no posee.
A diferencia de las opciones financieras, las variables que
se utilizan para calcular las Opciones Reales no son ciertas, sino
que son valores estimados a partir de la experiencia y las

26

expectativas de la empresa. Por lo tanto, los modelos clsicos se

limitan a tomar un valor nico, cuando existe un conjunto de
resultados posibles dados por esta incertidumbre.
Al

incorporar

la

matemtica

borrosa,

las

variables

utilizadas en el modelo se representan por medio de nmeros

borrosos, que permiten captar la incertidumbre de dichas
variables. De esta manera, el valor de la Opcin Real es un
nmero borroso, brindndole a la empresa mayor informacin
respecto de la inversin, como se observa en la aplicacin de la
cuarta seccin.
Por ltimo, dejamos pendiente para futuros trabajos el
desarrollo de una frmula de valuacin de Opciones Reales
Borrosas utilizando el modelo de Merton (1976), descrito en la
quinta seccin. Este modelo permite representar la ocurrencia de
eventos extremos por medio de un proceso de Poisson. As
obtenemos un modelo ms adecuado para valuar Opciones Reales
un contexto de riesgos extremos, como es el caso de las
economas emergentes, por ejemplo Argentina.

27

1.8 Bibliografa:

Benaroch, M. (2001). Option-Based Management of

Technology Investment Risk, IEEE Transactions on
Engineering Management, Vol. 48, No. 2 (November
2001), pp. 428-444.
Benaroch, M. (2002). Managing Information Technology
Investment Risk: A Real Option Perspective, Journal of
Management Information Systems, Vol. 19, No. 2 (Fall
2002), pp. 43-84.
Benaroch, M. and R. J. Kauffman (1999). A Case for
Using

Real

Options

Pricing

Analysis

to

Evaluate

Information Technology Project Investments, Information System Research, Vol 10, No. 1 (March 1999), pp.
70-86.
Black, F. and M. Scholes (1973). The pricing of options
and corporate liabilities, Journal of Political Economy,
81, 637-659.

28

Carlsson, C. and R. Fullr (2000) On fuzzy real option

valuation Turku Centre for Computer Science Technical
Report No 367. Finland.
Carlsson, C. and P. Majlender (2005) On Fuzzy Real
Option Valuation, working paper presented at the 9th
Annual International Conference on Real Options Paris, France
Dixit, A. K. and R. S. Pindyck (1994). Investment under
Uncertainty. Princeton, N.Y: Princeton University Press.
Hull, J. C. (2000). Options, Futures & Other Derivatives.
New York: Prentice-Hall. Fourth Edition
Merton, R. (1973). Theory of rational option pricing,
Bell Journal of Economics and Management Science, 4,
141-183.
Merton, R. (1976). Option pricing when underlying
stock returns are discontinuous, Journal of Financial
Economics 3, 125-144.

29

30

VALUACIN DE OPCIONES REALES EN UN CONTEXTO DE

INCERTIDUMBRE Y RIESGOS EXTREMOS: LA OPCIN DE
DIFERIR UN PROYECTO DE INVERSIN EN TECNOLOGA
2

Autores
Ezequiel Agustn Marquez
Roberto Daro Bacchini
Javier Garca Fronti

Este trabajo est realizado en el marco de los Proyectos UBACyT E012 y

E015.
31

32

2.1 Resumen
En los ltimos aos ha habido un gran desarrollo de la
teora de Opciones Reales y hoy es una herramienta fundamental
a la hora de evaluar un proyecto de inversin en tecnologa. Esta
teora basa su metodologa en la Teora de Valuacin de Opciones,
adaptando sus dos principales modelos (el binomial y el de BlackScholes) para la valuacin de Opciones Reales.
En este trabajo discutimos la incorporacin de incertidumbre en uno de dichos modelos, el modelo binomial, utilizando
variables aleatorias en lugar de los flujos de fondos ciertos
utilizados

en

el

modelo

original.

Asimismo,

incluimos

la

posibilidad de ocurrencia de eventos extremos por medio de una

variable de Poisson (Merton, 1976). Estas modificaciones permiten
tener mayor informacin respecto a los posibles resultados de la
inversin. Adems, la incorporacin de eventos extremos permite
aplicar este modelo en economas emergentes, como la Argentina,
donde su comportamiento es ms inestable que el de los pases
desarrollados.

33

2.2 Introduccin

El aspecto ms importante en la evaluacin de un proyecto

de inversin es que la inversin debe crear valor. En este sentido,
las ganancias que sta genera deben ser mayores que su costo. El
criterio del Valor Actual Neto (VAN) es una metodologa sencilla y
eficaz para tomar decisiones de este tipo. Para una exposicin
detallada del criterio del VAN vase Brealey y Myers (1993). Sin
embargo, este mtodo refleja una actitud pasiva por parte de los
inversores, es decir, se considera el flujo de fondos de la inversin
pero no la posibilidad de que los directivos tomen decisiones ante
los distintos escenarios que pueden presentarse. La teora de
opciones reales aparece como una nueva alternativa que permite a
las empresas valuar esas posibilidades y modelar el proyecto de
inversin, incorporando una mayor flexibilidad en la toma de
decisiones. Estas alternativas que presenta la inversin son las
que se denominan opciones reales.
Benaroch (2001, 2002) introduce las opciones reales,
detallando sus caractersticas, as como su clasificacin. Tambin
presenta los mtodos de valuacin y cmo seleccionar la mejor
estrategia ante distintas posibilidades de inversin. Benaroch y
Kauffman (1999) aplican la teora de Opciones Reales para valuar
un proyecto de inversin en tecnologa real y evalan las ventajas

34

que presenta este mtodo sobre los dems. Distintos modelos de

valuacin de Opciones Reales, as como el contexto en el cual son
aplicados se puede encontrar en Dixit y Pindyck (1994). Por otro
lado, el libro de Copeland y Antikarov (2001) est orientado a los
practitioners e incluye distintos casos de Opciones Reales y cmo
aplicarlos en una inversin real.
Los mtodos de valuacin de Opciones Reales se tomaron de
la teora de valuacin de opciones financieras. Esta teora se
desarroll a partir de los trabajos de Black y Scholes (1973), y
Merton (1973), quienes introdujeron la conocida frmula de
Black-Scholes,

fundamentada

en

el

clculo

estocstico.

Posteriormente, Cox, Ross y Rubinstein (1979) presentaron un

modelo simplificado del anterior, conocido como modelo binomial.
Para una introduccin a la teora de valuacin de opciones, vase
Hull (2000).
En este trabajo se presenta un modelo basado en el
esquema binomial para la valuacin de Opciones Reales en un
contexto de incertidumbre. En el modelo se utilizan variables
aleatorias para describir la incertidumbre del flujo de fondos, y se
agrega una funcin de prdida que sigue una distribucin de
Poisson. En Landro (2002) se puede encontrar un desarrollo
detallado de las distintas distribuciones de probabilidad. Daykin,
Pentikinen y Pesonen (1996) desarrollan distintas composiciones

35

de la distribucin de Poisson con otras distribuciones. En el

contexto de las opciones, Merton (1976) presenta un modelo de
valuacin de opciones combinando el movimiento Browniano,
utilizado por Black y Scholes para desarrollar su frmula, con un
proceso de saltos o de Poisson.
La organizacin del trabajo es la siguiente. En la seccin 2
se presenta la teora de Opciones Reales, describiendo las
principales caractersticas de la misma. En la seccin 3 se
desarrolla un modelo de valuacin de Opciones Reales en un
contexto de incertidumbre y riesgos extremos. La seccin 4
concluye.

2.3 La Teora de Opciones Reales

2.3.1 Opciones Reales: un agregado de valor

Copeland y Antikarov (2001) definen a las Opciones Reales

como un derecho, pero no una obligacin, de tomar una accin a
un determinado costo por un perodo predeterminado. Cuando
una empresa debe decidir sobre una inversin, tiene distintas
alternativas que puede evaluar. En primer lugar, cul es el mejor
momento para llevar a cabo la inversin, es decir, la posibilidad
de diferir por un tiempo el inicio de la inversin. Una vez realizada

36

la inversin, y mientras el proyecto est en marcha, existen otras

alternativas, entre ellas, la empresa puede elegir por expandir la
inversin, reducir la inversin, abandonarla, etc.
Estas son algunas de las Opciones Reales que puede
contener una inversin. El objetivo de la teora de Opciones Reales
es precisamente valuar estas opciones, y de esta manera,
considerar la flexibilidad de las inversiones y las decisiones
gerenciales que pueden alterar una inversin y que, de ser tenidas
en cuenta, pueden cambiar las decisiones de inversin.
A diferencia de esta teora, el criterio del Valor Actual Neto
(VAN) slo considera el flujo de fondos esperados que genera la
inversin inicial, y en este sentido, es un anlisis esttico, no se
analiza la posibilidad de modificar la inversin de acuerdo a las
contingencias que ocurran a lo largo de la vida del proyecto. Esto
llev a que muchas empresas que basaban sus decisiones de
inversin en el criterio del VAN, tengan en cuenta otras
caractersticas de las inversiones. Por ejemplo, el lanzamiento de
una nueva lnea de un producto para acceder a nuevos mercados
puede tener un valor estratgico que no est incluido en el VAN.
La teora de Opciones Reales busca cubrir esta falencia del
VAN. El valor de las Opciones Reales se fundamenta en la
incertidumbre que genera una inversin. El flujo de fondos que
produce una inversin estn sujetos a distintos factores, los

37

cuales dan lugar a varios escenarios. En cada uno de estos

escenarios, la empresa puede tomar acciones para producir
mayores ganancias o reducir las prdidas. Esta flexibilidad es la
se intenta valorar por medio de las Opciones Reales.
Finalmente, el valor de las Opciones Reales se puede agregar
al valor del VAN, obteniendo un nuevo valor de la inversin. Con
este propsito, Benaroch (2001, 2002) diferencia entre dos
conceptos distintos del VAN. Por un lado, denominaremos Valor
Actual Neto pasivo (VANP) al valor actual neto del flujo de fondos
futuros de la inversin. El VANP no incluye el valor de las opciones
reales ya que este no es un flujo de fondos. El objetivo es estimar
de forma separada el valor de las opciones reales, sumarlo al VANP
y as obtener un nuevo valor actual, al que denominaremos Valor
Actual Neto activo (VANA). Por lo tanto, el valor de una inversin
queda determinado de la siguiente manera:

VANA = VANP + valor de las opciones reales

Vemos que agregando el valor de las Opciones Reales, el

valor de un proyecto de inversin es mayor que sin considerar las
mismas. Por lo tanto, la decisin de inversin en un proyecto
puede variar dependiendo del criterio que se utilice.

38

2.3.2 Las Opciones Reales en un Proyecto de Inversin

Benaroch (2001, 2002) presenta una clasificacin de las

Opciones Reales en la cual asocia las mismas a los distintos
riesgos que se identifican en una inversin. Asimismo, se plantea
como aprovechar esos riesgos a partir de las opciones. Las
principales opciones reales que puede contener una inversin son
las siguientes:

Diferir: Al momento de decidir sobre una inversin, la

empresa puede tomar la opcin de diferir la inversin por un
tiempo. De esa manera, la empresa puede investigar y tener
una mayor certeza de los resultados posibles de la inversin y
los posibles riesgos de hacer la inversin.

Invertir en etapas: La empresa puede realizar la inversin en

distintas etapas. Al realizar la inversin en distintas etapas la
empresa tiene la opcin de no invertir en etapas futuras
debido a que las expectativas son negativas, y retomar el
proyecto ms adelante, cuando las condiciones sean ms
favorables. Otra ventaja de esta opcin es que al no realizar la
inversin en forma completa, la empresa puede abandonar la
inversin y tener una prdida inferior a la obtenida si hubiese
realizado la inversin a gran escala en un primer momento

Tercrizar: La empresa puede tercerizar parte del proyecto y de

39

esta forma trasladar los riesgos de la inversin a terceros.

Explorar: Otra opcin que tiene la empresa es realizar una

prueba piloto de la inversin, por medio de la cual puede
estudiar la viabilidad del proyecto. Al igual que la inversin en
etapas, tienen la ventaja de reducir las prdidas en caso que la
inversin no sea rentable.

Ampliar o reducir la inversin: Una vez realizada la

inversin, la empresa puede ampliar o reducir la misma de
acuerdo a los resultados que va obteniendo y a las nuevas
condiciones a las que se enfrenta. Dentro de esta opcin
tambin puede suspender el proyecto si las condiciones son
desfavorables, y retomarlo cuando las condiciones favorables
se reestablezcan.

Abandonar: Siguiendo el ejemplo anterior, ante condiciones

desfavorables, la empresa puede abandonar el proyecto para
redestinar los recursos a inversiones ms rentables.

Alquilar los recursos: Si la empresa desea evitar grandes

prdidas, tiene la opcin de alquilar parte de los recursos. As,
si se decide abandonar el proyecto, las prdidas van a ser
mnimas, ya que no se hizo una gran inversin en recursos.

Cambiar insumos y productos: La empresa se puede permitir

cierta flexibilidad en cuanto a su produccin y a los insumos
que utiliza, de manera que ante cambios en los precios, la

40

empresa pueda cambiar su composicin para tener un mayor

resulta

2.3.3 Las Opciones Reales y las Opciones Financieras

Para entender como las opciones reales incrementan el valor

de la inversin, debemos remitirnos a las opciones financieras.
Dado un activo financiero, podemos decir que un inversor est
expuesto al riesgo y por medio de la compra/venta de una opcin
el inversor pasa a estar en una posicin cubierta. Si el inversor
posee un activo financiero, la compra de un put (opcin de venta)
le cubre la posibilidad de que el precio del activo disminuya en el
futuro, mientras que si el inversor desea adquirir un activo en el
futuro, la compra de un call (opcin de compra) le permite
cubrirse si es que el precio del activo aumenta.
A partir de este mecanismo podemos hacer una analoga
para describir el funcionamiento de las opciones reales y hallar el
valor de dicha opcin. El valor de la posicin expuesta de un
inversor financiero es anlogo al VANP de una inversin, el valor
de la opcin financiera es anlogo al valor de la opcin real
contenida en la inversin, y el valor de la posicin cubierta de un
inversor financiero es anlogo al VANA de una inversin.

41

2.3.4 Una metodologa para valuar las Opciones Reales

Benaroch (2002) expone una metodologa para maximizar el

VANA de una inversin, la cual tiene por objetivo evaluar distintas
configuraciones de inversin de acuerdo a las opciones que se
consideren. La metodologa parte de definir los riesgos, es decir,
las posibles contingencias que sufra el proyecto a lo largo de su
vida. A partir de dichos riesgos, se identifican las opciones que
pueden aprovechar la incertidumbre o protegerse de la misma. En
cada

momento,

distintas

opciones

pueden

utilizarse

para

aprovechar un mismo riesgo, por lo tanto, existen diferentes configuraciones o estructuras de la inversin. Una vez definidas las
configuraciones posibles, el ltimo paso es definir cual de todas es
la que maximiza el valor de la inversin. Esto lo podemos hacer
calculando el VANA para cada una de las configuraciones. La que
agregue ms valor a la inversin es la configuracin ptima.
Para valuar las Opciones Reales, y en consecuencia las
configuraciones de inversin, podemos usar los mismos modelos
que se usan para la valuacin de opciones financieras. Los dos
modelos principales son el modelo binomial (Cox, Ross y
Rubinstein, 1979) y el modelo de Black-Scholes (Black y Scholes,
1973). El primero supone que el activo subyacente (S) sigue una
distribucin binomial, el cual puede tomar, despus de un perodo

42

de tiempo Dt , un valor mayor, igual a uS, con probabilidad q o

puede disminuir y tomar un valor dS con probabilidad ( 1- q ),
donde d < 1 + rf < u , y rf es la tasa de inters libre de riesgo.
Dado el precio de ejercicio (K), el valor de la opcin en Dt puede
ser Vu = max ( uS - K ; 0) o Vd = max ( dS - K ; 0) . Considerando una
nueva probabilidad, la probabilidad libre de riesgo, p =

1 + rf - d
u- d

el valor de la opcin la podemos escribir como sigue:

V=

pVu + (1- p ) Vd
1 + rf

Aplicando esta frmula en forma recursiva, podemos valuar

una opcin que vence dentro de n perodos, donde Dt =

T
, y T es
n

la fecha de vencimiento de la opcin.

En el contexto de las Opciones Reales, debemos cambiar
algunas de sus variables. El activo subyacente, que lo vamos a
denotar VA, es el valor actual del flujo de fondos que genera la
inversin, mientras que el precio de ejercicio de la opcin ser el
costo de realizar el proyecto, y lo denotamos I. Por lo tanto, la
frmula en el caso de las Opciones Reales ser la siguiente:

43

pVu + (1- p ) Vd

V=

1 + rf

p max (uVA - I ; 0) + (1- p ) max ( dVA - I ; 0)

1 + rf

A diferencia del modelo binomial, el modelo de Black-Scholes

supone que el activo subyacente, VA, sigue una distribucin logNormal. La frmula a la que arribaron es la siguiente:

- rf T

V = VAN (d1 ) - e

I N (d 2 ),

donde

ln(
d1 =

VA
1
) + rf + 2 T
2
I

,
T

d 2 = d1 T ,
N ( ) es la funcin de distribucin acumulada para una variable
Normal estandarizada, T es la fecha de vencimiento de la opcin,
- rf T

es el factor de descuento utilizando la tasa de inters libre

de riesgo y es la volatilidad (el desvo estndar) de la tasa de

rentabilidad del proyecto.
Ambos modelos requieren la estimacin de los distintos
parmetros involucrados. En general, la mayora de los par-

44

metros son conocidos o bien su estimacin es sencilla. Sin

embargo, la estimacin de la volatilidad es ms complicada,
siendo uno de los principales problemas al calcular el valor de
una opcin.
Por ltimo, una vez valuada la opcin, es importante realizar
un anlisis de sensibilidad para estudiar como se modifica el valor
de la opcin ante cambios en los distintos parmetros del modelo.
Para esto es til el anlisis de sensibilidad utilizado por el modelo
de Black y Scholes, por medio de las denominadas Letras
Griegas.

2.4

El Modelo

A continuacin presentamos una extensin del modelo

binomial para valuar opciones reales (Benaroch, 2001, 2002), en
el cual se incorporan variables aleatorias para representar la
incertidumbre que existe en el flujo de fondos. Adems, se agrega
otro elemento de aleatoriedad con el objetivo de simular la
ocurrencia de un evento extremo.
A lo largo de este trabajo vamos a considerar un caso
particular de Opcin Real: la opcin de diferir la inversin. Esta
opcin supone que una empresa realiza una inversin irreversible,
es decir, no existe un valor de recupero de la misma, o este es

45

muy bajo, y que la inversin no es del tipo ahora o nunca, es

decir, la posibilidad de invertir no se pierde en los perodos
futuros (Dixit y Pindyck, 1994). En este contexto, la decisin de
inversin no slo se basa en que el VAN sea positivo, sino que
surge una nueva pregunta: cul es el mejor momento para
invertir?

2.4.1 El esquema binomial

Para simplificar el anlisis, vamos a considerar un esquema

binomial de dos perodos. Una inversin genera un flujo de fondos
( FFt ) a lo largo del plazo que dura el proyecto. Denominamos VA
al valor actual del flujo de fondos futuros:
n

VA =
t =1

FFt

(1 + i )

donde i es la tasa de descuento acorde con el riesgo de la

Inversin correspondiente al perodo de los fondos y n es la
cantidad de fondos.
Supongamos que una empresa puede invertir hoy en un
proyecto que genera un flujo de fondos con valor actual VA0 o
puede esperar un perodo donde tiene dos escenarios, uno donde
la inversin genera un flujo de fondos con valor actual VA1u = uVA0

46

y otro con valor actual VA1d = dVA0 , donde u y d

constantes. Sea rf

son dos

la tasa de inters libre de riesgo, debe

cumplirse que d < 1 + rf < u .

Podemos graficar esta situacin por medio del siguiente
rbol binomial:

V A1u = uVA0
V A0

VA1d = dVA0

Si la empresa decide esperar un perodo, y el valor actual

aumenta, va a realizar la inversin si VA1u > I1 , mientras que si el
valor actual disminuye, va a realizar la inversin si VA1d > I1 ,
donde I1 implica el valor actual del costo de la inversin en el
momento 1. Es decir que el valor de la inversin podra
representarse mediante el siguiente rbol, donde
valor de la opcin de diferir:

47

V0 representa el

V 1 u = m a x (V A1u I 1 ; 0 )

V0
V1 d = m ax(V A1d I 1 ; 0)
Esta opcin, y las opciones reales en general, tienen un
comportamiento muy similar a las opciones financieras, por lo que
su valuacin se realiza por medio de los mismos mtodos. En
particular, se puede observar que la opcin de diferir es anloga a
un Call Americano, donde
subyacente e

VA re-presentara el valor del

I el precio de ejercicio.

Por lo tanto, siguiendo el modelo introducido por Cox, Ross y

Rubinstein (1979), tenemos que el precio de una Opcin de
Compra se define como:

V0 =

donde p =

1 + rf - d
u- d

pV1u + (1 p )V1d
1 + rf

es la probabilidad de que el Valor Actual

aumente en un contexto libre de riesgo, y V1u y V1d representan el

payoff de la Opcin en cada escenario.
Al comparar el valor de la Opcin de diferir con el Valor

48

Actual Neto hoy, podremos decidir si conviene realizar la inversin

hoy o esperar un perodo.

2.4.2 Una Opcin Real en un contexto de incertidumbre

Cuando una empresa realiza una inversin, no tiene total
certeza de los resultados de la misma. Es decir, los fondos no son
ciertos, sino que presentan cierta incertidumbre. Esa incertidumbre puede ser representada por medio de variables aleatorias que sigan una determinada distribucin de probabilidades.
Podemos tomar una variable aleatoria Normal3 ( Z t ), la cual tiene
como media el valor utilizado para el caso descrito en la seccin
anterior, es decir, E [ Z t ] = FFt . Para describir completamente la
variable Normal es necesario determinar el desvo estndar de la
variable. La deduccin de este parmetro requerir de alguna
metodologa de estimacin, y la misma se llevar a cabo teniendo
en cuenta los riesgos de la inversin. Dicha metodologa est
fuera de los alcances del presente trabajo.
Sea ( Z ) el desvo estndar de cada flujo de fondos, tenemos
t
que cada flujo de fondos sigue una distribucin Normal:

Z t : N FFt ; ( Zt )

La distribucin aqu utilizada fue arbitraria. La seleccin de la misma depende

del riesgo inherente en la inversin. 49

Finalmente, vamos a asumir que la inversin genera

solamente flujos positivos, por lo tanto definimos una nueva
variable aleatoria para describir los flujos de fondos4:

X t = max ( Z t ; 0)
De esta manera, el Valor Actual del flujo de fondos futuros
es una suma de variables aleatorias Normales y, por lo tanto,
tambin ser una variable aleatoria:
n

VA aleatorio =
t =1

Xt

(1 + i )

Utilizando esta variable en el esquema binomial presentado

anteriormente, tenemos que tanto VA0 como VA1u

y VA1d

son

variables aleatorias, a las que denominaremos VA0 aleatorio ,

VA1u aleatorio y VA1d aleatorio , respectivamente. Por lo tanto, el valor

de la Opcin Real en un contexto de incertidumbre es una
variable aleatoria definida de la siguiente manera:

V0 aleatorio =

pV1u aleatorio + (1- p ) V1d aleatorio

1 + rf

donde V1u aleatorio y V1d aleatorio son los payoffs si el valor actual
aumenta,

max (VA1u aleatorio - I ; 0) , o si el mismo disminuye

max (VA1d aleatorio - I ; 0) , respectivamente.

4

Asumimos que los flujos futuros son no negativos. Este supuesto depender de la inversin y no
modifica el anlisis expuesto.
50

2.4.3 Una Opcin Real en un contexto de incertidumbre y

eventos extremos

Finalmente, incorporamos al modelo una variable que

permite describir la ocurrencia de eventos extremos. stos son
sucesos que se presentan excepcionalmente, de manera aleatoria
y que generan un shock sobre el flujo de fondos. En el presente
trabajo

se

considerarn

solamente

shocks

negativos,

pero

aclaramos que los mismos tambin pueden tomar valores

positivos.
Siguiendo la idea de Merton (1976), quien introduce un
proceso de saltos (Poisson) al modelo de Black-Scholes, nosotros
utilizamos una distribucin de Poisson, P ( l ) , para describir la
ocurrencia de un evento extremo. Esta variable de Poisson
representa la cantidad de eventos extremos que se producen por
cada perodo, mientras que el efecto de los mismos sobre el flujo
de fondos est dado por la siguiente variable aleatoria:

St = max ( Lt ; 0) Et

donde Lt N lt ; ( L )
t

representa la prdida generada por cada

evento extremo que se produce en el perodo t , que tiene media lt

y desvo estndar Lt , y Et : P ( l

51

) representa la cantidad de

eventos extremos que suceden en el perodo t , cuya media es l .

Por ser Lt una variable que representa una prdida, carece de
sentido que tome valores negativos, por eso es que tomamos el
mximo valor entre dicha variable y 0.
Definida la funcin de prdida para los eventos extremos, el
flujo de fondos en el perodo t es el siguiente:

Wt = X t - St
donde X t es la variable definida en la Seccin 3.2.
Nuevamente, vamos a considerar que el flujo de fondos slo
toma valores positivos, por lo tanto definimos la siguiente
variable:

Yt = max (Wt ; 0)
Finalmente, podemos definir el Valor Actual del flujo de
fondos, al cual denominamos VA extremo , de la siguiente manera:
n

VA extremo =
t =1

Yt

(1 + i )

Al igual que en la Seccin anterior, utilizamos esta variable

dentro del esquema binomial, cambiando las variables VA0 , VA1u y

VA1d

por

VA0 extremo ,

variables

aleatorias,

VA1u extremo

las

que

denominaremos

VA1d extremo , respectivamente. En

consecuencia, el valor de una Opcin Real en un contexto de

52

incertidumbre y riesgos extremos es la variable aleatoria que se

define a continuacin:

V0 extremo =

pV1u extremo + (1- p ) V1d extremo

1 + rf

donde V1u extremo y V1d extremo son los payoffs si el valor actual
aumenta,

max (VA1u extremo - I ; 0) , o si el mismo disminuye,

max (VA1d extremo - I ; 0) , respectivamente.

2.5

Simulacin
En esta seccin, desarrollamos un modelo de simulacin

para comparar los resultados de aplicar los tres modelos descritos

en la seccin anterior.
Supongamos que una empresa est analizando realizar una
inversin, la cual requiere un desembolso inicial de $25.000. La
empresa espera tener un flujo de fondos mensuales a lo largo de
dos aos por un monto de $1.500. El costo de capital de la
empresa es 24% nominal anual. En la Figura 1 se ilustran los
clculos por medio de una planilla de Microsoft Excel.

53

Figura 1
En este caso, obtuvimos un nico VAN, como resulta de la
metodologa tradicional.
Ahora, incorporemos aleatoriedad al

flujo de fondos, los

cuales siguen una distribucin Normal con parmetros $1.500 y

desvo estndar $500. El costo de la inversin y el costo de capital
de la empresa se mantienen en $25.000 y 24% nominal anual,

54

respectivamente.
Por

mtodos

de simulacin,

que podemos

desarrollar

utilizando Microsoft Excel, podemos encontrar la media del VAN,

como tambin estimar su distribucin de probabilidades, y
obtener otras conclusiones respecto a la viabilidad del proyecto,
como por ejemplo la probabilidad de que el VAN sea negativo. En
la Figura 2 se presenta la planilla de Microsoft Excel que se utiliz
como base para realizar las simulaciones.

Figura 2
Las simulaciones se realizaron con el programa Simulacin
4.0, un programa desarrollado en VBA (Visual Basic for
Applications) por un participante del Doctorado en Direccin de

55

Empresas de UCEMA. Esta planilla es similar a la de la Figura 1,

pero con una nueva columna, encabezada FF(t), que contiene las
variables aleatorias de los flujos de fondos. El programa
Simulacin 4.0 muestra en cada celda que contiene una variable
aleatoria el valor esperado de la misma, que en este caso es
$1.500. Al momento de realizar la simulacin, el programa simula
un valor de cada variable aleatoria en cada iteracin. Estas
variables aleatorias son los Inputs del programa, y la celda
correspondiente al VAN Esperado es el Output. Estos Inputs y
Outputs nos permiten correr la simulacin por medio del
programa. En la siguiente planilla el programa presenta algunos
resultados de las 10.000 simulaciones del VAN:

56

Figura 3
En la Figura 3 tenemos un resumen de algunas de las
medidas de la distribucin del VAN. Entre las ms destacadas,
vemos que la media del VAN es $3.365,96 y su desvo estndar es
$1.975,91. Tambin nos muestra cules son los valores mximo y
mnimo que puede tomar el VAN. La mxima ganancia ser de
$9.982,76, mientras que la mxima prdida ser de $3.814,67.
Puede observarse adems que el promedio de los VAN simulados
es similar a su valor esperado.

57

Finalmente, agregamos al modelo el componente extremo.

Vamos a suponer que el evento extremo ocurre una vez cada 12
meses, por lo tanto el parmetro de la distribucin de Poisson
ser

l =

1
, y que las posibles prdidas por la ocurrencia del
12

evento extremo se distribuyen normalmente con media $200 y

desvo estndar $50. En las Figuras 4 se muestra la planilla base
con la cual se corre la simulacin, mientras que en la Figura 5 se
expone el resumen de la misma.

Figura 4

58

Al igual que la Figura 2, las columnas encabezadas FF(t),

L(t)

E(t)

contienen

las

variables

aleatorias

correspondientes, cuyo valor en cada celda es el valor

esperado de la variable aleatoria, salvo en el caso de la
columna E, cuyo valor esperado es

1
. El programa no
12

arroja este valor porque la variable de Poisson slo toma

valores enteros, por lo tanto redondea hacia el nmero
entero ms cercano, en este caso 0. El programa Simulacin
4.0 realiza el clculo del VAN con esa planilla, simulando las
tres variables aleatorias en cada iteracin.

Figura 5

59

Esta planilla nos resume los resultados de la simulacin.

Observamos que la media del

VAN extremo es $2.987,21,

su desvo estndar es $1.967,93, y la mxima ganancia y la

mnima prdida son $10.918,70 y $4.864,07, respectivamente.
Hasta aqu obtuvimos las distribuciones del VAN, en
sus tres posibilidades. Nos queda simular los modelos de
Opciones Reales. Siguiendo con el mismo ejemplo, tenemos
una empresa que quiere realizar una inversin por un
monto de $25.000, por la cual espera tener un flujo de
fondos mensuales a lo largo de dos aos por $1.500, pero
ahora tiene la opcin de diferir la inversin por un mes. El
costo de capital de la empresa es de 24% nominal anual.
Supongamos que la tasa libre de riesgo es de 4% nominal
anual, y que se espera que el valor actual sea
caso que las condiciones sean favorables, o

1, 25VA0 en

0,8VA0 en caso

contrario.
De la Figura 1 sabemos que

VA0 = $28.370,89 , por lo

tanto, en caso de que las condiciones sean favorables a la

Inversin, el valor actual ser VA1u =1,25$28.370,89 = $35.463, 61 ;
y en caso contrario ser VA1d = 0,8 $28.370,89 = $22.696, 71 . El

60

costo de la inversin en el momento 1 es I = $25.000 . Por

lo tanto, la empresa va a invertir despus de un perodo slo
si el valor actual de los flujos de fondos aumenta, ya que en
el

caso

que

disminuya,

el

VAN

es

negativo

( $22.696,71- $25.000,00 < 0 ). Por ltimo nos queda determinar

p=

1, 0033 - 0,8
= 0, 4519
1, 25 - 0,8

Entonces, el valor de la opcin es el siguiente:

V0 =

( 0, 4519)($35.463, 61- $25.000, 00)

1, 0033

= $4.712, 29

La empresa debe decidir si invierte hoy o espera un

mes, es decir, puede quedarse con la opcin de diferir o
ejercerla hoy invirtiendo en el proyecto. Dicho anlisis es
similar a comparar el Valor de la Opcin Europea con el
Valor Intrnseco de la Opcin (que en este caso estara dado
por el VAN invirtiendo hoy).
Ejercer la opcin hoy tiene un valor de $3.370,89 (el
VAN invirtiendo hoy). Por lo tanto, la empresa debera
quedarse con la opcin de diferir e invertir si aumenta el VA
luego de un mes.

61

Cuando calculamos el VAN para un contexto con

fondos aleatorios, utilizamos un mtodo de simulacin y
encontramos su distribucin de probabilidades. Podemos
utilizar el mismo mecanismo para calcular el valor de la
opcin, simulando el VAN por medio de la misma planilla:

Figura 7

62

Ahora el Output de la simulacin es

V0 . El mecanismo

de la simulacin es el siguiente: en cada iteracin se calcula

el valor de la opcin por medio del modelo binomial, como
en la Seccin 3.1 y se repite este procedimiento para hallar
una distribucin del valor de la opcin.

La Figura 8 pre-

senta los resultados obtenidos por medio del programa

Simulacin 4.0.

Figura 8

63

Una cuestin importante a tener en cuenta cuando

analizamos estos resultados es que el valor de la opcin no
puede ser negativo. Como se puede observar en la figuran
anterior, el mnimo valor de la Opcin es $348,23.
Asimismo, se puede observar el valor medio ($4.745,36), el
desvo estndar ($1.156,06) y el mximo ($10.776,23).
Por ltimo, vamos a considerar a la misma empresa
con la posibilidad de diferir la inversin por un mes, pero
ahora en un contexto donde el flujo de fondos futuros es
aleatorio y adems existe una probabilidad de ocurrencia de
un evento extremo. Nuevamente simulamos el valor de la
opcin de modo anlogo a lo efectuado en la seccin
anterior, pero ahora utilizando el modelo de VAN con
eventos extremos. A continuacin se presentan la planilla
base para realizar la simulacin (Figura 9) y los resultados
de la simulacin (Figura 10).

64

Figura 9

65

Figura 10
Vemos que en un contexto con eventos extremos, la
media y los valores mximo y mnimo que puede tomar la
opcin son menores que si no considersemos el evento
extremo. Sin embargo, la media y el valor mximo de la opcin son mayores que los mismos valores para el VAN, lo que
sugiere que la empresa debera tomar la opcin y esperar para
invertir.

66

2.6

Conclusiones

En este trabajo presentamos un modelo de valuacin de

Opciones Reales, en el cual utilizamos variables aleatorias
para describir el flujo de fondos, as como la ocurrencia de
eventos extremos. Estas variables aleatorias son una fuente de
incertidumbre dentro del proyecto de inversin, generando un
modelo ms realista, y permiten tener ms herramientas para
decidir sobre la viabilidad de un proyecto de inversin.
A diferencia del modelo tradicional, al utilizar un flujo de
fondos aleatorios, este modelo no arroja un slo valor de la
opcin, sino que el resultado es una distribucin de probabilidades, a partir de la cual podemos deducir la probabilidad de que la opcin sea ejercida, as como intervalos de
confianza, los valores ms probables de la opcin, y otras
medidas estadsticas, por medio de las cuales podemos realizar un anlisis ms minucioso sobre el posible desempeo
del proyecto. Con estas herramientas la gerencia de la empresa puede analizar distintos escenarios, observar los resultados posibles de la inversin, as como los casos en los
que es ptimo utilizar la opcin y aqullos en los que no lo es.
Sin embargo, la incertidumbre no se rige nicamente por
la distribucin del flujo de fondos. Debido a bruscos cambios
econmicos, el valor de un proyecto puede sufrir saltos que

67

modifiquen su distribucin (por ejemplo, el efecto de una

devaluacin

de

la

moneda),

en

especial

en

economas

emergentes, donde la incertidumbre de la economa es mayor.

Por lo tanto, incorporamos al modelo la distribucin de
Poisson para describir los eventos extremos, la cual creemos
que, dadas sus caractersticas, es adecuada para dicho propsito, a la vez que es frecuentemente utilizada por varios
autores.

68

2.7 Referencias Bibliogrficas:

BENAROCH,

Michel.

Technology

Investment

Option-Based

Management

of

IEEE

Transactions

on

Risk,

Engineering Management, Vol. 48, No. 2 (November 2001),

pp. 428-444.
-

BENAROCH, Michel. Managing Information Technology

Investment Risk: A Real Option Perspective, Journal of
Management Information Systems, Vol. 19, No. 2 (Fall
2002), pp. 43-84.

BENAROCH, M.; Kauffman, R. J. A Case for Using Real

Options Pricing Analysis to Evaluate Information Technology
Project Investments, Information System Research, Vol 10,
No. 1 (March 1999), pp. 70-86.

BLACK, F.; SCHOLES, M. The pricing of options and

corporate liabilities. Journal of Political Economy 81,
(1973), pp. 637-659.

BREALEY,
Financiacin

R.

A.;

MYERS,

Empresarial.

S.

C.

Madrid:

Fundamentos
McGraw-Hill,

de
Inc.,

Cuarta Edicin. (1993).

-

COPELAND, Tom; ANTIKAROV, Vladimir. Real Options. A

Practitioners Guide. New York: Texere. (2001).

69

COX, John C.; ROSS, Stephen A.; RUBINSTEIN, Mark.

Option Pricing: A Simplified Approach, Journal of Finance 7,
(1979), pp. 229-263.

DAYKIN, C. D.; PENTIKINEN, T.; PESONEN, M. I.

Aplicaciones Prcticas de la Teora del Riesgo para
Actuarios. Buenos Aires: Die Klnische Rck. (1996).

DIXIT, Avinash K.; PINDYCK, Robert S. Investment under

Uncertainty. Princeton, N.Y.: Princeton University Press.
(1994).

HULL, J. C. Options, Futures & Other Derivatives. New

York: Prentice-Hall. Fourth Edition. (2000).

LANDRO, Alberto H. Acerca de la Probabilidad. Buenos

Aires: Ediciones Cooperativas. Segunda Edicin. (2002).

MERTON, Robert C. Theory of rational option pricing. Bell

Journal of Economics and Management Science 4, (1973),
pp. 141-183.

MERTON, Robert C. Option Pricing When Underlying Stock

Returns are Discontinuous. Journal of Financial Economics
3, (January 1976), pp. 125-144.

70

VALOR ACTUAL NETO DE UN PROYECTO

DE INVERSIN EN TECNOLOGA.

INCERTIDUMBRE E IMPACTO DE
EVENTOS EXTREMOS.5

Autores:

Roberto Daro Bacchini

Sabrina Zeitune
Javier Garca Fronti

Este trabajo est realizado en el marco de los Proyectos UBACyT E012 y

E015.

71

72

3.1 Resumen

Cuando se considera una inversin en tecnologa

deben analizarse los riesgos inherentes a la misma. As, al
descontar el flujo de fondos futuros a fin de calcular el Valor
Actual Neto debern incluirse elementos de aleatoriedad en
el mismo, como as tambin el impacto que puede tener
sobre el mismo la ocurrencia de un evento extremo.

En el presente trabajo se compara la metodologa

clsica determinstica, segn la cual cada fondo futuro es
conocido, con un enfoque estocstico, donde cada fondo es
modelado a travs de una variable aleatoria normal. Asimismo, se incorpora en el modelo la posibilidad de ocurrencia de un evento extremo, que impacta directamente de
manera negativa en el valor del ingreso futuro.

De esta manera, con el enfoque estocstico, el VAN es

una variable aleatoria cuya distribucin de probabilidades
se pretende obtener mediante mtodos de simulacin.

73

3.2 Introduccin

Cuando se considera una inversin en tecnologa, al

igual que en cualquier otro tipo de inversin, deben analizarse los costos y los ingresos que generar la misma.
Generalmente, los costos tienen lugar al momento inicial en
el que se efecta la inversin, mientras que los ingresos se
presentan como un flujo de fondos futuros.

El costo inicial del proyecto incluye tanto la adquisicin de la tecnologa como la capacitacin del personal
para su utilizacin ptima. Es importante recalcar esto ltimo ya que en la prctica suele suceder que se adquiere
nueva tecnologa y, al no estar el personal capacitado de
manera adecuada, los ingresos previstos en el futuro no son
los esperados debido a una subutilizacin de la tecnologa
adquirida.

Por otro lado, los ingresos futuros del proyecto estarn

dados por una reduccin en los costos inherentes de estructura que tiene cualquier empresa, debido a la mejora en
la eficiencia de los sistemas administrativos. Tambin debe
tenerse presente un posible aumento en el ingreso por ventas provocado por la mejora en los sistemas comerciales.

74

3.3 Valor Actual Neto (VAN) de un proyecto de inversin

en tecnologa

3.3.1 Fondos Constantes.

Para poder evaluar un proyecto de inversin en

tecnologa, una tcnica frecuentemente utilizada es la del
Valor Actual Neto (VAN). Esta tcnica consiste en descontar
el flujo de ingresos futuros y compararlo con el costo inicial.
Si el flujo futuro actualizado supera a los costos, la inversin debe llevarse a cabo. En caso contrario se descartar el
proyecto ya que generara una prdida para la empresa.

Sea

FFk el fondo que se espera recibir en el momento

k , ik la tasa de inters apropiada para dicho plazo, y

m la cantidad de perodos en los cuales se espera recibir
un ingreso fruto de la inversin. Entonces, el valor actual
del flujo de fondos futuros es:
m

VA =
k =1

FFk

(1 + ik )

(1)

Este valor debe compararse con el costo inicial del

proyecto ( CI ). Para ello se define al Valor Actual Neto como:

75

VAN = VA - CI

(2)

Cuando el VAN sea positivo se aceptar la inversin

ya que la misma supone un valor actual del flujo de fondos
futuros que supera el costo. En caso contrario, la inversin
ser desestimada.

Cabe destacar que pueden presentarse costos posteriores al momento inicial, por ejemplo debido a un proceso
de capacitacin del personal. En tal caso la variable CI ser
el valor actual de todos los costos que se generen debido a la
inversin.
h

CI =
k =0

Siendo
y

Ck

(1 + ik )

(3)

Ck el egreso que se produce en el momento k ,

h la cantidad de perodos en que se esperan costos.

Bajo la metodologa clsica, cada uno de los flujos,

como as tambin los costos, se consideran conocidos y se

descuentan utilizando la tasa de inters de un crdito bancario otorgado a la empresa en cuestin.

76

continuacin

se

ejemplifica

la

metodologa

considerando una inversin inicial de $ 15.000, la cual se

espera que genere un flujo de fondos de $ 1.000 mensuales
vencido por dos aos. La tasa de inters considerada para
descontar los flujos es del 20% nominal anual. La resolucin
se efecta mediante una planilla de Micosoft Ecxel .

Figura 1

77

3.3.2 Fondos Aleatorios.

En esta seccin se considera a cada uno de los fondos

futuros como una variable aleatoria

X k , cuya media est

dada por el valor que se utilizara con la metodologa clsica.

E ( X k ) = FFk

(4)

Adems se supone que la distribucin de dicha

variable es Normal. As, para caracterizar completamente la
funcin de distribucin se necesita conocer el desvo
estndar de la variable. Mediante alguna metodologa se
debe analizar el riesgo de la inversin y estimar el valor de la
varianza de cada uno de los flujos. La manera de realizar
dicha estimacin est fuera del alcance del presente trabajo.

Se supone que la varianza de cada fondo fue estimada.

As, el desvo estndar ser:

( X ) = Var ( X k )
k

(5)

De esta manera, cada uno de los fondos tiene una

distribucin Normal con media

78

FFk y desvo estndar ( X k ) .

X k N FFk ; ( X k )

(6)

Sin embargo, a los efectos de la aplicacin, se asume

que todos los costos son desembolsados al inicio, con lo cual
los fondos futuros no pueden tomar valores negativos, cmo
mnimo sern cero. As, para modelar cada ingreso futuro,
se define una nueva variable:

Yk = Max ( 0; X k ) (7)
Luego, el Valor Actual del flujo de fondos futuros
tambin ser una variable aleatoria dada por:

VArnd =
k =1

Yk

(1 + ik )

(8)

y el Valor Actual Neto ser:

VAN rnd = VArnd CI

79

(9)

Con el objetivo de estimar la distribucin de la variable

VAN rnd , se utilizan mtodos de simulacin desarrollados en

Microsoft Excel.

Para ejemplificar el procedimiento, considere una

inversin de $ 15.000 que generar un flujo de fondos
esperados de $ 1.000 mensuales durante dos aos. A su
vez se asume que el desvo estndar de cada flujo es $ 200.
De acuerdo a ello, se tiene que:

X k N (1000; 200 )
y el flujo es Yk , de acuerdo a la frmula (7).

Generando 24 nmeros aleatorios se obtiene una

muestra de los valores de cada fondo
de obtener un valor muestral del
calcular el

Yk , y con ellos se pue-

VArnd , con el cual se podr

VAN rnd . En la siguiente figura se observa la

planilla de Microsoft Excel utilizada para realizar el clculo.

80

Figura 2

Como es lgico, el

VAN rnd generado ser diferente del

calculado utilizando la metodologa clsica. Por ello, para

que este anlisis sea valedero, el proceso de simulacin debe
repetirse muchas veces hasta obtener una muestra cuyo
tamao sea significativo.

81

Para generar tal muestra se desarroll un programa en

Visual Basic que repite el proceso de simulacin n veces.
En la Figura 3 se observa una corrida de diez simulaciones
generada con dicho programa. Sin embargo, para que la
muestra sea representativa, el tamao de la misma debe ser
mucho mayor (al menos 1000).

Una vez generada una muestra lo suficientemente

grande se pueden realizar inferencias respecto de la
viabilidad del proyecto. Por ejemplo, puede estimarse la
probabilidad de que el Valor Actual Neto sea negativo
simplemente contando la cantidad de valores negativos de la
muestra y dividindolo por el tamao de la muestra.
n

P (VAN

rnd

< 0) =

J
s =1

(10)

siendo

0 si VAN srnd > 0

Js =
rnd
1 si VAN s < 0

82

(11)

Figura 3

En la Figura 4, se observa una simulacin de 2000

valores del

VAN rnd realizada de acuerdo a los valores de los

ejemplos anteriores. En la misma se observa que el valor

promedio muestral es $ 5.176,76. A su vez, la probabilidad
de que el

VAN rnd sea negativo es 2%.

83

Figura 4

El hecho de que la media muestral supere de manera

significativa al VAN clsico se debe al truncamiento inferior
realizado en la variable
muestral de la variable

Yk . Sin embargo, el promedio

X k debe estar muy prximo al valor

calculado mediante la metodologa clsica.

84

3.3.3 Fondos Aleatorios e impacto de eventos extremos.

Al igual que en la seccin anterior, aqu se analiza el

caso en que los fondos futuros son variables aleatorias,
agregndose el supuesto de que en cada momento puede
ocurrir un shock extremo que anula el fondo.
Para modelar dicha situacin, se asume que el shock
sigue una distribucin de Poisson. As, en cada perodo, si
ocurre al menos un evento de Poisson, el fondo se anula, y
en caso contrario el fondo tomar el valor de la variable
aleatoria

Yk .

De esta manera, se define al fondo aleatorio sujeto a

riesgos extremos como:

Ykext = I k .Yk

donde

(12)

Yk = Max (0; X k ) , X k N FFk ; ( X k )

y la variable

I k es un indicador que asume el valor 0 si ocurre al menos

un evento de Poisson en el momento k , y 1 en caso
contrario:

85

1 si N k = 0
Ik =
0 si N k > 0

siendo las

(13)

N k variables aleatorias Poisson independientes e

idnticamente

distribuidas

con

media

es

decir

N k P ( ) . As, las I k son variables aleatorias iid con

distribucin de Bernoulli, cuyo valor esperado est dado por

p = P ( N k = 0) .
Bajo este supuesto, el Valor Actual de los fondos futuros est dado por:

VAext =
k =1

Ykext

(1 + ik )

(14)

Luego, el Valor Actual Neto estar dado por:

VAN ext = VAext CI

Para obtener la distribucin de

(15)

VAN ext nuevamente se

recurre a la simulacin. En este caso se generan primero las

86

variables

I k en base a una distribucin de Poisson dada, y

luego en base a ellas se generan las

Ykext ( k = 1, 2,..., m. ).

Para llevar a cabo dicho procedimiento nuevamente se

desarroll un programa en Visual Basic que genera los
valores

I k , luego genera los valores de Ykext , y con ellos

calcula un

VAN sext . Luego repite la operacin n veces

generando una muestra del tamao deseado.

La Figura 5 ilustra la planilla Excel con la cual se

realiz la estimacin. El caso es el mismo desarrollado en
las secciones anteriores, pero con la inclusin de eventos
extremos. Para el ejemplo, nuevamente se realizaron 2000
simulaciones y se asumi una distribucin de Poisson con
un evento esperado al ao; es decir con l = 1/12 , ya que se
consideran perodos mensuales.

87

Figura 5

Puede observarse en la misma que ante la ocurrencia

de eventos extremos el valor esperado del Valor Actual Neto
es claramente menor que el

VAN

clsico y que la

probabilidad de obtener un VAN negativo es superior que

en el caso de fondos aleatorios sin considerar los shocks.

88

3.3.4 Comparacin de los tres casos.

Presentamos a continuacin un cuadro comparativo

de las tres metodologas aplicadas:

Asimismo, si se comparan los histogramas de las dos

muestras simuladas, puede observarse que la cola izquierda
de la distribucin asumiendo eventos extremos es mayor.
En ambos histogramas est marcado con una lnea vertical
el valor 0. La cantidad de valores a la izquierda de dicha
lnea es mucho mayor cuando se considera la ocurrencia de
eventos extremos.

89

Histograma de

VAN rnd (2000 simulaciones)

Figura 6

Histograma de

VAN ext (2000 simulaciones)

90

Figura 7

3.4 Conclusin.

De acuerdo a lo desarrollado en el presente trabajo

resulta clara la necesidad de considerar la aleatoriedad en
los fondos futuros, ya que en caso de tomar simplemente los
valores esperados de los mismos se estara dejando de lado
la consideracin del riesgo inherente del proyecto. As, para
comparar

proyectos,

puede

resultar

una

alternativa

interesante la observacin de las probabilidades de prdida

ms que de los valores esperados, ya que una inversin con

91

valor esperado elevado pero con alta volatilidad puede no ser

la mejor eleccin.

Si bien en este trabajo los fondos fueron simulados

mediante una variable aleatoria Normal nada impide la
utilizacin de cualquier otra variable aleatoria. De hecho la
utilizacin de alguna distribucin con cola pesada para los
flujos puede remplazar el uso de los shocks de Poisson.

Asimismo, sera interesante la inclusin de aleatoriedad en la tasa de inters utilizada para actualizar los
fondos, o bien considerar una estructura temporal de la
misma, levantando el supuesto realizado en este trabajo segn el cual la tasa es constante para todos los vencimientos.

La modelizacin de los fondos y de la tasa de inters,

como as tambin la seleccin de los parmetros, depender
del proyecto particular que se est considerando y del contexto en el cual se desarrolle el mismo.

Si se considera la situacin financiera, econmica, poltica y social de los pases emergentes, y en especial de Argentina, resulta recomendable contemplar situaciones de
eventos extremos que afecten directamente un proyecto de

92

inversin, con lo cual la metodologa desarrollada en el presente trabajo brinda una alternativa atractiva respecto de la
metodologa tradicional de clculo del VAN.

93

Bibliografa

ARMAGNO, D.; BELLIARD, M.; BERNASCONI, J.;

CASPARRI, M. T.; FAJFAR, P.; GARCA FRONTI, J.;
MURUZABAL, M.; REY, S.; ROO, E. (2004) Aspectos
Financieros de la Crisis Argentina 2001. Buenos Aires.
Omicron System.

BREALEY, Richard A.; MYERS, Stewart C. (1999)

Principios de finanzas corporativas. Madrid. Mac Graw
Hill.

DAYKIN, Christopher David; PENTIKINEN, Telvo;

PESONEN; Martii I. (1996). Aplicaciones Prcticas de la
Teora del Riesgo para Actuarios. Buenos Aires. Die
Klnische Rck.

FINKENSTDT,

Brbel;

ROOSEN,

Holger

(2004).

Extreme Values in Finance, Telecommunications, and

the Enviroment. Boca Raton, London, New York,
Washington DC. Chapman & Hall/CRC.

LANDRO, Alberto H. (1999). Acerca de la Probabilidad.

Buenos Aires. Economizarte.

94

TEORA DEL CONTROL PTIMO EN UN CONTEXTO

INCIERTO6

Autores:
Mara Teresa Casparri
Federico Agustn Alcalde Bessia

Este trabajo est realizado en el marco del Proyecto UBACyT E012.

95

96

4.1 Movimiento browniano

4.1.1 Introduccin

En 1827 el botnico R. Brown observ el comportamiento aleatorio de los granos de polen en una suspensin
de agua; a este fenmeno lo denomin movimiento browniano. En 1905, A. Einstein desarroll sus propiedades matemticas estableciendo el carcter gaussiano de las variables
implementadas y constituy la prueba de la teora molecular. Sin embargo, una formulacin matemtica rigurosa
del mismo fue dada por Norbert Wiener en 1927 y este es el
nombre que adquiri este proceso estocstico: proceso de
Wiener o movimiento browniano.
Los procesos brownianos renen tres procesos en
uno: un proceso gaussiano, un proceso de Markov continuo y un proceso de incrementos independientes. Se puede definir de la siguiente manera:

4.1.2 Definicin

B (t ) es un movimiento browniano unidimensional con varianza

2 si cumple las siguiente condiciones:

97

1.

B ( 0) = 0

2. Tiene incrementos independientes para:

0 = t0 < t1 < ... < tn tal que:

B (t1 ) - B (t0 ) ,..., B (tn ) - B (tn- 1 )
son independientes.

3. Tiene incrementos estacionarios: la distribucin de

B (tt ) - B (ts ) slo depende de t s .

4.

B (t ) se distribuye como una Normal N ( 0, 2t ) .

5.

B (t ) es continuo con respecto a t .

Intuitivamente se puede imaginar que los granos de

polen se arremolinan entre s de manera continua, y que
colisionan con las molculas de agua segn unos tiempos
determinados por un proceso de Poisson con tasa

El

desplazamiento de un grano de polen en una unidad de

tiempo es la suma de un gran nmero de pequeos efectos
aleatorios independientes. Se puede aplicar, entonces, el
Teorema Central del Lmite de modo que el cambio en el

98

desplazamiento se aproxima por una normal de media cero

y varianza

2.

4.1.3 Propiedades

Si

B (t ) es un proceso de Wiener, entonces cualquier

cambio en
po

B , B , correspondiente a un intervalo de tiem-

t satisface las siguientes condiciones:

1.

B = t t

Donde

es una variable aleatoria distribuida segn

una normal con media cero y desvo estndar igual a

uno.
2. La covarianza es

Cov ( t , s ) = 0 t s .

De esta forma el valor

B para dos intervalos diferentes

de tiempo son independientes.

T un intervalo finito de tiempo, si lo dividimos en

intervalos de longitud t , obtenemos:
Sea

99

n=

T
t

Entonces,

B = B ( s + t ) B ( s ) = i t N ( 0, T )
i =1

De lo anterior, se ve claramente que

B depende de

t . La varianza del cambio en un proceso de Wiener crece

linealmente con el horizonte de tiempo. Cuando t es
infinitamente pequeo podemos representar el incremento
del proceso de Wiener por dB .

dB = t dt
Siendo

E ( t ) = 0

(t ) = 1 ,

E ( dB ) = 0 y 2 ( dB ) = E ( dB ) = dt
2

En forma convencional:
1
B

= t . ( t ) 2
t

100

tenemos

que:

( dB ) = dt .

De esto se puede concluir, tomando el lmite cuando

t 0 ,

lim
t 0
+

1
B

= lim t . ( t ) 2 +
t t 0+

Por lo que, el proceso de Wiener no es derivable respecto del

tiempo.
Si

B1 (t ) y B2 (t ) son dos procesos de Wiener, entonces:

E ( dB1 , dB2 ) = r 12 dt
Donde

r 12 es el coeficiente de correlacin entre ambos

procesos. Recordar que en el proceso de Wiener, la varianza

es igual a uno.
Aunque las trayectorias muestrales del movimiento
browniano son continuas, no son diferenciables en ningn
punto; no obstante, bajo un marco conceptual distinto se
puede demostrar que se puede construir la derivada de un
movimiento

browniano

como

un

proceso

estocstico

generalizado, dicho proceso sera un proceso gaussiano con

esperanza nula y varianza infinita e independiente con
respecto a s mismo en diferentes instantes del tiempo, lo
que se conoce con el nombre de ruido blanco. Un paseo
aleatorio es un proceso estocstico del tipo de un ruido
blanco pero con varianza constante y finita, que es el

101

proceso

habitual

para

representar

las

perturbaciones

aleatorias utilizadas en la modelizacin en tiempo discreto.

4.2 Movimiento browniano generalizado

Se expresan en la forma:

dx = dt + dB
Donde:

dB : es el incremento en el proceso de Wiener.

: es el parmetro de velocidad.
: es el parmetro de desvo estndar instantneo
por unidad de tiempo.

dx : sigue una distribucin normal con esperanza:

dt

y varianza:

2 dt .

4.3 Procesos de It

Un proceso de It est representado por el incremento

de una variable estocstica en el tiempo de acuerdo con:

dx = ( x, t ) dt + b ( x, t ) dB

102

Esto

es

una

generalizacin

de

los

Movimientos

Brownianos. Siendo:

E ( dB ) = 0

E ( dx ) = a ( x, t ) dt

( dx ) = b ( x, t ) dt
Donde

( x, t ) : tasa instantnea esperada.

b( x, t ) : tasa intantnea del desvo estndar.

4.3.1 Lema de It

El lema de It permite derivar e integrar funciones de

variables estocsticas que se comportan como procesos de
It.
Dada la funcin

F ( x, t ) diferenciable en x y t .

Siguiendo el desarrollo de Taylor de

103

F ( x, t ) :

F =

F
F
2 F
1 2 F
1 2 F
2
2
x + t +

x
+

t
+
t ) + ...
(
)
2
2(
x
t
2 ( x)
xt
2 ( t )

Recordando la expresin de dx , si la expresamos en

forma discreta resulta:

X = ( t , x ) t + b ( t , x ) {
t
B

Tomando el cuadrado de esta expresin:

( x )

= 2 ( x, t )( t ) + 2 ( x, t ) b ( x, t ) t B + b 2 ( x, t )( B )
2

Si recordamos las relaciones antes expuestas, podemos reescribir esta ecuacin como:

( x )

= 2 ( x, t )( t ) + 2 ( x, t ) b ( x, t )( t ) 2 + b 2 ( x, t ) t
2

Tanto en la expresin anterior como en el desarrollo en

series de potencias de Taylor hacemos el paso al lmite:

t 0
Lo cual implica que todos los trminos de orden superior se anulan y podemos escribir:

104

dF =

F
F
1 2F
2
dx +
dt +
dx )
2 (
x
t
2 ( x )

( dx )2 = b 2 ( x, t ) dt
Reemplazando en la frmula y desarrollando, nos queda:

F
F 1 2
2F
F
dF =
+ ( x, t )
+ b ( x, t )
dt + b ( x, t )
dB
2
x 2
x
( x )
t
Entonces, F sigue un proceso de It con tendencia
igual a:

F
F 1 2
2F
+ ( x, t )
+ b ( x, t )
2
t
x 2
( x )
Y con varianza:
2

F 2

b ( x, t )
x

105

4.4 Frmula de Bellman estocstica en el continuo

Consideremos el problema de control ptimo estocstico:

Max E f ( t , x, u ) dt + ( x (T ) , T )
0

Donde

E [] representa el valor esperado o esperanza

matemtica.
Sujeto a:

dx = g ( t , x, u ) dt + ( t , x, u ) dB
Que es una ecuacin diferencial estocstica que
reemplaza a la ecuacin de movimiento

x& = g (t , x, u ) del

problema de control ptimo determinsitco siendo

Definimos con

x ( 0) = x0

J (t0 , x0 ) el mximo valor esperado del

problema dado comenzando en el tiempo

x (t0 ) = x0 .
106

t0 en el estado

De acuerdo con el principio de la optimalidad y en

forma similar al caso determinstico podemos escribir:

J ( t , x ) = Maxu E f ( t , x, u ) t + J ( t + t , x + x )
14243 1442443
a
b

Con la hiptesis de que J es doblemente continuo y

diferenciable, desarrollando (b) por serie de Taylor alrededor
del punto

(t , x ) , resulta:

J ( t + t , x + x ) = J ( t , x ) + J t ( t , x ) t + J x ( t , x ) x +

1
2
J xx ( t , x )( x )
2

Siendo:

x = g (t , x, u )t + ( t , x, u ) B
Entonces,

( x )

= g 2 (t , x, u ) ( t ) + 2 ( t , x, u )( B ) + 2 g ( t , x, u ) ( t , x, u ) t B
2

Haciendo,

( t )

= 0, ( B ) = t , t B = 0
2

107

Por lo cual, podemos escribir:

( x )

= 2 ( t , x, u ) t

Quedando la siguiente ecuacin en la cul se han

eliminado trminos de orden superior:
J ( t , x ) = Maxu E [ f ( t , x, u ) t + J ( t , x ) + J t ( t , x ) t + J x ( t , x ) g ( t , x, u ) t +
+ J x ( t , x ) ( t , x, u ) {
t +
B

1
J xx ( t , x ) 2 ( t , x, u ) t ]
2

Aplicando la propiedad de operador lineal de la

esperanza matemtica recordando las propiedades de los
procesos de It en cuanto a su esperanza y su varianza,
notando que por definicin

( B )

= t y que E [ B ] = 0 ,

dividiendo por t y, finalmente, calculando el lmite de la

expresin hallada cuando t 0 , obtenemos la expresin
estocstica en el continuo de Bellman,

0 = Maxu f ( t , x, u ) + J t ( t , x ) + J x ( t , x ) g ( t , x, u ) + J xx ( t , x ) 2 ( t , x, u )
2

108

Con lo cual, obtenemos la ecuacin estocstica conocida como ecuacin de Hamilton-Jacobi-Bellman (HJB):

J t ( t , x ) = Maxu f ( t , x, u ) + J x ( t , x ) g ( t , x, u ) + J xx ( t , x ) 2 ( t , x, u )
2

con la condicin de contorno:

J (T , x (T ) ) = x (T ) , T
4.5

Ejemplo 1

Partimos del problema de optimizacin estocstica:

Min E e t ( ax 2 + bu 2 ) dt
0

dx = u.dt + .dB

s.a

(1.1)

a > 0, b > 0, > 0 ,

Siendo = tasa instantnea de descuento (constante)

Donde

es una constante paramtrica. La funcin:

( t , x, u ) = . x

(1.3)

109

La ecuacin estocstica de Bellman (HJB) nos dice, de

acuerdo a la deduccin anterior:

J t = Minu f ( t , x, u ) + J x ( t , x ) g ( t , x, u ) + 2 J xx ( t , x )
2

y la condicin de contorno:

J T , x (T ) = T , x ( T )

(1.5)

de donde

J t = Minu e t ( ax 2 + bu 2 ) + uJ x + 2 x 2 J xx (1.6)
2
14444442444444
3

calculamos el mnimo con respecto a

u (esto es, aplicaremos

el operador mnimo) que ser la funcin de control ptimo

que minimice la esperanza matemtica:

= 2bue t + J x
u

(1.7)

110

Jx
J x et

=0 u=
=
u
2be t
2b

(1.8)

Sustituyendo en (1.6), tenemos que:

Jt = e

2 J x2 e 2 t J x2 et 1 2 2
+ x J xx
ax +

4b 2b
2

J x2 et 1 2 2
= e ax
+ x J xx
4b
2
t

Multiplicando por

(1.9)

(1.10)

et :

J t et = ax 2

J x2 e 2 t 1 2 2
+ x J xx et
4b
2

(1.11)

Entonces:

J x2 e 2 t 1 2 2
x J xx et J t et = ax 2
4b
2

(1.12)

Queda de esta forma planteada una ecuacin en derivadas parciales estocstica. Ensayaremos como solucin la
funcin:

111

J ( t , x ) = Ax 2 e t

(1.13)

Resultando ser:

J ( t , x )
= 2 Axe t
x
2 J (t, x )

( x )

J ( t , x )
t

(1.14)

= 2 Ae t

(1.15)

= Ax 2 et

(1.16)

Reemplazando estos resultados en (1.12) obtenemos la

siguiente ecuacin, a partir de la cual buscamos el valor de
la constante a determinar A:

ax 2

4 A2 x 2 e2 t e 2 t 1 2 2
+ x 2 Ae t et Ax 2 et et = 0
4b
2

ax 2 A2

x2
+ 2 x 2 A Ax 2 = 0
b

112

(1.18)

Con lo cual,

A2 + b ( 2 ) A ba = 0

(1.19)

Nos interesa conocer el valor de la constante A. Se resuelve

la ecuacin:

b ( 2 ) b 2 ( 2 ) + 4ab
2

A=

(1.20)

De esta forma queda determinada en (1.20) la constante A de (1.13). La funcin de control ptimo

u , a partir

de (1.8), la derivada parcial de (1.14) y (1.20), viene dada

por:

u= -

Ax
b

(1.21)

4.6 Ejemplo 2

Partimos del problema de optimizacin estocstica:

113

 t C b
Max E e
dt
b
0

(1.22)

s. a dW = s (1 w ) W + awW C dt + wW dB
W ( 0 ) = W0
(1.23)
Siendo = tasa instantnea

de descuento ( cte )

Este es un problema autnomo de horizonte infinito de

una variable de estado W y dos de control C y

w.

Daremos interpretacin econmica a cada una de las

variables expuestas. Indicaremos:

W : Ingreso total.

w : Fraccin de ingreso en el activo riesgoso

s : Rentabilidad del activo seguro.

a : Rentabilidad esperada sobre el activo riesgoso.

: Desvo estndar por unidad de tiempo de la renta-

bilidad del activo riesgoso

C : Consumo.

u (C ) : Funcin de utilidad con b < 1

114

u (C ) =

Cb
b

La ecuacin de movimiento del control ptimo es

reemplazada por la ecuacin estocstica

dW = s (1 w ) W + awW C dt + wW dz
que nos indica el cambio en el ingreso. La porcin deterministica est compuesta por una rentabilidad sobre los
fondos en el activo seguro ms la rentabilidad esperada
sobre los fondos en el activo riesgoso menos el consumo:

dW =
s{
1 w ) W + a{
w
W
C dt + wW dz
(1
{
{
Re ntabilidad

23
Re ntabilidad Pr oporcin
consumo
oporcin
del activo Pr

del activo
sobreel
sobre activo
seguro
riesgoso
activo riesgoso
seguro

El objetivo es maximizar la corriente de utilidad esperada descontada. Suponemos un horizonte infinito.

Ensayamos como solucin la funcin:

J ( t , W ) = e tV (W )

(1.24)

115

Con

J ( t , W )
W

= e tV ' (W )

2 J ( t ,W )

( W )

J ( t , W )
t

(1.25)

= e tV '' (W )

(1.26)

= e tV (W )

(1.27)

Entonces, la ecuacin estocstica de Bellman (HJB) queda:

Cb
1
etV (W ) = Max( c, w) et
+ e tV ' (W ) s (1 w) W + awW C + 2e tV '' (W ) w2W 2
b
2

(1.28)

Multiplicamos (1.28) por

et :

Cb

1
V (W ) = Max( c , w ) + V ' (W ) s (1 w )W + awW C + 2V '' (W ) w2W 2
2
b

(1.29)

116

A partir de ello, se calculan los valores mximos de C

y

w en trminos de los parmetros del problema, el estado

W y la funcin desconocida V . Entonces, las condiciones

de primer orden del problema de optimizacin son:
1

C b 1
=b
V ' (W ) = 0 C = V ' (W ) b 1
C
b

= sWV ' (W ) + aWV ' (W ) + w 2W 2V '' (W ) = 0

w

w=

( s a )V ' (W )
2WV '' (W )

Suponemos que la solucin ptima implica inversiones

en ambos activos todo el tiempo. Esto significa decir que

w no toma los valores cero o uno.

Sustituyendo los valores hallados de

C y w (que son

lo que maximizan) en (1.29) resulta:

V (W ) =

(1 b ) V ' (W )
b

b
b 1

+ sWV ' (W )

(s a)

(1.32)

117

V ' (W )
2
2 V '' (W )
2

Que es una ecuacin en diferencial en W.

Se intenta como solucin la ecuacin:

V (W ) = AW b
donde

(1.33)

A es una constante a determinar. Las derivadas de

la funcin de ensayo son:

V ' (W ) = bAW b- 1

(1.34)

V '' (W ) = b (b - 1) AW b- 2

(1.35)

Reemplazando en (1.32),

AW =
b

(1 b ) bAW b 1 b 1
b

( s a ) bAW b1
2
2 b ( b 1) AW b 2
2

+ sbAW

118

b 1

s a) b
(
sb 2

2 (1 b )

Ab =

(1 b )

(1.37)

Reemplazando en las funciones de (1.30) y (1.31)

obtenemos las funciones de control ptimo C y

C = W ( Ab ) b 1

w=

w:

(a s)
(1 b ) 2

Los individuos consumen una fraccin constante de

ingreso en cada momento. La fraccin ptima,

w , depende

de todos los parmetros y vara directamente con el tipo de

descuento y con el estado del peligro que implica el riesgo
del activo aventurado.
La decisin ptima del ingreso entre dos clases de
activos es una constante independiente del ingreso total. La
porcin dedicada a los activos riesgosos vara directamente
con

la

rentabilidad

esperada

del

activo

riesgoso

inversamente con la varianza de esa rentabilidad.

119

4.7 Conclusiones

A. No es posible despreciar incertidumbres en algunas

aplicaciones prcticas de problemas de control ptimo:
a. En parmetros del modelo.

b. En condiciones iniciales.

B. El problema estocstico de control ptimo resultante

puede ser analizado utilizando Teora de Opcin
Real:

a. Caracterizando incertidumbres dependientes

del tiempo como Procesos de It.

b. Usando el Teorema de It.

c. Usando las condiciones de optimalidad de

Programacin Dinmica Estocstica.

120

4.8 Bibliografa

CERD, Emilio, Optimizacin Dinmica, Espaa,

Prentice Hall, 2001.

DIWEKAR,

U.,

Batch

Distillation:

Simulation,

Optimal Design and Control, Taylor & Francis

Group, EEUU, 1995.

DIXIT, A.K. and PINDYCK, R.S., Investment under

Uncertainty, Princeton University Press, New Jersey,
1993.

EVANS, Lawrence C., An Introductionto Stochastic

Differential Equations, Department of Mathematics
UC Berkeley, 2005.

DE LA FUENTE, ngel, Mathematical Methods and

Models for Economists, Cambridge University Press,
Cambridge, 2000.

KAMIEN, M. I. y SCHWARTZ, N. L., Dynamic

Optimization, the Calculus of Variations and Optimal

121

Control in Economics and Management, Ed. Elsevier,

New York, 1991.

KALL, P., WALLACE, S., Stochastic Programming,

Wiley John & Sons, EEUU, 1995.

HULL,

Johen

C.,

Options,

Futures,

&

Other

Derivatives, Prentice Hall, EEUU., 1999.

SARGENT,

Thomas

J.,

Dynamic

Macroeconomic

Theory. Harvard University Press, Cambridge, 1987.

SETHI, S., GERALD, T. Optimal Control Theory

Applications

to

Management

Economics, Springer, EEUU, 2000.

122

Science

and

ANLISIS DE COMPORTAMIENTO DE CUENTAS

CORRIENTES EN ENTIDADES BANCARIAS MEDIANTE EL
USO DE FUZZY CLUSTERING Y ANLISIS
DISCRIMINANTE PARA LA ADMINISTRACIN DE
RIESGO CREDITICIO7

Autores:
Mara Teresa Casparri
Federico Agustn Alcalde Bessia
Julio Fabris

Este trabajo est realizado en el marco del Proyecto UBACyT E012.

123

124

5.1 Resumen
Cada entidad bancaria tiene sus propios parmetros
de evaluacin de los clientes y aplica sus propias reglas para
hacerlo. Esto forma parte de su poltica de administracin
de riesgos. El anlisis del comportamiento de la cuenta
corriente de cada cliente es de suma importancia en este
caso, ya que describe la conducta del cliente en relacin a
sus deudas y ayuda a evaluar los riesgos que el banco
asume. A su vez, este anlisis permite la descripcin de la
evolucin de los riesgos mediante el hallazgo de un patrn
de conducta de cada cliente. Una vez descripta esta evolucin, la entidad podr definir su poltica crediticia de corto
plazo en cuenta corriente, pudiendo hacer un seguimiento
generalizado de las cuentas que entran en zonas que el
banco evaluara como indeseables.
En el presente trabajo, se desarrolla, mediante un
modelo simple con datos generados en forma aleatoria, una
aplicacin a un problema sencillo. Se presenta, fundamentalmente, el mtodo de Fuzzy Clustering, utilizando los
programas SPSS y R para desarrollar los clculos. Adems,
se hace un anlisis discriminante cannico para la asignacin de nuevos individuos a los grupos definidos y la reasignacin en caso de cambio de las caractersticas. Por ltimo,
se presenta la conclusin.

125

5.2 Anlisis de comportamiento de cuentas corrientes

5.2.1 Introduccin al problema
Las entidades bancarias asumen riesgos de corto plazo
con sus clientes debido al otorgamiento de montos mximos
en cuenta corriente. Estas cuentas tienen la particularidad
de que el cliente puede realizar extracciones en descubierto
hasta un monto predefinido por la entidad. Una vez alcanzado ese monto, el cliente ya no dispone de crdito y debe
saldar su cuenta para poder continuar operando.
Las ganancias para el banco respecto de ese tipo de
cuenta surgen de la cantidad de das que el cliente permanece con saldo deudor y de las tasas diarias vigentes. Una
vez que el cliente alcanza el mximo, el banco ya no le
otorga crdito. En general, las entidades bancarias estn
interesadas en mantener carteras con movimientos dinmicos y que no alcancen el monto mximo. Esto es as dado
que si el cliente lo hubiese alcanzado por problemas de
insolvencia, el banco lo perdera y apareceran los problemas
de cobro con sus consecuentes prdidas asociadas.
Cada entidad bancaria tiene sus propios parmetros
de evaluacin de clientes y aplica sus propias reglas para
clasificarlos como parte de su poltica de administracin de
riesgos. El anlisis del comportamiento de la cuenta corriente de cada cliente es de suma importancia para esa poltica,

126

ya que describe la conducta del cliente del banco en relacin

a sus deudas y ayuda a evaluar los riesgos que ste asume.
A su vez, este anlisis permite la descripcin de la evolucin
de los riesgos mediante el hallazgo de un patrn de conducta de cada cliente. Una vez descripta esta evolucin, la entidad podr definir su poltica crediticia de corto plazo en
cuenta corriente, pudiendo hacer un seguimiento generalizado de las cuentas que entran en zonas que el banco
evaluara como indeseables.
El trabajo se enfocar en el anlisis de un segmento
especfico de clientes de una entidad bancaria supuesta que
llamaremos A1 donde ubicaremos a todos los clientes que:

Lmite mximo de cuenta corriente de $1.000

La antigedad de las deudas es menor a 120 das.

Dentro de esta categora, intentaremos reconocer

grupos o patrones de comportamiento de los clientes y asignaremos cada cliente a cada grupo hallado.
Para llevar a cabo este anlisis se debe poder reconocer cules son las variables destacadas que ayudarn a
comprender mejor el perfil de movimientos de la cuenta y su
relacin con las caractersticas del cliente. No es lo mismo
para una entidad bancaria un cliente con alto endeuda-

127

miento pero de larga antigedad en el banco y de gran

importancia institucional que un cliente de alto endeudamiento pero de incorporacin reciente y sin importancia
estratgica para el banco. Llegado a este punto, se debe
pensar cmo se llevar a cabo la seleccin de las variables
relevantes para la descripcin suficiente de cada individuo.
Esto forma parte del anlisis previo de los datos disponibles
que podra realizarse mediante anlisis estadstico, o
simplemente utilizar el criterio del investigador. En nuestro
caso, supondremos realizado el anlisis estadstico que selecciona las siguientes variables:

Monto total de deuda acumulada.

Das promedio de retraso antes de pago de deuda.

Monto actual de la deuda.

Das de retraso de la deuda actual.

Aos de pertenencia al banco.

ndice de la entidad.

El ndice de la entidad se refiere a la consideracin

que tiene el banco hacia el cliente, resumida en un nmero
que representa su importancia relativa. Esto puede deberse
a una estrategia de posicionamiento del banco en determinados sectores u otras causas.

128

Supondremos, adems, que los clientes no estn atentos a las variaciones de las tasas en el tiempo (por ser estas
constantes, por ejemplo) lo cual nos autorizar a hacer una
comparacin esttica de los niveles de endeudamiento absoluto de cada uno. Tampoco nos interesar la frecuencia de
los movimientos porque aceptaremos que a la entidad slo le
interesa la cancelacin de las deudas. Esto justifica hacer
un anlisis transversal, es decir no se intentar hacer un
anlisis en el tiempo de cada cuenta, sino que se estudiar
el estado de todas las cuentas en un momento dado
sabiendo que este es representativo de la dinmica.
Por otra parte, se han elegido algunas variables que
son discretas y otras que son continuas. Las discretas son
las que contemplan los das y el ndice de la entidad. Los
das asumen valores de 0 a 120 y el ndice de 0 a 100, las
consideraremos continuas a los efectos de nuestro trabajo
con la finalidad de simplificar su tratamiento pero las redondearemos para la exposicin sin perder el poder descriptivo
del resultado.
5.2.2 Anlisis previo y desarrollo
El comportamiento de cada cuenta individual ser
descripto por comparacin. El nuevo problema que se
presenta es la gran cantidad de datos, en nuestro ejemplo
son 1404 individuos. Para ello, aplicaremos el mtodo de

129

Fuzzy Clustering, el cual se describe en el Anexo I. Para

implementar el mtodo se debe previamente definir: la cantidad de grupos en los que se quiere agrupar los datos, la
funcin que comparar dato por dato (funcin de distancia o
similitud) y un criterio de detencin de la iteracin. El
resultado que se obtiene depende fuertemente de la distribucin de los datos, del anlisis previo que lleva a la definicin de la cantidad de grupos y de la definicin de la
funcin de distancia.
Respecto de la cantidad de grupos a considerar, en
nuestro caso, realizaremos el anlisis para 2, 3, 4 y 5 grupos y evaluaremos las medidas evaluaremos las medidas de
validacin para determinar la cantidad de grupos ms
adecuada. Tambin haremos un reconocimiento grfico de
la cantidad de grupos posibles. Con los mtodos ms
avanzados de clustering puede optarse, para la definicin de
grupos, por el Clustering Jerrquico mtodos que hagan
uso de criterios de informacin cuando se hacen enfoques
probabilsitcos. Para una descripcin de estos mtodos puede verse Fraley, C., Raftery 1998 y 2002. Las respuestas de
estos mtodos no siempre son satisfactorias dado que, a
pesar de que son sistemticos, la eleccin de la cantidad de
grupos termina siendo una decisin puramente subjetiva.

130

5.2.2.1 Anlisis grfico

Para comenzar con el anlisis informal, en los siguientes grficos podremos apreciar la distribucin de los datos
de las variables tomadas de dos en dos (scatter plot) con el
objetivo de reconocer los grupos. Es de esperar que en los
siguientes grficos no haya relaciones visibles entre las
variables que, en teora, no deben estar asociadas:

Das promedio de retraso antes de pago de deuda

1 Conjunto de grficos: Monto total de deudas contra las dems variables

100





 
  
 

   

  



  












   


 

 
     

   

 




 

 

 
      
 

 

 





 




     

  


  








 

   





 



  



 

 
 

   

   




     
    
   


 
       
 
 
       



      

 
 

  













 
 
       



 














       
 

       


 

   



    
 

       

 

  
  
 





 



     
  
 
 

 
        

     




















   

    

     
         


 
 
      














  
 








    
  




















 


     








 









 







     























  
     


















   


    






  
















75

50

25

0,00

25000,00

50000,00

75000,00

100000,00

Monto total de deuda s

(1)

131

Das de retraso de la deuda actual








75


 




25








  
    


 

 
 
    


 


 

   
 














         




  
     


    

 
 

     
 
    
  
   
 


   
   



 
   


    
 
 
 
    
   
















      
  
    

 
    





    















    


 
  
  



 
 
 
 
 



    

   
 

  
 
   
   


 






    




   

  




 























 
   


  















   

 



 















   







    
 
  






  
 






 









      










  










  





















 





50

 



0,00




25000,00

50000,00

75000,00

100000,00

Monto total de deuda s

(2)




Monto Actual de deuda

750,00





 


 





  





 



 



 









  
 


 





 
 







 
 


      

 











 
  



 

 
 

    
       



   



 
    


  
    
 

 
 
     
 
  
  
    


  

  
 

 


  





  


 


 
     

  



   


















   







    









 


  





 

 

 















 
 


       

























   


 
 



 

 












 
 




 
       
  




 








 



 


   



   



 


  
     



 


   




   


 



 





 










 




 
 



      
  





 





















 
 










  
 



















    

 




























































    

















     






















































     
 












   
 











 












  















   















      















500,00

250,00

0,00

0,00

25000,00

50000,00

75000,00

100000,00

Monto total de deuda s

(3)

132

10,00







  





 

   
  




  

 

  
   
 


   

        










        



   
 

  
 







 

 
 

 




 







  
    



 







    







 
 


 
  
 





 

  





 




 


  





  
  

  

















    
 




 

 


 


  



 

  





 



   

 








     





   





  





 


 
 
 




 






 





 
 



















 


 



 





 




 












  

  
    


     
 

 

  






 



  
 




 











 




 
    




 


 
   


  













 


 
 

 

 
    
 
 


    

 











     










 
  

 







 








    








  






 





 

 




 




 









 
















 
 






 
 












 

 















 






























































































Aos Pertenencia

7,50

5,00

2,50

0,00

0,00

25000,00

50000,00

75000,00

100000,00

Monto total de deuda s

(4)

ndice de la entidad

100

75

50

25

 
 
  
 


 


 

 


     

 

 
  
 


  
  
    
 

 
   
 
  

   

  














  

  

 
      

 


 









   




     

    













  











   
















 
     






 










 

    
  
    









 










































 
 
 











 
      


















 
 










 


 



























 




  

  

























  
 
 










  


































 
  

 
 













 



 
 




























   







































     











 

 







 

  












 
  
 
















 
 









  
   








 
 
 


















    

   

  











 






 














  








 








  
 




 



  












 







0
0,00

25000,00

50000,00

75000,00

100000,00

Monto total de deuda s

(5)

133

Pueden

reconocerse

tres

grupos

asociados

la

variable Monto total de deudas. Seleccionar tres grupos a

esta altura no implicar necesariamente que el grfico ser
dividido en tres partes y luego se agruparan los datos de esa
forma, sino que se puede reconocer tres comportamientos
distintos respecto de la variable mencionada y las dems.
Por ello, habr que realizar el mismo anlisis con las dems
variables.
2 conjunto de grficos Das promedio de retraso
antes del pago contra las dems variables


  
 





 








  



 
 




 


 



  
 


     

  






  
   








      


   

      


 
 



 

 
   
        

    
  
 


   
 
        

 

   
   
      

 

  
 
  
 

  






  



 






  


     

 







  

















  
   
 
 


 

     







 
  


  
   

  


  


 

 

   
 















 
  

   
  



 
  


 

 
 

 
   













  
  

  





 
























  


  




  
  
























      
 



 














  




 

 



   












 




      






   











  





 





















 
 
    

















 

  








































 
 





Monto Actual de deuda

750,00

500,00

250,00

0,00

25

50

75

100

Da s promedio de re tra so a ntes de pa go de deuda

(1)

134

Das de retraso de la deuda actual




 






75





 





  






 




 



 




  

 




 
 












     

  

 


 
  




 




 
   
 
   
   

  






 



 

 





 







 
 
     

 








 






    






  
   






   

    
     
  

  








 
 
    














 
 

   
 

     



 





 




 

 
 
  
  


 
 



 
 





  
          
 



 













 



 









 
      
 
 





 
    
















 











   
    
 





















 






  

 
 













  






















 













 
 
 
 
 
  




 







 
 
   
 


   



 





 





50

25

25

50

75

100

Da s promedio de re tra so a ntes de pa go de deuda

(2)

Aos Pertenencia

10,00

7,50

5,00

2,50

0,00

  

 
  
 



   
 

 



  

             

 

 

   




     


 

   



 







    



  
 

  

 
  
 
          
 
   
 
  


  
   

    
 
    
 
    
   
 
 

  
   

 

 
 






  

















   

 


  
















 
    

 
   
  
  


    
 
   
 

 

 
 
 
   
   
  


  
 

 

 


 
 
     
 


 















  
    
 


   











      
        






 





     


 
  
 
 


    
   
 
  
 
 

    
 
 




 
  
  



 


   



  



    

   














 

 
   


 

 



  

  

  



 






  



 
 
    

 

 
 












 
 


  




 
 







  








  




 
 




 





























 






































25

50

75

100

Da s promedio de re tra so a ntes de pa go de deuda

(3)

135

ndice de la entidad

100

75

50

25

        

 

     
    
      

 


 
  

  


 

  
 



  
  
 

 

 
       
  


  
  




  








  









   
  












   


     






   



























 
 

   







                








  


















       

 












 



 
 





















 
  
 
    





  









 


  


    










   











 



  

 
















   





  


  










 

     















 


 
   
  
  






 






  






      

  
    


       



 








   





 

      

 















  

















  

    








 

 

   
 


 
   
  
   


   

 

 
 

   

 
 
 

 








  
 
  


0
0

25

50

75

100

Da s promedio de re tra so a ntes de pa go de deuda

(4)
3 conjunto de grficos: Monto actual de deuda contra
las dems variables.


Das de retraso de la deuda actual






75

50

25













 
 

 
  
 

 






 












 


 



   

      
   

 


 



    
    
 







   
  
 




  

  
 

  


 

    
 
   
  



 



 

    

   
 
  
 

































  
 
      





 




   










 

 
 















    







    





  

 



 













 








   







     






 
































 


 

 









   























     




























 

  
     
 



 













































 



  










 







 





























 















































    





















  



















































 

         
















 
















  








 














0,00

250,00

500,00

750,00

Monto Actual de de uda

(1)

136

ndice de la entidad

100

75

50

25



       

  
  


 
 
   

    
   
    

  
   
   
    


 
  
 
         
 
   
  







 





 
        
 

 


 



 


    
 









 






  






   












 
   























        








 




  









  


 



 
 
   

































 
 

  

















  






 


















    
   













    
  
  



  
  



 


 



  


 
 

   
 



  

  
 



 
  
 
 

 
 
    



  

   



  
    


 
 



 



 





 
   

 
   


 
 
 


 



 
  


 
  

 





0
0,00

250,00

500,00

750,00

Monto Actual de deuda

(2)

Aos Pertenencia

10,00

7,50

5,00

2,50

0,00




       


    
        
 
  

   



 



 

  



      

  
 
  

 





     
  
 
 



      
 
    


    
    
  
 



 

  


     
 

 
  


     

























  
 

     


   









     

  

 


  
   

   

   
  




 
   

 
 


  
     
   
 

  

  


    
      
  

       






     















    
 
   
  
 

 

    

 



  
  
 
     

 



       

 
 






 
 
 
  





 




 
     


 


















 



 

         



   

 

 
 





 

 
  












    


   





  
  










  

 








 







 



  
 



   


0,00

250,00

500,00

750,00

Monto Actua l de de uda

(3)

137

4 conjunto de grficos: (1),(2)Das de retraso de la deuda

actual contra las dems variables y (3)Aos de
pertenencia contra ndice de la entidad
10,00


 




   

  




  
 







 
  






 
 












   
 
   
 


 







 












    



 

 
 
 











  
 


 

 


    
 






  


    
  




 
 

  


    
 
 
 
 
 


 
  

    




 
 








   























   
  

  



   

  

   



  
  










  
    




 



 

 













        
 

 

 



 
  

 

   

 
 


 

 



 





    



   
 




 
 
 
  
 

   
  







   
   
  
 












 


  
 
    
 

  
      


  
    
 

  
 




 


 
 

 





 






   
 




 

 
 




    
 





  




















   












 
  





 



















































Aos Pertenencia

7,50

5,00

2,50

0,00

25

50

75

Da s de re tra so de la de uda actual

(1)

ndice de la entidad

100

75

50

25

 



  

     


        
   

  
   

 

 




   
  

    

    




 
  
 




 



















    


 
 









      

 








 
 

















  



 


 


























 
    







 




 







 







 
































   

   






























 



   

 



 

  

      

 





  



 
        
 
   

 




 
 



 
 
    


 
 





 











 

    


 


 






 
 




 












     

   





  


 



 










 


   




   
  


 
 


















     



  

 


    

 
 
  










  
 

 













    
 





 

 
  
 

 




     


 

  
   



 

        
 



  
  
  
 
        




 


   


 

  



 
 






  
 





  
 

 
 




 




 
 








   








 


0
0,00

2,50

5,00

7,50

Aos Pe rte ne ncia

(2)

138

10,00

ndice de la entidad

100

75

50

25




  

  

  
  
 



 



       

 
 



  

   
 
 
 
  
 


 

  
 

 
 
 


















 
   



  

  



 
 



















  




 











 

 
 




  

























 
  











 









 
   
 















 



   
 












 
















    























     






 








 











 



















  
  












 










  




















 
  











 
 

    








 
 



 


  




 





 


   






   

    
 






       

 
 

  
  

 










   
   
  



     
 
   






 



  


 
 



  








0
0

25

50

75

Da s de re tra so de la de uda actual

(3)
Por ejemplo, en el grfico 2 del 4 conjunto, los Das
de retraso de la deuda actual parecen no formar grupos con
ndice de la entidad como es de esperarse dada la hiptesis
sobre el significado del ndice. Vemos adems que, cuando
las variables pueden ser relacionadas en teora, las observaciones verifican esa suposicin.
En todos los grficos pueden verse al menos dos zonas
de alta densidad de puntos y luego una nube alrededor de
ellas hacia el extremo derecho. Por lo anterior, en principio,
seleccionaremos 3 grupos.
En cuanto al anlisis formal, veremos qu sucede con
los ndices si se seleccionan 2, 4 o 5 grupos. Para este

139

primer anlisis elegiremos m = 2 (coeficiente de borrosidad

igual a dos), la distancia eucldea y un criterio de detencin,
TOL, de 1.1016 de cambio en la funcin objetivo.
Definidos estos parmetros de entrada se procede a
realizar el Fuzzy Clustering mediante la funcin cmeans en
el software R. Los resultados para 2, 3, 4 y 5 grupos se
evalan mediante los ndices de validacin (ver Anexo I para
una descripcin de los mismos):
Cuadro 1: ndices de Validacin
Cantidad
de
Grupos

Coeficiente
de Particin

0,891152 *

0,209313 *

0,059358

-5,37232E+11

0,866102

0,257038

0,042818 *

-7,68962E+11

0,82407

0,3443192

0,102443

-8,11228E+11*

0,790254

0,409584

Coeficiente
de Entropa

ndice de
Xie-Beni

12,372499

ndice de
FukuyamaSugeno

2,0114E+12

Se ha indicado en el cuadro con un asterisco la cantidad de grupos seleccionados por cada ndice. Vemos que
los ndices se contradicen. En el caso del Xie-Beni se favorece la eleccin de 3 grupos. Para el Fukuyama-Sugeno se
considera mejor la eleccin de 4 grupos. Mientras que en el
caso del coeficiente de particin, se favorece la eleccin de 2
grupos y, por construccin, el coeficiente de entropa coincide. Se verifica en este caso que los ndices no nos ayudan
a seleccionar la cantidad de grupos. Tomar en cuenta sus
resultados al momento de tomar una decisin depender de

140

la interpretacin que se haga de la construccin del ndice y

cmo utiliza las variables de entrada.
El siguiente problema a enfrentar es la seleccin
definitiva del coeficiente de borrosidad (m). Asignaremos el
valor dos para este coeficiente como sugieren Pal y Bezdek
(1995). Cuanto ms cercano a uno sea m, ms fuerte ser la
asignacin de la pertenencia a cada grupo por lo que la
matriz de pertenencias se parecer mucho ms a la matriz
asociada al mtodo de Clustering. Cuanto ms alto sea m,
ms suave ser la asignacin a cada grupo.
Veamos cmo varan los centros y la pertenencia de
cada cliente al variar (m) numricamente. Por ejemplo, tomemos, de los datos con los que contamos, el cliente 1098.
Se ha aplicado el Fuzzy Clustering para 3 grupos con
un criterio de detencin de 1.1016 de cambio en la funcin
objetivo utilizando la funcin cmeans en el software R, obteniendo los siguientes resultados. Las columnas mantienen
el orden del presentado en el cuadro 2:
Cuadro 2: Detalle de los datos del Cliente1098

Clientes

Das
Das de
promedio Monto
Monto
retraso
ndice
de retraso actual
Aos
total de
de la
de la
antes de
Pertenencia
de
deudas
entidad
deuda
pago de deuda
actual
deuda

cliente1098 63733,82

42

129,70

141

38

9,32

85

Cuadro 3: Centros y pertenencias del Cliente1098

CENTRO 1

Centros con m = 1,05 luego de 26 iteraciones

81624,31
47
336,4
27
8,67

83

CENTRO 2

48424,887

33

263,51

25

6,7

79

CENTRO 3

8516,76

16

128,17

14

3,03

65

CENTRO 1

Centros con m = 1,5 luego de 19 iteraciones

82502,45
47
335,21
27
8,73

79

CENTRO 2

48373,14

32

263,31

25

6,7

79

CENTRO 3

8176,48

15

124,93

14

2,99

64

CENTRO 1

Centros con m = 2 luego de 27 iteraciones

83003,35
47
333,92
27
8,75

83

CENTRO 2

48284,25

32

262,19

25

6,7

79

CENTRO 3

7621,46

15

119,17

13

2,93

64

Centros con m = 5 luego de 100 iteraciones y Pertenencias del Cliente

1098
CENTRO 1 74739,384
44
349,50
29
8,23
83
CENTRO 2

46531,22

32

260,66

26

6,59

78

CENTRO 3

5785,20

13

101,03

12

2,70

62

CENTRO 1

Centros con m = 12 luego de 68 iteraciones

64523,575
32
281,53
23
8,14

76

CENTRO 2

44949,09

30

248,67

25

6,51

76

CENTRO 3

5347,63

13

88,40

12

2,53

62

Pertenencias para distintos valores de m del Cliente 1098

M
Grupo 1
Grupo 2
Grupo 3
1,05

0,0019568

0,9980431

0,0000000

1,5

0,3084410

0,6875407

0,0040182

0,373997

0,581888

0,044115

0,447275

0,357784

0,194940

12

0,494371

0,278785

0,226843

142

Dada la naturaleza heurstica del mtodo, el cambio

en alguno de sus parmetros produce cambios en la estructura del resultado. Al haber elegido m = 5, por ejemplo,
cambiaron los centros. Por lo tanto, tambin cambiaron las
distancias a los centros. A su vez, esto provoca el cambio en
la totalidad del resultado y, por ende, de su interpretacin.
Como se dijo, a medida que el nivel de borrosidad
aumenta las pertenencias comienzan a estar menos diferenciadas entre s como puede apreciarse en Pertenencias
para distintos valores de m del Cliente1098.
5.2.3 Reconocimiento de los grupos con Fuzzy C-Means
Clustering
Se reportan entonces los resultados obtenidos.
Luego de 27 iteraciones, utilizando m = 2, c = 3 y
TOL = 1.10- 16 , se obtienen los siguientes centros de cada
grupo:
Cuadro 4:

Centros para los tres grupos

CENTRO 1

83003,35

47

333,92

27

8,75

83

CENTRO 2

48284,25

32

262,19

25

6,7

79

CENTRO 3

7621,46

15

119,17

13

2,93

64

143

Cada cliente recibe su coeficiente de pertenencia a cada grupo. Podemos ver algunos de ellos:
Cuadro 5: Pertenencias a cada grupo de los clientes 368 a 375
Cliente

Grupo 1

Grupo 2

Grupo 3

cliente368

0,053048

0,806397

0,140556

cliente369

0,001800

0,006663

0,991537

cliente370

0,565217

0,394981

0,039802

cliente371

0,002112

0,006717

0,991171

cliente372

0,984560

0,012995

0,002444

cliente373

0,931038

0,053872

0,015090

cliente374

0,056616

0,923984

0,019400

cliente375

0,033846

0,906259

0,059895

La ltima columna indica a qu grupo pertenece el

dato segn el mayor valor de pertenencia. Si se considera la
pertenencia a un grupo cmo el mximo del valor de pertenencia, en el grupo 1 se ubicaron 165 clientes, en el grupo
2 se ubicaron 576, y en el grupo 3 quedaron 663. Si se
considera la cantidad de como la suma de los coeficientes de
pertenencia por grupo, el grupo 1 contiene 186,6 datos, el
grupo 2 tiene 560,2 y el grupo 3 termina con 657,2.

El resultado nos habla de tres grupos con las siguientes caractersticas:

144

Grupo 1
Alto nivel de uso de la cuenta corriente Alto Endeudamiento. Altos montos de endeudamiento. El
perodo de saldo de la situacin deudora es de 47
das en promedio, haciendo gastos cercanos a los
$300 pesos. Estos clientes llevan mucho tiempo trabajando con la entidad.

Grupo 2
Nivel medio de uso de la cuenta corriente Endeudamiento Medio. Tienen niveles de endeudamiento
acorde a lo esperado por el tiempo que llevan con la
entidad y, tambin, menores. El perodo de repago,
en promedio, es de 32 das.

Grupo 3
Nivel

bajo

de

uso

de

la

cuenta

corriente

Endeudamiento Bajo. Niveles de endeudamiento muy

bajos. Este grupo est totalmente diferenciado de los
dems. Aqu se agrupan clientes nuevos y de corta
pertenencia al banco. El nivel de calificacin de la
entidad los califica con 64 en promedio.

145

La entidad clasificar a los clientes de acuerdo a los

resultados que se obtuvieron por el mtodo de agrupamiento
utilizado. Evidentemente, deber hacer un seguimiento ms
cuidadoso de los clientes del grupo 1 que se manifiestan
como ms riesgosos dado su mayor nivel de endeudamiento.

5.2.4 Anlisis Discriminante Cannico de los resultados

obtenidos
Como se mencion al inicio, el anlisis realizado es
esttico y lo que a la entidad le interesa es poder clasificar a
sus clientes en estos grupos a medida que se vayan incorporando y reclasificar a los existentes por haber modificado
sus caractersticas. Para ello, se utilizar el anlisis discriminante cannico.
Para llevar a cabo la construccin de las funciones
cannicas discriminantes se han eliminado de la lista todos
los

clientes

que

presentaban

pertenencias

demasiado

borrosas. Por ello, dado que existen tres grupos, la mxima

borrosidad ocurre cuando la pertenencia es 0,33 para cada
grupo.

Entonces,

se

han

eliminado

los

datos

cuyas

pertenencias mayores a 0,3333 y menores a 0,6 quedando

86 datos fuera y 1318 dentro del anlisis.

146

Utilizando

el

SPSS,

se

obtienen

dos

funciones

cannicas discriminantes. La primera tiene un alto poder

discriminatorio por corresponder al eigenvalor mayor de la
matriz de varianzas. En el siguiente cuadro se presentan los
resultados:
Cuadro 6: Eigenvalores de las funciones cannicas discriminantes
Funcin

Eigenvalor

% de Varianza

Acumulativo

Correlacin
Cannica

13,298

99,5

99,5

0,964

0,065

0,5

100,0

0,246

La primera funcin obtenida explica el 99,5% de la

variabilidad total. La segunda funcin aporta poco al
anlisis por lo que la eliminamos. La funcin discriminante
es la siguiente:

D1 = - 4,214426+ 0,000143.x1 + 0,003289.x2 + 0,000183.x3 - 0,004255.x4 - 0,060383.x5 - 0,002469.x6

donde,

x1 : Monto total de deuda acumulada.

x2 : Das promedio de retraso antes de pago de deuda.

x3 : Monto actual de la deuda.

x4 : Das de retraso de la deuda actual.

147

x5 : Aos de pertenencia a la compaa.

x6 : ndice de la entidad.
En el grfico que se presenta a continuacin, se

pueden observar las puntuaciones de cada individuo segn

las dos funciones obtenidas por el anlisis discriminante.

5 Grfico: Puntuaciones de la funcin discriminante 1 y 2

Funciones Cannicas Discriminantes

Fuzzy Clustering - Hard

Clustering

1
2

3
Centroide del Grupo

Funcin 2

1
2
3

1
-1

-2

-3
-5

10

Funcin 1

Los intervalos definidos para la asignacin segn el

resultado que surge de la discriminacin son:

148

D 4,5 cliente x G1
0,5 D < 4,5 cliente x G 2
D < 0,5 cliente x G3
Con esta regla de decisin, se han recalificado correctamente, o sea segn la clasificacin del Fuzzy Clustering,
74 de los 86 casos de borde anteriormente excluidos. Por lo
tanto, an en el caso de los individuos difciles de clasificar,
la funcin discriminante permiti hacerlo con una efectividad del 86%. Esta herramienta ms expeditiva permitir a
la entidad manejarse en forma sencilla espaciando la reclasificacin completa de la cartera de

clientes.

5.3 Conclusin.
La utilizacin del Fuzzy Clustering para el anlisis de
datos presenta informacin que no puede proporcionar el
Clustering tradicional. El desarrollo del mtodo ha progresado de tal manera que existe una amplia gama de
modificaciones al mtodo que lo hacen ms efectivo al
momento de la utilizacin. Adems, se han incorporado
medidas de validacin que ayudan al criterio del usuario.

149

En el campo de los negocios, este tipo de herramientas

ayudan a hacer un anlisis completo de grandes cantidades
de datos. En el caso de nuestra entidad bancaria modelo y
bajo los supuestos utilizados, el Fuzzy Clustering sirvi para
poder reconocer los datos que presentaban confusin respecto de todos los dems. Adems, su resultado fue utilizado para armar una herramienta de discriminacin entre los
grupos descriptos.

150

5.4 Bibliografa
(2003),The economic and social structure of

London and the South East. An analysis of the

economic and social structure of London, the South
East Region and the Eastern Region using the
technique of Fuzzy Clustering, Volterra Consulting
Ltd, Reino Unido.

Fraley, C., Raftery, A.(2002), Model-Based clustering,

discriminant analysis and density estimation, Journal
of the American Statistical Association, pp. 611 - 631

Fraley, C., Raftery, A. (1998), How many clusters?

Which clustering method? Ansewrs via model-based
cluster analysis , The computer journal, pp. 578 - 588.

Gath, I., Geva, A. B. (1989), Unsupervised optimal

fuzzy

clustering,

IEEE

Transactions

On

Pattern

Analysis and Machine Intelligence, Vol. II, No. 7, pp.

773 781.

Hammah, R., Curran, J. (2000), Validity measures for

the fuzzy cluster analysis of orientations, IEEE
Transactions

On

Pattern

Analysis

and

Machine

Intelligence, Vol. XXII, No. 12, pp. 1467 1472.

151

Hsu, T.-H. (2000), An application of fuzzy clustering

in group-positioning analysis, Proc. Natl. Sci. Counc.,
Vol. X, No. 2, pp. 157 167.

Klawonn, F., Poner, F., What is fuzzy about fuzzy

clustering? Understanding and improving the concept
of

fuzzifier,

University

Department
of

of

Computer

Applied

Science,
Sciences

Braunschweig/Wolfenbuttel, Alemania.

Klir, G., Yuan, B. (1995), Fuzzy sets and fuzzy logic.

Theory and applications, Prentice Hall, Estados
Unidos, pp. 358 - 365.

Koutsoupias, K., Papadimitiou, I. (2000), Utilizing

hierarchical

classification

in

life

insurance

data

analysis, VII Congreso de SIGEF, Grecia, pp. 141 150.

Mendes,

M., Sacks, L. (1999), Evaluating fuzzy

clustering for relevance-based information access,

Dept. of E&EE, University College London, Londres.

Pal, N. R., Bezdek, J. C. (1995), On cluster validity for

the Fuzzy C-Means Model, IEEE Transactions On
Fuzzy Systems, Vol. III, No. 3, pp. 370 379.

152

Pedrycz,

W.

(2005),

Knowledge-based

clustering.

From data to information granules, Wiley.

Prez, C. (2004), Tcnicas de anlisis multivariante de

datos. Aplicaciones con SPSS, Pearson Educacin
S.A., Madrid.

Xie, X., Beni, G. (1991), A validity measure for fuzzy

clustering, IEEE Transactions On Pattern Analysis and
Machine Intelligence, Vol. XIII, No. 8, pp. 841 847.

Zimmermann, H.-J. (1991), Fuzzy set theory and its

applications.

Second,

revised

edition,

Kluwer

Academic Publishers, Estados Unidos, pp. 220 - 239.

153

5.5 Anexo I: Introduccin al Clustering y Fuzzy Clustering

El clustering es una tcnica de data mining (exploracin de datos) que consiste en agrupar datos segn su
similitud o su distancia. Esa tcnica asigna con certeza cada
dato al grupo al que se encuentra mejor emparentado. Por
ejemplo, veamos la siguiente figura a ttulo ilustrativo haciendo un anlisis grfico de los resultados.

Cuadro D - Coeficientes fuzzy de

pertenencia
[0,1]
[0,2]
1
2
3
4
5
6
7
8

Figura 1

154

0,97194173
0,99468365
0,99145526
0,03459092
0,04935013
0,02884443
0,40757656
0,26023142

0,028058268
0,005316347
0,008544737
0,965409081
0,950649867
0,971155567
0,592423439
0,739768581

En el cuadro A, donde se ha trabajado con 6 datos,

son fcilmente definibles dos grupos datos y cualquier algoritmo que se elija los reconocer rpidamente. En el cuadro
B, se han agregado dos datos que se ubican en el medio entre los dos grupos. A qu grupo pertenece cada dato? Si se
hace el agrupamiento por el mtodo de clustering tradicional utilizando el mtodo K-Means, el resultado es el que se
expone en el cuadro C. Vase que el algoritmo ha asignado
ambos datos al grupo 1 (de la derecha superior). Sin embargo, no necesariamente este es el caso con ambos datos. El
cuadro D muestra la asignacin que resulta de utilizar el
Fuzzy Clustering. Este mtodo asigna un grado de pertenencia a cada grupo para cada dato. Los datos iniciales tienen
asignados coeficientes que implican casi certeza de pertenencia. Mientras que los nuevos datos muestran en sus coeficientes la ambigedad de su pertenencia. Sera necesario
ahora definir el umbral a partir del cual se define la pertenencia a un grupo especfico.
El mtodo de Fuzzy Clustering presenta la posibilidad
de utilizarlo como apoyo cuando se debe trabajar con gran
cantidad de datos debido a su flexibilidad y su fcil para la
interpretacin. El problema de reconocer grupos, dado un
conjunto de grande de individuos (dgase 1000) para cada
uno de los cuales hay ms de una variable que se pretende

155

comparar (pinsese en 3 variables por lo menos), nos presenta la necesidad de trabajar con matrices grandes (1000 x
3 = 3000 datos). A su vez, dado que la asignacin categrica
de un individuo a un grupo puede ocasionar la prdida de la
visin general del problema, sera mejor asignar, como se
quiso ejemplificar antes, un nivel de pertenencia a cada
grupo y, de esa forma, ver la posibilidad tanto de fusionar
grupos como de separarlos o de considerar cierto rango de
datos como pertenecientes a dos grupos simultneamente.
5.5.1 Fuzzy Clustering. Fuzzy C-Means Clustering
Como vimos en la introduccin, dado el conjunto de
datos a agrupar, y encontrados los patrones que agrupan
los datos, parece conveniente asignar grados de pertenencia
a ciertos datos cuando su distribucin no es perfectamente
divisible. Algunos de los datos con que contamos pueden ser
casos de borde de dos grupos al mismo tiempo como los que
vimos en nuestro ejemplo gracias a agrupar segn la tcnica
Fuzzy.

156

El mtodo de Fuzzy Clustering parte del siguiente problema de optimizacin8:

c N

Min Q = Minu ,v g (uik ).d ( xk , vi )

i =1 k =1

s. a

u
i =1

ik

=1

(1)

(2)

donde Q es la funcin objetivo, c es el nmero de grupos que se quieren formar, N es el nmero de individuos con
los que se cuenta,

v i es un vector prototipo o centro que dex k es un vector correspondiente a

finiremos ms adelante,
cada dato,

g (uik ) es una funcin que depende de los facto-

res de pertenencia

uik , y d ( , ) representa la distancia

pudindose elegir entre distintos tipos de definiciones de

distancias que mejor describan el espacio en donde se trabaja.
8

El problema surge de considerar, para el agrupamiento de datos, la optimizacin de una

funcin objetivo del tipo:
c

f = uik .dik s. a
i =1 k =1

donde los

u
i =1

ik

=1

uij ,entre cero y uno, son ponderadores de cada distancia d ij . Pero por ser todas

las distancias positivas, la resolucin es simple y se encontrar un ptimo asignando 1 a

cada uij que acompae a la menor de las distancias por cada i. Por ello, se incorpora la
funcin g.

157

La funcin g es tal que el cambio en el valor de la

funcin objetivo sea mayor que el que el cambio en los
valores de los factores de pertenencia. Entonces, g debe
cumplir con las siguientes restricciones:

g C 2 [0;1]
g (0) = 0 g (1) = 1
g '( x) > 0 x [0;1]
g ''( x) > 0 x [0;1]
La matriz de particin, que es la matriz en cuyas filas
representan a los individuos y en cuyas columnas se asignan los coeficientes de pertenencia para cada grupo, ya no
ser compuesta por unos y ceros segn la pertenencia o no
a un determinado grupo como en el clustering tradicional,
sino que se representa por una pertenencia parcial a cada
grupo. La matriz U que describe la pertenencia ser:

u11
u
12

u1N

u21
u22
u2 N

uc1
uc 2

ucN

158

...

Esta matriz debe cumplir dos condiciones:

Los cluster formados no deben ser triviales. Entonces,

para todo i:
N

0 < uik < N

k =1

La suma de los factores de pertenencia debe ser igual

a 1. Entonces, para todo k:
c

u
i =1

ik

=1

Uno de los algoritmos de clustering que contempla los

casos de pertenencia parcial se llama Fuzzy C-Means
Clustering (FCM). Este algoritmo fue desarrollado por
Dunn(1974)9 y generalizado por Bezdek(1981)10 y consiste
en optimizar la siguiente funcin objetivo:
c

Q = uikm .d ( xk , vi )
i =1 k =1

En este caso, la funcin g toma la forma:

g (uik ) = uikm

y cumple las restricciones antes impuestas.

J. C. Dunn (1974): "A Fuzzy Relative of the ISODATA Process and Its Use in Detecting
Compact Well-Separated Clusters", Journal of Cybernetics 3: 32-57
10
J. C. Bezdek (1981): "Pattern Recognition with Fuzzy Objective Function Algoritms",
Plenum Press, New York

159

La solucin de la minimizacin de la funcin objetivo

de forma de hallar los valores de la matriz U se completa en
dos pasos. Para desarrollar el mtodo utilizaremos la
distancia euclidea que es la empleada a lo largo del presente
trabajo. Primero se seleccionan, en forma aleatoria o
mediante algn criterio particular, los vectores que sern
utilizados como prototipos o centros y que sern los vectores
representativos de los datos de un grupo. Estos vectores se
utilizarn en el primer paso y luego el mtodo ir modificndolos a los efectos de buscar su configuracin ptima.
En el primer paso, se debe optimizar cada trmino de la
suma de los clusters respecto de los valores de

uikm utilizan-

do las condiciones. Con lo que se plantea:

c

Vs = uism . xs vi

i =1

uism 1
i =1

Donde es el multiplicador de Lagrange.

condiciones de primer orden para cada t son:

Vs
= mursm 1. xs vr
urs
Despejando se llega a que:

160

= 0

Las

1
m 1
urs . =
m
xs vr

2
m 1

Sumando miembro a miembro sobre r y recordando la

restriccin sobre la suma de los factores de pertenencia:
1

1
m 1 c
uis =

m i =1 x v
i =1
s
i
c

2
m 1

=1

Con lo cual, el multiplicador de Lagrange ser:

1

m 1
=
m

1
c

i =1

1
xs vi

2
m 1

Entonces, llegamos a que:

urs . =

xs vr m 1

i =1 xs vi
c

De esta forma obtenemos los valores de las

(3)

uik que

minimizan cada uno de los trminos de la funcin Q. Una

161

vez hallados estos, para obtener lo valores de los vectores

vi

se debe buscar el mnimo de la funcin objetivo respecto de

cada uno de esos vectores. Por ello, la minimizacin ser tal
que las condiciones de primer orden son, siempre pensando
en la distancia eucldea,:
N
Q
= 2 uikm . ( xk vi ) = 0
vi
k =1

De lo que se desprende que:

N

u .( x
k =1

m
ik

vi ) = 0 vi =

u
k =1
N

m
ik

.xk

u
k =1

(4)

m
ik

De haberse adoptado otras formas de distancias, por

ejemplo la distancia de Hamming o norma Taxi, no se
1) arribado
Se seleccionan
los valores
de c, tan
m, unsencilla
criterio dey detencin
y
hubiese
a una
solucin
se hubiera
una funcin de distancia apropiada.
requerido
mayor
enharn
la optimizacin.
2) Seun
definen
los esfuerzo
vectores que
de prototipos. Tambin se
3)
Se
repite:
utiliza, como una herramienta ms poderosa de descripcin,
a) Clculo de la matriz de pertenencia
la distancia
exponencial
la distancia
b) Clculo
de los vectores
prototipo. de Mahalanobis. La
el criterio
de detencin.
se verifica
se pasa ade
eleccin c)
de Se
la evala
distancia
depender
del Sitipo
de espacio
4, si no se verifica se comienza desde (a) con los nuevos
datos al que valores
se estdeenfrentando.
uik y de. v i
Resumiendo,
4)
Se detiene. el FCM es un proceso iterativo que
consiste en:

162

El nmero de grupos elegido

refleja el nivel de

generalidad con el que evaluamos los datos. Al inicio del

problema que se plantea, la cantidad de grupos a elegir
depende estrictamente del conocimiento que se tenga de la
informacin disponible. Existen mtodos, como el Clustering
Jerrquico (Hierarquical Clustering), para intentar encontrar
la cantidad de grupos de que se debe disponer. Sin
embargo, dicha metodologa no evita la necesidad de decisiones tomadas por el usuario. Por supuesto, el caso trivial en
el que se elije armar slo un grupo no describe los datos con
los que nos enfrentamos. Tampoco lo hace el otro caso trivial en el que se cuenta con N datos y se elige construir N
grupos. Adems, se observa que la funcin objetivo vista como funcin de la cantidad de grupos decrece cuando la cantidad de grupos aumenta11.
5.5.2 Medidas de Validacin
Para evaluar el resultado que se obtiene de aplicar el
mtodo existen tres medidas importantes: la primera est
constituida por el coeficiente de particin y la entropa de la
particin y las otras son los ndices de FukuyamaSugeno(1989) y de Xie-Beni(1991)

11

Pedrycz, W., Knowledge-based clustering. From data to information granules, Wiley,

2005

163

5.5.3 Coeficiente de Particin y Entropa de la Particin

El coeficiente de particin se define como:
c

CP =

u
i =1 k =1

2
ik

(5)

Y el Coeficiente de Entropa de la Particin se define:

1 c N

CE = . uik .log a (uik )

n i =1 k =1

(6)

Las propiedades de estos ndices como funcin de los

coeficientes de pertenencia y la cantidad de grupos son las
siguientes:

CP = 1 CE = 0 U es matriz de particin del clustering

tradicional

CP =

1
1
CE = log a (c) uij =
c
c

Entonces, cuando se obtiene una particin con

pertenencias unitarias correspondiente al clustering
tradicional, se obtiene el mximo valor del coeficiente
de particin y el mnimo valor del coeficiente de
entropa. Cuando la borrosidad es mxima, o sea que
todos los datos tienen igual pertenencia a cada grupo,

164

el coeficiente de particin asume su mnimo valor y el

de entropa su mximo valor.
Estos

ndices

no

hacen

uso

del

total

de

informacin que proporciona el algoritmo y el conjunto

de datos utilizado. Por el contrario, tienen en cuenta la
informacin proporcionada por los datos indirectamente a travs de los coeficientes de borrosidad.
5.5.4 ndice de Fukuyama-Sugeno
El ndice de Fukuyama-Sugeno se define:
c

IFS = uikm . xk vi
i =1 k =1

Donde

vi v

(7)

v es el vector de medias correspondiente a

todos los datos tambin llamado gran media.

Este ndice compara la distribucin de los datos en
sus grupos con la distribucin de los grupos respecto de la
totalidad de los datos, con lo cual, indica, a mayor valor,
una peor descripcin de los centros de cada grupo. Cuando
se alcanza el mnimo de este ndice, se est frente a un buen
agrupamiento de los datos.

165

Se puede ver que:

c

IFS = uikm . xk vi vi v
i =1 k =1

) = u . x v
c

i =1 k =1

m
ik

c
N

uikm . vi v
i =1 k =1

Si recordamos que:
c

Q = uikm .d ( xk , vi )2
i =1 k =1

Y tambin definimos:
N

u
k =1

m
ik

= Ni

tal que

N
i =1

=N

Podemos escribir el ndice de la siguiente manera:

c

IFS = Q N i . vi v

i =1

En esta formulacin del ndice salta a la vista que se

compara el valor de la funcin objetivo con la situacin ideal
en la que cada dato es prototipo de su grupo y, por lo tanto,
todos los datos de un grupo estn equidistantes al vector
representativo de todo el conjunto de datos.

166

5.5.5 ndice de Xie-Beni

El ndice de Xie-Beni se define:

c

IFS =

u
i =1 k =1

m
ik

. xk vi

n. min vi v j

(8)

El denominador se refiere a la separacin mnima

entre los centros de los datos agrupados. Tomando esos
centros como representativos de lo que sucede con todos los
datos, la mnima distancia entre ellos representa la situacin ideal de la separacin de todos los datos. Por lo tanto,
ponderar el valor de la funcin objetivo por este valor
mnimo, equivaldr a sealar qu tan separados se encuentran los grupos. Por lo tanto, si IFS1<IFS2, tendremos que
IFS1 es una mejor particin que IFS2.
Estos dos ltimos ndices, a diferencia de los primeros
dos, hacen uso del total de la informacin suministrada por
el algoritmo. Utilizan la cantidad de grupos, la funcin de
distancia utilizada, los centros establecidos y los coeficientes
de borrosidad. Los resultados a que se llega del empleo de
estos ndices no es necesariamente la misma. Mientras que
el coeficiente de particin y el de entropa deberan coincidir,

167

no necesariamente suceder ello con el ndice Xie-Beni y con

el Fukuyama-Sugeno. Para ver una ilustracin de estas
conclusiones puede verse Pal, N. R., Bezdek, J.C 1995.

168

LA TEORA DE LOS EVENTOS EXTREMOS,

APLICACIN PARA EVALUACIN DE
RIESGOS12.

Autores:
Dra. Mara Teresa Casparri
Federico Agustn Alcalde Bessia

12

El presente trabajo se desarrolla en el marco del proyecto UBACyT E012: Evolucin de

riesgos financieros extremos en mercados emergentes con nfasis en la Argentina.

169

170

6.1 Introduccin.

Histricamente, la teora en valores extremos se remonta a los comienzos de 1709 cuando Nicols Bernoulli
plante el problema de la distancia media mxima desde el
origen de n puntos distribuidos aleatoriamente en un lnea
recta de distancia fija t. Mientras que Frchet en 1927 identific una distribucin lmite posible para valores mximos,
Fisher y Tippett en 192813 demostraron que las distribuciones de valores extremos pueden ser slo de tres tipos.
Pero recin en 1943, Gnedenko, da los fundamentos rigurosos para esta teora y presenta las condiciones necesarias y
suficientes para la convergencia dbil.

En 1958, Gumbel14 fue el primero en llamar la

atencin sobre las posibles aplicaciones de la teora formal
de los valores extremos para algunas distribuciones. El
primer pro-blema que se trat tiene que ver con fenmenos
meteo-rolgicos. Esto ocurri en 1941.
En la actualidad, el marco de aplicacin de la teora de
valores extremos es extenso. En particular, en el campo que
13

Fisher, R.A. and Tippett, L.H.C., Limiting forms of the frequency distributions of the
largest or smallest member of a sample. Proc. Camb. Phil. Soc. 24, 1928, Pag. 180190.
14
Emil Julius Gumbel, matemtico alemn, pacifista y anti-nazi que desarroll las
distribuciones de EVT y las present en su trabajo de 1958.

171

nos interesa, economa, finanzas y seguros tiene su auge a

fines de la dcada del noventa. En el presente trabajo, a
partir del caso univariado de la Teora de los Valores Extremos, se llega al bivariado presentando, luego, una aplicacin
a modo de ejemplo.

6.2 Teora de los Valores Extremos (EVT15).

Valores extremos se denomina a los valores inusuales

causados por eventos raros. Pueden definirse, tambin, como eventos de baja probabilidad de ocurrencia pero de alto
impacto.
En el anlisis clsico de datos, los valores extremos
son llamados outliers y, generalmente, son ignorados en el
estudio. Esto significa que los datos son analizados de forma
de hacerlos uniformes a los efectos de ajustar un modelo a
ellos. Esto es correcto si se buscan estimadores de los casos
comunes por lo que, no debe importar si se quitan los valores extremos. Pero si se busca describir los eventos que no
suceden comnmente, entonces es incorrecto.
El potencial de la teora de los valores extremos aplicada a problemas de ndole financiera ha sido reconocido
recientemente. El final de la ltima dcada ha sido carac15

Por su sigla en ingls: Extreme Value Theory. De aqu en adelante, se utilizar esa sigla.

172

terizado por la inestabilidad en los mercados financieros a

nivel mundial. Esto motiv la revisin de los modelos de evaluacin de riesgos existentes y llev a la bsqueda de metodologas apropiadas que puedan hacer frente a estos riesgos
y sus consecuencias. La pregunta tpica que se intenta responder es:Si las cosas van mal, qu tan malas pueden
ser? Por lo que, el problema que se presenta es poder modelar valores extremos a partir de la informacin disponible.
El acuerdo de Basilea II busca proporcionar medidas
de reduccin del riesgo pidiendo a las instituciones financieras que calculen el Value at Risk para percentiles altos y
mantener suficiente capital econmico para afrontar eventos
de baja probabilidad. Para la industria aseguradora, donde
la mayor parte del riesgo se presenta en el balance, la diversificacin entre espacios geogrficos y riesgos, y los mercados de reaseguro son instrumentos de reduccin del riesgo para asegurarse de que la compaa no entrar en quiebra ante un evento extremo. Las compaas, de hecho, se
ven afectadas por estos riesgos extremos y necesariamente,
deben ser modelados para tomar previsin de las posibles
prdidas.
Los mtodos estadsticos para evaluar eventos extremos necesitan poder medir suficientemente bien la cola de
la distribucin que se analiza. La Teora de los Valores

173

Extremos (EVT) es la que se encarga de este anlisis. La EVT

no solo genera modelos para la muestra que se est utilizando, tambin puede ser utilizada para extrapolar la probabilidad de un evento an ms extremo que queda fuera de
toda muestra posible. Sin embargo, dado que la EVT se basa
en argumentos asintticos

y el tamao de las muestras

suele ser muy pequeo, se debe trabajar con prudencia en

estos temas.

174

6.3 Caso Univariado.

6.3.1 Existencia.

Comenzamos exponiendo las leyes de los valores

extremos en el lmite que expusieron Fisher and Tippett en
1928 y generalizo Gnedenko en 194316.

Supongamos que

X 1 , X 2 ,..., X n son variables aleatorias idnticamente distribuidas (i.i.d.) con funcin de distribucin F y sea

M n = max {X 1 , X 2 ,..., X n } , entonces

lim P[ M n x] = lim F n ( x) = 0
n

para cualquier x con F(x)<1.

Si se estandariza (en el sentido de la estandarizacin
de

variables

normales)

partir

de

dos

sucesiones

y n > 0, mn , que luego funcionarn como parmetros de

escala y forma, se llega a que

16

Gnedenko, B.V., Sur la distribution limite du terme maximum dune serie aleatoire.
Ann. Math. 44, 1943, pg. 423-453

175

lim P[

M n n

x] = lim F n ( n x + n ) = G ( x)
n

donde G es una funcin de distribucin lmite no degenerada.

De esta forma, hemos visto que existe, al menos tericamente, una distribucin que se puede asignar a la variable aleatoria mximo.

6.3.2 Distribucin de valores extremos generalizada.

Las distribuciones de valores extremos generalizados

son de la forma:
1

G ( x) = exp 1 +

x
x+ = 1 +
>0

Con

x+ = max {x, 0} y < , < , 0 < < .

176

El

x > m+

dominio

de

las

distribuciones

para

x < 0 es

y
y
y para x > 0 es x < m +
. El lmite de 0
x
x

se corresponde con el caso de la distribucin de Gumbel.

Cuando
cuando

x > 0 es el caso de la distribucin de Frchet y

x < 0 es el caso de la Weibull17.

6.3.3 Eventos por sobre un lmite (events over the

threshold18).
Si suponemos un valor lmite x0 .

Fx0 ( x) = P[ X x0 + x / X > x0 ]

F ( x0 + x) F ( x0 )
,
1 F ( x0 )

( x > 0)

Se buscan constantes de escala

{c } y
x0

se define

xF = sup {x : F ( x) < 1} de forma que, lim Fx0 (x) H(x) = 0

x0 xF

donde H es una funcin de distribucin no degenerada

de la forma

17

Vase el apndice II para su forma.

No se utiliza la traduccin literal, como se suele hacer, porque no la consideramos
apropiada para lo que se intenta describir.

18

177

x
1 1+
,

H ( x) =

x
1 exp

donde

si 0
si = 0

y > 0 y < < .

Esta es la funcin de distribucin Generalizada de

Pareto

presentada por Pickands en 197519. No debe con-

fundirse en este caso el valor de x que se est utilizando ya

que, como puede verse ms arriba, x es un nmero por sobre el valor lmite elegido,

x0 .

6.3.4 Aplicaciones del caso univariado.

La

interpretacin

de

las

variables

aleatorias

X 1 , X 2 ,..., X n expuestas antes, puede ser:

19

Pickands, J., Statistical inference using extreme order statistics. Ann. Statist. 3, 1975,
pg. 119-131

178

Rendimientos negativos o positivos diarios sobre

activos financieros de alta o baja frecuencia.

Prdidas operacionales.

Reclamos sobre siniestros por catstrofes.

Prdidas crediticias.

Estos riesgos pueden surgir tanto de datos observados

como de simulaciones a travs de mtodos de Monte Carlo
por lo difcil de la obtencin de datos. Hay situaciones en las
cuales, a pesar de poder hacer la simulacin por modelos
estocsticos, la complejidad del sistema es tal que no
conocemos exactamente a la funcin distribucin de probabilidades por lo cual deben realizarse hiptesis simplificadoras que, muy bien sabemos, en muchos casos sern
irreales.

6.3.5 Mtodos de aplicacin del caso univariado.

La aplicacin del caso univariado de valores extremos

se puede agrupar en tres categoras (Smith, Zhang, 2003):
(i) los mtodos de muestra mxima, utilizando los tres
tipos

de

distribuciones

presentadas en el apndice,

179

de

valores

extremos

(ii) los mtodos de valor lmite (peaks over the

threshold, POT), utilizando todos los excedentes por
sobre un lmite, modelando comnmente a travs
de la distribucin generalizada de Pareto,
(iii) y los procesos de punto en los cuales todos los
valores y los puntos en el tiempo por sobre un
valor lmite se dibujan sobre un proceso de punto
bidimensional y se ajustan varios modelos.

Respecto a los mtodos POT, se pueden distinguir dos

tipos de anlisis. Hay modelos semiparamtricos construidos a travs del estimador de Hill y los modelos completamente paramtricos basados en la distribucin generalizada
de Pareto. Este ltimo se utiliza con mayor frecuencia por
su simplicidad tanto en la exposicin como en la implementacin.

6.4 Caso Bivariado.

6.4.1 Existencia.
Se

supone

X i = < X i1 ,..., X iD > , i = 1, 2,...

una

sucesin de vectores aleatorios D-dimensionales idn-

180

ticamente

distribuidos.

Para

cada

d {1,..., D} , sea

M nd = max { X id , 1 i n} .
Si

existen

dos

sucesiones

de

estandarizacin

mnd > 0, y nd , se tiene como en el caso univariado una distribucin G D-dimensional tal que

lim P nd nd xd = lim F n (nd xd + nd ) = G(xd )

n
nd
n

1 d D

Entonces, G se llama distribucin de probabilidades

multivariada de valores extremos. Pickands, de Haan y
Resnick, Deheuvels dieron, en los setenta, las representaciones generales para estas distribuciones.

6.4.2 Caracterizacin de las funciones de distribucin de

valores extremos bivariadas.

Cualquier distribucin de valores extremos puede ser

escrita de la siguiente forma:

181

y1
G ( x1 ; x2 ) = exp ( y1 + y2 ) . A

( y1 + y2 )
Para alguna funcin A definida en el intervalo [0;1] y
para

y1 , y2 de la forma:
1

x i
yi ( xi ) = 1 + i i

i +

Con
se desea

i = 1, 2

x+ = max {x, 0} y - < m, x < , 0 < y < . Si

x i = 0 , entonces yi se define por continuidad:

lim yi .

i 0

A se llama funcin de dependencia. Se tiene que

A(0)=A(1)=1 y convexa con lo cual max(w,1 w) A(w) 1, 0 w 1.
Con el mximo y el mnimo valor que puede tomar A se obtiene la dependencia o la independencia respectivamente.
En cada funcin de distribucin bivariada, las marginales univariadas de valores extremos son de la forma

G ( xi ) = exp(- yi ) . Si yi 0 , el valor de xi es ms grande que

el punto ms alto (si
bajo (si

x i < 0 ), o ms chico que el valor ms

x i > 0 ), de la marginal i-sima.

182

6.4.3 Algunas distribuciones de valores extremos bivariadas.

Funcin de Distribucin Logstica Bivariada.

La distribucin logstica bivariada (Gumbel, 1960) con

parmetro

g es

1
1

1
1

x 1 1
x2 2 2

G ( x1 ; x2 ) = exp 1 + 1 1
+
1
+

1
2

Donde

0 < 1 . Este es un caso especial de la dis-

tribucin logstica asimtrica bivariada. La dependencia se

obtiene cuando el lmite de
pendencia cuando

se aproxima a cero y la inde-

es uno.

Si hacemos tender

1 0, 2 0 (el

mismo sin importar el orden), obtendremos:

183

resultado es el

1
1

x1 1
x2 2

G ( x1 ; x2 ) = exp e 1 + e 2

Para el caso en que

g es uno tenemos, como dijimos,

independencia y es el caso en el que

x1 y

x2 tienen dis-

tribucin de Gumbel:

x1 1
x1 1
1
1
G( x1 ; x2 ) = exp e
.exp e
= G( x1 ).G( x2 )

Funcin de Distribucin Logstica Asimtrica Bivariada.

La distribucin logstica asimtrica de parmetro

parmetros de posicin

t1 y t2 es

1
1

G ( x1 ; x2 ) = exp (1 t1 ) y1 + (1 t2 ) y2 + ( t1 y1 ) + ( t2 y2 )

184

Donde

0 < 1 y 0 t1 , t2 1 . La independencia se

obtiene cuando

=1

t1 = 0 o t2 = 0 . La dependencia se

obtiene en el lmite cuando

t1 = t2 = 1 y tiende a cero.

Funcin de Distribucin Husler-Reiss. (Husler and

Reiss, 1989)
La distribucin de Husler-Reiss con parmetro

1
G ( x1 ; x2 ) = exp y1.N +

y1

ln
y2 y . N 1 +
2
2

Donde N{} es una normal estndar y

cero. La independencia se logra cuando
dependencia cuando

g es

y2
ln
y1

2



es mayor a

tiende a cero y la

tiene a infinito.

Funcin de Distribucin Bilogstica.

(1 )

)}

La distribucin bilogstica de parmetros

{(

G ( x1 ; x2 ) = exp y1.q(

1 )

185

+ y2 . (1 q )

es

Donde q = q( y1 , y2 ; , ) es la raz de la ecuacin

(1 ) . y1.(1 q) (1 ) . y2 .q
y 0 < a , b < 1 . Cuando

es igual a

=0

el modelo bilo-

gstico es equivalente al modelo logstico con parmetro de

dependencia

igual a

cuando

La dependencia se obtiene en el lmite

tienden a cero y la independencia cuando

tiende a uno o cuando

est fijo y el

otro tiende a uno.

Funcin de Distribucin de Coles-Tawn.

La distribucin de Coles-Tawn con parmetros

>0y

> 0 es

{(

G ( x1 ; x2 ) = exp y1. 1 B ( q; + 1, ) + y2 .B ( q; , + 1)
. y2
q=
. y2 + . y1

186

)}

Donde B (q; , ) es la distribucin beta evaluada en q

con parmetros

6.4.4 Eventos por sobre un lmite (events over the

threshold) para el caso bivariado20.

Si

suponemos

un

vector

de

valores

lmite

x0 = < x0 , y0 > y tomamos el vector aleatorio x = < x, y >

con funcin de distribucin F:

P[ X x0 + x / X > x0 ] = Fx0 ( x) =

F ( x0 ; y0 ) - F ( x + x0 ; y + y0 )
,
1- F ( x0 ; y0 )

Se buscan constantes de escala

( x, y > 0)

{c } y
x0, y0

se define

xF = sup { x : F ( x) < 1} de forma que,

lim Fu (cn x) H ( x) = 0

x0 , y0 xF

20

Para una exposicin clara y concisa, vase: Tajvidi, Nader, Multivariate generalised
Pareto distributions, Octubre de 1996. Este trabajo tambin contiene las generalizaciones
de las distribuciones presentadas aqu y un detalle de la funcin de independencia A.

187

Donde H es una funcin de distribucin no degenerada de la forma

H ( x) =

- ln G ( x0 ) + ln G ( x0 + x)
- ln G ( x0 )

donde G es una funcin de distribucin de valores extremos.

Esta es la funcin bivariada de distribucin Generalizada de Pareto.

Para ver un ejemplo, si la aplicamos al caso de la distribucin bivariada logstica para el caso en que tenemos
lmites

x0 = < x0 , y0 > y variable aleatoria x = < x, y > que

son los excesos por sobre el lmite anterior obtenemos:

P[ X x0 + x / X > x0 ] = H ( x, y) =

1
1

1
1

x0 1 1
y0 2 2

+ 1 + 2
1 + 1

1
2

1
1

1
1

( x0 + x ) 1 1
( y0 + y ) 2 2

1 + 1
+ 1 + 2

1
2

1
1

1
1

x0 1 1
y0 2 2

+ 1 + 2
1 + 1

1
2

con x 0, y 0 .

188

La funcin de densidad, las funciones de distribucin

de cada variable y las de densidad marginales de las variables aleatorias se obtendrn haciendo:

h( x, y ) =

2 H ( x, y )
;
xy

F ( x) = H ( x, 0)
f ( x) =

dH ( x, 0)
dx

F ( y ) = H (0, y )

f ( y) =

dH (0, y )
dy

Para ver un ejemplo numrico simple y sus grficas21,

hacemos:

1
g = , x0 - m1 = - 1, y 1 = 2, x 1 = 0.1, y0 - m2 = 1, y 2 = 7, x 2 = - 0.01
2

21

Los grficos y los clculos se realizaron utilizando el Mathematica v5.1

189

(a)

(b)

(c)

(d)

Figura 1: (a) H(x,y) es la distribucin de probabilidades, (b)

h(x,y) es la funcin de densidad conjunta, (c) F(x) es la
funcin de distribucin de probabilidades de x y (d) F(y) es
la funcin de distribucin de probabilidades de y.

Si hacemos tender

1 0, 2 0 (el

mismo sin importar el orden), obtendremos:

190

resultado es el

y + y0 2 1
x + x0 1 . 1

.
e 1 + e 2

P[ X x0 + x / X > x0 ] = H ( x, y ) = 1

y 1
x0 1 . 1
0 2 .

e 1 + e 2

La funcin de densidad, las funciones de distribucin

de cada variable y las de densidad marginales de las variables aleatorias son:
2

h ( x, y ) =

( 1) .e

x + x0 1 1

.
1

.e

y + y0 2 1

.
2

1. 2 .

y + y0 2 1
x + x0 1 . 1

.
e 1 + e 2

y
x0 1 . 1
0 2 . 1
1
2

+e

y 1
x + x0 1 . 1
0 2 .
1

e
+ e 2

F ( x ) = H ( x, 0) = 1

y 1
x0 1 . 1
0 2 .
1
2

+e

191

f ( x) =

dH ( x, 0) e
=
dx

x + x0 1 1

.
1

y 1
x + x0 1 . 1
0 2 .
1

e
+ e 2

y 1
x0 1 . 1
0 2 .
1

e
+ e 2

y + y0 2 1
x0 1 . 1

.
1

e
+ e 2

F ( y ) = H (0, y ) = 1

y 1
x0 1 . 1
0 2 .

e 1 + e 2

f ( y) =

dH (0, y ) e
=
dx

y + y0 2 1

.
2

y + y0 2 1
x0 1 . 1

.
e 1 + e 2

y 1
x0 1 . 1
0 2 .
1
2

+e

Para ver un ejemplo numrico simple y sus grficas,

hacemos:

2
5

= , x0 1 = 0.1, 1 = 4, y0 2 = 0.2, 2 = 4
192

(a)
(b)

(d)

(c)

Figura 2: (a) H(x,y) es la distribucin de probabilidades, (b)

h(x,y) es la funcin de densidad conjunta, (c) F(x) es la
funcin de distribucin de probabilidades de x y (d) F(y) es
la funcin de distribucin de probabilidades de y.
Con estos ejemplos numricos podemos apreciar tambin que:

193

lim

x , y

H ( x, y ) =

lim

y , x

H ( x, y ) = 1

h( x, y) dx dy = 0.515539
0 0

lim F ( x) = 0.232759
x

lim F ( y ) = 0.251702
y

6.5 Aplicacin para la evaluacin de riesgos.

Supngase que se desea modelar el comportamiento

de dos activos que pertenecen a la misma industria, con lo
cual, puede esperarse que covaren frente a eventos importantes. Por ejemplo, pinsese en compaas de gas. Luego de
cierto evento extremo que afecte a toda la produccin de
gas, los precios de ambos activos caern y, por lo tanto, la
posesin de dichos activos en una cartera no puede ser
modelada como si fuesen independientes y debe asignrseles una probabilidad al movimiento de ambos. Otro ejemplo simple, aplicado a la evaluacin de riesgos financieros,
es el de una compaa aseguradora que tiene entre sus pli-

194

zas un campo con cierto producto sembrado. Si una mala

cosecha depende de las condiciones climticas, la evaluacin de la reserva a mantener tambin depender de ello.
Supongamos que este producto pierde mayor rendimiento a
partir de si llueve ms de 1100 mm y con un viento de
40Km/h. En ese caso, no se perdera toda la cosecha,
cunto habra que reservar si llovieran 2200mm y el viento
soplase a 80km/h? Esa es la pregunta que se intenta
responder mediante el uso de la teora de los valores
extremos para el caso bivariado.
Armemos un ejemplo simple. Supongamos dos activos
Z1 y Z2 que sabemos que estn sometidos a los mismos
riesgos y los tenemos en cartera. Se quiere saber cul ser
la probabilidad de que ambos superen en 0,1 un valor de
precio mximo de 0,622. Por un lado, se modelarn sus
valores extremos como si fuesen independientes. Luego, se
modelarn suponiendo una distribucin bivariada de valores
extremos. Se compararn los resultados obtenidos y, a
continuacin, agregaremos un tercer activo, Z3, de forma de
poder describir el valor de los parmetros estimados.

22

Las tablas con los datos utilizados se adjuntan en el apndice I.

195

Figura 3: Grficos de la
distribucin de los datos
disponibles de Z1, Z2 y Z3.

Al inicio del trabajo se debe hacer un anlisis descriptivo de los datos. En la figura 3 vemos la distribucin de los
precios que toman los activos Z1 y Z2 y la lnea punteada
marcada nos indica el valor lmite elegido para la modelizacin.

196

6.5.1 Ejemplo 1: Supuesto de independencia de las

variables aleatorias.

Los parmetros obtenidos de la estimacin para las

distribuciones generalizadas de Pareto independientes referidas a los precios de cada uno de los activos son por el
mtodo de mxima verosimilitud y utilizando packages referidos al tema para el software R23:
Parmetros

Z1

Z2

xi

-0.9622

-1.3651

yi

0.3688

0.4406

Analticamente ser:

-0, 9622.Z 1

H ( Z 1) = 1 1 +
0, 3688 +

1
-0 ,9622

-1, 3651.Z 2

; H ( Z 2) = 1 1 +
0, 4406 +

1
-1,3651

Con lo que, la probabilidad de que se obtenga un pico

de 0,1 por sobre el precio de 0,6 para Z1 y para Z2 es:

P[ Z 1 > 0, 6+ 0,1 y Z 2 > 0.6 / Z1, Z 2 > 0, 6] =

P[ Z1 > 0,6 + 0,1/ Z1 > 0, 6].P[ Z 2 > 0, 6 + 0,1/ Z 2 > 0, 6] =
[1 H Z 1 (0,1)].[1 H Z 2 (0,1)] =
(1-0.269626).(1-0.23787) = 0.556639
23

R es un lenguaje similiar al S-Plus dedicado a temas estadsticos. Es software con licencia

GNU. Se puede encontrar informacin en: http://www.r-project.org

197

Ntese que en este caso, el parmetro de forma ( i )

lleva signo negativo, lo que est indicando que estamos evaluando valores mayores que el lmite que hemos elegido.
Adems, vase que si, para el caso de Z1 por ejemplo,
se asigna un valor de Z1 igual a 0,4 no estar definido el
valor de la funcin para nmeros reales y, utilizando la
definicin que se dio al principio, deber drsele probabilidad de ocurrencia uno a ese evento.

6.5.2 Ejemplo 2: Supuesto de distribucin bivariada de

las variables aleatorias. Dependencia.

En el supuesto de aplicar una distribucin bivariada

logstica para los activos en conjunto, los parmetros obtenidos de la estimacin para la distribucin logstica bivariada referida a los precios de cada uno de los activos resulta:
Parmetros

Z1

Z2

xi

(forma)

0.16493

0.08096

mi

(posicin)

0.35973

0.36202

(escala)

0.11446

0.12214

(dependencia)

0.30675

198

En este caso, vale analizar con detenimiento el valor

que asume gamma. Como describimos al principio, gamma
habla sobre el nivel de dependencia de las variables descriptas. El valor de 0,30675 estimado representa dependencia significativa entre las variables. Si hacemos un
anlisis descriptivo de los datos, el coeficiente de correlacin
entre los conjuntos de datos de Z1 y Z2 asume un valor de
0,94. Lo cual, habla de una alta correlacin positiva. De
acuerdo a ello, si hubisemos querido estimar los parmetros de forma, escala y posicin de la distribucin con un
parmetro de dependencia fijo, este ltimo debera haber sido lo suficientemente bajo.
La distribucin bivariada generalizada de Pareto ser:

P[ Z (0, 6; 0, 6) + z / Z > (0, 6; 0, 6)] = H ( Z 1, Z 2) =

= 1

0.30675
1
1

1
1
0.30675
0.30675

0.08096
(0,6 + Z1) 0.35973 0.16493
(0,6
+
Z
2)

0.36202

+ 1 + 0.08096

1 + 0.16493

0.11446
0.12214

0.30675
1
1

1
1
0.30675
0.30675

0.08096
0,6
0.36202
0,6 0.35973 0.16493

+ 1 + 0.08096

1 + 0.16493

0.12214
0.11446

Con lo que, la probabilidad de que se obtenga un pico

de 0,1 por sobre el precio de 0.6 para z1 y para z2 es:

199

P[ Z1 > 0, 6 + 0,1 y Z 2 > 0, 6 + 0,1/ Z1, Z 2 > 0, 6] =

1 H Z 1, Z 2 (0,1) = 1-0.304346 = 0.695654

Entonces, la probabilidad de que Z1 y Z2 excedan en

0,1 el valor de 0,6 dado que estamos por arriba de 0,6.

Las probabilidades independientes sern:

1- FZ 1 (0,1) = 1-0.271161 = 0.728839

1- FZ 2 (0,1) = 1-0.0197669 = 0.980233
Si comparamos los resultados obtenidos, se ve claramente que la probabilidad en el caso de suponer distribuciones independientes de 0,556639 es menor que la probabilidad bajo el supuesto de una distribucin conjunta de
0,695654, con lo cual, se tomarn distintas previsiones
segn el caso que se elija para la modelizacin de los riesgos.

6.5.3 Ejemplo 3: Supuesto de distribucin bivariada de

las variables aleatorias. Independencia.

Agreguemos ahora un tercer activo Z3 y modelemos su

comportamiento asociado a Z1 para ver qu sucede con el

200

parmetro

g . Los parmetros obtenidos de la estimacin

para la distribucin logstica bivariada referida a los precios

de cada uno de los activos viene dada por:
Parmetros

Z1

Z3

xi

(forma)

0.1910

-0.2944

mi

(posicin)

0.4079

0.3571

yi

(escala)

0.1477

0.1692

(dependencia)

0.9992

El valor de

g estimado es 0,9992 representa inde-

pendencia significativa entre las variables. Si hacemos un

anlisis descriptivo de los datos, el coeficiente de correlacin
entre los conjuntos de datos de Z1 y Z3 asume un valor de
-0,6. Lo cual, habla de una correlacin negativa.
De acuerdo a ello, si hubisemos querido estimar los
parmetros de forma, escala y posicin de la distribucin
con un parmetro de dependencia fijo, no queda claro que
valor tomar.

201

6.6 Comentarios finales.

El modelado por teora de los valores extremos es una

herramienta til para la toma de decisiones. Proporciona
informacin adicional a la que puede obtenerse directamente de los datos. Segn se est modelando para casos
univariados o para casos bivariados, la estimacin diferir
en el resultado. El uso del caso univariado puede ser til en
situaciones en las que la simplicidad del problema que se
arriba justifica su uso. En el caso bivariado, la estimacin se
hace ms compleja. Sin embargo, el uso de software apropiado (R, S-Plus para dar algunos ejemplos) simplifica el
camino y ayuda a obtener resultados de forma ms
abundante aconsejndose hacer repetidas pruebas sobre los
datos que se quiere estimar. En el presente trabajo se ha
utilizado mtodos paramtricos de estimacin. Entre otros,
el de mxima verosimilitud utilizando programas R y
Mathematica.
Es de destacarse que existen procesos estocsticos
para valores extremos y formas mltiples de distribuciones.

202

6.7 Apndice I: Datos utilizados en los ejemplos y

salidas del R.
6.7.1 Precios de los activos Z1, Z2 y Z3.
N

Z1

Z2

Z3

0,283147

0,220169

0,431981

0,248063

0,234221

0,371922

0,635388

0,672389

0,423189

0,671291

0,612891

0,192781

0,319486

0,341235

0,468292

0,318912

0,218311

0,457818

0,478785

0,457892

0,234879

0,284712

0,280053

0,467811

0,328192

0,372891

0,291781

10

0,347183

0,381938

0,327818

11

0.983195

0871272

0.102738

12

0.298172

0.283271

0.381627

13

0,401824

0,462721

0,481982

14

0,318482

0,327847

0,678129

15

0,349183

0,432191

0,652768

16

0,232138

0,274392

0,481782

17

0,429847

0,480407

0,418929

18

0,417839

0,424765

0,318792

19

0,908343

0,873711

0,172812

20

0,791724

0,922641

0,348191

21

0,357821

0,334894

0,452781

22

0,482171

0,451918

0,237812

203

Z1

Z2

Z3

23

0,469812

0,283489

0,247812

24

0,283712

0,271893

0,351781

25

0,424605

0,436909

0,321912

26

0,516974

0,501282

0,481281

27

0,347591

0,472811

0,491791

28

0,247122

0,283711

0,691029

29

0,253271

0,276837

0,632798

30

0,462146

0,438183

0,412768

31

0,494041

0,481982

0,401882

32

0,457912

0,467129

0,445781

33

0,868461

0,765808

0,217812

34

0,519305

0,501282

0,182389

35

0,587829

0,475911

0,178921

36

0,414873

0,492711

0,457829

37

0,218411

0,242593

0,562178

38

0,413781

0,398036

0,412879

39

0,625127

0,735309

0,327812

40

0.353898

0.234587

0.456921

41

0,457181

0,597319

0,218912

42

0,318384

0,334571

0,491828

43

0,319281

0,578231

0,481781

44

0,481727

0,476227

0,391879

45

0,471913

0,431822

0,401822

46

0,518283

0,520594

0,371289

47

0,314892

0,285222

0,651813

48

0,769822

0,647707

0,451281

49

0,491783

0,432818

0,582171

50

0,368321

0,299142

0,671292

204

6.7.2 Estadstica Descriptiva:

N = 50
Media

Z1
0,447127

Z2
0,445923

Z3
0,407725

Desvo Estndar
Correlacin

1,551976
Corr(Z1;Z2) =

1,495826

1,009887
Corr(Z1;Z3) =

0,944801079

-0,60769

Salidas del R al hacer el ajustamiento por Mxima Ve-rosimilitud.

6.7.3 Ajustamiento de la Pareto a Z1.

Threshold: 0.6
Call: fpot(x = z1, threshold = 0.6)
Number Above: 8
Deviance: -14.98144
Proportion Above: 0.16
Estimates

Standard Errors

scale

scale shape

shape

0.3688 -0.9622

2e-06 2e-06

Optimization Information
Convergence: successful
Function Evaluations: 110
Gradient Evaluations: 13

205

6.7.4 Ajustamiento de la Pareto a Z2.

Call: fpot(x = z2, threshold =
0.6)
Deviance: -20.16641

Threshold: 0.6
Number Above: 8

Estimates

Proportion Above: 0.16

Standard Errors

scale

scale shape

shape

0.4406 -1.3651
Optimization Information

2e-06 2e-06

Convergence: successful
Function Evaluations: 109
Gradient Evaluations: 9

206

6.7.5 Ajustamiento de la Logstica para Z1 y Z2.

Estimates
Call: fbvevd(x = z12, model =
"log")

loc1 scale1 shape1

loc2
scale2 shape2
dep

Deviance: -174.4932
0.35973 0.11446 0.16493
0.36202 0.12214 0.08096
0.30675
Dependence Structure

AIC: -160.4932
Standard Errors
loc1 scale1 shape1
loc2
scale2 shape2
dep
0.01810 0.01453 0.09435
0.01915 0.01488 0.09144
0.04779
Optimization Information

Dependence One: 0.7630811

Dependence Two: 0.9102647
Asymmetry: 0

Convergence: successful
Function Evaluations: 58
Gradient Evaluations: 16

207

6.7.6 Ajustamiento de la Logstica para Z1 y Z3.

Estimates
loc1 scale1 shape1
loc2
scale2 shape2
dep
0.4079 0.1477 0.1910
0.3571 0.1692 -0.2944
0.9992

Call: fbvevd(x = z13, model =

"log")
Deviance: -93.79106
AIC: -79.79106
Standard Errors
loc1 scale1 shape1
loc2
scale2 shape2
dep
0.026897 0.026033 0.188988
0.024925 0.027087 0.202870
0.000002

Dependence Structure
Dependence One: 0.001137544
Dependence Two: 0.001640925
Asymmetry: 0

Optimization Information
Convergence: successful
Function Evaluations: 116
Gradient Evaluations: 9

208

6.8 Apndice II: Distribuciones.

6.8.1 Distribuciones Clsicas.
Normal Estndar.

exp(P[ X x] = F ( x) =

1 x2
e )
2
, - < x<
2p

Distribucin Beta Estandarizada de parmetros alpha

y beta.

P[Q q ] = B ( q; , q) =

( + ).q 1.(1 q) 1
,
( ).( )

0 q 1, > 0, > 0

6.8.2 Los tres tipos de distribuciones de eventos

extremos (distribuciones G)
Tipo I (Gumbel)

( x) = exp(e x ),

< x <

209

Tipo II (Frchet)

( x) =

exp x

si x 0
si x > 0, ( > 0)

Tipo III (Weibull)

si x < 0, ( > 0)
si x 0,

exp[( x) ]
( x ) =
1

210

6.8.3 Distribuciones de Valores Extremos Negativas.

Funcin de Distribucin Logstica Negativa Bivariada.
(Galambos, 1975)
La distribucin logstica negativa bivariada con parmetro g es

G ( x1 ; x2 ) = e

1 1

y1 y2 + +
y1 y2

donde g es mayor que cero. Se llega a la independencia

cuando g se aproxima a cero y la dependencia cuando g
tiende a infinito.
Funcin de Distribucin Logstica Asimtrica Negativa
Bivariada. (Joe, 1990)
La distribucin asimtrica logsitica negativa con parmetros g , t1 y t2 es de la forma:

G ( x1 ; x2 ) = e
donde

>0

do el lmite de
cuando

y1 y2 +

t1 y1

1
+

t2 y 2

0 < t1 , t2 1 . Se logra la independencia cuan-

t1 y t2 tienden de cero y la dependencia

g tiende a infinito.

211

Funcin de Distribucin Logstica Asimtrica Negativa

Bivariada. (Joe, 1990)
La funcin de distribucin logstica asimtrica negativa bivariada con parmetros a y b es:

G( x1 ; x2 ) = exp {- y1 - y2 + y1 .q (1+ a ) + y2 .(1- q)(1+ b ) }

donde q = q ( y1 , y2 ; a , b ) es la raz de la ecuacin

(1+ a ) . y1 .q a - (1+ b ) . y2 .(1- q) b = 0

y 0 > a , b > 0 . Cuando a es igual a b el modelo
bilogstico negativo es equivalente al modelo logstico
negativo con parmetro de dependencia 1/ a . La
dependencia se obtiene en el lmite cuando a igual a b
tiende a cero y la independencia cuando a

igual a

tiende a infinito cuando a b est fijo y el otro tiende a

infinito.

212

6.9 Bibliografa.

Bierlaire,
Michel,
y
otros
Characteristics of
Generalized Extreme Value Distributions, Institute of
Mathematics del Swiss Institute of Technology, Marzo
de 2003, Suiza.

Chavez-Demouli, Valerie, Extreme Value Theory can

save your neck, ETHZ Armin Roehrl, Approximity
GMBH, Enero de 2004, Suiza.

Fisher, R.A. and Tippett, L.H.C., Limiting forms of the

frequency distributions of the largest or smallest
member of a sample. Proc. Camb. Phil. Soc. 24, 1928,
EEUU, Pg. 180190.

Gnedenko, B.V., Sur la distribution limite du terme

maximum dune serie aleatoire. Ann. Math. 44,
1943, pg. 423-453.

Kotz, Samuel & Nadarajah, Saralees, Extreme value

distributions: Theory and Applications, George
Washington University y University of Nottingham,
Octubre de 2000, EEUU.

McNeil, Alexander J., Extreme Value Theory for risk

managers, Departament Mathematik, ETH Zentrum,
Zurich, Mayo de 1999, Suiza.

Smith, Richard L., Notas de clase para la materia

statistics 322: environmental statistics, University of
North Carolina at Chapel Hill, 2005, EEUU.

Pickands, J., Statistical inference using extreme order

statistics. Ann. Statist. 3, 1975, pg. 119-131

213

Smith, Richard L., Zhang, Zhengjun y Weissman,

Ishay Multivariate extremes, max-stable processes and
the analysis of financial risk, University of North
Carolina, Chapel Hill, Washington University, St.
Louis and Technion from Haifa, ICRSA, Mayo de 2003,
EEUU.

Stephenson, Alec, A Users Guide to the evd Package

(Version 2.1), Departament of Statistics, Macquarie
University, Mayo de 2004, Australia.

Tajvidi, Nader, Multivariate generalised

distributions, Octubre de 1996, EEUU.

Venables, W. N. y Smith, D. M., An introduction to R,

2005.

Zhang, Zhengjun Multivariate Extremes, Max-Stable

Process Estimation and Dynamic Financial Modeling,
University of North Carolina at Chapell Hill, 2002,
EEUU.

214

Pareto

215

Aplicacin de la Teora de los Valores Extremos para el

clculo de la mxima prdida esperada de una empresa
que cotiza en la Bolsa de Comercio de Buenos Aires24

Autores:
Mara Teresa Casparri
Alicia Bernardello.
Mara Elizabeth Cristfoli

24

Este trabajo est realizado en el marco del Proyecto UBACyT E012.

216

217

7.1 Introduccin

Todo tipo de inversiones se encuentra expuesto a diferentes tipos de

riesgos, los cuales deben ser analizados para evaluar la conveniencia o no de
realizar la inversin. Algunos de ellos son:
-

riesgo operativo

riesgo de liquidez

riesgo de crdito

riesgo de mercado
El riesgo de mercado es el que se deriva de las fluctuaciones de los

precios de un activo financiero durante un perodo de tiempo determinado. La

Teora de Valores Extremos se centra en el anlisis de una parte de estos riesgos,
los extremos.
Esta teora nos brinda informacin sobre la distribucin de
probabilidades de los valores extremos de una variable aleatoria, es decir,
sobre valores alejados de la media. En este trabajo, la variable aleatoria en
estudio es la cotizacin de las acciones de la empresa METROGAS S.A.
Como antecedente a esta teora, se puede mencionar el
Valor a Riesgo (Value at Risk). Para realizar su estimacin,
durante

mucho

tiempo

se

supuso

normalidad

en

el

comportamiento de las variables, lo cual llev a cometer errores

en

el

tratamiento

de

series

financieras,

subvaluacin de los riesgos extremos.

218

generando

una

La Teora de los Valores Extremos se basa en un teorema que no

parte de ningn supuesto sobre el comportamiento de la variable
en estudio, el mismo establece que la distribucin de cualquier
variable aleatoria, en exceso de un umbral determinado, tiende a
una Distribucin General de Pareto (GDP).

7.2 Modelo matemtico

Analizando la variacin de los precios de las acciones,

podemos constatar que presentan una kurtosis mayor que la
normal, y que los valores alejados de la media (los valores
extremos) poseen una mayor probabilidad de ocurrencia, es decir
que la distribucin tiene colas pesadas.
Para constatar que la variacin de los precios no sigue una
distribucin Normal, debemos llevar adelante un test grfico
llamado Q-Q plot (grfico de quantil a quantil). Si el grfico se
presenta como una recta de 45, entonces podemos concluir que
los percentiles de la distribucin emprica son similares a los de
la distribucin paramtrica, en cambio si el grfico no se presenta
como una recta de 45, entonces la distribucin paramtrica no
se condice con la emprica. Otro mtodo grfico de este tipo de
anlisis es la funcin esperada de excesos (MEL, Mean Excess
Loss), para aplicar este mtodo, necesitamos un conjunto de n

219

variables aleatorias independientes e idnticamente distribuidas,

y con ellas calcular el siguiente valor:
n

en (u ) =

( x u)
i =k

k = min(i / xi > u )

n k +1

donde n-k+1 es el nmero de observaciones por encima del

umbral u.
El conjunto de puntos a graficar es:

{xk ; en ( xk )); k = 1, 2,..., n}

Si la pendiente de la funcin graficada es positiva, entonces
diremos que la distribucin tiene colas pesadas, y si es negativa,
colas delgadas.
El umbral u es el punto a partir del cual consideramos que
comienza la cola de la distribucin. El problema de la eleccin de
ese umbral se da en que cuanto mayor sea ese valor, es mejor
porque para que se cumpla el teorema enunciado en el apartado
anterior, es necesario que ese valor sea lo ms grande posible.
Pero por otro lado, cuanto mayor es ese valor, menor cantidad de
datos

muestrales

nos

quedarn

para

poder

estimar

los

parmetros de la GDP. No existe un mtodo objetivo para la

determinacin del umbral.

220

Para la eleccin del umbral u existen varias tcnicas, una

de ellas es el grfico de Hill. Para poder aplicarlo, en primer lugar
debemos ordenar las variables muestrales en forma descendente.
Luego debemos calcular el estimador de Hill para cada elemento
de la siguiente manera:

Hn =

1
k

( ln( x ) ln( x
i =1

k +1

)) =

k = 1, 2,..., n 1

Por ltimo debemos confeccionar un grfico con los pares

( k;( Hk )- 1 ) .

Obtendremos

un

grfico

que

comenzar

estabilizarse a partir de un rango de valores, el umbral que

estamos buscando va a pertenecer a ese rango, pero el valor
exacto seleccionado quedar a criterio de quien est utilizando el
modelo.
Una vez seleccionado el umbral, debemos constituir una
submuestra que contenga todos los valores que superen a ese
umbral. Esta submuestra ser la que debemos utilizar para
estimar los valores de los parmetros de la Distri-bucin General
de Pareto. Con estos valores buscaremos estimar la prdida
mxima que puede generar invertir en una accin determinada.

221

7.3

Aplicacin de EVT a las acciones de METROGAS S.A.

Utilizaremos esta metodologa a las acciones de la empresa

METROGAS, que, por ser una empresa dedicada al transporte de
gas,

constantemente

se

encuentra

realizando

inversiones

tecnolgicas, pero en el ao 2001 tuvo que afrontar la crisis

Argentina con proyectos en ejecucin. El valor de las acciones de
esta empresa se vio afectado por la crisis, y por los proyectos no
cumplidos en tiempo y forma. Determinaremos a priori cul era la
prdida mxima a la que se afrontaba un inversor por invertir en
las acciones de esta empresa, y cul fue la prdida realmente
alcanzada.
Utilizamos el rendimiento de las acciones desde enero de
2000 a diciembre de 2001.

En primer lugar, realizaremos el grfico QQ Plot para

corroborar que los datos no siguen una distribucin Normal:

222

Normal grfico Q-Q de RENDIMIE

,6

,4

Valor Normal esperado

,2

-,0

-,2

-,4

-,6
-1,2

-1,0

-,8

-,6

-,4

-,2

,0

,2

,4

,6

el

otro

Valor observado

En

segundo

lugar,

realizaremos

test

grfico

presentado en el apartado anterior, llamado MEL. Para ello

debemos seleccionar el umbral a partir del cual consideramos que
comienza la cola de la distribucin. En este punto, nos valdremos
del grfico de Hill:

Grfico de Hill
12
10
8
6
4
2
0
0

10

15

20

223

25

30

35

40

45

Subjetivamente, decidimos que el valor de k para determinar el umbral u es 15. Entonces el umbral ser -0,040540541.
Utilizaremos las rentabilidades menores a dicho valor para
estimar los parmetros de la Distribucin General de Pareto. La
funcin de esta distribucin es la siguiente:

.
y

1 1 +
F ( y) =

1 e

con 0
con = 0

Resolviendo la estimacin de los parmetros con el mtodo

de mnimos cuadrados, obtuvimos el valor de los parmetros:

= 0,132
= 0, 0172
Para poder realizar una comparacin de las estimaciones,
veamos el siguiente grfico, donde podemos visualizar las
estimaciones de las funciones con la distribucin Pareto y con la
Normal:

224

1,05
1
0,95
0,9
0,85
0

0,05

0,1

Emprica

0,15

0,2

Pareto

Normal

Podemos ver en el grfico, la mejor estimacin obtenida con

la distribucin de Pareto que con la Normal, para aquellos valores
superiores al umbral fijado.
El siguiente paso consistir en calcular la mxima prdida
esperada. Para ello utilizaremos la siguiente frmula:

Y =

1 p ) 1
(

Siendo p el valor de la probabilidad que le asignemos a la

estimacin.
Reemplazando por los valores que hemos alcanzado,
obtenemos cul es la prdida mxima estimada para el prximo
perodo. Realizaremos los clculos con dos valores de p diferentes,

225

para poder realizar la comparacin con los valores de rentabilidad

obtenidos en el 2002 (luego de la crisis):

Para p =0.99:

Y=

0, 0172
0,132
(1 0,99 ) 1 = 0,109

0,132

Esto quiere decir que la prdida mxima estimada

en la rentabilidad de las acciones para el ao 2002, ser
de 10,9% con un 99% de confianza.
Comparando dicho con los datos de las cotizaciones
para el 2002, podemos decir que slo en un 2,07% de
casos se sobrepas dicho valor de prdida.

Para p =0.999:

Y=

0, 0172
0,132
(1 0,999 ) 1 = 0,194

0,132

En este caso, esto significa que la prdida mxima estimada

en la rentabilidad de las acciones para el ao 2002, ser de
19,4% con un 99,9% de confianza.
Comparando nuevamente los valores con los obtenidos en el
2002, podemos decir que hay un 100% de eficacia en la
estimacin (la prdida mxima fue de 15,5% aproximadamente).

226

7.4 Referencias
- Brbel Finkenstdt and Holger Roozen, (2004), Extreme Values
in Finance, Telecommunications, and the Enviroment, Ed:
Chapman

&

Hall/CRC,

Boca,

Raton,

London,

New

York,

Washington DC
- Armagno D., Belliard M., Bernasconi J., Casparri M. T., Fajfar
P., Garca Fronti J., Muruzabal M., Rey S., Roo E., (2004),
Aspectos Financieros de la Crisis Argentina 2001, Ed: Omicron
System, Argentina.
- Mara Teresa Casparri y Colaboradores, (2003), Acerca del
Riesgo. Seleccin de algunos trabajos de Investigacin., Centro
de Investigacin en

Mtodos Cuantitativos Aplicados a la

Economa y la Gestin, Argentina.

- Bensalah, Y. (2000), Steps in Appying Extreme Value Theory to
Finance: A Review, Working Paper, 2000-2, Bank of Canada,
Canad.
- Santiago Carrillo Menendez y Prosper Lamothe, Nuevos Retos
en la Medicin del Riesgo de Mercado, Publicado en el nmero
72 de Perspectivas del Sistema Financiero.
- Almudena Garca Perez, (2004), La Teora del Valor Extremo:
Una Aplicacin al Sector Asegurador, Madrid, Espaa.

227

Nuevas Regulaciones
para el
Mercado Asegurador25

Autores:
Mara Elizabeth Cristfoli
Mara Teresa Casparri

25

Este trabajo est realizado en el marco del Proyecto UBACyT E012.

228

229

8.1 Introduccin
El sector asegurador enfrenta un constante proceso de
cambio

que

tiene

como

meta

plantar

promover

las

modificaciones necesarias que permitan su adaptacin a los

nuevos entornos econmicos y sociales internacionales. Dentro de
este proceso de adaptacin, es necesario referenciar un hecho que
ha modificado sustancialmente los procesos de seguros y
reaseguros, es el terrorismo. Grandes empresas aseguradoras
han encontrado dificultades en la suscripcin de plizas debido a
que las propias aseguradoras no consiguen reaseguro o su precio
es demasiado alto. Esta prdida de capacidad, ha obligado a
algunos pases, como Francia, a crear un pool para los riesgos de
terrorismo.
Solvencia II ha surgido debido al aparecimiento de nuevos
enfoques de supervisin preventiva, a una mayor de-manda de
transparencia, a la mejora del control interno de las entidades, a
la

aparicin

de

conglomerados

financieros

la

internacionalizacin de la actividad de seguros. El objetivo

perseguido por Solvencia II es estimar el capital necesario para la
cobertura adecuada de los riesgos que deben afrontar las
compaas de seguros. Con respecto al riesgo de crdito, Basilea
II propone realizar una asignacin del capital necesario en
funcin del perfil de riesgos de cada entidad, compartiendo el
objetivo con Solvencia II. Esto implica tener disponibles sistemas

230

de

anlisis

informacin

avanzados

para

el

anlisis

personalizado de los riesgos.

Para poder llevar a cabo este avance en el ramo asegurador,
se estn preparando unas normas de recomendacin de anlisis
del riesgo que afronta cada compaa aseguradora. Este anlisis
lo lleva a cabo una comisin europea compuesta por especialistas
de varios pases, y han tomado como base el documento
publicado por el Comit de Basilea II referida a los bancos.
En el documento publicado por el Comit de Basilea II, se
hace referencia a tres tipos de riesgo que debe afrontar un banco:
Riesgo de Mercado, Riesgo de Crdito y Riesgo Operacional.
Cada uno de ellos se refiere a un aspecto diferente de la
entidad, y debe ser analizado de manera distinta. Aspectos
contemplados por cada tipo de riesgo:
-

Riesgo de Mercado: contempla los riesgos de valoracin de

posiciones en el mercado monetario y de capitales, es
decir en la modificacin de las tasas de inters, de la
inflacin, del tipo de cambio, de la liquidez.

Riesgo de Crdito: es la probabilidad de prdida del banco

en caso de default del deudor o deterioro de su calidad
crediticia, en otras palabras, es el riesgo de impago.

231

Riesgo Operacional: es el riesgo de prdidas debidas a

errores o deficiencias en los procesos internos (personal y
sistemas) o causados por procesos externos.
Estos tres tipos de riesgo, en Basilea II se propone cubrirlos

en base a tres pilares:

1) Requerimientos de capital
2) Supervisin reguladora
3) Disciplina de mercado
En el caso de las compaas de seguros, es necesario
sealar un cuarto tipo de riesgo, muy importante en el negocio de
las entidades de seguros, es el Riesgo de Suscripcin.
Enmarcando los cuatro tipos de riesgo en el negocio
asegurador, podemos sealar que engloba cada uno de ellos:

232

Es importante destacar las diferencias que generaron la

iniciativa de proponer normas diferenciadas en el clculo de
capital de las compaas de seguros frente a la de los bancos.
Una de las diferencias mas destacadas es el riesgo que debe
afrontar cada tipo de entidad, es decir, un banco se enfrenta al
riesgo de que sus egresos superen sus ingresos, en cambio una
compaa de seguros est asegurando riesgos, en otras palabras,
est afrontando los riesgos que le derivan sus clientes (si bien el

233

riesgo de la compaa de seguros es diferente al que debe afrontar

una persona particular por la aplicacin de la Ley de los Grandes
Nmeros).
Otra diferencia destacable es el origen de las ganancias de
cada tipo de entidad, los bancos obtienen sus ganancias por el
spread financiero (diferencia entre tasa activa y tasa pasiva),
mientras que las compaas de seguros la obtienen de la tasa de
ganancia que cobran sobre las primas (y la diferencia que puedan
generar por el ahorro de gasto en comparacin con los gastos
estimados). No obstante, en el caso de las compaas de seguros,
el riesgo de mercado lo transfieren a sus asegurados por medio de
las primas, mientras que los bancos deben afrontarlo.
Por otro lado, el riesgo de crdito, es el principal riesgo que
deben afrontar los bancos, mientras que las compaas de
seguros slo lo poseen en su cartera de inversin y en los
negocios con el reasegurador.
Es importante dejar en claro que el objetivo primordial que
persigue la implantacin de estas normas (tanto Solvencia II como
Basilea II) es darle una herramienta al supervisor para que sea
capaz de detectar con antelacin un peligro de insolvencia y evitar
el colapso de una entidad, y sus consecuencias para la economa
de cada pas.

234

8.2 Situacin Actual

La Unin Europea est revisando los requerimientos
mnimos de capital que se le exige a las Compaas de Seguros,
reformulando los procesos de clculo propuestos por el Comit de
Basilea, adaptndolos a los requerimientos de capital del sector
asegurador.

Como se

menciona en

el

anexo del

informe

MARK/2505/05 de marzo del 2005, publicado por el comit que

est tratando este tema, el nuevo sistema de solvencia tiene como
principal objetivo la proteccin de los asegurados.
El trabajo fue organizado en mayo de 2001 en 2 fases,
teniendo en cuenta los siguientes objetivos en cada una de ellas:
1 - Determinar la forma general del sistema de solvencia.
2 - Definir los detalles del sistema propuesto en la fase 1.
La primera fase finaliz en noviembre de 2002. La
Conferencia de autoridades supervisoras haba creado un grupo
de trabajo compuesto por supervisores, encargado de obtener
conclusiones en base a las dificultades que han sufrido las
compaas de seguros en un pasado reciente.
Los trabajos presentados en esta fase, llegaron a las
siguientes conclusiones:

235

8.2.1 Informe KPMG:

Enfoque con 3 pilares (similar a Basilea):
1) Normas relativas a los recursos financieros
2) Normas de control interno, de gestin de riesgos y su
control
3) Normas destinadas a favorecer la disciplina de mercado
Exigencias de capital: propusieron la aprobacin de una
frmula de clculo que tenga en cuenta los riesgos

tcnicos,

riesgos de mercado y riesgos de crdito.

8.2.2 Informe Sharma:
Es

el

informe

de

la

Conferencia

de

autoridades

supervisoras europeas. Pretendieron explotar la experiencia

concreta de sus miembros.
Basaron su anlisis en los riesgos de las compaas de
seguros de las sociedades que tenan graves dificultades.
Inventaron los instrumentos normativos de los que disponen las
autoridades supervisoras.
Conclusiones: el sistema prudencial debe comportar una
serie de instrumentos normativos, preventivos o correctivos que
permitan actuar en todas las etapas de manifestacin de un
problema. La exigencia de capital slo es uno de los instrumentos

236

normativos necesarios, una herramienta importante pero que no

basta por s misma para constituir un sistema de supervisin
prudencial.
El informe propone una mayor diferenciacin de los niveles
de intervencin en funcin de las caractersticas financieras de la
empresa de seguros.
Dentro de las conclusiones de la primera fase referidas a las
exigencias de capital, se establecen las normas sobre los fondos
propios:
-

Nivel de capital deseable para mantener una probabilidad

de insolvencia aceptable.

Lmite que acte como sistema de alerta precoz.

Lmite mnimo necesario e imprescindible

En la segunda fase se busca adoptar un sistema europeo

de supervisin prudencial.
Diferentes organismos representantes de compaas de
seguros (CES, FFSA, ACME) han destacado la necesidad de
contar con normas ms homogneas para evitar las distorsiones
de competencia. Plantean la cuestin de la armonizacin de las
normas entre el sector bancario y el asegurador cuando los
productos comercializados son similares.

237

La Asociacin Internacional de Supervisores de Seguros

(IASB) se encuentra trabajando en el desarrollo de normas
contables ms armonizadas (nuevas normas NIC para el
seguro), tienen previsto finalizar esta etapa para el ao 2007 o
2008.
La Comisin propone introducir dos niveles de exigencia
del capital reglamentario:
1) un nivel de capital objetivo: capital econmico que una
compaa necesitara para funcionar con una probabilidad
baja cuantificada de ruina. Se debera elaborar un marco
estandarizado con ayuda de la Asociacin Internacional de
Actuarios (IAA), que abordara el asunto de las prdidas de
especial importancia y baja frecuencia. En un reporte
presentado por el IAA en febrero de 2002, se menciona
que La naturaleza asimtrica de este tipo de riesgos
establece

que

una

correcta

estimacin

de

ellos,

especialmente de la cola de la distribucin, es vital para la

estimacin de la solvencia. Debera permitir a las
empresas utilizar modelos internos de riesgo para el
clculo de su nivel de capital objetivo.
2) un nivel de capital mnimo: constituira el nivel a partir
del cual se producira la supervisin.

238

Ambos niveles obligatorios, con supervisin y sanciones

segn se site por debajo de uno u otro.
El comit destaca que no se busca medir el riesgo de
quiebra (o liquidacin) de las compaas de seguros del mercado,
sino de fijar un umbral mnimo por debajo del cual la autoridad
supervisora tiene la cuasicerteza de que este riesgo es demasiado
elevado.
En el informe presentado por los miembros del subcomit
de solvencia del 11 de octubre de 2004, plantean la aplicacin de
requerimientos y principios generales (vida y no vida) para los
requerimientos
probablemente

de
el

capital
grupo

(SCR).

CEIOPS

Pero

mencionan

(Comittee

off

que

European

Insurance and Occupational Pensions Supervisors, es-Conference

of European Supervisory Authorities, hacen reportes sobre la
supervisin prudencial del seguro) haga una distincin entre vida
y

no

vida,

ya

distribucin

de

que

poseen

siniestros

diferentes
eventos

riesgos

(horizontes,

extremos-,

mtodos

actuariales, etc.).
Ampliando los planteos establecidos en octubre de 2005, en
marzo de 2005 fue publicado un informe y anexo presentado por
CEIOPS (MARKT 2505/05), donde se resumen los objetivos
establecidos en cada uno de los tres pilares, tomando como base
Basilea II y los informes mencionados en los prrafos anteriores,

239

presentados por cada asociacin involucrada en el tema. En el

Pilar I, donde se centra el objeto de este trabajo, se establece que
el

nuevo

sistema

de

solvencia

contiene

dos

tipos

de

requerimientos de capital con diferentes objetivos, Solvency

Capital Requeriment (SCR) y Minimun Capital Requeriment
(MCR). Se aclara que el SCR no debe ser menor al MCR.
Determinan que el clculo del SCR debe estar basado en el
objetivo de poseer una probabilidad de ruina de cmo mximo
0,5% (Valor a Riesgo de 99,5%) en un horizonte temporal de un
ao. Los mtodos a utilizar para el clculo del SCR son variados,
dependiendo del tipo de riesgos asegurados por la compaa (vida,
no vida o reaseguro).

240

241