Valoración del riesgo de demanda. Expositor: Ec. Marcelo Pérez

Documentos relacionados
Análisis de Riesgo en APP

PASEO ALEATORIO. MOVIMIENTO BROWNIANO

Conceptos de Probabilidad y estadística. Jhon Jairo Padilla A., PhD

Cálculo estocástico: una introducción

Conceptos de Probabilidad y estadística. Jhon Jairo Padilla A., PhD

Capacitación Opciones Valoración

TEORÍA DE PORTAFOLIOS

Ingeniería en Instrumentos Derivados. Opciones 1

El manejo de la contabilidad gubernamental de pasivos contingentes: La experiencia de Perú

Econometría II Grado en finanzas y contabilidad

Distribuciones de probabilidad Discretas

Pérdida Esperada. Pérdida Esperada (PE): Valor esperado de pérdida por riesgo crediticio en un horizonte de tiempo determinado.

Procesamiento de la Señal

1.2. Los dos grandes métodos de selección de carteras: la gestión activa y la gestión pasiva... 16

FINANZAS CORPORATIVAS

COMPORTAMIENTO DE SISTEMAS MACROSCOPICOS

Instituto de Matemática Aplicada del Litoral

Simulación a Eventos Discretos. Clase 8: Análisis de resultados

Clase 3B: Modelo RBC en Dynare

El Movimiento Browniano en la modelización del par EUR/USD

Procesos estocásticos. Definición

PROCESOS ESTOCÁSTICOS: S: EL PROCESO DE WIENER

Tema 4: Probabilidad y Teoría de Muestras

FINANCIEROS MODELOS. Programa de la Materia FINANCIEROS 05/08/2013. Daniel Semyraz. Unidad 3 ADMINISTRACIÓN DEL RIESGO

MODELO DSGE - REAL BUSINESS CYCLE (RBC)

III Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios

MOVIMIENTO BROWNIANO Rosario Romera Febrero 2009

Movimiento Browniano o proceso de Wiener

ESTADOS Y FLUJOS ECONÓMICOS Y FINANCIEROS 7. Contenido PARTE I. RENTABILIDAD ECONÓMICA Y FINANCIERA

Probabilidad Condicional. Teorema de Bayes para probabilidades condicionales:

UNIDAD 4: DISTRIBUCIÓN DE PROBABILIDAD

Dinámica poblacional. Caso: Una población

Esperanza Condicional

Introducción a riesgo e incertidumbre

ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos ARMA

Unidad Temática 3: Probabilidad y Variables Aleatorias

Caracterización de la incertidumbre del precio futuro del cobre

1.1. Distribución exponencial. Definición y propiedades

Notas de clase Economía Internacional. Determinación de la cuenta corriente Parte de mayo 2009

Variables Aleatorias y Principios de Simulación.

Probabilidad Condicional

Técnicas de Predicción Solución Examen Final

El momento de orden n de una variable aleatoria X es el valor esperado de X elevado a la n, es decir,

Funciones generadoras de probabilidad

CBR RIESGOS TÉCNICOS. AP y SALUD. Superintendencia de Valores y Seguros. 8 de Abril de 2014

Rendimiento de un activo

Fundamentos para la inferencia. Estadística Prof. Tamara Burdisso

Procesos de Poisson. 21 de marzo, FaMAF 1 / 25

Simulación. La mayoría de los procesos de simulación tiene la misma estructura básica:

Índice general. Lista de símbolos. Índice de figuras. Índice de tablas

Manual de Prácticas de Laboratorio de [ECOLOGIA] [UNIDAD II] Página Crecimiento poblacional: Modelos de crecimiento poblacional.

Distribución Chi (o Ji) cuadrada (χ( 2 )

Percentiles. El percentil p de una variable aleatoria X es número más pequeño, que denominaremos x u que cumple:

Movimiento Browniano Comentarios históricos

PRÁCTICA 4: TEORÍA DE COLAS

Modelo de Greenwood, Hercowitz y Huffman

Ms. C. Marco Vinicio Rodríguez

Capítulo 5 Introducción a la Elaboración Proyecciones Financieras

Distribuciones Fundamentales de Muestreo. UCR ECCI CI-0115 Probabilidad y Estadística Prof. Kryscia Daviana Ramírez Benavides

5. Movimiento Browniano y caminatas al azar.

Selección de distribuciones de probabilidad

PROBABILIDAD E INFERENCIA ESTADÍSTICA TEMA 3: DISTRUBUCIONES DE PROBABILIDAD CONTINUA

Inferencia estadística: Prueba de Hipótesis. Jhon Jairo Padilla A., PhD.

PROBABILIDAD Y ESTADÍSTICA

Cálculo de Probabilidades II Preguntas Tema 2

Modelo de cambios de régimen en el traspaso de las tasas de interés

Distribución de Probabilidad

Análisis Estadístico de Datos Climáticos SERIES TEMPORALES 2

Nombre y Apellidos:... EXAMEN ECONOMETRÍA II (Enero 2010)

MODELO DE HANSEN (1985) - TRABAJO INDIVISIBLE

Capítulo. Distribución de probabilidad normal. Pearson Prentice Hall. All rights reserved

ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE

Inf In e f re r ncia est es adís t t adís ica: ic Prueba de Hipótesis Jhon Jairo Jair Pa P dilla a A., PhD. PhD

Teoría de la decisión

Qué tan rápido viajan las moléculas de nitrógeno y oxígeno en el aire?

MÓDULO I. TEORÍA DE LA PROBABILIDAD

Inferencia Bayesiana en la distribución Gumbel: aplicación en el modelamiento de intensidades de lluvia

Por: Dra. Victoria Serrano

Estadística Espacial

Introducción a Sistemas Anidados en Análisis de Portafolios de Inversión. Mat. Elda Janeth López

Agro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos

Departamento de Matemática Aplicada a las T.I.C. SOLUCIONES

Tema 8: Métodos de cadenas de Markov Monte Carlo

Especialidad en Preparación y Evaluación de Proyectos

Tema 4 - Introducción

Probabilidad Frecuentista

SELECCION Y EVALUACION DE CARTERAS. Docente: MsC. Javier Gil Antelo

La economía y las ecuaciones diferenciales: La fórmula de Black-Scholes. David Torcal y Andrea Santamaría 16 de Diciembre 2010

XVIII.- INTERCAMBIADORES DE CALOR MÉTODO DE LA EFICIENCIA

Econometría de series de tiempo aplicada a macroeconomía y finanzas

Part VI. Distribuciones notables. Estadística I. Mario Francisco. Principales distribuciones unidimensionales. discretas. Principales distribuciones

28 de marzo del 2012 Curso: Teoría del Riesgo. Tarea 1

Procesos de Lévy y transformada de Fourier aplicados a la valoración de opciones financieras

PROCESOS ALEATORIOS. Capítulo AXIOMAS DE PROBABILIDAD

Econometría II - examen (SOLUCION)

Modelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:

1. Regla para los valores esperados en variables aleatorias

Estadísticas Elemental Tema 3: Describir, Explorar, y Comparar Data

Capítulo 9 Estructura y Administración de Portafolios de Inversión

Transcripción:

Valoración del riesgo de demanda Expositor: Ec. Marcelo Pérez México DF, Abril 2014

CONTENIDO Procesos estocásticos Valoración del riesgo de demanda Análisis de demanda 2

PROCESOS ESTOCÁSTICOS 5 0 Ruido blanco (White noise) -5-10 -15 x(t ) -20-25 -30-35 White noise Random walk t 0 50 100 150 200 250 Estacionaria Paseo aleatorio (Random walk) No estacionaria

y t = y t-1 + u t u t ~ iid(0,σ 2 ) x t = x t-1 + v t v t ~ iid(0,σ 2 ) 14 12 10 8 6 4 2 0-2 -4 Two Random Walks 1 40 79 118 157 196 235 274 313 352 391 430 469 RW1 RW2

PRIMERA DIFERENCIA (TC t - TC t-1 ) RW con Tendencia () 0,2 0,15 0,1 0,05 0-0,05 1 13 25 37 49 61 73 85 97 109 121 133-0,1

MOVIMIENTO BROWNIANO En el año 1827 el Botánico Escocés, Robert Brown observó movimiento aleatorio de granos de polen suspendidos en agua. Inicialmente pensaba que se debía al hecho que los granos tenían vida. Este movimiento se llama Movimiento Browniano En el año 1905, una de las tres publicaciones de Einstein tenía el título Sobre el movimiento de partículas pequeñas suspendidas en líquidos estacionarios requerido por la teoría cinética del calor. En este artículo propuso una prueba de su teoría. El dijo que si unas partículas pequeñas se suspenden en un líquido, las partículas se moverán en una forma errática y aleatoria

El movimiento Browniano se debe al choque de la partícula mas grande (por ejemplo el grano de polen en el experimento original de Brown) por los átomos y moléculas del gas o líquido en que esta se encuentra. La teoría de Einstein era tan impresionante porque fue capaz de calcular algunas consecuencias del movimiento browniano, como por ejemplo el desplazamiento promedio de la partícula grande como función del tiempo (varía como la raíz del tiempo)

PROCESOS ESTOCÁSTICOS PARA VALORACIÓN DE RIESGOS Modelo Browniano Geométrico ρ i,t = ρ 0 exp μ σ2 2 t + σb i,t Modelo en Tasa de Crecimiento i ρ i,t = ρ 0 j=1 1 + B j,t 8

MOVIMIENTO BROWNIANO GEOMÉTRICO ρ i,t = ρ 0 exp μ σ2 2 t + σb i,t Cuando se tenga evidencia que la variable a modelar crece exponencialmente con el tiempo, se procede a modelarlo mediante el Movimiento Browniano Geométrico. Suponiendo que cualquier obra de infraestructura se diseña y licita para que su saturación o congestión ocurran, en este caso, al final de cada período de concesión, el factor de descuento atenúa el crecimiento final y la aproximación a variables como tráfico es razonable. 9

MODELO EN TASA DE CRECIMIENTO ρ i,t = ρ 0 i j=1 1 + B j,t Se asume un valor para la elasticidad, de tal manera que sea posible predecir los ingresos de la demanda a través de la proyección del crecimiento del PIB. Se asumirá que la elasticidad de los ingresos es igual a 1. Dado la distribución de probabilidad de la tasa de crecimiento del PIB, por medio del método de Montecarlo se obtiene una tasa de crecimiento del PIB (λ PIB ) y por lo tanto una tasa de crecimiento de los ingresos de demanda (ρ), dado que: ρ j = η λ j 10

Geometric Brownian Motion S S t t S t S t S La variable S representa el cambio en el valor del activo subyacente S en un intervalo de tiempo t. La expresión es una variable aleatoria estandarizada Normal (0,1). es la tasa de retorno esperada (media) por unidad de tiempo del activo subyacente. El parámetro es la volatilidad del valor del activo subyacente. Activos subyacentes: tasa de interés, precios de las materias primas, metales y metales preciosos, tipo de cambio, entre otros.

Geometric Brownian Motion S S t t S t S t S

Ejercicio de determinación de Simulación de Montecarlo para la trayectoria del valor del activos subyacente Supongamos que el retorno esperado del valor del activo es 14% por año y la desviación estándar del retorno es igual a 20% por año. 0.14 0.20 t 0.01 (3.65) S t S t S S 0.14 0.01 S 0.2 0. 01 S S 0.0014 S 0. 02 S

VALORACIÓN DEL RIESGO 14

VALORACIÓN DEL RIESGO DE LA DEMANDA Para la valoración del riesgo de la demanda, se compara los perfiles de los ingresos estimados con respecto al perfil de los ingresos modelados. Donde, se considerará la desviación por debajo de los ingresos estimados, es decir, el riesgo. Desde el punto de vista del inversionista, el riesgo es la probabilidad de perder dinero (o de obtener menos de lo estimado). 15

INGRESO ESTIMADOS Para la cuantificación del valor del riesgo de demanda se considera los Ingresos Estimados (Ingresos de Terceras Fuentes ) del proyecto, para un periodo dado T, el cual puede ser representado como una secuencia de los ingresos iniciales I 0 a una tasa de crecimiento ρ 0 : T I 0 ρ 0 T I k = I 0 1 + ρ i k 0 16 k=1 : Ingresos iniciales estimados : Tasa de crecimiento de los Ingresos Estimados : Número de períodos del proyecto

EVOLUCIÓN DE LOS INGRESOS ESTIMADOS 17

INGRESOS MODELADOS El perfil de los ingresos modelados se calcula mediante la siguiente expresión: T i I = I 0 1 + ρ i,t i=1 t=1 ρ i,t : Tasa estocástica al año t en la i-ésima simulación. A partir de este expresión se puede estimar el perfil de ingresos para todo el horizonte del proyecto. De tal manera, si el periodo establecido para un proyecto es T años, entonces estos deben de ser comparados con el perfil de ingresos estimados a la tasa ρ 0 18

OBSERVACIÓN Para efectos de la valoración del riesgo de la demanda, se asume que el grado de aversión al riesgo del gobierno es mayor que en el caso de los riesgos de sobrecosto, porque los riesgos de demanda ocurren durante todo el período del contrato, por consiguiente, son de largo plazo. Que 19

COMPARACIÓN DE LOS INGRESOS ESTIMADOS Y LOS INGRESOS MODELADOS E CRI = I m T 0 m k=1 i=1 max i 1 + ρ k i 0 j=1 1 + r i k 1 + ρ j,ik, 0 E CRI : Costo del Riesgo de los Ingresos Esperados I 0 ρ 0 ρ j,ik T : Ingresos iniciales estimados : Tasa de crecimiento del PIB correspondiente al período de evaluación : Tasa de crecimiento para el año j, del período i en la simulación k. : Período del proyecto m : Número de simulaciones o iteraciones de Montecarlo 20

COMPARACIÓN DE LOS INGRESOS ESTIMADOS Y LOS INGRESOS MODELADOS Detalle de la comparación de los perfiles de ingreso: ε 1 ε 2 ε 3 ε T MBG ρ 1,k ρ 2,k ρ 3,k ρ T,k I 0 max 1 + ρ 0 1 + ρ 1,k, 0 I 0 max I 0 max I 0 max 1 + ρ 2 2 0 j=1 1 + ρ j,k, 0 1 + ρ 2 3 0 j=1 1 + ρ j,k, 0 1 + ρ 2 T 0 j=1 1 + ρ j,k, 0 E CRI 1 E CRI 2 E CRI 3 E CRI T 21

COMPARACIÓN ENTRE LOS INGRESOS ESTIMADOS Y INGRESOS MODELADOS La comparación de los Ingresos Modelados (IM) y los Ingresos Estimados (IE), a menudo se le conoce como una garantía, la cual tiene la siguiente interpretación: Si IM<IE la entidad pública contratante paga al contratista la suma IE-IM. Es decir, el contratista es dueño de una Opción de Venta de sus deudas con respecto al IE. 22

ANÁLISIS DE LA DEMANDA 23

VALOR ESPERADO DEL COSTO DEL RIESGO DE LOS INGRESOS E CRIN El grado de aversión al riesgo del gobierno es mayor que en el caso de los riesgos de sobrecostos, que de manera principal ocurren en la etapa de construcción del proyecto, ya que los riesgos de demanda ocurren durante todo el período del contrato, y por lo tanto son de largo plazo. Por lo tanto, el costo del riesgo es un valor igual al máximo valor entre de la diferencia de las expresiones y cero : m E CRIN = I 0 m k=1 T i=1 24 max 1 + ρ i k i 0 j=1 1 + r i k 1 + ρ j,ik, 0

COSTO DE RIESGO DE DEMANDA E CRIN = I m 0 m k=1 T i=1 max i 1 + ρ k i 0 j=1 1 + r i k 1 + ρ j,ik, 0 E CRIN I 0 ρ 0 ρ j,ik T m : Valor esperado del costo del riesgo de los ingresos de terceras fuentes del proyecto : Ingresos anuales que percibirá el sector público en el periodo 0 de la evaluación : Tasa de crecimiento del PIB correspondiente al período de presentación del Comparador : Tasa de crecimiento obtenida por el método de Monte Carlo para el año j, del período i en la simulación k. : Período del proyecto : Número de simulaciones o iteraciones de Monte Carlo 25

MODELACIÓN DE RIESGO DE LA DEMANDA Modelación del E CRIN 26