Beruflich Dokumente
Kultur Dokumente
Problema
El objetivo del trabajo es introducirlos en la importancia de la modelización y predicción en la ciencia
económica, seleccionando aquel portafolio eficiente donde se optimice la relación entre el rendimiento
esperado y su riesgo, calculado a través de un programa de optimización cuadrático.
Fuentes y Métodos
Se analizará el comportamiento de variables del mercado financiero para predecir el rendimiento de
una cartera de inversión en base a dos marcos:
1. Modelo con memoria, basado en la hipótesis que el pasado predice al futuro, mediante la
reconstrucción del modelo determinístico financiero tradicional del CAPM.
2. Modelo sin memoria, donde el pasado no influye en el futuro, basada en la hipótesis del recorrido
aleatorio de los rendimientos, construyendo un modelo probabilístico basado en el método de
Simulación de Montecarlo.
Resultados y conclusiones
Se ha logrado aunar y compatibilizar las distintas escuelas, que a priori parecían competidoras,
lográndose resultados comunes. Mediante estudios multidisciplinares de índole cuantitativos avanza
el área de conocimiento de las finanzas, creándose de esta manera una batería de herramientas
analíticas que sirvan de guía y amplíen la visión para predecir el precio de un instrumento financiero y
serán de gran utilidad para saber cómo gestionar un portafolio de inversión.
Cuartas Jornadas de Jóvenes Investigadores UNT - CONICET Tucumán, 22, 23 y 24 de Junio de 2010
2
1. Introducción
El objetivo de este proyecto será construir modelos cuantitativos para predecir el
rendimiento de una cartera de inversión compuesta por 3 acciones líderes del Mercado de
Capitales Nacional.
Para obtener la proporción óptima que se debería invertir en cada activo financiero
se recurrirá a la programación cuadrática a través del uso del Excel y especialmente del
complemento de Solver.
En primera instancia se proyectará el rendimiento de la cartera, según el marco que
dice que el pasado predice al futuro, como si el mercado tuviera memoria. Para ello, se
utilizará el modelo tradicional aplicado en finanzas denominado CAPM.
En segunda instancia, se partirá de la hipótesis que el pasado no predice al futuro, y
que los rendimientos siguen un recorrido aleatorio. Para ello, por medio de la aplicación de
la Simulación de Montecarlo, y haciendo uso del software Crystall Ball, se construirá un
modelo estocástico, por el cual se intentará predecir el rendimiento del mismo portafolio.
Se deja constancia que el propósito de este trabajo será demostrar la importancia de
la utilización de diversos modelos cuantitativos y contrastar los resultados de los mismos
evidenciando incongruencias o engranajes perfectos con los resultados reales.
La finalidad es que los modelos refuercen y avalen las habilidades gerenciales,
transformándose en una herramienta útil y certera a la hora de tomar decisiones,
complementando la intuición y la experiencia de los sujetos tomadores de decisiones.
1
http://valenzuela-mayer.blogspot.com, (2009).
2
Ibídem
Cuartas Jornadas de Jóvenes Investigadores UNT - CONICET Tucumán, 22, 23 y 24 de Junio de 2010
3
SUPUESTOS BASE: Todos los estadísticos que serán utilizados de inputs en los
modelos predictivos corresponden a las distribuciones particulares de cada acción,
obtenidas a través de la realización de test de bondad de ajustes mediante el uso del
software Crystall Ball, es decir, pruebas que miden la compatibilidad de una muestra
aleatoria con una función teórica de distribución de probabilidades.
Las variables serán las variaciones relativas diarias en el precio de cada acción.
Dado que dicha información es de público conocimiento, se las obtendrá de internet,
precisamente de la página www.puentenet.com.ar. El horizonte temporal de análisis serán
los primeros 11 meses del 2009, específicamente, desde el día 01/01/2009 al 30/11/2009.
Cabe aclarar que no todos los días, que comprende el marco temporal mencionado, las
empresas cotizan en bolsa. Los días feriados, el sábado y domingos son aquellos días en
los que no habrá cambios en el precio de la acción con respecto al día anterior.
Realizando un ajuste de lote de datos, mediante el test de Anderson- Darling, se
afirma que tanto el Banco Macro como Banco Hipotecario y Tenaris se ajustan mejor a una
distribución de probabilidad logística, no asumiendo la hipótesis que las variables se
comportan como una distribución normal, aspecto que reducirá sesgo y permitirá obtener
resultados más cercanos a la realidad.
2. Variables de decisión:
X1 proporción invertida en acciones del Banco Macro.
X2 proporción invertida en acciones de Banco Hipotecario.
X3 proporción invertida en acciones de Tenaris.
Función Objetivo: Minimizar el riesgo de la cartera
Analíticamente la función objetivo se define en la siguiente tabla:
4. Modelo CAPM7
Con respecto al modelo determinístico8 predictivo a aplicar para estimar el
rendimiento de la cartera para el mes de Diciembre de 2009, será el Capital Asset Pricing
Model o CAPM (Modelo de Fijación de precios de Activos de Capital).
En términos analíticos, el CAPM establece que el retorno esperado, que se exige a
cualquier activo riesgoso, viene dado por la siguiente relación de equilibrio:
7
www.wikipedia.com, (2009).
8
EPPEN, G., GOULD, F., MOORE, J., SCHMIDT, C., y WEATHERFORD, L.: INVESTIGACIÓN DE
OPERACIONES EN LA CIENCIA ADMINISTRATIVA. Quinta Edición. Editorial Pearson. (s.d.), págs. 3,36.
Cuartas Jornadas de Jóvenes Investigadores UNT - CONICET Tucumán, 22, 23 y 24 de Junio de 2010
6
Con la finalidad de explicar los resultados del modelo en forma práctica, se asume
que al primer día del mes de Diciembre de 2009 se invierte la suma de $1. Se conoce que el
rendimiento diario esperado del Portafolio de Inversión según Modelo CAPM es de 0,325%
(teniendo en cuenta que dicho valor surge de las proporciones obtenidas por la
programación cuadrática para cada acción y los rendimientos esperados para cada activo
financiero según Modelo CAPM), y además que sólo 19 días de los 31, las empresas
cotizaron en bolsa (ya que el resto de los días fueron feriados y fin de semana, y en dichos
días la empresa no cotizaron). Asumiendo que cada día de los contemplados para el análisis
tiene un rendimiento de 0,325%, se calcula que la rentabilidad esperada mensual para la
Cartera de Inversión se espera que sea de 6,3584%. Es decir, que al día 30 de Diciembre
de 2009 el portafolio del inversor estará valuado nominalmente en $1,0636.
5. Modelo Probabilístico9
Este Modelo probabilístico se basa en el método de Monte Carlo, un tipo de
simulación que utiliza distribuciones de probabilidad para determinar cuándo ocurrirán
eventos aleatorios, el cual no arroja un valor absoluto como resultado, sino una distribución
de probabilidad completa de los resultados.
A pesar que tanto la Simulación como la optimización utilizan modelos cuantitativos,
se basan en conceptos muy diferentes. En un modelo de optimización los elementos se
conocen con certeza, en cambio, en un modelo de simulación no se conocen con certeza.
Aplicación de la Simulación
Para hacer correr la simulación se deben definir los siguientes conceptos claves:
desarrollo de un modelo de simulación en Excel, definición de suposiciones para las
variables aleatorias, definición de las variables de decisión, definición de la variable de
predicción, e indicar el número de repeticiones de la simulación.
Para la simulación, será necesario determinar las variables aleatorias. Existen dos
clases principales de variables aleatorias10: discreta y continuas. Las variables aleatorias
9
EPPEN, G., GOULD, F., MOORE, J., SCHMIDT, C., y WEATHERFORD, L..: Op. Cit., págs. 3, 36.
10
MYERS, R., y WALPOLE, R.: PROBABILIDAD Y ESTADÍSTICA. Cuarta Edición. Tercera en español. Editorial
McGraw-Hill. (s.d.). págs. 4,58.
Cuartas Jornadas de Jóvenes Investigadores UNT - CONICET Tucumán, 22, 23 y 24 de Junio de 2010
7
discreta pueden asumir sólo ciertos valores específicos (por ejemplo, enteros), y las
variables aleatorias continuas pueden tener cualquier valor fraccionario (un número infinito
de resultados posibles). Se ha definido como variables aleatorias del tipo continua a los
rendimientos diarios de cada una de las acciones.
Se ha decidido que las variables de decisión sean las proporciones invertidas en
cada una de las acciones en el portafolio de inversión. Cabe aclarar, que éstas surgen de la
solución óptima determinada por el modelo determinístico de la programación cuadrática.
Estas 3 variables no tendrán variabilidad, sino más bien serán valores constantes.
Una vez determinadas las distribuciones de probabilidad ad- hoc de las variables
críticas del modelo, se procede a definir las ecuaciones de la variable de salida que se
quiere estimar a través del simulacro. La variable de salida, también conocida como variable
de predicción será la rentabilidad diaria de la cartera de inversión, definida matemáticamente
como la suma producto de los rendimientos diarios de cada una de las acciones con su
respectiva proporción.
Es necesario entender el comportamiento de las variables y la influencia que tienen
las variables aleatorias y las de decisión sobre las variables de predicción con el objetivo
que el modelo sea lo más representativo de la realidad y a su vez que nos brinde datos
útiles para poder analizarlos.
Uno de los pasos críticos de la simulación es determinar las distribuciones de
probabilidades específicas de las variables aleatorias. En el modelo de cartera presentado,
determinamos como variables aleatorias del tipo continua al rendimiento diario de cada una
de las acciones. Los casos base para cada una es la media, la cual surge del ajuste de los
datos con su específica distribución de probabilidad. Por lo tanto, el Banco Macro, tiene una
distribución logística, cuya media es de 0,3581%. El Banco Hipotecario y Tenaris también
tienen una distribución logística con media 0,2178% y 0,3922 % respectivamente.
Como metodología de trabajo se ha llevado a cabo una simulación por día durante
los 19 días que las empresas cotizaron en bolsa. Para ejecutar la simulación de ese día en
particular, se indica en el software que el máximo número de iteraciones será de 5.000; con
un nivel de confianza del 95%.
Una vez ingresadas todas las variables se ejecuta la simulación. Como resultado de
la misma se obtiene un conjunto de posibles valores que pueden tomar la variable objetivo
con su distribución de probabilidad, pudiéndose realizar un análisis de escenarios.
Al igual que con el Modelo CAPM, se intentará de explicar los resultados del modelo
en forma práctica, suponiendo que al primer día del mes de Diciembre de 2009 se invierte la
suma de $1. Asumiendo que cada día de los contemplados para el análisis, la cartera tiene
un rendimiento diario que no se conoce con certeza, se ha realizado una simulación para
Cuartas Jornadas de Jóvenes Investigadores UNT - CONICET Tucumán, 22, 23 y 24 de Junio de 2010
8
cada día para asignarle un valor. Una vez que se dispone de dicha información, se conoce
el rendimiento esperado simulado para cada día, se procede a calcular la rentabilidad
esperada mensual para la Cartera de Inversión, la cual se espera que sea de 6,5444%. Es
decir, que al día 30 de Diciembre de 2009 el portafolio del inversor estará valuado en
$1,0654.
6. Conclusión
Se contrastarán los resultados obtenidos de los distintos modelos con lo que
realmente sucedió en el mercado de capitales con la cartera en la que decidimos invertir.
A continuación, en la siguiente tabla, se detallan los días que las empresas cotizaron
en bolsa, mostrando los rendimientos diarios/ mensuales reales, y los esperados según
Modelos estocástico y CAPM.
predictiva de los modelos son realmente alentadores, sin embargo existe un sesgo, cuya
distancia medida en valor absoluto, es de 0,13% para el modelo estocástico, mientras que
para el modelo determinístico es del 0,05%. No se quiere enfatizar con ello que un modelo
es mejor que el otro, ya que se cree en la complementariedad de ambos.
¿Será azar el haber logrado que dos modelos lleguen prácticamente a las mismas
conclusiones? ¿Será suerte que se pueda ganar 6,40% mensual en el ámbito bursátil,
cuando hoy en día el Banco Nación de la República Argentina está pagando un 9% anual
para un plazo fijo? No se trata de ser adivinos, ni magos, ni de hacer ilusiones. Es cuestión
de entrelazar todas las variables que pudieran llegar a explicar un determinado fenómeno.
Se está en condiciones de despojar ese preconcepto que invertir en activos
financieros es fortuito, azaroso e incluso hasta aventurado, ya que se ha comprobado que
se ha sido recompensado por el riesgo asumido y por el análisis previo realizado.
No debemos ser engañados por el azar, la correlación entre las conclusiones de los
modelos con los resultados reales obtenidos ha sido altamente positiva, dado que las
mismas se fundamentan en criterios objetivos y métodos sistemáticos. La evidencia
recogida de la realidad respalda la proposición que lo que podemos obtener del mercado
financiero nos es una cuestión de casualidad sino más bien de causalidad.
El gran desafío ha sido demostrarles el provecho del manejo de modelos como
herramientas para resolver problemas cotidianos y en lo que atañe a este proyecto de
investigación a cuestiones de índole financieras y del ámbito bursátil. Los modelos no
servirán de nada sin la complementariedad del ojo crítico del administrador y su posibilidad
de adoptar un enfoque situacional con el objetivo de ir manejando sobre la marcha para dar
solución a algún escenario donde hayan ocurrido sucesos improbables estadísticamente.
7. Bibliografía
• MYERS, R., y WALPOLE, R.: PROBABILIDAD Y ESTADÍSTICA. Cuarta Edición.
Tercera en español. Editorial McGraw-Hill. (s.f.).
• EPPEN, G., GOULD, F., MOORE, J., SCHMIDT, C., y WEATHERFORD, L.:
INVESTIGACIÓN DE OPERACIONES EN LA CIENCIA ADMINISTRATIVA. Quinta Edición.
Editorial Pearson. (s.f.).
• HANNA, M., RENDER, B., STAIR, R.: MÉTODOS CUANTITATIVOS PARA LOS
NEGOCIOS. Novena Edición. Editorial Prentice Hall. Año 2006.
• Consultas en Internet: www.tenaris.com, (2009).
• Consultas en Internet: www.macro.com.ar, (2009).
• Consultas en Internet: www.hipotecario.com.ar, (2009).
• Consultas en internet: http://valenzuela-mayer.blogspot.com, (2009).