RiskLab UsersGuide ES

Examinar cmo la variacin de los supuestos impacta sobraftyghghghfhfh
RISK-LAB
SOFTWARE DE ANLISIS MONTE-CARLO
GUA DEL USUARIO
Junio de 2013
RISK-LAB GUA DEL USUARIO
TABLA DE CONTENIDOS
I.
VISIN GENERAL ................................................................................................................................................. 2

I.1. SIMULACIN MONTE-CARLO .................................................................................................................................... 3
I.1.1. Introduccin...................................................................................................................................................... 3
I.1.2. Distribuciones de probabilidad ........................................................................................................................ 3
I.2. PROYECTOS, MODELOS Y VARIABLES ........................................................................................................................ 6
II.
OPERACIN DEL SISTEMA ............................................................................................................................... 8

II.1. INTERFAZ PRINCIPAL ............................................................................................................................................... 8
II.1.1. Men principal ................................................................................................................................................ 8
II.1.2. Barra de botones de acceso rpido ................................................................................................................. 9
II.2. CONFIGURACIN DE PROYECTOS ............................................................................................................................. 9
II.3. CREACIN Y CONFIGURACIN AUTOMTICA DE MODELOS .................................................................................... 11
II.4. CONFIGURACIN DE VARIABLES ............................................................................................................................ 12
II.5. CONFIGURACIN DE CONEXIONES DE VARIABLES CON MS EXCEL ..................................................................... 19
III.
FLUJO DE TRABAJO TPICO ...................................................................................................................... 21
III.1. CONFIGURACIN DE LAS VARIABLES DE ENTRADA ............................................................................................... 22

III.2. INGRESO DE DATOS OBSERVADOS......................................................................................................................... 23
III.3. AJUSTE DE DISTRIBUCIONES PTIMAS .................................................................................................................. 24
III.4. INGRESO DE CORRELACIONES ENTRE VARIABLES DE ENTRADA ............................................................................ 25
III.5. CONFIGURACIN DE LAS VARIABLES DE RESULTADO ........................................................................................... 26
III.6. CONTROL DE LA SIMULACIN ............................................................................................................................... 27
III.7. RESULTADOS DE LA SIMULACIN ......................................................................................................................... 28
III.8. ANLISIS DE RESULTADOS. .................................................................................................................................. 29
III.8.1. Calidad de escenarios aleatorios generados ............................................................................................... 30
III.8.2. Estadsticas bsicas de variables de resultados ........................................................................................... 31
III.8.3. Escenarios de estrs ..................................................................................................................................... 32
III.8.4. Elasticidades ................................................................................................................................................ 33
III.8.5. Correlaciones entre variables de entrada y resultados ............................................................................... 35
III.8.6. Anlisis de regresin multivariada .............................................................................................................. 37
IV.
ALGUNOS EJEMPLOS DE USO ................................................................................................................... 38
IV.1. VALORIZACIN DE EMPRESAS .............................................................................................................................. 38

IV.1.1. Presentacin del modelo .............................................................................................................................. 38
IV.1.2. Configuracin del modelo en Risk-Lab ........................................................................................................ 40
IV.1.3. Resultados y conclusiones del modelo ......................................................................................................... 41
IV.2. OPERACIONES - RBOLES DE DECISIN ................................................................................................................ 44
IV.2.1. Presentacin del caso ................................................................................................................................... 44
IV.2.2. Resultados del modelo .................................................................................................................................. 46
IV.3. INSTRUMENTOS DERIVADOS - VALORIZACIN DE OPCIONES EXTICAS ............................................................... 47
IV.4. RIESGOS VAR MONTECARLO ............................................................................................................................. 50
VISIN GENERAL
I. VISIN GENERAL
El sistema informtico Risk-Lab es un aplicativo de escritorio que permite disear y ejecutar simulaciones Monte-Carlo
sobre cualquier modelo desarrollado en hojas de clculo de Microsoft Excel. Las simulaciones se utilizan para
predecir las consecuencias que tendr la toma de decisiones o la fluctuacin de variables no controladas.
El uso de Risk-Lab permite fortalecer notablemente el anlisis en reas tales como:
Mtodos Cuantitativos para la toma de decisiones

Decisiones Financieras y Valorizacin de Empresas
Mercado de Capitales y Portafolios de Inversiones
Gestin de Proyectos
Anlisis y Gestin de Riesgos
Administracin de Operaciones
Y en general en cualquier actividad analtica que pueda cuantificarse a travs de modelos en Microsoft Excel.
Risk-Lab permite responder a preguntas clave tales como:
Qu efectos tiene sobre los resultados la variacin de los supuestos adoptados?

Qu variables de control tienen mayor influencia sobre las funciones objetivo?
Cul es la sensibilidad de los indicadores de resultado ante escenarios extremos?
Cules son intervalos de confianza estadsticamente razonables para las variables de resultado?
Cul es la probabilidad de xito o ganancias positivas en un anlisis econmico?
Cules son las prdidas mximas razonables que cabra esperar en un anlisis financiero?
Cules son las actividades que formarn la ruta crtica en un proyecto con mayor probabilidad?
En todos los modelos siempre existirn variables inciertas o supuestos; Risk-Lab examina cmo la variacin de estos
supuestos impacta en los resultados y conclusiones del usuario. Las principales caractersticas distintivas del sistema
son las siguientes:
Ofrece un entorno de trabajo especializado y de fcil aprendizaje.

No requiere instalar complementos (add-ins) o libreras adicionales en la hoja de clculo.
Permite controlar cualquier versin de la hoja de clculo MS Excel
La informacin de los modelos y datos pueden guardarse en archivos .RL compactos.
Toda la complejidad de los modelos y peculiaridades de formatos se quedan en la hoja de clculo, la interface
de Risk-Lab se mantiene siempre limpia y organizada para mejorar la productividad.
Es posible que mltiples usuarios ejecuten el aplicativo desde una nica copia del sistema alojada en un
servidor de archivos.
Los supuestos de los modelos pueden contener frmulas.
Genera sofisticados grficos listos para presentacin.
Emplea las tcnicas ms avanzadas de cpulas elpticas y arquimedianas para generar escenarios.
Incluye modelos pre-diseados listos para su uso en diversas asignaturas.
En general, Risk-Lab es una herramienta para poder incorporar la incertidumbre y el riesgo en modelos cuantitativos de
MS Excel.
I.1. Simulacin Monte-Carlo
I.1.1. Introduccin
La simulacin de Monte-Carlo es una tcnica cuantitativa que permite aproximar la distribucin estadstica de
resultados de inters para el analista a travs de simulaciones que hacen uso de nmeros aleatorios sobre las incgnitas
del modelo.
El sistema Risk-Lab hace uso de tcnicas avanzadas (cpulas estadsticas) para la generacin de nmeros aleatorios
correlacionados para realizar la simulacin. Este enfoque modela una distribucin multidimensional que describe el
comportamiento conjunto de las variables inciertas bajo anlisis. En general, las cpulas proporcionan una herramienta
para representar la estructura de dependencia entre las variables y para generar distribuciones hbridas. Usando las
cpulas se hace posible construir y simular estructuras complejas de interdependencia. Risk-Lab puede emplear dos
tipos de cpulas:
Cpulas elpticas: son simtricas con distribuciones elpticas, cuya densidad es constante sobre elipsoides,
suelen ser las aplicadas en problemas de ndole general.
Gaussianas
Student-T
Cpulas Arquimedianas: asimtricas, con un grado de heterocedasticidad, modelan mejor la dependencia

entre variables.
Clayton
Frank
I.1.2. Distribuciones de probabilidad

Una distribucin de probabilidad es una funcin que asigna una probabilidad de ocurrencia a cada posible suceso
definido sobre la variable aleatoria. Risk-Lab incluye 24 distribuciones de probabilidad para modelar variables bajo
anlisis: 18 distribuciones continuas y 6 discretas. Estas distribuciones cubren una amplia variedad de aplicaciones
cientficas y de negocios. Las distribuciones disponibles son las siguientes
Discretas:
Bernoulli: Es la ms simple de las distribuciones discretas. nicamente puede tomar dos valores:
la unidad con una probabilidad de xito p y cero con probabilidad 1-p.
Uniforme discreta: es la forma discreta de la distribucin uniforme. Todos los valores posibles
presentan una misma probabilidad de ocurrencia. Es un caso especial de distribucin binomial.
Binomial: Es un caso especial de la distribucin de Poisson. Se aplica a experimentos con

secuencias de pruebas independientes en las que hay solo dos resultados posibles por prueba.
Geomtrica: Es el equivalente a la distribucin exponencial pero con variables discretas.
Hipergeomtrica: Su aplicacin clsica es el muestreo sin reemplazo.
Poisson: Modela la distribucin de un nmero de eventos que ocurren en un periodo de tiempo

fijo, solo si estos eventos suceden con una tasa promedio conocida e independientemente del
tiempo transcurrido desde el ltimo evento.
Continuas:
Uniforme: Es la forma ms simple de todas las distribuciones continuas. Todos los valores
posibles tienen la misma probabilidad de ocurrencia.
Normal: Se conoce tambin como Distribucin Gaussiana. Es la distribucin continua ms usada.

Es simtrica, con forma de campana y no tiene colas anchas. Por lo general, cuando se tienen
variables aleatorias con distribuciones no conocidas se asume que se distribuyen como una
normal.
Chi-cuadrado: Es la distribucin de la suma de cuadrados de variables aleatorias (normal

estndar) independientes.
Exponencial: Describe el tiempo que transcurre entre eventos de un proceso Poisson. Tambin
puede ser usada para modelar situaciones donde ciertos eventos ocurren con una probabilidad
constante.
T-Student: Simtrica con forma de campana, muy similar a la distribucin normal. Sin embargo,
esta presenta colas ms anchas y contiene valores que estn ms alejados de la media.
F-Ratio (F de Fisher-Snedecor): Es una distribucin asimtrica que tiene un valor mnimo de

cero y cuyo pico est no muy lejos hacia la derecha.
Triangular: Es una distribucin continua muy simple con un rango limitado de posibles valores y
un valor con mayor probabilidad.
Beta: Est definida en el intervalo (0,1) y tiene 2 parmetros positivos de forma. Puede ser usada
para modelar eventos que estn restringidos a tomar valores que estn dentro de un intervalo
definido por un mnimo y un mximo
Valores extremos: La distribucin limite del mnimo de un gran nmero de variables aleatorias
ilimitadas pero idnticamente distribuidas.
Logstica: Es similar a la distribucin normal en la forma pero tiene cola ms anchas dada su alta
kurtosis.
Log Normal: Es la distribucin de una variable aleatoria cuyo logaritmo se distribuye como una
normal. Los retornos compuestos de largo plazo tienden a distribuirse de manera lognormal si los
retornos de corto plazo son independientes y se distribuyen de manera normal.
Gamma: Generalmente se usa como un modelo de probabilidad para los tiempos de espera o los
tiempos para concluir con alguna tarea.
Weibull: Es una familia de distribuciones que pueden asumir las propiedades de otras
distribuciones. Por ejemplo, se puede modelar como una exponencial o como una Rayleigh, pero
depende de los parmetros de forma que se definan. Si este parmetro es igual a 1, la distribucin
seria igual que una exponencial. Se caracteriza por ser una distribucin bastante flexible.
Pareto: Se usa generalmente en los campos de negocios y economa, pero tambin en ciencia
poltica.
Laplace: Tambin conocida como la distribucin exponencial doble. Es la distribucin de

diferencias entre dos variables independientes con distribuciones exponenciales idnticas.
Gumbel: Tambin conocida como la distribucin de valores extremos mnimos. Sirve para
predecir la probabilidad de que ocurran desastres naturales.
Chi: distribucin continua que surge cuando los componentes de un vector ortogonal de k
dimensiones son independientes y cada uno presenta una distribucin normal estndar.
Rayleigh: generalmente se observa cuando la magnitud de un vector est relacionada con sus
componentes direccionales.
En el siguiente cuadro se muestra una expresin grfica de cada una de las distribuciones continuas que contiene RiskLab:
Fig. 1: Distribuciones Continuas
De igual manera, se muestra la expresin grfica de aquellas distribuciones discretas con las que cuenta el programa.
Fig. 2: Distribuciones Discretas
I.2. Proyectos, modelos y variables
Risk-Lab es un aplicativo stand-alone, lo que significa que, a diferencia de otras soluciones basadas en add-ins, no
requiere que el usuario realice instalaciones o configuraciones dentro de Microsoft Excel.
El entorno de trabajo del sistema se compone de proyectos, modelos y variables. El proyecto es el contenedor bsico,
equivalente a un documento en otras aplicaciones. Los proyectos pueden contener uno o varios modelos separados.
Cada modelo, por su parte, dispone de dos clases de variables: de entrada (variables inciertas que son simuladas) y de
resultado. Ambas clases de variables deben corresponder con celdas de la hoja de clculo.
Proyecto de Risk-Lab
Variables de
entrada
Variables de
resultado
Vnculos con documentos externos
Libros en
MS Excel
Los valores de las celdas de resultado

son extrados desde MS Excel
Los valores de las variables de

entrada son inyectados en MS Excel
Modelos
Todas las frmulas son definidas

y clculadas aqu
Fig. 3: Vnculo de variables de entrada y de resultado con MS Excel
Un proyecto puede estar enlazado con uno o varios libros de MS Excel, si bien habitualmente se suele controlar un
solo libro. La creacin de variables de entrada y resultados, as como la configuracin de las distribuciones y
parmetros de las variables de entrada puede realizarse dentro del propio sistema Risk-Lab. Sin embargo, este proceso
de configuracin puede ser realizado de forma automtica por el propio software si el usuario dispone de una tabla que
resuma las variables y sus caractersticas.
Una vez definidas en Risk-Lab las variables de entrada, sus distribuciones y sus celdas asociadas en MS Excel, la
simulacin propiamente se ejecuta mediante la introduccin de valores aleatorios en dichas celdas. Para cada escenario
aleatorio inyectado, Risk-Lab recalcula todas las frmulas en MS Excel y luego recoge los valores de las celdas
asociadas a variables de de resultado. Una vez concluida la simulacin, Risk-Lab repone las celdas de entrada con las
frmulas o valores iniciales que tenan antes de iniciar la simulacin.
Fig. 4: Conexin remota con MS Excel
II
Operacin del Sistema
II. Operacin del Sistema

II.1. Interfaz principal
Al ingresar al sistema encontrar la ventana principal y, por defecto, aparecer un proyecto de demostracin (este
proyecto solo contiene informacin de muestra, as que puede cerrarlo antes de comenzar a trabajar). La ventana
principal contiene, adems, la barra del men principal, en la cual encontrar una serie de opciones para la gestin del
proyecto. Finalmente cuenta con una barra de botones de acceso rpido, los cuales sern mencionados con detalle ms
adelante.
Fig. 5: Ventana principal
II.1.1. Men principal
File
New project: permite introducir al programa un nuevo proyecto, incluso cuando en este ya exista uno
abierto, es decir, el programa permite tener ms de un proyecto abierto a la vez. Al elegir esta opcin
aparecer una nueva ventana, la cual pedir introducir un nombre para el nuevo proyecto, as como el
nombre del autor del mismo. Para acceder de una manera ms directa a esta ventana, es posible
presionar en el teclado Ctrl + N.
Open project: esta opcin dirige al usuario al buscador de archivos para que pueda seleccionar alguno
que haya sido trabajado en el programa previamente. Los archivos de Risk-Lab tienen una extensin
.RL.
Save project: permite al usuario guardar una copia ntegra del contenido del proyecto en un archivo
".RL". Si el archivo ya se encuentra guardado, lo sobre-escribe automticamente con el mismo
nombre.
Save project as: permite guardar el proyecto activo con un nombre diferente al dado previamente.
Esto es beneficioso ya que ambos archivos quedarn guardados en la memoria del sistema, sin que se
corra el riesgo de perder lo trabajado en alguno de los dos.
Exit program: abandona el programa tras un mensaje de confirmacin. Compruebe que haya
guardado la informacin relevante antes de cerrar el sistema. Tome en cuenta que puede tener abiertas
en memoria varios proyectos de manera simultnea.
Objects
Run current model: Permite ejecutar la simulacin del modelo seleccionado de manera directa.
Window: Ofrece opciones para enfocar y reorganizar las ventanas dentro del sistema.
Help: Muestra aquellos eventos que se hayan registrado, as como permite acceder a informacin bsica del
programa.
II.1.2. Barra de botones de acceso rpido

Los botones con los que cuenta el programa son:
Crear un proyecto nuevo.
Abrir un proyecto Risk-Lab.
Guardar el proyecto.
Ejecutar la simulacin del modelo seleccionado.
II.2. Configuracin de proyectos
Para crear un proyecto nuevo, utilice el men "File / New project..." o el botn correspondiente de la barra de botones.
El sistema preguntar por el nombre del proyecto.
Una vez creado el proyecto, ste se encontrar vaco, es decir, sin variables ni conexiones con MS Excel. Tal como se
puede ver en la siguiente imagen, el proyecto cuenta con una barra de ttulo en la parte superior que incluye un botn
para realizar ajustes de configuracin al proyecto. Hacia la izquierda se aprecia el rbol de objetos, cuyo encabezado
dispone de tres botones con fondo gris. En la seccin derecha se presenta en detalle y contenido de los objetos.
Fig. 6: Ventana de proyecto
La ventaja de ajustes de proyecto ("Project settings...") permite ajustar las propiedades visuales bsicas del proyecto,
como puede verse en las siguientes imgenes. Dos parmetros de estas ventanas merecen una mencin especial:
Save simulated values in .RL file: guarda los escenarios aleatorios simulados como parte del archivo .RL. En
simulaciones de tamao normal, es recomendable mantener activada esta opcin. Cabe notar, sin embargo, que
para simulaciones con un nmero muy grande de escenarios esto incrementar el tamao del archivo .RL. Si el
usuario solo tiene inters en los resultados y no en los valores de los supuestos aleatorios para cada escenario,
podra ser conveniente desactivar esta opcin.
Delimiters: determina los delimitadores de separacin decimal y de miles. El sistema cargar automticamente
la configuracin regional de la PC; sin embargo hay algunos sistemas que tienen configuraciones especiales en
MS Excel. En el caso improbable de encontrar algn error de interpretacin numrica, puede ajustar los
delimitadores aqu.
Fig. 7: Ventana de ajustes de proyecto
10
II.3. Creacin y configuracin automtica de modelos
Por defecto, los proyectos nuevos contienen un modelo vaco denominado "New model". El nombre de este proyecto
puede ser cambiado haciendo clic, una pausa y luego nuevamente clic sobre el nombre del modelo.
Para crear un nuevo modelo dentro de un proyecto, puede hacer clic sobre el botn "Add model" de la barra de botones
de fondo gris. Alternativamente, puede hacer clic derecho sobre el rbol de objetos y elegir la opcin correspondiente.
Este men de contexto tambin puede utilizarse para eliminar y crear otras clases de objetos en el rbol.
Existen dos modos de configurar las variables y conexiones con MS Excel de un modelo: uno automtico y otro
manual.
Para utilizar el modo automtico, la estructura de variables del modelo debe ser resumida en una tabla en la hoja de
clculo, incluyendo el nombre de cada variable, su tipo (entrada o salida), su distribucin y parmetros (si se conocen) y
la celda asociada a la variable. Esta tabla resumen debe tener la siguiente estructura de filas y columnas:
Input and output variables - Summary
Variable name
Type
Distribution Parameter 1 Parameter 2 Parameter 3 Simulated value
Workbook
Sheet
Cell
Risk Factor - G stock
Input
Normal
0.0%
1.0%
0.0000
Level
04_ValueAtRisk.xls
Portfolio
RF_GOOG
Risk Factor - A stock
Input
Normal
0.0%
1.0%
0.0000
Level
04_ValueAtRisk.xls
Portfolio
RF_AAPL
Risk Factor - N stock
Input
Normal
0.0%
1.0%
0.0000
Level
04_ValueAtRisk.xls
Portfolio
RF_NESM .F
Risk Factor - Exchange rate USD/EUR
Input
Normal
0.0%
1.0%
0.0000
Level
04_ValueAtRisk.xls
Portfolio
RF_USDEUR
Risk Factor - USD Rate (0-360d)
Input
Normal
0.0%
1.0%
1.0000
Level
04_ValueAtRisk.xls
Portfolio
RF_USD_0_360
Input
Normal
0.0%
1.0%
2.0000
Level
04_ValueAtRisk.xls
Portfolio
RF_USD_361_720
Input
Normal
0.0%
1.0%
3.0000
Level
04_ValueAtRisk.xls
Portfolio
RF_USD_721_1080
Risk Factor - USD Rate (1081+d)
Input
Normal
0.0%
1.0%
4.0000
Level
04_ValueAtRisk.xls
Portfolio
RF_USD_1081_
Hypothetic gains/losses - Portfolio
Output
04_ValueAtRisk.xls
Portfolio
HGL
Hypothetic gains/losses - Cash in euros
Output
04_ValueAtRisk.xls
Portfolio
HGL_Cash2
Hypothetic gains/losses - G stock
Output
04_ValueAtRisk.xls
Portfolio
HGL_GOOG
Hypothetic gains/losses - A stock
Output
04_ValueAtRisk.xls
Portfolio
HGL_AAPL
Hypothetic gains/losses - N stock
Output
04_ValueAtRisk.xls
Portfolio
HGL_NESM .F
Fig. 8: Tabla resumen de la estructura del modelo
Ntese que las variables de salida (output) no tienen distribuciones de probabilidad asociadas. Tambin vale tomar en
cuenta que si no se conoce la distribucin de una variable de entrada y luego se pedir a Risk-Lab que encuentre la
distribucin que mejor ajusta a los datos observados, la configuracin de distribuciones puede ingresarse trivialmente
como Normal (0,1). Finalmente, cabe sealar que la columna de direccin de Celda puede contener tanto direcciones
como nombres de celda. Sin embargo, se recomienda emplear nombres de celda para evitar errores si la estructura de la
hoja cambia (por ejemplo, si se aaden filas o columnas).
El procedimiento para configurar automticamente un modelo a partir de la informacin de una tabla como la anterior
es el siguiente:
Seleccionar el rango que comprende desde el primer nombre de variable ("Risk Factor - G Stock" en el
ejemplo) hasta la direccin de celda de la ltima variable ("HGL_NESM.F" en el ejemplo).
Copiar esta informacin al portapapeles.
En Risk-Lab, hacer clic derecho sobre el modelo que desea autoconfigurarse y elegir el men "Paste model
structure".
Este ltimo paso tomar la informacin del portapapeles e interpretar la informacin de las columnas de la tabla en el
orden establecido (la primera columna ser el nombre, la segunda el tipo de variable, etc.).
11
As como el sistema es capaz de importar la estructura de un modelo desde una tabla, tambin es posible exportar la
estructura en forma de una tabla. Esto se consigue haciendo clic derecho sobre el modelo y eligiendo "Copy model
structure". Esto es especialmente til para poder compartir un modelo (por ejemplo, en un saln de clases).
Es importante tener en cuenta que Risk-Lab respetar exactamente el nombre del libro, hoja y celda de MS Excel
sealados a partir de la octava columna (workbook). Por ejemplo, si se configura un modelo referido al libro
"Libro1.xls", pero el nombre correcto del libro es "Libro1.xlsx", Risk-Lab no podr localizar el libro en la lista de
documentos abiertos.
Las siguientes secciones explican cmo pueden configurarse los componentes de un modelo de manera manual.
II.4. Configuracin de variables
Una vez que se tenga el modelo creado, es posible introducir las variables de entrada y de salida manualmente de
manera individual. Para conseguir esto, debe hacer clic derecho sobre el modelo en el rbol de objetos e indicar Add
input variable. De modo similar, se puede generar una nueva variable de resultado eligiendo la opcin Add output
variable. Con estos pasos realizados la ventana principal del programa quedara de la siguiente forma:
Fig. 9: Modelo con una variable de entrada y una de resultado
Cada variable de entrada dispone de una ventana especializada, accesible mediante doble clic sobre la variable. Esta
ventana permite definir o configurar el tipo de distribucin estadstica a la que se aproxima, as como la conexin de
cada variable con celdas en hojas de clculo de MS Excel.
Los detalles de la configuracin de estas variables se muestran a continuacin.
12
Fig. 10: Configuracin de variables de entrada
En la imagen previa se puede observar que Risk-Lab ofrece las herramientas necesarias para configurar los parmetros
para una distribucin asumida. El sistema cuenta con una amplia paleta de distribuciones estadsticas aplicables para el
modelado de diversos fenmenos, tales como rentabilidades y precios de activos, tiempos de demora y operacin,
nmero de fallas en procesos, etc. La siguiente imagen ilustra las distribuciones disponibles, accesibles mediante el
botn "Change distribution".
13
Fig. 11: Tipos de distribuciones para las variables de entrada
La pestaa Post-Process en la ventana de variable de entra permite definir si los valores simulados sern
transformados o sujetos a ciertos lmites. Adems existe la posibilidad de seleccionar si los valores aleatorios se
aplicarn sobre el nivel de la variable (es decir, reemplazarn al valor de la celda en la hoja de clculo) o se aplicarn
como tasas de variacin (es decir, se tomar el valor de la hoja de clculo como base y se le aplicarn los valores
aleatorios como shocks de variacin)
14
Fig. 12: Post-procesado de variables de entrada
Como se puede ver, las ventanas mostradas consideran caractersticas individuales de las variables. En este sentido, el
programa permite observar, el histograma, los estadsticos y los valores numricos que toma cada variable. Esto se
muestra en los prximos cuadros.
15
Fig. 13: Histograma de variable
Fig. 14: Estadsticas de variable
16
En esta siguiente subpestaa Risk-Lab muestra el valor de las observaciones que contiene la variable. Esta serie de datos
luego puede ser ajustada a la mejor distribucin posible a travs del proceso de bootstrapping.
Fig. 15: Observaciones de una variable
En la siguiente figura se observa el resultado de un anlisis tpico de ajuste de distribuciones a un conjunto de datos
observados para una variable. En la pestaa Bootstrapping se debe seleccionar la opcin Bootstrap, y
automticamente el sistema optimiza los parmetros de cada una de las distribuciones candidatas y presenta al usuario
un ranking de las distribuciones ms representativas para la variable bajo anlisis. Visualmente, el reporte tambin
cuenta con un semforo que permite al analista juzgar rpidamente el resultado de las prueba de hiptesis de ajuste de la
variable a cada potencial distribucin. El semforo verde un nivel de ajuste estadsticamente significativo.
17
Fig. 16: Bootstrapping por variable
Cabe decir que para realizar este proceso, es necesario haber ingresado previamente los datos de la variable. Este
proceso se realiza para todas las variables en un nico paso dentro de la ventana del modelo y se ver ms adelante, al
ejemplificar el flujo de trabajo tpico.
18
II.5. Configuracin de conexiones de variables con MS Excel

Dentro de las opciones de la ventana de una variable (ya sea de entrada o de resultado), se encuentra la pestaa
MS Excel link, que permite configurar la conexin entre Risk-Lab y MS Excel para dicha variable. Esta seccin
permite indicar la ubicacin exacta de la variable dentro de la hoja de clculo, particularmente se refiere al libro,
nombre de la hoja y al nombre de la celda en la que se encuentra el valor de la variable, como se muestra a
continuacin.
Fig. 17: Configuracin de conexiones con MS Excel
Risk-Lab gestiona la referencia a libros de MS Excel a travs de un alias de referencia externa. Esto significa que cada
libro a los que se refieren las variables del modelo tiene un lugar centralizado donde puede configurarse. Como se
puede ver en el ejemplo anterior, el usuario no escribe el nombre del libro, sino lo elige de la lista el alias de libros que
han sido definidos dentro de Risk-Lab. Para definir un nuevo alias de libro, puede utilizarse el botn con el signo "+"
junto a la lista de alias definidos.
Para ver la lista completa de alias de libros definidos en Risk-Lab y reconfigurarlos si hiciera falta (por ejemplo, si
quisiera cambiarse el nombre de un libro mal ingresado), puede hacerse clic en el botn External references
localizado en la parte inferior de la ventana de proyecto.
19
Fig. 18: Ventana de referencias externas
Los alias del libros sern mostrados en el lado izquierdo de la ventana del proyecto. Si se hace doble clic sobre el
nombre del alias, se abrir una ventana de configuracin que ofrece la opcin de cambiar el nombre del alias (short
name) y reajustar a qu libro apunta dicho alias (file name). Ntese que el recuadro de nombre de archivo puede
ingresarse manualmente, elegir un archivo de disto (con el botn "...") o elegir un documento de entre todos los libros
de MS Excel abiertos (usando la lista desplegable).
Fig. 19: Ventana de configuracin de documento externo
Para regresar al rbol de modelos y variables, haga clic en el botn "Models" en la parte inferior izquierda de la ventana
de proyecto.
20
III
FLUJO DE TRABAJO TPICO
III. Flujo de trabajo tpico

El primer paso es abrir el documento de MS Excel donde se encuentra en modelo que desea analizarse bajo el mtodo
de simulaciones Monte-Carlo.
Luego, para aplicar la configuracin automtica de variables y referencias, conviene tener ingresada una tabla como la
siguiente, que especifica qu variables se emplearn en el anlisis.
Input and output variables - Summary
Variable name
Type
Distribution Parameter 1 Parameter 2 Parameter 3 Simulated value
Workbook
Sheet
Cell
Risk Factor - G stock
Input
Normal
0.0%
1.0%
0.0000
Level
04_ValueAtRisk.xls
Portfolio
RF_GOOG
Risk Factor - A stock
Input
Normal
0.0%
1.0%
0.0000
Level
04_ValueAtRisk.xls
Portfolio
RF_AAPL
Risk Factor - N stock
Input
Normal
0.0%
1.0%
0.0000
Level
04_ValueAtRisk.xls
Portfolio
RF_NESM .F
Risk Factor - Exchange rate USD/EUR
Input
Normal
0.0%
1.0%
0.0000
Level
04_ValueAtRisk.xls
Portfolio
RF_USDEUR
Input
Normal
0.0%
1.0%
1.0000
Level
04_ValueAtRisk.xls
Portfolio
RF_USD_0_360
Input
Normal
0.0%
1.0%
2.0000
Level
04_ValueAtRisk.xls
Portfolio
RF_USD_361_720
Input
Normal
0.0%
1.0%
3.0000
Level
04_ValueAtRisk.xls
Portfolio
RF_USD_721_1080
Risk Factor - USD Rate (1081+d)
Input
Normal
0.0%
1.0%
4.0000
Level
04_ValueAtRisk.xls
Portfolio
RF_USD_1081_
Hypothetic gains/losses - Portfolio
Output
04_ValueAtRisk.xls
Portfolio
HGL
Hypothetic gains/losses - Cash in euros
Output
04_ValueAtRisk.xls
Portfolio
HGL_Cash2
Hypothetic gains/losses - G stock
Output
04_ValueAtRisk.xls
Portfolio
HGL_GOOG
Hypothetic gains/losses - A stock
Output
04_ValueAtRisk.xls
Portfolio
HGL_AAPL
Hypothetic gains/losses - N stock
Output
04_ValueAtRisk.xls
Portfolio
HGL_NESM .F
Fig. 20: Tabla resumen de la estructura del modelo
Una vez abierto Risk-Lab, suele ser preferible cerrar la ventana del modelo demo que se presenta automticamente y,
luego, crear un proyecto nuevo. Este proyecto contar con un modelo nuevo vaco.
El siguiente paso es copiar la tabla de configuracin de variables desde la celda que contiene el nombre de la primera
variable hasta la celda que contiene la direccin de la ltima variable. Una vez hecho esto, en Risk-Lab se hace clic
derecho sobre el nombre del modelo y se elige Paste Model Structure". Esto har que los parmetros indicados se
peguen y configuren automticamente en el software.
Una vez que se hayan ingresado todas las variables de entrada y de salida, se debe proceder a abrir el modelo eligiendo
la opcin Open en el extremo derecho de la barra negra o haciendo doble clic sobre el nombre del modelo.
El flujo de trabajo en Risk-Lab para configurar, ejecutar y analizar un modelo de simulacin Monte-Carlo sigue el orden
intuitivo de las pestaas en la ventana que aparece cuando se abre un modelo, tal como se ilustra a continuacin. Esta
relacin entre los pasos metodolgicos y la interface visual permite un uso intuitivo del sistema, particularmente para no
especialistas.
A continuacin se detalla el orden de tareas habitual.
21
III.1. Configuracin de las variables de entrada
Aqu se definen los supuestos del anlisis. En la primera pestaa aparecen las distribuciones con sus respectivos
parmetros y en la segunda pestaa se encuentran los vnculos con las celdas y los nombres de las hojas de clculo
donde se encuentran los datos vinculados.
Fig. 21: Configuracin de variables de entrada
Por lo general, los valores mostrados en esta ventana deberan aparecer por default, siempre y cuando se haya hecho de
manera correcta el traslado de la matriz de supuestos al aplicativo Risk-Lab. Sin embargo, esta ventana permite mayor
flexibilidad, ya que contiene botones que permiten aadir ms o incluso eliminar alguna de estas variables (estos
botones seran Add variable... y Drop variable respectivamente).
22
III.2. Ingreso de datos observados
Si se cuenta con informacin previamente observada para las variables, sta puede ser ingresada en el sistema desde
aqu. Para trasladar la informacin, debe copiarse la matriz de datos (sin incluir los encabezados ni la columna de
numeracin de observaciones). Para pegar los datos en Risk-Lab debe utilizarse el botn "Paste data from clipboard"
localizado en la parte inferior izquierda. Es importante emplear este botn en lugar de la combinacin de teclas Ctrl-V
para pegar, debido a que a travs del botn el programa realiza una serie de comprobaciones adicionales sobre los datos
(por ejemplo, interpretando separadores de miles o formatos signos de porcentaje).
Fig. 22: Ingreso de datos observados
Si se hiciera algn ajuste manual a los datos, ser necesario hacer clic en el botn Keep changes para que estos
cambios se guarden en el sistema. Esta ventana tambin permite descartar los cambios realizados o incluso borrar los
datos previamente introducidos.
Cabe subrayar que este paso es opcional, puesto que no todos los modelos contarn con datos histricos que puedan ser
introducidos. Como se ver ms adelante, un ejemplo es el de valuacin corporativa, ya que se toman como supuestos
ciertas variables cuyos valores histricos no pueden ser conocidos con facilidad.
23
III.3. Ajuste de distribuciones ptimas
En caso se cuente con informacin previamente observada para las variables de entrada, el sistema permite aplicar una
tcnica de bootstrapping para optimizar automticamente las distribuciones y parmetros para cada variable. Esta
tcnica prueba distintas distribuciones sobre los datos histricos, y analiza y elige cul es la mejor que describa a estas
variables.
Fig. 23: Deduccin de distribuciones ptimas
En este caso, a diferencia de lo explicado anteriormente sobre bootstrapping, se ejecuta esta tcnica para todas las
variables en su conjunto y muestra a qu distribucin se aproxima cada una de ellas. Tambin hace uso de semforos
para indicar si la aproximacin es estadsticamente aceptable o no, adems de mostrar los parmetros bajo los cuales se
ha establecido dicha distribucin. Los semforos se basan en el estadstico de Anderson-Darling. Complementariamente
se presentan otros estadsticos ilustrativos del nivel de ajuste de la distribucin.
24
III.4. Ingreso de correlaciones entre variables de entrada
Este paso permite fijar cmo se relacionarn las variables en los escenarios generados. La informacin de correlaciones
puede ingresarse manualmente o puede ser estimada automticamente por el sistema (en caso de disponerse de datos
observados).
Fig. 24:Ingreso de correlaciones entre variables
Adems, como se puede observar en la imagen anterior, esta ventana presenta dos botones, los cuales permiten obtener
el clculo de las correlaciones entre las variables mostradas. El primer botn Assume independency genera una matriz
de correlaciones igual a una identidad, es decir, se asume que las variables son independientes entre s y por lo tanto
presentan correlaciones iguales a cero.
Por otro lado, el botn Calculate from observed data permite calcular las correlaciones de acuerdo con los datos
observados para cada variable.
25
III.5. Configuracin de las variables de resultado
Aqu se define qu variables se desea recoger como parte de la simulacin, y en la barra inferior se definen los vnculos
con las celdas de la hoja de clculo.
Fig. 25: Configuracin de las variables de resultado
Como se aprecia en la imagen, se muestran las variables de resultado de la simulacin, las cuales podrn ser analizadas
tras realizarse la simulacin. Asimismo, en la parte inferior de la ventana, se pueden configurar los vnculos con la hoja
de clculo, especficamente se detalla el alias del documento asociado, as como la hoja y la celda en las que se
encuentra la variable.
Finalmente, se dispone de los siguientes botones de comando:
Add result: sirve para agregar y definir una nueva variable de resultado.
Update result: sirve para guardar los cambios realizados a una variable.
Drop result: se usa para eliminar la variable de resultado seleccionada.
26
III.6. Control de la simulacin
En este paso se establece el nmero de escenarios por simular y el uso de una semilla de simulacin. Una semilla se
utiliza para asegurar que la secuencia de nmeros aleatorios obtenida es idntica cada vez que se realiza la misma
simulacin con la misma semilla. Esto es especialmente til, por ejemplo, si la simulacin se realizar nuevamente ante
un auditorio (para conocer por anticipado los valores resultantes) o si se realizar un trabajo en una clase y se desea que
todos los alumnos obtengan el mismo resultado.
En esta pestaa, tambin se configura el mtodo de generacin de escenarios (segn los distintos tipos de cpulas que
ofrece Risk-Lab). Las cpulas Elpticas suelen usarse para aplicaciones generales y se presentan en dos modalidades
(Gaussiana y la T-Student). stas cpulas emplean la matriz de correlaciones entre variables. Por su parte, las cpulas
Arquimedianas suelen emplearse en aplicaciones especficas (por ejemplo, modelos de riesgo de mercado en carteras de
inversin) y tambin tiene dos subclases (Clayton y Frank).
En el lado derecho de la pestaa se pueden elegir opciones que establecen si Risk-Lab controlar remotamente la hoja
de clculo y si se congelar la pantalla de MS Excel durante la simulacin (al activar el congelamiento se asegura que
la simulacin vaya a la mxima velocidad posible). Si se desactivan las casillas de la seccin "Visual behaviour" se
podr ver en tiempo real cmo varan los supuestos en la hoja de clculo en cada escenario. Sin embargo esta
actualizacin permanente tiene un costo en trminos de velocidad.
Fig. 26: Ventana de simulacin
Luego de haber establecido los parmetros se hace clic al botn Run Simulation para iniciar la simulacin en MS
Excel. Durante la ejecucin de la simulacin no debe ingresarse informacin en la hoja de clculo, pues esta accin
interrumpir el proceso.
27
III.7. Resultados de la simulacin
Este paso permite visualizar en detalle los valores de cada variable de entrada en cada escenario simulado. Se tiene una
lista desplegable en la esquina inferior derecha donde se puede elegir tambin a las variables de resultado y observar sus
valores en cada escenario y adems se tienen otras matrices clave que forman parte del proceso de simulacin.
En la pestaa Simulation Results aparece la matriz de resultados para cada variable en cada escenario. Se debe tener
en cuenta que desde un inicio se plantearon una serie de variables de entrada que son aquellas cuyo valor ser simulado
para obtener los resultados, expresados en las variables de resultado. En este sentido, los valores que se pueden observar
en esta pestaa corresponden a:
Variables finales (correlacionadas)

Los nmeros aleatorios no correlacionados
La descomposicin de Cholesky
Descomposicin de Cholesky ajustada
Correlaciones de Pearson resultantes
Correlaciones del tau de Kendall resultantes
Correlaciones del tau de Kendall de la Data observada
Resultados de MS Excel para las variables output
Fig. 27: Ventana de resultados
Luego, se ubica la pestaa Simulation Analysis en la cual se debe hacer clic al botn Open analysis window.
Este mostrar de manera detallada los resultados de la simulacin.
28
III.8. Anlisis de resultados.
El ltimo paso permite examinar los principales resultados de la simulacin realizada. El siguiente acpite presenta una
sntesis de los principales resultados reportados.
Fig. 28: Anlisis de resultados
Una vez en esta pestaa, se debe hacer click al botn Open analysis window, lo cual permitir acceder a una nueva
ventana donde se muestran los resultados obtenidos luego de la simulacin. A continuacin se detallan estos resultados
y qu contiene cada uno de ellos.
29
III.8.1. Calidad de escenarios aleatorios generados

En esta seccin se pueden observar los resultados de un test que prueba el ajuste de los nmeros aleatorios creados a la
distribucin de probabilidad asumida.
Fig. 29: Calidad de escenarios aleatorios
En el cuadro anterior se puede observar que esta opcin muestra las variables de entrada con las distribuciones a las que
mejor se ajustan, adems, se resumen los parmetros asignados y se detallan los resultados de tres test que prueban el
ajuste de la variable a la distribucin sealada. A partir de estas, se obtienen los indicadores de colores ubicados a la
izquierda del cuadro, siendo el verde un indicador de correcto ajuste, mientras que el rojo seala lo contrario. De esta
manera, los semforos permiten un diagnstico rpido de las correspondientes pruebas de hiptesis.
30
III.8.2. Estadsticas bsicas de variables de resultados

La segunda opcin muestra los estadsticos de las variables de resultado, tales como la media, la desviacin estndar, la
asimetra y la curtosis. Asimismo, muestra los percentiles 5, 50 y 95 de los datos obtenidos luego de la simulacin.
Fig. 30: Estadsticos de las variables de resultado
Cabe decir que el percentil 5 mostrado en el grfico anterior sera equivalente al valor del VaR Montecarlo del
portafolio, el cual est indicado en la primera fila.
31
III.8.3. Escenarios de estrs

Este reporte muestra los valores resultantes de las variables de resultado tomando valores medios y extremos para las
variables de entrada de manera individual manteniendo las dems constantes. Ello hace posible identificar rpidamente
el impacto univariado de los supuestos sobre los resultados, es decir solo se evala el efecto de una variable sobre otra,
manteniendo constante el resto. En Risk-Lab se utilizan los percentiles 5 y 95 para definir los escenarios buenos o malos
de las variables de entrada, cabe resaltar que depende de la variacin del factor de riesgo para entender en qu percentil
se encuentra un escenario bueno o malo.
Fig. 31: Escenarios de estrs
Asimismo, en la pestaa Graphic Summary se puede observar la sensibilidad de las variables de resultado a los
valores extremos de las variables de entrada. En el siguiente grfico se muestra la sensibilidad del portafolio:
32
Fig. 32: Grfico de sensibilidad ante escenarios de estrs
III.8.4. Elasticidades
En este caso, se muestran las elasticidades de las variables de manera grfica. Estas indican el cambio porcentual
esperado de una variable de resultado antes un incremento de 1% en una variable de entrada, manteniendo las dems
constantes. Resultados mayores a 1 indican una alta sensibilidad de la variable resultante frente a las variables de
resultado.
33
Fig. 33: Elasticidades grfico
Este reporte tambin se muestra de manera detallada, es decir, el cambio porcentual exacto de las variables resultado
frente a incrementos en las variables de entrada. Esto se puede observar en el siguiente grfico:
Fig. 34: Elasticidades detalle
Cabe decir que este reporte tambin ofrece un anlisis univariado, debido a que muestra qu variables de entrada son las
que ms afectan a cada una de las variables de resultado
34
III.8.5. Correlaciones entre variables de entrada y resultados

Este reporte muestra, de igual manera, grfica y numricamente los resultados de las correlaciones entre cada variable
de entrada con las variables de resultado. Esto permite localizar visualmente los supuestos que ejercen mayor influencia
sobre los resultados y apreciar con exactitud el grado de asociacin entre las variables de entrada y las variables de
resultado, en un contexto de variacin simultnea. De esta manera, esta informacin facilita identificar qu variables de
entrada producen un mayor impacto marginal sobre los resultados
Fig. 35: Correlaciones -grfico
Estas correlaciones sealan cul es la relacin lineal que existe entre las variables. Si este valor es cercano a cero,
significa que existe independencia entre variables, mientras que un resultado mayor implicara una fuerte relacin
lineal.
35
Fig. 36: Correlaciones detalle
36
III.8.6. Anlisis de regresin multivariada

Este reporte muestra un anlisis de regresin entre las variables, el cual implica una estimacin y una evaluacin del
impacto individual de las variables de entrada sobre las de resultado.
Fig. 37: Anlisis de regresin
Como se puede observar, el cuadro muestra el coeficiente de la regresin, as como la desviacin estndar de los
estimadores, el estadstico t y la probabilidad asociada. En general, los coeficientes muestran el incremento promedio de
las variables de resultado frente al incremento de una unidad de las variables de entrada.
Tambin, se pueden observar los semforos a la izquierda del cuadro, cuyos colores dependen de los valores que toman
las probabilidades asociadas. Si estas son menores a 0.05 significa que existe relevancia estadstica y en este caso el
semforo tomara color verde, de lo contrario toma un color rojo.
Finalmente, en la parte inferior de la ventana mostrada se puede observar que es posible seleccionar sobre qu variable
de resultado se desea obtener un anlisis de regresin y se muestran tambin indicadores como el ajuste, el estadstico F
y la probabilidad asociada a la regresin.
37
IV
ALGUNOS EJEMPLOS DE USO
IV. Algunos ejemplos de uso

El sistema Risk-Lab incluye una serie de plantillas de trabajo que permiten una aplicacin directa de la metodologa
Monte-Carlo en distintas reas temticas, tales como:
Finanzas Corporativas. Se incluye un ejemplo de valorizacin de empresas tomado de un proceso real,

compuesto por un modelo con quince variables simuladas, proyecciones de ventas en cuatro etapas,
proyeccin de ingresos netos y valores en libros, proyeccin de la tasa de descuento, flujos de caja y
valorizacin de la empresa mediante los mtodos APV, FTE y WACC, as como valorizacin de tres clases
distintas de acciones.
Operaciones. Se incluye un ejemplo de anlisis de rboles de decisin que permite visualizar grficamente en
MS Excel un rbol compuesto de decisiones y anlisis probabilstico, ambos calculados a partir de parmetros
detallados en el caso.
Riesgos. Se incluye un ejemplo de anlisis de riesgo de mercado en carteras de inversin. El caso permite
aplicar un modelo Monte-Carlo a la estimacin del Valor-en-Riesgo de la cartera siguiendo un mapeo de
factores de riesgo para monedas, ttulos de renta variable y ttulos de renta fija.
A continuacin se presenta una apretada sntesis de algunos de los ejemplos que forman parte del paquete Risk-Lab.
IV.1. Valorizacin de empresas
IV.1.1. Presentacin del modelo

Se presenta un modelo diseado para determinar el precio de una accin con derecho a voto de una empresa cervecera
para un horizonte de proyeccin que comprende el perodo 2006 2015 (10 aos) inspirado en una valorizacin pblica
presentada en octubre del ao 2006. Dicho modelo est dividido en tres secciones: la proyeccin de las cuentas
relevantes de los Estados Financieros para el horizonte de proyeccin, la estimacin de la tasa de descuento y la
valorizacin por medio de los mtodos APV, FTE y WACC.
En la primera seccin se proyectan las ventas a partir de una metodologa que involucra cuatro etapas y los beneficios y
las cuentas relevantes del balance general sobre la base de la proyeccin de ventas y los componentes del ROE que se
asumen constantes. En la primera etapa del proceso de proyeccin de las ventas se proyecta el volumen de ventas de
cervezas en el mercado mediante el uso de una ecuacin economtrica previamente estimada cuyas variables
explicativas son las siguientes: (i) el producto bruto interno real, (ii) la poblacin y (iii) el precio de las cervezas; en la
segunda, se ajusta la estimacin previa del volumen de ventas sobre la base de un lmite mximo de consumo de
cervezas anual de 40 litros por persona; en la tercera, se estima el volumen de ventas de la empresa analizada sobre la
base de la estimacin de la participacin de mercado de la empresa analizada; y en la etapa final se estiman las ventas
de la compaa mediante la multiplicacin del volumen de ventas de la compaa y del precio nominal proyectado para
su producto.
38
Sales estimation
2006
2007
2008
2009
2010
2011
2012
2013
2014
2015
Real GDP growth
4.60%
4.45%
4.45%
4.45%
4.45%
4.45%
4.45%
4.45%
4.45%
4.45%
Real price change
2005
0.02%
0.02%
0.02%
0.02%
0.02%
0.00%
0.00%
0.00%
0.00%
0.00%
Population growth
Real GDP (Millions of 94's constant PEN)
Real price of 620 ml. bottle (PEN)
Population (thousands)
1.08%
148,458
3.01
27,947
Unadjusted estimation of sales volume
155,285
1.08%
162,194
1.08%
169,411
1.08%
176,949
1.08%
184,822
1.33%
193,046
1.33%
201,635
1.33%
1.33%
210,607
219,978
1.33%
229,766
3.01
3.01
3.01
3.01
3.01
3.01
3.01
3.01
3.01
3.01
28,249
28,555
28,864
29,177
29,493
29,885
30,283
30,687
31,095
31,510
8,576
9,069
9,593
10,150
10,741
11,302
11,899
12,533
13,208
13,925
Maximum consumption per capita (Lt.)
40.00
40.00
40.00
40.00
40.00
40.00
40.00
40.00
40.00
40.00
Consumption per capita (Lt.)
30.36
31.76
33.23
34.79
36.42
37.82
39.29
40.00
40.00
40.00
8,576
9,069
9,593
10,150
10,741
11,302
11,899
12,275
12,438
12,604
(Econometric estimation, thousands of Hl.)
Adjusted estimation of sales volume

(thousands of Hl.)
Change in Market share

Market share
72.15%
Estimation of the Firm's sales volume

(thousands of Hl.)
Annual Inflation
Estimation of the Firm's sales

(US$ thousands)
-1.88%
0.19%
0.19%
0.19%
0.19%
0.19%
0.19%
0.19%
0.19%
69.47%
69.60%
69.73%
69.87%
70.00%
70.13%
70.27%
70.40%
70.54%
6,072
6,300
6,677
7,078
7,504
7,911
8,345
8,625
8,757
8,890
0.21%
Nominal Price change

Nominal Price (in US$)
-1.88%
70.80%
56.45
0.21%
0.21%
0.21%
0.21%
0.21%
0.21%
0.21%
0.21%
0.21%
0.23%
0.23%
0.23%
0.23%
0.23%
0.21%
0.21%
0.21%
0.21%
0.21%
56.58
56.71
56.85
56.98
57.11
57.24
57.36
57.48
57.60
57.72
343,555
357,300
379,550
403,295
428,614
452,794
478,621
495,738
504,361
513,134
Fig. 38: Proyeccin de ventas
Asimismo, en el modelo se asumi que los cinco componentes del sistema de Du Pont se mantendran constantes
durante el horizonte de proyeccin. A partir de las ventas de la empresa, se pueden estimar los beneficios operativos
(EBIT), el patrimonio y deuda (cuentas relevantes del balance general), los gastos financieros y la respectiva tasa de
impuestos de la misma. A continuacin se muestran los componentes supuestos del ROE de la compaa analizada.
Monte Carlo simulation is used here to quantify
ROE decomposition: Du Pont system

Tax Burden
70.00%
Interest Burden
99.12%
EBIT Margin
53.45%
Sales turnover
0.44
Financial leverage
1.05
____________________________________________________________
Return on equity (ROE)
17.32%
La segunda seccin del modelo consiste en la estimacin de la tasa de descuento de cero apalancamiento. Para su
estimacin se estim la tasa libre de riesgo, la prima por riesgo pas, la prima por riesgo de mercado y se estim la beta
desapalancada de la compaa a partir del desapalancamiento de las betas de las empresas comparables de la industria
cervecera. Dicho desapalancamiento toma en cuenta las diferencias en el nivel de apalancamiento, en la tasa impositiva,
en el riesgo de los acreedores y en el crecimiento de largo plazo entre la empresa analizada y las empresas comparables
de la industria1.
Finalmente, en la tercera seccin del modelo se asumi un crecimiento de la empresa de largo plazo para simular las
operaciones del perodo de estabilidad. A partir de dicho crecimiento, de las proyecciones anteriores y de los ajustes al
valor descontado (inversiones en subsidiarias, por ejemplo) se estim el valor fundamental de la empresa analizada. La
empresa valorizada cuenta con tres tipos de acciones (acciones comunes de tipo A, con derechos polticos pero no
econmicos, acciones comunes de tipo B, con derechos econmicos pero no polticos y acciones de inversin sin
ningn tipo de derechos), por lo que para estimar el precio del primer tipo de acciones se asumi una prima por
derechos polticos.
El modelo cuenta con un total de quince supuestos cuyo reajuste produce variaciones en el valor estimado para la
empresa y sus acciones. El modelo en Risk-Lab permitir estimar el impacto de cada una de las variables a nivel
individual y conjunto, as como la distribucin de las variables de resultado.
Se emple la frmula recomendada por Myers (1974), Fernndez (2007) y Forsyth (2007).
39
IV.1.2. Configuracin del modelo en Risk-Lab

En cada una de las secciones del modelo presentadas, se han detectado variables inciertas que generan un cierto nivel de
incertidumbre en los resultados del modelo de valorizacin. A continuacin se muestra una tabla con dichas variables,
sus caractersticas y referencias relevantes.
Input Variables
Variable Name
Distribution
Parameter 1
Parameter 2
Parameter 3 Simulated Value
Workbook
Sheet
Cell Name
Real GDP growth 2006
Normal
5.00%
0.50%
Level
01 - Corporate Valuation.xls
Projections
STGDPGrowth
Real GDP growth 2007 - 2015
Normal
4.50%
0.25%
Level
Projections
LTGDPGrowth
Real price change 2006 - 2010
Normal
0.00%
0.50%
Level
Projections
PChg
Population growth 2006 - 2010
Normal
1.20%
0.50%
Level
Projections
STPopGrowth
Population growth 2011 - 2015
Normal
1.10%
0.25%
Level
Projections
LTPopGrowth
Change in Market share 2006 - 2007
Normal
-1.50%
0.50%
Level
Projections
STChgMShare
Change in Market share 2008 - 2015
Normal
0.00%
0.25%
Level
Projections
LTChgMShare
Estimated Annual Inflation
Normal
0.00%
0.25%
Level
Projections
AnInflation
EBIT Margin
Normal
52.00%
1.00%
Level
Projections
EBITMargin
Sales turnover
Normal
48.59%
5.00%
Level
Projections
SalesTurnover
Expected Market Risk Premium USA
Normal
7.50%
0.25%
Level
DiscountRate
EPRM
Comparable's Long Term growth
Normal
2.50%
0.25%
Level
DiscountRate
CompLTG
Comparable's Interest Rate spread
Normal
0.30%
0.05%
Level
DiscountRate
CompIRSpread
Long Term Growth
Normal
2.00%
0.25%
Level
Valuation
LTGrowth
Uniform
1.00
5.60
Level
Valuation
PRPremium
Politic Right's premium
Fig. 39: Variables de entrada
As, por ejemplo, se asume que el crecimiento anual de la economa entre los aos 2007 y 2015 se ajusta a una
distribucin normal con media 4.5% y desviacin 0.25%, lo que determina que dicho crecimiento flucte
aproximadamente entre 4% y 5% con un 95% de confianza.
Fig. 40: Configuracin de variable de entrada
Asimismo, se ha determinado una distribucin uniforme para la variable prima por riesgo de mercado ya que no existe
un consenso entre los acadmicos con respecto al valor de dicha prima en empresas grandes como la cervecera
40
evaluada. El valor de dicha prima sera como mnimo una unidad cuando sta no aporta valor (ya que el precio de las
acciones con derechos sera similar al de acciones sin derechos) y como mximo cinco unidades cuando el valor de las
acciones con derecho a voto quintuplica el valor de aquellas sin ningn derecho.
Finalmente, las variables de salida del modelo son el valor terico de la empresa y el precio fundamental de la accin
comn tipo A. El proyecto de trabajo en Risk-Lab tiene entonces la siguiente forma, que incluye un nico modelo.
Fig. 41: Ventana principal de valorizacin de empresas
IV.1.3. Resultados y conclusiones del modelo

A continuacin se muestra la distribucin del valor de la empresa y de la accin A, respectivamente, tras realizar 5,000
simulaciones Monte-Carlo con el sistema.
41
Fig. 42: Distribucin de probabilidad del valor de la empresa
Fig. 43: Distribucin de probabilidad de accin A
El paquete reporta un rango esperado de valor de la empresa de entre 1.34MM y 1.57MM con una confianza del 90%
(considerando los percentiles 5% y 95% del valor simulado), as como una mediana de 77.72 para las acciones tipo A.
42
Asimismo, se puede determinar la probabilidad de que la accin se encuentre subvaluada en el mercado si se tiene el
dato del precio de mercado de la accin analizada. As, por ejemplo, si la accin comn A de la cervecera evaluada vale
60.69 soles en el mercado, la probabilidad de que la accin est sobrevaluada es de 7%, como se puede ver en la
siguiente tabla.
Fig. 45: Estadsticos de la accin A
En adicin a lo anterior, Risk-Lab reporta cules son las variables ms intensamente asociadas con el resultado del valor
de la empresa y presenta esta informacin tanto en forma tabular como en versin grfica.
43
El diagrama de tornado mostrado a continuacin permite apreciar que los dos supuestos que ms positiva y
negativamente afectan el valor de la empresa son el Margen EBIT y la Prima esperada por Riesgo de Mercado.
Fig. 46: Correlaciones
IV.2. Operaciones - rboles de decisin
IV.2.1. Presentacin del caso

Este ejemplo de rboles de decisin2, presenta una situacin en la que puede ocurrir un deslizamiento de tierras en una
montaa. Para prevenir daos humanos y fsicos, es posible construir una pared de contencin. Asimismo, es posible
realizar una prueba cientfica para determinar si el deslizamiento es probable o no.
El caso introduce seis variables clave que constituyen los seis parmetros supuestos para el modelo (probabilidades de
ocurrencia de eventos y costos en caso de eventos negativos). Complementariamente, el modelo calcula probabilidades
condicionales inversas empleando el teorema de Bayes.
Basado en un caso publicado por MIT (2003)

44
Fig. 47: Ventana principal de rboles de decisin
La interface del modelo en Excel ha sido diseada para ofrece una visin grfica del rbol de decisin, distinguiendo
decisiones de clculos probabilsticos. El modelo colorea de rojo las decisiones negativas y de verde las decisiones
afirmativas, tal como puede verse a continuacin.
45
Fig. 48: rbol de decisin
IV.2.2. Resultados del modelo

Tras realizar una simulacin Monte-Carlo de 5,000 escenarios, a continuacin se pueden ver las estadsticas de las
variables de decisin calculadas por Risk-Lab. As, por ejemplo, la decisin 1 (realizar una prueba sobre el terreno)
tiene una tasa media de aceptacin de 97.3% de los escenarios, mientras que la decisin 2.1.2 (construir una pared de
proteccin si los resultados de la prueba son negativos) tiene un porcentaje de aceptacin de 0%.
Fig. 49: Estadsticos de variables de resultado
46
IV.3. Instrumentos Derivados - Valorizacin de opciones exticas

El ejemplo presenta la valorizacin de una clase de opciones exticas denominadas lookback, bajo un contexto de
incertidumbre. Estas opciones se ejercen al vencimiento y su pago final depende del mejor escenario de ejecucin a lo
largo de su vida. Existen dos tipos de opciones lookback: aquellas con un strike fijo y aquellas con uno variable. A
continuacin se explicar brevemente la lgica detrs de la valorizacin de cada clase para el caso de opciones call (de
compra).
Por un lado, para estimar el pago de una opcin call lookback con un strike fijo, el pago es estimado deduciendo el
strike al mayor precio del subyacente alcanzado durante el horizonte de dicha opcin. A continuacin se muestra la
estimacin del valor de este tipo de opciones para la parte larga de un call (long call):
Pago final LC Fixed max( Smax K ,0)
S max
S1
MAX
ST
Donde Sj, el precio del subyacente en el perodo j; y K, el strike de la opcin.
Por otro lado, para estimar el pago de una opcin call lookback con un strike variable, se debe restar del precio del
subyacente al vencimiento el mnimo precio de dicho subyacente durante el horizonte de la opcin. A continuacin se
muestra la estimacin del valor de este tipo de opciones para la parte larga de un call (long call):
Pago final LC Float max( ST Smin ,0)
S min
S1
MIN
ST
Algebraicamente, se puede expresar dicho valor (LC) mediante el empleo de la siguiente expresin:
Donde,
47
Alternativamente, se pueden emplear tcnicas de simulacin avanzadas que permitan simular el precio de la accin
durante cada perodo del horizonte de la opcin evaluada. Para esto, se simular el comportamiento incierto de los
rendimientos del precio del subyacente de cada uno de los perodos del horizonte de proyeccin. El precio del
subyacente en cada perodo se determinar a partir del precio de este en el perodo previo y del rendimiento geomtrico
que present en el mismo perodo, como se puede observar a continuacin:
St St 1 (1 rt )
En la siguiente figura se muestra una trayectoria posible del precio del activo subyacente para un contrato de 10
perodos.
Simulated underlying value

120
115
110
105
100
95
90
85
80
10
Fig. 50: Trayectoria del activo subyacente

En el ejemplo se supone que al inicio del contrato el precio del activo subyacente es 100 unidades monetarias. Para
calcular el precio de la accin para el horizonte de 10 semanas del contrato, se deben estimar los rendimientos de cada
perodo, los cuales se suponen inciertos. Es decir, las variables de entrada del modelo son los rendimientos de cada
perodo del horizonte del contralto. A continuacin se muestran las caractersticas de cada uno de dichos rendimientos,
as como sus referencias en el MS Excel del ejemplo.
Input variables - Summary
Variable name
Distribution
Return at t = 1
Normal
Parameter 1 Parameter 2 Parameter 3 Simulated value

0.0%
1.0%
0.0000
Level
03 - Lookback options valuation.xls
Workbook
Valuation
Sheet
Ret1
Cell
Return at t = 2
Normal
0.0%
1.0%
0.0000
Level
Valuation
Ret2
Return at t = 3
Normal
0.0%
1.5%
0.0000
Level
Valuation
Ret3
Return at t = 4
Normal
0.0%
1.5%
0.0000
Level
Valuation
Ret4
Return at t = 5
Normal
0.0%
2.0%
0.0000
Level
Valuation
Ret5
Return at t = 6
Normal
0.0%
2.0%
0.0000
Level
Valuation
Ret6
Return at t = 7
Normal
0.0%
2.5%
0.0000
Level
Valuation
Ret7
Return at t = 8
Normal
0.0%
2.5%
0.0000
Level
Valuation
Ret8
Return at t = 9
Normal
0.0%
3.0%
0.0000
Level
Valuation
Ret9
Return at t = 10
Normal
0.0%
3.0%
0.0000
Level
Valuation
Ret10
Fig. 51: Variables de entrada
48
Las variables de salida del modelo son tres: el valor presente si es que la opcin fuese una lookback con strike fijo, el
valor presente si es que la opcin fuese una lookback con strike variable, y el valor presente si es que la opcin fuese
europea.

A continuacin se pueden observar las variables inciertas que ms afectan a las variables de salida del modelo de
simulacin con 5,000 iteraciones. El grfico superior izquierdo corresponde al valor presente si es que la opcin fuese
una lookback con strike fijo; el grfico superior derecho, al valor presente si es que la opcin fuese una lookback con
strike variable, y el grfico inferior, al valor presente si es que la opcin fuese europea.
Intervariable correlations - Highest absolute values
Return at t = 1
Return at t = 10
Return at t = 2
Return at t = 2
Return at t = 3
Return at t = 1
Return at t = 4
Return at t = 9
Return at t = 5
Return at t = 4
Return at t = 6
Return at t = 8
Return at t = 7
Return at t = 3
Return at t = 8
Return at t = 6
Return at t = 9
Return at t = 5
Return at t = 10
Return at t = 7
-1
-0.9 -0.8 -0.7 -0.6 -0.5 -0.4 -0.3 -0.2 -0.1
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
-1
-0.9 -0.8 -0.7 -0.6 -0.5 -0.4 -0.3 -0.2 -0.1
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9

Return at t = 1
Return at t = 2
Return at t = 4
Return at t = 3
Return at t = 5
Return at t = 6
Return at t = 8
Return at t = 7
Return at t = 9
Return at t = 10
-1
-0.9 -0.8 -0.7 -0.6 -0.5 -0.4 -0.3 -0.2 -0.1
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Asimismo, a continuacin se muestra el resumen de las estadsticas de las variables de salida identificadas en el modelo.
Se puede observar que los valores esperados de las opciones lookback con strike fijo y variable son 3.8135 y 2.4176,
respectivamente. Esto contrasta con el valor de la opcin europea equivalente, estimado en 3.7292.
49
Fig. 53: Estadsticos de variables de resultado
IV.4. Riesgos VaR Montecarlo

En el ltimo ejemplo se presenta el clculo del VaR del 31 de mayo del 2011 a un da de horizonte para un portafolio de
cinco activos cuya moneda de proteccin del capital es el dlar. Los cinco activos son los siguientes: un depsito en
dlares, un depsito en euros, la accin americana Google, la accin americana Apple y la accin europea Nestl. A
continuacin se muestra el resumen de los activos del portafolio, as como el tipo de cambio relevante para el anlisis
posterior.
Portfolio Assets and relevant exchange rates
ID
1
2
4
5
6
7
Name
Cash in dollars
Cash in euros
Google stock
Apple stock
Nestle stock
USD/EUR
Alias
Cash1_USD
Cash2_EUR
GOOG
AAPL
NESM.F
USDEUR
Class
CASH
CASH
STOCK
STOCK
STOCK
EXCHANGERATE
Currency
USD
EUR
USD
USD
EUR
---
Pos. measure
V
V
Q
Q
Q
---
Position
1,500,000.00
2,500,000.00
125,000.00
150,000.00
50,000.00
---
Last Price
1.00
1.00
347.83
529.02
44.74
1.4391
Value - Original currency

1,500,000.00
2,500,000.00
43,478,750.00
79,353,000.00
2,237,000.00
---
Portfolio value
Value - Base currency

1,500,000.00
3,597,750.00
43,478,750.00
79,353,000.00
3,219,266.70
---
W%
1.1%
2.7%
33.2%
60.5%
2.5%
---
131,148,767
Fig. 54: Valor del portafolio
Si se asume que, por ejemplo, la rentabilidad de la accin de Google ser de 1.05%, la de Apple 0.76%, la de Nestl
0.08% y la del tipo de cambio dlar euro -1.08%, el portafolio aumentara su valor en 986, 154 dlares, tal como se
puede ver en los siguientes cuadros.
Risk Factor's hypothetic values
Assumptions
Base Value
Return
Hypothetic Value
GOOG
AAPL
NESM.F
USDEUR
347.8300
529.0200
44.7400
1.4391
1.05%
0.76%
0.08%
-1.08%
351.4706
533.0333
44.7744
1.4236
50
Portfolio's asset values

Value / Asset
Cash1_USD
Cash2_EUR
GOOG
AAPL
NESM.F
Actual Position
1,500,000.00
2,500,000.00
125,000.00
150,000.00
50,000.00
Value - Base currency
1,500,000.00
3,597,750.00
43,478,750.00
79,353,000.00
3,219,266.70
Hypothetic value - Base currency
1,500,000.00
3,559,026.66
43,933,829.04
79,955,001.05
3,187,063.94
(38,723)
455,079
602,001
(32,203)
Hypothetic gains/losses
Hypothetic Portfolio value
132,134,921
Hypothetic gains / losses
986,154
Fig. 55: Valores hipotticos
El VaR consiste en determinar cul es la mxima prdida esperada a un horizonte de, por ejemplo, un da y con un
margen de equivocacin posible de 5%. Para esto, se deben analizar todas las rentabilidades que se podran presentar el
da siguiente. La metodologa de Montecarlo sirve, justamente, para simular una determinada cantidad de escenarios por
cada factor de riesgo presente en el anlisis. La simulacin de los retornos deber obedecer al comportamiento histrico
que ha presentado cada factor de riesgo que se puede determinar mediante un anlisis de boostrapping, como se podr
observar en la siguiente seccin de configuracin del modelo.

Las variables de entrada son todas aquellas variables cuyo comportamiento es incierto pero necesario para estimar el
valor de la cartera el da siguiente, en el caso de considerar un horizonte a un da. Las variables de entrada del modelo
son las siguientes: la accin de Google, la accin de Apple, la accin de Nestl y el tipo de cambio dlar euro. Como
se mencion anteriormente, para estimar el comportamiento de dichas variables, se proceder a realizar un anlisis de
bootstrapping. A continuacin se muestra dicho anlisis.
51
Fig. 56: Bootstrapping
Asimismo, dado que las rentabilidades entre los factores de riesgo no son necesariamente independientes, se procede a
realizar un anlisis de correlaciones a partir de la data histrica disponible. A continuacin se muestran los resultados
del anlisis.
52
Luego de haber determinado las caractersticas de cada factor de riesgo, as como sus interrelaciones, se procede a
identificar las variables de salida. En el ejemplo, la variable de salida principal es la ganancia o prdida de la cartera a
un da.

Una vez ejecutada la simulacin, se podrn analizar las ganancias o prdidas que resultan de distintitas combinaciones
entre las rentabilidades de los factores de riesgo del portafolio. Dado que se debe determinar la mxima prdida
esperada a un nivel de 5% de significancia, se deber estimar el percentil 5 de la distribucin de la variable de salida del
modelo. A continuacin se muestran las caractersticas de la distribucin de la variable de salida.
53
Fig. 58: Estadsticos de ganancia o prdida a un da
Como se puede ver en el cuadro anterior, el VaR es 2,626,313 de dlares. Por otro lado, se puede estimar el VaR no
diversificado para cada activo del portafolio. Para esto, se debern aadir como variables de salida del modelo las
ganancias y prdidas de cada activo y, posteriormente, se deber hallar el percentil 5 de la distribucin de estas
variables de salida. A continuacin se muestra un resumen de todas las variables de salida del modelo.
54
En el cuadro anterior se puede observar que el VaR no diversificado de la accin de Nestl es, por ejemplo, 65 mil
dlares aproximadamente.
En adicin a todo lo anterior, se puede analizar cuales factores de riesgo impactan en mayor medida sobre el valor del
portafolio. En el siguiente cuadro se puede observar que, la accin de Apple es el factor de riesgo que afecta ms
significativamente el valor del portafolio analizado.
(Analyzing output variable 'Hypothetic gains/losses - Portfolio')
Risk Factor - Nestle...
Risk Factor - Exchan...
Risk Factor - Google...
Risk Factor - Apple ...
-1
-0.9
-0.8
-0.7
-0.6
-0.5
-0.4
-0.3
-0.2
-0.1
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
55

RiskLab UsersGuide ES

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

RiskLab UsersGuide ES

Uploaded by

Copyright:

Available Formats

Examinar cmo la variacin de los supuestos impacta sobraftyghghghfhfh

GUA DEL USUARIO

RISK-LAB GUA DEL USUARIO

VISIN GENERAL ................................................................................................................................................. 2

OPERACIN DEL SISTEMA ............................................................................................................................... 8

FLUJO DE TRABAJO TPICO ...................................................................................................................... 21

III.1. CONFIGURACIN DE LAS VARIABLES DE ENTRADA ............................................................................................... 22

ALGUNOS EJEMPLOS DE USO ................................................................................................................... 38

IV.1. VALORIZACIN DE EMPRESAS .............................................................................................................................. 38

RISK-LAB GUA DEL USUARIO

Mtodos Cuantitativos para la toma de decisiones

Qu efectos tiene sobre los resultados la variacin de los supuestos adoptados?

Ofrece un entorno de trabajo especializado y de fcil aprendizaje.

RISK-LAB GUA DEL USUARIO

I.1. Simulacin Monte-Carlo

Cpulas Arquimedianas: asimtricas, con un grado de heterocedasticidad, modelan mejor la dependencia

I.1.2. Distribuciones de probabilidad

Binomial: Es un caso especial de la distribucin de Poisson. Se aplica a experimentos con

Geomtrica: Es el equivalente a la distribucin exponencial pero con variables discretas.

Hipergeomtrica: Su aplicacin clsica es el muestreo sin reemplazo.

Poisson: Modela la distribucin de un nmero de eventos que ocurren en un periodo de tiempo

Normal: Se conoce tambin como Distribucin Gaussiana. Es la distribucin continua ms usada.

RISK-LAB GUA DEL USUARIO

Chi-cuadrado: Es la distribucin de la suma de cuadrados de variables aleatorias (normal

F-Ratio (F de Fisher-Snedecor): Es una distribucin asimtrica que tiene un valor mnimo de

Laplace: Tambin conocida como la distribucin exponencial doble. Es la distribucin de

RISK-LAB GUA DEL USUARIO

Fig. 1: Distribuciones Continuas

Fig. 2: Distribuciones Discretas

RISK-LAB GUA DEL USUARIO

I.2. Proyectos, modelos y variables

Vnculos con documentos externos

Los valores de las celdas de resultado

Los valores de las variables de

Todas las frmulas son definidas

Fig. 3: Vnculo de variables de entrada y de resultado con MS Excel

RISK-LAB GUA DEL USUARIO

Fig. 4: Conexin remota con MS Excel

RISK-LAB GUA DEL USUARIO

Operacin del Sistema

II. Operacin del Sistema

Fig. 5: Ventana principal

II.1.1. Men principal

RISK-LAB GUA DEL USUARIO

II.1.2. Barra de botones de acceso rpido

II.2. Configuracin de proyectos

RISK-LAB GUA DEL USUARIO

Fig. 6: Ventana de proyecto

Fig. 7: Ventana de ajustes de proyecto

RISK-LAB GUA DEL USUARIO

II.3. Creacin y configuracin automtica de modelos

Distribution Parameter 1 Parameter 2 Parameter 3 Simulated value

Risk Factor - G stock

Risk Factor - A stock

Risk Factor - N stock

Risk Factor - Exchange rate USD/EUR

Risk Factor - USD Rate (0-360d)

Risk Factor - USD Rate (361-720d)

Risk Factor - USD Rate (721-1080d)

Risk Factor - USD Rate (1081+d)

Hypothetic gains/losses - Portfolio

Hypothetic gains/losses - Cash in euros

Hypothetic gains/losses - G stock

Hypothetic gains/losses - A stock