9
Primera parte. Artículos, resultado de investigaciones
Análisis de las anualidades: Consideraciones
estocásticas en la tasa de interés
*
Jesús María Godoy Bejarano** Diego Fernando Téllez Falla***
Resumen
El objetivo de este documento era determinar el cambio en el valor presente de una
anualidad con tasas de interés estocásticas independientes. Al efecto, con base en la
aplicación de la simulación de Montecarlo y la utilización de siete distribuciones de
probabilidad, se generaron un igual número de procesos estocásticos independientes que
permitieron conocer las variaciones en el valor presente producto del cambio en los
supuestos de distribución de tasa de interés y que dejan al descubierto las grandes
**
Jesús María Godoy Bejarano es administrador de empresas de la Universidad del Tolima. Cuenta con especializaciones en Administración de Operaciones y Tecnología, en El comportamiento de la Innovación en Colombia y en Matemáticas Avanzadas en la Universidad de Ibagué. Cursó una maestría en Administración con énfasis en finanzas en el Instituto tecnológico y de estudios superiores de Monterrey, México y actualmente hace un doctorado de Administración en la Universidad de los andes. Está vinculado al programa de Administración de negocios internacionales de la Universidad de Ibagué.
***
10
implicaciones que tiene este supuesto para la toma de decisiones en la presupuestación de
capital. De hecho, la probabilidad de que un proyecto de inversión sea aceptado o
rechazado está sujeta al cambio en la tasa de retorno requerida por el inversionista, pero al
mismo tiempo, a la distribución que describa el comportamiento de las tasas de interés.
Así, aumenta el riesgo debido al problema de error de especificación de la distribución de
probabilidad que subyace a la tasa de interés.
Palabras clave: Valor presente, distribución de probabilidad, tasa de interés, procesos
estocásticos, simulación de Montecarlo.
1 Introducción
Todas las empresas deben tomar día a día decisiones vitales con el fin de garantizar la
permanencia en su mercado y la generación de valor. En el área financiera, las decisiones
pasan, entre otras, por dónde y en qué invertir y por cómo financiar sus nuevos proyectos.
En este sentido, mucho se habla sobre las distintas técnicas de presupuestación de capital
para el desarrollo de nuevos proyectos pero pocas veces se menciona el riesgo al cual se
deben enfrentar los proyectos bajo condiciones cambiantes. Por ejemplo, se estima que
cerca del 47% de los gerentes no tiene en cuenta el riesgo relativo para ajustar sus tasas de retorno al momento de evaluar un nuevo proyecto.
Por eso, la incorporación de la aleatoriedad en la tasa de interés en los flujos de caja
es un tema de amplio interés e investigación, desde las múltiples perspectivas que autores
como Zaks (2001), Burnecki (2003), Date, Mamon y Wang (2006), Kellison (1991), Pollard (1971), Boyle (1976), Wilkie (1976), Westcott (1981) y McCutcheon y Scott (1986), entre otros, que han incluido este fenómeno en modelos de flujos específicos como las
anualidades y los gradientes aritméticos y geométricos.
Es el caso de Zaks (2001), quien al incluir tasas de interés periódicas, aleatorias e independientes, período a período, con varianzas constantes, en modelos de anualidades, y
gradientes aritméticos y geométricos anticipados, desarrolla fórmulas recursivas para el
cálculo del valor futuro esperado de tales series. Sus fórmulas introducen el
comportamiento estocástico de la tasa de interés sin suponer una distribución específica
11
hace, al suponer una distribución normal para el comportamiento de las tasas de interés.
Además de considerar tasas de interés estocásticas con distribuciones sucesivas
independientes de media y varianza constantes, Burnecki (2003) asume que la distribución
de las tasas de interés es normal. Con esto evalúa los resultados tanto analíticos como los
que surgen de una simulación.
Por su parte, Date, Mamon y Wang (2006) enfrentan el problema sobre la valuación de flujos de caja con tasas de interés estocásticas y presentan una nueva aproximación bajo
un sistema de ecuaciones lineales con variables aleatorias. Los autores resaltan otros
métodos basados en distribuciones de probabilidad como la técnica de Látice y la
simulación de Montecarlo.
De otro lado, Jorion (2002) argumenta que la adopción del modelo normal tiene el efecto de simplificar significativamente los cálculos del VaR2 mientras que Melo y Becerra (2006) analizan los efectos sobre el VaR tras de adoptar una distribución normal cuando la realidad corresponde a una distribución t-student o a otra distribución y llaman la atención
sobre el aumento de la probabilidad en las colas cuando los grados de libertad son
pequeños.
Por último Schepper (2002), asume que la tasa de interés es variable con media constante pero considera la volatilidad (varianza) variable (un proceso estocástico
adicional). Para volatilidad, supone una distribución normal con momentos dependientes
del tiempo. Su investigación analiza los resultados obtenidos de sus procedimientos
analíticos con los resultados obtenidos de una simulación de Montecarlo y concluye que sus
límites son una muy buena aproximación de la distribución del valor presente real.
En términos generales, se han hecho aproximaciones al problema de introducir la
aleatoriedad (procesos estocásticos) de las tasas de interés en los flujos de caja, ya sean
específicos o generales. En muchos casos, los enfoques suponen la normalidad de la
variable tasa de interés en el espacio parametral de tiempo. Este supuesto puede ser
restrictivo o sesgado al producir valores presente que llevan a decisiones contrarias en
relación con la distribución que verdaderamente subyace en el comportamiento de las tasas
de interés.
12
De acuerdo con las consideraciones mencionadas, en la presente investigación se
analiza tal sesgo al estudiar el comportamiento del valor presente de un flujo de caja frente
a diferentes supuestos de distribución en la tasa de interés, bajo el ambiente de la
simulación de Montecarlo. Para satisfacer tal propósito, el documento se compone de cinco
partes, a saber: La primera es la introducción. En la segunda parte se hará una descripción
de los aspectos teóricos más importantes en el desarrollo de investigación, como son los
conceptos de anualidad ordinaria y de valor presente; posteriormente, se analizan los
procesos estocásticos y las series de tiempo y su pertinencia en el desarrollo de este trabajo;
a continuación, se aborda el tema de las anualidades con tasas de interés aleatorias;
finalmente, se describe el modelo de simulación de Montecarlo y sus usos en el desarrollo
de trabajos como estos. En la tercera parte se explica la metodología utilizada en este
ejercicio analítico. Al efecto, se discriminan cada uno de los pasos seguidos y actividades
respectivas. En la cuarta se presentan los resultados arrojados por la simulación. Y en la
quinta, se manifiestan algunas de las conclusiones a las que se llegó después de culminada
la investigación.
2. Aspectos teóricos
En aras de la claridad, se definen conceptos básicos fundamentan los análisis desarrollados
en la investigación: tasa de interés, anualidades, procesos estocásticos y distribuciones de
probabilidad.
2.1. Tasa de interés
A la tasa de interés suele denominársele como el precio del dinero ya que es, en sentido estricto, el pago que se debe hacer por el uso del mismo. Según Samuelson (1999) el tipo de interés es “la cantidad de intereses pagada por unidad de tiempo expresado en porcentaje de la cantidad recibida en préstamo”. Es decir, el tipo de interés no es otra cosa que el costo de
adquirir cierta cantidad de dinero expresado en una unidad monetaria.
2.1.1. Tasa de interés nominal. O tipo de interés monetario, es el tipo de interés sobre el dinero expresado en dinero. La tasa de interés nominal no tiene en cuenta el efecto de la
13
Donde:
2.1.2. Tasa de interés real. Este tipo de interés se obtiene después de incluir el efecto de la inflación en el tipo de interés nominal o monetario. Este tipo interés mide la cantidad de
bienes que se obtendrán mañana a cambio de los bienes a los que se renuncian hoy
(Samuelson, 1999).
Su cálculo se estima como:
Donde:
La relación entre las tasas de interés nominal, tasas de interés real e inflación se
conoce como el efecto Fisher3
2.2. Anualidades ciertas ordinarias
Una anualidad corresponde a una serie de desembolsos iguales (A) en períodos iguales o
regulares. Esta sucesión de pagos en determinadas fechas es equivalente a un pago hoy (P) que corresponde al descuento de los pagos a una tasa de interés (i) periódica durante los t
períodos.
3 Peter N. Ireland presenta un detallado análisis del tema en un documento titulado “Long-Term Interest Rates
14
Figura 1. Flujo de caja.
El valor presente (P) de esta anualidad está dada por:
(1)
Que con algunas manipulaciones algebraicas se convierte en:
(2)
Siempre y cuando , o en otras palabras la tasa de interés sea constante en el
tiempo.
Además del supuesto de invariancia en la tasa de interés, la fórmula (2) supone que los pagos, además de iguales a períodos regulares, son ciertos y finitos. Desde luego, la
realidad no es consecuente con el modelo. En la realidad, las tasas de interés, durante el
período en que se presentan los flujos son variables aleatorias. Las consideraciones de
variables aleatorias llevan a un concepto desarrollado por la estadística conocido como un
proceso estocástico.
2.3. Procesos estocásticos y series de tiempo
Un proceso estocástico es una sucesión de variables aleatorias ,
, cuya observación particular o muestra se representan como:
, si la observación se realiza entre los períodos 1 y n. La sucesión de
variables aleatorias durante n períodos corresponde a un proceso estocástico finito mientras
que si , se le considera un proceso estocástico infinito.
Dado que Yt es una variable aleatoria en el momento t, posee una distribución de
probabilidad teórica o empírica. Si la distribución es normal con media cero:
se le denomina un proceso de Ruido Blanco Gaussiano.
n t t t i A P 1 1 i i A P n 1 1 i it t Y ,...., 2 , 1 , 0 , 1 , 2 ,..., t n y y y
y1, 2, 3,...,
,...., 2 , 1 , 0 , 1 , 2 ,..., t ) , 0 ( ~ 2 N yt tn-1 P
t1 t2 t3 tn
15
Dado que cuándo se analiza una anualidad, la tasa de interés en los períodos de
cálculo puede cambiar, entonces la sucesión de posibles tasas de interés debe
tratarse como un proceso estocástico y estudiarse las posibles variantes al cambiar las
distribuciones de probabilidad asociadas a cada .
Por simplicidad, en este ejercicio, se tratan tasas de interés idénticamente
distribuidas durante la vigencia de la anualidad. Así, la función de distribución en un punto
t (para el caso de variables aleatorias continuas como lo es la tasa de interés) está dada por:
(3)
Dónde es llamada la función de densidad o función másica de probabilidad no
negativa.
Se debe cumplir para ésta función que:
(4)
Durante el desarrollo de este trabajo, se analizan las siguientes funciones de
densidad: distribución normal, distribución uniforme, distribución exponencial, distribución
beta, distribución Log normal, distribución gamma y distribución histórica.
1. Distribución normal. Esta distribución es la más comúnmente usada y sugerida implícitamente por los autores, sustentados en el teorema del límite central. Para este
trabajo se constituye en la distribución de referencia sobre la que se analizan los resultados
de la aplicación de otros modelos de probabilidad en la ejecución de la simulación.
La función de densidad para el modelo de distribución de probabilidad normal está dada
por:
(5)
2. Distribución uniforme. Si la probabilidad de ocurrencia es proporcional a la longitud del intervalo, se puede decir que la variable tiene una distribución uniforme. En ella todos los
eventos tienen la misma probabilidad de ocurrencia. La función de densidad para el modelo
de distribución de probabilidad uniforme está dada por:
(6)
n i i i i1, 2, 3,...,
t i t t i t i
t dF i f i di
i
F( ) ( ) ()
) (i f
1 ) (i di f
2 2/2
) ( 2 1 )
(x e x
f 2 1 1 2 ; 1 )
(x x
16
3. Distribución exponencial. Se utiliza en el cálculo de probabilidades para el tiempo entre dos sucesos y supone la independencia en la ocurrencia de los mismos. Su función de
densidad está dada por:
para toda (7)
4. Distribución Beta. Sirve para el estudio de variaciones, a través de varias muestras, de un porcentaje que representa algún fenómeno. Su función de densidad está dada por:
(8)
5. Distribución Log normal. Es una distribución asimétrica, que comienza en cero, aumenta hasta llegar a un máximo para luego disminuir lentamente hacia el infinito. Su función de
densidad está dada por:
(9)
6. Distribución gamma. Es una distribución de probabilidad con dos parámetros k y λ. La función de densidad para valores x > 0 está dada por:
(10)
7. Distribución histórica: Para el cálculo de esta distribución, se toman 110 datos correspondientes al comportamiento de la tasa de interés real mensual para Colombia. El
periodo de análisis corresponde al tiempo transcurrido entre marzo de 1998 hasta abril de
2007.
Aunque el análisis con estos modelos puede considerarse representativo, los
materiales de enseñanza generalmente desarrollan la modelación con el supuesto de
normalidad de la tasa de interés, con lo cual el análisis se restringe sin considerar las
consecuencias de un sesgo de distribución para cada punto en el espacio de estados del
proceso estocástico. Además, se considera que la función de densidad no cambia a través
del tiempo, lo que permite facilitar el análisis pero también limita la interpretación o uso de
los resultados.
2.4. Anualidades con tasas de interés aleatorias
Si la tasa de interés corresponde a un proceso estocástico, entonces la fórmula de valor
presente de la anualidad no se puede resumir como:
x e x
f( ) x 0
1 1 ) 1 ( ) ( ) ( ) ( )
( xa x b
b a b a x f 2 2/2
) (ln 2 1 )
( e x
17
y se tendrá que:
O de forma equivalente:
(11)
Donde t corresponde a un índice que señala el número del pago.
Si , o en otras palabras, la tasa de interés es constante durante el plazo, entonces
la fórmula se convierte en la fórmula (2).
Para analizar las consecuencias de la introducción del proceso estocástico se puede
proceder de dos formas: el enfoque analítico y la simulación de Montecarlo. La primera
corresponde a un enfoque analítico, en el que se supone cierto patrón de comportamiento en
las variables aleatorias del proceso estocástico y luego se deduce fórmulas para caso.
Este procedimiento implica expresar P como una función de las variables aleatorias
para obtener luego la distribución de P como distribución marginal. Si se supone que i1,
i2,…, ik, tienen la función de densidad f(i1, i2, … , ik) y se desea obtener la función de
densidad de P(i1, i2, … , ik) se puede eliminar una de las i, p.ej. i1, en función P, y se
resuelve la ecuación:
P(i1, i2, … , ik)=P
Con respecto de i1 se obtiene una función i1(P, i1, i2, … , ik), o varias funciones de
este tipo i1i(P, i1, i2, … , ik). Si u no es función monótona de i1.4 Dado que si lo es, entonces es posible utilizar la equivalencia5
4
Se puede demostrar que P si es monótona para i>0.
18
(12) La cual permitiría establecer que:
(13)
A partir de la cual puede hallarse la función de densidad de P, integrando g respecto
a i1, i2,…,ik.
Para efectos del presente trabajo se considera la segunda forma, la simulación de
Montecarlo, por su facilidad de implementación y comprensión de resultados. La
aplicación de la misma permite que los datos obtenidos se comparen según sus
distribuciones de probabilidad y que la diferencia entre los valores facilite la evaluación de
la conveniencia para la valoración de los flujos de caja que se comportan como una
anualidad.
2.5. Simulación de Montecarlo
La simulación de Montecarlo es una técnica de simulación, bastante popular en el ámbito
de los negocios con la proliferación de los sistemas computacionales y por la posibilidad
que éstos ofrecen para la modelación de los sistemas y la generación de números aleatorios.
Esta técnica consiste en la generación de números aleatorios, que siguen una distribución
determinada (teórica o empírica), y que se usan para afectar un sistema con estructura y
relaciones determinadas. Una vez se ha afectado el sistema, se realiza la medición de
resultados y se analiza estadísticamente en términos de valor esperado, varianza y error. Si
se satisfacen los requerimientos de error máximo se utilizan los valores de interés
encontrados o, de lo contrario, se generan mayor cantidad de números aleatorios hasta
19
Figura 2. Flujo de información en la Simulación de Montecarlo.
3. Metodología
Para el examen de las anualidades descontadas con tasas de interés que siguen un proceso
estocástico, se ha considerado pertinente estructurar el análisis basado en la técnica de
simulación de Montecarlo. Esta técnica implica los siguientes pasos:
1. Definición de un sistema, con entradas aleatorias y elementos determinísticos. Para efectos del presente análisis se consideran como elementos:
a. Aleatorios: El valor de la tasa de interés periódica que permite descontar los flujos para cada período en que tenga vigencia la anualidad. Este elemento aleatorio tiene siete
posibles distribuciones de densidad: Normal (que servirá de referencia), uniforme,
exponencial, beta, gamma (de mejor ajuste), histórica y Log normal.
b. Determinísticos: Los elementos determinísticos son la duración o plazo de la anualidad, la regularidad en los pagos, el valor fijo de los pagos y las relaciones matemáticas que
definen el descuento financiero.
c. Un sistema de relaciones definido (determinístico) por:
n
t t
k
k t
i A P
1 1
20
El sistema de relaciones corresponde al valor presente de una anualidad vencida
cierta ordinaria. En éste se ha supuesto la ley del interés compuesto para el descuento de
los flujos periódicos.
2. Generación de un conjunto considerable de realizaciones correspondientes a las variables de entrada aleatorias. En este punto se considera que la tasa de interés es una variable aleatoria 6 con distribuciones: normal (que sirve de referencia), uniforme, exponencial, beta, gamma, histórica y Log normal que conforman los procesos estocásticos
de interés. La cantidad de números aleatorios generados depende del nivel de precisión
establecido para el análisis que para este caso es del 99%.
3. Introducción de los números aleatorios generados en el paso 2, en la fórmula (o representación del sistema) establecida en el paso 1. El resultado de la introducción de la variable aleatoria en la fórmula permitirá calcular todos los posibles valores presente de la
anualidad bajo diferentes distribuciones.
4. Adopción de medidas correctivas en caso de que surjan problemas con los requerimientos de precisión o de distribución. La simulación se desarrolló bajo el ambiente del software Comercial Crystal Ball Ver. 2000.
4. Simulación y resultados
Para la simulación de Montecarlo se construyó una hoja electrónica con siete anualidades
por valor de 1.000.000 durante 10 períodos que, para efectos prácticos, corresponden a 10
años.
6 O mejor llamadas pseudoaleatorias.
1 2 3 ... 8 9 10
21
Para cada una de estas anualidades se generaron 100.000 números aleatorios, correspondientes a la tasa de interés para cada período, distribuidos de acuerdo con los
modelos de probabilidad especificados antes (normal, histórica, beta, exponencial, gamma,
Log normal y uniforme) y se calcularon luego 100.000 valores presentes. Con el fin de determinar la distribución de probabilidad de mejor ajuste, se realizaron las pruebas de
bondad de ajuste Anderson-Darling, Chi-Square, y Kolmogorov-Smirnov. Los resultados
obtenidos se presentan a continuación.
Tabla 1. Pruebas de bondad de ajuste de la rentabilidad real
a un conjunto de distribuciones
Fuente: Los autores
Como se observa en la tabla, después de aplicadas las pruebas se determinó que la
distribución de mejor ajuste es la distribución gamma. Los resultados de la simulación de
Montecarlo se presentan en la tabla 2.
Anderson-Darling: Chi-Square: Kolmogorov-Smirnov:
Statistics 2,2120 27,6727 0,1334
Best fit: Gamma Gamma Weibull
Normal 9,5688 95,9636 0,2326
Triangular 21,2258 79,8182 0,3427
Lognormal 5,0355 47,0909 0,1848
Uniform 54,2685 191,3091 0,4913
Exponential 23,5205 263,5273 0,4367
Weibull 2,6714 30,9455 0,1334
Beta 44,0153 31,8182 0,1674
Gamma 2,2120 27,6727 0,1338
Logistic 7,0472 86,3636 0,1758
Pareto 5,6897 34,2182 0,2078
Max Extreme 4,8931 42,2909 0,1742
Min Extreme 13,4049 195,6727 0,2644
22
Tabla 2. Estadísticas del valor presente resultantes de la simulación
para cada modelo de probabilidad
Fuente: Los autores
Para caracterizar mejor las distribuciones resultantes de cada anualidad se calcularon los
quintiles como se muestran en la tabla 3.
Tabla 3. Quintiles de la distribución del VA de cada anualidad
Fuente: Los autores
Como se puede apreciar, algunos resultados parecen no alejarse significativamente
de los resultados teóricos, soportados en el Teorema del Límite Central. Sin embargo los
dos primeros momentos: la media y la varianza de algunas distribuciones como la beta, la
exponencial, y la uniforme si presentan diferencias significativas en relación con el modelo
de referencia, la distribución normal. (Ver tabla 2). El uso de una distribución teórica frente
a la distribución apropiada para los datos de tasa de interés puede introducir errores que
para algunos casos no supera el 1%, pero que para otros puede generar diferencias hasta de un 20% en la estimación de la media del valor de la anualidad, tal y como se puede apreciar
en la tabla 4.
Modelo de probabilidad
Media Mediana Coeficiente
de variación
Mínimo Máximo Rango Error
estandar
Normal 5.943.880 5.921.066 7% 4.459.504 8.280.361 3.820.857 1.390
Histórica 5.945.294 5.987.914 7% 4.078.545 7.051.626 2.973.081 1.295
Beta 6.539.622 6.543.843 2% 6.015.392 6.911.474 896.082 318
Exponencial 6.132.339 6.155.087 15% 2.389.759 9.231.793 6.842.033 2.954
Gamma 5.920.365 5.950.775 6% 3.851.417 6.993.199 3.141.782 1.216
LogNormal 5.948.444 5.962.356 6% 4.163.582 7.275.305 3.111.722 1.113
Uniforme 4.801.119 4.780.877 8% 3.618.755 6.507.414 2.888.659 1.276
Percentiles Normal Histórica Beta Exponencial Gamma (mejor
ajuste)
LogNormal Uniforme
23
Tabla 4. Diferencias, en términos porcentuales, entre los valores esperados
del valor presente generados por la simulación de diferentes modelos y dos distribuciones de referencia.
Fuente: Los autores
Las implicaciones de estos resultados son críticas, cuando la decisión debe tomarse con el
valor presente neto. Si se supone que la inversión necesaria para generar el flujo de cada
presentado en la simulación es de $6.000.000, entonces existen diferencias en las probabilidades de que el proyecto sea rechazado. Ver tabla 5.
Tabla 5. Probabilidad de que el proyecto sea rechazado de acuerdo con los supuestos
de distribución de la tasa de interés.
Fuente: Los autores
Como puede apreciarse, la probabilidad de rechazo es mayor para el modelo de distribución
uniforme, siguiéndole la distribución de probabilidad normal, mientras que es menor para el
modelo de distribución beta. De acuerdo con estos resultados, el supuesto simplificador de Modelo de
probabilidad Normal Histórica
Normal 0,000% -0,024%
Histórica 0,024% 0,000%
Beta 10,023% 9,997%
Exponencial 3,171% 3,146%
Gamma -0,396% -0,419%
LogNormal 0,077% 0,053%
Uniforme -19,226% -19,245%
Distribuciones de referencia
Supuesto De distribución de tasa
de interés
Probabilidad de rechazo
Normal 57,13%
Histórica 51,09%
Beta 0,00%
Exponencial 43,50%
Gamma 55,21%
LogNormal 54,32%
24
usar la normal como generador de la tasa de interés disminuye en un 6,04% la probabilidad de aceptar un proyecto, cuando la distribución subyacente a las tasas de interés sigue un
proceso estocástico con distribución histórica. Para los otros casos, la disminución en la
probabilidad de aceptar un proyecto disminuye en 57,13% para la distribución beta, 13,63%
para la exponencial, 1,92% para la gamma y 2,81% para la log normal. Para el caso de una distribución de probabilidad uniforme, el supuesto de usar la normal como generador de la
tasa de interés aumenta la probabilidad de aceptar un proyecto en un 42,58%.
En términos generales, se evidencia un factor de riesgo asociado a la tasa de interés,
que corresponde al riesgo de especificación del proceso estocástico generador de la tasa de
descuento del flujo de caja y que puede afectar la decisión final de aceptar o no un
proyecto.
5. Conclusiones
Este documento deja al descubierto las implicaciones sobre el valor presente, y la
aceptación o rechazo de un proyecto, con tasas de interés estocásticas. A través del modelo
de simulación de Montecarlo, se encontró que el valor presente de una anualidad puede
variar en función de la distribución de probabilidad que rige la tasa de interés. Este hecho
es de gran importancia ya que enciende alertas sobre la necesidad de considerar el error de especificación, en la selección de funciones de densidad que no correspondan con las
subyacentes al proceso estocástico que generó la serie de tasas de interés, en la evaluación
de un proyecto o alternativa de inversión.
Este componente de riesgo, que generalmente no se considera en los análisis
tradicionales, altera la probabilidad de rechazo o aceptación en las decisiones en donde se
use el valor presente neto para evaluar flujos de caja que se comporten como anualidades
ordinarias. Así, si la distribución generadora del proceso estocástico es la distribución beta
y se hace un análisis del valor presente, con la aplicación como supuesto de la distribución
normal de la tasa de interés, se genera un valor esperado del indicador VPN 10,02% inferior al que corresponde al flujo de caja, mientras que si la distribución generadora fuera la
uniforme, el supuesto de normalidad arroja un valor presente esperado 19,2% superior al que corresponde.
Una conclusión importante es la relacionada con la distribución del valor presente.
25
presente muestra forma simétrica para la mayoría de los procesos estocásticos
independientes pero con colas más anchas o más delgadas para cada proceso generador.
Esto significa que las probabilidades de rechazo cambian substancialmente debido al
tamaño de la cola y proyectos que sean aceptables asumiendo la distribución normal, se
vuelven inaceptables si la distribución subyacente es otra.
En términos prácticos y desde el punto de vista del evaluador, la consideración del
valor presente como única medida de un flujo de caja, implica ignorar el riesgo de
especificación de tasa de interés lo que aumenta la incertidumbre en la toma de decisiones.
Referencias Bibliográficas
Apóstol, T. (1980). Calculus. España: Reverté.
Boyle, P. (1976). Rates of return as random variables. En: Journal of Risk and Insurance 53 (4), 693–713.
Brealey, R. & Myers, S. (1996). Principles of Corporate Finance. Nueva York: McGraw-Hill Burnecki, K. Marciniuk, A. Weron, A. (2003). Annuities under random rates of interest-revisited.
En: Insurance: Mathematics and Economics 32, 457-460. Canavos, G. (1988). Probabilidad y Estadística. Mexico: McGraw-Hill.
Cox, J; Ingersoll, J; Ross, S. (1985). A Theory of the Term Structure of Interest Rates. En: Econométrica, Vol. 53, №. 2. pp. 385-407.
Date, P; Mamon, R; Wang, I.C. (2007). Valuation of cash flows under random rates of interest: A linear algebraic approach. En: Insurance: Mathematics and Economics 41, 84-95.
Jorion, P. (2004). Valor en Riesgo. Mexico: Limusa.
Kellison, S.G., (1991). The theory of interest. Irwin, Homewood, IL.
Kellsion, S.G., (1975). Fundamentals of Numerical Analysis. Irwin, Homewood, IL.
McCutcheon, J.J.; Scott, W.F.; (1986). An Introduction to the Mathematics of Finance. Butterworth/Heinemann, London.
Melo, L. Becerra O. (2006). Medidas de riesgo, características y técnicas de medición. Una aplicación del VaR y el ES a la tasa interbancaria de Colombia. Bogotá: Universidad del Rosario; Facultad de Administración.
Montgomery, D. (1996). Probabilidad y Estadística aplicadas a la ingeniería. Mexico: McGraw-Hill.
Pollard, J.H., (1971). On fluctuating interest rates. En: Bulletin de l’Association Royale des
Actuaires Belges. 66, 68–97.
Samuelson, P. (1999). Economía. España: McGraw-Hill.
Schepper A. Goovaerts M; Dhaene J. Kaas R. Vyncke D. (2002). Bounds for present value functions with stochastic interest rates and stochastic volatility. En: Insurance: Mathematics and Economics 31 87-103.
Westcott, D.A., (1981). Moments of compound interest functions under fluctuating interest rates. En: Scandinavian Actuarial Journal 4, 237–244.
26
Wilkie, A.D., (1976). The rate of interest as a stochastic process—theory and applications. En: Proceedings of the 20th ICA, Vol. 1, Tokyo, pp. 325–338.
