Analisis Predictivos de Riesgos financieros · Las clases o conjuntos en las que han de catalogarse...
Transcript of Analisis Predictivos de Riesgos financieros · Las clases o conjuntos en las que han de catalogarse...
Sistemas Predictivos como mitigadores de Riesgos Empresariales
Conferencista: Luis Gomez Nina, CPA CRISC
Hotel Breathless, Punta Cana, Higuey, R. D.
21-24 de Julio, 2016
Agenda de la Interacción1. Antecedentes
2. El problema central – Es predecible el Riesgo?
3. Análisis predictivo de Eventos Futuros e imprecisiones Métodos Científicos
4. Diferentes tipos de Modelos
5. Aplicaciones comunes y herramientas disponibles
6. Proceso de Descubrimiento de Datos (KDD)
7. Altman Z-score como predictor de quiebras
8. Aplicación de un Modelo para el Presupuesto 2016 RD
9. Algunas Perdidas millonarias causadas por el BREXIT y Tendencia de las Divisas
10. Caso Practico Mercado de Divisas extranjeras.
11. Complemento EXCEL @RISK 7 – Simulador de Montecarlo
12. Conclusiones y Beneficios para Auditores
Antecedentes
• DURANTE SU CICLO DE VIDA, LAS EMPRESAS ESTAN EXPUESTAS AL RIESGO DE NO LOGRAR SUS OBJETIVOS. • LA GESTION INTEGRAL DE RIESGOS EMPRESARIALES (ERM) ES UN MEDIO IDONEO PARA MITIGARLOS.
COSO ERM 2004 ESTA EN PROCESO DE VISTAS PUBLICAS PARA SU ACTUALIZACION, A TRAVES DE SU PAGINA WEB WWW.COSO.ORG
GESTION INTEGRAL DE RIESGOSNorma ISO 31000
“Todas las organizaciones,no importa si son grandes opequeñas, se enfrentan afactores internos y externosque le quitan certeza a laposibilidad de alcance desus objetivos. Este efecto defalta de certeza es el[RIESGO] y es inherente atodas las actividades.”
Corchetes del Conferencista
Buena y Mala Noticias para CPAs BUENA NOTICIA:
No seremos reemplazos por Robots en el desempeño de nuestras funciones.
MALA NOTICIA:Los CPAs, Asesores y Analistas financieros que noutilicen Tecnologia,serán reemplazados por porasesores robóticos (Robo Advisers).
Es predecible el RIESGO? EL RIESGO ES MEDIBLE Y CONSECUENTEMENTE
PUEDE MITIGARSE A TRAVES DE UN PLAN DECONTROLES.
La Información es de naturaleza aleatoria,y las probabilidades de ocurrencia deeventos son conocidas.
LA INCERTIDUMBRE Y LA DIMENSION DE SUS IMPACTOS POTENCIALES NO ES PREDECIBLE Y MUY DIFICIL DE MEDIR CON FIABILIDAD
Las probabilidades de ocurrencia de unevento no pueden cuantificarseobjetivamente.
Fuente básica de la Incertidumbre:• información incompleta, inexacta,
sesgada, falsa o contradictoria
Análisis Predictivo de eventos futuros“El análisis predictivo agrupa unavariedad de:
Técnicas estadísticas de modelización,Aprendizaje automático; yMinería de datos
que analiza los datos actuales ehistóricos reales para hacer prediccionesacerca del futuro o acontecimientos noconocidos”.
FUENTE: WIKIPEDIA
Tres Imprecisiones del Análisis Científico1. ELEMENTOS DE UNICA CATEGORIA:
Ocurre cuando un acontecimiento es aleatorio por naturaleza, y la imprecisión asociada con estetipo de acontecimientos puede describirse por la Teoría estadística de la probabilidad.
2. ELEMENTOS DE VARIAS CATEGORIAS Y GRADOSLos elementos pueden no pertenecer exclusivamente a una única categoría, sino a varias categoríasaunque con diferentes grados; en este caso la imprecisión toma forma de pertenencia difusa a unconjunto y es el objeto de la lógica difusa (fuzzy logic).
3. ELEMENTOS DE CONJUNTOS IMPRECISOS4. Las clases o conjuntos en las que han de catalogarse los elementos son imprecisas,
pero, sin embargo, pueden aproximarse mediante conjuntos precisos. La teoría deRough Set (Aplicación ROSE2 de Codigo Abierto).
Diferentes tipos de Modelos
Predictivos
Establecen la relación entre el rendimiento específico de un sujeto
en una muestra y uno o más atributos o características del
Universo
Descriptivos
Cuantifican las relaciones entre los datos de manera que es utilizada a menudo para clasificar clientes o
contactos en grupos.
De Decisión
Describen la relación entre todos los elementos de una decisión, la decisión y el pronóstico de los
resultados de una decisión; con el objeto de predecir los resultados de una decisión involucrando una gran
cantidad de variables.
Aplicaciones comunes AREA DE APLICACION OBJETIVO DEL ANALISIS
Fidelización de clientes Evaluar la deserción potencial de clientes
Ventas Cruzadas Generar un modelo de probabilidades de Ventas adicionales a clientes cautivos.
Detección de Fraudes Prevención del Riesgo de Fraude
Predicción de la Cartera, por Producto, Marca y Economía
Optimización de negocios y márgenes
Mercadotecnia Directa Evaluar la eficacia del Plan de Marketing
Gestión de Riesgos Beneficiarse del escenario futuro anticipado. Ejemplos: Capital Asset Pricing Model (CAPM)
Probabilistic Risk Assesment (PRA)Simulación Monte Carlo (@RISK 7)
Herramientas disponiblesDE CODIGO ABIERTO:
Apache Mahout
GNU Octave
KNIME
OpenNN
Orange
R
scikit-learn
Weka
Rough Set Theory – ROSE2
DE PROPOSITO COMERCIAL:• Oracle Crystal Ball- Monte Carlo• Alpine Data Labs• Angoss KnowledgeSTUDIO• KXEN Modeler• Mathematica• MATLAB• Minitab• Neural Designer• OpenText™ Big Data Analytics• Oracle Data Mining (ODM)• Pervasive• Predixion Software
Proceso Descubrimiento del Conocimiento PROCESO MEDIANTE EL CUAL LOS DATOS ORIGINALES:
1. SON SELECCIONADOS Y DEPURADOS,
2. SE TRANSFORMAN SEGÚN EL OBJETIVO ANALITICO,
3. SE ESTABLECEN PATRONES Y REGLAS,
4. SON INTERPRETADOS Y EVALUADOS, Y;
5. GENERAN CONOCIMIENTO PARA LA TOMA DE
DECISIONES
Altman Z -score (Predictor del Riesgo de Insolvencia financiera)
En la década de los 60 el profesor Edward Altman,efectuó un Análisis retrospectivo de un conjunto deempresas que se declararon en quiebra.
Estableció entonces las combinaciones de los cinco (5)Indicadores X1-X5 que de haber existido antes,hubiesen pronosticado que estas empresas iban aquebrar.
La Formula del algoritmo creado es como sigue:
Altman Z-Scorehttp://investexcel.net
PARAMETERS TRADUCCCION LIBRE DEL CONFERENCISTA
Income statement Estado de Resultados
Net sales 200 Ventas netas
Operating income 10 Utilidad Operativa (EBIT)
Balance sheet Balance General:
Current assets 95 Activos corrientes
Total assets 150 Total de Activos
Current liabilities 80 Pasivos corrientes
Total liabilities 125 Total de Pasivos
Retained earnings 25 Utilidades Retenidas
Public companies Companias Publicas que cotizan en Bolsa
Market value of equity 300 Valor de mercado del patrimonio
Private companies Companias Privadas que no cotizan en Bolsa
Book value of equity 200 Valor en libros del patrimonio
CALCUATIONS Z Z1 Z2
Factor Public Private General
Mfg Mfg Use
Working capital/Total assets X1 0.100 1.2 0.717 6.56
Retained earning /Total assets X2 0.167 1.4 0.847 3.26
EBIT/Total assets X3 0.067 3.3 3.107 6.72
Market value of equity/Total
liabilities X4 2.400 0.6
Book value of equity/Total
liabilities X4A 1.600 0.420 1.05
Net sales/Total assets X5 1.333 1.0 0.998
Z-Score 3.35 2.42 3.33
Z = (1.2 * X1) + (1.4 * X2) + (3.3 * X3) + (0,6 *X4) + (1.0 * X5)
EVALUACION RESULTADOS Z Z1 Z2
Mayor de este umbral Liquidez Optima 2.99 2.90 2.60
En este rango - Precaucion 2.77 - 2.99
Podria quebrar en 2 años 1.8 - 2.7
Claves del Análisis PredictivoDATOS:
Para pronosticar el comportamiento de los clientes, los atributos de los productos/servicios y el posicionamiento y reacción potencial de los competidores.
ESTADISTICAS:
Obtención de las variables y correlaciones de la industria, aplicando algoritmos matemáticos de Probabilidad, que permitan establecer patrones, para estimar tendencias futuras.
SUPUESTOS:
Mantener supuestos actualizados sobre acontecimientos recientes, permite aumentar la precisión de los modelos con mayor certeza y menos riesgo.
ALGUNAS PREGUNTAS EN R.D.1. CUAL ES LA PROBABILIDAD DE QUE LA ECONOMIA DEL PAIS (PIB) CREZCA EN EL
2016 SEGUN EL SUPUESTO PRESUPUESTARIO DEL 5%?
2. CUAL ES LA PROBABILIDAD DE QUE LA TASA DE CAMBIO DEL DÓLAR EXCEDA EL 50:1 A FINALES DEL 2016?
3. CUAL ES LA PROBABILIDAD DE QUE EL PRECIO DEL ORO SUPERE LOS USD1,400 LA ONZA TROY EN EL 2016?.
4. CUAL ES LA PROBABILIDAD DE QUE EL PRECIO DEL PETROLEO SUPERE EL UMBRAL DE USD50.46 DEL SUPUESTO PRESUPUESTARIO EN EL 2016?
5. CUAL ES LA PROBABILIDAD DE QUE LA TASA DE INFLACION DEL 2016 SUPERE EL 4% DEL SUPUESTO PRESUPUESTARIO?
Variables macroeconómicas R.D. y Tendencias
Año Compra Venta
2000 16.5600 16.5600
2001 16.9700 16.9700
2002 17.5600 17.7600
2003 34.9500 35.0600
2004 30.3700 31.0500
2005 34.1447 34.4988
2006 33.4969 33.7751
2007 33.9394 34.1666
2008 35.2582 35.3894
2009 36.0574 36.1201
2010 37.4225 37.5386
2011 38.7243 38.8226
2012 40.2612 40.3967
2013 42.6723 42.7902
2014 44.2033 44.3563
2015 45.0175
2016 48.4605
2017 50.2087
2018 51.9570
2019 53.7052
2020 55.4534
*Datos correspondientes al último día laborable en el referido período.
Tasas de Cambio del dólar de Referencia del
Mercado Spot, último día laborable del año*IPC Nacional, Serie Mensual, 2010-2016
(Base Diciembre 2010=100)
PeríodoIndice Variación Porcentual
Base 2010 Mensual con Dic.
Diciembre 100.00 0.92 6.24
2015 Enero 117.93 -0.19 -0.19
Febrero 118.17 0.20 0.02
Marzo 118.34 0.14 0.16
Abril 118.04 -0.25 -0.09
Mayo 118.38 0.29 0.19
Junio 118.86 0.41 0.60
Julio 119.15 0.24 0.85
Agosto 119.53 0.32 1.17
Septiembre 119.72 0.16 1.33
Octubre 120.61 0.74 2.08
Noviembre 120.81 0.17 2.25
Diciembre 120.92 0.09 2.34
*El coeficiente de enlace 0.2841 se utilizó como factor de multiplicación para convertir la base enero 1999=100 a la base diciembre 2010=100.
CALCULO INFLACION PROMEDIO ACUMULADA PROMEDIO ANUAL
IPC 2015 120.92 20.92% 4.18%
IPC 2010 100
FUENTE: BANCO CENTRAL DE LA R.D. (LOS DATOS EN AMARILLO Y VERDE SON PROVISTOS POR CONFERENCISTA
)
PIB
MES
(Millones
DOP)
mar-10 447,920
jun-10 456,825
sep-10 443,725
dic-10 485,298
mar-11 498,069
jun-11 512,756
sep-11 510,932
dic-11 545,020
mar-12 556,645
jun-12 548,957
sep-12 538,410
dic-12 571,860
mar-13 567,825
jun-13 589,032
sep-13 594,815
dic-13 635,264
mar-14 625,410
jun-14 643,608
sep-14 641,540
dic-14 678,440
mar-15 674,073
jun-15 691,600
sep-15 698,933
dic-15 710,468
mar-16 722,004
jun-16 733,540
sep-16 745,075
dic-16 756,611
TOTAL 2016 2,957,229
Tendencia precios del Oro
11.05.2016
Precio del oro 2016 Goldman Sachs sube estimaciones de precios del oro por debilidad del dólar
Goldman Sachs aumentó sus estimaciones de precios del oro para los próximos meses bajo el argumento deposicionamientos especulativos más fuertes y una reciente debilidad del dólar.
Goldman Sachs dijo que revisó sus pronósticos de precios del metal precioso a 3, 6, y 12 meses, subiéndolosrespectivamente a 1.200, 1.180 y 1.150 dólares la onza, desde una proyección anterior de 1.100, 1.050 y 1.000dólares la onza.
El precio del oro subió por encima de los 1.200 dólares la onza a comienzos de febrero 2016 por primera vezdesde mediados de 2015, ante la debilidad del dólar en anticipación a posibles nuevas alzas de las tasas deinterés en Estados Unidos.
El oro se ha mantenido por encima de los 1.250 dólares la onza durante la mayor parte de las últimas 3 semanas.
Con todo, Goldman advirtió que no hay demasiado espacio para más incrementos en el precio del oro.
Goldman Sachs
“Mirando hacia adelante, vemos un limitado ascenso en la apreciación del oro dado el limitado espacio para quela FED sorprenda a la baja, el limitado espacio para que el dólar se deprecie y el limitado espacio para que Chinaimpulse una fortaleza (del mercado) de monedas (emergentes) que contribuya a una debilidad del dólar.”
Tendencia precios del Petroleo
23.05.2016Goldman Sachs: “Precio petróleo Brent 2016 de 45 dólares por barril”Goldman Sachs estimó que los precios del petróleo Brent promediarán 45 dólares por barril en 2017, un alza respecto a su proyección anterior de 39 dólares.
13.06.2016Morgan Stanley eleva pronósticos para Brent en 2016 a 43 dólaresEl banco de inversión Morgan Stanley elevó sus proyecciones para el precio del petróleo Brent en 2016 de 33 a 43 dólares por barril, al sostener que las fuertes interrupciones de suministros han equilibrado de forma inesperada al mercado.
Modelo Predictivo Presupuesto R.D. 2016SUPUESTOS MACROECONOMICOS (*) DEUDA PUBLICA 31 OCTUBRE, 2015- En Millones USD
CRECIMIENTO PIB REAL 5% USD % PIB
TASA CAMBIO PROMEDIO 47.21 SPNF 23,825 36.4% FUENTE; MH
Precio Prom. Petroleo 50.4 SPF - BC 8,640 8.6%
Inflacion promedio 4% 32,465 45%
DOP 1,532,673
METAS 2016
Deficit Fiscal 2.3%
Endeudamiento neto 75,893
MODELO DE SENSIBILIDAD CON METAS PRESUPUESTARIA 2016 EXHIBIT A
5.00% 13.0% 1.2% 14.1%
TOTAL FLUJO
FECHA PIB (*) DGII ADUANAS OTROS INGRESOS APLIC.FIN. CORRIENTE CAPITAL CAJA LIBRE
2015 700,489
mar-16 709,245 91,847 8,227 20,600 120,674 24,342- 122,099- 19,000- 44,766-
jun-16 718,111 92,995 8,330 20,600 121,925 24,342- 122,099- 19,206- 43,721-
sep-16 727,087 94,158 8,434 20,600 123,192 24,342- 122,099- 19,552- 42,801-
dic-16 736,176 95,335 8,540 20,600 124,474 24,342- 122,099- 20,038- 42,004-
2,890,618 374,335 33,531 82,400 490,266 97,366- 488,396- 77,796- 173,292-
FINANCIAMIENTO REQUERIDO 173,292-
FUENTE (*) DATOS APROXIMADOS TOMADO DE "PRESUPUESTO CIUDADANO 2016" DIGEPRES y PIB: BANCO CENTRAL R.D.
INGRESOS PRESUPUESTADOS DESEMBOLSOS PRESUPUESTARIOS
Escenarios predictivos del ModeloMODELO DE SENSIBILIDAD SUPERANDO META DEL PIB EXHIBIT B
6.00% 13.0% 1.2% 14.1%
TOTAL FLUJO
FECHA PIB DGII ADUANAS OTROS INGRESOS APLIC.FIN. CORRIENTE CAPITAL CAJA LIBRE
2015 700,489
mar-16 710,996 92,074 8,248 20,600 120,922 24,342- 122,099- 19,000- 44,519-
jun-16 721,661 93,455 8,371 20,600 122,426 24,342- 122,099- 19,206- 43,220-
sep-16 732,486 94,857 8,497 20,600 123,954 24,342- 122,099- 19,552- 42,039-
dic-16 743,473 96,280 8,624 20,600 125,504 24,342- 122,099- 20,038- 40,975-
2,908,617 376,666 33,740 82,400 492,806 97,366- 488,396- 77,796- 170,753-
FINANCIAMIENTO REQUERIDO 170,753-
INGRESOS PRESUPUESTADOS DESEMBOLSOS PRESUPUESTARIOS
MODELO DE SENSIBILIDAD NO ALCANZANDO META DEL PIB EXHIBIT C
3.00% 13.0% 1.2% 14.1%
TOTAL FLUJO
FECHA PIB DGII ADUANAS OTROS INGRESOS APLIC.FIN. CORRIENTE CAPITAL CAJA LIBRE
2015 700,489
mar-16 705,743 91,394 8,187 20,600 120,180 24,342- 122,099- 19,000- 45,260-
jun-16 711,036 92,079 8,248 20,600 120,927 24,342- 122,099- 19,206- 44,719-
sep-16 716,368 92,770 8,310 20,600 121,680 24,342- 122,099- 19,552- 44,313-
dic-16 721,741 93,465 8,372 20,600 122,438 24,342- 122,099- 20,038- 44,041-
2,854,888 369,708 33,117 82,400 485,225 97,366- 488,396- 77,796- 178,334-
FINANCIAMIENTO REQUERIDO 178,334-
FUENTE DATOS APROXIMADOS TOMADO DE "PRESUPUESTO CIUDADANO 2016"
INGRESOS PRESUPUESTADOS DESEMBOLSOS PRESUPUESTARIOS
Combinando Meta PIB y Aumento Presion TributariaMODELO DE SENSIBILIDAD ALCANZANDO META DEL PIB E INCREMENTANDO PRESION TRIBUTARIA AL 15.1% EXHIBIT D
5.00% 14.0% 1.2% 15.1%
TOTAL FLUJO
FECHA PIB DGII ADUANAS OTROS INGRESOS APLIC.FIN. CORRIENTE CAPITAL CAJA LIBRE
2015 700,489
mar-16 709,245 98,940 8,227 20,600 127,767 24,342- 122,099- 19,000- 37,674-
jun-16 718,111 100,176 8,330 20,600 129,107 24,342- 122,099- 19,206- 36,540-
sep-16 727,087 101,429 8,434 20,600 130,463 24,342- 122,099- 19,552- 35,530-
dic-16 736,176 102,696 8,540 20,600 131,836 24,342- 122,099- 20,038- 34,643-
2,890,618 403,241 33,531 82,400 519,172 97,366- 488,396- 77,796- 144,386-
FINANCIAMIENTO REQUERIDO 144,386-
FUENTE DATOS APROXIMADOS TOMADO DE "PRESUPUESTO CIUDADANO 2016"
INGRESOS PRESUPUESTADOS DESEMBOLSOS PRESUPUESTARIOS
Modelos Deterministicos y Estocasticos
DETERMINISTICOS
• Son aquellos donde se supone que los datos se conocen con certeza. Ejemplos: Planificación Línea de Producción
ESTOCASTICOS – “Probabilisticos”
• Son aquellos donde algunos elementos o variables no son conocidas y consecuentemente son difícil de estimar o predecir.
• Ejemplos: Administración de proyectos, Filas de espera, Precios externos
Cuántos millones perdieron los más ricos del mundo por el Brexit?
0
10,000
20,000
30,000
40,000
50,000
60,000
70,000
80,000
90,000
Schaeffler Gates Zuckerberg A. Ortega Takezaki Yanai
IMPACTOS DE LAS PERDIDAS
Fortuna Perdida
FUENTE: INFOBAE de Argentina 26/6/2016 Grafico del conferencista en base al ranking FORBES.
Caso Practico Mercado de DivisasTasas de cambio convertible DOP y Monedas Extranjeras
31/12/2015 31/3/2016 Variacion
REAL BRASILENO 11.8126 12.6654 7.22%
DOLAR CANADIENSE 32.7493 35.2593 7.66%
FRANCO SUIZO 45.9052 47.5414 3.56%
YUAN CHINO 7.0058 7.0717 0.94%
DERECHO ESPECIAL DE
GIRO63.0079 64.4321 2.26%
CORONA DANESA 6.6573 6.9880 4.97%
EURO 49.5022 52.0691 5.19%
LIBRA ESTERLINA 67.3807 65.8718 -2.24%
YEN JAPONES 0.3773 0.4061 7.63%
CORONA NORUEGA 5.1664 5.5307 7.05%
LIBRA ESCOCESA 67.3807 65.8718 -2.24%
CORONA SUECA 5.4438 5.6136 3.12%
DOLAR
ESTADOUNIDENSE45.4691 45.7348 0.58%
BOLIVAR FUERTE
VENEZOLANO7.2355 7.2777 0.58%
CASO PRACTICO:USTED ES EL EJECUTIVO FINANCIERO DE MAYORJERARQUIA DE SU EMPRESA Y EL CONSEJO DEADMINISTRACION, TOMO LA DECISION DE INVERTIREN EL MERCADO DE DIVISAS EL MONTO DE DOP25MM.
EL CUADRO A LA IZQUIERDA, MUESTRA LAESTADISTICA DEL PRIMER TRIMESTRE PUBLICADAPOR EL BANCO CENTRAL DE LA R.D.
USTED DEBERA PROPONER ESTA INVERSION ENUNA, DOS O TRES M.E., PARA OPTIMIZAR ELEFECTIVO ASIGNADO, EN FECHA 1 ABRIL, 2016.
EJEMPLO:1. 50% EN USD2. 30% EN EURO3. 20% EN YEN
Tasa de cambio DOP vs M.E. 15 de Julio, 2016 *
* FUENTE: Banco Central de la R. D.
REAL
BRASILENO
DOLAR
CANADIENSE
FRANCO
SUIZO
YUAN
CHINO
DERECHO ESPECIAL
DE GIRO
CORONA
DANESAEURO
LIBRA
ESTERLINA
YEN
JAPONES
CORONA
NORUEGA
LIBRA
ESCOCESA
CORONA
SUECA
DOLAR
ESTADOUNIDENSE
BOLIVAR FUERTE
VENEZOLANO
14.2180 35.3998 46.9212 6.8730 64.0245 6.8722 51.1122 61.4192 0.4347 5.4852 61.4192 5.4070 45.9312 4.6046
Evaluación Resultado posterioresTASA CAMBIO
MONEDA DECISION DOP 31/3/2016 U.M.E.
USD 50% 12,500,000 45.73 273,344
EURO 30% 7,500,000 52.07 144,037
YEN 20% 5,000,000 0.41 12,312,238
25,000,000
CALCULO DE RESULTADO POSTERIOR:
Segmento publicacion bcentral DÓLAR EURO YEN TOTAL
2016 Jul 15 45.9312 51.1122 0.4347
UNIDAD MONETARIA EXTRANJERA 273,344 144,037 12,312,238
MONTO ACTUALIZADO EN DOP 12,554,997 7,362,041 5,352,130 25,269,168
GANANCIA (PERDIDA) CAMBIARIA 54,997 137,959- 352,130 269,168
RENTABILIDAD NETA 1.08%
EL RIESGO CAMBIARIO DEBEMITIGARSE ADECUADAMENTEOBSERVANDO LAS ESTADISTICASHISTORICAS Y LAS TENDENCIASRECIENTES.
EN CIFA SELATCA 2015, INCLUIMOSLOS DERIVADOS DE DIVISAS (FX)COMO ALTERNATIVA PARA MITIGARESTE RIESGO, SIN HACER LAINVERSION.
EL COSTO DE LA COBERTURA, SEASUME COMO EL RIESGOFINANCIERO DE LASFLUCTUACIONES PROBABLES.
LA NIIF 9 TRATA LA CONTABILIDADDE COBERTURA.
Herramienta @RISK 7
ESTE COMPLEMENTO DE EXCEL DE LA EMPRESA PALISSADE DENEW YORK, ES UTIL PARA MEDICION DE RIESGOS DEPROYECTOS; PERMITE A TRAVES DEL SIMULADOR DEMONTECARLO, VISUALIZAR MAS DE 1,000 ESCENARIOS PORCADA PROYECTO O MODELO DE DECISION.
VEAMOS ESTE VIDEO DE SOLO 2 MINUTOS PARA APRECIAR ELALCANCE Y OBJETIVOS DE ESTE COMPLEMENTO.
https://www.youtube.com/watch?v=t3N7G7uXRic
Caso Ilustrado del Simulador MontecarloLA TASA ACTIVA DE INTERES DELAS ENTIDADES DEINTERMEDIACION FINANCIERA,SON OBTENIDAS Y PUBLICADASPOR EL BANCO CENTRAL A TRAVESDE SU PAGINA WEB.
TOMANDOLAS DE REFERENCIA.ILUSTRAMOS LA APLICACIÓN DELSIMULADOR DE MONTECARLO ENLAS CARTERAS PRINCIPALES DE LASE.I.F.
Periodo (1/2012 - 6/2016) 54 meses
Consumo y/o Hipotecarios
Comercio Personales y/o Desarrollo
Media historica * 13.62 19.62 12.30
DesvStd 1.41 1.33 1.15
* Calculada en base ¨"tbm tasa activa" del Banco Central de la R.D.
Resultado de la Simulacion: (300 interacciones)Media Pronosticada 13.51 19.63 12.23
DesvStd Pronosticada 1.47 1.40 1.22
Intervalo de Confianza al 95%
Maxima 16.46 22.4 14.7
Minima 10.56 16.8 9.8
Por Sectores de Destino
Grafico de Dispersión de la Muestra
0.0
2.0
4.0
6.0
8.0
10.0
12.0
14.0
16.0
18.0
0 5 10 15 20 25
Media Pronosticada Tasa Activa Sector Comerciocon Tendencia lineal
Grafico combinado con tabla de Frecuencia y Tendencia Lineal
Rangos Frecuencia Tasa activa
1 1 9.28
2 4 9.76
3 1 10.24
4 2 10.73
5 7 11.21
6 10 11.70
7 19 12.18
8 28 12.67
9 35 13.15
10 41 13.63
11 36 14.12
12 36 14.60
13 32 15.09
14 26 15.57
15 6 16.05
16 10 16.54
17 2 17.02
18 2 17.51
19 2 > 17.51
300 TOTAL
0
5
10
15
20
25
30
35
40
45
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
POR
CEN
TAJE
TA
SA
RANGOS
Grafico combinado Tasa Activa pronosticada y Frecuencia
Frecuencia Tasa activa Lineal (Tasa activa)
CONCLUSIONESA. Los Auditores Internos y Externos deberán incorporar dentro de los Procedimientos de
Revisión Analítica Extendidos, modelos predictivos para evaluar el Negocio en Marcha.
B. El predictor de Insolvencia Financiera de “Altman Z score” es una herramienta analítica útilpara los objetivos de Auditoria y de la Gestión Financiera para evaluar los Riesgos deLiquidez, Solvencia y Apalancamiento.
C. Evaluar las Características Cualitativas Fundamentales de la Información Financiera delMarco Conceptual de las NIIF: Representación Fiel (Libre de Error, Neutral y Completa)
Relevancia (Influye en las Decisiones y tiene Valor Predictivo)
D. Los Modelos matemáticos Predictivos de Resultados como el: Simulador de Montecarlo,Lógica Difusa y la Teoría Rough Set permiten un alto nivel de Análisis de Datos.
E. La Evolución de Inteligencia de Negocios (BI) con los avances de la “Big Data”, y el Procesode Descubrimiento de Conocimiento (KDD) sin dudas ofrecen una oportunidad, paraeliminar subjetividades de los métodos de estimaciones tradicionales.
F. Aprendamos y utilicemos las Herramientas Tecnológicas para no ser desplazados por los“Robot” como asesores, en un futuro no muy lejano.
Muchas Gracias por su valioso tiempo
Luis Gomez Nina, CPÀ, CRISCSocio Director de GNA GLOBAL CONSULTING, SRL y
Socio Fundador GOMEZ NINA & ASOCIADOS, Registro ICPARD 158
Correo electronico: [email protected]
Twitter: @lgomeznina