“En aguas tranquilas no hay mal piloto”. – Proverbio Romano.

El diccionario de la Real Academia de la Lengua (RAE) define certidumbre como certeza, la cual a su vez quiere decir conocimiento seguro y claro de algo o firme adhesión de la mente a algo conocible, sin temor de errar. Si bien desde el punto de vista probabilístico la certidumbre total no existe, la gran realidad es que en situaciones de relativa estabilidad se pueden hacer previsiones relativamente acertadas de un posible resultado. Esto incluye definitivamente las finanzas. Si algo nos ha enseñado la actual realidad es que el tomar decisiones a futuro basadas en realidades del pasado es una práctica muy arriesgada.

Este workshop enseña los principios, conceptos y técnicas para la toma de decisiones cuando existen variables que afectan los resultados y que son difíciles de predecir. A partir de casos reales, se aplican la teoría y mejores prácticas para cuantificar e interpretar los resultados bajo condiciones cambiantes. De igual forma, se presentan de una forma práctica las herramientas que existen para: 1) identificar las variables clave en nuestras proyecciones financieras, 2) considerar las condiciones cambiantes que afectan a las variables de proyección y consecuentemente los resultados presentados y 3) cómo tomar decisiones cuando no existe certidumbre.

• ¿Qué variables afectan los resultados?
• ¿Cuáles variables son las más importantes? Jerarquía de variables. Cuáles variables aportan incertidumbre y cuáles aportan riesgo.
• ¿Cómo se cuantifica la incertidumbre?
• ¿Cómo se toman decisiones bajo condiciones inciertas?
• ¿Cuál es la mecánica de cálculo?
• Cuantificación e interpretación de resultados con simulación de Montecarlo en MS Excel.

• Introducción al análisis bajo condiciones de no certidumbre

  • Análisis de sensibilidad
  • Análisis de escenarios
  • Otros análisis bajo incertidumbre
• Caso 1. Modelación de estados financieros:

  • Proyecciones financieras
  • Caso Base vs. simulación de Montecarlo
  • Definición de variables
  • Análisis de la simulación y sus resultados
• Simulación de Montecarlo: definición de sus parámetros

  • Simulación de Montecarlo. Pruebas de Bondad de Ajuste para determinar distribuciones de probabilidad en datos
  • Otros criterios para la definición de distribución de variables
  • Distribuciones más usadas. Principales características
  • Cálculo de muestra representativa
  • Riesgos transversales vs. riesgos longitudinales
• Caso 2. Evaluación de Proyectos

  • VPN y TIR
  • Análisis determinístico vs. análisis en riesgo
  • Efecto en la toma de decisiones
• Caso 3. Estructura de capital

  • Efecto en la estructura de capital
  • Simulación del impacto de variables de mercado
  • Cuantificación de riesgo de tasas de cambio, tasas de interés y commodities

WILLIAM MARTÍNEZ