Baixe o app para aproveitar ainda mais
Prévia do material em texto
Parte 3 - Análise de Risco AULA 20 Introdução à Simulação Frederico Silva Miana Juiz de Fora 07 Novembro 2016 FIN014 - Gestão Financeira em Engenharia de Produção II 2 Prof. MSc. Frederico Miana - UFJF Objetivo básico da aula de hoje... Ao final espera-se que os alunos dominem as práticas de análise de risco em projetos de investimento Discutir as formas de se levar em consideração o risco específico na análise de investimentos, enfocando a Introdução à Simulação 3 Prof. MSc. Frederico Miana - UFJF Referências Bibliográficas para esta aula LAPPONI Capítulo 10: Análise de Risco SAMANEZ Capítulo 4 – Técnicas para Análise e Otimização de Projetos de Investimento BREALEY & MYERS Capítulo 10: Por Um Projeto Não é uma Caixa-Preta 4 Prof. MSc. Frederico Miana - UFJF Risco Específico em Análise de Investimento deve ser incorporado através de diversos mecanismos de análise Incerteza deve ser levada em consideração na Análise de Investimentos Incerteza deve ser levada em consideração na Análise de Investimentos Formas de Tratamento do Risco Específico em Projetos de Investimento Formas de Tratamento do Risco Específico em Projetos de Investimento Simulação de Monte Carlo Análise de Sensibilidade Análise de Cenários Árvores de Decisão Análise de Equilíbrio Risco Sistêmico: ajuste na TAXA de desconto Risco Específico: ajuste no FLUXO do investimento O objetivo é avaliar o impacto da incerteza sobre a métrica de avaliação do projeto, em geral seu NPV 5 Prof. MSc. Frederico Miana - UFJF Antes de falarmos sobre SMC, algumas considerações importantes sobre simulação em geral Tipos de SimulaçãoTipos de Simulação O que simulação faz e não fazO que simulação faz e não faz • Determinística x Probabilística (variáveis de entrada conhecidas ou aleatórias) • Estática x Dinâmica (alteração do modelo no tempo) • Discreta x Contínua (equações de diferenças x equações diferenciais) Principal foco são as simulações Probabilísticas, Estáticas e Discretas • Simulação não é otimizante, mas apenas avalia possíveis resultados segundo a lógica do “What If” • Simulação não propões alternativas, apenas as testa • Qualidade dos resultados depende dos Dados e do Modelo - Dados Pobres Resultados Pobres - Modelo Pobre Resultados Pouco Confiáveis • Simulações apenas respondem a situações previstas em seus modelos 6 Prof. MSc. Frederico Miana - UFJF Origem da simulação remonta à Agulha de Buffon para demonstração empírica do valor de π (Pi) D L Ex: n = 1.000 Georges L. Buffon (1707-1788): Prob. (Agulha cruzar linha) = (2*L) / (p*D) Se D = L Prob = 2 / p Determinação empírica do valor de Pi, lançando ao acaso uma agulha sobre uma superfície plana cortada por retas (tábuas) paralelas SUCESSOS ESTIMATIVA PI ERRO 792 3,1680 0,0264 779 3,1160 0,0256- 785 3,1400 0,0016- 791 3,1640 0,0224 793 3,1720 0,0304 7 Prof. MSc. Frederico Miana - UFJF Simulação de Monte Carlo (SMC) é uma forma de se ampliar o conhecimento dos pontos fortes e fracos do risco de um projeto Origem da SMCOrigem da SMC Quando e para quê utilizar SMCQuando e para quê utilizar SMC • SMC foi desenvolvida pelos matemáticos John von Neumann e Stanislaw Ulam na déc. 40 durante o Projeto Manhattan (bomba atômica), usando-se NÚMEROS ALEATÓRIOS • Nome faz referência ao Cassino de Monte Carlo, fundado em 1862 em Mônaco, devido ao caráter confidencial das pesquisas e à presença de aleatoriedade característica de jogos de azar nas pesquisas do Projeto Manhattan1 • Foi originariamente desenvolvido para solução de problemas relacionados a integrais múltiplas para estudo da difusão de nêutrons • SMC deve ser usada nas situações em que houver dificuldade na obtenção de distribuições de probabilidade de forma analítica • SMC tem a vantagem de permitir a simulação computacional de eventos que seriam impossíveis ou muito dispendiosos de serem replicados em um modelo prático • SMC gera a possibilidade de se considerar diversas fontes de variabilidade na modelagem de fluxos de caixas em Orçamentos de Capital, conforme defendido por David Hertz (HBR, 1979) • Variáveis que impactam o NPV do projeto e que tenham risco são tratadas como variáveis aleatórias, e a SMC auxilia na estimação da distribuição de probabilidade que melhor descreva o comportamento de cada variável aleatória do modelo 1. Reza a lenda que o nome Simulação de Monte Carlo na verdade foi uma homenagem ao tio de Ulam, assíduo frequentador deste cassino em Mônaco 8 Prof. MSc. Frederico Miana - UFJF Devemos ter cuidado para não utilizarmos a Simulação de Monte Carlo de forma inadequada Cuidado com os “excessos” na SMCCuidado com os “excessos” na SMC Modelagem para SMC também requer atenção Modelagem para SMC também requer atenção • Segundo Brealey & Myers, não é boa prática a simulação com objetivo de se encontrar uma distribuição de NPV a ser descontada pela taxa Rf (taxa livre de risco) no lugar do custo de oportunidade de capital • SMC deve ser utilizada para simular os valores das variáveis aleatórias do fluxo de caixa de um projeto • SMC NÃO deve ter como resultado a entrega de distribuições de NPVs ou de distribuições de Taxas de Retorno • O que deve ser simulado são as VARIÁVEIS que compõem o Fluxo de Caixa, mas o resultado final será apenas UM ÚNICO NPV calculado à “moda antiga” • Softwares como Excel, RNG, Arrisca, @Risk e Cristall Ball tornaram a tarefa de simulação de números aleatórios em si bastante simples • O que acarreta grande dificuldade e complexidade é a modelagem do que será simulado • Deve-se sempre ter muito cuidado na construção do modelo que gerará o Fluxo de Caixa do projeto, bem como na definição das variáveis que serão objeto de simulação • Interpretação dos resultados também requer cuidados, conforme ensinamentos do Princípio ELSA: “Entrando Lixo Sairá Asneira”! 9 Prof. MSc. Frederico Miana - UFJF Etapas para Simulação de Monte Carlo ETAPA 1 Modelar a Estratégia ETAPA 2 ETAPA 3 Identificação das variáveis aleatórias e definição do modelo de cálculo do Fluxo de Caixa e do NPV do projeto, indicando a forma como as diversas variáveis interagem entre si (interdependência) Calcular o NPV a partir do Fluxo de Caixa simulado e interpretar os resultados Especificar as Probabilidades Simular os Fluxos de Caixa Especificação da distribuição de probabilidades de cada variável aleatória considerada no modelo (erros de previsão) Início do processo de simulação, com combinação aleatória entre os resultados simulados das diversas variáveis e coleta dos resultados gerados do Fluxo de Caixa a cada rodada e iteração (Lei dos Grandes Números recomenda pelo menos 100 iterações) ETAPA 4 10 Prof. MSc. Frederico Miana - UFJF Principais fatores de incerteza (variáveis aleatórias) e suas distribuições de probabilidade usadas na SMC Variáveis aleatórias mais comunsVariáveis aleatórias mais comuns Principais distribuições de probabilidade utilizadas na simulação destas variáveis Principais distribuições de probabilidade utilizadas na simulação destas variáveis • Custos: - Investimentos - Operação • Vendas - Tamanho do mercado - Market Share - Taxa de crescimento do mercado e do market share • Ganhos tecnológicos • Vida útil do projeto (mercado e equipamento) • Concorrência • Taxa de juros • Valor do negócio (Ex: jazidas minerais) • Distribuição de probabilidade que melhor explica a variável aleatória em geral é definidas a partir de: - Séries Históricas- Avaliação Subjetiva (Opinião de Especialistas) • Modelos mais utilizados: - Uniforme - Triangular - Beta - Normal ou Normal Truncada - LogNormal - Empírica (Discreta e Contínua) 11 Prof. MSc. Frederico Miana - UFJF Distribuições de probabilidade apresentam diferentes “assinaturas” gráficas de acordo com suas premissas (1) Distribuições DISCRETAS usando add-in RNG.xla Excel 0,00 0,10 0,20 0,30 0,40 0 1 2 3 4 5 6 7 8 9 10 RNGBinomial(10,0.2) 0,00 0,10 0,20 0,30 0,40 0 1 2 3 4 5 6 7 8 9 10 RNGBinomial(10,0.5) 0,00 0,10 0,20 0,30 0,40 0 1 2 3 4 5 6 7 8 9 10 RNGBinomial(10,0.8) 0,00 0,10 0,20 0,30 0,40 0,50 20 21 22 23 RNGDiscrete({20,21,22,23},{.15,.35,.45,.05} ) 0,00 0,10 0,20 0,30 0,40 0,50 20 21 22 23 RNGDuniform(20,23) 0,00 0,10 0,20 0,30 0,40 0 1 2 3 4 5 6 7 8 9 10 RNGPoisson(0.9) 0,00 0,10 0,20 0,30 0,40 0 1 2 3 4 5 6 7 8 9 10 RNGPoisson(2) 0,00 0,10 0,20 0,30 0,40 0 2 4 6 8 10 12 14 16 18 20 RNGPoisson(8) 12 Prof. MSc. Frederico Miana - UFJF Distribuições de probabilidade apresentam diferentes “assinaturas” gráficas de acordo com suas premissas (2) RNGNormal(20,1.5) 0,00 0,10 0,20 0,30 12 14 16 18 20 22 24 26 28 RNGNormal(20,3) 0,00 0,10 0,20 0,30 12 14 16 18 20 22 24 26 28 RNGTnormal(20,3,15,23) 0,00 0,10 0,20 0,30 11 13 15 17 19 21 23 25 27 29 RNGChisq(2) 0,00 0,10 0,20 0,30 0,40 0,50 0 2 4 6 8 10 12 RNGChisq(5) 0,00 0,10 0,20 0,30 0,40 0,50 0 2 4 6 8 10 12 14 16 18 RNGExponential(5) 0,00 0,10 0,20 0,30 0,40 0,50 0 2 4 6 8 10 RNGTriang(3,4,8) 0,00 0,10 0,20 0,30 0,40 0,50 2,5 3,5 4,5 5,5 6,5 7,5 8,5 RNGTriang(3,7,8) 0,00 0,10 0,20 0,30 0,40 0,50 2,5 3,5 4,5 5,5 6,5 7,5 8,5 RNGUniform(40,60) 0,00 0,05 0,10 0,15 30,0 40,0 50,0 60,0 70,0 Distribuições CONTÍNUAS usando add-in RNG.xla Excel 13 Prof. MSc. Frederico Miana - UFJF Como gerar números aleatórios no Excel sem nenhum add-in ou programa de terceiros? Geração de Valores Aleatórios Normais Geração de Valores Aleatórios Uniformes Valores reais entre 0 e 1 Valores normais Função - Contínua (números contínuos): Aleatório () ou Rand() - Discreta (apenas números inteiros): AleatórioEntre (inf, sup) ou RandBetween(bottom, top) Função Inv.Norm(aleatório(),média,dp) Para fazer diversas iterações deve-se habilitar o recálculo manual através da tecla F9 14 Prof. MSc. Frederico Miana - UFJF Para gerarmos números aleatórios seguindo outras distribuições de probabilidade, é necessário uso de add-ins RNG.xla ARRISCA.xla http://go.palisade.com/RISKDownload.html 15 Prof. MSc. Frederico Miana - UFJF Aplicação Prática Simulação de Monte Carlo – Problema do Triângulo 1. Uma haste, com um metro de comprimento, é aleatoriamente cortada em dois pontos uniformemente distribuídos, resultando assim em 3 hastes de comprimento aleatório. Qual é a probabilidade de que estes três pedaços formem um triângulo? a) Calcular analiticamente esta probabilidade b) Conseguindo ou não resolver o item a, estime esta probabilidade através de simulação Monte Carlo, fazendo 20 corridas com n = 1.000 tentativas cada 16 Prof. MSc. Frederico Miana - UFJF Aplicação Prática Simulação de Monte Carlo – Problema do Triângulo 1. Uma haste, com um metro de comprimento, é aleatoriamente cortada em dois pontos uniformemente distribuídos, resultando assim em 3 hastes de comprimento aleatório. Qual é a probabilidade de que estes três pedaços formem um triângulo? a) Calcular analiticamente esta probabilidade 17 Prof. MSc. Frederico Miana - UFJF Na próxima aula continuaremos as discussões sobre Simulação de Monte Carlo
Compartilhar