Revista N12

Representante Legal Director Responsable Director Responsable Reemplazante Editor
Luis Riveros C. Claudio Bonilla M. Domingo Fabres V. Domingo Fabres V.
COMIT EDITORIAL Carmen Bastidas M. Liliana Neriz J. Mario Biondi Oscar Johansen B. Jos Lanez G. Antonio Lopes de S Peter Roberts V. Jorge Serrano R. Luis Werner-Wildner Q. Gustavo Zurita A. Universidad Santo Toms Universidad de Chile Universidad de Buenos Aires Universidad de Ciencias de la Informtica Universidad de Zaragoza Universidad do Rio Grande Universidad de Ciencias de la Informtica Sonacol Colegio de Contadores de Chile A.G. Universidad de Chile
Secretaria Revista Mara Fontecilla Y. Direccin: Diagonal Paraguay 257 Piso 13 Santiago Email: mfonteci@fen.uchile.cl Telfono (56-2) 9783331 Fax (56-2) 6351679 C.P. 8330015 Revista Estudios de Informacin y Control de Gestin N 12 Primer Semestre ao 2007 Impresin: Tiro Retiro Impresores Fono: (56-2) 4818632 Fax: (56-2) 4818633 www.tiroretiro.cl Santiago - Chile 2
NDICE
N 12 Primer Semestre 2007
ISSN 0717-2753
1. Tcnicas avanzadas para la prediccin de la variacin del Ishare MSCI Brazil Index (EWZ)______ 5
Antonino Parisi Arturo Rodrguez Cristian Gaete.
2. Qualitative Choice And Logit Models Applied To Price Optimization __________________________ 55

Luciano Correa V.
3. De Costo Histrico a Valor Justo: Efectos en Activo Fijo e Intangible_________________ 81

Mara Paulina Zunino Karina Chanda
4. Aplicacin del mtodo de cascada para el desdoblamiento del cuadro de mando integral en una empresa textil ___________________________ 105
Pamela Moraga Eduardo Salazar
Universidad de Chile Faculta de Economa y Negocios Departamento de Control de Gestin y Sistemas de Informacin
TCNICAS AVANZADAS PARA LA PREDICCIN DE LA VARIACIN DEL ISHARE MSCI BRAZIL INDEX (EWZ)
Antonino Parisi F. PhD En Economa y Finanzas, Universidad Complutense Licenciado en Administracin de Empresas, Universidad de Chile Ingeniero Comercial, Universidad de Chile Profesor Asistente, Departamento de Administracin Chair Professor in Finance Euroamrica Arturo Rodrguez PhD in Business Administration Tulane University M.A.in Economics Tulane University MBA in Tulane University BBB Universidad de Puerto Rico, Ro Piedras Asesor de Empresas Cristin Gaete P. Magster en Finanzas, Universidad de Chile Magster en Gestin y Direccin de Empresas, Universidad de Chile. Licenciado en Ciencias de la Ingeniera, mencin Ingeniera Elctrica Ingeniero Civil Electricista, Universidad de Chile. Sub Gerente, Control de Gestin, ENTEL S.A.
Resumen
Utilizando valores de cierre semanales, correspondientes al perodo entre el 4 de mayo de 2001 y el 12 de mayo de 2006, se analiza la ecacia de los modelos multivariados dinmicos, construidos a partir de recursividad, rolling, algoritmos genticos, redes neuronales, fractales y lgica borrosa para predecir el signo de las variaciones semanales del iShare MSCI Brazil Index (EWZ). Los resultados fueron comparados con los de un modelo ARMA(0,6), ARMA(6,6) y ARMA(2,6). Los dos mejores modelos encontrados corresponden a modelos producidos por algoritmo gentico y arrojaron un porcentaje de prediccin de signo (PPS) de un 70,8% y 70,0%, para la variacin de cierre semanal del iShare EWZ. El tercer mejor modelo fue producido 5
por redes neuronales ward con funcionamiento rolling, el que arroj un PPS de 70,0% para la variacin del iShare EWZ. Adems, los modelos construidos por lgica borrosa, redes neuronales ward recursivas, fractales y recursivas arrojaron tambin elevados PPS, alcanzando el 67,7%, 66,2%, 65,4%, 64,6%, respectivamente, para la variacin semanal del iShare EWZ. La capacidad predictiva result signicativa en cada uno de estos modelos, de acuerdo al test de acierto direccional de Pesaran & Timmerman (1992). Al analizar el PPS de los modelos ARMA estudiados, se encontr que stos fueron menores, no resultando signicativos. Finalmente, la capacidad predictiva de estos modelos multivariados dinmicos encontrados se tradujo en benecios econmicos, ya que stos superaron en rentabilidad a la estrategia de inversin pasiva o buy and hold, la cual evidenci la rentabilidad ms baja, con la sola excepcin del modelo recursivo. Los autores desean agradecer a Aldo Bombardiere por sus importantes comentarios y a Daniel Martnez por su labor como asistente de investigacin.
1. Introduccin
Este estudio analiza la ecacia de los modelos multivariados dinmicos construidos a partir de recursividad, rolling, algoritmos genticos, redes neuronales, fractales y lgica borrosa para predecir el signo de las variaciones semanales del iShare MSCI Brazil Index (EWZ)1. El presente trabajo busca mostrar la utilidad de estos tipos de modelamientos en la determinacin de un modelo multivariado dinmico que maximice el porcentaje de prediccin de signo, entendiendo que la prediccin de la direccin del movimiento del precio accionario es relevante para desarrollar estrategias de transaccin efectivas (Leung, Daouk & Chen, 2000). En este estudio 14 de los 24 modelos de mayor PPS, obtuvieron rentabilidades que superaron a la estrategia pasiva. La hiptesis de mercados ecientes (Fama, 1970) plantea que el mercado reeja completa y correctamente toda la informacin relevante para la determinacin de los precios de los activos. Debido a que el surgimiento de nueva informacin es de carcter aleatorio, los cambios registrados por los precios accionarios tambin lo seran. Esto ha llevado a muchos analistas nancieros y acadmicos a sealar que las uctuaciones de los precios accionarios siguen una caminata aleatoria (random walk), donde el concepto de aleatoriedad se reere a que las variaciones de precios son generadas a partir de un cierto tipo de proceso estocstico. No obstante,
1 El iShare MSCI Brazil Index (EWZ) le otorga al inversionista propiedad sobre el ndice del Morgan Stanley Capital International (MSCI) correspondiente a acciones brasileas en l contenidas. Este iShare intenta proporcionar los resultados de la inversin que corresponde generalmente al precio y desempeo de acciones transadas en el mercado brasileo, medido por el MSCI Brazil index (este ndice consiste de acciones comercializadas bsicamente en la Bolsa de Valores de Sao Paulo, Bovespa). El fondo utiliza una muestra representativa para intentar trackear dicho ndice.
varios estudios han concluido que existe evidencia signicativa que los precios accionarios no siguen una caminata aleatoria y muestran que los retornos accionarios son predecibles en algn grado (ver, por ejemplo, Lo & MacKinlay, 1988; Conrad & Kaul, 1988, 1989; DeBondt & Thaler, 1985; Fama & French, 1988, Poterba & Summers, 1988; Chopra, Lakonishok & Ritter, 1992; y Blume, Easley & OHara, 1994). Es decir, se ha mostrado que la idea del carcter aleatorio de las uctuaciones de los precios burstiles es errnea. En consecuencia, se asume que las regularidades que puedan contener las series histricas de variaciones de precios e ndices burstiles, pueden ser capturadas por los modelos de series de tiempo, de redes neuronales, de algoritmos genticos, de fractales y de lgica borrosa. En este sentido, Parisi y Parisi2 han aportado a la literatura nanciera a travs de la utilizacin de sistemas predictivos no paramtricos tales como redes neuronales, lgica borrosa y algoritmos genticos. Dichas tcnicas no basan sus capacidades predictivas en la utilizacin de supuestos de normalidad en los retornos de los activos nancieros, mostrando que es posible obtener altas capacidades predictivas, estadsticamente signicativas y econmicamente rentables, sin depender de dichos supuestos. No obstante, el grado de predictibilidad de los retornos es generalmente considerado econmicamente no signicativo, por lo que Hodgson & Nicholls (1991) sugieren evaluar la signicancia econmica de predecir la direccin de los cambios en los precios de los activos. En esta materia, Leung, Daouk & Chen (2000) compararon la capacidad predictiva de los modelos de clasicacin3 con los de estimacin de nivel4 y concluyeron que los primeros5 se desempean mejor que los segundos en trminos de su tasa de acierto6, y son capaces de generar benecios ms altos. Esto ltimo resulta relevante para los analistas de mercado, agentes de Bolsa y para toda la comunidad nanciera, ya que indican que deben centrar sus esfuerzos en predecir con precisin la direccin de los movimientos de los precios e ndices burstiles, en vez de minimizar la desviacin de las estimaciones de los valores observados. Basado en lo anterior es que este estudio analiza la ecacia de los modelos multivariados dinmicos construidos a partir de recursividad, rolling, algoritmos genticos, redes neuronales, fractales y lgica borrosa para predecir el signo de las variaciones semanales del iShare EWZ7. El documento se divide en cinco secciones: la seccin dos contiene una breve resea sobre los iShares y sobre el iShare EWZ; la seccin tres presenta el marco terico del estudio; la seccin cuatro describe los datos y la metodologa utilizada; nalmente, la seccin cinco presenta los
2 3 4 5 6 7
Vase por ejemplo Parisi, A., Parisi, F. & Guerrero, J.L. (2003). Modelos Predictivos de Redes Neuronales en ndices Burstiles. El Trimestre Econmico, Mxico. Linear discriminant analysis, logit model, probit model y probabilistic neural network. Adaptive exponential smoothing, vector autoregression with Kalman lter, multivariate transfer function y multilayered feedforward neural network. Los cuales son propuestos para predecir el signo o la direccin del retorno de los ndices burstiles S&P 500, FTSE 100 y TSE. Medida por el nmero de veces en que la direccin pronosticada es correcta. Para la realizacin del estudio, se tomaron 261 observaciones semanales del cambio de precio del iShare EWZ, correspondientes al perodo comprendido entre el 4 de mayo de 2001 y el 12 de mayo de 2006.
resultados de los distintos modelos multivariados dinmicos encontrados y los compara con los de un modelo Box-Jenkins, presentando tambin las conclusiones del estudio.
2. Datos y Metodologa
2.1. Datos
Para la realizacin del estudio, se tomaron 261 observaciones semanales8 del cambio de precio del iShare EWZ, correspondientes al perodo comprendido entre el 4 de mayo de 2001 y el 12 de mayo de 20069. Los modelos consideran como variable de salida la primera diferencia del precio de EWZ, correspondiendo sta al perodo t (EWZt) que representa el futuro inmediato (es decir, one step ahead). Como variables exgenas se ha incluido el ndice burstil DJI10, debido a que se considera que ste es un indicador lder de lo que ocurre en los mercados burstiles internacionales y el ndice burstil BVSP11, por ser el indicador que ms representa el movimiento burstil de Brasil, de donde provienen las acciones que componen el iShare EWZ.
2.2. Metodologa 2.2.1. Modelos Multivariados Recursivo y Rolling

Las modelos multivariados recursivo y rolling son modelos economtricos del tipo ARIMAX12, en los cuales se busca una aproximacin a una nube de puntos a travs de una regresin lineal, ajustando los ponderadores de las variables explicativas para obtener el menor error cuadrtico medio entre el valor observado y el valor proyectado. En este caso especial de regresin, las variables explicativas corresponden a los rezagos de la misma variable, los errores de prediccin de los periodos anteriores y variables exgenas. En otras palabras, estos modelos intentan modelar la relacin lineal entre Yt y sus variables explicativas, de la forma como se presenta en la siguiente ecuacin. Yt = 1 . Yt-1 + ... + p . Yt-p + 1 . Xt-1 + ... + q . Xt-q + 1 . t-1 + ... + r . t-r + t (1)
8 9 10 11 12
Se trabaj con valores de cierre semanales debido a que los administradores de fondos de inversin tienden a recomponer sus portafolios en funcin de pronsticos semanales. Ver resumen estadstico de los datos en el Anexo N 3. Dow Jones Industry (DJI) de la New York Stock Exchange (NYSE), USA. ndice de la Bolsa de Valores de Sao Paulo, Brasil. AR, autorregresivo, es decir, considera como variables explicativas rezagos de la propia variable que se desea explicar; MA, medias mviles, esto es, considera como variables explicativas rezagos del error de prediccin en perodos anteriores; X, considera como variables explicativas a variables exgenas.
Donde p, q y r son los subndices que representan el mximo orden de rezagos de la misma variable Yt, de la variable exgena Xt y de los errores de prediccin del modelo t, respectivamente. Los parmetros 1, , p, 1, , q, 1, , r son los que se quiere encontrar para minimizar el error cuadrtico medio entre el valor observado de Yt (en el instante de tiempo t) y el valor proyectado por el modelo para Yt (en el instante t-1). El objetivo consiste en encontrar el modelo multivariado recursivo o rolling que maximice el porcentaje de prediccin de signo de las variaciones de precio semanales del iShare EWZ. El modelo multivariado utilizado es un modelo de series de tiempo que expresa el comportamiento de una variable en funcin de sus valores rezagados, de rezagos de variables exgenas y de rezagos de los residuos del modelo. Como variables exgenas se ha incluido el DJI y el BVSP. Por tratarse de un modelo ARIMAX estimado en diferencia, esto es, para predecir el signo de las uctuaciones semanales del iShare EWZ (EWZt), las variables de entrada utilizadas fueron la primera diferencia rezagada del precio de EWZ de uno a tres perodos (EWZt-1, EWZt-2, EWZt-3), los errores de prediccin del modelo de uno a tres perodos (t-1, t-2, t-3), introducidos como variables explicativas para que el modelo se ajuste por los errores cometidos. Por ltimo, considera dos variables exgenas: la primera diferencia rezagada del ndice burstil DJI de uno a tres perodos (DJIt-1, DJIt-2, DJIt-3) y la primera diferencia rezagada del ndice burstil BVSP de uno a tres perodos (BVSPt-1, BVSPt-2, BVSPt-3). A continuacin se presenta este modelo: EWZt = 1 . DJIt-1 + 2 . DJIt-2 + 3 . DJIt-3 + 1 . BVSPt-1 + 2 . BVSPt-2 + 3 BVSPt-3 + 1 EWZt-1 + 2 EWZt-2 + 3 EWZt-3 + 1 t-1 + 2 t-2 + 3 t-3 + t
. . . . . . .
(2)
Esto es, se pretende proyectar, en el instante de tiempo t-1, el signo de variacin que experimentar el iShare EWZ en el instante de tiempo t. En la ecuacin (2) el trmino t corresponde al trmino de error del modelo. Se trabaj con un mximo de 3 rezagos para los trminos AR, MA y X, por lo que el mximo nmero de variables fue de 12. De acuerdo a las matemticas binarias, una cadena de largo L permite representar 2L soluciones posibles. En consecuencia, se cuenta con un total de 4.096 modelos, para cada tcnica (recursiva o rolling) para predecir la direccin de las uctuaciones del iShare EWZ, entre los cuales se realizar la bsqueda de la mejor solucin. A continuacin, se evalu la calidad de cada modelo en funcin del porcentaje de prediccin de signo alcanzado (PPS). La evaluacin se realiz sobre la base de un conjunto extramuestral de 130 datos semanales, utilizando un proceso recursivo13. Para ello se dividi la
13 La recursividad ha sido empleada para medir el desempeo de modelos para proyectar el signo de las variaciones de ndices burstiles internacionales (Parisi, Parisi & Guerrero, 2003. Modelos Predictivos de Redes Neuronales en ndices Burstiles. El Trimestre Econmico, Mxico).
muestra total en dos: una de tamao n (131 datos) para estimar los coecientes , , y de cada modelo a travs de la minimizacin de la suma del cuadrado de los residuos del modelo; y otra de tamao m (conjunto extramuestral de 130 datos) para evaluar la capacidad predictiva de los modelos. De esta manera, los modelos multivariados construidos por medio de la tcnica recursiva y rolling se estimaron a travs de mnimos cuadrados ordinarios, pero fueron evaluados en funcin de su capacidad para predecir el signo de los movimientos del iShare EWZ. En particular, el funcionamiento recursivo agrega, a travs de un algoritmo iterativo, nueva informacin a la ya estudiada por la red. Por su lado, el funcionamiento rolling trata de capturar el hecho de que los agentes al formar sus expectativas no utilizan toda la informacin histrica, sino que desechan la ms antigua a medida que sta se va haciendo obsoleta e incorporan la informacin ms reciente a su set de informacin relevante para tomar decisiones. Para buscar los mejores modelos, se fueron probando aleatoriamente 250 distintos subconjuntos del conjunto de variables de entrada del modelo, indicadas anteriormente en la ecuacin (2)14. Adems, para la tcnica rolling se probaron aleatoriamente 250 distintos subconjuntos del conjunto de variables de entrada del modelo con distintos tamaos de rolling15. Para ambas tcnicas se procedi a medir el PPS intramuestral del modelo de la siguiente manera:
PPSintramuestral =
p
i=1
1, Si EWZi x EWZi > 0 pi = 0, En otro caso
i = 1, , n
(3)
14
15
Cada variable de entrada considerada en la ecuacin (2) fue multiplicada por un bit, el que poda tomar aleatoriamente el valor de 0 1; cuando toma el valor de 0, la variable que representa no ser incluida en el modelo, mientras que cuando toma el valor de 1, la variable representada s formar parte del modelo. Se eligieron tamaos de rolling de 28, 29, 30, 31 y 32 semanas.
10
Donde representa la variacin observada y la variacin estimada. Al ir avanzando la prueba aleatoria de parmetros, y cada vez que se encontraba un modelo que superaba un PPS intramuestral del 60%, entonces se proceda a evaluar el modelo encontrado en el conjunto extramuestral. Para los modelos que cumplan con la condicin anterior, y una vez proyectado el signo de la variacin del iShare EWZ para el perodo n+1, se proceda a incluir la variacin observada correspondiente en la muestra de tamao de n con el objeto de re-estimar los coecientes del modelo, contando ahora con una observacin ms16. As, el mismo modelo pero con sus coecientes recalculados, es utilizado para realizar la proyeccin correspondiente al periodo n+2. Este procedimiento recursivo se llev a cabo una y otra vez hasta acabar con las observaciones del conjunto extramuestral. En este instante se procede a evaluar el modelo con los parmetros encontrados en el conjunto extramuestral, procedindose a medir el PPS de la siguiente manera:
PPSextramuestral =
p
j=n+1
n+m
1, Si EWZj x EWZj > 0 pj = 0, En otro caso

(4)
j = n+1, , m
Donde representa la variacin observada y la variacin estimada. Esto es, se compara el signo de la proyeccin con el signo de la variacin observada en cada j-simo perodo, donde j = n+1, ..., m. Si los signos entre la proyeccin y el observado coinciden, entonces aumenta la efectividad del modelo analizado y, en caso contrario, disminuye su capacidad predictiva.
16
De esta forma, la muestra uno (de tamao n) se extiende a n+1 observaciones y la muestra dos (de tamao m) se contrae a m-1 datos.
11
2.2.2. Algoritmos Genticos17, 18

Los algoritmos genticos, introducidos por Holland (1975), consisten en una funcin matemtica o una rutina que simula el proceso evolutivo de las especies, teniendo como objetivo encontrar soluciones a problemas especcos de maximizacin o minimizacin19. As, el algoritmo gentico recibe como entrada una generacin de posibles soluciones para el problema en cuestin, y arroja como salida los especimenes ms aptos (es decir, las mejores soluciones) para que se apareen y generen descendientes, los que deberan tener mejores caractersticas que las generaciones anteriores. El objetivo del algoritmo gentico consiste en encontrar el modelo multivariado dinmico que maximice el porcentaje de prediccin de signo de las variaciones de precio semanales del iShare EWZ. El modelo multivariado dinmico utilizado es un modelo de series de tiempo que expresa el comportamiento de una variable en funcin de sus valores rezagados, de rezagos de variables exgenas y de rezagos de los residuos del modelo. Como variables exgenas se ha incluido el DJI y el BVSP. El modelo se basa en el algoritmo gentico simple, el cual trabaja con cadenas binarias de largo jo en representacin de las posibles soluciones al problema. El modelo multivariado dinmico usado para predecir el signo de las uctuaciones semanales del iShare EWZ (EWZt) considera como variables de entrada a la primera diferencia rezagada del ndice burstil DJI de uno a p perodos (DJIt-1, , DJIt-p), a la primera diferencia rezagada del ndice burstil BVSP de uno a q perodos (BVSPt-1, , BVSPt-q) y a la primera diferencia rezagada del precio de EWZ de uno a r perodos (EWZt-1, , EWZt-r). A continuacin se presenta este modelo: EWZt = 1 . DJIt-1 + + p . DJIt-p + 1 . BVSPt-1 + + q . BVSPt-q + 1 . EWZt-1 + + r . EWZt-r + 1 . t-1 + + s . t-s + t (5)
Donde t corresponde al trmino de error del modelo y los subndices p, q, r y s, representan el mximo orden de rezagos de las variables de entrada.
2.2.3. Codicacin y Poblacin Inicial

Se trabaj con un mximo de 3 rezagos20 para los trminos p, q, r y s, por lo que el mximo nmero de variables fue de 12. Cada variable fue representada con un bit y, por lo tanto, el largo
17 18 Parisi, Antonino & Parisi, Franco. CD Teora de Inversiones, Palermo Multimedia. Parisi, Antonino; Parisi, Franco & Cornejo, Edinson. Algoritmos Genticos y Modelos Multivariados Recursivos en la Prediccin de ndices Burstiles de Amrica del Norte: IPC, TSE, NASDAQ y DJI. Publicado en El Trimestre Econmico, N284, pp. 789-810, 2004. Al momento de aplicar un modelo de algoritmos genticos, se debe identicar correctamente el problema de maximizacin o minimizacin a tratar. Si el problema en cuestin no es de ese tipo, se deber buscar otro mtodo para abordarlo. Se trabaj con un mximo de 3 rezagos para cada variable incluida en los modelos, debido a las restricciones que
19
20
12
de la cadena binaria result igual al mximo nmero de variables del modelo21. De acuerdo a las matemticas binarias, una cadena de largo L permite representar 2L soluciones posibles. En consecuencia, se cuenta con un total de 4.096 modelos para predecir la direccin de las uctuaciones del iShare EWZ (derivados de la ecuacin 5), entre los cuales el algoritmo gentico realizar la bsqueda de la mejor solucin.
2.2.4. Evaluacin de la Prediccin

A continuacin, se evalu la calidad de cada modelo de una determinada generacin en funcin del porcentaje de prediccin de signo alcanzado (PPS). Para ello se dividi la muestra total en dos: un conjunto intramuestral de tamao n (conjunto de 131 datos semanales, entre el 4 de mayo de 2001 y el 7 de noviembre de 2003) para estimar los coecientes , , y del modelo a travs de una bsqueda aleatoria de 10.000 iteraciones para encontrar los mejores coecientes por cada cadena binaria; y un conjunto extramuestral de tamao m (conjunto de 130 datos semanales, entre el 14 de noviembre de 2003 y el 12 de mayo de 2006) para evaluar la capacidad predictiva del modelo. De esta forma, se fueron tomando cada uno de los modelos para cada generacin y estimando aleatoriamente 10.000 veces los coecientes del modelo para el conjunto intramuestral. Se procedi a medir el PPS de cada modelo como se indic en la expresin (3). Al ir avanzando la prueba aleatoria de parmetros, de 1 a 10.000, y cada vez que se encontraban coecientes que superaban un PPS intramuestral del 60%, entonces se evaluaba el modelo con los parmetros encontrados en el conjunto extramuestral, procedindose a medir el PPS de la forma como se indic en la expresin (4).
21
se tienen en trminos de capacidad de procesamiento de datos y de tiempo. Incorporar un rezago adicional como variable explicativa, signicara que el nmero de combinaciones o de posibles modelos aumentara desde 4.096 (212) a 65.536 (216), mientras que trabajar con un mximo de 5 rezagos incrementara la poblacin de posibles modelos a 1.048.576 (220). Esto, dada la actual capacidad de procesamiento de datos, elevara signicativamente la complejidad y el tiempo necesario para buscar una solucin al problema que nos interesa resolver, y lo hara inmanejable. El primer bit de la cadena representar al ndice DJI, en primera diferencia y rezagado un perodo; el bit 2 representar al rezago 2 de la variacin del ndice DJI; el bit 3 representar al rezago 3 de la variacin del ndice DJI; el bit 4 representar al ndice BVSP, en primera diferencia y rezagado un perodo; el bit 5 representar el rezago 2 de la variacin del ndice BVSP; el bit 6 representar el rezago 3 de la variacin del ndice BVSP; el bit 7 representar al propio iShare EWZ, en primera diferencia y rezagado en un perodo; el bit 8 representar el rezago 2 de la variacin del iShare EWZ; el bit 9 representar el rezago 3 de la variacin del iShare EWZ; el bit 10 corresponder al residuo del modelo rezagado un periodo; el bit 11 corresponder al residuo del modelo rezagado dos periodos; y, nalmente, el bit 12 representar al tercer rezago del residuo. Cada bit puede tomar el valor de 0 1: cuando tome el valor de 0, la variable que representa no ser incluida en el modelo, mientras que cuando tome el valor de 1, la variable representada s formar parte del modelo. Una vez realizada la codicacin de los modelos, se comenz a trabajar con el algoritmo gentico. La primera generacin de modelos (o poblacin inicial), de un tamao de 80, se obtuvo aleatoriamente desde el rango de inters.
13
De esta manera, los modelos multivariados construidos por medio de algoritmos genticos se estimaron a travs de una bsqueda aleatoria de sus parmetros, pero fueron evaluados en funcin de su capacidad para predecir el signo de los movimientos del iShare EWZ.
2.2.5. Seleccin y Generacin de Descendencia

Se utiliz el mtodo window para asignar las probabilidades de seleccin a la poblacin, usando como valor de calidad inicial el porcentaje de prediccin de signo (PPS) extramuestral de cada modelo. Esta forma de asignacin impide que los peores ejemplares de una generacin sean elegidos para la reproduccin. Los ejemplares supervivientes al proceso de seleccin son empleados para generar a los individuos de una nueva generacin (proceso de reproduccin). Para ello se les aplican los denominados operadores genticos: clonacin, cruce y mutacin. Con la clonacin los mejores modelos son copiados exactamente a la siguiente generacin. Por su parte, con el operador de cruce se seleccionan parejas de individuos segn el criterio de calidad escogido para intercambiar sus genes y crear un descendiente. Por ltimo, la mutacin implica el reemplazo aleatorio de algn gen del descendiente en un porcentaje reducido de individuos. En denitiva, la nueva poblacin generada a partir de la poblacin inicial estar constituida por individuos clonados, cruzados y mutados. De esta forma, la nueva generacin de modelos se obtiene clonando los tres mejores modelos de la generacin actual, esto es, se traspasan a la siguiente generacin sin alteracin22. Para completar la nueva generacin de 80 modelos, se seleccionan a los padres a travs del mtodo de la ruleta truncada, especicando que el 12,5% ms apto, es decir, los 10 mejores modelos con PPS extramuestral de la generacin actual se reproducirn23. Para el cruce, se van seleccionando aleatoriamente dos individuos padres de los 10 mejores modelos, para que generen un hijo y hasta completar una descendencia de 77 individuos, cuyos genes tendrn una mezcla de los genes de los padres. La reproduccin de cada hijo se logra tomando los bits 1, 2, 3, 7, 8 y 9 del padre ms los bits 4, 5, 6, 10, 11 y 12 de la madre, tal como se indica en la siguiente gura.
22
23
Esto signica que los 3 mejores modelos encontrados a partir de la bsqueda aleatoria de parmetros para cada uno de los 80 modelos de una generacin, pasan directamente a formar parte de la nueva generacin, esto es, no podrn ser afectados por la mutacin. Recordemos que estos modelos cumplen con la condicin de tener un PPS intramuestral superior al 60%.
14
FIGURA 1: Proceso de Reproduccin en Algoritmo Gentico

Punto de Cruce Punto de Cruce Punto de Cruce Punto de Cruce Punto de Cruce Punto de Cruce
PADRES
HIJO
La clonacin en el proceso de obtencin de los 77 hijos est implcita ya que no se restringi el cruce entre dos modelos iguales. Por otro lado, se permiti que la mutacin ocurriera con una probabilidad de 8,33% en los 77 hijos obtenidos del cruce de dos modelos. La operacin mutacin consiste en alterar un gen de un modelo en forma aleatoria, modelo que tambin es seleccionado aleatoriamente dentro de los 77 hijos de la nueva generacin. FIGURA 2: Proceso de Mutacin en Algoritmo Gentico
Gen Mutado
D E S C E N D IE N T E
D E S C E N D IE N T E M U T A D O
Una vez terminada la nueva generacin de modelos, se aplic la funcin de calidad, y luego se continu con el proceso evolutivo, repitiendo los pasos de seleccin y reproduccin de forma iterativa, generando nuevas descendencias en busca del mejor modelo, esto es, aquel con mayor PPS extramuestral. Despus de un nmero de 15 generaciones del proceso evolutivo, la iteracin terminar y el algoritmo gentico ofrecer explcitamente como resultado un modelo considerado ptimo para representar la verdadera dinmica de la serie temporal24.
24
Para nuestro problema especco de prediccin, se congur el algoritmo gentico de tal manera que el nmero mximo de argumentos y operadores permitido era 12, cada generacin estaba constituida por una poblacin de 80 modelos, considerndose 15 generaciones. Lo anterior signica que de 212 (4.096) modelos existentes, se probaron 80 x 15 = 1.200 modelos, esto es el 29,3% del total.
15
3. Redes Neuronales25 - 26
La teora y modelamiento de redes neuronales est inspirada en la estructura y funcionamiento de los sistemas nerviosos cuando procesan informacin, donde la neurona biolgica es el elemento fundamental. Las Redes Neuronales Articiales (RNA) son modelos o sistemas de procesamiento que intentan reproducir la capacidad que tiene el cerebro humano para reconocer patrones, hacer predicciones o tomar una decisin en base a la experiencia pasada. Corresponden a un conjunto de algoritmos matemticos que encuentran las relaciones no lineales entre conjunto de datos y suelen ser utilizadas como herramientas para la prediccin de tendencias. El objetivo de las redes neuronales consiste en encontrar un modelo no lineal de relacin entre los datos de entrada y de salida, inspirado en el funcionamiento del cerebro y del sistema nervioso, que maximice el porcentaje de prediccin de signo de las variaciones de precio semanales del iShare EWZ. En los modelos formulados, la variable de salida est dada por la variacin semanal del precio del iShare EWZ (EWZt) que se desea proyectar, correspondiente al perodo t, mientras que las variables de entrada se reeren a las variaciones de un conjunto de variables que se detallan ms adelante. Los modelos incluyen rezagos de las variables de entrada, para as considerar el desfase lgico que existe entre el momento en que se realiza la prediccin, el perodo actual o t-1 y el momento futuro para el cual la proyeccin es vlida, al que nos referimos como perodo t. As, debido a que la informacin de hoy est desfasada con respecto a la proyeccin, se utilizan modelos dinmicos con rezago en las variables independientes. Las redes neuronales pueden entenderse como modelos multi-ecuacionales o multi-etapas, en los que el output de unos constituye el input de otros. En el caso de las redes multicapas, existen etapas en las cuales las ecuaciones operan en forma paralela. Los modelos de redes neuronales, al igual que, por ejemplo, los modelos de suavizamiento exponencial y de anlisis de regresin, utilizan inputs para generar un output en la forma de una proyeccin. La diferencia radica en que las redes neuronales incorporan inteligencia articial en el proceso que conecta los inputs con los outputs (Kuo & Reitsch, 1995-96). Segn Martn del Bro y Sanz (1997), las redes neuronales articiales son sistemas de procesamiento que copian esquemticamente la estructura neuronal del cerebro para tratar de reproducir sus capacidades. En consecuencia, son una clase de modelos no lineales exibles que se caracterizan por ser sistemas paralelos, distribuidos y adaptativos. Segn estos autores, estos tres conceptos se traducen en un mejor rendimiento y en una mayor velocidad de proce25 26 Parisi, Antonino & Parisi, Franco. CD Teora de Inversiones, Palermo Multimedia. Parisi, A., Parisi, F. & Guerrero, J.L. (2003). Modelos Predictivos de Redes Neuronales en ndices Burstiles. El Trimestre Econmico, Mxico.
16
samiento. Por su parte, Herbrich, Keilbach, Graepel, Bollmann-Sdorra & Obermayer (2000) sealan que la caracterstica ms importante de las redes neuronales es su capacidad para aprender dependencias basadas en un nmero nito de observaciones, donde el trmino aprendizaje signica que el conocimiento adquirido a partir de las muestras puede ser empleado para proporcionar una respuesta correcta ante datos no utilizados en el entrenamiento de la red. La literatura sugiere que las redes neuronales poseen varias ventajas potenciales sobre los mtodos estadsticos tradicionales, destacndose el que stas pueden ser aproximaciones de funciones universales aun para funciones no lineales (Hornik, Stinchcombe & White, 1989), lo que signica que ellas pueden aproximar automticamente cualquier forma funcional (lineal o no lineal) que mejor caracterice los datos, permitindole a la red extraer ms seales a partir de formas funcionales subyacentes complejas (Hill, Mrquez, OConnor & Remus, 1994). Una RNA puede ser entendida como un modelo con cambio de rgimen, donde el cambio se determina por una combinacin lineal particular de los p rezagos del vector Xt. Sin embargo, en aplicaciones de RNA no se centra en la interpretacin como modelo de cambio de rgimen, sino en modelar la relacin no lineal entre Yt y Xt, donde Xt es el vector que contiene los p rezagos de las variables explicativas del modelo, dentro de las cuales pueden considerarse rezagos de la propia variable Yt y tambin variables exgenas. Yt = 0 + 1 . G(Xt ) + t Donde t corresponde al error de prediccin del modelo. El funcionamiento de una RNA es bastante simple. Primero son ingresados los datos como inputs que pueden ser de ndole cientca, de mercado u otros; dichos datos son procesados por la red para nalmente entregar los resultados en forma de output de acuerdo a lo que se requiera, dependiendo de quin est operando la red. Matemticamente, el comportamiento de la neurona puede representarse por una lista de sus seales de entrada que son multiplicadas por sus pesos respectivos y posteriormente sumados. El resultado es llamado nivel de activacin de la neurona, del cual depende la seal de salida que es enviada a cada una de las neuronas a las que est conectada. El modelo realiza una simplicacin, averiguando cules son los elementos relevantes del sistema, ya sea porque la cantidad de informacin de que se dispone es excesiva, o bien porque es redundante. Una eleccin adecuada de sus caractersticas, ms una estructura conveniente, es el procedimiento convencional utilizado para construir redes capaces de realizar determinada tarea. Uno de los mecanismos ms importantes en el funcionamiento de una red neuronal consiste en la Propagacin de los Datos, el que se muestra en la siguiente gura. (6)
17
FIGURA 3: Propagacin de los Datos en una Red Neuronal

X1 X2 W1
Si Hi(t) > entonces f[Hi(t)]
W2 Wj WN XN
Entradas Pesos
Hi(t) = Xj
X
j=1
jx
Wj
Yi
Regla de propagacin
Funcin de transferencia
Salida
Al llegar a la neurona todos los datos de las informaciones, ponderados por sus pesos, stos se suman. Esto es lo que se denomina Regla de Propagacin. Podra adoptar otras frmulas esta regla, pero la ms habitual es la simple suma de todas las entradas ponderadas, que toma el nombre de Potencial Sinptico.
Hi(t) =
Donde:
X
j=1
jx
Wj
(7)
Hi(t) el potencial sinptico de la neurona i en el momento t. Xj la entrada de datos procedentes de la fuente de informacin j. Wj el peso sinptico asociado a la entrada Xj. Cuando el resultado de la Regla de Propagacin supera un cierto nmero, denominado
umbral, entonces la neurona se activa y el nmero resultante de la Regla de Propagacin se introduce en una funcin denominada Funcin de Transferencia. Esquemticamente se podra representar de la siguiente manera:
Si Hi(t) > entonces f[Hi(t)]
(8)
Se puede escoger diferentes funciones para la Funcin de Transferencia. Las seis funciones de transferencia tpicas que determinan los distintos tipos de neuronas son: Funcin Escaln,
18
Funcin Lineal, Funcin Sigmoidea, Funcin Tangente Sigmoidea, Funcin Gaussiana y Funcin Gaussiana Complemento. El resultado que nos ofrece cada una de estas funciones ser el dato de salida de la neurona que se dirigir, bien a otra neurona, bien al resultado nal. De esta manera, cada una de las capas contendr un nmero determinado de neuronas en funcin del diseo que haya decidido el analista y del tipo de trabajo que vaya a realizar la red. Todas las neuronas que contiene una capa se conectan con todas las neuronas de la siguiente capa. As, cuando una neurona obtiene un resultado, lo enva a todas las neuronas de la capa siguiente. Evidentemente ese resultado ser ponderado por cada neurona por el peso sinptico. Una de las principales caractersticas de las RNA consiste en su mecanismo de aprendizaje. El aprendizaje es el proceso por el cual una red neuronal modica sus pesos en respuesta a una informacin de entrada. Los cambios que se producen durante el proceso de aprendizaje se reducen a la destruccin, modicacin y creacin de conexiones entre las neuronas. La creacin de una nueva conexin implica que el peso de la misma pasa a tener un valor distinto de cero. Una conexin se destruye cuando su peso pasa a ser cero. Existen tres tipos de reglas de aprendizaje: Supervisadas27, No Supervisadas28 e Hbridas29. La diferencia fundamental entre estos tipos consiste en la existencia o no de un agente externo (supervisor) que controle el aprendizaje de la red. Finalmente, una de las ventajas de las RNA consiste en su eciencia cuando de pronosticar se trata, debido a que actan en forma paralela30, distribuida31 y adaptativa32. Algunos investigadores han encontrado que, en general, los mercados nancieros se comportan de una forma no lineal (Bosarge, 1993), cuestin que ha favorecido el empleo de modelos de redes neuronales ya que stas han evidenciado un buen desempeo en modelamientos no lineales.
27
28 29 30
31 32
Para el entrenamiento se hace necesario contar tanto con los datos de entrada como con los de salida, a n de que la red aprenda de sus errores. Ejemplos: Aprendizaje por correccin de error, Aprendizaje por refuerzo, Aprendizaje estocstico. Para la red slo se requieren los datos de entrada, pero se debe indicar el nmero de categoras que se desea identicar. Son una combinacin de las dos anteriores. Cuentan con una gran cantidad de neuronas o procesadores elementales, cada uno de los cuales trabaja paralelamente con una pequea parte de un problema mayor, permitiendo trabajar simultneamente en la resolucin de problemas. Cada neurona trata una fraccin del problema. Cuentan con muchos procesadores elementales a travs de los cuales distribuyen su memoria. Tienen la capacidad de adaptarse al entorno modicando sus parmetros de clculo (pesos y sinapsis) de manera de encontrar una solucin aceptable al problema.
19
La red neuronal fue construida en Excel, procediendo primero a dividir el perodo de datos en dos segmentos, donde el primero es utilizado para entrenar la red (conjunto intramuestral, de n = 131 datos semanales, entre el 4 de mayo de 2001 y el 7 de noviembre de 2003) mientras que el segundo es usado para determinar y validar su arquitectura y la especicacin del modelo (conjunto extramuestral, de m = 130 datos semanales, entre el 14 de noviembre de 2003 y el 12 de mayo de 2006). Para determinar el mejor modelo predictivo, se utiliz una Red Ward de tres capas: una capa de entrada, una capa oculta y otra de salida. En trminos generales, la capa de entrada (Slab 1) posee una neurona por cada i-sima variable de entrada, la capa oculta posee j neuronas (las cuales se dividen en partes iguales entre los Slab 2 y 3), y la capa de salida (Slab 4) posee una neurona. De esta forma, la salida neta de la capa oculta viene dada por la ecuacin (9): , con j = 1, 2,..., n. Donde la expresin (10) se emplea para los Slabs 2 y 3, respectivamente:
w1 1 w 2 1 Neta h p j = M w j 1 2 w1 2 w2 M w j L L L L w1i Neta1 1 x1 Neta w2 i 2 2 x 2 = M + M M M w j j Neta j xi (i1) 2 j 2 j 2 i j 1 1 i
2 2 2 h h h
(9)
2 2
(10)
La salida neta de la capa de salida queda expresada de acuerdo a la ecuacin (11), para los Slabs 2 y 3: (11) Donde:
(12) Las formas funcionales empleadas para los slabs 2 y 3 del modelo de red neuronal para predecir la variacin del precio semanal del iShare EWZ fueron la funcin Gaussiana y Gaussiana
20
Complemento33, respectivamente. El nmero de neuronas empleadas en la capa oculta fue de ocho (j = 8). Para obtener el mejor modelo que maximizara el PPS sobre la base de los datos del conjunto extramuestral, se probaron redes neuronales Ward con funcionamiento rolling y recursivo. De esta manera se pretende modelar el proceso de formacin de expectativas del cambio del precio del iShare EWZ por parte de los agentes del mercado y tambin se pretende capturar el hecho de que estas expectativas cambian con el transcurso del tiempo ante la aparicin de nuevos eventos, cuestin que no es capturada por el funcionamiento estndar de la red neuronal. Para esto, la red es constantemente reentrenada y probada ante datos que nunca ha visto. En particular, el funcionamiento recursivo agrega, a travs de un algoritmo iterativo, nueva informacin a la ya estudiada por la red. Asimismo, el funcionamiento rolling trata de capturar el hecho de que los agentes al formar sus expectativas no utilizan toda la informacin histrica, sino que desechan la ms antigua a medida que sta se va haciendo obsoleta e incorporan la informacin ms reciente a su set de informacin relevante para tomar decisiones. El modelo considera como variable de salida la primera diferencia del precio del iShare EWZ, correspondiendo sta al perodo t (EWZt), el cual representa nuestro futuro inmediato (es decir, one stop ahead). Las variables de entrada del modelo corresponden a un subconjunto de un universo que consideraba a la primera diferencia rezagada del precio del iShare EWZ desde uno a tres perodos (EWZt-1, EWZt-2, EWZt-3), a la primera diferencia rezagada del precio del ndice DJI desde uno a tres perodos (DJIt-1, DJIt-2, DJIt-3) y a la primera diferencia rezagada del precio del ndice BVSP desde uno a tres perodos (BVSPt-1, BVSPt-2, BVSPt-3). Para buscar un mejor modelo, se fueron seleccionando distintos subconjuntos de variables de entrada, los que fueron tomados aleatoriamente34 del universo mencionado. Para cada una de las redes neuronales testeadas, se probaron 100 modelos. A continuacin, se evalu la calidad de cada modelo en funcin del porcentaje de prediccin de signo alcanzado (PPS). La evaluacin se realiz sobre la base de un conjunto extramuestral de 130 datos semanales, utilizando un proceso recursivo. Para ello se dividi la muestra total en dos: Una de tamao n (conjunto de 131 datos semanales, entre el 4 de mayo de 2001 y el 7 de noviembre de 2003) para ajustar los pesos estimados para los valores de entrada de las capas de salida y oculta, wjk y wij , respectivamente. Este ajuste del modelo se realiz a travs de la minimizacin de la suma del cuadrado de los residuos del modelo35; y
33 34 Ver Anexo 1. Esto es, cada variable de entrada considerada en la red neuronal fue multiplicada por un bit, el que poda tomar aleatoriamente el valor de 0 1; cuando toma el valor de 0, la variable que representa no ser incluida en el modelo, mientras que cuando toma el valor de 1, la variable representada s formar parte del modelo. Para buscar un mejor modelo, se construy una macro en Excel, utilizando Visual Basic, de manera tal de encontrar,
35
21
Otra de tamao m (conjunto de 130 datos semanales, entre el 14 de noviembre de 2003 y el 12 de mayo de 2006) para evaluar la capacidad predictiva de los modelos. En la siguiente gura se muestra la arquitectura bsica de la red neuronal considerada.
FIGURA 4: Arquitectura de la Red Neuronal Considerada
S lab 1
DJIt-1
Activacin Gaussiana
S lab 2
N1 N2
DJIt-2 N3 N4
S lab 4
EWZt
BVSPt-2 N5 N6 N7 EWZt-3 N8
Activacin ComGaussiana
S lab 3
Una vez proyectado el signo de la variacin del ndice accionario para el perodo n+1, la variacin observada correspondiente se incluye en la muestra de tamao de n con el objeto de reconstruir los pesos del modelo contando ahora con una observacin ms36, permitindole a la red aprender del error cometido en la prediccin y ajustar nuevamente los pesos estimados para los valores de entrada de las capas de salida y oculta, wjk y wij, respectivamente. As, el
a travs de un proceso iterativo, un mejor modelo que maximizara el valor del PPS extramuestral. Esta bsqueda se realiz utilizando la herramienta Solver de Excel, por lo que el proceso iterativo para cada modelo probado consider un valor inicial aleatorio entre 0 y 1, para evitar caer en un ptimo local comenzando siempre en un mismo valor inicial. De esta forma, la muestra uno (de tamao n) se extiende a n+1 observaciones y la muestra dos (de tamao m) se contrae a m-1 datos.
36
22
mismo modelo pero con sus coecientes recalculados, es utilizado para realizar la proyeccin correspondiente al periodo n+2. Este proceso se repiti hasta que en el conjunto extramuestral qued slo un dato, por lo que la red recalcul los pesos wjk y wij hasta el momento en que la ltima observacin (correspondiente al perodo t-1) es empleada para proyectar el valor que la variable de salida podra alcanzar en el momento t, el cual representa el futuro inmediato. En denitiva, el PPS de cada modelo se calcul tal como se indic en la expresin (4).
4. Fractales37
Un fractal es un objeto geomtrico cuya estructura bsica se repite en diferentes escalas. En muchos casos los fractales pueden ser generados por un proceso recursivo o iterativo capaz de producir estructuras autosimilares independientemente de la escala especca. El objetivo de la aplicacin de la Geometra Fractal a las nanzas consiste en encontrar una serie generada a travs de una funcin que compone un fractal para utilizarla en maximizar el porcentaje de prediccin de signo de las variaciones semanales del precio del iShare EWZ. Los modelos de geometra fractal utilizados son modelos de series de tiempo que expresan el comportamiento de una variable en funcin de sus valores rezagados. La lgica empleada en esta investigacin consiste en encontrar una funcin de geometra fractal o modelo que se asemeje en sus variaciones o signos a una serie en primeras diferencias del precio del iShare EWZ, para de esta forma poder predecir el comportamiento de las variaciones del precio de ste. Para lograr esto, se prueban modelos de geometra fractal para ser seleccionados como predictores de la serie variacin de precio del iShare en primera diferencia, comparndose el resultado de estos modelos en una serie de primeras diferencias con la variacin del precio del iShare EWZ, calculando as el porcentaje de prediccin de signo (PPS) de las variaciones tanto intramuestral como extramuestral. La evaluacin se realiz testeando diversos modelos de geometra fractal, para evaluar la capacidad predictiva de cada modelo sobre la base de un conjunto intramuestral de tamao n (conjunto de 131 datos semanales, entre el 4 de mayo de 2001 y el 7 de noviembre de 2003). Los modelos probados se presentan a continuacin: Zn+1 = C . Zn . (1 - Zn) Zn+1 = Zn2 + C
37
(13) , con Z0 = 0 + i0 (14)
Parisi, Antonino & Parisi, Franco. CD Teora de Inversiones, Palermo Multimedia.
23
Zn+1 = Zn . (Zn + C) Zn+1 = C . (Zn2 + 1) Zn+1 = Zn4 + C Zn+1 = C . sen(-Zn) Zn+1 = C . sen(Zn) . cos(Zn) Zn+1 = C + Zn . exp(Zn) Zn+1 = C + Zn . cos(-Zn) Tringulo de Sierpinski38 Se procedi a medir el PPS intramuestral tal como se seal en la expresin (3).
(15) (16) (17) (18) (19) (20) (21) (22)
Para cada modelo fractal, se procedi a una bsqueda aleatoria de 100.000 iteraciones de los mejores parmetros para encontrar los mejores modelos que superaran un PPS intramuestral del 60%. Para estos mejores modelos utilizados para predecir el comportamiento de las variaciones del iShare EWZ, se procedi a medir el PPS en el conjunto extramuestral de la forma como se indic en la expresin (4). Finalmente, se seleccionaron los modelos que obtuvieron mejores resultados segn su PPS extramuestral, los que sern utilizados para predecir el signo de las uctuaciones semanales del iShare EWZ. De esta manera, los modelos o funciones en base a geometra fractal fueron evaluados en funcin de su capacidad para predecir el signo de los movimientos del precio del iShare EWZ.
5. Lgica Borrosa39
La teora de lgica borrosa fue introducida por Lof A. Zadeh, a mediados de los aos 60 (Fuzzy Sets) y desde esa fecha se ha desarrollado como una herramienta elemental para el control de subsistemas y procesos industriales complejos, ya que los sistemas borrosos permiten modelar sistemas no lineales y aprender de los datos haciendo uso de determinados algoritmos de
38 El tringulo de Sierpinski es un famoso conjunto geomtrico introducido en 1915 por el clebre matemtico polaco Waclack Sierpinski (1882-1969). El tringulo de Sierpinski es un fractal que se puede construir a partir de cualquier tringulo. La manera ms usual de generarlo consiste en partir de un tringulo equiltero, marcar los puntos medios de sus lados y extraer el tringulo interior (considerado como conjunto abierto). Se repite el proceso con los tres tringulos que quedan y as sucesivamente (formalmente el tringulo de Sierpinski se dene como la interseccin de los conjuntos cerrados que van apareciendo en cada etapa). Parisi, Antonino; Parisi, Franco & Cornejo, Edinson. Modelos Predictivos de Lgica y Lgica Borrosa en ndices Burstiles de Amrica del Norte. Publicado en El Trimestre Econmico. Forthcoming, 2006.
39
24
aprendizaje. La lgica borrosa surge como un perfeccionamiento de la lgica booleana tradicional, en la cual los conjuntos son considerados como sistemas bivalentes, con sus estados alternando entre pertenencia o no pertenencia (inclusin o exclusin), donde tradicionalmente se dene la funcin caracterstica, fA que describe la pertenencia de un elemento x al conjunto A, como:
(23) De esta forma, la pertenencia de un elemento al conjunto A queda fraccionada y las relaciones entre conjuntos quedan categorizadas, siendo la transicin entre dos conjuntos (o estados) A y B, radical e inmediata. La lgica borrosa, por su parte, considera la idea de variable lingstica, que capta las propiedades de aproximacin o los conceptos de imprecisin en un sistema, permitiendo que un elemento tenga valores intermedios en el grado de pertenencia a un conjunto determinado. Cada elemento del universo tiene asociado una funcin de pertenencia continua fA que toma valores entre 0 y 1 que indica el grado de pertenencia del elemento x al conjunto A. As, un conjunto en el universo de discurso U es denido por una funcin de pertenencia fA: U [0, 1], donde fA (x) [0,1] indica el grado de pertenencia de x al conjunto A. La lgica borrosa incorpora tres pasos fundamentales: (1) la eleccin de los inputs del proceso fuzzy, (2) la designacin de funciones y conjuntos de pertenencia y, (3) la determinacin de las reglas difusas y de la variable de salida (desfuzicacin). Los inputs del proceso fuzzy se reeren a las variables que se presumen importantes de considerar, ya que el comportamiento de stas y sus combinaciones inuyen sobre la variable que se desea proyectar. Estas variables son agrupadas en los conjuntos de pertenencia (tambin llamados conjuntos difusos) a los cuales pertenecern en algn grado. Los conjuntos de pertenencia son determinados por sus funciones de pertenencia. Comnmente, el nmero de conjuntos difusos es denido de manera tal que contenga todo el rango de posibles valores que podra adoptar la variable. Este rango de variacin es conocido como universo de discurso. Las funciones de pertenencia generalmente son funciones continuas cuyo dominio es el conjunto de discurso y su imagen un valor real entre 0 y 1, el cual representar el grado de pertenencia de la variable al conjunto en cuestin. Estos conjuntos de pertenencia, junto a las reglas difusas, determinarn el comportamiento que tendr la variable de salida. Se requiere el establecimiento de reglas para combinar los conjuntos de pertenencia a travs de operaciones de unin, interseccin y complemento. Las operaciones entre conjuntos se asociarn a las conexiones lingsticas o/y. As, la interseccin se asocia a y, mientras que la unin a o. De esta manera se pueden conectar y manipular los conjuntos de pertenencia que
25
contienen los inputs para, a su vez, obtener nuevos conjuntos difusos en los cuales se agrupen los outputs. En principio, no existen reglas generales o un mtodo de construccin de reglas fuzzy o de funciones de pertenencia, por lo que stas son determinadas por cada diseador. No obstante, stas deben cumplir con las propiedades de t-normas para la interseccin y t-conormas para la unin40. El proceso de proyeccin es realizado por medio de la elaboracin de reglas difusas, las cuales relacionan la correspondencia entre los inputs y el output a travs de las operaciones de conjuntos. La forma usual de las reglas difusas es del tipo: si i1 es f1 y/o i2 es f2 y/o in es fn, entonces ot es ok. Donde i1, i2 in son los inputs atribuibles a las funciones de pertenencias f1, f2,, fn, respectivamente; ot es el output; y ok es la clasicacin atribuible a ot. Finalmente, el output fuzzy debe ser transformado en una variable posible de interpretar, proceso denominado desfuzicacin. El objetivo consiste en generar un modelo de lgica borrosa que maximice el PPS dentro de un sub-periodo de estudio (intramuestral), para luego evaluar los resultados en una serie extramuestral. Se consider como variable de salida del proceso fuzzy la variacin de cierre semanal que experimentar el precio del iShare en el periodo t. Por otro lado, se consideraron doce variables de entrada: las variaciones de cierre semanales del ndice DJI correspondientes a los perodos t-1, t-2, t-3 y t-4, las variaciones de cierre semanales del ndice BVSP en t-1, t-2, t-3 y t-4, y las variaciones de cierre semanales del iShare EWZ en t-1, t-2, t-3 y t-4. Para cada una de las doce variables de entrada se consideraron ocho conjuntos de pertenencia: Bajsima, Muy Baja, Baja, Ms o Menos Baja, Ms o Menos Alta, Alta, Muy Alta y Altsima. Cada uno de estos conjuntos clasica el input en funcin de qu tan lejos o qu tan cerca se encuentre de la media. Posteriormente, se obtuvo la media (k,t) y la desviacin estndar (k,t) histricas de cada k-sima serie rezagada de las variaciones de precio semanal de ambos ndices burstiles (DJI y Bovespa) y del iShare EWZ. Luego, se calcul la 1, 2 y 3 desviacin estndar de cada rezago como se indica a continuacin: k,t = k,t + k,t Para = 1, 2, 3 y para DJI, BVSP y EWZ. A continuacin, se obtiene el valor mximo, mnimo y el promedio triangular de cada ksima serie rezagada, donde este ltimo valor se obtiene de la siguiente manera: (24)
40
Ver Anexo 2.
26
Promedio Triangular =
Maxk,t + Mink,t 2
El sigma de cada desviacin sirvi para determinar las cotas de las etiquetas lingsticas41, las cuales contienen los valores por etiqueta segn la concentracin por sigma que establece una distribucin normal. Los conjuntos difusos fueron denidos por funciones de pertenencia, las que se crearon en base a las tpicamente conocidas como Funciones Triangulares. Estas funciones pueden o no ser simtricas y estn determinadas por tres parmetros como se indica a continuacin:
f(x,a,b,c) =
0 x-a b-a c-x c-b 0
,xa ,axb ,bxc ,cx

(25)
FIGURA 5: Funcin Triangular
f(x, a, b, c)
Las aristas del tringulo indican un descenso lineal del grado de pertenencia a partir del punto b y hasta que el grado de pertenencia llega a ser cero.
41
Ocho, de menor a mayor, segn se indica: Bajsima, Muy Baja, Baja, Ms o Menos Baja, Ms o Menos Alta, Alta, Muy Alta y Altsima.
27
Los valores mnimos, mximos y el promedio muestral de cada k-sima serie rezagada, sirvieron para determinar las aristas de los tringulos de cada una de stas, en el siguiente orden: a, c y b, respectivamente. Sumado a lo anterior, se le otorg un peso a cada una de las funciones triangulares bajo el siguiente esquema: El peso de cada rezago disminuye exponencialmente en la medida que toma distancia del primer rezago (el cual vale 1). El peso del segundo rezago es de 1 / exp(0,25), el peso del tercer rezago de 1 / exp(0,50) y el peso del cuarto rezago de 1 / exp(0,75). Lo anterior, tiene como propsito incorporar el efecto decreciente que tienen los resultados en la medida que ellos se alejan del presente (punto evaluado). Luego, se desarroll el Term Set Genrico y el Term Set Especco, para cada k-sima serie rezagada de ambos ndices y del iShare EWZ. En la siguiente gura se muestra el diseo esquemtico del Term Set Genrico para la variacin de cierre semanal del ndice DJI correspondientes al perodo t-1, donde grcamente se muestra las cotas del tringulo, en el cual a corresponde al valor mnimo de la variacin del precio del ndice DJI con un rezago, c corresponde al valor mximo de la variacin del precio del ndice DJI con un rezago y b corresponde al promedio muestral de la variacin del precio del ndice DJI con un rezago, todas en el conjunto de datos intramuestral. FIGURA 6: Diseo del Term Set Genrico
f(x, a, b, c)
a min%
b media%
c max%
Donde: a = mnimo {DJIt-1,2 - DJIt-1,1, DJIt-1,3 - DJIt-1,2, ..., DJIt-1,n - DJIt-1,n-1} b = promedio {DJIt-1,2 - DJIt-1,1, DJIt-1,3 - DJIt-1,2, ..., DJIt-1,n - DJIt-1,n-1}
28
c = mximo {DJIt-1,2 - DJIt-1,1, DJIt-1,3 - DJIt-1,2, ..., DJIt-1,n - DJIt-1,n-1} El diseo del Term Set Especco se muestra en la siguiente gura. FIGURA 7: Diseo del Term Set Especco
+ 1
+ 2
+ 3
Bajsima Muy Baja Baja
Ms o Menos Baja
Ms o Menos Alta
Alta
Muy Alta
Altsima
De acuerdo a lo anterior, los conjuntos de pertenencia quedarn delimitados de la siguiente manera:
Para las 12 variables de entrada k = 1, 2, , 12. El impacto que tienen las funciones de pertenencia segn se ha propuesto, es que arrojan un solo valor dentro de una cota especca por semana de cada una de las 12 variables de entrada evaluadas. Las cotas mnimas y mximas denen el estado de la naturaleza de la variable, desde
29
el Bajsima a Altsima en cada rezago (1, 2, 3 y 4) de las variaciones de los ndices DJI y BVSP, as como de la variacin del precio del iShare EWZ, las que se evalan separadamente. Las reglas para obtener una seal de compra o de venta del iShare EWZ son construidas a partir de combinaciones aleatorias de los conjuntos de pertenencia, de donde es elegida la combinacin que supere un PPS intramuestral de 60%, para luego proceder a testearla en el conjunto extramuestral, eligiendo aquel modelo que nalmente arroje el mayor PPS extramuestral. La elaboracin de las reglas es en s la parte ms compleja y delicada en el proceso de lgica borrosa, ya que son stas y sus combinaciones (operaciones) las que en denitiva determinarn el output del proceso. La terminologa usada para las operaciones de los conjuntos est determinada por las deniciones de Zadeh. En el caso particular de este trabajo la t-norma y t-conorma estn denidas como: Interseccin: Unin: fAB(x) = min{fA(x), fB(x)} fAUB(x) = max{fA(x), fB(x)} (26) (27)
Estas reglas se aplicaron aleatoriamente sobre todas las posibles combinaciones de los conjuntos de pertenencia de las doce variables de entrada, tal como se describe a continuacin. Primero, se van activando o desactivando los conjuntos de pertenencia para cada una de las doce variables de entrada. Para esto, se aplica una matriz de nxn, compuesta de ceros y de un factor en su diagonal, el que puede tomar aleatoriamente el valor de 1 o de 0, segn si se desee Activar o Desactivar un determinado conjunto de pertenencia. Esto se puede apreciar en la siguiente gura, donde la matriz de Activacin / Desactivacin multiplica a la matriz que contiene los valores obtenidos para el primer rezago de la variacin del ndice DJI.
DJI 11,1 DJI 1 2,1 M 1 DJI i ,1 M DJI 1 n ,1
DJI 11, 2 DJI 1 2, 2 M DJI 1 i , 2 M DJI 1 n , 2
L L L L
DJI 11,8 1 0 0 DJI 1 2,8 2 M M M 0 0 DJI 1 i ,8 M M M 1 DJI n ,8 0 0 n x 8
L L L i L L
dDJI 11,1 0 dDJI 1 2,1 0 M M = 1 0 dDJI i ,1 M M 1 n nxn dDJI n ,1
dDJI 11, 2 dDJI 1 2, 2 M dDJI 1 i , 2 M dDJI 1 n , 2
L L L L
dDJI 11,8 dDJI 1 2,8 M dDJI 1 i ,8 M dDJI 1 n ,8 n x 8
Este proceso se extendi para cada una de las 12 variables de entrada y se aplica sobre toda la serie de datos del conjunto intramuestral para incorporar o no una determinada funcin de pertenencia dentro de la regla de Interseccin o de Unin, para cada variable de entrada. Por lo tanto, los valores dDJI11,1, dDJI11,2, , dDJI1n,8 de la gura anterior tomarn los siguientes valores:
30
DJI1i,j dDJI1i,j =
(El estado de naturaleza j en la semana i de la variacin del ndice DJI, rezagado 1 vez, si el factor i = 1) , si el factor i = 0.
(28)
Donde j=1 es Altsima; j=2 es Muy Alta; j=3 es Alta; j=4 es Ms o Menos Alta; j=5 es Ms o Menos Baja; j=6 es Baja; j=7 es Muy Baja y j=8 es Bajsima. Posteriormente, se extiende este procedimiento al resto de las variables de entrada, con lo que se tiene:
DJIpi,j dDJIpi,j =
(El estado de naturaleza j en la semana i de la variacin del ndice DJI, rezagado p veces, si el factor i = 1) , si el factor i = 0.
(29)
BVSPpi,j (El estado de naturaleza j en la semana i dBVSPp

i,j
de la variacin del ndice BVSP, rezagado p veces, si el factor i = 1) , si el factor i = 0.
(30)
EWZpi,j (El estado de naturaleza j en la semana i dEWZpi,j =

de la variacin del iShare EWZ, rezagado p veces, si el factor i = 1) , si el factor i = 0.
(31)
Donde p = 1, 2, 3, 4 son los rezagos de las variaciones de los precios de las variables de entrada consideradas.
31
Luego, se obtiene los valores que servirn para tomar la decisin lgica de comprar (aij) o vender (bij). Estos valores se obtienen de la siguiente forma:
mximo {dDJI1i,j, dBVSP1i,j, dEWZ1i,j, dDJI2i,j, dBVSP2i,j, dEWZ2i,j, dDJI3i,j, dBVSP3i,j, dEWZ3i,j, dDJI4i,j, dBVSP4i,j, dEWZ4i,j}
ai,j =
o bien
mnimo {dDJI1i,j, dBVSP1i,j, dEWZ1i,j, dDJI2i,j, dBVSP2i,j, dEWZ2i,j, dDJI3i,j, dBVSP3i,j, dEWZ3i,j, dDJI4i,j, dBVSP4i,j, dEWZ4i,j} con = 1
e0,25
; =
e0,50
; =
e0,75
(32)
mximo {dDJI1i,j, dBVSP1i,j, dEWZ1i,j, dDJI2i,j, dBVSP2i,j, dEWZ2i,j, dDJI3i,j, dBVSP3i,j, dEWZ3i,j, dDJI4i,j, dBVSP4i,j, dEWZ4i,j}
bi,j =
o bien
mnimo {dDJI1i,j, dBVSP1i,j, dEWZ1i,j, dDJI2i,j, dBVSP2i,j, dEWZ2i,j, dDJI3i,j, dBVSP3i,j, dEWZ3i,j, dDJI4i,j, dBVSP4i,j, dEWZ4i,j} con = 1
0,25
; =
0,50
; =
e0,75
(33)
Es decir, los aij y bij consideran lo sealado anteriormente, en el sentido que el peso de cada rezago disminuye exponencialmente en la medida que toma distancia del primero. Esto se lleva a cabo para cada conjunto de pertenencia j, esto es, se tienen valores para ai1, ai2, ai3, ai4, ai5, ai6, ai7 y ai8, y para toda semana i. Idnticamente ocurre para los bij. Es importante sealar que se construyeron 2 procesos aleatorios independientes de activacin, o bien desactivacin, uno para la lgica de compra y otro para la lgica de venta. Finalmente la desfuzicacin para la seal de compra o para la seal de venta ser, para cada semana, el mximo, o bien, el promedio, tal como se indica a continuacin:
32
mximo {ai,1, ai,2, ai,3, ai,4, ai,5, ai,6, ai,7, ai,8} Seal de Compra semana i = o bien promedio {ai,1, ai,2, ai,3, ai,4, ai,5, ai,6, ai,7, ai,8} Para i = 1, 2, , n
(34)
mximo {bi,1, bi,2, bi,3, bi,4, bi,5, bi,6, bi,7, bi,8} Seal de Venta semana i = o bien promedio {bi,1, bi,2, bi,3, bi,4, bi,5, bi,6, bi,7, bi,8} Para i = 1, 2, , n
(35) De esta forma, con las combinaciones entre las seales de compra y de venta, con las de la lgica de comprar (aij) o vender (bij), se tiene las siguientes combinaciones posibles desde donde buscar el mejor modelo42.
42
Cada una de estas Combinaciones tiene a su vez la posibilidad de elegir entre una gran cantidad de candidatos a mejor modelo. En efecto, por ejemplo, en cada prueba, los aij son obtenidos de un universo de 28x12 = 7,92282 x 1028 combinaciones.
33
34
Seal de Venta max{dDJI max{dDJI min{dDJI min{dDJI max{dDJI max{dDJI min{dDJI min{dDJI max{dDJI max{dDJI min{dDJI min{dDJI max{dDJI max{dDJI min{dDJI min{dDJI
1 1 i,j , 1 i,j , 1 i,j , 1 i,j , dDJI 1 1 i,j , i,j , 1 1 i,j , 1 i,j , , dEWZ 1 i,j , 1 i,j , 1 i,j , 1 i,j , 1 i,j , 1 i,j , dDJI i,j , , dEWZ i,j , i,j , i,j , i,j , i,j , i,j } i,j } i,j } i,j } i,j } i,j } 4 4 4 i,j } i,j } 1 4 1 i,j , 1 i,j , 1 i,j , 1 i,j , 1 i,j ,
CUADRO 1: Combinacin de seales de compra y venta, con distintas lgicas de compra y venta, para la bsqueda de Modelos de Predic-
cin de la Variacin de EWZ, utilizando la tcnica de Lgica Borrosa

a i,j b i,j
i,j , i,j , i,j , i,j , i,j ,
Seal de Compra dDJI dDJI dDJI dDJI dDJI min{dDJI max{dDJI min{dDJI max{dDJI min{dDJI max{dDJI min{dDJI max{dDJI , dEWZ , dEWZ
i,j , , dEWZ i,j } 4 4 i,j } i,j } 1 1 1 1 1 1 1 1 1 1 1 1 1
Combinacin 1 , dEWZ , dEWZ , dEWZ , dEWZ , dEWZ , dEWZ , dEWZ , dEWZ , dEWZ , dEWZ , dEWZ
4 4 4 4 4 i,j , i,j , i,j , i,j , i,j , 4 i,j } 4 i,j } 4 i,j } 4 i,j } i,j }
max{a i,1 , a i,2 , , a i,8 } max{dDJI min{dDJI max{dDJI min{dDJI max{dDJI

1 i,j , 1 i,j , 1 i,j , 1 i,j , i,j ,
max{b i,1 , b i,2 , , b i,8 } dDJI dDJI dDJI dDJI dDJI dDJI dDJI dDJI dDJI dDJI
i,j , dDJI i,j , 1 i,j , dDJI 1 1 1 1 1 1 1 1 i,j , i,j , 1 i,j , 1 i,j , i,j ,
, dEWZ , dEWZ , dEWZ , dEWZ , dEWZ
4 4 4 4 4
i,j } i,j } i,j } i,j } i,j }
Combinacin 2
max{a i,1 , a i,2 , , a i,8 }
max{b i,1 , b i,2 , , b i,8 }
Combinacin 3
max{a i,1 , a i,2 , , a i,8 }
max{b i,1 , b i,2 , , b i,8 }
Combinacin 4
max{a i,1 , a i,2 , , a i,8 }
max{b i,1 , b i,2 , , b i,8 }
Combinacin 5 dDJI dDJI dDJI dDJI dDJI dDJI dDJI dDJI

1 1 1 1 1
max{a i,1 , a i,2 , , a i,8 }
prom{b i,1 , b i,2 , , b i,8 }
Combinacin 6
max{a i,1 , a i,2 , , a i,8 }
prom{b i,1 , b i,2 , , b i,8 }
i,j , , dEWZ i,j , i,j , i,j , i,j , i,j ,
i,j }
Combinacin 7
max{a i,1 , a i,2 , , a i,8 }
prom{b i,1 , b i,2 , , b i,8 }
, dEWZ , dEWZ , dEWZ , dEWZ , dEWZ

i,j , , dEWZ
4 4 4 4 4 4
i,j } i,j } i,j } i,j } i,j } i,j }
Combinacin 8
max{a i,1 , a i,2 , , a i,8 }
prom{b i,1 , b i,2 , , b i,8 }
Combinacin 9
prom{a i,1 , a i,2 , , a i,8 }
max{b i,1 , b i,2 , , b i,8 }
Combinacin 10
prom{a i,1 , a i,2 , , a i,8 }
max{b i,1 , b i,2 , , b i,8 }
Combinacin 11
prom{a i,1 , a i,2 , , a i,8 }
max{b i,1 , b i,2 , , b i,8 }
Combinacin 12
prom{a i,1 , a i,2 , , a i,8 }
max{b i,1 , b i,2 , , b i,8 }
Combinacin 13
prom{a i,1 , a i,2 , , a i,8 }
prom{b i,1 , b i,2 , , b i,8 }
dDJI min{dDJI max{dDJI min{dDJI

1 1 1 i,j , i,j ,
i,j ,
, dEWZ dDJI dDJI

i,j , dDJI 1 1 1 i,j , i,j ,
i,j }
Combinacin 14
i,j , dDJI
prom{a i,1 , a i,2 , , a i,8 }
prom{b i,1 , b i,2 , , b i,8 }
, dEWZ , dEWZ
i,j , , dEWZ
4 4 4
i,j } i,j } i,j }
Combinacin 15
prom{a i,1 , a i,2 , , a i,8 }
prom{b i,1 , b i,2 , , b i,8 }
Combinacin 16
prom{a i,1 , a i,2 , , a i,8 }
prom{b i,1 , b i,2 , , b i,8 }
Para cada Combinacin indicada en el cuadro anterior se probaron aleatoriamente 50.000 matrices de Activacin / Desactivacin con 1s o 0s en su diagonal. Las reglas anteriores generan un output que seala si la variacin esperada para el momento t es negativa o positiva, esto es, una seal de venta o de compra, respectivamente. De esta forma, la prediccin nal acerca de comprar o vender para el prximo perodo ser la siguiente:
Si Seal de Compra semana i > Seal de Venta semana i Si Seal de Compra semana i Seal de Venta semana i
Comprar Vender
Para i = 1, 2, , n
Posteriormente, se procedi a medir el PPS de cada modelo de la manera como se indic en la expresin (3). A continuacin, se evalu la calidad de cada modelo con PPS intramuestral superior al 60%, testendose el modelo en el conjunto extramuestral de 130 datos semanales en funcin del PPS, procedindose a calcular ste de la forma como se indic en la expresin (4).
6. Modelos Multivariados ARIMA

Adicionalmente, de manera de contrastar los resultados con otras metodologas predictivas tradicionalmente aceptadas, se aplic la metodologa de Box-Jenkins para determinar el modelo ARIMA que describa mejor las uctuaciones del iShare EWZ43. Se identicaron los posibles mejores modelos, los que podran incorporar un proceso autorregresivo de 2 6 rezagos e incorporar medias mviles tambin de 2 6 rezagos. Para elegir el modelo ms indicado se utiliz el criterio de informacin de Akaike y de Schwartz.
Akaike Info Criterion (AIC) = - 2

l n
l n
+ 2
k n
Schwartz Criterion (SC)
-2
+ k
log n n
Donde k es el nmero de parmetros estimados, n es el nmero de observaciones y l es el valor de la funcin de verosimilitud utilizando los k parmetros estimados. Ambos criterios coincidieron en identicar los modelos ARMA(0,6), ARMA(6,6) y ARMA(2,6) como los modelos que describen mejor el comportamiento de las variaciones del iShare estudiado44. Adems, los resultados fueron comparados con los proporcionados por modelos multivariados dinmicos.
43 44
Los estadsticos de la serie completa se muestran en el Anexo 3. El criterio utilizado para seleccionar al mejor modelo fue el de menor AIC. En Anexo 4 se muestran los resultados de los tres mejores modelos ARMA encontrados.
35
6.1. Signicancia Estadstica de la Capacidad Predictiva de los Modelos

Una vez encontrados los mejores modelos para las distintas tcnicas de prediccin, en esta etapa se procedi a aplicar el test de acierto direccional45 de Pesaran & Timmermann (1992) sobre los resultados de cada uno de los tres mejores modelos de proyeccin encontrados con cada una de las tcnicas, con el objeto de medir la signicancia estadstica de la capacidad predictiva de cada uno de ellos.
6.2. Estrategia de Inversin Activa versus Estrategia Buy & Hold

Finalmente, con el objeto de analizar si la capacidad predictiva de los modelos se traduce en benecios econmicos, se calcul la rentabilidad acumulada que se hubiera obtenido si se hubiese comprado o vendido el iShare EWZ siguiendo las recomendaciones de compra-venta del modelo de prediccin. Para ello, la proyeccin de una variacin positiva del ndice (un alza del mercado) fue interpretada como una seal de compra, mientras que el pronstico de una variacin negativa (una cada del mercado) fue interpretado como una seal de venta. Se asumi una inversin inicial de US$ 100.000 y la rentabilidad acumulada se calcul sobre el conjunto extramuestral de 130 semanas. Al momento de calcular la rentabilidad de la cartera no se realizaron ventas cortas y los costos de transaccin no fueron considerados.
7. Resultados
En el siguiente cuadro se muestra un resumen con los resultados para los tres mejores modelos de cada tcnica investigada, incluyendo los resultados de la modelacin ARIMA, ordenados segn el PPS extramuestral de la variacin semanal del iShare EWZ.
45
Directional Accuracy Test.
36
CUADRO 2: Resumen Mejores Resultados para la Prediccin de la Variacin de EWZ46
Posicin 372,1% 323,8% 363,6% 356,3% 377,4% 261,4% 222,7% 293,3% 285,8% 379,8% 280,4% 179,5% 275,0% 254,3% 268,0% 143,1% 339,9% 274,1% 183,9% 127,6% 74,3% 72,5% 54,5% 31,2% Supera Supera Supera Supera Supera Supera No supera Supera Supera Supera Supera No supera Supera Supera Supera No supera Supera Supera No supera No supera No supera No supera No supera No supera 63,3% 64,1% 60,4% 60,2% 60,5% 74,8% 62,8% 60,5% 61,8% 58,4% 59,4% 66,4% 61,8% 57,3% 73,3% 65,6% 60,3% 67,2% 58,0% 58,0% 60,6% 61,6% 60,0% 60,8% 70,8% 70,0% 70,0% 70,0% 67,7% 66,2% 66,2% 66,2% 65,4% 65,4% 65,4% 64,6% 64,6% 63,1% 62,3% 62,3% 62,3% 61,5% 56,9% 53,8% 53,1% 48,5% 48,5% 47,7% 4,41 4,08 4,05 4,06 3,43 3,19 2,84 2,97 3,52 3,02 2,98 3,24 3,61 2,23 1,71 2,27 2,74 2,46 1,17 0,65 0,51 -0,58 -0,96 -1,03
Tcnica de Prediccin
Identificacin
Rentabilidad estrategia activa >1,96. Se tiene capacidad predictiva >1,96. Se tiene capacidad predictiva >1,96. Se tiene capacidad predictiva >1,96. Se tiene capacidad predictiva >1,96. Se tiene capacidad predictiva >1,96. Se tiene capacidad predictiva >1,96. Se tiene capacidad predictiva >1,96. Se tiene capacidad predictiva >1,96. Se tiene capacidad predictiva >1,96. Se tiene capacidad predictiva >1,96. Se tiene capacidad predictiva >1,96. Se tiene capacidad predictiva >1,96. Se tiene capacidad predictiva >1,96. Se tiene capacidad predictiva < 1,96. No se tiene capacidad predictiva >1,96. Se tiene capacidad predictiva >1,96. Se tiene capacidad predictiva >1,96. Se tiene capacidad predictiva < 1,96. No se tiene capacidad predictiva < 1,96. No se tiene capacidad predictiva < 1,96. No se tiene capacidad predictiva < 1,96. No se tiene capacidad predictiva < 1,96. No se tiene capacidad predictiva < 1,96. No se tiene capacidad predictiva
Supera estrategia "buy & hold" = 225,6%? PPS intramuestral PPS extramuestral Test de Acierto Direccional de Pesaran & Timmermann (1992)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Algoritmo Gentico Algoritmo Gentico Red Neuronal Ward Rolling Algoritmo Gentico Lgica Borrosa Red Neuronal Ward Recursiva Lgica Borrosa Lgica Borrosa Fractal Red Neuronal Ward Rolling Red Neuronal Ward Rolling Recursivo Fractal Red Neuronal Ward Recursiva Red Neuronal Ward Recursiva Recursivo Fractal Recursivo Rolling Rolling Rolling ARIMA ARIMA ARIMA
Modelo 1 Modelo 2 Modelo 1 Modelo 3 Modelo 1 Modelo 1 Modelo 2 Modelo 3 Modelo 1 Modelo 2 Modelo 3 Modelo 1 Modelo 2 Modelo 2 Modelo 3 Modelo 2 Modelo 3 Modelo 3 Modelo 1 Modelo 2 Modelo 3 Modelo 2 Modelo 3 Modelo 1
46
La rentabilidad sobre la variacin semanal del iShare EWZ que se obtiene con la estrategia pasiva de inversin o buy & hold es de 225,6% en las 130 semanas del perodo de tiempo extramuestral.
37
Al analizar los resultados de los diferentes modelos multivariados dinmicos construidos47, el mejor modelo encontrado, de acuerdo al PPS extramuestral de acierto de la variacin semanal del iShare EWZ, fue uno encontrado a travs de la tcnica de algoritmo gentico y su estructura fue la siguiente: EWZt = 1 . DJIt-1 + 2 . BVSPt-2 + 3 . BVSPt-3 + 1 . t-1
Con 1 = -0,470650167, 2 = 0,877691227, 3 = -0,768868547 y 1 = -0,992933268.

El PPS intramuestral fue de 63,3%, mientras que el PPS extramuestral alcanzado fue de 70,8%. Esta capacidad predictiva, estimada sobre un conjunto extramuestral de 130 datos semanales, result estadsticamente signicativa, de acuerdo al test de acierto direccional. La rentabilidad que se obtiene siguiendo una estrategia de inversin activa utilizando el modelo en el perodo de 130 semanas del conjunto extramuestral fue de 372,1%. La rentabilidad que se obtiene con la estrategia buy & hold es de 225,6% en estas 130 semanas, por lo que la estrategia activa de gestionar la cartera en funcin de este modelo de proyeccin supera ampliamente la estrategia pasiva. El segundo mejor modelo tambin corresponde a uno encontrado mediante la tcnica de algoritmo gentico. Su estructura es la siguiente: EWZt = 1 . DJIt-1 + 3 . DJIt-3 + 2 . BVSPt-2 + 3 . BVSPt-3 + 3 . EWZt-3 + 1 . t-1 + 2 . t-2
Con 1 = -0,228772226, 3 = -0,095542787, 2 = 0,362749295, 3 = -0,303677411, 3 =

-0,563574344, 1 = -0,860259881 y 3 = -0,129838723. El PPS intramuestral fue de 64,1%, mientras que el PPS extramuestral alcanzado fue de 70,0%. De acuerdo al test de acierto direccional, la capacidad predictiva, estimada sobre un conjunto extramuestral de 130 datos semanales, result estadsticamente signicativa. La rentabilidad que se obtiene siguiendo una estrategia de inversin activa utilizando el modelo en el perodo de 130 semanas del conjunto extramuestral fue de 323,8%. Por ltimo, el tercer mejor modelo se encontr con la tcnica de red neuronal Ward con funcionamiento Rolling, el cual consideraba un conjunto muestral de 30 semanas. Las variables de entrada consideradas para la red fueron las siguientes: DJIt-1, DJIt-2, BVSPt-1, BVSPt-3 y EWZt-3. La red neuronal Ward contena dos capas ocultas con ocho neuronas. El PPS intramuestral y extramuestral fueron de 60,4% y 70,0%, respectivamente. El test de acierto direccional mostr que la capacidad predictiva del modelo resulta estadsticamente signicativa.
47
En Anexo 5 se muestra con mayor detalle los mejores resultados para cada tcnica investigada.
38
La rentabilidad de la estrategia de inversin activa utilizando el modelo en el perodo de 130 semanas del conjunto extramuestral fue de 363,6%. Cabe sealar que con la tcnica de lgica borrosa tambin se obtuvo buenos resultados predictivos. El mejor modelo encontrado alcanza un PPS intramuestral de 60,5% y un PPS extramuestral de 67,7%. De acuerdo al test de acierto direccional, la capacidad predictiva, estimada sobre un conjunto extramuestral de 130 datos semanales, result estadsticamente signicativa. La rentabilidad que se obtiene siguiendo una estrategia de inversin activa utilizando el modelo en el perodo de 130 semanas del conjunto extramuestral fue de 377,4%. Por su parte, el mejor modelo fractal encontrado alcanza un PPS intramuestral de 61,8% y un PPS extramuestral de 65,4%, mostrando tambin que tiene una capacidad predictiva, de acuerdo al test de acierto direccional y que la rentabilidad de la estrategia activa alcanza al 285,8% en las 130 semanas del conjunto extramuestral. Por ltimo, los modelos multivariados recursivo y rolling presentaron resultados dispares. Mientras que la tcnica recursiva present buenos resultados, alcanzando su mejor modelo un PPS intramuestral de 66,4% y un PPS extramuestral de 64,6%, la tcnica rolling slo consigui un PPS extramuestral de 56,9% para un PPS intramuestral de 58,0%. El modelo encontrado con la tcnica de recursividad muestra capacidad predictiva estimada sobre un conjunto extramuestral de 130 datos semanales, de acuerdo al test de acierto direccional. El mejor modelo utilizando la tcnica de rolling no muestra una capacidad predictiva, segn el test de acierto direccional. La rentabilidad que se obtiene siguiendo una estrategia de inversin activa utilizando el mejor modelo recursivo en el perodo de 130 semanas del conjunto extramuestral fue de slo 179,5%, inferior a la estrategia buy & hold, aunque el tercer mejor modelo recursivo logr superar la estrategia pasiva, alcanzando una rentabilidad de 274,1% en las mismas 130 semanas. Por otro lado, el mejor modelo ARIMA encontrado, el modelo ARMA(0,6), present un PPS intramuestral de 60,8% y un PPS extramuestral de slo 47,7%. Ninguno de los tres mejores modelos ARIMA pudo superar un PPS extramuestral del 49% sobre el conjunto extramuestral de 130 datos semanales y ninguno tampoco pudo superar una rentabilidad del 73%, siguiendo una estrategia activa de inversin en funcin de los resultados de cada modelo. En el grco siguiente se puede apreciar la evolucin de las estrategias activas de inversin de los diez mejores modelos de prediccin, segn el PPS extramuestral, en las 130 semanas del conjunto extramuestral, asumiendo una inversin inicial de US$ 100.000. Estas estrategias se comparan con la estrategia pasiva de inversin o buy & hold y con las ARIMA.
39
GRFICO 1: Evolucin de las Estrategias Activas y Pasivas de Inversin de los Diez Mejores Modelos de Prediccin para EWZ, segn su PPS Extramuestral
6 0 0 .0 0 0
5 0 0 .0 0 0
4 0 0 .0 0 0
US$
3 0 0 .0 0 0
2 0 0 .0 0 0
1 0 0 .0 0 0
14-11-2003
14-01-2004
14-03-2004
14-05-2004
14-07-2004
14-09-2004
14-11-2004
14-01-2005
14-03-2005
14-05-2005
14-07-2005
14-09-2005
14-11-2005
14-01-2006
B u y & H o ld AG 2 LB 3
AR IMA 1 AG 3 R N ro llin g 1
AR IMA 2 Fra cta l 1 R N ro llin g 2
AR IMA 3 LB 1 R N re cu rs iva 1
AG 1 LB 2
Se puede apreciar que la capacidad predictiva de los modelos se tradujo en benecios econmicos. El mejor modelo en cuanto a rentabilidad corresponde a la tcnica red neuronal Ward con funcionamiento rolling, con el que se obtiene una rentabilidad de 378,9% en las 130 semanas del conjunto extramuestral. Sin embargo, lo ms importante que se puede apreciar es que ocho de los diez mejores modelos multivariados dinmicos predictivos construidos por algoritmo gentico, red neuronal, lgica borrosa y fractal obtuvieron el mayor PPS y, simultneamente, un mayor retorno acumulado que la estrategia de inversin pasiva. En efecto, estos ocho modelos resultaron con un nivel de signicancia estadstica en su capacidad predictiva y lograron superar en rentabilidad a la estrategia de inversin pasiva o buy and hold, por lo que siempre fue mejor gestionar la cartera indexada en funcin de alguno de estos modelos de proyeccin.
8. Conclusiones
En este estudio se construyeron modelos multivariados dinmicos empleando tcnicas de recursividad, rolling, algoritmos genticos, redes neuronales, lgica borrosa y fractales, para
40
14-03-2006
efectos de proyectar, en el instante de tiempo t-1, el signo de variacin que experimentar el iShare EWZ en el instante de tiempo t. Los datos corresponden al perodo comprendido entre el 4 de mayo de 2001 y el 12 de mayo de 2006. Los resultados sealan que es posible construir modelos, a excepcin del rolling, para predecir la variacin del iShare EWZ, que esta capacidad predictiva sera estadsticamente signicativa segn los resultados del test de acierto direccional de Pesaran & Timmermann (1992), y que una estrategia de trading basada en las recomendaciones de compra-venta dadas por los modelos permitira obtener retornos relativamente ms altos que una estrategia pasiva y que los modelos ARMA(0,6), ARMA(6,6) y ARMA(2,6), construidos a partir del estudio de los grcos de autocorrelacin parcial y autocorrelacin simple. La mejor tcnica de proyeccin obtenida en este estudio, para predecir el signo de las variaciones del iShare EWZ, result la de algoritmo gentico, alcanzando un 70,8% de porcentaje de prediccin de signo (PPS) en el conjunto extramuestral de 130 semanas. El segundo mejor modelo tambin result uno alcanzado con algoritmo gentico, logrando un 70,0% de PPS extramuestral. Otra tcnica que alcanz el 70,0% de PPS extramuestral fue la de red neuronal, situndose como el tercer mejor modelo encontrado en este estudio. De esta forma, se presenta evidencia en el sentido que la capacidad de los modelos multivariados dinmicos construidos a travs de las tcnicas de recursividad, algoritmos genticos, redes neuronales, lgica borrosa y fractales, podra resultar relevante para predecir el signo de las variaciones del iShare abordado en este estudio, lo que los sita como una alternativa para efectos de predecir la evolucin de los iShares. Los iShares no lo penalizan con taxes cuando otros inversionistas venden los mismos iShares. Esto es un evento que sucede en los fondos mutuos, pues el supervisor del fondo est obligado a vender posiciones con ganancias para tener el dinero que desean los inversionistas que vendieron. Por eso muchas personas que tenan fondos mutuos y perdieron dinero, por el bajn que dio el Mercado, recibieron la noticia al nal del ao que tenan que pagar impuestos de capital gains (ganancias cuando vendes una inversin) al IRS.
41
Referencias Bibliogrcas
ISHARES.COM. http://www.ishares.com/fund_info/detail.jhtml?symbol=EWZ&qt=EWZ.
[Consulta: 8 agosto 2006]. Fama, Eugene (1970). Efcient capital markets: A review of theory and empirical work. Journal of Finance 25, pp. 383-417. Leung Mark T., Daouk Hazem, Chen An-Sing (2000). Forecasting stock indices: a comparison of classication and level estimation models. International Journal of Forecasting (16)2, pp. 173-190. Lo, A. & Mac Kinley A. C. (1988). Stock market price do not follow random walk: Evidence from a simple specication test. Review of Financial Studies 1, pp. 41-66. Parisi, A. & Parisi, F. CD Teora de Inversiones, Palermo Multimedia. Parisi, A., Parisi, F., & Cornejo, E. (2004). Algoritmos Genticos y Modelos Multivariados Recursivos en la Prediccin de ndices Burstiles de Amrica del Norte: IPC, TSE, NASDAQ y DJI. Publicado en El Trimestre Econmico, N284, pp. 789-810, 2004. Parisi, A., Parisi, F., & Cornejo, E. (2006). Modelos Predictivos de Lgica y Lgica Borrosa en ndices Burstiles de Amrica del Norte. Publicado en El Trimestre Econmico. Forthcoming, 2006. Parisi, A., Parisi, F. & Guerrero, J.L. (2003). Modelos Predictivos de Redes Neuronales en ndices Burstiles. El Trimestre Econmico, Mxico. Pesaran, M.H. & Timmermann A. (1992). A simple nonparametric test of predictive performance. Journal of Business and Economic Statistics 10, pp. 461-465. YAHOO FINANCE. http://nance.yahoo.com/q/hl?s=EWZ. [Consulta: 8 agosto 2006].
42
Anexo 1
Funciones de Transferencia Utilizadas en la Red Neuronal Construida Funcin Gaussiana
La principal diferencia entre la funcin gaussiana y las descritas anteriormente, consiste en que esta funcin no es montonamente creciente, utilizndose para extraer informacin relevante de los extremos. Produce salidas en el rango (0,1) y su expresin es la siguiente:
f (x ) 1,2 1,0 0,8 0,6 0,4 0,2 0,0 -3 -2 -1 0 1 2 x 3
Funcin Gaussiana Complemento

Al igual que la funcin Gaussiana, esta funcin pretende enfatizar informacin importante en valores extremos de los datos, con la diferencia que para estos valores toma el valor de 1, en lugar de 0 como la funcin Gaussiana. Matemticamente, esta funcin es:
f (x ) 1,2 1,0 0,8 0,6 0,4 0,2 0,0 -3 -2 -1 0 1 2 x 3
43
Anexo 2
Lgica Borrosa - Reglas de t-normas y t-conormas
Las operaciones sobre conjuntos establecen las reglas para determinar los conjuntos de unin, interseccin y complemento. Estos se construyen por medio de funciones que manipulan los conjuntos para obtener nuevos conjuntos. Cada diseador puede denir o elegir la operacin de unin, interseccin o complemento que desee. Estas operaciones deben cumplir con ciertas caractersticas: 1. El complemento del conjunto borroso A, C(A), es el conjunto que contiene los elementos que no pertenecen a A. Cumple con: Contorno: en los extremos se comporta igual que la negacin ntida. C(1)=0 y C(0)=1. Monotona: el complemento es montono no decreciente. Involucin: C(C(A))= A
2. La interseccin i asociada a los conjuntos borrosos A y B cumple las siguientes propiedades: Contorno: en los extremos se comporta igual que la interseccin ntida, es decir i(0,0)=0; i(0,1)=0 y i(1,1)=1. Conmutatividad: i(A,B) = i(B,A). Monotona: la interseccin i es montona creciente, es decir: A A, B B i(A,B) i(A,B). Asociatividad: i(i(A,B), C) = i(A, i(B,C)).
Las funciones que verican estas propiedades se denominan t-normas. 3. La unin u de los conjuntos borrosos A y B la denotaremos por u(A, B), la cual cumple con las siguientes propiedades: Contorno: en los contornos se comporta igual que la interseccin ntida. u(0,0)=0; u(0,1)=1; u(1,1)=1. Conmutatividad: u(A, B)=u(B, A). Monotona: la unin u es montona creciente, es decir: A A, B B u(A, B) u (A, B).
44
Asociatividad: u(u(A, B), C) = u(A, u(B, C)). Las funciones que cumplen estas propiedades se denominan t-conormas. La t-normas y la t-conormas se hallan relacionadas. De este modo, jando una de ellas se
puede deducir la otra. A modo de ilustracin, en el siguiente cuadro se presentan algunas reglas de t-normas y t-conormas sobre conjuntos difusos. CUADRO A.2.1: Ejemplo de reglas de t-normas y t-conormas.
Nombre Zadeh Producto Lukasievicz Interseccin Min{fA(x), fB(x)} fA(x)* fB(x) Max{0, fA(x)+ fB(x)-1} Unin Max{ fA(x), fB(x)} fA(x)+ fB(x) - fA(x)* fB(x) Min{1, fA(x)+ fB(x)} Complemento 1- fA(x) 1- fA(x) 1- fA(x)
Anexo 3
Estadsticos de la serie EWZ48
48
Obtenido con el software Eviews 3.1.
45
Anexo 4
Resultado Modelos ARIMA49
A continuacin se muestran los tres mejores modelos ARIMA encontrados.
49
Obtenidos con el software Eviews 3.1.
46
Modelo ARIMA Modelo 1 V a r i a b l e s d e E n t r a d a E W Z t-1 E W Z t-2 E W Z t-3 E W Z t-4 E W Z t-5 E W Z t-6

t-1 t-2 t-3 t-4 t-5 t-6
Modelo 2 0 0 0 0 0 1 0 0 0 0 0 1 0,011999546 0 0 0 0 0 -0,703993722 0 0 0 0 0 0,921228552 61,6% 48,5% 0,10487778 1,596208862 1,664088392 -0,58 < 1,96. No se tiene capacidad predictiva 72,49% 225,58%
Modelo 3 0 1 0 0 0 0 0 0 0 0 0 1 0,004177772 0 0,08431435 0 0 0 0 0 0 0 0 0 0,300603363 60,0% 48,5% 0,080875376 1,599654575 1,66616184 -0,96 < 1,96. No se tiene capacidad predictiva 54,53% 225,58%
AR(1) AR(2) AR(3) AR(4) AR(5) AR(6) MA(1) MA(2) MA(3) MA(4) MA(5) MA(6)
0 0 0 0 0 0 0 0 0 0 0 1 0,004397696 0 0 0 0 0 0 0 0 0 0 0 0,305390974 60,8% 47,7% 0,072515099 1,580822214 1,624718356 -1,03
Constante
1 2
C o e f i c i e n t e s
4
5 6 1 2 3 4 5 6
PPS intramuestral PPS extramuestral R

2
Akaike Info Criterion Schwartz Criterion
Test AD
< 1,96. No se tiene capacidad predictiva 31,16% 225,58%
Rentabilidad estrategia activa Rentabilidad Buy & Hold
Para encontrar los tres mejores modelos se testearon 15 modelos multivariados. Aun cuando el criterio de seleccin fue el de menor valor AIC (Akaike Info Criterion), los criterios del SC (Schwartz Criterion) y PPS apuntan en el mismo sentido, encontrando que el modelo ARMA(0,6) se comporta como el mejor.
47
Anexo 5
Resultados de los Modelos de Prediccin
A continuacin se muestran los tres mejores modelos encontrados para cada tcnica de prediccin.
A.5.1
Recursivo
Modelo Recursivo Modelo 1 V a r i a b l e E n t r a d a D JI t-1 D JI t-2 D JI t-3 B V S P t-1 B V S P t-2 B V S P t-3 E W Z t-1 E W Z t-2 E W Z t-3
t-1 t-2 t-3
Modelo 2 0 1 0 0 0 1 1 1 0 1 1 1 65,6% 62,3% 2,27 > 1,96, Se tiene capacidad predictiva 143,09% 225,58%
Modelo 3 0 0 0 1 0 0 1 1 1 1 1 1 67,2% 61,5% 2,46 > 1,96, Se tiene capacidad predictiva 274,08% 225,58%
0 0 1 1 0 0 0 1 1 0 1 1 66,4% 64,6%
PPS intramuestral PPS extramuestral
3,24 Test de Acierto Direccional (DA) de Pesaran & > 1,96, Se tiene Timmermann (1992) capacidad predictiva Rentabilidad estrategia 179,50% activa Rentabilidad Buy & Hold 225,58%
48
A.5.2
Rolling
Modelo Rolling Modelo 1 V a r i a b l e E n t r a d a D JI t-1 D JI t-2 D JI t-3 B V S P t-1 B V S P t-2 B V S P t-3 E W Z t-1 E W Z t-2 E W Z t-3
t-1 t-2 t-3
Modelo 2 0 1 0 1 0 0 0 1 1 1 1 1 58,0% 53,8% 28 semanas
Modelo 3 0 1 0 1 1 0 0 1 0 0 0 1 60,6% 53,1% 29 semanas
1 1 0 1 1 0 0 1 1 0 0 1 58,0% 56,9% 28 semanas
PPS intramuestral PPS extramuestral Tamao Rolling
1,17 0,65 0,51 Test de Acierto Direccional < 1,96. No se tiene < 1,96. No se tiene < 1,96. No se tiene (DA) de Pesaran & capacidad Timmermann (1992) capacidad capacidad predictiva predictiva predictiva Rentabilidad estrategia 183,87% 127,56% 74,27% activa Rentabilidad Buy & Hold 225,58% 225,58% 225,58%
49
A.5.3
Algoritmo Gentico
Modelo Algoritmo Gentico Modelo 1 V a r i a b l e E n t r a d a D JI t-1 D JI t-2 D JI t-3 B V S P t-1 B V S P t-2 B V S P t-3 E W Z t-1 E W Z t-2 E W Z t-3
t-1 t-2 t-3 1 2 3 1 2 3 1 2 3 1 2 3
Modelo 2 1 0 1 0 1 1 0 0 1 1 1 0 -0,228772226 n.a. -0,095542787 n.a. 0,362749295 -0,303677411 n.a. n.a. -0,563574344 -0,860259881 -0,129838723 n.a. 64,1% 70,0% 4,08 > 1,96, Se tiene capacidad predictiva 323,82% 225,58%
Modelo 3 1 0 0 0 1 1 0 1 1 1 0 0 -0,109334232 n.a. n.a. n.a. 0,073940602 -0,062197163 n.a. 0,358029174 0,710281038 -0,993019424 n.a. n.a. 60,2% 70,0% 4,06 > 1,96, Se tiene capacidad predictiva 356,34% 225,58%
1 0 0 0 1 1 0 0 0 1 0 0 -0,470650167 n.a. n.a. n.a. 0,877691227 -0,768868547 n.a. n.a. n.a. -0,992933268 n.a. n.a. 63,3% 70,8% 4,41 > 1,96, Se tiene capacidad predictiva 372,05% 225,58%
C o e f i c i e n t e s
PPS intramuestral PPS extramuestral Test de Acierto Direccional (DA) de Pesaran & Timmermann (1992) Rentabilidad estrategia activa Rentabilidad Buy & Hold
50
A.5.4
Red Neuronal
Red Neuronal Ward con funcionamiento Rolling (30) Red Neuronal Ward con funcionamiento Recursivo
Modelo 1
Modelo 2
Modelo 3
Modelo 1
Modelo 2
Modelo 3
V a r i a b l e E n t r a d a
D JI t-1 D JI t-2 D JI t-3 B V S P t-1 B V S P t-2 B V S P t-3 E W Z t-1 E W Z t-2 E W Z t-3
1 1 0 1 0 1 0 0 1
1 1 0 0 0 0 0 1 0
1 0 1 1 1 0 1 0 1
0 1 1 0 1 0 0 0 1
0 0 1 0 1 1 0 1 1
1 1 1 1 0 0 0 1 0
Primer valor de ponderadores 0,842800579 de la red PPS intramuestral PPS extramuestral 60,4% 70,0% 4,05 Test de Acierto Direccional (DA) de Pesaran & Timmermann (1992) > 1,96, Se tiene capacidad predictiva 363,64% 225,58%
0,922061889
0,406405867
0,030027158
0,53622014
0,150411824
58,4% 65,4% 3,02 > 1,96, Se tiene capacidad predictiva 379,84% 225,58%
73,3% 62,3% 1,71 < 1,96. No se tiene capacidad predictiva 267,97% 225,58%
51
A.5.5
Fractal
Mejores tres resultados utilizando modelos Fractales

Modelo Fractal: Tringulo de Sierpinski PPS intramuestral PPS extramuestral
Modelo 1
Modelo 2
Modelo 3
61,83% 65,38% 3,52
Test de Acierto Direccional (DA) de Pesaran & Timmermann (1992)
> 1,96, Se tiene capacidad predictiva 285,83% 225,58%
Mejores resultados del resto de los modelos Fractales probados
PPS intramuestral Zn +1 = C . Z n
.
PPS extramuestral 59,2% 57,7% 59,2% 53,1% n.a. 35,4% n.a. 53,8% 50,0%
( 1 - Zn )
61,1% 61,1% 60,3% 61,8% no super el 60% 60,3% no super el 60% 60,3% 60,3%
Zn +1 = Zn 2 + C Zn +1 = Zn
.
(Zn + C )
Zn +1 = C . ( Z n 2 + 1 ) Zn +1 = Zn 4 + C Zn +1 = C s en(-Zn ) Zn +1 = C . s en(Z n ) . c os(Z n ) Zn +1 = C + Zn Zn +1 = C + Zn

. .
e xp(Zn ) c os(-Zn )
52
Nota (2): Para estos modelos, se sigui la estrategia contraria a la recomendacin que indicaba el resultado de su PPS. Cabe recordar que en este tipo de estimaciones es posible utilizar en los modelos con bajo PPS la estrategia contraria a su recomendacin, con lo que se consigue obtener un alto poder predictivo de los modelos con bajo PPS. Esto se debe a que la proyeccin es de tipo dicotmico, por lo que seales de venta en modelos de baja prediccin pueden tomarse como seales de compra y viceversa, obteniendo como PPS nal el complemento del PPS original. Por tanto, un modelo tendr mayor capacidad predictiva mientras su valor diera ms de 50% de PPS, pudiendo observarse el PPS nal de cada modelo de la siguiente forma:
si PPS >50 % PPS si PPS < 50%
capacidad predictiva = PPS
capacidad predictiva = (1-PPS) (Si se utiliza estrategia contraria a la del modelo)
53
QUALITATIVE CHOICE AND LOGIT MODELS APPLIED TO PRICE OPTIMIZATION

Luciano Correa V. Licenciado en Sistemas de Informacin y Control de Gestin Universidad de Chile .M.A and M.Sc. in Engineering, University of Texas at Austin. Ingeniero en Informacin y Control de Gestin Universidad de Chile Contador Auditor Universidad de Chile Research Scientist Associate. University of Texas at Austin Investigador Asociado, Departamento de Control de Gestin y Sistemas de Informacin, Facultad de Economa y Negocios, Universidad de Chile.
Abstract
This paper describes how a Multinomial Logit Model can be implemented in a Qualitative Choice Situation in order to generate an output that will be used to produce the desired optimal pricing. The analysis is based on a simple case where the seller has to dene the best combination of prices to offer for two products, considering a singletype of costumers. Three alternative approaches are compared for the computation: Multinomial Logit, Binary Logit, and Two Stage or Logit-Logit. The analysis of the problem is performed in three phases: Simulation of sales data, Estimation of parameters and Price optimization.
Introduction
The Revenue Management doctrine and dynamic pricing techniques were originally implemented in the 1980s for the Airline industry in order to allocate capacity and seat control, today these models and techniques have spread out to several other industries such as: car rental, hotels, retailers, etc. The generic problem can be stated as selling the right product to the right customer at the right time for the right price therefore, pricing policies are a critical element to be considered in order to solve this issue. Price is one of the most effective variables that managers can manipulate not only to encourage or discourage demand, but also to regulate inventory and production pressures. Nowadays, with the rapid evolution of technologies and e-commerce, dynamic pricing policies and models have become increasingly more popular
55
within the management community; they are key drivers of the companies performance. These new technologies along with strategies of distribution channels more and more sophisticated, have helped create new opportunities and challenges for the dynamic pricing area, not only because changes of prices are made faster, more frequently, and with negligible costs, but also because prices have become more visible to consumers, since they can easily compare shopping alternatives with just the click of a mouse. Customers choose among products based upon their preferences and the prices of all the alternatives offered. Consequently it is important to develop operational models that incorporate the consumer choice.
Qualitative Choice Model (QCM)

A Qualitative choice situation is one in which a decision-maker faces different options among which one has to be selected. Choice of an airline for example is a typical application of discrete choice models. The nature of the choice to be made depends upon the problem faced by the decision-maker. The restrictions placed upon the choices are: a. Finite number of alternatives, b. Alternatives are mutually exclusive, and c. The set of alternatives is exhaustive Consumers are utility maximizers. They select the product they believe has the highest overall utility or happiness from a competing set of products. The option chosen depends on the characteristics of the individual choices, which are inuenced by habit, inertia, experience, advertising, peer pressure, environmental constraints, opinion, etc. Associated with each choice is the choice probability, and it can be specied as a parametric function of the following form:
Pin = f ( xin , x jn for all j i n J n and j i, S n , )

Where,
(1)
xin is the vector of characteristics of alternative i observed by decision-maker n,

Jn is the set of all alternatives, Sn is the observed characteristics of decision-maker n such as income, age, etc., and, is a vector of parameters.
56
Specic qualitative choice models such as logit are obtained by specifying the function f. Multinomial Logit is a choice model of the logit type in which the number of choices is greater than two. QCM are of use in a number of situations. From the choice of a particular set of routes to go to work, to purchasing a specic consumer product, the options faced by a decision-maker can usually be dened to meet the restrictions mentioned above. The Logit Model The logistic function, the S-curve, or Sigmoid curve how is also called some times, was invented in the 19th century as a result of an investigation of the growth of populations and chain reactions by Pierre-Franois Verhulst, and published between 1838 and 1847. Later, the function was re-discovered independently by Pearl and Reed in 1920 in another model of population growth. As shown below, the initial part of the curve shows an exponential growth, and after the inection point, the curve shows a logarithmic growth. The outcome is not a prediction but a probability of belonging to a particular state.
S ta n d a rd L o g is tic F u n c tio n (S ig m o id C u rv e )
P r (x )
1 .0 0 .9 0 .8 0 .7 0 .6 0 .5 0 .4 0 .3 0 .2 0 .1 0 .0 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6
x
Logit models become popular in 1974 after Daniel McFaddens derivation of the conditional Logit analysis used on his theory of discrete choice, which was the subject of his Nobel
57
Prize in Economics in the year 2000. Even though Logit models were rst introduced by Joseph Berkson in 1944, McFaddens derivation of the model was entirely new and was immediately recognized as a fundamental breakthrough. McFaddens theory of discrete choice emanates from microeconomic theory, according to which each individual chooses a specic alternative that maximizes his utility. However, as the researcher cannot observe all the variables affecting individual choices, he perceives a random variation across individuals with the same observed characteristics. On the basis of his new theory, McFadden developed micro econometric models that can be used, for example, to predict the share of a population that will choose different alternatives. Suppose that each individual in a population faces a number, say J, of alternatives. Let X denote the characteristics associated with each alternative that the researcher can observe in his data. In a study of the choice of transportation mode, for example, where the alternatives may be car, bus or subway, X would then include information about time and costs. It could also include another different variable, S, to represent individuals characteristics such as age, income and education, but since we are considering only one type of customer, to simplify the problem, the variable S will be ignored. Other differences among individuals and alternatives, besides X and S, are unobservable to the researcher, and also determine an individuals utilitymaximizing choice. Such characteristics are represented by random error terms. McFadden assumed that these random errors have a specic statistical distribution in the population. Under these conditions, plus other technical assumptions, the probability or purchase likelihood (PL) that individual i will choose alternative j can be written as:
(2) Where, Uij is the utility of alternative j to customer i Jn is the set of alternatives offered to customer n In this multinomial Logit model,
e is the base of the natural logarithm. In the data, the
researcher can observe the variables X, as well as the alternative the individual chooses. nent of the utility Uij for alternative j, for example linear in attributes, Uij = Txij, where is a vector of parameters and This form is then used in the calculation of choice probabilities according to the logit model. The basic multinomial logit model assumes a particular form for the deterministic compo-
x is a vector of attributes for alternative j such as price of product.
58
For a particular example of 2 products and one-type of customer, the linear utility functions associated to each product will be:
U 1 ( xi ) = 1 + 11 P1 + 21 P2 + 1
U 2 ( xi ) = 2 + 12 P1 + 22 P2 + 2
Where, Ui = Utility associate to consumption of product i Pi = Price of product i
(3) (4)
, and are parameters is the random error term

Then the probabilities that individual will choose each alternative can be written as:
Pr (No Buy = 0 | xi) =
Pi 0 =
1 + e(U1 ( xi ) ) + e(U 2 ( xi ) )
(5)
Pr (Buy = 1 | xi) =
e (U1 ( xi ) ) Pi1 = 1 + e (U1 ( xi ) ) + e (U 2 ( xi ) )

e (U 2 ( xi ) ) Pi 2 = 1 + e (U1 ( xi ) ) + e (U 2 ( xi ) )
(6)
Pr (Buy = 2 | xi) =
(7)
Problem Description
A very simple situation will be simulated in order to have a better understanding of the theory and the practical problem involved by using QCM. Lets consider a situation where a single type of customer faces three choices for some specic product. For example consider a college student of certain age and income, who is shopping for RAM memory to upgrade his/ her personal computer. The customer accesses an internet website specialized on this product, and after browsing for the memory required for a particular laptop, found out that he could decide between the following alternatives: (a) buy a memory chip of 128 MB for Price 1, (b) buy a memory chip of 256 MB for a price 2, or (c) no purchase. It is important to be aware of that the problem we are trying to focus on, is not from the perspective of the customer who is trying to select the best alternative according to his/her preferences and budget constraints, but from
59
the sellers perspective who wants to select the best combination of prices that maximize his benets. Consider also that the customer can make exactly one of the choices specied above, that is, they can purchase one unit of the product 1, product 2 or not buy anything. Then the idea is to model this situation as a qualitative choice problem using Logit models to formulate an optimization problem. The solution to this problem should specify the prices to be offered for each product for every customer. In other words, the customers select a product according to their preferences (utility), which depends on attributes of the alternatives (such as prices) and the objective is to obtain the set of prices that maximize the total expected revenue (sales) for the seller, which is given by: Max Z = (PL1 x P1 + PL2 x P2) Where PLi is the Purchase likelihood (choice probability) of buying product i (8)
Procedure and Model Implementation

First and in order to compare results from three different approaches: Multinomial Logit, Simple Logit, and Two Stage or Logit-Logit, it is important to dene a theoretical optimum which will be based on a given utility function. This theoretical optimum will provide the maximum benet achievable for a combination of prices. Appropriate values of parameters to be used in the utility function must be chosen by experimenting with the logit function. This is done by plotting the curves of purchase likelihoods (PLs) for both products based on different prices and using xed values of alphas and betas. This experiment also will help to determine appropriate price ranges for the products. Using these parameters selected, we formulate the objective function to be maximized and solve it to estimate the optimal expected revenue. Then Multinomial Logit Regressions are applied to sales data simulated (series of prices and decision made by the customer) to estimate the parameters of the utility function and thus the purchase likelihoods for both products. Based on these new parameters, the optimum is recalculated and compared with the theoretical one. The new optimum is computed for the models describe below:
60
1. Multinomial Logit Model:

This model was previously described and under this approach, the equation (8) is optimized, based on utility functions and purchase likelihoods computed from (3) to (7).
2. Binary or Simple Logit Model (buy/no buy):

In this case the dependent variable could any of the following two values (binary): 0 = No Buy, or 1 = Buy Product 1 or 2 The objective function to be optimized is the same as (8) and the utility function and purchase likelihood for each product are obtained using:
U ( xi ) = + 1 P 1 + 2 P 2 +
(9)
e (U ( xi ) ) Pr( Buy ) = 1 + e (U ( xi ) ) 1 o Buy ) = Pr( N 1 + e(U ( xi ) )

3. Two Stage Model or Logit-Logit
In case the following two stages are applied:
(10)
(11)
Stage 1: Solve Logit model considering categorical values for Buy (either product 1 or 2), and No Buy. This stage should give the same results than the previous model of Simple Logit. Stage 2: Given that they are buying, consider only the Buy sample and applied Logit model with categorical values for Buy Product 1, and Buy Product 2. The objective function is as (8) and the purchase likelihoods are obtained using the following for each product: PLi = PLi (stage1) x PLi (stage2) (12)
Different size data sets are considered to study the behavior of the three different models. The data sets are generated by a C++ simulation program described later. The optimization problem is solved using Jensens add-in.
61
Selection of Theoretical Parameters Since there is just one-type of customer, then customer segmentation is not needed and therefore we only have to dene a single set of parameters for each product to represent the customer. The process of determining this set of parameter values is essential, because these values will build the equations for purchase likelihood of each product. Having a reliable set of parameters will give a good representation of the customer behavior when prices of the products vary. By using a program specially designed for this purpose, we can observe the variation of the PLs of each product as the parameter values change. The calculation of PL is made by a Microsoft Excel macro that reads the beginning and ending values dened by the user for the parameter of interest. Starting from the beginning parameter value; the macro gathers all the parameters of the utility functions and steps through a loop which calculates a new set of purchase likelihood for each product. After recording the set of purchase likelihoods, the macro increments the parameter value for the next loop. The loop runs until the parameter of interests reaches the ending value set by the user. With a set of recorded purchase likelihoods, the macro creates a graph illustrating how the purchase likelihoods change when the user decides to vary a certain parameter or the price of a product. In the example below, we varied 11 from -0.0613 to 0.0107 to examine purchase likelihood. From the resulting graph for purchase likelihood against 11, we decided to use a value for 11 between -0.0493 and -0.0333 because the purchase likelihood decisions are not too far apart. Figure 1 Graph of purchase likelihood against 11
Purchase Likelihood Probability by varying Beta1(Price1)
1.0000 0.9000 0.8000 0.7000 0.6000 0.5000 0.4000 0.3000 0.2000 0.1000 0.0000
P(Product 1) P(Product 2) P(No Buy)
62
-0 .0 61 -0 3 .0 56 -0 3 .0 51 -0 3 .0 46 -0 3 .0 41 -0 3 .0 3 -0 63 .0 31 -0 3 .0 2 -0 63 .0 21 -0 3 .0 16 -0 3 .0 1 -0 13 .0 06 -0 3 .0 01 0. 3 00 3 0. 7 00 87
After we have the initial set of parameters, we proceed to check whether the PL made sense if we vary the selling price of the product. For example, we varied the price of the superior product, Product 1 from $5 to $115 while keeping the price of the inferior product, Product 2 xed at $37. The resulting graph below shows that when Product 1 is priced below $79, the customer has a higher preference for Product 1 than for Product 2. However as the price of Product 1 continues to rise, the customer switches to Product 2 even though his choice of product is less superior than Product 1. Also, when the price of Product 1 was very low, even the probability of not buying was extremely low because the offer was too hard to resist. Figure 2 Graph of purchase likelihood against price of Product 1
Purchase Likelihood Probability by varying Price1

1.0000 0.9000 0.8000 0.7000 0.6000 0.5000 0.4000 0.3000 0.2000 0.1000 0.0000
P(Product 1) P(Product 2) P(No Buy)
5. 00 13 0 0 .0 0 21 00 .0 0 29 00 .0 0 37 00 .0 0 45 00 .0 0 53 00 .0 0 61 00 .0 0 69 00 .0 0 77 00 .0 0 85 00 .0 0 93 00 .0 0 10 00 1. 0 10 000 9. 00 00
We eventually came up with a set of parameters to characterize our customer. These parameter values are shown in the table below. Negative values corresponding to 11 and 22 imply that the customer reacts negatively to price increases for a product. Table 1 Parameter values with corresponding product
1 Product 1 Product 2 1.99 2 1.28 11 -0.039 21 0.01 12 0.0056 22 -0.079
63
Simulation Methodology
In this version of the simulation we have simply implemented the problem described above in C++. The purpose of this is to generate sales data which can be used on an initial model.
64
User Input: a. Number of observations b. Number of products c. The min and max price of each product. The prices are modeled as a uniform random variable in each time period. Each customer faces a different set of prices for each alternatives d. The values of the parameters Control Logic: a. In this program we have used the random number generator written by Pierre LEcuyer of Canada. The output of the program is a Uniform (0, 1) random variable which is then transformed to the required distribution. b. Once the user species the required input, the generation process is started. c. The user input is through Excel. We have required that the user input any negative parameter with sign separately. This was due to an implementation problem that we encountered. d. The Excel le is then saved as a text le and the program reads this data from the text le. The problem that we encountered was that the program would read the correct value of the parameter but not the sign. This was the reason we had to enter the sign separately. e. For each customer the prices offered are different. They are generated as uniform random variates between min price and max price both of which are user specied for each product. The function that does this is actprices. f. The function compute PL calculates the purchase likelihood or the choice probabilities for each product. The choice probabilities are calculated as explained below: Let us for example suppose that there are three choices corresponding to two products and no buy. The probability that each customer chooses, say, product 1 is calculated as:
P1 ( S ) =
e utility ( 1 )
e utility ( 1 ) + e utility ( 2 ) + e utility ( 0 )
65
g. The utilities are calculated as shown in the previous section. Since the parameters are known and the price offered have been generated it is no problem to compute this for each customer. h. These probabilities vary from customer to customer because each customer sees different prices. They are calculated for each customer inside the same loop. They are then written to a le where they are stored. Since in this case there are only two products three values are written to the le, P1(S), P2(S), P3(S). These values get overwritten each time the loop is executed. In other words at any point in the execution of the program only the choice probabilities of the current customer are stored. i. The customers choice is then decided by a uniform random number generated form a separate stream. If this value is between 0 and P1(S), the customer choice is 1. If it is between P1(S) and P1(S) + P2(S), the choice is 2. If is between P1(S) + P2(S) and 1, then the choice is no buy. j. This function also writes the following elds to a text le. This text le can then be opened using any statistical analysis package for regression analysis. The elds written are: Customer Number, Prices of different choices, choice probabilities (optional), Buy/no buy and Actual Choice. This function writes data for each customer and is called once for every customer. The text format is chosen because it is portable across different packages and even operating systems. The actual code can be found in Appendix A and a sample of the output data is provided below.
66
Sample of Sales Data Simulated with C++

Trial 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Price 1 84.766 79.062 73.543 74.430 65.902 85.291 79.154 72.332 74.151 66.848 81.385 80.328 74.670 80.419 80.889 70.389 67.350 71.567 88.533 76.352 83.901 69.720 66.951 78.768 75.818 88.201 74.042 84.724 68.771 74.857 Price 2 42.183 37.873 34.273 44.609 38.933 31.921 36.452 41.406 48.240 34.778 33.590 46.209 34.475 38.974 37.897 38.748 31.744 41.481 47.566 32.394 47.470 41.168 30.199 37.682 47.335 34.578 44.392 49.166 48.164 48.240 Decision (purchase) 0 0 0 0 0 0 0 1 1 0 0 0 0 1 0 0 1 0 0 1 0 1 2 0 1 0 1 0 1 0
Statistical Analysis Forty data sets were generated for statistical analysis. Ten different seeds were used in the random number generator for four different sizes of data sets: 100, 500, 1000, and 20000 observations. This was done to compare the difference between the optimal solutions obtained by the different methods with increase in available data. The parameters obtained by logistic regressions over the 10 different replications for each data set were averaged to compute the optimum. All the logistic regressions and statistical analysis was carried out using the software
67
SYSTAT. The sample output is provided in Appendix B. The regression results for multinomial logit model are shown below in Fig 3, 4 and 5. Figure 3: Average of Alpha Values for Both Products
A L P H A (A V E R A G E )
3 2.5 2
ALPHA
1.5 1 0.5 0
0 0 00 10 50 p p 10 20
0
sm
sm
sm
EST IM A T ED U( 1)
T HEORET IC A L (1)
EST IM A T ED U( 2)
The gures represent the averages of the parameter values obtained from regression analysis for each data set. As can be observed the average of the parameter values tend to the actual parameter values as the size of the data set increases. Figure 4: Average of Beta1 Values for Both Products
B E T A 1 (A V E R A G E )
0.02 0.01 0 -0.01
BETA 1
-0.02 -0.03 -0.04 -0.05 -0.06

10 0 50 0 10 0 p p 20 sm
EST IM A T ED U( 2) T HEORET IC A L U(2)
sm
T HEORET IC A L U(2)
p
p 00 0
sm
sm
EST IM A T ED U(1)
T HEORET IC A L (1)
68
sm
00
Figure 5: Average of Beta2 Values for Both Products
B E T A 2 (A V E R A G E )
0.04 0.02 0 -0.02 -0.04 -0.06 -0.08 -0.1
10 0 50 0 00 p p 10 20 sm
EST IM A T ED U(2) T HEORET IC A L U(2)
BETA 2
sm
sm
sm
EST IM A T ED U(1)
T HEORET IC A L (1)
Optimization Procedure We used Jensens Excel Solver for Non-Linear Program to obtain the optimal expected revenue based on the prices of Product 1 and Product 2. Considering the parameter values obtained from a regression analysis of a particular sample size and seed, we ran an optimization procedure to obtain the optimal prices. We plugged the optimal prices into the multinomial logit model which contains the original parameters and we observe how the set of optimal prices perform with respect to the theoretical expected revenue. For each sample size, we took an average of the expected revenue when the optimal prices were plugged into the multinomial logit model with original parameters. A total of 120 optimization procedures were computed considering four types of sample sizes, ten different data set of observations from each sample size, and three optimization models. The results obtained from the regression analysis are shown in Appendix C. The optimization problem for each approach can be stated as follow: Decision Variables: Price1 and Price2
1. Multinomial Approach:
Objective: Constraints: Max E (Revenue) = Price1 * PL1 + Price2 * PL2
P L
utility (1)
e utility (1) + e utility ( 2 ) + e utility ( 0 )

69
00
P L
utility (1)
e utility ( 2 ) + e utility ( 2 ) + e utility ( 0 )
pl price pu
Where, Utility (1) = 1 + 11* Price1+ 12* Price2, Utility (2) = 2 + 21* Price1+ 22* Price2 Utility (0) is usually treated as the reference and is set to one, and Pl and Pu are vectors of upper and lower limits of prices for each product.
2. Binary Logit:
Objective: Max E (Revenue) = Price1 + Price 2
( 2 ) eU eU + 1
Constraints:
U = + ( Price1 ) 1 + ( Price 2 ) 2
pl price pu
3. Two Stage or Logit-Logit:

Objective: Max E (Revenue) =
(Price1 )
e U1 e U1 + 1
eU 2 e U1 + ( Price ) 2 eU 2 + 1 e U1 + 1
1 e +1
U2
Subject To:
U 1 = 1 + ( Price 1 ) 1 + ( Price 2 ) 1 2 2
U 2 = 2 + ( Price 1 ) 2 + ( Price 2 ) 2 1
pl price pu
70
The entire procedure is shown in the following chart
THEORETICAL MODEL U (1) =1.99 0.0388P1 + 0.00555P2 U (2) =1.28 0.00998P1 + 0.0788P2
DATA SIMULATION 10 different seeds, 4 sample sizes, and 3 approaches = 120 samples
PARAMETER ESTIMATION 120 regressions
MULTINOMIAL MODEL
1 U (1) = 1 + 11 P1 + 2 P2
SIMPLE LOGIT
U = + 1 P1 + 2 P2
2-STAGE LOGIT Stage1 = U (1) = 1 + 12 P1 + 12 P2 Stage2 = U (2) = 2 + 21 P1 + 22 P2
U (2) = 2 + 12 P1 + 22 P2
OPTIMIZATION MAX Z = PL1 x P1 + PL2 x P2
OPTIMIZATION MAX Z = 0.5(P1 + P2) PL
PLi =
eU ( i ) eU (1) + eU ( 2 ) + 1
PL =
eU 1 + eU
eU (1) eU ( 2 ) eU (1) + 1 eU ( 2 ) + 1 eU (1) 1 PL2 = U (1) U ( 2 ) e +1 e +1 PL1 =
* * P 1 and P 2
COMPARATIVE ANALYSIS THEORETICAL MODEL V/S ALL 3 DIFFERENT APPROACHES
PLi =
eU ( i ) eU (1) + eU ( 2 ) + 1
Results and Conclusions The following graph summarizes and compares the main results for each approach.
71
It can be seen that the Multinomial Logit Model is the approach that produces the best results since it is the closest to the theoretical optimum, and its accuracy increases with the number of observations. Based on these results for this simple situation with two products and one-type of customer, we veried that in general discrete choice models can be implemented by using multinomial logistic regression techniques in order to produce coefcients and likelihood percentages to estimate choice probabilities. The models output are utility scores that can be used to produce the desired optimal pricing. This initial approach offers plenty of scopes for further research as the problem to be considered approximates better to the true scenario of a customer choice. Some aspects of the problem that merit further research are listed below: Include other attributes of products, and include cross product of prices in regression model Effect of Display Order, and effect of suggestions such as Most Bought in the display page Extend the model to several products and different customer segments, and Compare with continuous models such as linear regression.
ACKNOWLEDGMENT
The author wishes to thank PhD (c) Balaji Sampath and M.Sc. William Lee at the Operation Research Graduate Program at The University of Texas at Austin for valuable assistance with the programming and computer code for the simulation presented in this paper.
72
REFERENCES
Ben-Akiva, M. et.al., 1997. Modeling Methods for Discrete Choice Analysis. Marketing Letters 8:3, p. 273-286 Ben-Akiva, Moshe and Steven Lerman, 1985. Discrete Choice Analysis. MIT Press. Cambridge, MA. Bertsekas,D. 1995. Dynamic Programming and Optimal Control. Vol. I. Athena Scientic, Belmont, MA. Bitran, G. and Caldentey, R. 2003. An overview of Pricing Models for Revenue Management. Manufacturing & Service Operations Management, Vol.5, No 3. Jensen P. and Bard J. 2003. Operation Research Models and Methods. John Wiley & Sons Inc. McFadden, D. 1974. Conditional Logit Analysis of Qualitative Choice Behavior. Frontiers in Econometrics, New York Academic Press, p. 105-142. McFadden, D. 1981. Econometric Models of Probabilistic Choice Behaviour. In Structural Analysis of Discrete Data with Econometric Applications. C.F. Manski and D. McFadden, eds.. MIT Press. Cambridge, MA. Medina S. and Ward R., 1999. A Model of Retail Outlet Selection for Beef. International Food and Agribusiness Management Review 2(2): 195 219 Phillips, R. 2004. Pricing and Revenue Optimization, Stanford University Press. Stanford, CA. Talluri, K. T. and van Ryzin, G. J. 2004. The Theory and Practice of Revenue Management. Kluwer Academic, Norwell, MA. Train, Kenneth E. 1986. Qualitative Choice Analysis: Theory Econometrics, and an application to Automobile Demand. MIT Press; Cambridge, MA.
73
Appendix A: C++ code

#include <fstream.h> #include <iostream.h> #include<math.h> #include<stdio.h> #include "mrand.h" #include "mrand_seeds.h" #define norm 2.328306549295728e-10 #define norm2 2.328318825240738e-10 #define m1 4294967087.0 #define m2 4294944443.0
/* 1.0/(m1+1) */ /* 1.0/(m2+1) */
/* Generate the next random number. */ double mrand(int stream) { long k; double p, s10 = drng[stream][0], s11 = drng[stream][1], s12 = drng[stream][2], s20 = drng[stream][3], s21 = drng[stream][4], s22 = drng[stream][5]; p = 1403580.0 * s11 - 810728.0 * s10; k = p / m1; p -= k*m1; if (p < 0.0) p += m1; s10 = s11; s11 = s12; s12 = p; p = 527612.0 * s22 - 1370589.0 * s20; k = p / m2; p -= k*m2; if (p < 0.0) p += m2; s20 = s21; s21 = s22; s22 = p; drng[stream][0] = s10; drng[stream][3] = s20; drng[stream][1] = s11; drng[stream][4] = s21; drng[stream][2] = s12; drng[stream][5] = s22;
if (s12 <= s22) return ((s12 - s22 + m1) * norm); else return ((s12 - s22) * norm); } /* Set seed vector for stream "stream". */ void mrandst(double* seed, int stream) { int i; for (i = 0; i <= 5; ++i) drng[stream][i] = seed[i]; } /* Get seed vector for stream "stream". */ void mrandgt(double* seed, int stream) { int i; for (i = 0; i <= 5; ++i) seed[i] = drng[stream][i]; } void actprices(int num) { ifstream prod_price("price_data.txt"); ofstream act_price("act_prices.txt"); cout<<"ENTERING actprices"<<endl<<endl; int i; long double min_price, max_price, price; for(i=1;i<=num; i++) { prod_price>>min_price; prod_price>>max_price; price = min_price + (max_price - min_price)*mrand(133); act_price<<price<<endl; } } void computeexp(int prod) { ifstream paramet("parameters.txt"); cout<<"ENTERING computeexp"<<endl<<endl; ofstream PLexp("exponents.txt");
74
char sign; long double param, price, z; for(int i =1; i<= prod; i++) { paramet>>param; cout<<param<<endl; z= exp(param); cout<<z<<endl<<endl; ifstream actpr("act_prices.txt"); for(int j =1; j<= prod;j++) { paramet>>sign; paramet>>param; actpr>>price; cout<<param<<endl; cout<<price<<endl; if(sign == '-') { z= z*exp(-param*price); cout<<z<<endl<<endl; } else if(sign == '+') { z= z*exp(param*price); cout<<z<<endl<<endl; } } PLexp<<z<<endl; z=1; } } long double sumexp(int prod) { cout<<"ENTERING sumexp"<<endl<<endl; ifstream exp_data("exponents.txt"); long double sum =0, exp=0; for(int i =1; i<=prod;i++) { exp_data>>exp; sum+=exp; } //cout<<sum<<endl<<endl; return sum; } void computePL(int prod) { ifstream exp_data("exponents.txt"); ofstream PLdata("PLdata.txt"); cout<<"ENTERING computePL"<<endl<<endl; int i; long double price, sum=0,sum1=0, level=0, exp=0; computeexp(prod); sum = sumexp(prod)+1; for(i =1; i<=prod;i++) { exp_data>>exp; sum1+=exp; level = sum1/sum; PLdata<<level<<endl; } PLdata<<1<<endl; } void main() { ifstream input_data("data.txt"); ofstream write_data("sales_data.txt"); ofstream price_data("price_data.txt"); ofstream parameters("parameters.txt"); ofstream write_prob("prob.txt"); ofstream write_rand("rand.txt"); int num_prod=0, num_obs=0;
23
75
char dummy; const int MAX = 80; char buffer[MAX]; long double min_price, max_price, price; long double param; int i, j, k; input_data>>buffer; cout<<buffer<<endl; input_data>>num_prod; cout<<num_prod<<endl; input_data>>buffer; cout<<buffer<<endl; input_data>>num_obs; cout<<num_obs<<endl; input_data>>buffer; cout<<buffer<<endl; for(i = 1;i<=num_prod;i++) { input_data>>dummy; input_data>>min_price; input_data>>max_price; price_data<<min_price<<" "; price_data<<max_price<<endl; } input_data>>buffer; cout<<buffer<<endl; for(i=1;i<=num_prod;i++) { for (j=1; j<=num_prod+1;j++) { input_data>>dummy; input_data>>param; if(j>=2) { parameters<<dummy<<" parameters<<param<<" } else { parameters<<param<<" } } parameters<<endl; } long double choice,PL, price1; long double PL1=0, dum=0, prob1=0; for(i=1;i<=num_obs;i++) { write_data<<i<<" "; actprices(num_prod); ifstream act_prices("act_prices.txt"); for(j=1;j<=num_prod;j++) { act_prices>>price1; write_data<<price1<<" } computePL(num_prod); ifstream PLdata("PLdata.txt"); choice = mrand(46); write_rand<<choice<<endl; PL1=0; for(j=1;j<=num_prod+1;j++) { dum = PL1; PLdata>>PL1; prob1 = PL1 - dum; write_prob<<prob1<<" } write_prob<<endl;
"; ";
";
";
";
24
76
ifstream PLd("PLdata.txt"); for(j=1;j<=num_prod+1;j++) { PLd>>PL; if (choice<=PL) { if(j<=num_prod) { write_data<<j<<endl; } if(j==num_prod+1) { write_data<<0<<endl; } break; } } } }
77
Appendix B: Sample Output from SYSTAT

Categorical values encountered during processing are: VAR(4) (3 levels) 1, 2, 3 Total : 21 Multinomial LOGIT Analysis. Dependent variable: VAR(4) Input records: 20000 Records for analysis: Sample split Category choices 1 2 3 (REFERENCE) Total : L-L L-L L-L L-L L-L Log at iteration at iteration at iteration at iteration at iteration Likelihood: 1 2 3 4 5 5045 3889 11066 20000 is -21972.246 is -19441.606 is -19365.374 is -19365.089 is -19365.089 -19365.089 Estimate 1.849 -0.039 0.009 1.280 0.009 -0.078 S.E. 0.222 0.002 0.003 0.246 0.003 0.003 t-ratio 8.333 -16.312 3.164 5.206 3.498 -22.990 p-value 0.000 0.000 0.002 0.000 0.000 0.000
20000
Parameter Choice Group: 1 1 CONSTANT 2 VAR(2) 3 VAR(3) Choice Group: 2 1 CONSTANT 2 VAR(2) 3 VAR(3)
95.0 % bounds Parameter Odds Ratio Upper Lower Choice Group: 1 2 VAR(2) 0.962 0.966 0.957 3 VAR(3) 1.010 1.015 1.004 Choice Group: 2 2 VAR(2) 1.009 1.015 1.004 3 VAR(3) 0.925 0.931 0.919 Log Likelihood of constants only model = LL(0) = -19866.669 2*[LL(N)-LL(0)] = 1003.160 with 4 df Chi-sq p-value = 0.000 McFadden's Rho-Squared = 0.025
78
Covariance matrix QML adjusted. Log Likelihood: -19365.089 Parameter Choice Group: 1 1 CONSTANT 2 VAR(2) 3 VAR(3) Choice Group: 2 1 CONSTANT 2 VAR(2) 3 VAR(3) Parameter Choice Group: 1 2 VAR(2) 3 VAR(3) Choice Group: 2 2 VAR(2) 3 VAR(3) Estimate 1.849 -0.039 0.009 1.280 0.009 -0.078 Odds Ratio 0.962 1.010 1.009 0.925 S.E. 0.220 0.002 0.003 0.248 0.003 0.003 t-ratio 8.421 -16.353 3.188 p-value 0.000 0.000 0.001 0.000 0.000 0.000
5.170 3.492 -23.075 95.0 % bounds Upper Lower 0.966 1.015 1.015 0.931 0.957 1.004 1.004 0.919
Log Likelihood of constants only model = LL(0) = -19866.669 2*[LL(N)-LL(0)] = 1003.160 with 4 df Chi-sq p-value = 0.000 McFadden's Rho-Squared = 0.025
Model Prediction Success Table Actual Choice 1 2 3 Pred. Tot. Correct Success Ind. Tot. Correct Predicted Choice 1 1355.262 910.429 2779.309 5045.000 0.269 0.016 0.420 Actual Total 5045.000 3889.000 11066.000 20000.000
2 909.965 868.223 2110.812 3889.000 0.223 0.029
3 2779.773 2110.348 6175.879 11066.000 0.558 0.005
79
Appendix C: Main Regression Results

M u ltin o m ial M o d el S eed 1 P rice/C h o ice 3,10 F u n ctio n U1 U2 U1 U2 U1 U2 U1 U2 U1 U2 U1 U2 U1 U2 U1 U2 U1 U2 U1 U2 U1 U2 U1 U2 5.688 6.707 2.699 1.934 0.569 4.456 7.74 -0.283 -2.015 4.505 5.998 6.831 1.892 -6.794 0.745 -2.633 0.148 2.965 2.944 2.618 100 1 -0.102 -0.035 -0.071 0.014 0.012 0.021 -0.076 0.019 -0.011 -0.023 -0.084 -0.077 -0.042 0.053 -0.036 0.018 -0.068 -0.018 -0.074 -0.031 2 0.026 -0.124 0.05 -0.093 -0.07 -0.173 -0.064 -0.049 0.05 -0.097 -0.008 -0.049 S am p le S ize 500 1000 20000 1 2 1 2 1 2 3.702 -0.059 0.004 3.051 -0.049 -0.002 2.092 -0.037 -0.001 2.355 0.001 -0.091 1.867 0 -0.075 1.296 0.01 -0.079 1.15 -0.036 0.024 2.212 -0.046 0.054 0.018 -0.064 0.628 0.009 0.413 -0.024 1.373 0.029 0.823 1.319 0.017 2.294 -0.039 -0.002 -0.06 1.02 0.012 -0.076 -0.04 0.005 0.013 -0.082 -0.04 0.004 0.007 -0.076
30,50
22,56
0.012 1.586 -0.036 0.008 2.097 -0.12 1.572 0.021 -0.113 1.214
200,373
-0.04 0.036 0.731 -0.033 0.025 2.108 0.007 -0.075 0.712 0.01 -0.068 1.438
133,46
4.045 -0.058 -0.003 3.099 -0.052 0.008 2.039 -0.041 0.009 1.272 0.003 -0.063 1.662 0.003 -0.071 0.887 0.012 -0.073 0.925 -0.038 0.03 1.239 -0.038 0.019 2.064 2.51 -0.011 -0.069 1.117 -0.001 -0.052 1.181 -0.04 0.005 0.01 -0.077
44,63
84,112
0.02 0.643 -0.038 0.038 0.735 -0.036 0.029 1.849 -0.039 0.009 0.036 -1.367 0.027 -0.047 0.293 0.021 -0.077 1.28 0.009 -0.078 0.024 0.001 0.112 -0.063 0.029 -0.046 1.138 -0.025 -0.001 1.575 -0.023 -0.015 2.095 -0.039 0.003 1.177 0.025 -0.105 1.203 0.02 -0.094 1.13 0.012 -0.078 1.735 -0.044 0.026 0.811 -0.033 0.025 2.002 -0.041 0.008 2.08 -0.001 -0.076 1.015 0.011 -0.074 1.476 0.007 -0.078 2.322 -0.055 0.026 2.253 -0.048 0.017 1.882 -0.038 0.007 -0.59 0.012 -0.034 1.557 0 -0.068 1.077 0.01 -0.073
27,84
23,33
10
12,454 Av erag e
2.6408 -0.0552 0.0169 1.6896 -0.042 0.0192 1.729 -0.039 0.0131 2.052 -0.039 0.0047 2.0306 -0.0059 -0.0657 1.0183 0.011 -0.074 1.163 0.0094 -0.075 1.2 0.0102 -0.077 1.99 1.28 -0.0388 0.00555 0.00998 -0.0788
T h eo retical
80
DE COSTO HISTRICO A VALOR JUSTO: EFECTOS EN ACTIVO FIJO E INTANGIBLE

Mara Paulina Zunino Ravera Licenciada en Sistemas de Informacin y Control de Gestin, Universidad de Chile Ingeniero en Informacin y Control de Gestin, Universidad de Chile Contador Auditor Universidad de Chile Acadmico Departamento de Control de Gestin y Sistemas de Informacin pzunino@fen.uchile.cl Karina Chanda Troncoso. Licenciada en Sistemas de Informacin y Control de Gestin, Universidad de Chile Ingeniero en Informacin y Control de Gestin, Universidad de Chile Contador Auditor Universidad de Chile Ayudante de Investigacin Departamento de Control de Gestin y Sistemas de Informacin
Resumen
Por siglos la contabilidad aplic el costo histrico como base para el reconocimiento de los activos. Los precios de mercado si bien han ido ganando espacio, a lo menos en nuestro pas, salvo excepciones, normalmente se han incorporado como base de valuacin slo cuando son inferiores a los costos incurridos en la elaboracin o adquisicin de un bien o servicio. Sin embargo, con la adopcin de las Normas Internacionales, los valores justos o razonables de activos y pasivos adquieren protagonismo. Es por ello que, en este estudio, hemos querido mostrar los principales aspectos expuestos en las Normas Internacionales que proponen al valor razonable como base de valuacin y, por estar directamente relacionado con ello, el reconocimiento del deterioro de valor de los activos; para luego analizar especcamente sus efectos en los activos jos e intangibles. Se observa que las empresas tendrn un impacto en resultado tanto por la adopcin de estos nuevos criterios de valuacin, como por un incremento en gastos administrativos producto de la gestin que debern realizar para determinar y controlar dichos valores. Adicionalmente enfrentarn mayores diferencias con la normativa tributaria ya que las bases nanciero/tributarias sern
81
desiguales, por lo que se debern registrar activos o pasivos por impuestos diferidos adicionales a los ya existentes. El anlisis est basado en las Normas Internacionales de Contabilidad y las Normas Tributarias Chilenas actualmente vigentes.
I. Introduccin
Uno de los objetivos del plan de convergencia a las Normas Internacionales es uniformar los criterios de presentacin de la informacin contable y de esta forma hacer comparables los registros nancieros de las distintas empresas con el resto del mundo. Esto debido a que la Globalizacin y particularmente la integracin de los mercados se vuelve cada vez ms exigente y, si los entes que participan en l quieren ir a la par con este desarrollo econmico, deben adecuarse e internalizar los requerimientos de informacin que los organismos internacionales demandan en este nuevo contexto. Es as como hoy da, debemos comenzar a analizar los grandes cambios que se producirn a raz de permitir que uno de los principios contables generalmente aceptados de mayor relevancia, como es el Costo Histrico, se pueda modicar, aplicando el valor razonable como criterio alternativo de valoracin, si es que se dan las condiciones necesarias para ello. Por otra parte, independiente del mtodo de valuacin utilizado, peridicamente se deber determinar el deterioro de valor de los activos de la empresa, lo que afectar directamente el resultado del ejercicio. Para abordar ambos temas hemos estructurado el presente trabajo como sigue: en la primera seccin se dan a conocer los aspectos relevantes expuestos en la Normativa Internacional vigente acerca de Valor Razonable y Deterioro de Valor. Luego se presenta la aplicacin de ambos conceptos en el Activo Fijo (NIC 16: Propiedades, Plantas y Equipos) y en los Activos Intangibles (NIC 38), incorporando los efectos en impuestos diferidos que las empresas debern registrar, dadas las diferencias generadas entre la aplicacin de las normas internacionales y la normativa tributaria chilena vigente a la fecha. Finalmente se sealan las principales conclusiones.
II. Conceptos Bsicos

La aplicacin del Valor Razonable, denominado tambin Valor Justo, es uno de los temas que actualmente est generando gran revuelo en la contabilidad chilena, ya que de acuerdo a las normas internacionales se permite su aplicacin como base de valorizacin, en contraposicin
82
a la normativa nacional que tiene al Costo Histrico como principio bsico de valuacin, as el Boletn Tcnico N 1 del Colegio de Contadores de Chile seala: El registro de las operaciones se basa en costos histricos (produccin, adquisicin o canje), salvo que para concordar con otros principios se justique la aplicacin de un criterio diferente (valor de realizacin). Las correcciones de las uctuaciones del valor de la moneda1, no constituyen alteraciones a este principio, sino meros ajustes a la expresin numeraria de los respectivos costos. El concepto de valor razonable no est contenido en una norma especca, es por ello que seguiremos a normas alternativas que tratan este tema. Tambin incluiremos las deniciones, la forma de utilizarlo y cmo determinarlo que dan los organismos internacionales: International Accounting Standards Board (IASB) y Financial Accounting Standards Board (FASB). Todas las deniciones que se mencionan a continuacin son vlidas tanto para activos, pasivos, e incluso para la medicin de ingresos2. En el Glosario del libro Normas Internacionales de Informacin Financiera (NIIF) emitido por el Instituto Mexicano de Contadores Pblicos, se dene valor razonable como el importe por el cual podra ser intercambiado un activo, o cancelado un pasivo, entre partes interesadas y debidamente informadas, en una transaccin realizada en condiciones de independencia mutua. Esta denicin tambin se encuentra en las Normas Internacionales 16, 17, 19, 21, 38, 40 y en la NIIF 3. Dicha denicin nos entrega un grado de objetividad al denir un importe tal que sea representativo para dicha transaccin y que las partes interesadas estn adems dispuestas a utilizarlo. Por otro lado en las NIC 18, 20 y la 41 encontramos la denicin de valor razonable como El importe por el cual puede ser intercambiado un activo, o cancelado un pasivo, entre un comprador y un vendedor interesados y debidamente informados, que realizan una transaccin libre3. En este contexto la diferencia con la denicin anterior es muy sutil y queda determinada por realizan una transaccin libre versus de independencia mutua, pero nalmente ambas deniciones son iguales, ya que el sentido es el mismo. A su vez, en la reunin de julio de 2006 la Junta Internacional de Normas de Contabilidad (IASB) deni valor razonable4 o valor justo como el precio que se recibira por un activo o que se pagara para transferir un pasivo en una transaccin entre participantes del mercado en la fecha de la medicin. Esta denicin es ms ambigua que la entregada en el Compendio
1 2 3 4
Vase estudio anterior acerca de Impacto en Chile luego de suprimir o no Correccin Monetaria, realizado por las misma autoras. De acuerdo a Norma Internacional 18 Ingresos Ordinarios. Libro Normas Internacionales de Informacin Financiera (2005), Instituto Mexicano de Contadores Pblicos. De acuerdo a planteamientos del Instituto Mexicano de Contadores Pblicos (IMCP) (www.nicniif.org)
83
de Normas Internacionales de Contabilidad del ao 2005, ya que no establece las condiciones necesarias para que se realice la jacin de dicho precio. En Chile, el primer Boletn que introdujo el concepto de valor justo fue el Boletn Tcnico 57 del Colegio de Contadores de Chile Contabilizacin de Contratos de Derivados en donde se establece que: Valor Justo es la cantidad por la cual puede intercambiarse un activo o liquidarse un pasivo entre partes enteradas y dispuestas, en una transaccin de libre competencia, esto es, una venta que no es forzosa o liquidacin impuesta. Los precios en mercados activos, constituyen la mejor evidencia de precio justo y sern los empleados como base de medicin. Si no estuvieran disponibles, la estimacin de valor justo tendr como base la informacin ms fehaciente que est disponible, como ser precios de activos y pasivos similares, valor actual de ujos de caja estimados considerando una tasa de descuento compatible con los riesgos comprometidos, etc. Esta denicin que fue posteriormente raticada en el Boletn Tcnico 72 Combinacin de Negocios, Inversiones Permanentes y Consolidacin de Estados Financieros, es completa e incluye todos los elementos entregados en las deniciones dadas por los organismos internacionales. Por su parte, en septiembre 2006, el FASB public el SFAS5 157 Fair Value Measurements, en el que se detallan los criterios de aplicacin del valor razonable en la valoracin de activos y pasivos. De acuerdo a ella, la denicin se centra en el precio que sera recibido por vender el activo o pagado para transferir la obligacin (un precio de salida), no en el precio que sera pagado para adquirir el activo o recibido para asumir la obligacin (un precio de entrada). Adicionalmente se enfatiza que el valor razonable est basado en el mercado y no en una medida determinada por una entidad en particular, por lo tanto, un valor justo es una medida que debera basarse en supuestos de participantes del mercado para jar el precio de un activo u obligacin, es decir, valor razonable representa la cantidad que la empresa pagara por un activo en el mercado, suponiendo que se le continuar dando el mismo uso. Su determinacin tambin debe considerar supuestos acerca de riesgo, por ejemplo el riesgo inherente al activo o pasivo que se desee valorizar, as, en el caso de pasivos se debe tener en cuenta el riesgo de incumplimiento de dicha obligacin. Por otro lado, se deberan considerar atributos especcos del activo o de la obligacin, por ejemplo, la condicin y localizacin del activo o pasivo y restricciones en la venta o uso del activo en la fecha de medicin. Por lo tanto, si la ubicacin es un atributo de un activo o pasivo, al medir el valor razonable se debe incluir los costos en que se incurrira al conseguir el activo en el mercado principal o ms ventajoso. Cuando existen mercados mltiples para un activo o un pasivo, la medicin del valor razonable debe basarse en el mercado principal para ese activo o pasivo. Si no existe mercado
Statement of Financial Accounting Standards
84
principal, debe utilizarse el mercado ms ventajoso. En ambos casos, el mercado principal o el ms ventajoso debe determinarse desde la perspectiva de la entidad reportante6. El Diario Ocial de las Comunidades Europeas, emitido el 27 de octubre del ao 2001, ya mencionaba la forma de determinar el valor razonable, es as como en su artculo 42 bis7 seala que: i) se utiliza un valor de mercado, en el caso de aquellos instrumentos nancieros para los que pueda determinarse fcilmente un mercado able. Cuando no pueda determinarse con facilidad un valor de mercado para un instrumento, pero s para sus componentes o para un instrumento similar, el valor de mercado de dicho instrumento podr inferirse desde sus componentes o del instrumento similar; o bien ii) un valor obtenido mediante la aplicacin de modelos y tcnicas de valoracin generalmente aceptados, en el caso de aquellos instrumentos para los que no pueda determinarse fcilmente un mercado able. Los modelos o tcnicas de valoracin utilizados debern proporcionar una aproximacin razonable al valor de mercado. El uso del valor razonable en algunos casos se da como una forma necesaria de medicin, como por ejemplo, en la valuacin de las inversiones nancieras. Pero en otros casos, como en las normas que se analizarn en esta oportunidad, el uso del valor razonable se da como una alternativa con respecto al mtodo del costo en las mediciones posteriores, luego del reconocimiento inicial al costo, es decir, la norma da la opcin de seguir con el mtodo del costo o cambiar a valores razonables si se dan ciertas caractersticas en el mercado al cual pertenecen las partidas a valorar. Para introducir el concepto de Valor Razonable es necesario determinar si: i. Existe un mercado de cotizacin o mercado activo
ii. Si no hay mercado de cotizacin, ver si existen transacciones similares y, si no existieran, iii. La opcin es aplicar las tcnicas de evaluacin, es decir, descontar a una tasa relevante el ujo de caja proyectado. Por otro lado, un mercado activo en el cual se transan productos debe cumplir ciertas caractersticas: i. Debe ser homogneo,
ii. Debe corresponder a un lugar donde se juntan compradores y vendedores dispuestos a transar,
6 7 De acuerdo a ideas planteadas por el IASB en julio 2006 (www.nicniif.org/content/view/142/754/) De acuerdo a informe del Diario Ocial de las Comunidades Europeas Directiva_ 2001/65/Ce del Parlamento Europeo y del Consejo de 27.10.2001.
85
iii. Y adems debe existir un precio pblico. Dadas todas las recomendaciones que sugiere la norma, se observa que es muy dicultosa su aplicacin, ya que lo primero que requiere es que exista un mercado activo y, considerando la poca profundidad y tamao del mercado chileno es que se hace ms difcil su implementacin.
b) Deterioro de Valor:
La Norma Internacional 36 trata el tema de Deterioro de Valor, la que aplica tanto para inversiones como para activos jos e intangibles. El deterioro o prdida de valor se dene como el monto en que el costo histrico neto excede al monto recuperable. Correspondiendo el costo histrico neto al costo histrico menos la depreciacin acumulada y menos las prdidas por deterioro acumuladas, y el monto recuperable al mayor entre el valor razonable menos el costo de venta y su valor en uso, que se calcula como el valor presente de ujos futuros. El monto recuperable se debe medir siempre que hubiese una indicacin de que el activo podra haber sufrido deterioro de su valor. Por otro lado, los elementos que se debern considerar en el clculo del valor de uso de un activo8 son: i. Estimacin de ujos de efectivo futuros ii. Expectativas sobre variaciones iii. El valor del dinero en el tiempo iv. El precio por la presencia de incertidumbre v. Otros factores como la iliquidez Para la correcta y objetiva determinacin de la prdida se requiere de innumerables supuestos, los que deben ser estudiados y analizados por personas idneas y que cuenten con el conocimiento suciente sobre la determinacin de los conceptos claves de Monto Recuperable y de Valor en Uso. Despus de vericar que se debe reconocer la prdida por deterioro, esta se debe llevar directamente a resultados si corresponde a un activo no revaluado anteriormente, con abono a la cuenta de activo. Si por el contrario se trata de un activo revaluado, la prdida de valor se
En la norma se considera como sinnimo de activo a la unidad generadora de benecios.
86
llevar contra el supervit o cuenta patrimonial que se gener inicialmente por la revaluacin y si queda una diferencia esta se llevar a resultado. El tratamiento contable de la reversin de una prdida por deterioro de valor de un activo, depender del registro realizado al reconocer el deterioro; si se hubiese registrado en resultado se reconocer en el resultado del periodo, ocurre lo contrario si el deterioro se hubiese rebajado de la reserva patrimonial. Tanto el reconocimiento de la prdida por deterioro, como su reversin, implican una modicacin del valor del activo, por lo cual, en los periodos futuros ser necesario ajustar los cargos por depreciacin, con el n de distribuir el valor contable revisado del activo menos su eventual valor residual de una forma sistemtica a lo largo de su vida til restante.
III. Aplicacin de valor razonable y deterioro

a) Activos Intangibles9 a.1) Caractersticas generales y diferencias con la normativa vigente
Para comenzar es necesario recordar algunos conceptos propios de los Activos Intangibles, entre los cuales cabe mencionar su denicin. La NIC 38 seala que son activos intangibles aquellos que cumplen con las siguientes condiciones: Son identicables Tienen carcter no monetario, y No tienen apariencia fsica Por otro lado, la misma Norma establece que un activo satisface el criterio de identicabilidad cuando: i) Es separable, es decir, es susceptible de ser separado o dividido de la entidad y vendido, transferido, explotado, arrendado o intercambiado, ya sea individualmente en un contrato o junto con un activo o un pasivo a los cuales est asociado, o ii) Surge de un contrato o de otros derechos legales, sin considerar si tales derechos son transferidos o separables de la entidad o de otros derechos y obligaciones.
9 Norma Internacional 38 Activos Intangibles. Esta Norma no aplica a los instrumentos nancieros y otros activos intangibles tratados en normas especcas.
87
Adems indica que estos activos para ser contabilizados deben cumplir con los siguientes criterios: 1. Ser identicables, es decir, separables o surgir de un contrato legal. 2. Ser controlables, es decir, la entidad controla los benecios que genera y evita que otro se benecie de los resultados de este activo. 3. Ser capaces de generar benecios econmicos futuros y que estos uyan a la empresa. 4. Finalmente, solo podran ser reconocidos si el costo es medible. Dentro del grupo Activos Intangibles, la empresa puede contener aquellos activos que: i. Adquiere externamente, ii. Genera internamente, y iii. Aquellos adquiridos en el contexto de una combinacin de negocios (Marcas, Patentes, Relaciones Comerciales). Con respecto a la valorizacin, el reconocimiento inicial del activo debe hacerse por el mtodo del costo y posteriormente se puede optar por seguir utilizando el mismo mtodo o cambiar al mtodo de revaluacin. Segn las Normas Internacionales el costo de un activo intangible adquirido en forma independiente comprende: el precio de adquisicin, incluidos los aranceles de importacin cuando correspondan y los impuestos no recuperables que recaigan sobre la adquisicin, despus de deducir los descuentos comerciales y las rebajas; y cualquier costo directamente atribuible a la preparacin del activo para el uso previsto. El reconocimiento de los costos en el valor contable de un activo intangible, nalizar cuando el activo se encuentre en el lugar y condiciones necesarias para operar de la forma prevista por la gerencia. Es por ello que los costos soportados por la utilizacin o por la reprogramacin del uso de un activo intangible no se incluirn en el valor libros del mismo. En el caso de activos intangibles desarrollados internamente, algunas operaciones realizadas para su desarrollo no son necesarias para ubicar al activo en condiciones que pueda operar de la forma prevista por la gerencia. Estas operaciones accesorias pueden tener lugar antes o durante las actividades de desarrollo y dado que no son imprescindibles para que el activo pueda operar, los ingresos y gastos asociados a ellas se reconocern en el resultado del periodo. De acuerdo al Boletn Tcnico 55 los activos intangibles incluyen todos los gastos relacionados con la adquisicin del intangible, tales como honorarios, gastos legales, costos asig-
88
nados y cualquier otro costo identicable directamente con su adquisicin, excepto el costo de nanciamiento y su capitalizacin slo est permitida cuando hayan sido comprados o adquiridos en otra forma. En el caso de intangibles generados internamente la norma local menciona que: ...en ningn caso se podrn activar los costos y gastos incurridos en el desarrollo interno de activos intangibles ni estimaciones de su valor econmico. Como se seal anteriormente, segn NIC el valor razonable entra en juego en una etapa posterior y slo si la entidad opta por cambiarse al mtodo de revaluacin, que consiste en reconocer contablemente el valor justo del activo, menos la amortizacin acumulada y el importe acumulado de las prdidas de valor por deterioro que haya experimentado el bien. El importe recuperable se determinar con referencia a un mercado activo, estas reexpresiones se harn con suciente regularidad, para asegurar que el importe en libros del activo en la fecha del balance, no diere signicativamente del que podra determinarse utilizando el valor razonable. En general la frecuencia de las revaluaciones depende de la volatilidad de los valores razonables de los activos intangibles. El incremento del importe en libros de un activo intangible producto de una revaluacin se incorporar en una cuenta de reserva de valuacin directamente en el patrimonio neto, de la siguiente forma: -------------- -------------Activo Intangible Reserva de Valuacin --------------- ------------Este factor es relevante de considerar ya que en Chile no existe un mercado activo donde se transen los activos intangibles por lo que se hace mucho ms compleja la adopcin de esta alternativa. Con respecto a la vida til de los activos intangibles, la entidad valorar si ella es nita o indenida y, si es nita, evaluar la duracin o el nmero de unidades productivas u otras similares que constituyan su vida til. La entidad considerar que un activo intangible tiene una vida til indenida cuando, sobre la base del anlisis de todos los factores relevantes, no hay un lmite previsible para el periodo a lo largo del cual el activo se espera que genere entradas netas de efectivo para la empresa. Bajo IFRS estos activos no se amortizan, pero su vida til debe revisarse cada ejercicio con el n de determinar si los eventos y las circunstancias permiten seguir apoyando la evaluacin de vida til indenida. Cuando se cambie la vida til de indenida a nita deber registrarse como un cambio en una estimacin. La Norma requiere que si la entidad clasica el activo con vida til indenida informe el valor contable de ese activo y d las razones que apoyan la evaluacin de vida til indenida. Bajo PCGA en Chile,
89
los activos intangibles con vida til no denida, se amortizan en un plazo mximo de 20 aos (excepcionalmente 40 aos). Por otra parte, la Norma Internacional seala que peridicamente y siempre que hubiese una indicacin de que el activo podra haber sufrido deterioro de su valor se debe medir su monto recuperable. Adicionalmente, exige medir el deterioro anualmente en el caso de Activos Intangibles con vida til indenida, Activos Intangibles que no estn en uso todava, y para la plusvala comprada o adquirida en una combinacin de negocios, independientemente de la opcin tomada para valorar su deterioro. La Norma Nacional, en tanto, requiere que las empresas peridicamente realicen esta evaluacin considerando sus operaciones y la posibilidad que estos activos generen benecios para ellas. Por otro lado, la vida til de un activo intangible que surja de un contrato o de otros derechos legales no exceder el periodo del contrato o de los citados derechos legales, pero puede ser inferior, dependiendo del periodo a lo largo del cual la entidad espera utilizar el activo. Si el contrato u otros derechos legales se han jado durante un plazo limitado que puede ser renovado, la vida til del activo intangible incluir el periodo de renovacin slo si existe evidencia que soporte la renovacin por la entidad sin un costo signicativo. Cabe mencionar que la normativa chilena seala taxativamente que el plazo mximo de amortizacin no puede exceder los 40 aos, aun cuando el contrato tenga una vida til mayor. Tambin es importante considerar que dentro de los activos generados internamente se encuentran los denominados Gastos de Investigacin y Desarrollo. La Norma Internacional no reconoce activos intangibles surgidos de la investigacin (o de la fase de investigacin en proyectos internos), los desembolsos efectuados en esta etapa se reconocern como gastos del periodo en el que se incurran. Mientras que los desembolsos efectuados en la fase de desarrollo (o surgidos en la fase de desarrollo de un proyecto interno), se reconocern como activos intangibles si la entidad puede demostrar lo siguiente: Tcnicamente, es posible completar la produccin del activo intangible de forma que pueda estar disponible para su utilizacin o su venta. Su intencin de completar el activo intangible en cuestin, para usarlo o venderlo. Su capacidad para utilizar o vender el activo intangible. La forma en que el activo intangible vaya a generar probables benecios econmicos en el futuro. Entre otras cosas, la entidad debe demostrar la existencia de un mercado para la produccin que genere el activo intangible o para el activo en s, o bien, en el caso de que vaya a ser utilizado internamente, la utilidad del mismo para la entidad.
90
La disponibilidad de los adecuados recursos tcnicos, nancieros o de otro tipo, para completar el desarrollo y para utilizar o vender el activo intangible. Su capacidad para valorar, de forma able, el desembolso atribuible al activo intangible durante su desarrollo. En Chile, de acuerdo al Boletn Tcnico N 28 Gastos de Investigacin y Desarrollo del Colegio de Contadores de Chile, tanto los gastos incurridos en la etapa de investigacin como en la de desarrollo se consideran, como su nombre lo dice, gastos del periodo. Tanto en la norma internacional como en la norma local, la plusvala generada por una empresa en forma interna no se reconocer como un activo porque no constituye un recurso identicable (es decir, no es separable ni surge de derechos contractuales o derechos legales de otro tipo) controlado por la entidad, cuyo costo pueda ser determinado de forma able. Entre los mtodos para distribuir el monto amortizable de un activo, de forma sistemtica, a lo largo de su vida til se encuentran por ejemplo, el de amortizacin lineal y el de unidades producidas si esto fuese posible. El mtodo utilizado para cada activo se seleccionar a partir del patrn esperado de consumo de los benecios econmicos futuros y se aplicar de forma uniforme en cada periodo, salvo que se produzca un cambio en los patrones esperados de consumo, en cuyo caso ser necesario modicar el mtodo para reejar dichos cambios. Tanto el periodo como el mtodo de amortizacin utilizados para un activo intangible con vida til nita se revisarn, como mnimo, al nal de cada ejercicio. Si la nueva vida til esperada diere de las estimaciones anteriores, se cambiar el periodo de amortizacin para reejar esta variacin. Los efectos de estas modicaciones en el periodo y en el mtodo de amortizacin, se tratarn como cambios en las estimaciones contables, segn lo establecido en la NIC 8. Cuando se reduzca el valor contable de un activo intangible como consecuencia de una revaluacin, dicha disminucin se reconocer en el resultado del periodo. No obstante, la disminucin ser cargada directamente al patrimonio neto contra cualquier saldo por reserva de valuacin reconocido previamente en relacin con el mismo activo, en la medida que tal disminucin no exceda dicho supervit.
91
Cuadro Comparativo con la Norma Local

Norma Internacional de Contabilidad Contabilizacin inicial al Costo Da importancia al valor razonable Contabilizacin posterior, da la opcin de llevarlo a valor revaluado o seguir con mtodo del costo. Si se trata de un Activo Intangible con vida til denida se amortiza en ese periodo de tiempo. Si se trata de Activo Intangible con vida til indenida no se amortiza. El Goodwill adquirido no se amortiza. En los gastos de investigacin y desarrollo, la fase de investigacin es gasto del periodo, mientras que la fase de desarrollo es activo siempre que cumpla los criterios de viabilidad tcnica, nanciera y comercial. Aumento de requisitos de informacin a revelar. Norma Chilena Contabilizacin Inicial al Costo No da importancia al valor razonable Contabilizacin posterior, no sufre modicacin con respecto a la contabilizacin inicial. Si se trata de un Activo Intangible con vida til denida se amortiza en ese periodo de tiempo, con un plazo mximo de 40 aos Si se trata de Activo Intangible con vida til indenida se amortiza en un mximo de 20 aos, excepcionalmente 40 aos. El Goodwill adquirido se amortiza en un plazo mximo de 20 aos, excepcionalmente 40 aos. Tanto los gastos de investigacin como los de desarrollo, son gastos del periodo.
La cantidad de informacin es relativamente escasa.
a.2) Impactos desde el punto de vista tributario

En Chile, tributariamente no existe una norma especca sobre el tratamiento que deben seguir los activos intangibles tales como: derechos sobre marcas, patentes, bases de datos, nminas de clientes, por lo que, de acuerdo a la jurisprudencia,10 su amortizacin no constituye gasto necesario para producir la renta del periodo y slo se considerar resultado mediante la enajenacin o cualquier otro hecho o circunstancia que lo haga perder la calidad de activo intangible para la empresa que realiz la inversin. Si consideramos la normativa tributaria en conjunto con los estndares contables internacionales referidos a activos intangibles con vida til indenida, no se registraran pasivos ni activos por impuestos diferidos ya que en ambos casos los activos intangibles no se amortizan. No obstante, en el ocio N 1872 del 23 de junio de 2005, emitido por el Servicio de Impuestos Internos, se analiza un caso particular acerca de la diferencia producida entre el precio de adquisicin del 100% de los derechos sociales de una sociedad de personas y el valor libro de activos y pasivos de la sociedad absorbida, concluyendo que la empresa que registr el derecho de llave nacido en la compra podra amortizarlo en un mximo de seis aos, caso que sera excepcin a la regla segn los argumentos sealados en esa ocasin. De acuerdo a la situacin planteada y a que contablemente (NIC 38) no es permitida la amortizacin de intangibles con vida til indenida, la diferencia surgida, considerando la hiptesis de empresa en marcha, sera de carcter permanente, por lo cual no se justica registrar un activo o pasivo por impuesto diferido. Por otra parte, los estndares mundiales permiten la amortizacin contable de los activos intangibles con vida til denida, mientras que, como se mencion anteriormente, tributariamente no existe norma especca en la Ley de la Renta que permita la amortizacin de estos
10 Segn pronunciamientos del Servicio de Impuestos Internos a situaciones no contempladas en la Ley de la Renta (www.sii.cl).
92
activos, sin embargo, en nuestra opinin para una adecuada correlacin entre ingresos y gastos, se requerira que fueran gastos aceptados para producir la renta durante el perodo de vida til del activo y en la medida que la entidad pague por estos derechos y los utilice en el desarrollo de su actividad. En ambos casos, siguiendo las normativas vigentes o el tratamiento propuesto, no habra diferencias que dieran origen a impuestos diferidos; en la primera situacin porque la diferencia es de carcter permanente y en el segundo caso porque el tratamiento sera similar. Un caso particular de activos intangibles son los Gastos de Organizacin y Puesta en Marcha, los cuales son considerados gastos en el momento en que se incurren desde el punto de vista de la Norma Internacional N 38, mientras que la normativa tributaria permite amortizar estos gastos en un plazo mximo de seis aos, por lo que si la empresa opta por esta opcin, surgira una diferencia transitoria dando origen a impuestos diferidos. Una situacin similar ocurre con los Gastos de Investigacin ya que tributariamente tambin existe la opcin de amortizarlos en un plazo mximo de 6 aos. La vericacin de deterioro de los activos intangibles con vida til indenida, sera una diferencia permanente con las normas tributarias chilenas, ya que este gasto por deterioro no sera aceptado en ningn caso, por lo que tampoco generara impuestos diferidos. Pero una pregunta relevante de efectuar es por qu pensar que se generar un deterioro. La respuesta no es tan clara y depender de cada situacin en particular.
b) Activo Fijo11 b.1) Caractersticas generales y diferencias con la normativa vigente

En esta seccin se analizarn los temas generales de acuerdo a los estndares internacionales y los efectos de su aplicacin en la informacin contable. Luego se ejemplica el impacto de la adopcin de esta norma en los impuestos diferidos bajo el supuesto que la empresa utiliza el valor razonable para la valorizacin de sus activos, considerando para ello la normativa tributaria actualmente en vigencia. La Norma Internacional 16 Propiedad, Planta y Equipos considera que un elemento de inmovilizado material se reconocer como activo cuando: i. Sea probable que la entidad obtenga los benecios econmicos futuros derivados del mismo; y ii. el costo del activo para la entidad pueda ser valorado con abilidad.
11
Norma Internacional 16 Propiedades, Planta y Equipos.
93
Y establece que inicialmente se valorizar por su costo: Todo elemento de inmovilizado material, que cumpla las condiciones para ser reconocido como un activo, se valorar inicialmente por su costo. La entidad evaluar, de acuerdo con este principio de reconocimiento, todos los costos de inmovilizado material en el momento en que se incurra en ellos. Los conceptos que se incluyen en el costo del activo segn la NIC 16 son: i. el precio de adquisicin, incluidos los aranceles de importacin y los impuestos indirectos no recuperables que recaigan sobre la adquisicin, despus de deducir cualquier descuento o rebaja de precio; ii. todos los costos directamente relacionados con la ubicacin del activo en el lugar y en las condiciones necesarias para que pueda operar de la forma prevista por la gerencia; iii. los costos incurridos posteriormente para aadir, sustituir parte de o mantener el elemento del activo correspondiente. iv. la estimacin inicial de los costos de desmantelamiento o retiro del elemento, as como la rehabilitacin del lugar sobre el que se asienta, cuando constituyan obligaciones en las que incurre la entidad como consecuencia de utilizar el activo durante un determinado periodo, con propsitos distintos del de la produccin de inventarios, situacin tratada en la NIC 2. v. Adems se incluirn los intereses incurridos antes que el activo quede en las condiciones de ser utilizado, de acuerdo a lo que establece la NIC 23 y rebajarse del costo los descuentos obtenidos en la adquisicin de un bien. Por otra parte, el Boletn Tcnico 33 del Colegio de Contadores de Chile, seala que los valores a que se registren los activos jos deben incluir todos los costos que se relacionan directamente con su adquisicin o construccin, incluso aquellos necesarios para que los bienes queden en condiciones de ser utilizados por el comprador. Por consiguiente, el costo de los activos jos debe incluir partidas tales como costo de diseo, cargos por transporte, costos de instalacin; valores necesarios para alzar los gravmenes existentes, costos iniciales de reconstruccin, los honorarios legales y de otra naturaleza que se devenguen, y los costos de nanciamiento tratados en el Boletn Tcnico N 31, el cual seala que se podr incluir el costo de nanciamiento incurrido hasta que los bienes queden en condiciones de ser utilizables por el comprador. El reconocimiento de los costos en el valor contable de un elemento de inmovilizado material nalizar cuando el elemento se encuentre en el lugar y condiciones necesarias para operar de la forma prevista por la direccin. Por ello, los costos incurridos por la utilizacin o por la reprogramacin del uso de un elemento no se incluirn en el valor contable del elemento correspondiente.
94
Al igual que en los intangibles, el uso del valor razonable entra en juego en una etapa posterior, de acuerdo a lo que seala la NIC 36: Con posterioridad a su reconocimiento como activo, un elemento de inmovilizado material cuyo valor razonable pueda medirse con abilidad, se contabilizar por su valor revalorizado, que es su valor justo en el momento de la revalorizacin, menos la amortizacin acumulada y el importe acumulado de las prdidas por deterioro de valor que haya experimentado el bien. Las revalorizaciones se harn con suciente regularidad, para asegurar que el valor contable, en todo momento, no diera signicativamente del que podra determinarse utilizando el valor razonable en la fecha del balance. La frecuencia de las revalorizaciones depender de los cambios que experimenten los valores razonables de los elementos de inmovilizado material que se estn revalorizando. Cuando se incremente el valor en libros de un activo como consecuencia de una revalorizacin, tal aumento se llevar directamente a una cuenta de reservas dentro del patrimonio neto. ------------- --------------Activo Fijo Reserva de revalorizacin ------------- --------------No obstante, el incremento se reconocer en el resultado del ejercicio en la medida en que suponga una reversin de una disminucin por devaluacin del mismo activo, que fue reconocida previamente en resultados. Mientras que cuando se reduzca el importe en libros de un activo como consecuencia de una revalorizacin, tal disminucin se reconocer en el resultado del ejercicio. No obstante, la disminucin ser cargada directamente al patrimonio neto contra cualquier reserva de revalorizacin reconocida previamente en relacin con el mismo activo, en la medida que tal disminucin no exceda el saldo de la citada cuenta de reserva. La reserva de revalorizacin de un elemento del Activo Fijo incluida en el patrimonio neto podr ser transferida directamente a la cuenta de resultados acumulados cuando se transera o disponga del correspondiente activo cualquiera sea su causal. Esto podra implicar la transferencia total de la reserva cuando el activo sea vendido o se disponga de l por otra va. No obstante, parte de la reserva podra transferirse a medida que el activo fuera utilizado por la entidad. En ese caso, el monto de la reserva transferido sera igual a la diferencia entre la amortizacin calculada segn el valor revalorizado del activo y la calculada segn su costo original. Las transferencias realizadas entre las cuentas de patrimonio Reservas de Revalorizacin y Resultados Acumulados, no pasarn por el resultado del ejercicio.
95
Al igual que para los activos intangibles, el mtodo de depreciacin aplicado se revisar, como mnimo, al trmino de cada ejercicio anual y, si se produce un cambio signicativo en el patrn esperado de consumo de los benecios econmicos futuros incorporados al activo, se cambiar el mtodo de depreciacin para reejar el nuevo patrn. Dicho cambio se contabilizar como un cambio en una estimacin contable, de acuerdo con la NIC 8. La depreciacin de un activo comenzar cuando est disponible para su uso, esto es, cuando se encuentre en la ubicacin y en las condiciones necesarias para ser capaz de operar de la forma prevista por la direccin y cesar en la fecha ms temprana entre aqulla en que el activo se clasique como mantenido para la venta (o incluido en un grupo enajenable de elementos que se haya clasicado como mantenido para la venta) de acuerdo con la NIIF 5 y la fecha en que se produzca la baja en cuentas del mismo. Por tanto, la depreciacin no terminar cuando el activo est sin utilizar a menos que se encuentre depreciado por completo. Sin embargo, si se utilizan mtodos de depreciacin en funcin del uso, el cargo por depreciacin podra ser nulo cuando no tenga lugar ninguna actividad de produccin. El importe en libros de un elemento del activo jo se dar de baja en cuentas cuando no se espere obtener benecios econmicos futuros por su uso, enajenacin o disposicin por otra va. La prdida o ganancia derivada de la baja en cuentas de un elemento de inmovilizado material, se determinar como la diferencia entre el importe neto obtenido por su enajenacin o disposicin por otra va, si existe, y el importe en libros del elemento, y se incluir en el resultado del ejercicio (a menos que la NIC 17 establezca otra cosa, en caso de una venta con arrendamiento nanciero posterior). Las ganancias no se clasicarn como ingresos ordinarios. Peridicamente y en la forma establecida en la Norma Internacional 36, analizada en el punto b) de la seccin II, deber determinarse si existe deterioro del valor del activo o algunos de sus elementos, en cuyo caso deber seguirse el procedimiento sealado en dicho apartado. Las compensaciones procedentes de terceros, por elementos de inmovilizado material que hayan experimentado un deterioro del valor, se hayan perdido o abandonado, se incluirn en el resultado del ejercicio cuando tales compensaciones sean exigibles. En Chile, el Boletn Tcnico 33, en el prrafo 25, menciona como determinar el deterioro de valor de un activo, sealando: Cuando hay evidencia que en forma permanente las operaciones de una empresa no producirn ingresos sucientes para cubrir todos los costos, incluso la depreciacin de los bienes del activo jo tomados en su conjunto, y cuando el valor en libros de dichos bienes sea superior a su valor de realizacin, estos valores debern rebajarse hasta los montos recuperables, con cargo a resultados ajenos a la explotacin. Como se observa esta denicin relaciona prdida de valor con capacidad de la empresa para generar resultado operacional positivo, lo que diere de la Norma Internacional, que considera los ujos de caja futuros descontados a una tasa relevante.
96
Cuadro Comparativo con la Norma Local

Norma Internacional de Contabilidad Contabilizacin inicial al Costo Contabilizacin posterior, da la opcin de llevarlo a valor revaluado o seguir con mtodo del costo. Si la empresa opta por costo revaluado, la diferencia se llevar directamente a una cuenta de patrimonio llamada reserva de revaluacin. Deterioro de valor si el valor contable es mayor que el monto recuperable. Los activos no utilizados en la elaboracin de existencias incluyen como costo de adquisicin los desembolsos estimados a incurrir en el futuro, asociados al desmantelamiento y restauracin del bien al trmino de su uso o para dejarlo en las condiciones originales. Establece que se debe considerar cada elemento del activo jo por separado para determinar la vida til y por ende su depreciacin, por lo que desaparecern las provisiones por concepto de mantencin. Aumento de requisitos de informacin a revelar. Norma Chilena Contabilizacin Inicial al Costo Contabilizacin posterior, no sufre modicacin con respecto a la contabilizacin inicial. Al no permitir la aplicacin del valor razonable, no surgen diferencias con el valor originalmente contabilizado. Deterioro de valor si valor contable es mayor que los ujos de efectivo no descontados. La Norma no trata el tema de desmantelamiento y restauracin, por lo que las empresas no registran los pasivos correspondientes.
La Norma Nacional requiere que los activos sean controlados como un todo y por ende la empresa constituya provisiones para mantenciones o reparaciones mayores del activo. No existen grandes requerimientos de informacin a revelar.
b.2) Impactos desde el punto de vista tributario

Para analizar qu sucede desde el punto de vista tributario, se presentan dos aplicaciones donde se muestra el efecto en los impuestos diferidos luego de utilizar Valor Razonable y Deterioro de Valor:
b.2.1) Impuestos Diferidos luego de la utilizacin del valor razonable en el Activo Fijo12
Datos: Valor libros Activo jo 800 Vida til (en aos) 4 Se observa que valor de mercado es de 1.000 Tasa de impuesto 10% Tributariamente:
T=1 Ingreso Depreciacin RTA Antes Impuesto (RLI) Impuesto por Pagar Renta neta de impuesto 500 (200) (1) 300 (30) 270 T=2 500 (200) 300 (30) 270 T=3 500 (200) 300 (30) 270 T=4 500 (200) 300 (30) 270
(1) 800 : 4 = 200
12
No se considera efecto de Depreciacin Acelerada permitida para efectos tributarios
97
Financieramente:
T=1 Ingreso Depreciacin Rta Antes Impuesto Gasto por Impuesto (3) Resultado del Ejercicio 500 (250)(2) 250 (25) 225 T=2 500 (250) 250 (25) 225 T=3 500 (250) 250 (25) 225 T=4 500 (250) 250 (25) 225
(2) 1000 : 4 = 250 (3) Asociado al ingreso del periodo segn criterio devengado.
En el momento de la retasacin se genera una cuenta patrimonial por impuesto diferido producto de la diferencia temporaria entre el valor contable del activo revaluado y el valor tributario del mismo, el que ser reversado a medida que pasan los aos. La norma internacional no menciona claramente si se utiliza una cuenta patrimonial adicional a la cuenta de reserva para presentar los impuestos diferidos, pero en este ejemplo hemos optado por presentarlas separadas para una mayor comprensin. Contablemente al efectuar la retasacin: ----------------- -------------------Activo Fijo Reserva de valuacin Impuesto diferido ----------------- -------------------Al trmino del primer ao: ---------------- ---------------------Gasto por impuesto a la renta Impuesto Diferido Impuesto por pagar ----------------- ---------------------Como el periodo para revaluar es de 2 a 3 aos, los aos en los cuales no se realiza esta retasacin cada activo se debe ir corrigiendo por inacin si es que el pas calica como economa hiperinacionaria de acuerdo a las disposiciones de la NIC 29. 25 5 30 200 180 20
b.2.2) Impuestos Diferidos luego del revalo y el reconocimiento del Deterioro de Valor en el Activo Fijo
Datos: Tasa impositiva del 10%
98
Valor de Adquisicin del activo jo en el ao 20X1 MM$50 En el ao 20X2 se observa en el mercado que el valor del mismo activo es de MM$ 150, por lo que presenta un supervit de 100, el que tiene asociado un impuesto diferido por 10 (10%*100)
En el ao 20X3 el activo presenta una prdida por deterioro de MM$ 20, lo que genera que el impuesto diferido inicialmente contabilizado reduce su valor y tambin el supervit se reduce en el monto del deterioro. Por lo que contablemente ocurre lo siguiente: En el ao 20X2 El Activo que inicialmente tena un valor de MM$ 50, y ahora tiene un valor en el mercado
activo de MM$ 150 ----------------- -------------Activo Fijo MM$ Reserva de valuacin Impuesto diferido ----------------- -------------En el ao 20X3 El activo nal queda en MM$ 130 (150-20) y la Reserva nal queda en MM$ 72 (100 20 - 813) -------------- -----------------Impuesto diferido por pagar MM$ Reserva de valuacin MM$ Activo Fijo -------------- -----------------Activo Fijo MM$ Impuesto diferido Reserva de valuacin --------------- -----------------80 MM$ 8 MM$72 10 90 MM$ 100 100 MM$ 90 MM$ 10
13
Corresponde al impuesto diferido calculado como: valor de activo * tasa impositiva (80*10% = 8)
99
O, la segunda forma en un solo asiento sera: --------------- ------------------Impuesto diferido Reserva de valuacin Activo Fijo --------------- ---------------------MM$ 2 MM$ 18 MM$ 20
IV. Efectos al aplicar el Valor Razonable y el Deterioro de Valor en Activo Fijo e Intangibles
Los efectos en resultados y en la gestin podemos resumirlos como sigue: Dado que la normativa, en relacin a Activos Fijos e Intangibles, permite la utilizacin del mtodo del costo o del mtodo de revaluacin, se dicultar la comparabilidad de la informacin entre distintas entidades, problema que precisamente la adopcin de las Normas Internacionales busca mejorar, por lo cual ser necesario que las empresas revelen en forma clara los criterios utilizados para determinar los valores de sus activos y pasivos. Por otra parte, tanto las empresas privadas como las empresas pblicas que adopten valores de mercado debern mantener la suciente informacin de respaldo para su posterior control, incurriendo en mayores costos administrativos, capacitacin del personal, modicacin de sistemas y procesos de la empresa, entre otros. A su vez, los organismos scalizadores debern estar ms alerta, y reclutar personal competente y especializado en los diferentes temas, ya que dada la mayor subjetividad que conlleva la aplicacin de la norma y las complejidades inherentes a la determinacin del valor justo, ser ms fcil incurrir en errores que, va depreciacin, pueden afectar, en mayor o menor grado, los resultados de las empresas. Al valorizar por el mtodo del valor razonable, las empresas reconocern un importe que llevarn a patrimonio como mayor reserva, la que no ser distribuible entre los accionistas, por lo cual podra pensarse que en trminos de resultados quedaran en iguales condiciones que si valorizan al costo, pero es necesario recordar que la contrapartida a este abono a patrimonio es un cargo a una cuenta de activo que le signicar a la empresa llevar una cuota mayor por concepto de depreciacin o amortizacin como resultado prdida al estado de resultados, por lo cual la utilidad del periodo se ver disminuida, impactando con ello el monto correspondiente a dividendos y a ratios nancieros que la empresa calcule con estos valores.
100
Un efecto similar se produce al determinar y reejar el deterioro de valor en resultados ya que, como se ha sealado, las empresas debern registrar la prdida por deterioro en el resultado del perodo cuando no exista reserva de revaluacin o sta sea insuciente para cubrirlas, con lo cual vern disminuidas sus utilidades y por lo tanto el monto a repartir por concepto de dividendos a sus accionistas. Tambin es necesario considerar la diferencia que se generara entre los resultados nancieros y los resultados tributarios, determinados de acuerdo a las leyes tributarias actualmente vigentes en nuestro pas, dado que el Servicio de Impuestos Internos por medio de los Ocios Ordinarios N 292 de 26.01.06 y N 3.104 del 28.06.06, se ha pronunciado diciendo este Servicio entiende que el Plan de Convergencia de los Principios Contables Chilenos a las Normas Internacionales de Informacin Financiera, no modican ni afectan a ninguna norma tributaria, atendido a que el referido documento trata de una materia estrictamente contable nanciera, por lo que los contribuyentes debern continuar efectuando los ajustes necesarios al resultado contable que arroje el estado nanciero preparado conforme a dicho plan, con el n de poder determinar la base tributaria sobre la cual los contribuyentes deben dar cumplimiento a sus obligaciones tributarias. Es por ello que la inclusin de valor razonable para valorar determinados activos llevara a realizar ciertos ajustes que se reejaran directamente en resultados o en el patrimonio neto, lo que tendr impacto directo en la determinacin de impuestos diferidos, el que deber registrarse en el patrimonio siempre que la cuenta de balance est asociada a una cuenta de patrimonio, por ejemplo en el caso de retasacin de activo jo.
V. Conclusiones
La adopcin de las Normas de Informacin Financiera (IFRS) emitidas por el Comit de Normas Internacionales de Contabilidad (Internacional Accounting Standards Board IASB) trae consigo innumerables benecios en trminos de mayor transparencia, consistencia y comparabilidad en los informes nancieros de las distintas organizaciones que operan en la economa actual. Sin embargo, la adopcin de dichas normas trae tambin algunos inconvenientes, especialmente en una primera etapa hasta que los profesionales del rea contable, administradores de empresas e inversionistas internalicemos algunos conceptos y los efectos de su aplicacin, y las empresas hayan adaptado sus sistemas y procedimientos para el adecuado registro y control que exige la adopcin de las IFRS.
101
Como una forma de aportar en alguna medida en esta etapa de difusin y comprensin de las nuevas normas se analizaron los conceptos de valor razonable y deterioro en su aplicacin a los activos jos e intangibles. De ello fue posible desprender que, al aplicar los estndares internacionales a estos activos, las empresas vern disminuidos sus resultados con todas las implicancias que ello tiene. En efecto, si la empresa opta por el mtodo del valor razonable, debe reconocer el mayor valor del activo con abono a una cuenta de patrimonio (reserva de valuacin), la que no ser distribuible entre los accionistas, por lo cual se produce un incremento del activo y un incremento del patrimonio que, aparentemente, no tendra mayores consecuencias que permitir reconocer de mejor forma la situacin patrimonial de las entidades. No obstante, debemos recordar que al incrementar el valor de los activos y asumiendo que la vida til ha sido correctamente estimada, la empresa deber cargar a resultados un monto mayor por concepto de depreciacin (amortizacin), reduciendo con ello el resultado del ejercicio. Por otro parte, al considerar el deterioro de valor de los activos y no existir una reserva de valuacin suciente para cubrirlos, tambin se vern afectados los resultados del perodo, impactando con ello el monto correspondiente a dividendos y a ratios nancieros que la empresa calcula considerando estos valores. Es necesario sealar que el hecho de que los resultados puedan ser menores, no signica que sean menos reales, por el contrario, al aproximarnos a valores econmicos, tanto el patrimonio neto como los resultados debieran reejar de mejor forma la situacin de la empresa. El mayor problema deriva de la subjetividad que conlleva el aplicar valores de mercados en pases como el nuestro, en donde los mercados son poco profundos y en muchos casos hay que recurrir a otras estimaciones y mtodos de valuacin ya que simplemente no hay mercados activos para determinados bienes o servicios. Se debe, tambin, tener presente las diferencias que se generarn entre la base nanciera y la base tributaria para la determinacin de los impuestos sobre las ganancias, de acuerdo a las leyes tributarias actualmente vigentes en nuestro pas y que darn origen a impuestos diferidos. Otro efecto no menor, que es necesario considerar, son los costos administrativos adicionales a los ya existentes en que debern incurrir las empresas, especialmente pero no solo, en la etapa inicial del proceso de convergencia. Por una parte, las entidades requieren de una administracin que, consciente de los cambios, pueda evaluar en forma detallada las principales reas de impacto. Por otra parte, deben capacitar al personal existente o contratar profesionales especializados en normas que son altamente complejas; tendrn que adecuar los sistemas de informacin y revisar los planes, manuales de cuentas y procesos con el n de registrar y mantener el control de un gran volumen de informacin ms subjetiva, que debe servir de respaldo internamente a la organizacin y en sus actuaciones frente a usuarios externos, especialmente inversionistas y organismos scalizadores.
102
Al escribir este artculo hemos querido acercarnos a lo que sera la realidad de la empresa al cambiar la base de valuacin de sus activos, pasando de costo histrico a valor justo o razonable y adoptar la Norma Internacional de Contabilidad 36 Deterioro del Valor de los Activos. El tema, sin duda, no est agotado y la proximidad de la fecha de adopcin obligatoria hace necesario seguir discutindolo, considerando globalmente todos los cambios que introducirn los nuevos estndares contables.
103
Bibliografa
Normas Internacionales de Informacin Financiera (NIIF) 2005, Instituto Mexicano de Contadores Pblicos. Norma Internacional 16 Propiedades, Plantas y Equipos, Normas Internacionales de Informacin Financiera (NIIF) 2005, Instituto Mexicano de Contadores Pblicos. Norma Internacional 36 Deterioro de Valor, Normas Internacionales de Informacin Financiera (NIIF) 2005, Instituto Mexicano de Contadores Pblicos. Norma Internacional 38 Activos Intangibles, Normas Internacionales de Informacin Financiera (NIIF) 2005, Instituto Mexicano de Contadores Pblicos. Directiva 2001/65/Ce del Parlamento Europeo y del Consejo de 27.10.2001 Statement of Financial Accounting Standards N 157, Septiembre 2006, emitida por FASB. Boletn Tcnico 28 del Colegio de Contadores de Chile Gastos de Investigacin y desarrollo. Boletn Tcnico 31 del Colegio de Contadores de Chile Contabilizacin del Costo de Financiamiento del Activo Fijo. Boletn Tcnico 33 del Colegio de Contadores de Chile Tratamiento Contable del Activo Fijo. Boletn Tcnico 57 del Colegio de Contadores de Chile Contabilizacin de Contratos Derivados. Boletn Tcnico 72 del Colegio de Contadores de Chile Contabilizacin de Contratos Derivados. Ocio N 1872 del 23.06.05 del Servicio de Impuestos Internos. (www.sii.cl). Ley Sobre Impuesto a la Renta. Decreto Ley N 824, 2005.
APLICACIN DEL METODO DE CASCADA PARA EL DESDOBLAMIENTO DEL CUADRO DE MANDO INTEGRAL EN UNA EMPRESA TEXTIL
Pamela Moraga Z. Ingeniero Civil Industrial Universidad de Concepcin (c)Magster en Ingeniera Industrial Uiversidad de Concepcin Eduardo Salazar H. Ingeniero Matemtico Universidad de Concepcin Magister in Operations Research Universidad de Aachen (RWTH Aachen), Alemania. Profesor Asociado Departamento de Ingeniera Industrial Universidad de Concepcin esalazar@udec.cl
Resumen
Se identican las fases necesarias para disear un Cuadro de Mando Integral (CMI) en una empresa manufacturera, aplicando el mtodo de cascada para desdoblar los objetivos estratgicos denidos para una compaa, desde los niveles gerenciales, hasta los niveles operacionales de dicha compaa. Esta metodologa se aplica en una empresa textil de la VIII Regin, en la cual para realizar el desdoblamiento fue necesario identicar los factores claves de xito de la empresa, seleccionando el rea industrial como la unidad de negocio y realizando una revisin en conjunto con cada uno de los niveles de la organizacin involucrados: Gerencia General, Gerencias de rea, Jefaturas de Turno y Operacin, deniendo objetivos e indicadores relevantes para cada nivel, necesarios para controlar la gestin y el cumplimiento de cada uno de ellos. Palabras Claves: Cuadro de Mando Integral (CMI), Mtodo de Cascada, Desdoblamiento.
105
1. Introduccin
El Control de gestin ha ido evolucionando con el tiempo, a medida que la problemtica organizacional plantea nuevas necesidades. Hoy se puede diferenciar un enfoque clsico, sobre lo que existe relativo consenso y un nuevo enfoque atomizado en distintas interpretaciones. El enfoque clsico estaba orientado a una visin interna de la empresa, con un perl meramente nanciero, formal y rgido, donde la esencia del control de gestin se orientaba en el anlisis de los desvos y las medidas correctivas para acercar lo ms posible la realidad a la planicacin oportunamente realizada. A partir de una mayor complejidad, competitividad y dinamicidad que ha adquirido el entorno de las organizaciones, se ha hecho necesario cambiar el enfoque interno relativamente segmentado por un nuevo enfoque integrado global cuali-cuantitativo con un nuevo perl en el proceso de planicacin y control, donde la estrategia pasa a ser el factor clave del xito de las organizaciones. Se deja de lado las previsiones a largo plazo y la asignacin rgida de recursos por un anlisis constante del entorno en su relacin con la empresa, con una nueva direccin estratgica. Es aqu donde el Cuadro de mando Integral juega un rol fundamental. Si bien originalmente se crea como un tablero de comando, desarrollado en su propio funcionamiento basado en la misin y estrategia de la organizacin, el CMI ha integrado un conjunto de indicadores ms all de los aspectos nancieros, demostrando la necesidad de concebir la organizacin en un enfoque amplio, considerando tanto las variables internas como las variables externas, a travs de sus cuatro perspectivas. Kaplan y Norton plantean en su libro que el CMI pretende transformar la estrategia en accin, pero cmo hacerlo? o cmo asegurarnos de que realmente la estrategia que se dena se vea reejada en las acciones del da de cada unidad operativa de la organizacin? cmo se puede asegurar que todos los niveles de la organizacin trabajan bajo esa misma estrategia? En qu etapa de su implementacin permite desdoblar todos los objetivos estratgicos a los niveles operativos de la organizacin? Surge, entonces, la necesidad de que el CMI no pierda este objetivo y pueda lograr que toda la organizacin trabaje bajo un objetivo comn: los objetivos estratgicos denidos para la compaa. Segn Niven, esta herramienta se puede ver dividir entre tres funciones principalmente1; un sistema de medicin de las acciones de la empresa, un sistema de gestin estratgica que permite aterrizar y concretar hasta los niveles mas bajos de la organizacin, la estrategia
Niven, P. (2002): Balanced Scorecard Step by Step: Miximizing and Maintainin Results.
106
de la empresa y por ltimo, es una herramienta ecaz de comunicacin entre los trabajadores de todos los niveles de la organizacin y la alta direccin. Es por ello que se hace necesario que la implementacin del CMI se haga considerando siempre la integracin de todos los niveles de la organizacin para el cumplimiento de la estrategia. En resumen, sin duda alguna, una de las claves ms importantes consiste en lograr involucrar a los Talentos Humanos. No basta slo con denir indicadores nancieros y no nancieros que estn directamente ligados a la gestin de cada Gerente dentro la compaa, sino que se hace fundamental que se haga un desdoblamiento posterior en el cual se pueda rescatar de cada objetivo gerencial, indicadores operativos que muestren la realidad da a da (acciones) de la operacin basada en la estrategia. Otro punto importante a destacar, es cmo lograr que el CMI, elaborado a niveles directivos, se pueda comunicar a los distintos niveles de la organizacin y sea una herramienta de apoyo para la organizacin completa? Se hace muy necesario, entonces, la aplicacin del CMI de tal manera que exista la instancia de ir desdoblando cada uno de los objetivos planteados a los niveles inferiores y se elaboren, conjuntamente con estos niveles, los indicadores operativos que permiten controlar la gestin de cada uno de los representantes de cada una de las unidades operativas de la organizacin y as sucesivamente hasta llegar a los niveles superiores. Surge as, el mtodo de cascada, el cual da respuesta a este aspecto fundamental en la aplicacin del CMI. Desde el Gerente general hasta el ltimo empleado, tienen que estar comprometidos y alineados con la misma, y para ello se tendr que dotar al personal de los recursos (tiempo) y herramientas (capacitacin) para lograr la implementacin deseada. Para ello es necesario que la organizacin dena mecanismos de comunicacin entre todos los niveles de la organizacin, para mantenerlos informados de los resultados obtenidos en forma oportuna. Lo vital es transmitir a todos la visin, los valores y la estrategia de su empresa para que cada empleado sea capaz de comprender para qu est ocupando su puesto en la empresa y qu resultados se espera que aporte para el logro de la estrategia, de este modo actuarn en forma proactiva y no reactiva. As como tambin es importante que se tengan sistemas informticos acordes con los requerimientos y que permitan obtener de forma grca los desdoblamientos de cada uno de los objetivos estratgicos planteados en la organizacin, hasta los niveles ms bajos que operan el da a da. Sin estos dos puntos, esenciales para el buen funcionamiento del CMI, es imposible que la organizacin pueda actuar como un solo ente, en donde todas las partes involucradas asuman su rol.
107
2. CUADRO DE MANDO INTEGRAL

El cuadro de Mando Integral nace en 1990, cuando David Norton y Robert Kaplan realizaron un estudio de un ao en mltiples empresas. En l se medan los resultados de las empresas del futuro2. El estudio fue motivado por la creencia de que los enfoques existentes sobre la medicin de la actuacin, que dependan primordialmente de las valoraciones de la contabilidad nanciera, se estaban volviendo obsoletos. Los resultados de las discusiones del grupo condujeron a una expansin del Cuadro de Mando, hasta llegar a lo que se conoce hoy en da como Cuadro de Mando Integral, organizado en torno a cuatro perspectivas: nanciera, del cliente, procesos Internos y aprendizaje y crecimiento.
Perspectiva Financiera: Vincula los objetivos de cada unidad del negocio con la estrategia
de la empresa. Sirve de enfoque para todos los objetivos e indicadores de todas las dems perspectivas.
Perspectiva del Cliente: Identica los segmentos de cliente y mercado donde se

va a competir. Mide las propuestas de valor que se orientan a los clientes y mercados. Evala las necesidades de los clientes, como su satisfaccin, lealtad, adquisicin y rentabilidad con el n de alinear los productos y servicios con sus preferencias.
Perspectiva de Procesos Internos: Dene la cadena de valor de los procesos necesarios

para entregar a los clientes soluciones a sus necesidades (innovacin, operacin, servicio post venta). Los objetivos e indicadores de esta perspectiva se derivan de estrategias explcitas para satisfacer las expectativas de los clientes.
Perspectiva de Aprendizaje e Innovacin: Se obtienen los inductores necesarios para

lograr resultados en las anteriores perspectivas. La actuacin del personal se la refuerza con agentes motivadores que estimulen sus intereses hacia la empresa. Se miden las capacidades de los empleados, las capacidades de los sistemas de informacin, y el clima organizacional para medir la motivacin y las iniciativas del personal. Relaciones de Causa y Efecto: Es importante que el sistema de indicadores debe hacer que la relacin entre las hiptesis, entre los objetivos (e indicadores) en las diversas perspectivas sean explcitas a n de que puedan ser gestionadas y convalidadas. Debera hacer explcita la secuencia de hiptesis sobre las relaciones de causa y efecto entre los indicadores y los resultados y los indoctores de actuacin de los resultados.
Kaplan, R. y Norton, D. (1997): The balanced Score card.
108
Segn Kaplan y Norton3, para construir el cuadro de mando integral con xito es necesario llevar a cabo una metodologa de trabajo resumida en la realizacin de 4 etapas subdivididas en 10 tareas, que describiremos en la tabla 1. Tabla 1: Etapas de Implementacin del CMI (Kaplan R. y Norton, D. (1997))
El paso de la formulacin a la implantacin de la estrategia, no es nada fcil. La primera piedra con la que se puede tropezar es que los directivos estn de acuerdo con la estrategia, pero cada uno la interprete de forma diferente. El ejercicio de desarrollar un modelo de negocio obliga a la direccin no slo a consensuar la estrategia, sino tambin a tener una visin conjunta de estrategia. Los diferentes puntos de vista que antes quedaban implcitos y en la oscuridad del pensamiento individual, ahora se ven expuestos a la luz del intercambio verbal y a la rigurosidad de la palabra escrita. Las relaciones de causa y efecto permiten intercambiar opiniones, enriquecer la visin del negocio de cada directivo y llegar a un consenso de cmo alcanzar los objetivos. Con este consenso, todas las personas de la empresa suman esfuerzos en la misma direccin, en el lugar de dispersarlos persiguiendo objetivos aparentemente consistentes pero en realidad descoordinados.
Kaplan,R. y Norton,D. (1997): The Balanced Scorecard.
109
3. Mtodo de Cascada
Una vez que la estrategia se ha trasladado ecientemente hacia el cuadro de mando integral, es necesario eslabonar las diferentes unidades de negocio, reas funcionales, procesos, departamentos, equipos y personas hacia dicha estrategia, proceso que se denomina alineamiento estratgico. El concepto de alineamiento se puede denir como el proceso que permite vincular a las diversas unidades y departamentos hacia la estrategia de la organizacin, vinculacin que debe abarcar hasta el nivel del empleado, de tal forma de asegurar que el trabajo, actuaciones, decisiones y el comportamiento diario de todos los individuos, de todas la reas y niveles, est en concordancia con la estrategia de la organizacin. La idea de alinear o integrar diversos componentes en un sistema mayor, fue planteada originalmente por Peter Senge4, reconocido como el campen intelectual y espiritual del cambio organizacional y que cuestion los paradigmas ms aceptados de liderazgo y aprendizaje. Desde la perspectiva de Senge, la relacin entre las partes es ms importante que las partes individuales por s mismas. Eso quiere decir, que el desempeo de un sistema integrado es ms relevante que el desempeo de las partes independientes o, dicho en otras palabras, que para lograr el desempeo del sistema, es necesario alinear el desempeo de cada uno de los componentes de dicho sistema. Este alineamiento estratgico tiene dos dimensiones esenciales: el alineamiento horizontal o sincronizacin, el cual se logra mediante la implementacin del Cuadro de mando Integral, y el alineamiento vertical, denominado despliegue o mtodo de cascada5 (ver gura 1). El mtodo de cascada del cuadro de mando integral implica necesariamente desagregar la informacin hacia los niveles ms bajos de la organizacin, y dar a todos los empleados la oportunidad de demostrar cmo sus actividades cotidianas contribuyen al logro de los objetivos de la compaa. Otra ventaja del mtodo de cascada, es que no solo nos ayuda en el alineamiento de las acciones del da a da con la estrategia de la compaa, sino que adems, sirve como una herramienta de comunicacin que permite que cada trabajador conozca los objetivos de la compaa, as como sus objetivos en el da a da, comprendan la relacin entre ambos y sientan que su trabajo no est basado en la inmediatez, sino que existe un propsito que lograr y una estrategia que cumplir.
4 5
Reynoso, A. (2003): El alineamiento horizontal y vertical. Niven, P. (2002): Balanced Scorecard step by step: Maximizing performance and maintaining results.
110
Esta es la idea principal que pretende obtener el cascadeo: ser una importante metodologa que incremente la motivacin intrnseca de los trabajadores de una organizacin, un mtodo que permita la innovacin y ayude a resolver problemas.6
Figura 1: Mtodo de cascada (Fuente: Reinoso, A. (2004))
Por otra parte, el CMI a travs de esta metodologa, permite fomentar an ms la visin entre proveedor y cliente interno, debido a que si bien ayuda a cada trabajador a entender y trabajar para los objetivos y la estrategia de la compaa, tambin les permite (a travs de las relaciones de causa y efecto) crear entendimiento a qu parte de la cadena de valor dentro de la empresa pertenece y quin es su cliente interno, para el cual cada accin dentro de la presin del da a da, repercute el trabajo realizado. Crea conciencia y fomenta el concepto de trabajar con Calidad, porque a travs de mi trabajo satisfago a mi cliente interno y por ende a mi cliente externo. El cascadeo utilizado en el CMI, permite que todas las personas que trabajan en la empresa (trabajadores y gerentes) puedan demostrar cmo contribuyen en las metas generales de la organizacin. Adems crea un lenguaje consistente a travs de la medicin de los resultados y por ltimo, alcanza una integracin completa y focalizada en la estrategia de la empresa. Es decisin de la empresa denir a cuntos niveles decide bajar el CMI, pero sin duda que mientras ms desdoblada est y ms abajo llegue esta metodologa en la organizacin, mayor probabilidad de lograr con xito los objetivos y la estrategia, ya que ser mayor el nmero de trabajadores conscientes de lo que se espera de ellos y lo que permitir a su unidad estar alineados con la estrategia y objetivos de la compaa.
Niven, P. (2004): Balanced Scorecard Academy Powered.
111
Es importante recalcar que este desdoblamiento debe desarrollarse siempre, primero entregndole una visin al nivel inferior de los resultados que espera la empresa, la estrategia denida, con sus objetivos, etc. Luego se debe explicar cules son los objetivos denidos para el superior y cules sern sus indicadores y metas. Es en este contexto en el cual se le pide la colaboracin del nivel inferior para denir lo que ser su trabajo a lo largo del mediano plazo, con lo cual l se compromete a trabajar de acuerdo a las directrices ya denidas, en benecio de todos. Es decir, es absolutamente imperativo que todas las personas de la empresa comprendan el signicado estratgico de estos indicadores antes de comenzar a crear sus propios cuadros de mando integral. Este proceso, sin duda, garantiza el compromiso personal hacia las metas de la organizacin, la vinculacin entre las metas de la organizacin, los departamentos, reas, personas y adems, garantiza que existir un eciente proceso de optimizacin del desempeo y contribucin personal, de tal forma que el esfuerzo y trabajo de todos, en un efecto sinrgico, consiga alcanzar las metas de la organizacin.
4. Aplicacin de la Metodologa
4.1 Propuesta de cuadro de mando integral
Para poder desarrollar el cuadro de mando integral y desdoblar sus objetivos a travs del mtodo de cascada, se realizarn todas las actividades descritas en las etapas de implementacin del CMI. Sin embargo, se realiz una modicacin a la estructura a terica, debido a que en este trabajo adems se consider la repeticin de algunas tareas y la inclusin de otras, dependiendo de la cantidad de desdoblamientos realizados en este trabajo. Por lo cual, el trabajo realizado tendr las siguientes fases, como muestra la tabla 2. Tabla 2: Tabla resumen de las fases desarrolladas en este trabajo.
N 1 Actividad Seleccionar la Unidad de negocio adecuada Identicar vnculos entre lo corporativo y la unidad de negocio Realizar levantamiento inicial Sesin de sntesis de los objetivos por perspectiva Explicacin En esta fase se seleccion al rea industrial de Chile como la unidad de negocio a ser analizada y en donde se aplicara el mtodo de cascada para lo siguientes niveles Fue necesario, una vez seleccionada la unidad, revisar si dicha unidad est alineada con los objetivos planteados por la compaa, para determinar si est alineada con la estrategia de la organizacin, para poder realizar este trabajo Se realiza el levantamiento inicial, en donde se denen los factores claves de xito y con ello los objetivos estratgicos bajos los cuales trabajar la unidad para realizar la estrategia y objetivos denidos por la compaa En esta fase se realiza un recuento de lo revisado hasta el momento y se estratican los distintos objetivos denidos en la etapa anterior de acuerdo a las 4 perspectivas que propone el Cuadro de mando Integral
112
N 5 6 7 8 9
Actividad Primera reunin: Consenso de los objetivos del siguiente nivel Seleccin y diseo de los indicadores Denicin de las relaciones causa y efecto entre indicadores Denir metas Seleccin de las subunidades
Explicacin En esta reunin se determina nalmente los objetivos denitivos sobre los cuales va a trabajar el rea Industrial. Adems se denen las relaciones de causa y efecto entre los objetivos denidos Para cada uno de los objetivos denidos fue necesario denir los indicadores que ayudarn a monitorear y controlar que dichos objetivos se cumplan En esta fase se determinan las relaciones de causa y efecto entre los indicadores seleccionados Fue necesario tambin, denir las metas para cada uno de los indicadores seleccionados Fue necesario denir junto al Gerente General de la unidad de Chiguayante, las reas sobre las cuales se aplicara este trabajo, donde fueron seleccionadas las tres reas productivas Despus fue necesario, en conjunto con los gerentes de las reas seleccionadas y el gerente general, denir los objetivos estratgicos de ese nivel y llegar a un consenso sobre cuales serian los objetivos denitivos sobre los cuales trabajar y que por supuesto, estn alineados con los objetivos del nivel superior Una vez denidos los objetivos fue necesario, nuevamente, establecer qu indicadores se van a seguir para controlar el cumplimiento de los objetivos seleccionados. Antes de realizar dicha reunin fue necesario denir sobre qu nivel se iba a trabajar en esta fase y en conjunto con los gerentes de las reas productivas se determin que lo lgico era continuar con el siguiente nivel en la cadena de cargos. Por lo cual se deni que las jefaturas de turno, seran las subunidades a analizar en esta fase. Luego fue necesario en conjunto con los respectivos jefes de turno de cada rea productiva, denir los objetivos estratgicos sobre los cuales se trabajara y determinar las relaciones de causa y efecto entre ellos Nuevamente el paso siguiente es determinar los indicadores que controlaran el cumplimiento de los objetivos planteados en este nivel. Adems se denieron las relaciones de causa y efecto entre los indicadores mencionados En esta fase tambin, antes de denir los objetivos, fue necesario denir en reunin con Jefes de turno y gerentes, cules seran las funciones sobre las cuales en cada rea se realizara el desdoblamiento de los objetivos del nivel superior, recin analizado. Una vez seleccionadas las funciones, en conjunto con sus respectivos jefes de turno, se denieron los objetivos que tendran cada uno de ellos, de acuerdo a la labor que realiza y se determinaron las relaciones de causa y efecto entre dichos objetivos Fue necesario tambin, determinar los indicadores que controlaran el cumplimiento de dichos objetivos, con sus respectivas relaciones de causa y efecto Finalmente, una vez realizado todo el desdoblamiento respectivo, se realiz una ltima reunin con todos los involucrados, en la cual se present toda la informacin recopilada en este trabajo, para cerrar esta fase y lograr el acuerdo total y as poder comenzar la fase de implementacin, para denir recursos necesarios para que este desdoblamiento sea un xito y logre el objetivo propuesto en este trabajo
10
Segunda reunin: Consenso de los objetivos siguiente nivel Denicin de los indicadores y metas
11
12
Tercera reunin: Consenso sobre objetivos siguiente nivel
13
Denicin de los indicadores y metas
14
Cuarta reunin: Consenso sobre los objetivos ltimo nivel
15
Denicin de los indicadores y metas
16
ltima reunin: Revisin general y consenso Final
Como una forma de ejemplicar mejor el trabajo a desarrollar, es que en la siguiente gura 2, se muestra grcamente, cules sern los niveles considerados para su desdoblamiento. Es importante considerar que este desdoblamiento en todas las fases mencionadas anteriormente, es posible realizarlo en cualquier unidad seleccionada aunque, en esta tesis se aplic en una empresa textil.
113
Figura 2: Niveles de desdoblamiento del CMI
4.2 Desarrollo del Cuadro de Mando Integral

Para comenzar la aplicacin de esta metodologa se denieron la estrategia y objetivos estratgicos, en los cuales se aplic el Mtodo de Cascada. Para ello, se agruparon los objetivos estratgicos, en las cuatro perspectivas denidas por Kaplan y Norton, como muestra la gura 3. Figura 3. Clasicacin de los objetivos en las Cuatro Perspectivas
114
Adems, fue necesario determinar las relaciones de causa y efecto existente entre los objetivos estratgicos denidos por la compaa, como muestra la gura 4.
Figura 4. Relacin de causa y efecto entre objetivos estratgicos de la empresa textil
Finalmente, despus de realizar el desdoblamiento nivel a nivel, en la gura 5 se muestra un ejemplo del desdoblamiento realizado desde el nivel gerencial, hasta el nivel operativo, a travs del mtodo de cascada, en una de las tres reas productivas.
115
Figura 5. Resultado del mtodo de cascada desdoblado hasta el nivel operativo (rea Hilandera).
116
Muchos autores han incluido nuevas perspectivas a este Cuadro de Mando, como la Perspectiva Medio Ambiental o del Entorno, directamente relacionadas a la comunidad. Sin embargo en este trabajo es importante recalcar que en este anlisis slo se consider para el desdoblamiento la unidad Industrial y el desdoblamiento posterior a las reas productivas. Es por ello que todo el trabajo a realizar en la comunidad est fuera del alcance de este trabajo. Se consideraron los puntos relacionados al rea Industrial de la unidad, y por lo tanto al operario, y de qu forma l puede inuir en los resultados ambientales y de contacto a la comunidad. Para ello, dentro de la perspectiva de aprendizaje y crecimiento se consider que los operarios necesitan constantemente una capacitacin en los conceptos bsicos relacionados al cuidado del Medio Ambiente y del desempeo ambiental, as como se crearon indicadores que van a permitir medir su responsabilidad y compromiso con las Polticas de la compaa a travs de las anormalidades ambientales y de la generacin de residuos.
5. Conclusiones
Se dise un sistema de control de Gestin para el rea industrial de Santista Textil basado en el Balanced Scorecard, o bien, en el Cuadro de Mando Integral, desarrollando el modelo conceptual formado por indicadores nancieros y no nancieros y desdoblado a travs del mtodo de cascada al resto de los niveles de la organizacin. Igualmente, sabemos que una primera tarea en la construccin del Sistema de Control de Gestin, es la revisin de la misin con que las Gerencias se deben inspirar como una unidad de negocio. Mediante la formalizacin de la misin y la visin de la Gerencia y del resto de los niveles, en donde se realiz el desdoblamiento, es posible mostrar a la organizacin de qu forma atraer a los clientes y qu implicar si lo hace ecientemente. Estableciendo con ello las bases para desarrollar acciones en la Gerencia. Un adecuado control de gestin es un elemento fundamental para asegurar el cumplimiento de los planes estratgicos de la empresa. Ambas funciones integradas, colocan a la empresa en una posicin ventajosa con respecto a la competencia porque de una parte, la estrategia conduce a aprovechar las oportunidades del entorno a partir de sus potencialidades internas, y de la otra el CG conduce al enriquecimiento de la estrategia con el quehacer y la toma de decisiones locales del da a da. Una de las causas por las que fracasa la estrategia en las empresas, es la ausencia de un sistema de control de gestin que integre todas las fuerzas: cuando el control de gestin no est sucientemente integrado en el proceso estratgico, se desperdician esfuerzos para impulsar el cambio.
117
El enfoque del CMI enriquece y fortalece los SGC de las empresas. Adems fomenta una visin integral, proactiva, articulada e interconectada en el personal de las empresas lo que ayuda a adoptar estas actitudes en forma general dentro de ellas. No se debe olvidar que existe una alineacin entre los objetivos de todos los niveles desdoblados y los objetivos de la empresa en que est inserta, lo cual resulta esencial para la elaboracin de un cuadro de mando, ante la posibilidad de optimizar el rendimiento de la unidad escogida y la lnea de trabajo en cascada a expensas de otras unidades que tambin pertenecen a la empresa. En el cuadro de mando Integral diseado para la empresa textil y desdoblado para todos los niveles productivos de la organizacin en el rea Industrial, se destaca la presencia de componentes bsicos que debe tener un Cuadro de mando Integral: Todos los objetivos e indicadores estn estructurados en las cuatro perspectivas denidas por el CMI, y los resultados nalmente pretender lograr el primer y principal objetivo nanciero de la compaa, que es maximizar el retorno econmico del negocio. La formulacin del cuadro de mando Integral que vincula la misin y la estrategia de la unidad inicialmente elegida (2do Nivel), luego es desdoblada al resto de los niveles de la organizacin, pasando por las Gerencias productivas, sus respetivos Supervisores y terminando con la eleccin de una funcin dentro de cada rea. Esta herramienta tiene la nalidad de que cada trabajador manejar los indicadores que de acuerdo a su funcin debe tener. En la empresa, si bien se haban denido Misin, Visin, Valores y objetivos desdoblados de los objetivos corporativos, no se haba realizado el desdoblamiento al resto de los niveles de la organizacin. Por lo cual este trabajo realiza ese anlisis y permitir a toda la organizacin trabajar bajo un mismo objetivo. Adems se dejan planteadas las bases para el desarrollo posterior de la implementacin de este Cuadro de Mando Integral en la unidad, considerando el sistema de comunicacin e informtico acorde con la complejidad de la informacin.
118
Bibliografa
Anthony, R. (1990), El control de Gestin Ed. DEUSTO S.A. Bilbao. Dvila A. (2000), Nuevas herramientas de control: Cuadro de mando integral, Universidad de Navarra, Madrid, Espaa. Guerrero P. (2004), Balanced Scorecard aplicado a la Gestin Administrativa, Universidad Catlica de Santa Maria, Mxico. 2004. Hernndez, M. (2000), Acerca de la denicin de control de gestin. Rev. Folletos Gerenciales. Ed. CCED del Mes. AO IV, Mayo. Ciudad de La Habana, Cuba. Kaplan, R. y Norton, D. (2006), Alignment: Using the Balanced Scorecard to Create Corporate Synergies, Harvard Bussiness School Press, Boston. Kaplan, R. y Norton, D. (2004), Strategic Maps, Harvard Bussiness School Press, Boston. Kaplan, R. (2001): How to use the picture of integral control: to implant and to manage his strategy, Harvard Bussiness School Press, Boston. Kaplan, R. y Norton, D. (2000), The Strategyc Fourced Organization, Harvard Bussiness School Press, Boston. Kaplan, R. y Norton, D. (1997), The balanced Score card, Harvard Bussiness School Press, Boston. Niven, P. (2004), Balanced Scorecard Academy Powered, John Wiley & Sons, Inc. New York. Niven, P. (2002), Balanced Scorecard Step by Step: Miximizing and Maintainin Results, John Wiley & Sons, Inc. New York. Niven P. (2002), Ten essential keys to construct a Successful Balanced Scorecard, Ed. McGraw Hill, Madrid. Olve, N. (2000), Implanting and managing the picture of integral control: practical guide of the Balanced Scorecard. Jonh Wiley & Sons, New York.
119

Revista N12

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Revista N12

Enviado por

Direitos autorais:

Formatos disponíveis

Representante Legal Director Responsable Director Responsable Reemplazante Editor

Luis Riveros C. Claudio Bonilla M. Domingo Fabres V. Domingo Fabres V.

N 12 Primer Semestre 2007

2. Qualitative Choice And Logit Models Applied To Price Optimization __________________________ 55

3. De Costo Histrico a Valor Justo: Efectos en Activo Fijo e Intangible_________________ 81

2.2. Metodologa 2.2.1. Modelos Multivariados Recursivo y Rolling

1, Si EWZi x EWZi > 0 pi = 0, En otro caso

1, Si EWZj x EWZj > 0 pj = 0, En otro caso

2.2.2. Algoritmos Genticos17, 18

2.2.3. Codicacin y Poblacin Inicial

2.2.4. Evaluacin de la Prediccin

2.2.5. Seleccin y Generacin de Descendencia

FIGURA 1: Proceso de Reproduccin en Algoritmo Gentico

FIGURA 3: Propagacin de los Datos en una Red Neuronal

Si Hi(t) > entonces f[Hi(t)]

FIGURA 4: Arquitectura de la Red Neuronal Considerada

(13) , con Z0 = 0 + i0 (14)

Parisi, Antonino & Parisi, Franco. CD Teora de Inversiones, Palermo Multimedia.

(15) (16) (17) (18) (19) (20) (21) (22)

0 x-a b-a c-x c-b 0

,xa ,axb ,bxc ,cx

FIGURA 5: Funcin Triangular

Bajsima Muy Baja Baja

De acuerdo a lo anterior, los conjuntos de pertenencia quedarn delimitados de la siguiente manera:

DJI 11,1 DJI 1 2,1 M 1 DJI i ,1 M DJI 1 n ,1

DJI 11, 2 DJI 1 2, 2 M DJI 1 i , 2 M DJI 1 n , 2

DJI 11,8 1 0 0 DJI 1 2,8 2 M M M 0 0 DJI 1 i ,8 M M M 1 DJI n ,8 0 0 n x 8

dDJI 11,1 0 dDJI 1 2,1 0 M M = 1 0 dDJI i ,1 M M 1 n nxn dDJI n ,1

dDJI 11, 2 dDJI 1 2, 2 M dDJI 1 i , 2 M dDJI 1 n , 2

dDJI 11,8 dDJI 1 2,8 M dDJI 1 i ,8 M dDJI 1 n ,8 n x 8

BVSPpi,j (El estado de naturaleza j en la semana i dBVSPp

de la variacin del ndice BVSP, rezagado p veces, si el factor i = 1) , si el factor i = 0.

EWZpi,j (El estado de naturaleza j en la semana i dEWZpi,j =

cin de la Variacin de EWZ, utilizando la tcnica de Lgica Borrosa

max{a i,1 , a i,2 , , a i,8 } max{dDJI min{dDJI max{dDJI min{dDJI max{dDJI

, dEWZ , dEWZ , dEWZ , dEWZ , dEWZ

i,j } i,j } i,j } i,j } i,j }

max{a i,1 , a i,2 , , a i,8 }

max{b i,1 , b i,2 , , b i,8 }

max{a i,1 , a i,2 , , a i,8 }

max{b i,1 , b i,2 , , b i,8 }

max{a i,1 , a i,2 , , a i,8 }

max{b i,1 , b i,2 , , b i,8 }

Combinacin 5 dDJI dDJI dDJI dDJI dDJI dDJI dDJI dDJI

max{a i,1 , a i,2 , , a i,8 }

prom{b i,1 , b i,2 , , b i,8 }

max{a i,1 , a i,2 , , a i,8 }

prom{b i,1 , b i,2 , , b i,8 }

i,j , , dEWZ i,j , i,j , i,j , i,j , i,j ,

max{a i,1 , a i,2 , , a i,8 }

prom{b i,1 , b i,2 , , b i,8 }

, dEWZ , dEWZ , dEWZ , dEWZ , dEWZ

i,j } i,j } i,j } i,j } i,j } i,j }

max{a i,1 , a i,2 , , a i,8 }

prom{b i,1 , b i,2 , , b i,8 }

prom{a i,1 , a i,2 , , a i,8 }

max{b i,1 , b i,2 , , b i,8 }

prom{a i,1 , a i,2 , , a i,8 }

max{b i,1 , b i,2 , , b i,8 }

prom{a i,1 , a i,2 , , a i,8 }

max{b i,1 , b i,2 , , b i,8 }

prom{a i,1 , a i,2 , , a i,8 }

max{b i,1 , b i,2 , , b i,8 }