V JORNADAS ASEPUMA

APLICACIONES ECONMICAS DE LA OPTIMIZACIN ROBUSTA Canos, M.J.1 Mochol, M. Navarro, V. Sanchis, V. Sala, R.

1. EL PROBLEMA DE LA INCERTIDUMBRE En los modelos de programacin matemtica aplicados a fenmenos reales se suele suponer que los datos que intervienen son conocidos y constantes, lo que permite abordar su planteamiento y resolucin. Sin embargo, esta hiptesis de constancia no suele ser cierta puesto que normalmente los datos pueden ser errneos o incompletos. Tambin hay que tener en cuenta que los valores de los datos que se usan en el modelo son a veces estimaciones basadas en una prediccin de las condiciones futuras. Para no tener que resolver un nuevo problema cada vez que se produce un cambio en los datos o saber hasta que punto es fiable una decisin obtenida a partir de datos estimados, se han desarrollado distintas tcnicas como el anlisis de sensibilidad (anlisis a posteriori) o la programacin estocstica (anlisis a priori). Otra de las tcnicas a priori que palia los inconvenientes aludidos anteriormente , y en la cual se centra este trabajo, es la optimizacin robusta, una integracin de la programacin por objetivos con una descripcin de los datos del problema basados en escenarios posibles. Con esto se generan una serie de soluciones que progresivamente se convierten en menos sensibles a las posibles realizaciones de los diferentes escenarios. La optimizacin robusta presenta ms ventajas de aplicabilidad que la programacin lineal estocstica y, aunque puede resultar ms compleja y ms cara desde el punto de vista computacional, sus soluciones presentan mejores garantas.

2. TEORA BSICA DE LA OPTIMIZACIN ROBUSTA Para poder plantear un modelo de optimizacin en un entorno de incertidumbre, definimos dos grupos de variables: 1. xRn1 que representa el vector de las variables de cisin cuyos valores ptimos no
1

Departamento de Econmia Financiera y Matemtica. Universidad de Valencia.

Canos, M. J. y otros

estn condicionados por la realizacin de la incertidumbre de los parmetros. 2. yRn2 que representa el vector de variables de control que estn sujetas al ajuste una vez se ha observado la incertidumbre de los parmetros. Su valor depende tanto de la realizacin del escenario como del valor ptimo de las variables de decisin.

Las variables de decisin o de diseo son las que determinan que tipo de estructura de proceso hay que utilizar.

Un modelo de optimizacin lineal presenta la siguiente estructura: Min z= cx + dy s.a. Ax=b Bx+Cy=e x,y0 xRn1 , yRn2

Las ecuaciones Ax=b representan las restricciones estructurales con coeficientes fijos y libres de errores. Las ecuaciones Bx+Cy=e representan las restricciones de control y los coeficientes de estas restricciones s estn sujetos a variacin. Para poder llegar a definir un problema de optimizacin robusta, debemos introducir un conjunto de escenarios = {1,2,...,S}. Con cada escenario s, podemos asociar el conjunto {ds, Bs, Cs, es} de realizacin de los coeficientes de las distintas variables de control y tambin la probabilidad de este escenario Ps. Evidentemente, s Ps = 1.

El trmino robusto lo podemos emplear en dos acepciones: respecto a la optimalidad y respecto a la factibilidad.

La solucin ptima del problema anterior es robusta respecto a la optimalidad si se mantiene cerrada en el ptimo, es decir, si vara muy poco la solucin ptima, para la realizacin de cualquier escenario. En este caso se dice que el problema tienen una solucin robusta. En el caso de que se mantenga factible para cualquier realizacin, se dice que el modelo es robusto.

No es frecuente que cualquier solucin del problema anterior se mantenga tanto ptima como factible para todos los escenarios. Por eso es necesario medir la desviacin entre la robustez de la solucin y el modelo.

V JORNADAS ASEPUMA

El modelo de optimizacin robusta propuesto presenta la siguiente formalizacin para medir esta desviacin.

En primer lugar, introducimos el conjunto de variables de control para cada escenario, es decir, {y1 , ..., yS}. Tambin introducimos el conjunto de vector de errores {z1,..., zS} que mide la infactibilidad de las restricciones de control bajo el escenario s. Por tanto podemos considerar la siguiente formulacin como la de un modelo de optimizacin robusta. Min Z=(x,y1,....,yS) + (z1,....,zS) s.a. Ax=b Bsx + Csys+zs = es x0, ys0 s s

El primer trmino de la funcin Z, (.), se denomina funcin agregada. Para poder definirla, debemos considerar que con mltiples escenarios, la funcin objetivo =cx+dy es una variable aleatoria que toma el valor s = cs xs + ds ys con probabilidad Ps. Podramos hacer que (.) tomara el valor medio, lo que representara la funcin usada en la formulacin de los problemas lineales estocsticos, o el mximo de s, que sera el mtodo del peor caso. Tambin podramos introducir momentos de orden superior de la distribucin s. Esta posibilidad es una de las diferencias con la programacin estocstica. El segundo trmino de la funcin Z, (.), es una funcin de penalizacin de factibilidad. Se usa para penalizar las violaciones de las restricciones de control bajo los diferentes escenarios s. La ponderacin se usa para obtener el espectro de las respuestas de la desviacin de la solucin para la robustez del modelo.

La introduccin de la funcin de penalizacin es lo que distingue la optimizacin robusta de otros procedimientos con datos inexactos. El modelo reconoce que no es posible encontrar soluciones factibles bajo todos los escenarios y genera soluciones que analizadas por el decisor pueden presentar el menor nmero de infactibilidades. Como ejemplos de funciones de penalizacin podramos mencionar: a) s Ps zst zs. Esta funcin es aplicable a problemas con restricciones de igualdad en donde las desviaciones de las restricciones, tanto positivas como negativas, son no

Canos, M. J. y otros

deseables. b) s Ps max{0,zs}. Esta funcin es aplicable a las restricciones de control de desigualdad cuando slo tienen inters las violaciones de las restricciones en sentido positivo. En sntesis, el modelo propuesto anteriormente toma la forma de objetivo multicriterio. El primer trmino mide la robustez de la optimalidad mientras que el segundo trmino mide la robustez de la factibilidad.

3. DOS APLICACIONES ECONMICAS DE LA OPTIMIZACIN ROBUSTA

Vamos a presentar a continuacin dos modelos en los cuales se ha introducido las tcnicas de la optimizacin robusta para su aplicacin practica.

3.1 Estudio de la viabilidad de una nueva lnea de productos. El objetivo es estudiar la viabilidad de una nueva lnea de productos en un entorno de incertidumbre, basndonos para ello en la obtencin del umbral de rentabilidad mediante la optimizacin por escenarios y optimizacin robusta. Para calcular el umbral de rentabilidad de una empresa, es necesario el conocimiento de los costes tanto fijos como variables de cada uno de los productos, los precios de venta, etc. Debido a la incertidumbre del entorno econmico que rodea a la empresa estos datos no son conocidos y, por tanto, no se puede calcular dicho umbral de rentabilidad. Para tratar la incertidumbre de los datos recurrimos a la tcnica del expertizaje, es decir, elegir n expertos para que, en base a sus conocimientos, nos faciliten un intervalo de confianza para cada uno de los datos sobre los que son consultados, a partir de los cuales se pueden plantear dos escenarios para cada experto: a) el escenario favorable formado por los precios de venta mximos y los costes mnimos, y b) el escenario desfavorable en el que se combinan los precios de venta mnimos con los costes mximos. Adems de los datos proporcionados por los expertos hay que considerar los costes de estructura de la empresa imputables al proceso productivo CEmin (CEmax). Con todo ello el escenario desfavorable para un experto i es :

V JORNADAS ASEPUMA

m Min Emax = Q i ij j=1 s.a. :

PVminij - CVmaxij Qij = CFmaxijYij + CGmaxig Gig + CEmax (1) j=1 g =1 j = 1

( PVmin

ij

- CVmaxij ) Qij CFmax Y

ij ij

j g (3)

(2)

PVminij CVmaxij Qij CFmaxijYij + CGmaxig Gig j GR j GR g g Qij MYij j

(4) (5) (6)

Y
j =1 k g =1

ij

P L

ig

A1 Qij :: b1 A 2 Yij :: b2 A3 G ig :: b3
Q 0 , Y , G {0,1} ij ij ig

(7)

Siendo: Qij nmero de unidades a producir del producto j segn el experto i. Yij variable binaria que representa si se produce o no el producto j con los datos del experto i. Gig variable binaria que representa si se produce o no el conjunto de productos GRg con los datos del experto i.

Cada bloque de restricciones del modelo representa : (1) Punto de equilibrio general de la empresa para el conjunto de artculos j que produce, principal restriccin que aparece en los modelos clsicos de obtencin del umbral de rentabilidad. (2) Restricciones que garantizan que cada artculo no pueda ser deficitario por s mismo, es decir, que como mnimo debe cubrir sus costes fijos particulares. (3) Restricciones que aseguran la cobertura por grupo de artculos en el caso de que algunos de ellos necesiten algn proceso de produccin comn, esto es, que cada grupo de productos no pueda ser deficitario.

(4) Restricciones que evitan que se pueda producir un artculo sin asumir su coste fijo. El escalar M es un nmero arbitrario, suficientemente grande, de modo que no suponga una cota superior efectiva respecto de las cantidades a producir de cada artculo.

Canos, M. J. y otros

(5) y (6) nmero mnimo de productos (P) y grupos (L) a producir.

(7) Restricciones tcnicas, comerciales, financieras, etc. si las hubiere.

Adems de los n escenarios desfavorables existen otros n favorables cuyo planteamiento es igual que el anterior, pero cambiando los precios de venta mnimos (PVmin) por los precios de venta mximos (PVmax) y los costes mximos por mnimos.

La resolucin de los 2n problemas anteriores proporciona 2n escenarios o umbrales de rentabilidad distintos. La cuestin estriba, entonces, en determinar cul debe ser la decisin a tomar, puesto que slo existira una solucin ptima si los datos fueran conocidos con certeza.

Para calcular una nica solucin proponemos combinar toda la informacin obtenida de cada uno de los expertos en un nico modelo coordinado o modelo tracking.

En este modelo coordinado el objetivo es minimizar las desviaciones respecto de la optimalidad y la factibilidad. Para ello en la funcin objetivo de dicho modelo se incluyen ponderadas las desviaciones respecto de la solucin ptima de cada escenario (optimalidadDVO), as como las desviaciones ponderadas que surgen al relajar la primera restriccin que en cada escenario es una igualdad (factibilidad-DVF).

Adems, el modelo propuesto incluye las restricciones exigidas para todos y cada uno de los escenarios (favorables y desfavorables) generados a partir de los datos facilitados por cada experto, excepto las restricciones (2) y (3) de los escenarios favorables por ser redundantes.

Con todo esto, el modelo coordinado es el siguiente :

V JORNADAS ASEPUMA

n DVOmin + + DVOmin + DVOmax + + DVOmax + 1 i 2 i 1 i 2 i Min ECOR = + + i =1 1 DVFmin i + 2 DVFmin i + 1 DVFmax i + 2 DVFmax i

s.a. :

Q
j =1 m j =1

- DVOmin i+ + DVOmin -i = Emin i + DVOmax i+ - DVOmax -i = Emax i

m

i i
k

(8) (9) i (10)

Q (PVmax
m j =1 m ij

CVmin ij ) Q j - DVFmin i+ + DVFmin -i = CFmin ijY j + CGminig Gg + CEmin

j =1 g =1 k m

(PVmin
j =1

ij

CVmax ij ) Q j - DVFmax i+ + DVFmax i- = CFmax ijY j + CGmaxig Gg + CEmax i (11)

(PVmin
jGR g

ij

- CVmax ij ) Q j CFmax ij Yj
ij

j=1

g =1

i, j
ij j

(PVmin

- CVmax ij ) Q j

jGR g

CFmax Y

+ CGmax ig G g

i, g

Q j MY j

Y
j =1 k g =1

P L

G
+ i

A1Q j :: b1 , A 2Y j :: b2 , A3Gg :: b3
+ + Q j , DVOmin , DVOmin i , DVOmax i+ , DVOmax i , DVFmin i , DVFmin i , DVFmax i , DVFmax i 0

Yj ,Gg {0 ,1}

donde las desviaciones representan :

+ producir ms de lo necesario en el escenario favorable i. DVOmini - producir menos de lo necesario en el escenario favorable i. DVOmini + producir menos de lo necesario para el escenario desfavorable i. DVOmaxi DVOmaxi- producir ms de lo necesario para el escenario desfavorable i. + , DVFmin sobrepasar o no alcanzar el umbral de rentabilidad respectivamente DVFmin i i

en el escenario favorable i.
+ , DVFmax sobrepasar o no alcanzar el umbral de rentabilidad respectivamente DVFmax i i

en el escenario desfavorable i.
1, 2 , 1 , 2 , 1 , 2 , 1 , 2 son coeficientes que asigna el sujeto decisor en funcin de su

mayor o menor aversin al riesgo de las respectivas desviaciones, debiendo tener en cuenta a la hora de asignar valores a estos coeficientes que las DVO estn expresadas en unidades de producto y las DVF en unidades monetarias, por lo que sus coeficientes deben reflejar esta

Canos, M. J. y otros

circunstancia.

3.2: El problema del Cash-Flow matching con incertidumbre. El problema de la gestin de carteras puede abordarse de diferentes formas, tanto activas como pasivas. Una de ellas es conocida como el problema del cash-flow matching, en la cual lo que se pretende es determinar el importe de la inversin a realizar en el momento inicial para atender una serie de pagos a lo largo de un determinado periodo de planificacin. Lo que planteamos es un modelo de optimizacin robusta que permita determinar la composicin de la cartera que permite hacer frente a una serie de pagos inciertos ( pero a los cuales les vamos a asociar una probabilidad discreta de ocurrencia de los sucesos).Esta cartera que hemos de determinar estar compuesta por bonos de renta fija, tanto en el caso de considerar bonos sin riesgo (bonos del tesoro) como diferentes bonos con rating de diferente nivel.

La formulacin de este problema en trminos deterministas, incluyendo desviaciones por exceso y por defecto es: Minimizar s.a. : cx A x - Q1 y+ + Q2 y- = b x X, y+ , y- 0. Donde x representa los activos (bonos) comprados y mantenidos hasta su vencimiento y c es el precio de compra de los diferentes activos. La variable y+ representa los excesos de caja reinvertidos en el momento t, pero solo reinvertidos por un periodo. y- representa los dficits de caja que deben ser cubiertos mediante la peticin de prstamos o crditos que deben ser devueltos en el periodo siguiente. La matriz A son los cash-flow producidos por cada uno de los activos en el periodo t, incluyendo tanto los cupones como las amortizaciones. La matriz Q1 representa la matriz de reinversiones durante cada periodo, es decir es una matriz T*T, de la siguiente forma: 1 0 1 (1 + r 2 ) .... 0 (1 + r 3 ) 1 Q1 = .. . 0 (1 + r T ) 1 Siendo r t el tipo de inters que remunera los saldos positivos durante el periodo t.

V JORNADAS ASEPUMA

Mientras que la matriz Q2 es la matriz de pagos por los prstamos solicitados en el periodo anterior, es idntica a la matriz Q1 sin ms que sustituir r t por r t (el tipo de inters que se paga por los saldos negativos -prstamos- durante el periodo t). Para que el modelo anterior, tenga sentido econmico los tipos de inters de los prstamos han de ser mayores o iguales que los tipos de inters de los depsitos realizados durante cada uno de los periodos, es decir r r . El vector b, representa las necesidades a cubrir en cada uno de los periodos. El conjunto de oportunidades X puede estar definido, adems, por un conjunto de restricciones que tengan en cuenta otros tipos de consideraciones, como por ejemplo, las relaciones entre las duration de los activos y los pasivos en algn o algunos periodos de tiempo(Shapiro), la consideracin de cotas superiores o inferiores para cada uno de los activos(Shapiro), restricciones de diversificacin de la cartera (Nauss), inclusin de algunas relaciones entre los valores actuales de los activos (Dembo),etc. Para tratar de abordar este tipo de incertidumbre hemos de realizar estimaciones sobre el comportamiento futuro de los diferentes datos que intervienen. Una forma de estimar estos parmetros de los diferentes periodos es usando la tcnica de la generacin de escenarios, de forma que se puedan establecer nexos de unin entre las diferentes posibilidades de los sucesos. A cada uno de estos escenarios les podremos asociar una probabilidad del acontecimiento, de forma que podremos cuantificarlos. En el modelo que proponemos vamos a considerar la introduccin de la incertidumbre en dos apartados: 1) Diferentes posibilidades de cada uno de los pagos en los distintos periodos de tiempos, y 2) Aadir a las posibilidades anteriores la formacin de una cartera con diferentes tipos de activos con un cierto riesgo. Estos activos con riesgo los consideraremos como bonos con diferente rating, es decir, clasificados como A (AA o AAA), B o C. Estas clasificaciones de rating de los bonos tienen asociadas unas probabilidades de impago. En cualquier caso lo que pretendemos determinar es la cartera que debe cubrir las diferentes necesidades de pago de cada uno de los escenarios posibles, de forma que esta sea lo ms robusta respecto a la posibilidades de infactibilidad y de optimalidad. Con todo esto el modelo que proponemos para coordinar los distintos escenarios es el siguiente : Min Z = (

ci j x i j + I 0 ) +

j = 1i = 1

s = 1t = 1

s t

DN s t +

Canos, M. J. y otros

s.a:

s=1

(WN s + WP s ) +

s=1

DN s T

( 1
t=1

+ ra t ) - t

a
j = 1i = 1 m n

s ij

s s x i j + DN 1 - DP1s + I 0 = N 1

s
s

a
j = 1i = 1

s ij

s s s s s x i j + DN s t - DPt + DPt - 1 (1 + r t ) - DN t - 1 (1 + r t ) = N t

s, t 2 ( c i j x i j + I 0 ) - V s - WP s + WN s = 0
j = 1i = 1 m n

x i j , DP , DN, WP, WN 0
Identificacin de nomenclatura: i j s t xi j ci j I0 pst DNst rating de bonos i = 1, 2, ..., n. clases de bonos dentro de un mismo rating escenarios posibles periodos de tiempo s = 1, 2, ..., S t = 1, 2,..., T. j = 1, 2, ..., m.

numero de bonos del tipo j que se adquieren de la clase i (rating). precio de adquisicin de los bonos. inversin inicial en activos sin riesgo ms efectivo probabilidad de ocurrencia del escenario s durante el periodo t. y DPst Desviacin negativa (falta de cobertura) y positiva (exceso de cobertura)

e la inversin para atender a los pagos del periodo t bajo el escenario s.

as ij

rendimiento del bono j de la clase i bajo el escenario s. Tipo de inters de los depsitos y prestamos durante el periodo t bajo el

r st y r st
Nst V
s

escenario s Necesidades de pago durante el periodo t bajo el escenario s. Valor de la inversin bajo el escenario s. tipo de actualizacin durante el periodo t. Desviacin positiva (exceso) y negativa (defecto)entre el valor del

art

WPst y WNst

escenario coordinado y cada uno de los escenarios individuales. Explicacin del modelo: (1) La funcin objetivo esta compuesta por cuatro trminos: a) el importe de la inversin inicial (bonos ms efectivo), penalizada por un parmetro , b) la

10

V JORNADAS ASEPUMA

suma de todas las desviaciones negativas (prestamos a solicitar) ponderada por las probabilidades de los diferentes escenarios y penalizada por un parmetro . Puede interpretarse como el riesgo de insolvencia de la compaa. Representa la infactibilidad, c) la suma de las desviaciones entre el valor de la cartera conjunta y el valor de la cartera en cada uno de los escenarios individuales ponderada por las probabilidades de dichos escenarios y penalizada por un parmetro . Se puede interpretar como el criterio de optimalidad global frente a la optimalidad de cada escenario, y d) penalizada por un parmetro , es la suma ponderada de los valores actuales de las desviaciones negativas del ltimo periodo ( falta de cobertura ). Se puede interpretar como el riesgo de iliquidez final . Representa infactibilidad y tambin se puede interpretar como el equilibrio financiero global. Las restricciones son las siguiente: Ecuacin 1: Los rendimientos producidos por la cartera ms la cantidad mantenida en efectivo debera ser suficiente para cubrir las necesidades del primer periodo en cada uno de los escenario, pero dado que las necesidades en cada escenario son distintas se admite la posibilidad de que existan desviaciones tanto por exceso ( DP1s )
s como por defecto ( DN 1 ).

Ecuacin 2: Es la generalizacin para todos los periodos de tiempo de la ecuacin 1, pero considerando las desviaciones habidas en el periodo anterior con sus correspondientes intereses tanto activos como pasivos. Las desviaciones negativas (descubiertos) del ltimo periodo, se incorporan (actualizadas) en la parte cuatro de la funcin objetivo. Ecuacin 3: Mide las desviaciones del escenario global respecto a cada uno de los escenarios individuales. Se trata de la alternativa a la incorporacin de la desviacin cuadrtica para la funcin objetivo.

4. BIBLIOGRAFA 1. Dembo, R.S. (1991) : Scenario Optimization. Annals of Operations Research. Vol 30, pp 63-80. 2. Mulvey, J.M., Vanderbei, R.J. and Zenios, S.A. (1995) : Robust optimization of arge-scale systems. Operations Research. Vol 43, pp 264-281. 3. Zenios, S.A. (Ed) (1993) : Financial Optimization. Cambridge University Press.

11

Canos, M. J. y otros

12