Slide 1
Análise de Investimentos
Tomada de Decisão em
Projetos Industriais
Regis da Rocha Motta Guilherme Marques Calôba
Apresentação
Capítulo 9
Introdução à Análise de
Riscos
• Estruturação do Problema Incerto • Metodologia
• Árvores de Decisão
• Análise Estatística de Dados • Simulação de Monte Carlo • Teoria da Utilidade
• Alguns tipos de Função Utilidade • Retomando Árvores de Decisão
• Encontrando o share ótimo de um projeto
Slide 3
Estruturação do Problema
Incerto
• Incerteza > Dispersão de Valores • Probabilidade e Estatística
• Qualidade nas decisões empresariais
Estruturação. Formação da equipe. Brainstorm. Análise. Tomada de decisão. Implementação da decisão.
Análise das conseqüências - post mortem. Revisão dos processos.
Estruturação:
Decisões a serem analisadas Metas
Linha do tempo
Cronograma das atividades Estratégias
Táticas
Dados – inputs
Modelo –fluxo de caixa, árvore de decisões Resultados – outputs Análise e tomada de decisão Implementação prática da decisão
Análise das conseqüências – post mortem
Revisão dos processos
Slide 5
Formação Da Equipe
Alta Direção Gerencial Operacional• alta direção - políticas da empresa, no sentido amplo; • gerencial - estratégias (maior aplicação da metodologia) • operacional - táticas
Brainstorm
Estruturação do Projeto Fontes de Financiamento
Project Finance ( SPC – Special Purpose Company ) Investimentos – Capital Expenditures (Capex)
Custos Operacionais – Operational Expenditures (Opex) Demanda
Oferta Preço
Slide 7
• Tomada de decisão
- A união da equipe é importante
• Implementação da decisão
- Eleição de um líder (champion)
• Análise das conseqüências – post mortem
- Análise crítica e aprendizado com erros
Metas Estruturação do problema incerto Análise / seleção do investimento Análise de sensibilidade (cenários)
Análise estatística de dados Análise de decisões/risco
Seleção conforme perfil (conservador, indiferente, arrojado)
Múltiplos critérios Metodologia
Recursos, custos, capital, VPL, TIR, Payback
Slide 9
Modelo Simples
Fluxo De Caixa
Dados e entrada de informações
Árvores De Decisão
Exemplo 1: Três lugares cogitados para uma festan
Valor Esperado (E) = (xi . pi) i =1
onde
xi é o número de pessoas que comparecerão à festa conforme o resultado do evento (Chuva - C, Sol - S);
pi é a probabilidade associada ao evento.
Número de candidatos que comparecerão à festa Local da Festa Sol (S) Chuva (C)
Jardim 100 0
Slide 11
E (J) = 40% 100 + 60% 0 = 40 E (V) = 40% 90 + 60% 20 = 48 E (D) = 40% 40 + 60% 50 = 46
Árvores De Decisão
Exemplo 2: Expansão das atividades de uma firma em um novo
mercado.
Slide 13
Árvores De Decisão
Encontram-se os seguintes valores monetários esperados para as opções (em R$ 000):
VMEAlta = -20.000 +(30%) 50.000 + (70%) 15.000 = 5.500
VMEBaixa = -5.000 + (30%) 7.500 + (70%) 10.000 = 4.250
Análise Estatística De
Dados
• Verificação de incertezas associadas com os fatores • Indicação da melhor distribuição de probabilidade para a variável aleatória
• Melhor noção de quão arriscado é o projeto • Dados Disponíveis
- Descrição estatística determinas algumas características da amostra
Slide 15
• Descrição da amostra por meio de: - Média
- Desvio-padrão - Curtose
- Assimetria
- Intervalo de confiança para a média
- Coeficiente de variação (média sobre desvio-padrão) • Distribuição da freqüência observada
Teste De Aderência
Qui-quadrado
Slide 17
Estatística do Qui-Quadrado
onde
ti, a freqüência absoluta observada na amostra para k classes;
ti0, a freqüência absoluta que seria esperada, se a
hipótese à respeito da forma da distribuição fosse verdadeira.
k i i i it
t
t
1 0 2 0 2
Dados Não Disponíveis
• Consulta com especialistas ou algum expert no assunto interno à organização
• Visualização de distribuição de probabilidade por meio de
softwares
Exemplos clássicos de distribuição de probabilidade no setor de petróleo:
• reservas de óleo/gás Offshore – distribuição lognormal;
• produção anual de óleo/gás Offshore – distribuição normal; investimentos – distribuição normal;
Slide 19
Distribuição Normal
• Curva simétrica ligada a grandezas antropomórficas
• Valor mais provável da normal (moda) é seu valor esperado ou média • Valores pessimistas e otimistas mostram-se eqüidistantes dessa média
Slide 21
Distribuição Lognormal
Lognormal (,)Slide 23
Simulação De Monte Carlo
• Geração de números pseudo-aleatórios em computador
• Realização de um processo de amostragem consistente de n interações
Exemplo 1:
A General Ford (GF) Auto Corporation está tentando determinar o tipo de carro que irá desenvolver nos próximos anos .
Informações coletadas:
• custo fixo de desenvolvimento do carro;
• custo de produção variável: o custo de produção de cada carro;
• preço de venda: US$ 10.000,00 para cada modelo; • vendas de carros durante os próximos 10 anos;
Simulação De Monte Carlo
Probabilidade Valor Probabilidade Valor
0,5 $ 6 Bilhões 0,25 $4 Bilhões
0,5 $ 8 Bilhões 0,5 $ 5 Bilhões
0,25 $ 16 Bilhões
Probabilidade Valor Probabilidade Valor
0,5 $ 4600 0,5 $ 2000
0,5 $ 5400 0,5 $ 6000
Probabilidade Valor Probabilidade Valor
0,25 230.000 0,25 80.000
0,5 250.000 0,5 220.000
0,25 270.000 0,25 390.000
Nº de carros do Modelo 1 vendidos no ano 1 Nº de carros do Modelo 2 vendidos no ano 1 Custo Fixo do Modelo 1 Custo Fixo do Modelo 2
Slide 25
Simulação De Monte Carlo
Análise dos resultados:
Considerando-se a Incerteza Projeto 1 Projeto 2 VPL médio 681.266.800 972.701.900 Desvio-padrão do VPL 1.513.919.000 7.222.330.000 Prob. (VPL< 0) 35,01% 41,28% Prob. (VPL< 2 bilhões) 79,88% 58,65%
Simulação De Monte Carlo
Correlação:
Correlações para VPL Modelo 1/B9
0 1 2 3 4 5 6 7 8 9 10 11 12 -,50 -1,00 ,00 ,50 1,00 VENDAS/K4 ,047 VENDAS/L4 ,11 VENDAS/I4 ,13 VENDAS/H4 ,132 VENDAS/J4 ,141 VENDAS/G4 ,165 VENDAS/F4 ,179
Nº de Carros Vendidos no Ano 1/B11 ,207
VENDAS/E4 ,227
VENDAS/D4 ,385
Custo Variável Unitário / Custo Variável Unitário/B13-,407
Custo Fixo / Custo Fixo/B12
-,66
Corr Coeff calculated at end of bars
Slide 27
Simulação De Monte Carlo
Correlações para VPL Modelo 2 /B9
Coeficiente de Correlação 0 1 2 3 4 5 6 7 8 9 10 11 12 -,50 -1,00 ,00 ,50 1,00 VENDAS/L4 -,004 VENDAS/I4 ,024 VENDAS/G4 -,03 VENDAS/F4 ,066 VENDAS/H4 ,076 VENDAS/J4 ,085 VENDAS/K4 -,086 VENDAS/D4 ,09 VENDAS/E4 ,118
Custo Variável Unitário / Custo Variável Unitário/B13-,461
Custo Fixo / Custo Fixo/B12-,542
Nº de Carros Vendidos no Ano 1/B11 ,549
Corr Coeff calculated at end of bars
Simulação De Monte Carlo
Exemplo 2:
Uma empresa imobiliária está considerando um investimento em novos projetos. Existem duas modalidades de investimentos. São eles:
• a) Casas Populares: exigem um investimento de R$ 100 milhões. Retornam, em caso de pagamento, R$ 18 milhões por ano durante 15 anos. Por hipótese, a população que geralmente compra essas casas por meio de financiamento é mais propensa à inadimplência.
• b) Projetos de Classe Média: exigem um investimento bem maior, de R$ 1 bilhão, oferecendo retornos de R$ 162 milhões por ano, durante os mesmos 15 anos. A propensão à inadimplência é menor, por hipótese.
Slide 29
Simulação De Monte Carlo
Curvas de Inadim plência
0,00% 5,00% 10,00% 15,00% 20,00% 25,00% 30,00% 35,00% 40,00% 45,00% 0,00% 5,00% 10,00% 15,00% 20,00%
Taxa de Juros (% aa)
In ad im pl ên ci a (% )
Inadimplência Popular Inadimplência Classe Média
Simulação De Monte Carlo
Taxas de juros variável
Taxa de Juros (% aa)
0.00% 2.00% 4.00% 6.00% 8.00% 10.00% 12.00% 14.00% 16.00% 18.00% 20.00%
Ano 1 Ano 2 Ano 3 Ano 4 Ano 5 Ano 6 Ano 7 Ano 8 Ano 9 Ano 10Ano 11Ano 12Ano 13Ano 14Ano 15
Anos i ( % a .a .)
Slide 31
Simulação De Monte Carlo
Resultados da Simulação de Monte Carlo
VPL
MÉDIA*
170,53
VPL
POPULAR23,11
DP
MÉDIA*
133,39
DP
POPULAR15,57
CV
MÉDIA*
78,22%
CV
POPULAR67,37%
V@R
95%*
-41,71
V@R
95%-1,64
Teoria da utilidade
Exemplo prático: -4 -2 0 2 0 1 2 3 4 5 6 7 8 Núm. de Pastéis U ti lid ad e (n ú m . d e p as té is )Slide 33
Teoria da Utilidade
Em teoria, pode-se identificar três atitudes: • preferência ao risco;
• indiferença ao risco; • aversão ao risco.
Cálculo do coeficiente:
onde
xi são as observações (desvio em relação à média) no primeiro conjunto de dados;
yi são as observações (desvio em relação à média) do segundo conjunto de dados; e
i i X x X i i Y y Y
2 2 . i i i i y x y x rCoeficiente de Correlação
Slide 35
B A B A B A
.
.
cov
,
O coeficiente de correlação é dado por:
onde
rA,B é o coeficiente de correlação entre o
projeto A e projeto B.
mA e mB são os retornos esperados dos projetos A e B respectivamente.
sA e sB são os desvios padrão dos projetos A e
B respectivamente.
Atitudes Com Relação Ao
Portfolio De Projetos
Parâmetros Descrição Decisão
A = B eA < B Projetos com iguais retornos, mas o risco do projeto A é menor
que o do projeto B Projeto que o projeto A é melhor doB A < B e A = B Projetos com riscos idênticos, mas o retorno do projeto B é
superior ao do projeto A Projeto que o projeto B é melhor doA A < B e A > B O retorno do projeto B é superior ao do projeto A e o risco do
projeto B é menor do que o do projeto A Projeto que o projeto B é melhor doA A > B e A < B Em uma situação inversa à anterior, onde o retorno do projeto
A é superior ao do projeto B e o risco do projeto A é menor que o do projeto B
Projeto A é melhor do que o projeto B
A < B e A < B Projeto A tem risco menor, mas também tem ganho menor que
o projeto B Decisão fica difícil
A > B e A > B Projeto A tem ganho maior, mas também possui rico maior que
Slide 37
Bases Matemáticas Para a
Teoria Da Preferência
• Axioma 1: Ordenabilidade • Axioma 2: Transitividade
Se uma loteria possui prêmios A, B e C, e A > B e B > C, então A > C.
• Axioma 3: Continuidade
Se A > B > C, então existe a probabilidade p, 0 < p < 1, tal que
B ~ [A,p; C, 1-p] (B é equivalente a esta expressão)
[A,p; C,1-p] representa uma loteria que leva ao prêmio
A com probabilidade (p) ou ao prêmio B com probabilidade
Bases Matemáticas Para a
Teoria Da Preferência
•Axioma 4: Substituibilidade
Se A ~ B, então [A,p; C,1-p] ~ [B,p; C,1-p]
•Axioma 5: Monotonicidade
Se A >B, então [A,p; B,1-p] > [A,q; B,1-q] se e somente se p > q.
•Axioma 6: Redutilbilidade
Slide 39
Alguns Tipos De Função
Utilidade
Coeficiente de Pratt-Arrow ()
= U´´ ( x ) / U´ ( x )
U’(x) = derivada primeira, que é a tangente da curva; U’’(x) = derivada segunda, que é a concavidade da
Alguns Tipos De Função
Utilidade
• Utilidade Logarítimica Há a seguinte situação: U (x) = ln (x) U´(x) = 1 / x = x -1 U´´(x) = 1/x2 = x –2 Portanto, = U´´ ( x ) / U´ ( x ) = ( x -2 ) / (x -1 ) = 1/ xSlide 41
Alguns Tipos De Função
Utilidade
Alguns Tipos De Função
Utilidade
• Utilidade exponencial Segue esta expressão:
U (x) = ex
U´ (x) = U´´ (x) = ex
Slide 43
Alguns Tipos De Função
Utilidade
Alguns Tipos De Função
Utilidade
• Outra utilidade exponencial
Agora será estudada a seguinte situação, partindo-se de :
U´´(x) / U´(x) = U´´(x) = U´(x)
Fazendo U´(x) = y; U´´(x) = y´
y´+ y = 0, portanto y = k1 e- x
Slide 45
Alguns Tipos De Função
Utilidade
• Utilidade linear (neutra – indiferença ao risco) Na expressão anterior, para 0, tem-se :
U ( x ) = k1 x + k3 ( linha reta ) • Utilidade especial
Assumindo-se a seguinte forma:
U(x) = ( 1 e- x ) / ( 1 e- )
Slide 47
Alguns Tipos De Função
Utilidade
Alguns Tipos De Função
Utilidade
Slide 49
n
VME =
VPL
j(i) . p
jj = 1
• pj = probabilidade de ocorrência de cada ramo j da árvore
• VPLj(i) = Valor Presente Líquido descontado à taxa i de
cada ramo j da árvore
Retomando As Árvores De
Decisã0
Retomando As Árvores De
Decisã0
Equivalente certo:EqC = (-1/c) ln (p
1 e
-c x VPL 1+ p
2 e
-c x VPL2),
ondec é o coeficiente de aversão ao risco, que é igual ao da fórmula .
1/c = R é a tolerância ao risco.
p1 ,p2 são as probabilidades de ocorrência dos eventos 1 e 2.
Slide 51
Retomando As Árvores De
Decisã0
Equivalente Certo -20.000 -15.000 -10.000 -5.000 0.000 5.000 10.000 15.000 20.000 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% Percentual E qC ( U S $ M ilh õe s) ARetomando As Árvores De
Decisã0
Retomando ao exemplo da festa com a função utilidade:
• Agora o organizador é averso ao risco,
• e possui uma “tolerância” medida pelo número de pessoas que possam se abster de ir à festa.
Slide 53
Retomando As Árvores De Decisão
Retomando As Árvores De
Decisão
EqC
SALÃO= -10 ln (40%
e
(-40)/10+ 60%
e
(-50)/10)
= -10 ln (0,00733 + 0,00404)
Slide 55
Retomando As Árvores De
Decisão
Exemplo: Expansão da empresa
•tolerância ao risco = R$ 10 milhões
Retomando As Árvores De
Decisão
EqC
BAIXA= -5 -10 ln (30%
e
(-7,5/10)+ 70%
e
(-10/10))
= 4,182 milhões
• Valor do investimento com risco = R$ 5,50 milhões
Slide 57
Encontrando O Share Ótimo
De Um Projeto
EqCerto = [ R ln(p1 e( x1 VPL1/R) + ... + p
n e( xn VPLn/R))] onde
p1,..., pn = probabilidade de ocorrência do evento 1..n; VPL1,...,VPLn = Valor Presente Líquido do Evento 1..n; R = Tolerância ao risco;
c = 1/R = coeficiente de aversão ao risco ();
Econtrando O Share Ótimo
De Um Projeto
Exemplo: Decisão de uma empresa sobre investimento em
quatro projetos distintos.
Características dos projetos (VPL em milhões de reais):
Projeto Prob. Sucesso VPL(Sucesso) Prob. Fracasso VPL(Fracasso)
A
60%
228,42
40%
-160,0
B
40%
139,14
60%
-80,0
C
30%
206,72
70%
-40,0
Slide 59
Econtrando O Share Ótimo De Um
Projeto
Árvore de decisão para o valor monetário esperado 60.0% 0.6 228.42 228.42 TRUE Chance 0 73.052 40.0% 0.4 -160 -160 40.0% 0 139.14 139.14 FALSE Chance 0 7.656 60.0% 0 - 80 - 80 TRUE Decision 0 73.052 30.0% 0 206.72 206.72 FALSE Chance 0 34.016 70.0% 0 - 40 - 40 90.0% 0 18.3 18.3 FALSE Chance 0 14.47 10.0% 0 - 20 - 20 Decision 73.052 FALSE 0 0 0 EMV Petroleo Investir Nao Investir A B C D Sucesso Fracasso Sucesso Fracasso Sucesso Fracasso Sucesso Fracasso
Econtrando O Share Ótimo De Um
Projeto
60.0% 0 228.42 228.42 FALSE Chance 0 -38.55999724 40.0% 0 -160 -160 40.0% 0 139.14 139.14 FALSE Chance 0 -24.94961109 60.0% 0 -80 -80 TRUE Decision 0 13.99888136 30.0% 0 206.72 206.72 FALSE Chance 0 1.577536107 70.0% 0 -40 -40 90.0% 0.9 18.3 18.3 TRUE Chance 0 13.99888136 10.0% 0.1 -20 -20 Decision 13.99888136 FALSE 0 0 0 R = 150 Petroleo Investir Nao Investir A B C D Sucesso Fracasso Sucesso Fracasso Sucesso Fracasso Sucesso FracassoSlide 61
Econtrando O Share Ótimo
De Um Projeto
Variação do equivalente certo segundo a participação nos projetos (R=150). Equivalente Certo (R=150) -50.000 -40.000 -30.000 -20.000 -10.000 0.000 10.000 20.000 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% x - Nível de Participação (%) E qC ( U S $ M ilh õe s) A B C D
Econtrando O Share Ótimo
De Um Projeto
Variação do equivalente certo segundo a participação nos
Equivalente Certo (R=350) -10.000 -5.000 0.000 5.000 10.000 15.000 20.000 25.000 30.000 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% x - Nível de Participação (%) E qC ( U S $ M ilh õe s) A B C D
Slide 63
Montando Um Portfolio
Ótimo De Projetos Com Risco
• Otimização das participações no conjunto por meio de uma modelagem simples.
• Integração da idéia de fronteira eficiente do CAPM com a análise de risco.
• A adição da tolerância ao risco indica o ponto ótimo para um determinado nível de risco que a empresa suporta.
Montando Um Portfolio Ótimo
De Projetos Com Risco
Exemplo: Problema da construção de novas casas
• Capital da ordem de R$ 6,7 bilhões para novos projetos
• Alocação dos recursos de forma a minimizar o risco e maximizar o retorno
• Projetos: a) Casas populares:
- Investimento = R$ 100 milhões.
- Retorno = R$ 12 milhões / ano durante 15 anos - Propenso a inadimplência
b) Projetos de classe média: - Investimento = R$ 1 bilhão
Slide 65
Montando Um Portfolio
Ótimo De Projetos Com Risco
Equivalente Certo (R) Tolerância ao risco ( R ) Projetos "Classe Média" Projetos "Populares" Risco VPL Retorno VPL 500 1000 2000 3000 4000 5000 3.86 28.36 678.70 1314.33 854 1,084 1,199 1,238 1,257 1,268 3.48 32.22 683.31 1337.73 871 1,104 1,221 1,260 1,279 1,291 3.09 36.09 696.95 1361.14 875 1,118 1,240 1,280 1,300 1,313 2.70 39.95 719.11 1384.54 867 1,126 1,255 1,298 1,320 1,333 2.32 43.82 749.04 1407.94 847 1,127 1,268 1,314 1,338 1,352 1.93 47.68 785.84 1431.35 814 1,123 1,277 1,328 1,354 1,370 1.55 51.54 828.60 1454.75 768 1,111 1,283 1,340 1,369 1,386 1.16 55.41 876.45 1478.16 710 1,094 1,286 1,350 1,382 1,401 0.77 59.27 928.60 1501.56 639 1,070 1,286 1,358 1,394 1,415 0.39 63.14 984.38 1524.97 556 1,040 1,283 1,363 1,404 1,428 0.00 67.00 1043.19 1548.37 460 1,004 1,276 1,367 1,412 1,440
Montando Um Portfolio
Ótimo De Projetos Com Risco
Fronteira Eficiente 1200.00 1250.00 1300.00 1350.00 1400.00 1450.00 1500.00 1550.00 1600.00 600.00 700.00 800.00 900.00 1000.00 1100.00 Risco (R$ Milhões) Ret orn o (R$ Mil hõe s) Fronteira R=500 R=1000
Slide 67
Integrando As Análises -
Sistema De Suporte À Decisão
Risco
Geológico Volume de Óleo Custo E,A,D OPEX,CAPEX Curva de Produção Prospecto Preço Óleo/Gás Amortização Depreciação Royalty,Participação Especial, Tributação Avaliação (TIR,VPL) Simulação Cálculos Fluxo de Caixa Projetado Custos de EOR,Abandono Módulos do SSDE
Risco Geológico
P = S M T t R s onde
S é a probabilidade de ocorrência de Rocha Geradora; M é a probabilidade de ocorrência de Migração;
T é a probabilidade de ocorrência do Timing correto; R é a probabilidade de ocorrência de Reservatório; t é a probabilidade de ocorrência de Trapa;
Slide 69
Volume De Óleo Recuperável
VOR = A
h
(1 - Sw)
R
S
onde A é a área do reservatório; h é a altura ou espessura; é a porosidade; Sw é a saturação da água; R é o fator de recuperação; e S é o fator de escala.Curva De Produção
• Aumento Linear, Patamar de Produção Máxima • Declínio Exponencial / Hiperbólico
Slide 71
Exploração, Avaliação E
Desenvolvimento (E, A, D)
• Exploração
- Cronologia de sísmica 2D e 3D; poços pioneiros • Avaliação
- Número de poços e período de avaliação • Desenvolvimento
- Distribuição dos custos - Economias de Escala • OPEX
- Economia de Escala
Tributação, Amortização E
Depreciação
• A tributação: impacto muito forte sobre o resultado dos fluxos de caixa.
• Módulo específico para impostos e tributos.
• Cálculo automático da participação especial do governo • Alíquotas de contribuição social, PIS/Cofins, Royalties e Imposto de Renda.
Slide 73
Preços De Petróleo E Gás
• Suposição de taxa de crescimento constante • “Escalation” definida pelo usuário
Fluxo De Caixa Do Prospecto
• Fluxo de Caixa Probabilístico • Função do VOR • Indicadores: - TIR - Valor Presente - Líquido Descontado Demonstração de ResultadoAno 0 Ano 1 .... Ano N
Receita Bruta
PIS/COFINS Royalties
Receita Líquida
OPEX
Lucro Operacional Bruto
Participação Especial Amortização Depreciação
Lucro Antes do Imposto de Renda
Imposto de Renda
Lucro Após o Imposto de Renda
Contribuição Social
Lucro Após Contribuição Social
Fluxo de Caixa - Projeto
Entradas
Lucro Após Contribuição Social Empréstimos Depreciação Amortização Valor Residual Capital de Giro Saídas Investimentos Amortização Dívida Melhorias e Substituições Capital de Giro
Slide 75
Fluxo De Caixa Do Prospecto
E A D
PRODUÇÃO
CUSTOS OPERACIONAIS (OP)
ANO DO CORTE ECONÔMICO US$ ANOS Fase Madura CUSTO DE ABANDONO
Simulação De Monte Carlo
• Utilização do método de Monte Carlo
• Estudo do comportamento das seguintes variáveis: -Volume de Óleo Recuperável;
-Valor Presente Líquido Descontado a determinada taxa ou taxas de retorno;
Slide 77
Simulação De Monte Carlo
Explorar Sucesso Exp. Insucesso Exp. e/ou Geológico Exp. S(E+G) 1-S(E+G) Sucesso Aval./VOR Insucesso Aval/Delim./VOR Aval./Delim. Produção Desenv. -(E) -(E+A) S(A+VOR) 1-S(A+VOR) Fluxo Completo VME
Simulação De Monte Carlo
•Teoria da Preferência •Uso de Análise de Risco
-Tolerância ao Risco / Equivalente Certo -Personalizado para o prospecto ou geral -Postura Agressiva/Neutra/Conservadora •Estimação do “BID”
-% VME - Abordagem utilizada nos leilões
-Aproximação Empírica reforçada pelo uso do Equivalente Certo e Análise do Bloco
Slide 79
Simulação De Monte Carlo
Fórmula de equivalente certo para um investimento com n possibilidades:
EqCerto = [ R ln(p1 e VPL
1 /R + ... + pn e VPLn /R)]
onde
p1,..., pn = probabilidade de ocorrência do evento 1...n;
VPL1,...,VPLn = valor presente líquido do evento 1...n;
Otimizando O Nível De Participação
Em Cada Prospecto
EqCerto = [ R ln(p1 e( x1 VPL1/R) + ... + p
n e( xn VPLn/R))]
onde
p1,..., pn = probabilidade de ocorrência do evento 1..n;
VPL1,...,VPLn = Valor Presente Líquido do Evento 1..n; R = Tolerância ao risco;
Slide 81
R = US$ 25 Milhões
R = US$ 50 Milhões
R = US$ 100 Milhões
Slide 83
Otimizando O Portofolio
• Após a avaliação de vários blocos...
- Retornos e Desvio Padrão associado ( Riscos ) - Correlação de Resultados (Matriz)
• Após otimização:
- Participação Ótima de cada bloco
- Maximização do Retorno no portfólio, para níveis de risco fornecidos pelo usuário
- Maximização do Equivalente Certo
Otimizando O Portofolio
Risco ( VPL) Retorno (VPL) A B C D Fronteira de eficiência• A,B,C e D = riscos e retornos de cada projeto tomado individualmente.
Slide 85
Otimizando O Portofolio
Cálculo do retorno do portfolio e seu desvio-padrão:
VPLA,B = VPLA xA + VPLB xB A,B2=
A2x
A2 + B2xB2 + 2 AB xA.xB A,B
onde
VPLA,B é o Valor Presente Esperado da Carteira de Investimentos (portfolio);
VPLA,VPLB são Valores Presentes Líquidos dos projetos A e B;
A,B é o desvio-padrão do VPL do portfolio;
A,B são desvios-padrão dos Valores Presentes Líquidos;
A,B é o índice de correlação entre os VPL’s dos projetos A e B;
Otimizando O Portofolio
EqCerto = [VE – {.2/2R}]
onde
VE é o valor esperado do retorno de todo o portfolio;
é o desvio-padrão associado ao retorno do
portfolio; e
Slide 87
Análise Do Portofolio
Gráfico da fronteira de eficiência dada sua restrição orçamentária; Otimização do retorno para um dado nível máximo de risco;
Minimização do risco para um dado retorno
Otimizando O Portofolio
Share no portfólio e no projeto;
EMV do Projeto e seu desvio padrão;
NPV, Custo, Volume de Óleo Recuperável e Equivalente Certo Máximo.
Slide 89