Riesgos en la rentabilidad del negocio

Parte II: Riesgos en la rentabilidad del negocio

En su condición de gerente de finanzas, se le ha pedido que identifique las dos fuentes de riesgo más importantes para la empresa representativa de su grupo, ejemplo, Proctel and Gamble, para el año 2018. Para ello, su grupo de trabajo acuerda producir los siguientes insumos para el análisis:

1. Estado de ganancias y pérdidas para los años 2014, 2015, 2016 y 2017, y rentabilidad sobre ventas para cada año.

La empresa elegida para elaborar esta sección del trabajo es Southern Copper Corporation, una compañía minera subsidiaria indirecta de Grupo México que posee operaciones en Perú y México.

[pic 1]

2. Identifique las dos variables que representan el mayor riesgo para el estado de ganancias y pérdidas durante 2018. Justifique su elección.

Las variables que hemos identificado como representativas del mayor riesgo para el estado y ganancias durante el 2018 son:

2.1 Cobre

El cobre representa aproximadamente el 80% de las ventas de la compañía. Asimismo, este metal es un commodity, por lo cual existe un precio de mercado que es conocido y las fluctuaciones en el mismo impactan significativamente las ventas de la compañía.

2.2 Petróleo

El petróleo representa aproximadamente el 13% del costo de producción de la compañía. De manera similar al cobre, el petróleo es un bien que cuenta con un precio público en el mercado que puede estar sujeto a fluctuaciones importantes, por lo cual puede constituir una fuente de riesgo para la compañía.

A continuación se detalla los precios del cobre y el petróleo de los últimos 4 años y sus proyecciones del 2018, realizadas con los modelos generados en el acápite 4.

[pic 2]

3. Obtenga una serie de tiempo representativa, mínimo 50 observaciones, de las dos variables que representan la fuente de riesgo para la empresa.

Se obtuvieron 52 observaciones trimestrales para las variables, desde el primer trimestre de 2005 hasta el cuarto trimestre de 2017. Para el precio del cobre se obtuvo el precio promedio por libra según la bolsa de materias primas COMEX de Nueva York. Para el barril de petróleo se obtuvo el precio promedio de Cushing WTI, de Estados Unidos. Asimismo, se obtuvo la información del estado de resultados publicado por Southern Copper por los periodos mencionados.

[pic 3]

4. Genere el mejor modelo de regresión lineal o de series de tiempo para las dos variables fuente del riesgo del estado de ganancias y pérdidas de la empresa en análisis. El mejor modelo debe justificarse en términos de la calidad del residuo.

Se generaron modelos de series de tiempo ARMA para el precio del cobre y el precio del diésel. Se utilizó como base las observaciones obtenidas en el paso anterior. Para el precio del cobre se generó el siguiente modelo:

[pic 4]

Las dos variables escogidas fueron MA(1) y MA(2). Nótese que ambas tienen un p-value de cero, por lo cual se deduce que ambas son significativas para el modelo. Asimismo, se obtuvo un R-cuadrado ajustado de aproximadamente 0.70, lo cual significa que el ajuste del modelo es bueno respecto a la variable real.

Luego, se probó la calidad del residuo del modelo. Primero, se obtuvo el siguiente correlograma de residuos:

[pic 5]

A partir de este correlograma, se puede notar que no existe autocorrelación y correlación parcial significativa en los residuos del modelo.

Luego se realizó la prueba de normalidad del residuo:

[pic 6]

El p-value de la prueba es mayor a 0.05, por lo tanto, no se puede rechazar la hipótesis nula de normalidad del residuo.

Finalmente, se ejecutó la prueba de heterocedasticidad ARCH del residuo:

[pic 7]

A partir de esta prueba se puede determinar que no existe heterocedasticidad en el residuo, puesto que el p-value es mayor a 0.05. En conclusión, el modelo generado para el precio del cobre tiene un residuo adecuadamente comportado.

Por otro lado, para el precio del diésel se generó el siguiente modelo ARMA:

[pic 8]

Las dos variables escogidas fueron MA(1) y AR(1). Nótese que ambas tienen un p-value de cero, por lo cual se deduce que ambas son significativas para el modelo. Asimismo, se obtuvo un R-cuadrado ajustado de aproximadamente 0.74, lo cual significa que el ajuste del modelo es bueno respecto a la variable real. También fue necesario insertar un dummy en el modelo, debido a que en el cuarto trimestre de 2008 se tuvo un valor extremo negativo en el residuo.

Luego, se probó la calidad del residuo del modelo. Primero, se obtuvo el siguiente correlograma de residuos:

[pic 9]

A partir de este correlograma, se puede notar que no existe autocorrelación y correlación parcial significativa en los residuos del modelo.

Luego se realizó la prueba de normalidad del residuo:

[pic 10]

El p-value de la prueba es mayor a 0.05, por lo tanto, no se puede rechazar la hipótesis nula de normalidad del residuo.

Finalmente, se ejecutó la prueba de heterocedasticidad ARCH del residuo:

...