Modelos de Simulación ALM: Monte Carlo vs. Basados en Escenarios

En la gestión de activos y pasivos (ALM), los modelos de simulación proyectan cómo los movimientos de los tipos de interés afectan el valor económico de los activos y pasivos a lo largo del tiempo. Dos enfoques predominantes son la simulación Monte Carlo y la simulación basada en escenarios. La simulación Monte Carlo emplea técnicas de trayectorias estocásticas —también llamadas simulaciones estocásticas— para generar cientos o miles de posibles trayectorias futuras de tipos de interés basadas en supuestos probabilísticos (p. ej., reversión a la media, volatilidad). En contraste, la simulación basada en escenarios construye un conjunto limitado de trayectorias económicamente coherentes y prospectivas —a menudo ancladas a episodios históricos, eventos de estrés o pronósticos macroeconómicos— para evaluar alternativas estratégicas discretas o resultados de solvencia.

La simulación Monte Carlo en ALM se basa en un Generador de Escenarios Económicos (ESG) para simular un gran número de trayectorias estocásticas de tipos de interés, típicamente mediante modelos dinámicos de estructura temporal. Cada trayectoria representa una posible evolución de los tipos a corto plazo, la forma de la curva de rendimiento y las volatilidades durante el horizonte de proyección. El modelo ALM revaloriza entonces los activos y pasivos bajo cada trayectoria, generando una distribución de resultados para métricas como el valor económico del patrimonio (EVE) o el ingreso neto por intereses (NII). Esta distribución permite calcular intervalos de confianza, Valor en Riesgo (VaR) o pérdida esperada para el riesgo de tipo de interés.

• Fundamento de modelado estocástico: Utiliza ESG calibrados para simular trayectorias coherentes con los datos de mercado observados y la teoría económica (p. ej., modelos Cox-Ingersoll-Ross o Hull-White).
• Distribución de resultados: Produce una salida probabilística completa, respaldando métricas de riesgo que cuantifican la exposición en la cola y las pérdidas esperadas.
• Uso en la práctica: Aplicado habitualmente en la validación interna de modelos, asignación de capital y modelado dinámico EAR para la presupuestación y la planificación estratégica.

La simulación basada en escenarios construye un conjunto pequeño —a menudo de 3 a 10— de trayectorias macroeconómicas y de tipos de interés plausibles e internamente consistentes. Estos escenarios pueden ser históricos (p. ej., endurecimiento 1979‑1982), hipotéticos (p. ej., resurgimiento rápido de la inflación) o basados en pronósticos (p. ej., perspectiva macro consensuada). Cada escenario se aplica de forma determinista al modelo ALM, proporcionando estimaciones puntuales de EVE o NII bajo cada trayectoria. El enfoque enfatiza la interpretabilidad y la coherencia narrativa sobre la precisión estadística.

• Diseño impulsado por la narrativa: Los escenarios se seleccionan para reflejar tensiones de estrés creíbles o puntos de inflexión estratégicos, a menudo alineados con las expectativas de supervisión o los marcos internos de apetito de riesgo.
• Apoyo a la toma de decisiones: Se utiliza para evaluar compensaciones estratégicas —como el reubicación de activos o decisiones de cobertura— bajo regímenes macroeconómicos específicos.
• Integración con la gobernanza: Facilita la aceptación de los grupos de interés no técnicos al basar el análisis en supuestos claros y narrativos.

La simulación Monte Carlo y la simulación basada en escenarios cumplen roles complementarios en la ALM, cada una con fortalezas y limitaciones distintas.

• Cobertura vs. claridad: Monte Carlo brinda una cobertura probabilística amplia, capturando el riesgo de cola y la incertidumbre estadística, pero sus resultados pueden ser abstractos y difíciles de traducir a acciones específicas. La simulación basada en escenarios ofrece ideas claras y accionables, aunque puede subrepresentar eventos de baja probabilidad y alto impacto que no estén incluidos en los escenarios seleccionados.
• Riesgo de modelo: Monte Carlo es sensible a la calibración del ESG y a los supuestos de distribución; errores en la volatilidad o en los parámetros de reversión a la media pueden distorsionar las estimaciones de riesgo. La simulación basada en escenarios es vulnerable al sesgo de selección —omitiendo trayectorias plausibles o sobredependiendo de análogos históricos que pueden no repetirse—.
• Alineación regulatoria: Los supervisores (p. ej., la OCC) reconocen ambos enfoques, pero los métodos basados en escenarios suelen ser preferidos para pruebas de estrés supervisadas y reportes estratégicos, mientras que Monte Carlo respalda la validación interna de modelos y la medición dinámica del riesgo.

Supongamos que una institución desea evaluar el impacto de un desplazamiento paralelo al alza de 200 puntos básicos en las tasas durante dos años. En la simulación Monte Carlo, el ESG genera 5 000 trayectorias donde la tasa corta sigue un proceso de reversión a la media con volatilidad calibrada; la distribución resultante de los cambios en el EVE podría mostrar una pérdida en el percentil 5 de 120 millones de dólares y una ganancia en el percentil 95 de 45 millones de dólares. En la simulación basada en escenarios, se aplica una única trayectoria determinista que coincide con el desplazamiento de 200 pb y su dinámica implícita de la curva de rendimiento, produciendo una estimación puntual de una disminución del EVE de 90 millones de dólares. El resultado de Monte Carlo respalda los cálculos de capital y VaR; el resultado del escenario respalda la discusión a nivel de consejo de respuestas estratégicas, como acelerar la revaloración de activos o ajustar los objetivos de duración.

• Utilizar simulación Monte Carlo cuando se estiman métricas de riesgo que requieren rigor estadístico —p. ej., capital económico, VaR o pérdida esperada— o al evaluar el impacto de la incertidumbre en resultados estratégicos a largo plazo a través de un amplio conjunto de trayectorias posibles.
• Utilizar simulación basada en escenarios al comunicar el riesgo a los órganos de gobernanza, probar decisiones estratégicas bajo regímenes macroeconómicos específicos, o alinearse con los marcos de pruebas de estrés supervisadas donde se prioriza la coherencia narrativa y la capacidad de acción sobre la exhaustividad probabilística.

Ambos métodos suelen emplearse de forma conjunta: Monte Carlo para la validación interna de modelos y la cuantificación del riesgo, y el análisis basado en escenarios para la toma de decisiones estratégicas y la presentación de informes regulatorios.