Decisiones e inversión (página 2)

Enviado por IVÁN JOSÉ TURMERO ASTROS

Partes: 1, 2

S = mejor resultado posible en la columna
de ese elemento – elemento

Obsérvese que S representa el costo extra en que
el individuo incurre al seleccionar una determinada alternativa,
dado que ocurrió un evento. La magnitud de S trata de
medir la cantidad de "pena" o "arrepentimiento" o costo por haber
tomado determinada decisión. En el caso de utilidades, S
expresa lo que el individuo deja de ganar al seleccionar la
alternativa, dado que ocurrió determinado
evento.

Una vez construida la matriz de penalización, se
selecciona para cada alternativa la máxima pena S. Esto
produce la columna de penas máximas, de la cual el decisor
seleccionará la mínima, por ser
racional.

Teoría de la opinión
contraria (odd-lot theory)

El pequeño inversor siempre se equivoca en sus
decisiones. La información se obtiene analizando las
operaciones de pequeños lotes o bien haciendo lo contrario
de lo que aconsejan los periódicos y
revistas.

Criterios normativos

Teoría de partida del
análisis técnico

Información suficiente para predecir
exclusivamente con los datos de mercado: precios y
volumen.
Existen tendencias en los precios.
El pasado se repite.

Cuándo se debe hacer el análisis del
riesgo e incertidumbre:

La tarea de tomar decisiones bajo riesgo e incertidumbre
no es fácil y los métodos que se presentan y el que
sigue pueden desanimar a los decisores por considerar que no
siempre es posible realizar ese tipo de análisis. Esto es
cierto. Más aun, Siempre que se pueda tomar una
decisión correctamente es preferible hacerlo con menos que
con más; en otras palabras, no hacer con más lo que
pueda hacer con menos. Lo que se pretende es que se utilice un
sano criterio para lograr un uso adecuado de la tecnología
a disposición de la Humanidad.

En el análisis de inversiones bajo riesgo se debe
hacer un análisis previo de la situación antes de
embarcarse en un proceso que puede resultar costoso, no solo por
los recursos que requiere, sino porque puede producir
errores.

El proceso de evaluación comprende:

Definir el monto de la inversión y realizar
estimativos gruesos preliminares.
Descartar los proyectos que a primera vista no son
viables.
Con base en estos estimativos gruesos, hacer un
análisis de certidumbre.
Examinar el monto de la inversión, si es
mucho o poco dinero.
Distinguir entre elementos importantes de acuerdo
con su grado de influencia y variabilidad, los Importantes
estúdiense a profundidad, los poco importantes no se
deben estudiar a profundidad.
Descartar los proyectos que no son viables y
seleccionar los proyectos aceptables.

Proceso de pronóstico bajo riesgo e
incertidumbre:

La Humanidad ha tratado siempre de predecir el futuro.
Basta recordar todos los intentos de las tribus primitivas de
controlar, prediciendo, los fenómenos naturales o el
oráculo de Delfos en Grecia. Así mismo, los
decisores se enfrentan día a día con la necesidad
de tomar decisiones hoy con consecuencias futuras.

El proceso de predicción comienza con la
definición de las variables que intervienen y las
relaciones esperadas entre las variables; después se hace
la recolección de datos. Estos datos pueden ser obtenidos
por medio de experimentos o simplemente por la
recopilación de datos históricos. En el caso de la
ejecución de experimentos, por ejemplo, la duración
de un determinado producto o la simulación del
comportamiento de una variable (ver capítulo sobre
simulación), el experimentador puede controlar ciertas
variables y por lo tanto, se puede lograr una mejor
comprensión de las fuentes de variación; en el caso
de los datos históricos, nada puede hacerse para controlar
las variables que afectan los resultados; éste
sería el caso cuando se desea pronosticar la demanda
futura a partir del comportamiento de ésta en el
pasado.

El paso siguiente en el proceso de predicción es
la construcción de un modelo de inferencia
estadística para hacer el pronóstico. Estos modelos
operan bajo condiciones muy específicas, tales como
supuestos de independencia entre variables, distribuciones de
probabilidad específicas, etc. Si estos supuestos no se
cumplen, los resultados obtenidos pueden perder toda
validez.

Al tomar decisiones es posible que el grado de detalle y
afinamiento de los resultados sea innecesario, por lo tanto es
posible hacer suposiciones fuertes y restrictivas a tal punto que
violen las condiciones específicas requeridas por el
modelo en cuestión. En estos casos, lo importante es
conocer qué condiciones no se están cumpliendo y
cuáles son las consecuencias, para actuar con la debida
precaución.

No siempre es posible partir de información
histórica para hacer pronósticos y es necesario
aplicar el criterio, fruto de la experiencia, para "predecir" lo
que ocurrirá respecto de una decisión. En la
mayoría de las decisiones que se toman día a
día son necesarios el criterio y la experiencia. El buen
criterio o buen juicio es algo que se obtiene con mucho esfuerzo
y paciencia; si bien es cierto que la educación formal da
una preparación para adquirirlo, la mejor manera de
refinar el criterio es a través de la
experiencia.

Al tomar algunas decisiones lo importante determinar
cuál es el valor preciso de una variable determinada, sino
si este valor sobrepasará o no cierto valor
crítico.

En estos casos una estimación o
apreciación de este valor será suficiente. Se
podría pensar en el principio de reducir la
discriminación requerida; este principio se puede enunciar
de la siguiente manera: cuando haya que estimar el valor de una
variable, encuentre el valor de esa variable para el cual la
decisión cambie de una alternativa a otra. De esta manera,
lo único que se necesita es determinar si el valor
estimado de la variable sobrepasa o no el valor crítico
que hace cambiar la decisión. Por ejemplo, al tratar de
determinar el valor de la(s) tasa(s) de descuento a utilizar para
calcular el Valor Presente Neto de dos alternativas mutuamente
excluyentes, sólo se necesita saber si esta(s) tasa(s) de
descuento es(son) mayor(es) que el(los) valor(es)
crítico(s) estipulado(s).

Muchas veces es necesario pronosticar una variable que
depende a su vez de otras. Por ejemplo, los costos totales de
operación de un equipo determinado se componen de mano de
obra, energía, mantenimiento, etc. Matemáticamente
se puede expresar así:

C = f (c1, c2, c3,….., cn)

Se puede obtener el pronóstico de C de dos
formas: pronosticando C directamente o pronosticar los
componentes de C y a partir de allí hallar el valor de C,
por medio de la relación f(.). ¿Cuál de las
dos formas utilizar? Esto depende de la varianza que se obtenga
en una u otra forma.

Las técnicas de pronóstico son una
herramienta necesaria para la planeación macro y
microeconómica. Para el caso del gerente su quehacer
básico es la toma de decisiones con consecuencias futuras
y por lo tanto debe elaborar estimativos de lo que
sucederá en el futuro. Por otro lado, debe prever
escenarios que le permitan anticiparse a las posibles
eventualidades que le indicarán la conveniencia o
inconveniencia de una alternativa. En particular para analizar
decisiones de inversión es necesario hacer estimativos de
muy diversas variables: precios, tasas de interés,
volúmenes de venta o de producción, etc., por lo
tanto, es necesario que el analista conozca, por lo menos la
existencia de ciertas técnicas que le ayuden en esta
tarea.

Para elaborar pronósticos se pueden encontrar dos
grandes clases de modelos: causales y de series de tiempo. Los
primeros tratan de encontrar las relaciones de causalidad entre
diferentes variables, de manera que conociendo o prediciendo
alguna o algunas de ellas, se pueda encontrar el valor de otra.
En el segundo caso no interesa encontrar esas relaciones, sino
que se requiere solamente encontrar los posibles valores que
asumirá una determinada variable. En todos los casos
siempre se hace uso de la información histórica, ya
sea para predecir el comportamiento futuro o para suponer que el
comportamiento histórico se mantendrá hacia el
futuro y sobre esta base hacer los estimativos.

Se debe tener presente que no existe ningún
método de pronóstico infalible; lo que hacen estos
procedimientos es estimar un valor posible, pero siempre sujeto a
errores. Si el fenómeno que se va a pronosticar fuera
determinístico, sólo bastaría utilizar la
ley matemática que lo rige y predecir con exactitud el
resultado; este sería el caso de fenómenos
físicos, como por ejemplo la caída libre de un
cuerpo. En el proceso de toma de decisiones se involucra el
comportamiento humano, por ejemplo, a través de las
decisiones de los individuos a quienes está dirigida un
determinado producto o servicio; las decisiones del mercado
están compuestas por muchísimas decisiones
individuales, imposibles de predecir con exactitud.

La mayoría de los datos incluyen combinaciones de
estas tendencias y se deben generar procedimientos para
separarlos. Existen otras clases de pronósticos
denominados cualitativos o de pronóstico
tecnológico, tales como el Método
Delphi.

Método delphi

Este método busca, a través de
múltiples rondas o iteraciones donde se comparte la
información, encontrar consenso sobre valores o escenarios
posibles. Se hace énfasis en que no hay un método
de pronóstico perfecto, aunque se podría construir
un modelo que ajuste perfectamente los datos que se tienen de un
fenómeno; sin embargo, esto no es recomendable puesto que
el elemento aleatorio o de error siempre estará presente y
será impredecible y es mejor identificar los patrones
predecibles y asumir el error que se presente que tratar de
introducir en el modelo el elemento error que, se repite, es
completamente impredecible e inevitable. En otras palabras,
cualquier estimativo implica un cierto grado de error
inevitable.

Métodos de los mínimos
cuadrados

Se considera el mejor método aquel que minimiza
la suma de los cuadrados de los errores (diferencias entre el
valor estimado y el observado).

Métodos de
suavización

Dentro de los métodos de suavización se
pueden considerar tres categorías: a) Promedios
móviles, b) suavización exponencial y c)
otros.

Promedios móviles

Esta técnica consiste en tomar un grupo de
valores observados, calcularle el promedio y utilizarlo como
pronóstico para el siguiente período. Sólo
sirve para pronosticar un sólo período: el
siguiente. Se debe especificar el número de observaciones
que se tomarán; se llama móvil porque siempre se
toman las N últimas observaciones para hacer el
pronóstico. Se pueden considerar promedios móviles
simples y promedios móviles lineales. En el primer caso se
toman los N últimos datos y se calcula el promedio; en el
segundo caso se construyen además promedios de los
promedios y con ellos se establece una ecuación lineal que
permite elaborar el pronóstico.

Este método puede utilizarse cuando se sabe que
los datos son estacionarios. La ventaja sobre el promedio total
es que permite ajustar el valor de N para que responda al
comportamiento de los datos.

Suavización exponencial:

Existen muchos métodos de suavización
exponencial: simple, de tasa de respuesta de adaptación,
método de Brown de un solo parámetro, método
de Holt de dos parámetros, método cuadrático
de Brown, etc. Aquí se considerarán un
método de suavización: suavización
exponencial simple.

El suavización exponencial simple consiste en
asignar un peso a la última información (dato)
disponible y al último pronóstico, el cual, a su
vez, contiene la información pasada,
así:

F t+1 = aX t + (1- a) F t

Para F 2, se tiene:

F 2 = F 1

Otra forma de expresar el pronóstico
es:

F t+1 = F t + a e

Donde e es el error incurrido en el último
pronóstico.

Métodos de tendencia

Uno de los métodos más conocidos, pero
también de los más mal utilizados es la
regresión lineal. En cualquier curso de Presupuesto es
tema obligado. Sin embargo, como se mencionó, se tiende a
utilizar mal este procedimiento. En cualquier caso en que se
utilice un modelo, es necesario validarlo: esto es, verificar si
los supuestos del modelo coinciden con la realidad. Y esto no es
lo que hace la mayoría de los usuarios.

La regresión lineal implica por lo menos,
distribución normal de los errores de la variable
dependiente, que no están correlacionados y para
utilizarlo con validez estadística, además debe
contarse con un tamaño de muestra n de por lo menos 30
datos históricos. Un supuesto obvio es que la tendencia
observada de los datos puede ser descrita por una recta. Sin
embargo, este supuesto se puede obviar haciendo las
substituciones necesarias, por ejemplo, si se considera que una
variable tiene un comportamiento exponencial (no lineal), estos
datos podrían "linealizarse" calculando el logaritmo de
los datos y proyectar el logaritmo. Después se halla el
antilogaritmo y esa sería la proyección.

La idea de la regresión lineal es hallar una
recta que cumpla con un requisito básico común para
muchos métodos de pronóstico: la suma de los
cuadrados de la diferencia entre el valor estimado y el observado
es mínima. Por eso se llama también método
de mínimos cuadrados. En general, se trata de encontrar
(en el caso de la regresión lineal), una recta que cumpla
esa condición y que se expresa así:

Y = a + b1X1 + b2X2 + b3X3+…+bnXn +
e

Donde

Y = variable dependiente

Xj = variable independiente

e = error

a = intersección con el eje de las abscisas
(y)

bj = coeficiente de cada variable Xj

El caso particular de una variable independiente la
"fórmula" será:

Y = a + bX + e

Métodos de
descomposición

Un método de pronóstico es el de
descomposición, para analizar series de tiempo. Un paso
importante en el proceso de determinar el método de series
de tiempo adecuado es considerar los diferentes patrones que se
encuentran en los datos. Se pueden identificar cuatro patrones
típicos: horizontal o estacionaria, estacional,
cíclico y de tendencia.

Se presenta un patrón horizontal o
estacionario (H) cuando los datos fluctúan alrededor de un
valor promedio constante. Las ventas que no aumentan ni
disminuyen con el tiempo, es un ejemplo de este tipo de
comportamiento.

Se presenta un patrón estacional (E)
cuando los datos están afectados por factores que se
repiten con cierta frecuencia (trimestral, mensual o en
determinadas fechas, por ejemplo, Navidad, Semana Santa,
etc.).

Un patrón cíclico (C) se
presenta debido a efectos económicos de largo plazo y
generalmente asociados con el ciclo económico. La
construcción de vivienda puede ser un ejemplo de este
tipo.

Los métodos de descomposición suponen que
los datos contienen patrones estacionales, cíclicos y de
tendencia; una función que representa esta relación
puede ser la siguiente:

Dato = patrón + error = f (tendencia,
estacionalidad, ciclo) + error

X t = f(T t , E t , C t , Er t
)

Donde:

X t es el dato al período t.

T t es el componente de tendencia en el período
t.

E t es el componente o índice de estacionalidad
del período t.

C t es el componente cíclico del período
t.

Y Er t es el error del período t.

El procedimiento general para aislar los diversos
componentes es el siguiente y se aplica a los diferentes
métodos de descomposición.

1) Con los datos disponibles calcule el promedio
con un N igual a la longitud de la estacionalidad (12 meses, 6
meses, 4 trimestres, o 7 días, por ejemplo). Con esto se
elimina la estacionalidad y el error, por lo tanto en el promedio
móvil se encuentra sólo la tendencia y el ciclo. A
esto lo llaman algunos desestacionalizar la serie de
datos.

2) Separe el resultado del promedio móvil
de los datos. Lo que queda es la estacionalidad y el
error.

3) Aísle los factores estacionales
promediándolos para cada período que constituyen el
período completo de estacionalidad (cada mes, semestre o
trimestre, por ejemplo).

4) Identifique la forma de la tendencia con los
resultados de (lineal, exponencial, etc.) y calcule su valor para
cada uno de los períodos para los cuales se tienen
datos.

5) Separe el resultado de 4) de los resultados de
1) para obtener el factor cíclico.

6) Separe la estacionalidad, la tendencia y el
ciclo de los datos para obtener el error.

Este método es útil cuando se considera
que existe una tendencia y estacionalidad. La estacionalidad se
puede identificar en los datos si se observan ciertos "picos" o
"baches" en los datos con regularidad; por ejemplo, si encuentra
que el consumo de gaseosa es siempre mayor en los días
sábados y domingos y menor en los días jueves, se
podría sospechar que existe una estacionalidad asociada a
esos días de la semana. Por otro lado, se puede llegar a
la conclusión acerca de la existencia de la estacionalidad
deduciéndola a partir del comportamiento del negocio; por
ejemplo, antes de examinar cualquier dato, se podría
pensar que la venta de juguetes o de calendarios y agendas va a
presentar picos en los tres últimos meses del año.
Obsérvese que se habla de estacionalidad cuando los
períodos de análisis son menores de un año.
Por ejemplo, semestres, trimestres o meses en relación con
un año; quincenas, décadas o semanas en
relación con mes; días de la semana con
relación a la misma. Esto es, si los datos son anuales,
por ejemplo, no tiene sentido pensar en la existencia de un
patrón estacional. Uno de los modelos de
descomposición más utilizados es el multiplicativo,
o sea,

X t = T t x E t x C t x Er t

Donde:

Xt es el dato real en período t

Tt es el valor de la tendencia en período
t

Ct es el valor del factor de ciclo en período
t

Ert es el error en período t

Al aplicar los seis pasos propuestos se
tiene:

1) y 2) Calcule el promedio móvil y aísle
los factores estacionales:

Mt = Tt x Ct

Donde Mt es el promedio móvil en período
t

La expresión anterior aísla la
estacionalidad y el error.

3) El siguiente paso es eliminar el error de los valores
obtenidos con la última expresión. Los modelos
clásicos de descomposición utilizan el enfoque del
promedio medial. Para calcular el promedio medial se toman todos
los datos de promedio móvil para cada período (mes,
trimestre, etc.) y se eliminan los valores extremos, con los
datos restantes se calcula el promedio. Los datos obtenidos para
cada período se ajustan al 100% multiplicando el promedio
medial por 100x número de períodos/suma de todos
los promedios mediales 4) y 5) Los pasos finales es el de
calcular la tendencia y separarla del ciclo. Se identifica el
patrón de la tendencia y se calcula el valor de ella para
cada uno de los períodos para los cuales se tienen datos.
La tendencia se calcula a partir de los datos Mt. En este modelo
se elimina así: donde a,b,c… son las constantes de la
regresión y t es el período
correspondiente.

6) Con estos factores, estacionalidad, tendencia y
ciclo, se puede estimar el error.

Árbol de
decisión

Para utilizar el árbol de decisiones a fin de
evaluar y seleccionar alternativas. Es preciso estimar la
siguiente información adicional para cada rama:

Probabilidad estimada de que cada resultado pueda
ocurrir. Estas probabilidades deben sumar 1.0 para cada
conjunto de resultados (ramas) que resultan de una
decisión.
Información económica para cada
alternativa de decisión y resultado posible, tal como,
inversión inicial y flujos de efectivo
anuales.

Las decisiones se toman a partir de la estimación
de probabilidad y la estimación del valor económico
para cada rama de resultados. De ordinario se utiliza el valor
presente en los cálculos de valor esperado del tipo de la
ecuación (1). El procedimiento general para resolver el
árbol mediante análisis VP es:

1. Empiece en la parte superior derecha del
árbol. Determinar el valor VP para cada rama de resultado
considerando el valor del dinero en el tiempo.

2. Calcule el valor esperado para cada alternativa de
decisión.

E (decisión) = L (estimación de resultado)
P (resultado) (2)

Donde la sumatoria incluye todos los resultados posibles
para cada alternativa de decisión.

3. En cada nodo de decisión, seleccione el mejor
valor E (de decisión), el costo mínimo para una
situación de costos solamente, o el reintegro
máximo si se estiman los ingresos y los costos.

4. Continúe moviéndose a la izquierda del
árbol hacia la decisión de las raíces con el
fin de seleccionar la mejor alternativa.

5. Trace el mejor camino de decisiones de regreso a
través del árbol.

El siguiente ejemplo ilustra este
procedimiento.

4) Se requiere una decisión bien sea para
mercadear o para vender un nuevo invento. Si el producto es
mercadeado, la siguiente decisión es hacerlo a nivel
internacional o nacional. Suponga que los detalles de las ramas
de resultados producen el árbol de decisiones de la figura
7. Para cada resultado se indican las probabilidades y el VP de
los costos y beneficios (reintegro en $ millones). Determine la
mejor decisión en el nodo de decisiones DI.

Monografias.com

Figura 2. Solución de un
árbol de decisiones con valores presentes
establecidos.

Solución

Utilice el procedimiento anterior para determinar que la
alternativa de decisión DI, de vender el invento, debe
maximizar el reintegro.

1. Este ejemplo se ofrece el valor presente del
reintegro.

2. Calcule el reintegro VP esperado para alternativas de
los nodos D2 y D3 utilizando la ecuación (2). En la figura
8, a la derecha del nodo de decisión D2, los valores
esperados de 14 y 0.2 en óvalos se determinan
como:

E (decisión internacional) =
12(0.5) + 16(0.5) = 14

E (decisión nacional) = 4(0.4) –
3(0.4) – 1(0.2) = 0.2

Los reintegros VP esperados de 4.2 y 2 para D3 se
calculan en forma similar.

3. Seleccione el reintegro esperado más grande en
cada nodo de decisión. Éstos son 14 (internacional)
D2, y 4.2 (internacional) en D3.

4. Calcule el reintegro esperado para las dos ramas
DI.

E (decisión de mercado) = 14(0.2)
+ 4.2(0.8) = 6.16

E (decisión de vender) = 9(1.0) =
9

El valor esperado para la decisión de vender es
simple puesto que el único resultado tiene un reintegro de
9. La alternativa nodal DI de vender genera el reintegro esperado
más grande de 9.

Problemas

1) Una encuesta de viviendas incluyó una
pregunta sobre el número de automóviles,
N, actualmente poseídos por gente que vive en
residencias y la tasa de interés, i, sobre el
préstamo de tasa más baja para los autos. Los
resultados para 100 viviendas se muestran a
continuación:

Monografias.com

(a) Determine si cada variable es discreta o
continua y diga por qué.

(b) Elabore gráficas de las
distribuciones de probabilidad y de las distribuciones
acumulativas para N e i.

(c) De la información obtenida,
¿cuál es la probabilidad de que una vivienda tenga
1ó 2 autos?, ¿Tres o más autos?

Solución:

a) El número de autos (N) es una variable
discreta, al igual que el número de viviendas, debido a
que nadie puede tener un número fraccional de carros ni
viviendas. Por otra parte, la tasa de préstamo es una
variable continua, ya que puede asumir valores
fraccionales.

Número de autos	Viviendas	P	F
0	12	12	12
1	56	56	68
2	26	26	94
3	3	3	97
(4	3	3	100

Monografias.com

Tasa de préstamo	Viviendas	P	F
0.0-2	22	22	22
2.01-4	10	10	32
4.01-6	12	12	44
6.01-8	42	42	86
8.01-10	8	8	94
10.01-12	6	6	100

Monografias.com

c) La probabilidad de que una vivienda tenga dos o
más autos es:

P (N = 1 ó N = 2) = P (N = 1) + P
(N=2) = 0,56 + 0,26 = 0,82 = 82%

La probabilidad de que una vivienda tenga tres o
más autos es:

P (N ( 3) = P (N = 3) + P (N ( 4) = 0,03
+ 0,03 = 0,06 = 6%

Conclusiones

Con el desarrollo de este trabajo se obtuvieron las
conclusiones siguientes:

1. Los proyectos económicos que comprendan
riesgos e incertidumbre son considerados casos no
determinísticos.

2. El concepto de incertidumbre implica que no se
asignan distribuciones de probabilidad (definidas en
términos de sus parámetros, tales como la media y
la desviación estándar).

3. El riesgo implica que sí se le puede asignar
algún tipo de distribución
probabilística.

4. El término incertidumbre se utiliza para
indicar una situación de desconocimiento del futuro y el
hecho mismo de impredictibilidad de los hechos.

5. No se puede garantizar que una inversión de
los frutos deseados y en consecuencia es posible que no ocurra el
evento en teoría cierto.

Preguntas y
respuestas

1. ¿Para la simplificación
de la investigación de los métodos de
elaboración de presupuestos de capital, se supone que
se conoce la tasa de rendimiento requerida y que es la misma
para todos los proyectos, que puede acarrear tal
suposición?

Esta suposición implica que la selección
de cualquier proyecto de inversión no altera la naturaleza
del riesgo de negocios de la empresa tal como la perciben los
proveedores de capital. Como resultado de ello, la
selección de un proyecto de inversión puede afectar
la tasa de rendimiento requerida por los inversionistas. Sin
embargo para fines de introducción de la
elaboración de presupuesto de capital, se mantendrá
constante en riesgo.

2. ¿Cuáles son los
métodos más utilizados para realizar decisiones
de inversión bajo incertidumbre?

La matriz de beneficios
La Regla de Laplace
Reglas de maximin y maximan
La Regla de Hurwicz
La Regla de minimax de la pena o el
pesar.

3. ¿Cuál es la diferencia entre
riesgo e incertidumbre?

La diferencia entre el riesgo e incertidumbre identifica
al riesgo como la dispersión de la distribución de
probabilidades del elemento en estudio o los resultados
calculados mientras la incertidumbre es el grado de la falta de
confianza respecto a que la distribución de probabilidades
estimadas sea la correcta.

4. ¿Cómo es la clasificación
del riesgo en las inversiones de las instituciones
financieras?

A. Inversiones de Riesgo Normal

B. Inversiones de Riesgo Potencial Superior al
Normal

C. Inversiones de Riesgo Real de
Pérdidas Esperadas

D. Inversiones de Alto Riesgo de Pérdidas
Significativas

E. Inversiones Irrecuperables

5. ¿Quiénes son los inversionistas
institucionales?

Los Inversionistas Institucionales son los bancos,
sociedades financieras, compañías de seguros,
entidades nacionales de reaseguro y administradoras de fondos
autorizados por ley. También tienen este carácter
las entidades que señala la Superintendencia de Valores y
Seguros, mediante una norma de carácter general, siempre
que se cumplan las siguientes condiciones copulativas.