Monte Carlo versus IA: Decisões sobre activos fixos em condições de incerteza: simulação versus otimização

Porque é que a simulação já não é suficiente para os activos fixos - e a otimização matemática está a tornar-se a nova necessidade de governação

Resumo executivo

Durante décadas, a simulação de Monte Carlo foi considerada o padrão de ouro metodológico para avaliar as incertezas nas decisões de investimento. Particularmente na área dos activos fixos - ou seja, compromissos de capital a longo prazo, tais como imóveis, infra-estruturas, instalações de produção ou sistemas informáticos de grande escala - era o instrumento preferido para a modelização do risco.

Monte Carlo estava atualizado.
Monte Carlo fazia sentido do ponto de vista matemático.
Monte Carlo era um avanço em relação aos pressupostos individuais determinísticos.

Mas Monte Carlo não toma uma decisão.
Simula-as.

E no contexto da gestão moderna de carteiras e CapEx, isto significa que uma decisão potencialmente incorrecta do ponto de vista estrutural é variada 10.000 vezes - mas não optimizada.

Com o aumento da complexidade, as dependências entre projectos, as restrições orçamentais e os múltiplos objectivos em conflito, a simulação atinge um limite sistémico. Avalia cenários. Não pesquisa todo o espaço de decisão.

É precisamente aqui que entra a otimização algorítmica ex-ante. Em vez de simular distribuições de probabilidade, o espaço combinatório de todas as configurações possíveis da carteira é analisado matematicamente - e o ótimo global é identificado.

Na área dos activos fixos na gestão da carteira de projectos (PPM), isto não melhora Monte Carlo, mas torna-o obsoleto.

1. Classificação histórica: Porque é que Monte Carlo foi útil

O método de Monte Carlo foi desenvolvido no século XX para aproximar matematicamente problemas complexos de probabilidade. Foi revolucionário nas finanças, na gestão de riscos e no cálculo de investimentos porque tornou a incerteza quantificável.

Em vez de um único pressuposto sobre os fluxos de caixa ou a utilização da capacidade, foram gerados milhares de resultados aleatórios. Isto resultou em

• Valores esperados
• Variância
• Valor em risco
• Intervalos de confiança
• Faixas de cenário

Para activos fixos, isto significa

• Incerteza dos custos de construção
• Flutuações das taxas de juro
• Volatilidade dos preços de mercado
• Riscos de utilização
• Pressupostos de valor residual

Todos estes factores podiam ser modelados estatisticamente.

Num mundo com um poder de computação limitado e um número gerível de projectos, isto era racional.

Mas esse mundo já não existe.

2. O problema estrutural: a simulação não é uma otimização

Monte Carlo responde à seguinte questão:

Se decidirmos a favor deste projeto ou desta carteira - qual é a probabilidade de qual é o resultado?

O que Monte Carlo não responde é:

Será esta carteira a melhor possível entre todas as combinações admissíveis?

Esta é uma diferença fundamental.

Simulação

• Avalia uma determinada decisão
• Varia os parâmetros
• Fornece probabilidades

Otimização

• Procura no espaço de decisão
• Tem em conta as restrições
• Maximiza a função objetivo
• Identifica o ótimo global

Monte Carlo simula assim a incerteza numa decisão estrutural já tomada.

Se esta decisão estrutural for subóptima, apenas a sua dispersão é analisada.

Isto corresponde a uma má afetação simulada de 10.000 vezes.

3. Activos fixos em PPM: porque é que a complexidade se torna exponencial

A carteira clássica de activos fixos contém

• Vários projectos de investimento
• Diferentes prazos de vencimento
• Restrições orçamentais
• Efeitos de sinergia
• Relações de exclusão
• condições regulamentares
• Requisitos ESG
• prioridades estratégicas

Já existem mais de um milhão de combinações possíveis de carteiras para 20 projectos.

Para 50 projectos:

²⁵⁰ ≈ 1.125.899.906.842.624 combinações

Monte Carlo simula dentro de uma combinação selecionada. Não procura entre estes 1,1 quadriliões de possibilidades.

Não se trata de uma fraqueza gradual. Trata-se de uma fraqueza estrutural.

4. Aplicação típica de Monte Carlo em activos fixos

No contexto dos activos fixos, o método de Monte Carlo é normalmente utilizado para

• Distribuição do VAL de um projeto
• Intervalos de TIR
• Análises de sensibilidade
• Testes de stress
• Avaliação de risco de activos individuais

Mas, na prática, isto significa

1. Os projectos são avaliados individualmente.
2. É formada uma carteira com base numa classificação ou em critérios heurísticos.
3. Monte Carlo simula as incertezas desta seleção.

A classificação permanece local. A estrutura da carteira continua a ser heurística. A afetação do orçamento continua a ser aproximada.

5. Comparação: Monte Carlo vs. otimização global

Critério	Simulação de Monte Carlo	Otimização global
Questão	Como é que um cenário selecionado se dispersa?	Que combinação de carteiras maximiza a função objetivo?
Metodologia	Amostragem aleatória	Algoritmos determinísticos / híbridos
Espaço de decisão	Fixo	Totalmente pesquisado
Lidar com restrições	Avaliação ex-post	Restrições integradas
Complexidade	Linear em simulações	Espaço exponencial - dominado por algoritmos
Resultados	Distribuição de probabilidades	Ótimo global matemático
Qualidade da governação	Visualização do risco	Otimização de recursos

6. Porque é que Monte Carlo é sistematicamente inadequado para activos fixos

6.1 Compromisso de capital

Os activos fixos imobilizam capital durante anos ou décadas. As más afectações têm um efeito a longo prazo.

6.2 Irreversibilidade

As infra-estruturas, os bens imobiliários ou as instalações de produção não podem ser reafectados sem perdas significativas.

6.3 Interdependências

Um centro logístico influencia os custos de transporte.
Um investimento em TI influencia os custos de pessoal.
Uma medida ESG influencia os custos de financiamento.

Monte Carlo modela a incerteza dentro de um projeto - não a combinatória de dependências.

7. A mudança de perspetiva matemática

A questão relevante não é:

"Quão seguro é o projeto A?"

Mas sim:

"Qual é a combinação de A, B, C ... com o orçamento e as restrições que maximiza o valor global?"

Trata-se de um problema de otimização combinatória.

A partir de um determinado número de projectos, este problema torna-se NP-difícil.

A simulação não ajuda neste caso. Apenas os métodos de pesquisa algorítmica podem estruturar sistematicamente o espaço.

8. Porque é que 10.000 simulações não fornecem certeza estrutural

10.000 simulações geram 10.000 resultados possíveis.

Mas todas elas se baseiam na mesma estrutura de carteira.

Se esta estrutura estiver 15 % abaixo do ótimo globalmente possível, esta diferença nunca é reconhecida.

Monte Carlo responde:

"Qual é a probabilidade do resultado desta escolha?"

A otimização responde:

a otimização responde: "Esta escolha foi, à partida, a melhor escolha?"

Trata-se de dois níveis diferentes.

9. A otimização ex ante como nova norma de governação

A arquitetura moderna de decisão em PPM de activos fixos exige:

• Análise de combinação completa
• Integração das restrições orçamentais
• Otimização multiobjectivo (ROI, ESG, risco)
• Restrições
• Lógicas de dependência
• Consistência de cenários

Uma otimização ex-ante não analisa apenas projectos individuais, mas o sistema como um todo.

A função objetivo é definida, as restrições são formalizadas e o espaço combinatório é pesquisado de forma estruturada por algoritmos.

O resultado não é uma banda de valor esperado, mas uma carteira matematicamente determinada.

10. Porque é que o ótimo global substitui Monte Carlo no PPM de activos fixos

Quando o ótimo global é calculado, o resultado é

• Maximização da produtividade do capital
• Minimização dos custos de oportunidade
• Integração estruturada do risco
• Lógica transparente de tomada de decisões
• Governação à prova de auditoria

O método de Monte Carlo pode ainda servir como ferramenta de sensibilidade - mas não como base para a tomada de decisões.

No contexto dos activos fixos, perde o seu papel principal.

11. O papel do StratePlan

O StratePlan analisa o espaço de decisão completo de uma carteira de activos fixos, tendo em conta

• Restrições orçamentais
• As dependências do projeto
• Otimização multi-objetivo
• restrições regulamentares
• Parâmetros de risco

Em vez de realizar 10.000 sorteios aleatórios, a configuração óptima da carteira é identificada algoritmicamente.

Isto não melhora o método de Monte Carlo. Torna-se supérfluo.

Isto porque a incerteza pode ser integrada na função objetivo sem fixar o espaço de decisão.

12. Consequências para os diretores financeiros e o conselho de administração

Para os diretores financeiros, isto significa

• Maior rendibilidade do capital
• Melhor lógica de afetação
• Modelos de decisão transparentes
• Redução da dívida de decisão
• Minimização da má afetação estrutural

Para os conselhos de administração, isto significa

• Qualidade verificável das decisões
• Lógica auditável
• Robustez da governação

Monte Carlo foi uma resposta à incerteza. A otimização é uma resposta à complexidade.

13. Conclusão

O método de Monte Carlo foi um marco na modelação do risco. Era contemporâneo.

Mas nos activos fixos em PPM, a avaliação do risco já não é suficiente.

O que é necessário é uma penetração completa do espaço de decisão.

A simulação responde à pergunta errada sobre a decisão correta. A otimização responde à pergunta certa.

O ótimo global não é uma simulação. É uma propriedade da estrutura de decisão.

E assim que é calculado, Monte Carlo perde a sua relevância estratégica.

FAQ

O método de Monte Carlo é fundamentalmente errado?

Não. Monte Carlo é um instrumento válido para analisar a incerteza. No entanto, não é um método de otimização, pelo que não é adequado para identificar a melhor carteira global.

O método de Monte Carlo pode ser útil em combinação com a otimização?

Sim, como uma análise de sensibilidade suplementar após a identificação da carteira óptima. Não como lógica de decisão primária.

Porque é que a classificação pelo VAL não é suficiente?

Porque os projectos são interdependentes e as restrições orçamentais geram efeitos combinatórios que a classificação não reflecte.

A otimização global é matematicamente realista para grandes carteiras?

Sim, os métodos algorítmicos modernos permitem a análise estruturada de espaços de decisão exponenciais.

Isto significa o fim da modelação do risco?

Não. O risco está integrado - mas já não é simulado isoladamente.

Porque é que isto é particularmente relevante para os activos fixos?

Porque as afectações incorrectas neste caso são de longo prazo e dificilmente reversíveis.

Isto altera o papel do diretor financeiro?

Sim, da avaliação de risco de projectos individuais para a arquitetura sistémica de afetação de capital.

A consequência estratégica é clara: não é a simulação da incerteza que determina a rendibilidade do capital. É a estruturação matemática do espaço de decisão. E é aqui que começa o futuro da governação dos activos fixos.