Logica Fuzzy applicata al D.C.

F
Luca Del Viva 8 novembre 2006

Sommario Questo lavoro vuole trattare in modo elementare il concetto di logica fuzzy indicandone il campo di applicazione e comparandola con la teoria delle probabilità. Dopo un introduzione chiarificatrice, viene sviluppata un applicazione di questa logica ad un metodo di valutazione degli investimenti ormai consolidato: il discount cash flow. In particolare cerchiamo di indicare le motivazioni relative all’applicazione di questa logica al metodo sopra detto, ponendo attenzione ai problemi che si trovano in fase di selezione dell’investimento, o più in generale ai problemi di classificazione dei numeri fuzzy.

Logica fuzzy e ambiguità
La teoria fuzzy nasce intorno all’anno 1965 per merito del professore L. A. Zadeh1 , e inizialmente questa teoria non venne accolta con molto entusiasmo dal mondo accademico della matematica. In particolare il concetto fuzzy vuol dire che un oggetto non è definito, cioè che ha dei contorni che sono vaghi come potrebbero essere quelli di una piuma. Lo scopo principale di questa teoria, così come si può dedurre dalla parola stessa, è quello di trattare con l’incertezza. Nella vita di tutti i giorni comunichiamo con le persone attraverso lo strumento del linguaggio. Nell’utilizzare questo strumento facciamo uso delle parole che altro non servono che ha comunicare concetti, tuttavia come molti si saranno accorti, il contorno delle parole non sempre è chiaro e definito, per lo meno non lo è per tutti allo stesso modo. Per esempio siete in grado di dire quanto siete giovani? E anche se cercate di dare risposta a questa domanda, dicendo per esempio che siete abbastanza giovani, che limiti date all’insieme degli “abbastanza giovani ”. Credete poi che il limite sia il medesimo per tutte le persone? L’esistenza in natura di numerose grandezze non rappresentabili con contorni definiti ha portato alla nascita della logica fuzzy, ossia alla nascita di un metodo matematico di trattare questo tipo di ambiguità che è molto diversa dall’incertezza che viene trattata dalla teoria delle probabilità. Supponiamo di avere un dado a sei facce, se volessimo sapere quale è la probabilità di ottenere un numero pari, il ragionamento da seguire partirebbe dall’analisi dei risultati favorevoli (le tre facce pari) e di tutti i possibili risultati (le sei facce del dado): il rapporto fra queste due grandezze fornirebbe la probabilità dei casi favorevoli (che nel nostro caso sarà 0.5). Notiamo che l’incertezza risiede nel fatto che non sappiamo se il numero pari apparirà o meno, ma se riflettiamo un attimo ci accorgiamo che, una volta lanciato il dado l’incertezza scompare sia che sia apparso un numero pari sia nel caso in cui sia apparso un numero dispari. Questo tipo di incertezza viene indicata come “randomness”. Pensiamo adesso al solito esempio ma che vogliamo determinare la possibilità di ottenere tramite il lancio del dado un “numero intero piccolo”. Come prima cosa dobbiamo andare a dare una definizione di quello che consideriamo un numero intero piccolo la cui determinazione non è universale come avveniva per l’insieme numeri pari. Questa è il tipo di incertezza che viene trattata dalla teoria fuzzy. Proviamo a dare una definizione di numero piccolo utilizzando un grado di verità compreso tra “0” a “1”, dove “1” rappresenta grado massimo e “0” quello minimo, nel seguente modo: 1=1 2 = 0.8 3 = 0.6 4 = 0.4 5 = 0.2 6=0 Questa scala di valori ci dice che il verificarsi dell’evento “numero intero piccolo” nel lancio di un dado avrà possibilità massima se esce in numero 1. Se infatti esce 1, sicuramente si è verificato l’evento numero intero piccolo, se invece esce il
1 In particolare la data precisa della nascita della teoria fuzzy si fa ricorrere da una pubblicazione di Zadeh del 1965 sugli insiemi fuzzy.

1

4 questo sarà verificato in parte perchè 4 appartiene all’insieme in questione solo per un grado di verità dello 0.4. Una volta tirato il dado tuttavia, l’incertezza rimane nella definizione dell’insieme “numero piccolo intero”, questa non scompare come avviene nella teoria delle probabilità. Come abbiamo visto dall’esempio sopra tutte le volte che abbiamo a che fare con un insieme, in questo caso i numeri piccoli interi, dai contorni non definiti, ci troviamo di fronte ad un problema che richiama la logica fuzzy. Vediamo adesso come affrontare il problema della definizione dell’insieme in questione. Prima dell’avvento della logica fuzzy veniva utilizzata solamente un tipo di logica che individuava una distinzione netta fra due insiemi, per questo era detta duale o anche applicativa del principio dell’esclusione del numero di mezzo, cioè a dire che dato un insieme un elemento o fa parte in maniera completamente vera a quell’insieme o ne fa parte in maniera completamente falsa. Da questo modo di ragionare è venuto fuori il modo di rappresentazione tramite “0” o “1” del grado di appartenenza di un elemento ad un insieme. Supponiamo ad esempio, che vi trovate in camera vostra, e fuori sta piovendo, improvvisamente viene vostra nonna, che non ci vede molto bene, e vi chiede “quanto sta piovendo?”. Voi riflettete sulla vecchiaia, guardate fuori e dovete dare una misura alla pioggia che vedete: piove poco? Mediamente? Abbastanza? Forte? Si nota subito che non sempre è facile individuare la misura della pioggia, cioè senz’altro siete in grado di dire piove poco se adesso cade qualche goccia, o piove forte se sta scendendo un acquazzone, ma come potete scegliere fra piove mediamente o abbastanza se la situzione risulta intermedia? La logica classica non si poneva questo problema e andava a suddividere nettamente un insieme dall’altro, per esempio seguendo questa avremmo potuto individuare dei limiti in termini di millimetri cubi di acqua caduti per secondo e per metro quadrato nel seguente modo: Insieme A B C mm3 /m2 x<1 1≤x≤3 x>3 Intensità pioggia lieve media forte

La cui rappresentazione grafica risulterebbe come questa:

1

lieve

media

forte

1mm3

3mm3

mm3

Dove sull’asse delle ordinate abbiamo indicato il grado di appartenenza di un elemento “la pioggia”, ad uno dei tre insiemi individuati. Cioè se la pioggia

2

caduta2 è di 0.9 mm3 , il grado di appartenenza della pioggia all’insieme “lieve” sarà 1, cioè questa pioggia appartiene a questo insieme con un grado di certezza massimo, mentre apparterrà agli altri due insiemi con un grado di certezza nullo. Le critiche che subito possiamo fare sono attinenti: • siamo stati in grado di svelare con certezza il concetto di “pioggia lieve”, “media” e “forte”, cosa che in realtà è di difficile realizzazione dato che dipende dal soggetto che sta osservando la pioggia ed inoltre, è ragionevole assumere che anche in capo al medesimo soggetto le valutazioni in questione si presentano relative sia nel tempo che nello spazio. Nello spazio perchè una pioggia intensa in Italia per esempio potrebbe essere percepita come lieve in Brasile durante un acquazzone tropicale. Nel tempo perchè la valutazione fatta dal soggetto dipende da una serie di condizioni personali che potrebbero variare nel corso del tempo e portare a definire oggi lieve una pioggia definita media due giorni prima; • Inoltre un’atro elemento che è meno immediato ma che rappresenta un paradosso molto noto, attiene al fatto che seguendo la logica in questione andiamo a considerare media una pioggia con 3mm3 di acqua al secondo e paradossalmente se cadesse 0.00000000001mm3 di acqua in più ci troveremo immediatamente a dire che la pioggia non è più media, ma forte. Come adesso sappiamo, il motivo risiede nel fatto che gli insiemi pioggia “lieve”, “media” e “forte”, sono insiemi dai contorni indefiniti. Tuttavia si pone il problema di andare a definire questi insiemi fuzzy e questo è risolvibile associando a ciascun elemento un grado di appartenenza (membership) all’insieme considerato tramite l’utilizzo di una particolare funzione definita di membership. Esistono molte definizioni di funzione di membership: alcuni dicono che esprima il grado di appartenenza di un elemento ad un insieme, altri quello di verità, Zadeh che come ricordiamo è il fondatore della logica fuzzy, invece uguagliava il grado di membership di un elemento ad un insieme con la possibilità che si verifichi quell’elemento, utilizzando quindi il concetto di possibilità. Ad ogni modo con la funzione di membership andiamo ad associare a ciascun elemento un valore compreso fra {0 1} e non un valore zero o uno come invece avveniva nella logica classica. Più il valore associato sarà vicino a zero, e più quell’elemento non farà parte dell’insieme considerato, mentre più il valore sarà vicino a uno e maggiore sarà il grado si appartenenza dell’elemento in questione all’insieme considerato. Aperta questa parentesi ritorniamo adesso al nostro esempio, Dove avevamo tre insiemi fuzzy relativi all’intensità della pioggia. Il problema adesso riguarda come andare a determinare questi contorni, perchè se anche sono vaghi, occorre andare a determinarli, e nella pratica ci riconduciamo al problema di determinazione della forma della funzione di membership. Esistono moltissime forme che la funzione di membership può assumere: triangolare, trapezzoidale, sigmoide, campanulare etc..., con l’indicazione che la forma da assumere risulta, nella maggior parte dei casi, completamente soggettiva. La determinazione di questa funzione rappresenta, tuttavia, uno dei punti
2 Tutte le misure sono da intendersi in mm3 per secondo e per metro quadrato. Inoltre le misure sono state indicate solamente con l’intenzione di proporre un mero esempio didattico, non sono quindi da intendere realistiche dell’effettiva unità di misura utilizzata per l’intensità della pioggia.

3

critici della logica in questione perlomeno nei casi in cui non abbiamo alcun dato alle spalle, poichè questa va ad incidere notevolmente sui risultati che otterremo. Nella realtà esistono anche altri metodi di determinazione oltre a quelli soggettivi, che utilizzano strumenti statistici o strumenti più raffinati come ad esempio le reti neurali. L’utilizzo dei suddetti metodi permette di accrescere il grado di oggettività della determinazione della nostra funzione, ma richiedono la presenza di dati da interpolare. Nel nostro caso supponiamo di non avere alcun dato da interpolare e che quindi dobbiamo trovare un metodo che permetta di risolvere nel modo più razionale possibile la determinazione delle funzioni in questione. Partendo dall’insieme “pioggia lieve”, per questo insieme supponiamo che nessuno abbia da smentire l’affermazione che se l’intensità della pioggia è inferiore a 0.3mm3 per secondo e per metro quadrato, la pioggia vada considerata come “lieve”. Ugualmente supponiamo che nessuno avrà da smentire il fatto che consideriamo come “non lieve”una pioggia superiore a 1mm3 . Se supponiamo per esempio che il passaggio di opinione o di appartenenza della pioggia dall’insieme “pioggia lieve” a quello “pioggia non lieve” sia lineare, abbiamo individuato la funzione di membership del nostro insieme nel seguente modo:  1 se x ≤ 0, 3  1−x se 0, 3 < x ≤ 1 µL (x) = 0,7  0 se x > 1 Se passiamo adesso all’insieme “pioggia media”, abbiamo visto che per una quantità inferiore a 0, 3mm3 siamo con certezza all’interno della pioggia lieve, mentre possiamo dire che se la pioggià è compresa fra 1mm3 e 2mm3 non si abbiano problemi a dire che si tratta di una pioggia media, così come non presentiamo problemi a dire che una pioggia superiore a 3, 5mm3 sia da considerare non media. Otteniamo così la nostra funzione di membership per l’insieme della pioggia media che sarà:  0 se x < 0, 3   x−0,3   0,7 se 0, 3 ≤ x < 1  1 se 1 ≤ x ≤ 2 µM (x) =  3,5−x  se 2 < x ≤ 3, 5  1,5   0 se x > 3, 5 Infine per quanto riguarda l’insieme “pioggia forte” abbiamo detto che consideriamo senz’altro media la pioggia compresa fra 1 e 2, e possiamo dire con altrettanta certezza che consideriamo forte la pioggia superiore a 3, 5mm3 . Otteniamo così l’ultima funzione di membership che sarà data da:  1 se x ≥ 3, 5  x−2 se 2 ≤ x < 3, 5 µF (x) =  1,5 0 se x < 2 La cui rappresentazione grafica assume la forma seguente:

4

µ(x)

lieve

media

forte

0,3

1

2

3,5

mm3

In questo caso vediamo che il passaggio da un insieme ad un’altro avviene in maniera graduale, senza cambiamenti bruschi. Così che ad esempio una pioggia di 0, 8mm3 farà parte dell’insieme della “pioggia lieve” con un grado di verità di 0,29 mentre non vi farà parte per lo 0,71. Nel caso in questione in particolare vediamo che per lo 0,71 farà parte dell’insieme “pioggia media”, precisando tuttavia che questa specularità non è necessaria al fine della costruzione del modello ma è puramente casuale.

Applicazione alla valutazione degli investimenti
Abbiamo visto in modo molto semplificato e evitando formalismi matematici nella spiegazione, quali sono le situazioni in cui si richiede l’intervento della logica fuzzy anzichè della logica tradizionale o della teoria delle probabilità. Adesso cerchiamo di spostare l’attenzione verso l’applicazione di questa logica ai problemi di valutazione degli investimenti. I modelli tradizionali di valutazione degli investimenti come per esempio il discount cash flow, utilizzano delle grandezze di tipo deterministico dette crisp: ad esempio utilizzare un dato ammontare di cassa relativo ad un determinato periodo e prendere questo valore come buono, equivale a non considerare l’incertezza . L’incertezza la troviamo in parte nel fattore di attualizzazione dove consideriamo il premio per il rischio, tuttavia ad esempio non viene considerata nella parte attinente al tasso considerato “privo di rischio”. Occorre inoltre considerare che le assunzioni alla base del calcolo del premio per il rischio sono abbastanza limitative. Un passo avanti ulteriore potrebbe essere compiuto associando al nostro flusso e anche al tasso di sconto una distribuzione di probabilità. Tuttavia come detto nella prima parte del lavoro l’incertezza considerata è solamente di tipo randomness, ed inoltre sappiamo bene che per determinare una distribuzione di probabilità generalmente occorre avere a disposizione l’indicazione dei casi favorevoli e di quelli possibili, cosa non sempre possibile specialmente se pensiamo agli investimenti altamente incerti, come potrebbe essere la valutazione di un investimento in ricerca e sviluppo legato ad un prodotto biotecnologico, es: una proteina contro il cancro. Occorre inoltre fare altre critiche sull’utilizzo dei metodi statistici nella valutazione degli investimenti: • Problema della non ripetibilità degli esperimenti: questo problema attiene l’assunzione del valore medio come indicativo della distribuzione. 5

Per capire il problema ragioniamo sempre sull’esempio del dado: se supponiamo di ricevere ad ogni lancio tante caramelle in base al numero che appare sulla facciata, avremo che il valore atteso del numero delle caramelle sarà di 3,5 per ogni lancio. Questo valore è il caso limite per il numero di lanci che tende ad infinito, facendo una media del numero di caramelle per ogni lancio otteniamo il valore 3,5. Implicitamente questo presuppone la possibilità di rieffettuare il lancio per un numero infinito di volte, ma nella realtà non sempre la ripetizione è possibile: per esempio se stimassi una distribuzione di probabilità per la dimensione del mercato di domani, io non avrei la possibilità di tornare dietro nel tempo. Se non possiamo ripetere l’esperimento otterremo un valore unico che non è detto, e talvolta è da escludere, che coincida con il valore medio: se pensiamo alle caramelle è impossibile che io riceva 3,5 caramelle, queste sono intere, ne potrei ottenere 3 o 4 ma non 3,5. Queste considerazioni hanno portato all’utilizzo delle tecniche di simulazione fra cui ricordiamo la famosa tecnica Montecarlo. • Problema della non indipendenza della distribuzione: Se vogliamo determinare la distribuzione della dimensione del mercato per 3 esercizi futuri dobbiamo assumere come ipotesi base che le distribuzioni siano indipendenti fra di loro. Nella realtà tuttavia questo non è vero perchè avere una dimensione del mercato in t=2 di 8000 sarà più probabile se in t=1 ho ottenuto una dimensione di 7000 rispetto al caso in cui avessi ottenuto una dimensione di 1000. Quindi nella realtà le distribuzioni degli esercizi futuri non sono indipendenti dal valore che si è verificato negli esercizi precedenti. Un ulteriore passo avanti lo si può fare considerando la logica fuzzy e associando ad ogni flusso di cassa, una determinata funzione di membership. Sicuramente non è la panacea di tutti i mali, ma permette di andare a fare delle analisi diverse rispetto a quelle compiute con gli altri strumenti, considerando un’incertezza diversa rispetto a quella considerata con la teoria delle probabilità. Possiamo dire che lo scopo principale dell’utilizzo di questo strumento stà nel fatto che “vogliamo preservare l’incertezza il più a lungo possibile per lasciarla da ultimo dato che è sempre possibile ridurre l’incertezza tramite un procedimento di perdita di informazioni” 3 . Come detto se pensiamo all’utilizzo di una distribuzione di probabilità, l’incertezza ci abbandona non appena determiniamo il valore medio del flusso o del tasso, mentre vedremo che con l’utilizzo di questa logica l’incertezza rimarrà fino alla fine e potrà essere eliminata tramite un processo detto di defuzzyficazione. Come sarà noto a molti, la formula classica di determinazione del discount cash flows risulta la seguente:
n

DCF =
t=0
3 Citazione

Cft · v t

tratta da [3]

6

Dove Cft è il flusso di cassa netto del periodo “t”, e v t è il relativo fattore di sconto ossia (1 + i)−t , dove “i” rappresenta naturalmente il tasso di interesse. Secondo la metodologia tradizionale noi andiamo a determinare o meglio a fissare dei valori di cassa netti e un tasso di sconto in modo deterministico, cioè come dire che, nell caso in cui volessimo andare a valutare la convenienza economica nell’investire in ricerca per lo sviluppo di una proteina contro il cancro, il responsabile commerciale sia in grado di dirci con certezza che il flusso di cassa in entrata relativo alla vendita di quella proteina sarà per esempio di 1.000.000 euro, così come il responsabile del centro produttivo sia in grado di dirci con certezza che per produrre quella proteina che in realtà non è stata ancora scoperta, dato che stiamo valutando la possibilità di investire in ricerca per la sua scoperta, sarà per esempio di 700.000 euro , così come il responsabile finanziario della nostra azienda sia in grado di dirci che il costo dei mezzi di finanziamento, che ricordiamo includono anche il costo dei mezzi propri, a sua volta legato all’andamento del mercato azionario dell’azienda, qualora sia quotata, o al rendimento che i proprietari vogliono realizzare, sia ad esempio del 10%. Ora queste assunzioni risultano un po’ limitative e azzardate, soprattutto se pensiamo all’incertezza delle informazioni che supportano il processo di determinazione delle grandezze e l’elevata componente soggettiva che entra nella loro stima. L’utilizzo di una metodologia deterministica come è il discount cash flow nella versione originaria, quindi non si presenta adatto a questo tipo di problemi. Ragioniamo adesso sul seguente aspetto: quando nell’ambito dell’approccio deterministico ci viene chiesto quale è il rendimento di un investimento riferito al primo anno, e noi rispondiamo dando un valore puntuale in realtà è come se considerassimo l’insieme dei rendimenti del primo esercizio composto da un unico elemento: il rendimento che forniamo.Tuttavia sappiamo che le informazioni alla base della nostra dichiarazione sono incerte, e soprattutto che un loro cambiamento comporta un cambiamento del rendimento da noi fornito, e soprattutto le stesse informazioni vengono interpretate in maniera diversa da diversi soggetti. Se anche volessimo associare una distribuzione di probabilità, il primo problema che si pone è di come stabilire questa distribuzione? Sulla base delle informazioni che abbiamo in questo momento assumiamo una determinata distribuzione di probabilità che risulta la più accurata al mondo4 , questa distribuzione risulta frutto delle informazioni che abbiamo ora, o meglio, dato che con i mezzi di comunicazione attuali ci troviamo di fronte ad un quantitativo di informazioni quasi illimitato, sarebbe meglio dire che è frutto delle informazioni ritenute più utili in quella dimensione spazio-tempo. Calcoliamo i nostri valori medi e determiniamo il nostro valore attuale. Nessun problema? Mi viene subito da pensare che forse le informazioni che abbiamo noi possono essere differenti rispetto a quelle che si hanno nel distretto industriale di Bombay o Israele. Inoltre l’informazione di oggi non è detto che sia completamente avverata domani, le informazioni si succedono confermandosi, contraddicendosi e a volte cambiando leggermente rotta. Siamo inoltre noi infallibili nello scegliere le informazioni più adatte e nel saperle interpretare? Se queste
4 Qui non si vuole criticare lo strumento in sè, ma il suo campo di applicazione in determinati contesti.

7

informazioni venissero utilizzate da un altro soggetto, questo raggiungerebbe la stessa conclusione? Questo comporta che il mio metodo di valutazione seppure 3 giorni fà risultava infallibile in base alle informazioni che avevamo, potrà non risultarlo adesso. Se pensiamo bene tutte queste considerazioni non sono altro che il frutto del fatto che utilizzando anche una distribuzione di probabilità, di fatto consideriamo solo un’incertezza di tipo randomness, una volta scelto il valore medio l’incertezza scompare, e l’insieme dei rendimenti relativi al primo anno di quell’investimento ritorna un valore puntuale. Supponiamo invece di non volere abbandonare l’incertezza adesso, e di considerare tutte le informazioni che abbiamo senza avere la pretesa di fissare un valore puntuale. Questo non vuol dire non dare un grado di importanza alle stesse dato che, con la fissazione della funzione di membership andiamo a costruire un diverso grado di importanza delle informazioni, che ad esempio ci fanno orientare verso il valore con grado di appartenenza uguale a 1. Noi come detto vogliamo il più possibile trasportare l’incertezza nel modello, per lasciarla più tardi possibile. Non vogliamo cioè fissare un valore puntuale per il nostro insieme dei rendimenti riferiti al primo esercizio, ma diciamo che abbiamo realmente un insieme di valori e che si tratta di un insieme fuzzy perchè ha i contorni non netti, ma sfumati. Supponiamo quindi non un unico valore di flusso di cassa netto, ma siamo incerti sul suo valore ed in particolare supponiamo che il rendimento del primo periodo sia rappresentato da un insieme fuzzy, o più semplicemente detto numero fuzzy. In particolare supponiamo che per ciascun periodo venga fornita una terna di valori rappresentativi del flusso che può essere ricavato da quell’investimento. Per cui ad esempio per il periodo 1 avremo Cf1 = (Cf1l , Cf1m , Cf1u ) dove il pedice “l” stà per estremo lower, “m” per middle e “u” per upper. Supponiamo inoltre che la funzione di membership sia di tipo triangolare:    Cf1 −Cf1 0 se Cf1 < Cf1l o Cf1 > Cf1u l se Cf1l ≤ Cf1 ≤ Cf1m α(Cf1 ) = −Cf1  Cf11m −Cf1 l  Cf u se Cf1m ≤ Cf1 ≤ Cf1u Cf1 −Cf1
u m

La cui rappresentazione grafica sarà la seguente: α(Cf1 )

Cf1l

Cf1m

Cf1u

Cf1

Se ci riconduciamo al concetto di funzione di membership espresso da Zadeh tramite la misura di possibilità, vediamo che Cf1m rappresenta l’elemento più possibile del nostro insieme. 8

Questo modo di rappresentazione grafica è generale e vale per tutti i numeri fuzzy la cui funzione di membership assume forma triangolare, per questo motivo definiti anche come “numeri fuzzy triangolari”. Ritornando al concetto prima esposto in merito all’importanza delle informazioni adesso possiamo vedere che le informazioni che abbiamo ci portano a dire che il rendimento rappresentato da Cfm rappresenta quello più possibile, cioè a dire che questo rendimento è il frutto delle informazioni da noi ritenute più importanti. Un altro modo di rappresentazione dei numeri fuzzy di tipo triangolare stà nella determinazione dei cosiddetti α − cut che altro non sono che gli stessi numeri ma esplicitati secondo la variabile Cf1 , nel nostro caso avremo: Cf1 (α) = Cf1l + α(Cf1m − Cf1l ) Cf1 (α) = Cf1u − α(Cf1u − Cf1m ) Se ipotizziamo che anche il tasso di interesse sia fornito nella forma di terna di numeri i1 (i1l , i1m , i1u ) gli α − cut avranno la seguente forma: i1 (α) = i1l + α(i1m − i1l ) i1 (α) = i1u − α(i1u − i1m ) Il fattore di sconto assumerà invece la seguente forma: v1 (α) = (1 + i1u − α(i1u − i1m ))−1 v1 (α) = (1 + i1l + α(i1m − i1l ))−1 Una volta espresse le grandezze in termini di numeri fuzzy siamo in grado di andare a determinare il nostro discount cash flows che a sua volta sarà dato da un numero fuzzy, e che assumerà la seguente espressione:
n

DCF (α) =
t=0 n

[Cft (α), Cft (α)] · [vt (α), vt (α)]

DCF (α) =
t=0

[Cft (α) · vt (α), Cft (α) · vt (α)]

Supponiamo per esempio di avere i dati riferiti a tre esercizi: Cf1 (100, 150, 200) Cf2 (170, 200, 250) Cf3 (200, 270, 310) i1 (0, 03, 0, 05, 0, 08) i2 (0, 04, 0, 06, 0, 09) i3 (0, 06, 0, 08, 0, 10)

Dove “Cf ” rappresenta il flusso netto di cassa, ossia al netto delle spese operative. Supponiamo poi che per intraprendere questo investimento occorra sopportare anche una spesa iniziale di M=350. Ci si chiede di determinare se l’investimento risulta conveniente o meno. Come primo passo andiamo a determinare gli α − cut del flusso netto di cassa che saranno dati da: 9

Cf1 (α) = 100 + α(150 − 100) Cf2 (α) = 170 + α(200 − 170) Cf3 (α) = 200 + α(270 − 200)

Cf1 (α) = 200 − α(200 − 150) Cf2 (α) = 250 − α(250 − 200) Cf3 (α) = 310 − α(310 − 270)

Il tasso di interesse invece assumerà la seguente forma: i1 (α) = 0, 03 + α(0, 05 − 0, 03) i2 (α) = 0, 04 + α(0, 06 − 0, 04) i3 (α) = 0, 06 + α(0, 08 − 0, 06) i1 (α) = 0, 08 − α(0, 08 − 0, 05) i2 (α) = 0, 09 − α(0, 09 − 0, 06) i3 (α) = 0, 10 − α(0, 10 − 0, 08)

Mentre il tasso di sconto assumerà la seguente forma:
v1 (α) = (1, 08 − α(0, 08 − 0, 05))−1 v2 (α) = (1, 09 − α(0, 09 − 0, 06))−1 · v1 (α) v3 (α) = (1, 1 − α(0, 10 − 0, 08))−1 · v2 (α) v1 (α) = (1, 03 + α(0, 05 − 0, 03))−1 v2 (α) = (1, 04 + α(0, 06 − 0, 04))−1 · v1 (α) v3 (α) = (1, 06 + α(0, 08 − 0, 06))−1 · v2 (α)

Una volta individuati gli α − cut andiamo a costruire una tabella nella quale viene indicato il comportamento di questi al variare di α frà 0 e 1, non si tratta altro che di andare a sostituire i valori compresi frà 0 e 1 negli α. Per semplicità svolgiamo i calcoli attraverso l’utilizzo di un foglio di calcolo riportando i risultati nelle seguenti figure.

10

Per andare a determinare il valore attuale non resta che moltiplicare ciascun flusso di cassa per il proprio fattore di sconto per ciascun livello di α. Per esempio per α = 0 avremo che: DCF (0) = Cf1 (0) · v1 (0) + Cf2 (0) · v2 (0) + Cf3 (0) · v3 (0) − M DCF (0) = Cf1 (0) · v1 (0) + Cf2 (0) · v2 (0) + Cf3 (0) · v3 (0) − M Sostituendo i valori ottenuti avremo: DCF (0) = 100 · 0, 9259 + 170 · 0, 8495 + 200 · 0, 7722 − 350 DCF (0) = 200 · 0, 9709 + 250 · 0, 9335 + 310 · 0, 8807 − 350 Svolgiamo i calcoli per ogni livello di α e riportiamo i dati nella seguente figura:

11

Come indicato nelle pagine precedenti non otteniamo un unico valore attuale, ma otteniamo un numero fuzzy in particolare un numero fuzzy di tipo triangolare, che graficamente avrà la seguente rappresentazione: α

41.45

197.17

350.57

DCF

Un approccio più articolato (aritmetica degli intervalli)
L’esempio presentato nella sezione precedente si presentava di semplice lettura vista la sua funzione di elemento introduttivo. Nella realtà infatti la determinazione delle grandezze base per il calcolo del VAN, ha luogo in seguito ad un processo di analisi dettagliata delle informazioni e tramite un procedimento per gradi. Si faccia per esempio riferimento al flusso di cassa netto. Questo in prima battuta è dato dalla differenza fra l’entrata totale dell’investimento, prevista per quel periodo con l’uscita dello stesso. A sua volta l’entrata totale sarà data dal prodotto fra mercato di riferimento, quota target e prezzo di vendita del prodotto e analoghe considerazioni possono essere fatte per l’uscita di periodo nella componente variabile dei costi. La scomposizione delle grandezze in questione mette in evidenza il fatto che le variabili fuzzy in realtà si trovano a monte rispetto ai flussi di cassa netti, investendo quindi grandezze come: dimensione mercato, quota relativa, prezzo di vendita, costo variabile, costo non variabile ma di periodo etc.... La considerazione di queste grandezze come variabili fuzzy e le operazioni algebriche fra le stesse impone di andare a studiare come queste variabili si comportano rispetto alle operazioni aritmetiche conosciute. In linea generale esistono due diversi metodi con cui possiamo svolgere le operazioni aritmetiche con i numeri fuzzy e questi sono: • Extension principles; • Aritmetica degli intervalli. Nella nostra trattazione utilizzeremo il secondo metodo data la maggiore semplicità di applicazione. Secondo l’aritmetica degli intervalli, dati due numeri fuzzy del tipo A = [a1 (α); a2 (α)] e B = [b1 (α); b2 (α)], le operazioni algebriche fra questi due numeri vengono così definite: • [a1 , a2 ] + [b1 , b2 ] = [a1 + b1 , a2 + b2 ] • [a1 , a2 ] − [b1 , b2 ] = [a1 − b2 , a2 − b1 ] 12

• [a1 , a2 ]/[b1 , b2 ] = [α, β] Dove: α = min[a1 /b1 , a1 /b2 , a2 /b1 , a2 /b2 ] β = max[a1 /b1 , a1 /b2 , a2 /b1 , a2 /b2 ] • [a1 , a2 ] · [b1 , b2 ] = [α, β] Dove: α = min[a1 b1 , a1 b2 , a2 b1 , a2 b2 ] β = max[a1 b1 , a1 b2 , a2 b1 , a2 b2 ] Dove per semplicità visiva abbiamo sostituito a1 = a1 (0) e così via anche per gli altri α − cuts. Queste regole sono necessarie affinche si voglia giungere ad un risultato accettabile da un punto di vista matematico anche se nel nostro caso occorrerà sempre andare ad analizzarne la fattibilità e accettabilità anche da un punto di vista economico. Supponiamo per esempio di avere i dati in merito al costo per realizzare l’investimento indicato con “M”, i dati relativi ai flussi di cassa in entrata indicati con “aj ”, quelli in uscita “bj ” e che il tasso di sconto venga indicato con “ij ”. Nel caso di α = 0 avremo i seguenti intervalli [a1 , a2 ], [b1 , b2 ], [i1 , i2 ]. Supponendo di avere a disposizione i dati relativi ad un unico esercizio futuro e che la differenza A = [a1 (α); a2 (α)] − B = [b1 (α); b2 (α)] ∈ R+ , il VAN sarà dato dalle seguenti operazioni algebriche: V AN = V AN = ([a1 , a2 ] − [b1 , b2 ]) −M [1 + i1 , 1 + i2 ]

(a2 − b1 ) (a1 − b2 ) − M, −M 1 + i2 1 + i1

Come possiamo vedere nello svolgimento dei calcoli viene seguita la logica dell’aritmetica degli intervalli, ovviamente il problema si complica un po’ nell’ipotesi in cui andiamo a considerare i flussi di cassa come risultati derivanti dal prodotto fra dimensione del mercato, quota relativa dello stesso e entrata o uscita unitaria. In questo caso infatti si possono ritrovare maggiori difficoltà legate anche al comportamento e alle relazioni delle variabili in questione. Per semplicità tuttavia non affrontiamo questo problema lasciando spazio alla curiosità del lettore che eventualmente vorrà approfondire la tematica.

Studio dei risultati ottenuti
Una volta ottenuto il risultato in termini di numero fuzzy occorre procedere allo studio del medesimo per verificare la fattibilità economica dell’investimento ed eventualmente procedere alla selezione dell’investimento migliore qualora si avessero a disposizione più scelte. Il processo illustrato si articola in due fasi che possono essere così denominate: • Analisi;

13

• Confronto. Il processo di “analisi” prevede di considerare l’investimento isolatamente per verificarne la convenienza economica. Questo processo si rende necessario sia nel caso in cui parte del numero fuzzy assuma valori negativi e sia nel caso in cui, pur presentando valori positivi presenta un’elevata base di scelta (intervallo ampio) che ne mette in evidenza la forte variabilità dei risultati ottenibili. Il pocesso denominato di “confronto” riguarda lo studio comparato di due investimenti per la selezione di quello che viene considerato migliore da un punto di vista economico-finanziario. Il confronto come si può ben capire risulta necessario nel caso in cui la scelta di quale investimento realizzare ricade su più alternative e nella maggior parte delle volte richiede l’utilizzo di particolari indicatori che riconducono ad un valore unico tramite un processo noto come “defuzzyficazione”.

Analisi
Come accennato nel paragrafo precedente una volta ottenuto il risultato in termini di numero fuzzy occorre andare ad analizzare il medesimo. Il punto di partenza è vedere quanto la base si presenta ampia. Se infatti la base del VAN così ottenuto è ampia allora questo indica la maggiore variabilità dei risultati seppur con diverso grado di possibilità di realizzazione. In questa fase ritroviamo un pregio fondamentale dell’utilizzo della logica fuzzy nel processo di valutazione, che risiede nel fatto di presentare al valutatore un risultato che mette in evidenza la reale natura dell’investimento la quale include la variabilità dei risultati ottenibili. Seppure il tipo di analisi in questione quindi, non rappresenta un elemento discriminante per la selezione di un investimento, rappresenta un utilissima fonte di informazione circa la reale natura dell’investimento. Il fatto di avere una variabilità dei risultati non significa che l’investimento non sia da effettuare, ma è la logica in questione che mette in evidenza la variabilità di questi. Se infatti avessimo valutato il solito investimento utilizzando una metodologia deterministica o tramite l’utilizzo di un valore atteso avremmo ottenuto alla fine del processo in questione un unico valore, ma l’investimento sarebbe stato il medesimo. La sola differenza è che con l’utilizzo dei suddetti metodi classici avrei abbandonato la variabilità dei risultati al momento della determinazione del valore atteso o al momento della fissazione di una grandezza come crisp. Il secondo aspetto da considerare è il caso in cui otteniamo un risultato in parte negativo. Negli esempi mostrati sopra abbiamo visto che i numeri fuzzy indicanti il valore attuale dell’investimento erano completamente positivi, cioè presentavano l’estremo inferiore della terna di segno positivo. Talvolta capita che parte del numero sia negativo, in questo caso si pone un altro problema di analisi dello stesso, poichè si tratta di decidere se l’investimento avrà un rendimento positivo o meno. Supponiamo per esempio che dalla formula del valore attuale abbiamo ottenuto la seguente terna: DCF = (−50, 120, 200) La cui rappresentazione grafica risulterà la seguente: 14

-50

0

120

200

La scelta se effettuare l’investimento o meno può procedere tramite lo studio incrociato di due elementi: • Il livello di possibilità per cui si ha il passaggio da un risultato positivo ad uno negativo; • L’utilizzo di un indice che mi permetta di rapportare l’area in perdita con l’area totale. In merito al primo punto è sufficiente andare a leggere il valore di α nel punto VAN=0. Questo mi indica la possibilità di ottenere un VAN=0 sulla base delle convizioni che avevamo espresso in sede di definizione delle grandezze. Per il secondo punto si fa ricorso ad un indice noto come “β” che si presenta nella seguente maniera: 0 µ(x)dx x β= x µ(x)dx x Che nel caso in cui xa ≤ 0 ≤ xb sarà: β= −xa · f (0) x2 a = xc − xa (xb − xa )(xc − xa )

E nel caso in cui xb ≤ 0 ≤ xc sarà: β= −xa − xb · f (0) −xa (xc − xb ) − xb xc = xc − xa (xc − xb )(xc − xa )

Questo indice come si vede non esprime altro che il rapporto fra l’area in perdita e l’area totale del nostro numero fuzzy, ovviamente le espressioni svolte riguardano esclusivamente numeri fuzzy di tipo triangolare. Nel nostro esempio sarebbe dato da: 50·0.29 7.25 2 = 0.058 β = 170+80 = 125 2 In questo caso vediamo che l’area di perdita è pari al 5.8% dell’area totale e quindi l’investimento non si presenta come molto rischioso. Si può facilmente intuire che tuttavia la decisione di assumere o rifiutare l’investimento se considerato a se stante e non obbligatorio, risulta completamente soggettiva.

15

Confronto
Affrontiamo adesso il problema che nasce qualora dobbiamo scegliere frà più investimenti, e questi sono espressi in termini di numeri fuzzy. La selezione al di fuori dei casi in cui risulta ovvia dalla semplice analisi visiva, presuppone l’utilizzo di un indice o più indici di confronto la cui determinazione sottointende lo svolgimento del processo noto come “defuzzyficazione”. I metodi di defuzzyficazione sono molti: si passa da alcune metodologie semplici, ma che non sempre portano ad una soluzione in termini di scelta fra uno o un altro investimento, a metodi che risultano alquanto complessi. Il processo di defuzzyficazione occorre inoltre che sia leggibile in termini economici, ossia che il procedimento adottato per riportarsi ad un unico valore segua una linea spiegabile e accettabile da un punto di vista economico. Detto questo presentiamo di seguito due indici fra i più utilizzati. Yager semplice Perviene ad un indice così composto:
1

V al(F ) =
0

Average(Fα ) dα

Dove: 2 Il cui risultato nel caso di funzione di tipo triangolare è: V al(F ) = xa + 2xb + xc 4 Average(Fα ) = F (α) + F (α)

Supponiamo di aver ottenuto i seguenti discount cash flows, relativi a 2 investimenti: DCFA = (50, 120, 180) DCFB = (60, 135, 160) La cui rappresentazione grafica se assumiamo una funzione di membership triangolare sarà:

DCFA

DCFB

16

Quale investimento dovremo scegliere? Applicando il metodo semplice di Yager avremo i seguenti risultati. 50 + 2 · 120 + 180 = 117.5 4 60 + 2 · 135 + 160 V alB = = 122.5 4 Quindi con il metodo di Yager risulta più profittevole scegliere l’investimento “B”. V alA = Yager-Filev Questo indice viene utilizzato spesso nei casi in cui con l’utilizzo dell’indice semplice di Yager non sia possibile determinare il risultato migliore. L’indice si presenta nella seguente maniera: V al(F ) =
1 0

Average(Fα ) · f (α) dα
1 0

f (α) dα

Dove f (α) è una funzione peso, a questo riguardo Yager e Filev introdussero 2 famiglie, quelle crescenti αq e quelle decrescenti (1 − α)q .Il cui risultato nel caso di funzione di tipo triangolare sarà: • Con funzione peso crescente: V al(F ) = 1 q+1 (xa + xc ) · + xb · 2 q+2 q+2

• Con funzione peso decrescente: V al(F ) = (xa + xc ) q + 1 1 · + xb · 2 q+2 q+2

Anche l’indice ponderato può presentare dei problemi in caso di risultati particolari per cui possiamo ricorrere a tutta una serie di indici che per semplicità di trattazione enunciamo semplicemente lasciando al lettore eventualmente interessato la possibilità di uno studio più approfondito. Si faccia particolarmente riferimento all’indice della distanza di Cheng e al coefficente di variazione dell’omonimo autore.

17

Bibliografia
[1] Masao Mukaidono “Fuzzy logic for beginners”, World Scientific Publishing 2001; [2] Jaime Gil-Aluja “Handbook of Management under Uncertainty”, Kluwer Academic Publishers 2001; [3] Jaime Gil-Aluja “Investment in Uncertainty”, Kluwer Academic Publishers 2002; [4] E.H. Mamdani, B.R. Gaines “Fuzzy reasoning and its applications”, Academic Press 1981. [5] James J. Buckley, Esfandiar Eslami, Thomas Feuring “Fuzzy Mathematics in Economics and Engineering”, Physica-Verlag Heidelberg 2002; [6] A. Kaufmann, M.M. Gupta, “Introduction To Fuzzy Arithmetic”, Van Nostrand Reinhold, New York, 1985;

18