Por qué es importante
En lugar de ingresar un conjunto fijo de supuestos y llamarlo proyección, la simulación de Monte Carlo pregunta: ¿qué pasaría si la vacancia fuera del 5%? ¿Y si fuera del 15%? ¿Y si las tasas de interés subieran? Ejecuta todas esas combinaciones — frecuentemente 10,000 o más — simultáneamente y te dice con qué frecuencia el negocio genera ganancias, llega al punto de equilibrio o genera pérdidas. El resultado no es un número único, sino una curva que muestra la probabilidad de cada resultado posible. Combinada con un análisis riguroso de flujo de caja descontado, transforma una proyección estática en un panorama dinámico del riesgo. Esa es la diferencia entre conocer tu retorno esperado y conocer tu retorno probable.
De un vistazo
- Ejecuta miles de combinaciones de inputs aleatorizados a través de tu modelo de inversión en segundos
- Produce una distribución de probabilidad — por ejemplo, "73% de probabilidad de flujo de caja positivo"
- Captura riesgos correlacionados que el análisis de sensibilidad pasa por alto
- Funciona mejor cuando tienes datos históricos para definir los rangos de tus variables
- Común en el análisis institucional de bienes raíces; cada vez más accesible para inversores individuales mediante complementos de hojas de cálculo
Cómo funciona
La simulación de Monte Carlo comienza reemplazando supuestos fijos por distribuciones de probabilidad. En lugar de decir "la vacancia será del 8%", defines un rango — digamos, del 4% al 16% — y asignas una forma de distribución (frecuentemente normal o triangular). Haces esto para cada variable incierta: crecimiento del alquiler, tasa de capitalización de salida, costos de reparación y período de tenencia. El modelo entonces toma muestras aleatoriamente de cada distribución, calcula el resultado (retorno sobre efectivo, TIR, múltiplo de capital), registra el resultado y repite — típicamente 10,000 veces.
Después de miles de iteraciones, los resultados se agregan en una distribución de probabilidad. Podrías descubrir que tu inversión tiene una TIR mediana del 9.2%, una TIR en el percentil 10 del 3.1% y una TIR en el percentil 90 del 15.8%. Esto te dice mucho más que cualquier proyección de punto único. También puedes calcular la probabilidad de pérdida — algo que el análisis tradicional nunca expone explícitamente. Entender que tu inversión tiene un 12% de probabilidad de generar retornos negativos es exactamente el tipo de información que separa a los inversores disciplinados de los optimistas. Reflexionar sobre el costo de oportunidad del capital hace que esta probabilidad sea especialmente significativa.
Los inputs que eliges — y sus rangos — importan tanto como la matemática. El principio de "basura entra, basura sale" sigue aplicando. Si defines el rango de crecimiento de alquiler entre el 3% y el 5% cuando históricamente el mercado ha oscilado entre el -8% y el +12%, tu simulación será excesivamente optimista. El uso más riguroso de Monte Carlo combina datos históricos con juicio experto para establecer límites realistas. También debes considerar tu costo de capital promedio ponderado como referencia: si la mayoría de las iteraciones no superan tu tasa mínima requerida, la inversión no pasa la prueba independientemente del escenario base. Ten presente que los costos irrecuperables ya gastados no deben influir en qué escenarios pruebas; solo los flujos de caja futuros son relevantes.
Ejemplo práctico
Fernanda está analizando un edificio de 12 unidades con precio de lista de $1.4 millones. Su hoja de cálculo base muestra un retorno sobre efectivo del 8.7% utilizando una vacancia del 7%, un alquiler promedio de $1,850 y una tasa de capitalización de salida del 6.2%. Pero Fernanda ha vivido suficientes ciclos del mercado como para saber que cada uno de esos números puede moverse — y mucho.
Construye un modelo de Monte Carlo con vacancia entre el 4% y el 18%, alquiler entre $1,650 y $2,050, y tasas de capitalización de salida del 5.5% al 7.5%. Después de 10,000 iteraciones, la simulación muestra un retorno mediano del 8.4%, un retorno en el percentil 10 del 2.1% y un retorno en el percentil 90 del 14.9%. Más importante aún, revela un 18% de probabilidad de flujo de caja negativo en cualquier año determinado. Fernanda decide que la inversión es aceptable, pero negocia el precio a $1.32 millones — suficiente para reducir esa probabilidad de pérdida por debajo del 10%. También modela el costo marginal de futuras mejoras de capital dentro del modelo para que cada escenario de reparación sea aleatorizado de forma independiente. La simulación convierte una decisión basada en intuición en una cuantificada.
Pros y contras
- Revela el rango completo de resultados — no solo los escenarios optimista, pesimista y base
- Asigna probabilidades explícitas tanto a los escenarios positivos como negativos
- Captura cómo interactúan múltiples variables inciertas, lo que las tablas de sensibilidad simples no logran
- Se adapta a cualquier tipo de inversión: unifamiliar, multifamiliar, comercial o desarrollo
- Cada vez más accesible mediante complementos de Excel como @RISK y bibliotecas gratuitas de Python
- La calidad del resultado depende completamente de la precisión de tus distribuciones de inputs
- Puede generar una falsa confianza si los rangos se definen demasiado estrechos o con excesivo optimismo
- Requiere más trabajo de modelado inicial que las proyecciones DCF estándar
- Los resultados pueden ser difíciles de comunicar a socios o prestamistas no familiarizados con distribuciones de probabilidad
- Los modelos computacionalmente intensivos pueden ser lentos sin software especializado
Ten en cuenta
No trates el resultado mediano como tu nuevo "escenario base" y te detengas ahí. La mediana es útil, pero las colas de la distribución son donde se encuentra la verdadera inteligencia. Una inversión con una TIR mediana del 9% y un 25% de probabilidad de TIR por debajo del 4% es muy diferente de una con la misma mediana pero solo un 5% de probabilidad de ese resultado. Siempre examina los resultados del percentil 10 y el percentil 90 — te dicen con qué te estás comprometiendo realmente en mercados adversos y favorables.
Los riesgos correlacionados son el error de modelado más común. Las tasas de capitalización altas y los alquileres bajos frecuentemente ocurren al mismo tiempo — en una recesión, ambos se mueven en tu contra simultáneamente. Si tu simulación los trata como variables independientes, subestimará tu verdadero riesgo a la baja. Incorpora correlaciones entre variables donde los datos históricos lo respalden. Un escenario similar a 2008 que afecte vacancia, alquiler y tasa de capitalización de salida al mismo tiempo se verá mucho peor en un modelo correlacionado que en uno no correlacionado.
Monte Carlo es una herramienta de análisis, no una máquina de toma de decisiones. La simulación puede mostrarte la distribución de probabilidad de los resultados financieros, pero no puede capturar cambios regulatorios, transformaciones de vecindario o riesgo de socios. Úsala para afinar tu análisis, no para reemplazar el juicio. Los mejores inversores tratan el resultado como un insumo más junto al conocimiento del mercado y la experiencia — no como la última palabra. Una simulación sólida que supera tu tasa mínima requerida es luz verde para seguir investigando, no para cerrar el trato.
Preguntas frecuentes
Conclusión
La simulación de Monte Carlo es la forma más honesta de analizar el riesgo en bienes raíces. Al ejecutar miles de escenarios en lugar de uno, te obliga a enfrentar el rango completo de lo que podría ocurrir — no solo lo que esperas que suceda. No convertirá una mala inversión en buena, pero hará que una buena inversión sea comprensible y expondrá los riesgos ocultos dentro de un escenario base optimista. Si gestionas más de un puñado de propiedades o analizas inversiones de más de siete cifras, incorporar Monte Carlo a tu conjunto de herramientas vale cada hora que te tome configurarlo.