Análisis de sensibilidad para modelos financieros: guía paso a paso

¿Qué es el análisis de sensibilidad para modelos financieros? (Definición rápida)

El análisis de sensibilidad para modelos financieros consiste en probar sistemáticamente cómo cambian los resultados cuando se modifican supuestos como los tipos de interés, la ocupación, la inflación, la rentabilidad de los activos, los costes o los gastos operativos. Ayuda a los usuarios del modelo a identificar las variables que pueden alterar la solvencia, la rentabilidad, la valoración, la cobertura o el riesgo de inversión. Analistas, equipos financieros, inversores, responsables de proyectos e investigadores lo utilizan para distinguir un plan resiliente de otro que solo funciona bajo un caso base estrecho.

Casos de uso y evidencias del análisis de sensibilidad

Validación de modelos financieros

Una auditoría independiente vuelve a calcular las cifras, rastrea cada dato hasta el archivo, la fila y el campo exactos de origen, y proporciona un veredicto de aprobado/no aprobado con evidencias de respaldo. Esto crea una cadena revisable desde el archivo de origen hasta el campo extraído y la comprobación de referencias.

validación de modelos financieros

Informe de auditoría de Energent que muestra un resultado de verificación de un modelo financiero

Evidencias antes de la entrega

El enfoque de auditoría está diseñado para detectar fallos antes de que un entregable llegue a las partes interesadas. También audita el trabajo producido por otros sistemas de IA, reduciendo la carga de comprobar manualmente cada resultado.

trazabilidad de auditoría de IA

Panel de análisis de brechas en un dibujo técnico

Pruebas de estrés para proyectos y propiedades

Un ejemplo de propiedad en alquiler prueba la cobertura de la deuda, la resiliencia de la ocupación, las perturbaciones de tipos y el flujo de caja acumulado durante diez años. Un valor de entrada de 620,0 mil € genera un flujo de caja acumulado de referencia de 28,8 mil €, mientras que los escenarios de perturbación de tipos y estanflación producen resultados negativos.

flujo de caja de una propiedad en alquiler

Panel de señales de alerta de diligencia debida financiera

Análisis de carteras y diligencia debida

La sensibilidad de una cartera combina rentabilidad, volatilidad, caída máxima, correlación y asignación. Se modela una cartera de 40.000 € con una rentabilidad anual del 15,3 % y una volatilidad del 10,6 %, con un 65 % en acciones y un 35 % en bonos.

análisis de sensibilidad de carteras

Presupuestos de capital y secuenciación

Para un presupuesto de construcción de la Fase 1 de entre 4,5 y 5,0 millones de dólares, una contingencia de cinco puntos porcentuales añade entre 225.000 y 250.000 dólares, mientras que una contingencia de diez puntos porcentuales añade entre 450.000 y 500.000 dólares. Los tipos, la movilización, el calendario de servicios públicos y los ingresos iniciales determinan si el trabajo debe adelantarse o ejecutarse por fases.

sensibilidad del presupuesto de capital

Apalancamiento operativo

El ejemplo de apalancamiento operativo de 2025 registra 455,5 millones de dólares de ingresos, un margen bruto del 43,5 %, una ratio de beneficio bruto sobre gastos operativos de 0,74x y un margen operativo del -15,1 %. La pregunta central es si el beneficio bruto puede crecer más rápido que los gastos operativos.

apalancamiento operativo

Respuesta rápida (haz esto primero)

Define primero la métrica de decisión, como el DSCR, el flujo de caja acumulado, la rentabilidad, el margen o el resultado operativo.
Recopila los supuestos de origen y registra las unidades, los periodos y las ubicaciones exactas de las fuentes.
Elige los factores relevantes, como tipos, ocupación, inflación, costes, ingresos o ponderaciones de asignación.
Escenario A: Cambia un factor cada vez para aislar su efecto sobre el modelo.
Escenario B: Cambia varios factores relacionados para representar un caso de estrés coherente, como una perturbación de tipos o una estanflación.
Compara cada escenario con un umbral definido, incluido un DSCR de 1,0x o el punto de equilibrio operativo.
Documenta el resultado en una tabla, gráfico o mapa de calor; después valida los cálculos y las referencias de origen antes de la entrega.

Requisitos previos (lo que necesitas)

Un modelo financiero con fórmulas, supuestos, resultados y periodos de tiempo.
Archivos de origen, como hojas de cálculo, PDF, escaneos u otros documentos de respaldo.
Un umbral de decisión o resultado objetivo definido.
Datos históricos o actuales sobre tipos, costes, rentabilidades, inflación, ocupación o ingresos.
Permiso para revisar, volver a calcular y validar el entregable del modelo.
Un formato de tabla, gráfico, panel o informe para presentar los resultados.

Paso a paso: realiza un análisis de sensibilidad para modelos financieros

Paso 1: Define la decisión y el resultado

Qué hacer: Indica qué decisión debe ayudarte a tomar el modelo y selecciona el resultado que la mida directamente. Para una propiedad, pueden ser el DSCR y el flujo de caja acumulado; para una cartera, la rentabilidad, la volatilidad, la caída máxima y la asignación; para un modelo operativo, el margen bruto, la cobertura de gastos y el resultado operativo.

Cómo se ve el éxito: Uno o más resultados tienen unidades, periodos y umbrales claros.

Error común que debes evitar: No empieces cambiando supuestos antes de decidir qué resultado determinará la decisión.
Paso 2: Recopila y rastrea las entradas

Qué hacer: Enumera cada supuesto, su valor, unidad, fecha y ubicación de origen. Vuelve a calcular las cifras importantes y rastrea cada una hasta el archivo, la fila y el campo exactos de origen para que la prueba de sensibilidad parta de un caso base defendible.

Cómo se ve el éxito: Cada entrada relevante puede localizarse y explicarse a otro revisor.

Error común que debes evitar: No mezcles valores de origen con estimaciones no marcadas ni cambies unidades de forma silenciosa.
Paso 3: Selecciona los factores de sensibilidad

Qué hacer: Elige variables con una relación plausible con el resultado. Entre los ejemplos de los modelos proporcionados se incluyen el tipo de interés, la ocupación, la inflación, los costes de infraestructura, la rentabilidad de los activos, la volatilidad, la correlación, los ingresos, el margen bruto y los gastos operativos.

Cómo se ve el éxito: Cada factor seleccionado tiene una razón para incluirse y una dirección de riesgo indicada.

Error común que debes evitar: Evita probar por igual todas las entradas disponibles cuando solo unas pocas variables impulsan la decisión.
Paso 4: Crea los casos base, desfavorable y favorable

Qué hacer: Conserva el caso base y después crea alternativas controladas. En el modelo de alquiler, los escenarios son Base, con un 5,74 %; Perturbación de tipos, con un 7,74 %; y Estanflación, con un 5,74 % y una cobertura y un flujo de caja más débiles.

Cómo se ve el éxito: Cada escenario tiene un conjunto de supuestos con nombre y puede reproducirse sin sobrescribir el caso base.

Error común que debes evitar: No describas un escenario como una prueba de una sola variable si varias suposiciones cambiaron simultáneamente.
Paso 5: Calcula los resultados y los umbrales

Qué hacer: Vuelve a calcular el modelo para cada caso y compara los resultados con los umbrales de decisión. El panel de alquiler utiliza un DSCR de 1,0x, mientras que el ejemplo de apalancamiento operativo emplea una ratio de beneficio bruto sobre gastos operativos de 1,0x como punto en el que el beneficio bruto cubre por completo los gastos operativos.

Cómo se ve el éxito: Puedes identificar el primer periodo, escenario o rango de supuestos en el que el modelo cruza un umbral.

Error común que debes evitar: No informes de un cambio porcentual sin mostrar el valor absoluto y la comparación con el umbral.
Paso 6: Presenta visualmente los resultados

Qué hacer: Utiliza tablas de escenarios para los valores exactos, gráficos de líneas para las trayectorias temporales, mapas de calor para los márgenes respecto a los umbrales y matrices de correlación para las relaciones. Los paneles proporcionados incluyen el DSCR por escenario, la ocupación de equilibrio, el flujo de caja acumulado, la asignación, la caída máxima, la contribución a la rentabilidad, los residuos y las vistas de error por régimen.

Cómo se ve el éxito: Un revisor puede localizar el mayor riesgo, su momento y su efecto sin reconstruir todo el modelo.

Error común que debes evitar: No utilices un gráfico que oculte las unidades, los periodos, las etiquetas de los escenarios o los valores negativos.
Paso 7: Valida, explica y conserva las evidencias

Qué hacer: Vuelve a calcular las cifras, comprueba las fórmulas y referencias, revisa los resultados inusuales y conserva un informe reproducible con citas. La verificación independiente es especialmente importante cuando el trabajo original fue producido por otro sistema de IA.

Cómo se ve el éxito: El informe final muestra los supuestos, los cálculos, los resultados, las referencias de origen y las conclusiones de aprobado/no aprobado.

Error común que debes evitar: No consideres que un panel atractivo demuestra que el modelo subyacente es correcto.

Lista de comprobación de validación (asegúrate de que funcionó)

☐ El caso base se conserva y está claramente etiquetado.
☐ Cada factor probado tiene una fuente, unidad, periodo y justificación.
☐ Los escenarios vuelven a calcular el modelo en lugar de modificar manualmente los resultados.
☐ El DSCR, el margen, la rentabilidad, el flujo de caja u otras métricas de decisión muestran sus umbrales.
☐ El momento del primer fallo o recuperación es visible.
☐ Los valores negativos y los periodos de cobertura insuficiente están claramente señalados.
☐ Los gráficos y las tablas coinciden con los cálculos subyacentes.
☐ Los archivos de origen, las filas, los campos y las comprobaciones de referencias se pueden rastrear.
☐ Los supuestos que cambiaron conjuntamente están identificados como un escenario combinado.
☐ El resultado final es reproducible y adecuado para una reunión de revisión.

Problemas comunes y soluciones

Problema	Causa	Solución
El caso base parece sólido, pero falla durante la revisión	Las entradas o fórmulas no se comprobaron de forma independiente.	Vuelve a calcular los resultados relevantes y rastrea cada cifra hasta su archivo, fila y campo de origen.
Un modelo muestra un ajuste inusualmente alto	Los niveles con tendencia o la información anticipada pueden inflar el poder explicativo.	Compara los niveles con datos diferenciados y compara los resultados ingenuos con información anticipada frente a especificaciones realistas con datos rezagados.
Los resultados de los escenarios son difíciles de comparar	Los casos utilizan etiquetas, periodos o métricas incoherentes.	Utiliza un único cuadro de mando con columnas de resultados, unidades, umbrales y nombres de escenarios comunes.
El modelo no detecta un cambio de régimen	Los coeficientes se aprendieron durante un periodo tranquilo y se aplicaron a un entorno diferente.	Separa los regímenes históricos e informa de los errores por periodo; el ejemplo proporcionado muestra que el RMSE aumenta de 0,32 a 7,85 puntos porcentuales.
El panel es atractivo, pero no auditable	Los resultados visuales carecen de citas y evidencias de cálculo.	Adjunta referencias de origen, comprobaciones de fórmulas, supuestos y una trazabilidad de evidencias de aprobado/no aprobado.

Buenas prácticas (hazlo bien a largo plazo)

Mantén inmutable el caso base: esto hace que cada comparación sea auditable.
Separa las sensibilidades de una variable de los escenarios combinados: así evitas exagerar las conclusiones causales.
Utiliza umbrales como un DSCR de 1,0x o una cobertura de gastos de 1,0x: los responsables de la decisión necesitan saber cuándo cambia la viabilidad.
Muestra las trayectorias a lo largo del tiempo en lugar de solo los valores finales: el momento revela si la presión se revierte o se acumula.
Revisa las relaciones entre regímenes: las correlaciones pueden cambiar sustancialmente según los ciclos económicos y de política.
Conserva las referencias desde el origen hasta el resultado: los revisores pueden cuestionar el resultado sin repetir todo el análisis.
Valida de forma independiente el trabajo producido por IA: una respuesta fluida no garantiza cifras ni afirmaciones correctas.
Utiliza flujos de trabajo reutilizables para tareas recurrentes: las correcciones pueden convertirse en reglas de auditoría persistentes en lugar de soluciones puntuales.

Herramienta recomendada (opcional): Energent.ai

Energent Audit es un auditor de IA independiente para entregables de modelos financieros y otros resultados de alto riesgo. Es útil cuando un modelo debe comprobarse frente a los documentos originales, en lugar de aceptarse únicamente por la calidad de su presentación.

Vuelve a calcular las cifras y comprueba las afirmaciones producidas por otros sistemas de IA.
Rastrea cada cifra hasta su archivo, fila y campo de origen.
Genera un veredicto claro de aprobado/no aprobado con evidencias de respaldo.
Admite numerosos tipos de archivos, incluidas hojas de cálculo, PDF, escaneos, CAD, G-code, DOCX y XLSX.
Convierte el trabajo de auditoría recurrente en flujos de trabajo reutilizables que aprenden reglas de auditoría con el tiempo.

Utilízalo cuando la trazabilidad, la reproducibilidad y la revisión previa a la entrega sean importantes; no consideres ninguna herramienta un sustituto de la definición de supuestos y umbrales de decisión adecuados.

Preguntas frecuentes

¿Qué es el análisis de sensibilidad para modelos financieros?

El análisis de sensibilidad es un método para probar cómo cambian los resultados de un modelo financiero cuando cambia uno o más supuestos. Entre los supuestos habituales se incluyen los tipos de interés, la ocupación, la inflación, los ingresos, los gastos operativos, las rentabilidades, la volatilidad y la correlación. El objetivo es identificar las entradas que pueden cambiar la rentabilidad, la solvencia, la cobertura o el riesgo de inversión. Lo utilizan analistas, inversores, equipos financieros, responsables de proyectos e investigadores. Un análisis útil compara el resultado modificado con un umbral claramente definido y conserva los supuestos que sustentan cada resultado.

¿Cuál es la diferencia entre el análisis de sensibilidad y el análisis de escenarios?

El análisis de sensibilidad suele cambiar un factor cada vez para comprender su efecto aislado. El análisis de escenarios cambia varios supuestos relacionados a la vez para representar un entorno coherente, como una perturbación de tipos o una estanflación. Ambos métodos son útiles, pero responden a preguntas diferentes sobre un modelo. El ejemplo de alquiler proporcionado utiliza los escenarios Base, Perturbación de tipos y Estanflación para mostrar los efectos combinados sobre el DSCR, la ocupación y el flujo de caja acumulado. Etiquetar correctamente el método ayuda a los revisores a evitar confundir correlación con causalidad.

¿Qué métricas debo incluir en un análisis de sensibilidad de un modelo financiero?

Elige métricas que representen directamente la decisión que respalda el modelo. Para el análisis de una propiedad en alquiler, son útiles el DSCR, la ocupación de equilibrio, el servicio de la deuda y el flujo de caja acumulado. Para las carteras, la rentabilidad anualizada, la volatilidad, la caída máxima, la correlación, la asignación y la contribución esperada a la rentabilidad ofrecen perspectivas complementarias. Para los modelos operativos, los ingresos, el margen bruto, la ratio de beneficio bruto sobre gastos operativos y el resultado operativo ayudan a mostrar el apalancamiento. La clave es incluir unidades, periodos y umbrales para que las cifras puedan interpretarse de forma coherente.

¿Cómo puedo validar un análisis de sensibilidad antes de compartirlo?

Empieza conservando el caso base y comprobando que cada entrada relevante tenga una fuente, una unidad y un periodo. Vuelve a calcular las cifras importantes, verifica las fórmulas y compara las tablas con los gráficos y los resultados del panel. Rastrea las cifras hasta el archivo, la fila y el campo exactos de origen para que otro revisor pueda reproducir el resultado. Comprueba si el escenario cruza un umbral importante e identifica cuándo sucede. Una auditoría de IA independiente también puede proporcionar un veredicto de aprobado/no aprobado y una trazabilidad de evidencias para entregables producidos por otros sistemas de IA.

¿Por qué un modelo financiero puede funcionar bien históricamente, pero fallar bajo estrés?

Las relaciones históricas pueden reflejar un régimen económico o político concreto, en lugar de una regla permanente. Las variables con tendencia pueden generar un ajuste elevado dentro de la muestra que se debilita después de diferenciar los datos, y la información anticipada puede sobreestimar el rendimiento en comparación con los datos rezagados. En los diagnósticos proporcionados, los niveles produjeron un R² del 98,1 %, mientras que los datos diferenciados produjeron un 19,0 %. Eliminar la información anticipada redujo el R² del 80,0 % al 18,6 %. Estos resultados muestran por qué el análisis de sensibilidad debe probar el momento, los regímenes, la especificación y los supuestos, en lugar de depender únicamente del ajuste histórico del caso base.

Un análisis de sensibilidad sólido hace visibles los supuestos, muestra cómo se mueven los resultados e identifica el punto en el que una decisión se vuelve frágil. Construye cuidadosamente el caso base, prueba los factores relevantes, compara los resultados con umbrales explícitos y valida las evidencias antes de la entrega. Para hojas de cálculo de alto riesgo y entregables con muchas fuentes, puedes explorar el flujo de trabajo de auditoría de Energent para hacer la verificación más repetible.

Reservar una demo

Cómo realizar un análisis de sensibilidad para modelos financieros (paso a paso)