Simulación de Monte Carlo en DCF: qué aporta a la valoración de empresas

Simulación de Monte Carlo:

Imagine que le preguntan cuánto vale su empresa y usted responde con una única cifra exacta: “12.437.000 euros”. Suena serio, riguroso, definitivo. Y sin embargo, esa precisión es en buena medida un espejismo. Detrás de ese número hay decenas de supuestos sobre el futuro —cuánto crecerán las ventas, qué margen tendrá, cuánto habrá que invertir— y ninguno de ellos es una certeza. La pregunta interesante no es solo cuánto vale, sino qué confianza podemos tener en esa cifra y cuánto podría desviarse. De eso trata este artículo, que profundiza en una técnica que enriquece el más riguroso de los métodos de valoración de empresas: el descuento de flujos de caja.

El método correcto… y su punto débil

El descuento de flujos de caja (DCF) lleva décadas siendo el estándar para valorar una empresa en funcionamiento. Su lógica es impecable: una compañía vale lo que valen hoy todos los flujos de caja que generará en el futuro, descontados a una tasa que refleja su riesgo. Como dice el profesor Pablo Fernández, del IESE, valorar una empresa consiste en tratarla como lo que es, un ente generador de flujos de fondos.

La valoración de una empresa es un ejercicio de sensatez que requiere unos pocos conocimientos técnicos y mejora con la experiencia.  — Pablo Fernández, IESE

El problema no está en la teoría, sino en la práctica. Un DCF tradicional obliga a clavar un número fijo para cada variable durante años: las ventas crecerán exactamente un 5 %, el margen será del 15 %, el coste de capital del 8 %. Y aquí llega la trampa: la probabilidad de que todas esas predicciones se cumplan a la vez, año tras año, es prácticamente nula. Estamos convirtiendo un futuro incierto y cambiante en un guion rígido escrito en piedra.

Para colmo, el DCF es extremadamente sensible. Un cambio de apenas un punto en el coste de capital (WACC) puede mover la valoración un 10 o un 15 %. Y hay un detalle que sorprende a mucha gente: en un negocio en marcha, entre el 60 % y el 80 % del valor total suele venir del valor terminal, es decir, de lo que asumimos que pasará más allá del horizonte de proyección, a perpetuidad. Dicho de otro modo: la mayor parte del valor descansa sobre los supuestos más difíciles de estimar.

¿Y las tablas de sensibilidad y los tres escenarios de siempre (pesimista, base, optimista)? Ayudan, pero se quedan cortos. Mueven una o dos variables cada vez mientras congelan el resto, cuando en la realidad todo está conectado: si caen las ventas, también se resiente el margen y cambian los cobros. Y, sobre todo, no dicen qué probabilidad tiene cada escenario. Saber que en el mejor caso la empresa vale 80 y en el peor 10 no ayuda demasiado a decidir. Un DCF puntual no elimina la incertidumbre: simplemente la esconde.

Monte Carlo: de una foto a una película

Aquí entra en juego una idea con una historia curiosa. En 1946, el matemático Stanislaw Ulam se recuperaba de una enfermedad haciendo solitarios. Se preguntó qué probabilidad tenía de ganar una partida y, tras pelearse con el cálculo teórico, tuvo una intuición genial: en lugar de resolver la fórmula, era más práctico jugar cien veces y contar cuántas salían. Ese principio —simular muchas veces y observar el resultado— se convirtió, junto a Von Neumann, en el método Monte Carlo, bautizado así por el casino donde un tío de Ulam solía jugar.

Aplicado a una valoración, la idea es sencilla. En lugar de meter un número fijo en cada variable, metemos un rango de posibilidades con su probabilidad. El ordenador recalcula el DCF miles de veces, cada una con una combinación distinta de supuestos, y al final no obtenemos un número, sino una distribución completa de valores posibles. Si el DCF tradicional es una fotografía —nítida pero congelada—, Monte Carlo es la película entera.

¿Y de dónde salen esos rangos de posibilidades? No de la imaginación. Para cada variable se elige una forma que refleje cómo se comporta en la realidad.

El crecimiento de ventas, por ejemplo, no puede caer por debajo de −100 %, así que no tiene sentido tratarlo como una campana simétrica perfecta. El margen tiene topes naturales por arriba y por abajo. La tasa de descuento se mueve en una banda estrecha. Y hay una pieza que separa una buena simulación de una mala: las relaciones entre variables. Si el modelo permite, en la misma jugada, un crecimiento récord con un margen hundido sin ninguna razón operativa, estaremos midiendo escenarios que no existen. La clave está en preguntarse qué cosas empeoran juntas cuando llega una recesión, y reflejarlo.

Conviene evitar malentendidos: Monte Carlo no arregla un DCF ni da un valor “más exacto”. De hecho, la media de la simulación suele parecerse mucho al DCF de siempre. Lo que cambia es que ahora conocemos la forma de la incertidumbre. Como resume bien la idea: no da un valor mejor, da una mejor comprensión del valor. Y esa comprensión es, muchas veces, lo que separa una buena decisión de una mala.

Qué aporta de verdad

Traducido a lo que importa en una operación real, el método responde a preguntas que una cifra única no puede contestar:

• Un rango con probabilidades. En vez de “la empresa vale X”, obtenemos frases como “hay un 80 % de probabilidad de que valga entre 41 y 59 millones”. Eso es infinitamente más útil para negociar.
• El riesgo de perder. Un comprador o un fondo puede calcular la probabilidad exacta de que el valor quede por debajo del precio que va a pagar, o de que la rentabilidad no alcance su objetivo mínimo.
• Diseñar earn-outs con cabeza. Cuando comprador y vendedor no se ponen de acuerdo en el precio, se recurre al pago aplazado condicionado a que la empresa alcance ciertos objetivos. Monte Carlo permite calcular qué probabilidad hay de que ese objetivo se cumpla y ponerle un valor razonable, cerrando la brecha sin pleitos futuros.

Este último punto merece un ejemplo, porque es de los que más operaciones desatasca. Imaginemos que el vendedor pide 54 millones y el comprador no quiere pasar de 46 al cierre porque no las tiene todas consigo sobre el crecimiento futuro. En lugar de romper la negociación, se acuerda un pago fijo de 46 millones más un earn-out de 8 millones que se abonará dentro de dos años, pero solo si el EBITDA supera cierto umbral. ¿Cuánto vale hoy ese pago condicionado?

Un DCF tradicional lo trata como un “sí o no” demasiado simple. La simulación, en cambio, dice algo concreto: hay, pongamos, un 58 % de probabilidad de alcanzar el objetivo, lo que permite asignar al earn-out un valor razonable de unos 4,6 millones. De repente, las dos partes tienen una cifra defendible sobre la que cerrar, en vez de una intuición sobre la que discutir.

• Saber dónde mirar. El análisis revela qué variables mandan de verdad sobre el valor. Si el margen explica el 35 % de la incertidumbre y el coste de la deuda solo el 3 %, ya sabemos dónde concentrar el esfuerzo de mejora y la due diligence.
• Comunicar mejor. Una distribución explica al consejo o al banco la incertidumbre mucho mejor que un número solo. Y responde con solvencia a la pregunta inevitable: “¿y si el crecimiento es dos puntos menor?”.

Hay incluso una razón matemática de fondo (la llamada desigualdad de Jensen) por la que evaluar un modelo no lineal en su “punto medio” no da lo mismo que promediar todos los resultados posibles. En un DCF, con su descuento exponencial y su valor terminal, esa no linealidad existe, y Monte Carlo la captura mientras que el cálculo puntual la ignora. No hace falta dominar la fórmula; basta con quedarse con la conclusión: usar promedios en las entradas no garantiza obtener el promedio en la salida.

¿Con qué se hace esto? Las herramientas

Una pregunta razonable es si todo esto exige herramientas muy complejas. La respuesta es que no: hoy una simulación de cien mil escenarios se resuelve en segundos en un ordenador normal. Lo que ha cambiado no es solo la potencia de cálculo, sino la accesibilidad de las herramientas. Estas son las más habituales, de la más sencilla a la más potente:

• El propio Excel. Con sus funciones nativas (números aleatorios, distribuciones normales y logarítmicas, tablas de datos) se pueden montar simulaciones sencillas sin instalar nada. Es la puerta de entrada natural para quien ya vive en la hoja de cálculo, aunque se queda corto cuando el modelo crece o hacen falta muchas iteraciones.
• Complementos para Excel: @RISK y Crystal Ball. Son los dos add-ins de referencia, verdaderos estándares del sector. Se integran en la hoja de cálculo de siempre y añaden lo que Excel no trae de fábrica: un catálogo amplio de distribuciones, gestión de correlaciones entre variables, gráficos de tornado y muestreo eficiente. Son la opción cómoda para un equipo financiero que quiere rigor sin programar.
• Es, hoy, la herramienta preferida para trabajo serio. Gratuito y muy flexible, con librerías especializadas para estadística y cálculo (las más conocidas, NumPy y SciPy) permite construir modelos a medida, correr millones de iteraciones y documentar cada paso de forma reproducible: cualquiera puede volver a ejecutar exactamente la misma simulación. A cambio, exige saber programar un mínimo.
• Muy usado en el mundo académico y estadístico, cubre un terreno parecido a Python con paquetes específicos para simulación. Excelente para quien ya trabaja en ese entorno.

¿Cuál elegir? Depende del contexto, no del prestigio de la etiqueta. Para una valoración puntual dentro de un modelo que ya está en Excel, un complemento como @RISK o Crystal Ball suele ser lo más práctico. Para una firma que hace valoraciones a menudo y quiere trazabilidad total y flexibilidad, Python se ha convertido en el estándar. En cualquier caso, conviene recordar que la herramienta es lo de menos: una simulación impecable construida sobre hipótesis flojas seguirá siendo un mal análisis, con cualquier software.

Un ejemplo para verlo claro

Tomemos una empresa industrial con 500 millones de ventas y proyectemos diez años. El DCF tradicional, con sus supuestos centrales, arroja un valor de empresa de 801 millones. Limpio y redondo. Ahora dejamos que las variables clave se muevan dentro de rangos razonables —crecimiento, margen, coste de capital, inversión en circulante y flujo de caja libre— e incluso añadimos la posibilidad de una recesión o una expansión. Lanzamos 100.000 simulaciones. Esto es lo que aparece:

Ya no tenemos un “801” a secas, sino un abanico honesto: lo más probable ronda los 750, pero el resultado puede ir de 463 a 1.155 millones según cómo se combinen los factores. Y sabemos que hay un 21,5 % de probabilidad de quedar por debajo de 600. Esa foto no se ve en un DCF puntual, y es exactamente lo que un consejo necesita antes de aceptar o rechazar una oferta.

El análisis también confirma dónde está el nervio del asunto: el coste de capital y el margen son, con diferencia, las variables que más mueven el valor. Y recuerda esa concentración incómoda que mencionábamos: en este ejemplo, el 60 % del valor procede del valor terminal. Traducido: conviene discutir mucho más los supuestos a largo plazo de lo que solemos.

La letra pequeña: cuándo NO fiarse

Sería deshonesto vender Monte Carlo como una varita mágica. Tiene una regla de oro que en inglés suena contundente: garbage in, garbage out —si las hipótesis son basura, el resultado también lo será, por muy sofisticado que parezca el gráfico. Poner un rango bonito alrededor de números inventados no añade rigor; añade una falsa sensación de rigor, que es peor. El propio Aswath Damodaran, referencia mundial en valoración, advierte de que una simulación produce un resultado atractivo aunque las entradas sean aleatorias.

Conviene tener presentes algunas cautelas:

• No sustituye al criterio. Los modelos no valoran empresas; las valoran las personas. Monte Carlo obliga a estructurar el juicio experto, no a reemplazarlo.
• Las relaciones cambian. Una correlación histórica puede saltar por los aires tras una adquisición, un cambio de estrategia o una crisis. Calibrar solo con años tranquilos es peligroso justo para lo que más importa: los malos momentos.
• La empresa reacciona. Si caen las ventas, la dirección recorta inversión y costes; si crece, invierte más. Tratar cada variable como un dado independiente ignora esa capacidad de adaptación.

Y una cuestión de proporción: Monte Carlo no siempre compensa. Para valorar un pequeño taller cuyo valor está en la nave y la maquinaria, el método correcto es el patrimonial, no una simulación. Se reserva para operaciones donde el rango de valor es amplio, hay mucho en juego y hay un interlocutor sofisticado enfrente —un fondo de private equity, un banco, un tribunal—. En una operación pequeña, tres escenarios y una tabla de sensibilidad pueden ser más que suficientes.

Nunca un solo método: la triangulación

Por muy potente que sea, ningún método debe usarse aislado como verdad única. La buena práctica es triangular: contrastar tres perspectivas que se complementan.

Una imagen ayuda a recordarlo: los múltiplos de mercado —empezando por el EV/EBITDA— son la fotografía del mercado en este instante; el DCF es la película del potencial futuro; y el valor patrimonial es el suelo firme sobre el que se apoya todo. Juntos ofrecen una valoración mucho más defendible que cualquiera de ellos por separado. Si quiere una referencia de partida, conviene revisar los múltiplos de EBITDA por sector del mid-market español.

Por qué encaja bien en la empresa familiar

En Maraz trabajamos a diario con el middle market y la empresa familiar española, y ahí Monte Carlo brilla por motivos concretos. Estas compañías suelen arrastrar dos sombras que el mercado penaliza: la dependencia del fundador y la concentración de clientes. En lugar de esconder esos riesgos, la simulación permite cuantificarlos y ponerlos sobre la mesa con honestidad.

En una compraventa, convierte la típica guerra de cifras (“vale 10”, “no, vale 7”) en una conversación sobre un rango con probabilidades, mucho más constructiva. En valoraciones periciales, disputas entre socios o procesos de reestructuración, un rango razonado y probabilístico resulta bastante más sólido ante un juez que un número seco que la otra parte siempre podrá discutir.

Hay además un matiz muy propio de la empresa familiar. Su valor no es solo económico: incluye un componente emocional, de legado y de identidad, que ningún modelo captura del todo. Monte Carlo no resuelve eso —ninguna hoja de cálculo lo hará—, pero al menos separa con claridad la parte estrictamente económica y hace explícita su incertidumbre, lo que ayuda a que las conversaciones difíciles entre generaciones o entre ramas familiares partan de datos y no solo de expectativas.

También conviene recordar la otra cara: en una empresa familiar pequeña, cuya valoración depende sobre todo de sus activos, montar una simulación es usar un cañón para matar un mosquito. El buen asesor sabe cuándo la herramienta suma y cuándo sobra.

Cómo se lo explicamos a un cliente

Hay un error de bulto que conviene evitar: enseñar un gráfico de campana impresionante y luego rematar con “la empresa vale 772 millones”. Eso desaprovecha casi todo lo que Monte Carlo ha aportado. Y hay otro error simétrico: caer en la falsa precisión de comunicar “771.765.788 euros”. Esa cifra es exacta para el ordenador, pero absurda como mensaje, porque la incertidumbre real es de cientos de millones, no de euros sueltos.

Una buena presentación a un consejo o a una propiedad familiar cuenta la historia completa en pocas frases: el caso base ronda los 800 millones; lo más probable está cerca de 750; el rango razonable va de 463 a 1.155; hay un 21 % de probabilidad de quedar por debajo de 600; las palancas decisivas son el margen y el coste de capital; y buena parte del valor depende del largo plazo. Con esa fotografía, cualquier decisión —aceptar una oferta, fijar un precio de salida, marcar una línea roja de negociación— se toma con los ojos abiertos, no a ciegas.

Y una última cautela profesional: para una firma como la nuestra, el mayor riesgo de estas herramientas no es técnico, sino de credibilidad. Un gráfico bonito puede transmitir más autoridad de la que merece. Por eso cada distribución, cada supuesto y cada correlación deben poder justificarse y auditarse. La transparencia no es un adorno: es parte de la valoración.

Conclusiones sobre la Simulación de Monte Carlo

Un DCF tradicional le dirá que su empresa vale 801 millones. Monte Carlo añade algo más valioso: que lo más probable es que ronde los 750, que en un mal escenario podría bajar de 463, que el margen y el coste de capital son las palancas decisivas, y que buena parte del valor depende de supuestos a muy largo plazo que conviene mirar con lupa.

Esa es la aportación real del método. No sustituye el juicio: obliga a estructurarlo. No elimina la incertidumbre: la hace visible. Y no convierte una valoración en una verdad objetiva: muestra cuánto depende de lo que todavía no sabemos.

Porque en una negociación, en un consejo o ante una decisión de inversión, la pregunta madura rara vez es solo “¿cuánto vale?”. Es también: ¿qué tendría que pasar para que nos equivoquemos, con qué probabilidad y por cuánto? Y para responder a eso, un DCF con simulación Monte Carlo no tiene rival.

En Maraz Corporate Finance aplicamos estas metodologías al asesoramiento en M&A, valoración y reestructuración de empresas del middle market y familiares. Si está considerando una operación y quiere una valoración rigurosa y defendible, hablemos.

Javier de Rojas Roca de Togores

Socio - Maraz Corporate Finance

FAQs sobre Simulación de Monte Carlo

¿Monte Carlo sustituye al DCF tradicional?

No: lo complementa. La simulación usa un DCF por dentro —de hecho, lo recalcula miles de veces— y necesita que ese modelo base esté bien construido. Antes de simular nada hay que tener un DCF determinista limpio y defendible. Monte Carlo no arregla un modelo malo; lo que hace es mostrar la incertidumbre alrededor de uno bueno. Piense en ello como una capa que se añade encima, no como un método rival.

¿Para qué tipo de empresa u operación merece la pena?

Compensa cuando el rango de valor es amplio, hay mucho dinero en juego y enfrente hay un interlocutor sofisticado: una operación de compraventa (M&A), la entrada de un fondo de private equity, un informe pericial o un plan de reestructuración. En cambio, para una pequeña empresa cuyo valor está en sus activos, o cuando faltan datos para construir hipótesis creíbles, es un esfuerzo desproporcionado: bastan tres escenarios y una tabla de sensibilidad.

¿Cuántas simulaciones hacen falta?

No hay un número mágico. Diez mil suelen bastar para estabilizar el valor medio, pero si interesan los extremos —la probabilidad de un mal resultado, el peor escenario razonable— conviene subir a cien mil o más, porque las colas necesitan más observaciones para ser fiables. La regla práctica es no fijar el número por tradición, sino comprobar que los resultados clave ya no cambian al añadir más iteraciones ni al repetir la simulación.

¿No es peligroso que un gráfico tan sofisticado dé una falsa sensación de certeza?

Es el riesgo principal, y por eso conviene ser honesto: un rango bonito alrededor de hipótesis inventadas no es más fiable que una cifra única; solo lo parece. La calidad del resultado depende por completo de la calidad de las hipótesis y de las relaciones entre variables. Un buen informe no esconde eso: documenta de dónde sale cada supuesto para que pueda auditarse. La simulación es una ayuda al juicio experto, nunca su sustituto.

¿Qué herramienta se necesita para hacerlo?

Depende del caso. Si el modelo ya vive en Excel, un complemento como @RISK o Crystal Ball es lo más cómodo. Si se hacen valoraciones a menudo y se quiere trazabilidad total, Python (con librerías como NumPy y SciPy) se ha convertido en el estándar profesional, y es gratuito. Lo importante no es la etiqueta del software, sino el rigor con que se calibra el modelo.

¿Cómo encaja Monte Carlo con los demás métodos de valoración?

Como una pieza más de la triangulación de valor. El DCF con Monte Carlo aporta la visión intrínseca y probabilística; los múltiplos de mercado aportan el contraste con lo que se paga hoy por empresas parecidas; y el valor patrimonial fija el suelo. Ningún método debe usarse aislado: la valoración robusta nace de cruzar las tres perspectivas y ver dónde convergen.