Dlaczego oprogramowanie prawdopodobieństwa nie jest wiarygodne w planowaniu emerytalnym

Wiele z tych aplikacji jest dostępnych na rynku - niektóre zostały opracowane przez firmy takie jak Betterment, Vanguard, T. Rowe Price i Schwab, a inne sprzedawane jako usługi subskrypcyjne dla doradców finansowych do użytku z ich klientami. Problem polega na tym, że użytkownicy są przekonani, że powinni podejmować ważne życiowe decyzje za pomocą tych aplikacji, nawet jeśli podstawowe prawdopodobieństwa są oparte na nieodłącznie nieprzewidywalnych rezultatach.

W rzeczywistości stosowanie oprogramowania probabilistycznego do analizy planowania emerytalnego jest głupotą. Nawet najbardziej wyrafinowane oprogramowanie do planowania emerytury stosowane przez profesjonalistów finansowych jest dalekie od kryształowej kuli.

Problem z prawdopodobieństwami

Wady oprogramowania opartego na prawdopodobieństwie przejścia na emeryturę, szczególnie tych aplikacji, które stosują tak zwane techniki symulacji Monte Carlo, są dość dobrze znane w środowiskach zawodowych. Jednym z pierwszych artykułów naukowych, które podniosły tę kwestię, był artykuł napisany przez renomowanego badacza emerytalnego z 2006 roku i profesora z Yorku na Uniwersytecie w Toronto Moshe Milevsky, który zauważył we wstępie:

"Oczywiście, jak większość doradców inwestycyjnych zna od lat, liczba emerytalna - jeśli rzeczywiście istnieje - jest niejasna i nieprecyzyjna, ponieważ zależy od wielu gospodarczych niewiadomych, w szczególności przyszłych zwrotów z rynku akcji. Wszakże ta liczba musi zostać zainwestowana gdzieś w celu uzyskania dochodu, a proces zwrotu portfela jest z natury losowy."

Oprócz nieprzewidywalności przyszłych zwrotów, Milevsky kontynuuje dokumentowanie, w jaki sposób "prawdopodobieństwa" produkowane przez popularne aplikacje emerytalne różnią się w zależności od aplikacji, w zależności od wewnętrznych założeń i parametrów projektowych aplikacji.

W innym badaniu akademickim, opublikowanym w lutym, stwierdzono, że "porady udzielone przez większość tych narzędzi są niezwykle mylące dla gospodarstw domowych".

Publikacje te skłoniły niektórych do zakwestionowania, czy oprogramowanie do planowania emerytalnego oferuje jakąkolwiek wartość dla konsumentów. Jakie istnieją alternatywy?

Oprogramowanie "Back-testing"

Doradcy finansowi korzystający z oprogramowania symulacyjnego Monte Carlo często wyrażają wyniki swoich klientów pod względem prawdopodobieństwa pozytywnego wyniku. Zamiast próbować przewidywać "prawdopodobieństwo sukcesu", być może lepszym sposobem podejścia do planowania emerytalnego jest perspektywa pustej szklanki.

To, co naprawdę musisz wiedzieć, nie jest tym, w jaki sposób możesz się opłacić, jeśli wszystko pójdzie dobrze, ale co stanie się z tobą, jeśli 10% prawdopodobieństwo deszczu zmieni się w 100% prawdopodobieństwo burzy z piorunami. Rozpaczliwie potrzebujecie i chcecie wiedzieć: "Jeśli sprawy na rynku inwestycyjnym pójdą źle, czy nadal będę w porządku?"

Tradycyjnie do tego celu wykorzystywano historyczne oprogramowanie "back-testing". Po wprowadzeniu profilu emerytalnego do aplikacji testowej możesz sprawdzić, jak radził sobie Twój portfel, jeśli przeszedłeś na emeryturę przed wcześniejszymi spowolnieniami gospodarczymi. Chociaż takie informacje są użyteczne i interesujące dla konsumentów, weryfikacja historyczna ma również poważne ograniczenia.

W szczególności powrót do przeszłości prawdopodobnie nie powtórzy się dokładnie w tej samej kolejności i jest całkowicie możliwe, że przyszłe zyski będą gorsze niż doświadczenia historyczne.

Co więcej, załóżmy, że chciałeś przetestować, jak twoje portfolio może wytrzymać ponad 30-letni okres emerytury, jeśli przeszedłeś na emeryturę pod koniec 1999 roku (tuż przed rynkami niedźwiedzi 2000-2002 i 2007 -09). Ponieważ jesteśmy dopiero w 2016 r., Analiza w pełnym 30-letnim horyzoncie czasowym nie jest możliwa. Nie możesz przetestować przyszłości.

Technika bootowania

Jednym z rozwiązań ograniczeń wstecznego testowania jest zastosowanie techniki symulacji zwanej bootstrapping. Podczas gdy silnik symulacyjny pod maską wielu aplikacji emerytalnych wymaga od projektanta programu przyjęcia założeń dotyczących oczekiwanych średnich stóp zwrotu i zmienności dla różnych klas aktywów, ładowanie początkowe nie wymaga takich założeń. Symulacje są tworzone zamiast losowego próbkowania historycznych zwrotów.

Jeśli wygeneruje się wystarczającą liczbę symulacji - zwykle co najmniej 5000 - można oczekiwać, że mediana wyników będzie z grubsza zgodna z historycznymi wartościami średnimi. Biorąc pod uwagę zakres wyników poniżej mediany, programy ładowania początkowego mogą zilustrować scenariusze pokazujące poniżej średniej zwrotu z inwestycji, ze statystykami wartości zagrożonej (najniższy wynik 1%, 5% i 10%) reprezentującymi scenariusze, które mogą być tak złe tak samo lub gorzej niż historyczny zapis.

Na przykład poniższa tabela pokazuje wyniki symulacji ładowania początkowego dla 65-letniego inwestora z 25-letnim horyzontem emerytalnym, początkową wartością portfela wynoszącą 1 milion USD i alokacją emerytalną w wysokości od 70 do 30 obligacji. W tym przykładzie inwestor wymaga 50 000 USD (5%) wypłaty pierwszego roku i 3% rocznego wzrostu kosztów życia po tym okresie. Ocenia on roczny koszt inwestycji na poziomie 1% i stwierdził, że spodziewa się, że będzie wycofywał się proporcjonalnie z każdej klasy aktywów każdego roku i zachowuje równowagę, aby utrzymać alokację od 70 do 30.

Koncentrując się na dolnej połowie wyników i wyświetlając zakres symulacji w pięcioletnich odstępach w danym okresie, można uzyskać znacznie bardziej namacalne poczucie, czy i jak długo mogą trwać Twoje oszczędności. Co więcej, prezentując dane w tym formacie, łatwo jest przetestować, w jaki sposób zmieniające się czynniki, które są pod Twoją kontrolą (kwota wydatków, strategia wycofania, alokacja aktywów, nakłady inwestycyjne) mogą wpłynąć na wyniki.

Aby było jasne, nie ma absolutnie nic przewidywalnego w tych wynikach symulacji, a percentyle symulacji nie powinny być postrzegane jako prawdopodobieństwa. Zamiast tego, najgorsze wyniki stanowią jedynie potencjalne scenariusze, które można wykorzystać, aby uzyskać bardziej przejrzysty obraz tego, co może się stać, jeśli coś pójdzie nie tak.

Podczas ładowania początkowego oferuje schludny sposób zilustrowania tych danych, ale nie jest również bez wad i ograniczeń. W tym przykładzie bootstrap został zastosowany tylko do historycznych danych giełdowych w latach 1970-2014. Zakłada się, że część portfela obligacji stanowi stałą wartość 2% rocznie, co w sposób uzasadniony odzwierciedla zwrot, jaki może uzyskać dziś inwestor na pięć lat. CD lub 10-letni skarb. Fakt, że symulacje ładowania początkowego nie zostały zastosowane do danych historycznych dotyczących obligacji, odzwierciedla ograniczenia obserwowane w większości aplikacji emerytalnych, ponieważ rentowności obligacji dziś znajdują się blisko dna historycznej skrajności. W rezultacie każda aplikacja Monte Carlo, która generuje liczby na podstawie średniej historycznej stopy zwrotu lub każdej symulacji ładowania, która losowo pobiera próbki z powrotem do indeksu obligacji historycznych, może przynieść nadmiernie optymistyczne wyniki.

Przy każdej aplikacji do planowania emerytury diabeł tkwi w szczegółach. Zarówno konsumenci, jak i doradcy powinni dobrze poświęcić czas na zrozumienie założeń i ograniczeń związanych z każdym planowaniem emerytalnym.

John H. Robinson jest właścicielem Financial Planning Hawaii i współzałożycielem Nest Egg Guru, oprogramowania do planowania emerytalnego dla profesjonalistów finansowych.

Zdjęcie przez iStock.