Hvorfor sandsynlighedssoftware er upålidelig til pensionsplanlægning

Mange af disse apps er på markedet - nogle udviklet af firmaer som Betterment, Vanguard, T. Rowe Price og Schwab, og andre solgt som abonnementsydelser til finansielle rådgivere til brug hos deres kunder. Problemet er, at brugerne får det til at tro, at de burde træffe vigtige livsbeslutninger ved hjælp af disse apps, selv om de underliggende sandsynligheder er baseret på iboende uforudsigelige resultater.

I virkeligheden er anvendelse af sandsynlighedssoftware til pensionsplanlægningsanalyse dårskab. Selv den mest sofistikerede pensionsplanlægningssoftware, der anvendes af finansielle fagfolk, er langt fra en krystalkugle.

Problemet med sandsynligheder

Manglerne i sandsynlighedsbaseret pensionssoftware, især de apps, der anvender såkaldte Monte Carlo-simuleringsteknikker, er rimeligt velkendte i faglige kredse. Et af de første akademiske papirer til at rejse spørgsmålet var en artikel fra 2006, skrevet af anerkendt pensionistforsker og professor i York University of Toronto, professor Moshe Milevsky, der noterede sig i sin introduktion:

"Som de fleste investeringsrådgivere har vidst i årevis, er det naturligvis et pensionsnummer - hvis det rent faktisk eksisterer - vagt og upræcis, da det afhænger af mange økonomiske ukendte, især fremtidige aktiemarkedsafkast. Når alt kommer til alt, skal dette nummer investeres et eller andet sted for at producere indkomst, og porteføljens returproces er i sig selv tilfældig."

Ud over uforudsigelighed for fremtidige afkast fortsætter Milevsky med at dokumentere, hvordan "sandsynligheder", der produceres ved hjælp af populære pensionsprogrammer, varierer fra den ene app til den anden, afhængigt af applikationernes interne antagelser og designparametre.

Et andet akademisk studie, der blev offentliggjort i februar, konkluderede, at "rådene fra et flertal af disse værktøjer er yderst vildledende for husholdningerne."

Disse publikationer har fået nogle til at stille spørgsmålstegn ved, om pensionsplanlægningsprogrammer giver nogen værdi for forbrugerne overhovedet. Så hvilke alternativer er der?

'Back-testing' software

Finansielle rådgivere, der bruger Monte Carlo-simuleringssoftware, udtrykker ofte deres klients resultater med hensyn til sandsynligheden for et positivt resultat. I stedet for at forsøge at forudsige "sandsynligheder for succes" er måske en bedre måde at nærme sig pensionsplanlægning på fra et halvt tomt perspektiv.

Hvad du virkelig behøver at vide, er ikke, hvordan du kan gå, hvis tingene går godt, men hvad sker der med dig, hvis en 10% mulighed for regn bliver 100% sandsynlighed for tordenvejr. Du har desperat brug for og vil vide, "Hvis tingene går dårligt på investeringsmarkederne, vil jeg stadig være ok?"

Traditionelt har historisk "back-testing" -software været brugt til dette formål. Ved at indtaste din pensionsprofil i en back-testing-app, kan du teste, hvordan din portefølje måske har gået, hvis du var gået i pension før de tidligere økonomiske nedgangstider. Mens sådanne oplysninger er nyttige og interessante for forbrugerne, har back-testing også betydelige begrænsninger.

Specielt er det usandsynligt, at tidligere afkast gentages i nøjagtig samme rækkefølge igen, og det er helt muligt, at fremtidige afkast vil blive værre end historisk erfaring.

Antag endvidere, at du ønskede at teste, hvordan din portefølje kunne holde op over en 30-årig pensionshorisont, hvis du var gået i pension i slutningen af ​​1999 (lige før bjørnemarkederne 2000-202 og 2007-'09). Fordi vi kun er i 2016, er det ikke muligt at analysere analysen i hele 30 års horisonten. Du kan ikke tilbageprøve fremtiden.

Bootstrapping teknik

En løsning på begrænsningerne ved back-testing er at anvende en simuleringsteknik kaldet bootstrapping. Mens simuleringsmotoren under emhætten i mange pensionsapplikationer kræver programdesigneren at tage antagelser om forventede gennemsnitlige afkast og volatilitet for forskellige aktivklasser, kræver bootstrapping ingen sådanne antagelser. Simuleringer produceres i stedet ved stikprøveudtagning af historiske afkast.

Hvis der genereres tilstrækkelige simuleringer - typisk mindst 5.000 - kan det mediane resultat forventes at være stort set i overensstemmelse med historiske gennemsnit. Ved at overveje rækkevidden af ​​resultaterne under medianen kan bootstrapping-programmer illustrere scenarier, der viser under-gennemsnitlige investeringsafkast, med værdiskatistikstatistikken (resultaterne nederst 1%, 5% og 10%), der repræsenterer scenarier, der kan være så dårlige som eller værre end den historiske rekord.

F.eks. Viser nedenstående tabel resultaterne for opstartssimulering for en 65-årig investor med en 25-årig pensionshorisont, en initialportefølje på $ 1 million og en 70-til-30-aktieobligationspension. I dette eksempel kræver investoren en $ 50.000 (5%) første års tilbagetrækningshastighed og en 3% årlig leveomkostninger-stigning derefter. Han estimerer sin årlige investeringsomkostning på 1% og har oplyst, at han forventer at trække sig proportionelt fra hver aktivaklasse hvert år og genbalancere for at bevare sin 70 til 30-tildeling.

Ved at fokusere på den nederste halvdel af resultaterne og vise simuleringsområdet i femårige intervaller over tidsperioden, kan du få en langt mere håndgribelig følelse af, hvorvidt og hvor længe dine besparelser kan vare. Ved at præsentere dataene i dette format er det let at teste, hvordan ændringsfaktorer, der ligger inden for din kontrol (udgiftsbeløb, tilbagetrækningsstrategi, aktivfordeling, investeringsudgifter) kan påvirke resultaterne.

For at være klar er der absolut ingen forudsigelser i disse simuleringsresultater, og simuleringsprocentiler bør ikke ses som sandsynligheder. I stedet repræsenterer de værste resultater kun potentielle scenarier, der kan bruges til at give dig et klarere billede af, hvad der kan ske, hvis tingene går dårligt.

Selvom bootstrapping tilbyder en pæn måde at illustrere disse data på, er det heller ikke uden sine fejl og begrænsninger. I dette eksempel blev bootstrapping kun anvendt på historiske aktiemarkedsdata fra 1970 til 2014. Obligationsdelen af ​​porteføljen antages at være en konstant 2% om året, hvilket rimeligt afspejler det afkast, en investor kan tjene i dag om fem år CD eller 10-årig Treasury. Den kendsgerning, at bootstrapping-simuleringer ikke blev anvendt på historiske obligationsdata, afspejler en begrænsning, der ses i de fleste pensionsapplikationer, idet udbyttet på obligationer i dag ligger tæt på bunden af ​​den historiske ekstrem. Som følge heraf kan enhver Monte Carlo-applikation, der genererer tal baseret på gennemsnitlige historiske obligatoriske afkast eller en bootstrapping-simulering, der tilfældigt prøver stikpræmier af historisk obligationsindeks, producere alt for optimistiske resultater.

Med enhver pension planlægning app, er djævelen i detaljerne. Forbrugere og rådgivere ville gøre det godt at tage sig tid til at forstå de antagelser og begrænsninger, der er forbundet med enhver pensionsplanlægning.

John H. Robinson er ejer af Financial Planning Hawaii og en medstifter af Nest Egg Guru, en pensionsplanlægningsprogram for finansielle fagfolk.

Billede via iStock.