Hvorfor Sannsynlighetsprogramvare er upålitelig for pensjonsplanlegging

Mange av disse appene er på markedet - noen utviklet av firmaer som Betterment, Vanguard, T. Rowe Price og Schwab, og andre solgt som abonnementstjenester til finansielle rådgivere for bruk med sine kunder. Problemet er at brukerne blir ledet til å tro at de burde ta viktige livsbeslutninger ved hjelp av disse appene, selv om de underliggende sannsynlighetene er basert på iboende uforutsigbare utfall.

I sannhet er å bruke sannsynlighetsprogramvare til pensjonsplanlegging analyse dårskap. Selv den mest sofistikerte pensjonsplanleggingsprogramvaren som brukes av økonomiske fagfolk, er langt fra en krystallkule.

Problemet med sannsynligheter

Feilene i sannsynlighetsbasert pensjonsprogramvare, spesielt de programmene som gjelder såkalte Monte Carlo-simuleringsteknikker, er rimelig kjent i profesjonelle sirkler. En av de første faglige papirene for å løse problemet var en artikkel i 2006 skrevet av anerkjent pensjonsforsker og York University of Toronto professor Moshe Milevsky, som noterte i sin introduksjon:

"Selvfølgelig, som de fleste investeringsrådgivere har kjent i årevis, er et pensjonsnummer - om det faktisk eksisterer - vett og upresent, da det avhenger av mange økonomiske ukjente, spesielt fremtidige aksjemarkedsavkastning. Tross alt må dette beløpet investeres et sted for å produsere inntekt, og porteføljens returprosess er iboende tilfeldig."

I tillegg til uforutsigbarheten for fremtidig avkastning fortsetter Milevsky å dokumentere hvordan "sannsynligheter" som produseres av populære pensjonsprogramvare, varierer fra en app til en annen, avhengig av programmets interne forutsetninger og designparametere.

En annen akademisk studie, offentliggjort i februar, konkluderte med at "rådene fra et flertall av disse verktøyene er ekstremt misvisende for husholdninger."

Disse publikasjonene har gitt noen spørsmål om hvorvidt pensjonsplanleggingsprogramvaren gir noen verdi for forbrukerne i det hele tatt. Så hvilke alternativer er der?

'Back-testing' -programvare

Finansielle rådgivere som bruker Monte Carlo simuleringsprogramvare, uttrykker ofte sine klients resultater når det gjelder sannsynligheten for et positivt utfall. I stedet for å forsøke å forutsi "sannsynligheter for suksess," er kanskje en bedre måte å nærme seg pensjonsplanlegging fra et glass-halvt tomt perspektiv.

Det du virkelig trenger å vite, er ikke hvordan du kan gå hvis ting går bra, men hva skjer med deg hvis en 10% mulighet for regn blir 100% sannsynlighet for tordenvær. Du trenger desperat og vil vite, "Hvis ting går dårlig i investeringsmarkedet, vil jeg fortsatt være OK?"

Tradisjonelt har historisk "back-testing" -programvare blitt brukt til dette formålet. Ved å legge inn pensjonsprofilen din i en test med tilbakekopieringsprøver, kan du teste hvordan porteføljen din har gått hvis du hadde pensjonert før tidligere økonomiske nedgangstider. Mens slik informasjon er nyttig og interessant for forbrukerne, har back-testing også betydelige begrensninger.

Spesielt er det ikke sannsynlig at tidligere avkastninger gjentas i nøyaktig samme rekkefølge igjen, og det er helt mulig at fremtidig avkastning vil bli verre enn historisk erfaring.

Videre, antar at du ønsket å teste hvordan porteføljen din kan holde opp over en 30 års pensjonshorisont hvis du hadde gått i pensjon i slutten av 1999 (like før 2000-02 og 2007-'09 bjørnmarkeder). Fordi vi bare er i 2016, er det ikke mulig å analysere analysen over hele 30 års horisonten. Du kan ikke tilbakeprøve fremtiden.

Bootstrapping teknikk

En løsning på begrensningene av back-testing er å bruke en simuleringsteknikk kalt bootstrapping. Mens simuleringsmotoren under hetten til mange pensjonsapplikasjoner krever programdesigneren å gjøre antagelser om forventet gjennomsnittlig avkastning og volatilitet for ulike aktivaklasser, krever bootstrapping ingen slike forutsetninger. Simuleringer blir produsert i stedet ved tilfeldig utvalg av historiske avkastninger.

Hvis det oppnås nok simuleringer - vanligvis minst 5000 - kan medianresultatet forventes å være omtrent i tråd med historiske gjennomsnitt. Ved å vurdere utvalg av resultater under medianen, kan oppstartsprogrammer illustrere scenarier som viser gjennomsnittlig investeringsavkastning, med statistikken for verdi-til-risiko (resultatene under 1%, 5% og 10%) som representerer scenarier som kan være like dårlige som eller verre enn historisk rekord.

For eksempel viser følgende tabell oppstartssimuleringsresultatene for en 65 år gammel investor med en 25 års pensjonshorisont, en første porteføljeverdi på $ 1 million og en 70-til-30 aksjekurs pensjonsallokering. I dette eksemplet krever investoren en $ 50 000 (5%) første års uttakshastighet og en 3% årlig levetidsøkning etterpå. Han anslår sin årlige investeringskostnad på 1% og har uttalt at han forventer å trekke seg forholdsmessig fra hver aktivaklasse hvert år og balansere for å opprettholde sin 70-til-30-allokering.

Ved å fokusere på den nederste halvdelen av resultatene og vise simuleringsområdet i femårige trinn over tidsperioden, kan du få en mye mer konkret følelse av hvorvidt og hvor lenge besparelsene dine kan vare. Videre, ved å presentere dataene i dette formatet, er det enkelt å deretter teste hvordan endringsfaktorer som ligger innenfor din kontroll (utgiftsbeløp, uttaksstrategi, kapitalfordeling, investeringskostnader) kan påvirke resultatene.

For å være klar, er det absolutt ikke noe prediktivt i disse simuleringsresultatene, og simuleringsprosentilene bør ikke sees som sannsynligheter. I stedet representerer de verste resultatene bare potensielle scenarier som kan brukes til å gi deg et klarere bilde av hva som kan skje hvis ting går dårlig.

Mens oppstartstrapping gir en fin måte å illustrere disse dataene på, er det heller ikke uten feil og begrensninger. I dette eksemplet ble bootstrapping kun brukt på historiske aksjemarkedsdata fra 1970 til 2014. Obligasjonsdelen av porteføljen ble antatt å være konstant 2% per år, noe som rimelig reflekterer avkastningen en investor kan tjene i dag om fem år CD eller 10-årig treasury. Det faktum at bootstrapping-simuleringer ikke ble brukt på historiske obligasjonsdata, gjenspeiler en begrensning som er sett i de fleste pensjonsapplikasjoner, da avkastningen på obligasjoner i dag ligger nær bunnen av den historiske ekstrem. Som et resultat, kan et Monte Carlo-program som genererer tall basert på gjennomsnittlig historisk obligasjonsavkastning eller en bootstrapping-simulering som er tilfeldig sampling av historisk obligasjonsindeksavkastning, gi over optimistiske resultater.

Med noen pensjonsplanleggingsapp er djevelen i detaljene. Forbrukere og rådgivere vil gjøre det bra å ta seg tid til å forstå forutsetningene og begrensningene som er forbundet med noen pensjonsplanlegging.

John H. Robinson er eier av Financial Planning Hawaii og en medstifter av Nest Egg Guru, et pensjonsplanleggingsprogram for finansielle fagfolk.

Bilde via iStock.