Γιατί το Λογισμικό Πιθανότητας δεν είναι αξιόπιστο για τον Σχεδιασμό Συνταξιοδότησης

Πολλές από αυτές τις εφαρμογές βρίσκονται στην αγορά - μερικές από τις εταιρείες όπως οι Betterment, Vanguard, T. Rowe Price και Schwab και άλλες πωλούνται ως συνδρομητικές υπηρεσίες σε οικονομικούς συμβούλους για χρήση με τους πελάτες τους. Το πρόβλημα είναι ότι οι χρήστες οδηγούνται να πιστεύουν ότι πρέπει να λαμβάνουν σημαντικές αποφάσεις για τη ζωή με τη βοήθεια αυτών των εφαρμογών, παρόλο που οι βασικές πιθανότητες βασίζονται σε εγγενώς απρόβλεπτα αποτελέσματα.

Στην πραγματικότητα, η εφαρμογή λογισμικού πιθανοτήτων στην ανάλυση σχεδιασμού συνταξιοδότησης είναι αδηφάγος. Ακόμη και το πιο εξελιγμένο λογισμικό συνταξιοδότησης που χρησιμοποιείται από επαγγελματίες του χρηματοοικονομικού τομέα είναι μια μακριά κραυγή από μια κρυστάλλινη σφαίρα.

Το πρόβλημα με τις πιθανότητες

Οι αποτυχίες του λογισμικού συνταξιοδότησης με βάση την πιθανότητα, συγκεκριμένα εκείνων των εφαρμογών που χρησιμοποιούν τις λεγόμενες τεχνικές προσομοίωσης Monte Carlo, είναι αρκετά γνωστές στους επαγγελματικούς κύκλους. Μια από τις πρώτες επιστημονικές εργασίες που τέθηκαν για το θέμα ήταν το άρθρο του 2006, το οποίο γράφτηκε από τον διάσημο ερευνητή της αποχώρησης και τον καθηγητή Moser Milevsky του Πανεπιστημίου του Τορόντο, ο οποίος σημείωσε στην εισαγωγή του:

"Φυσικά, όπως γνωρίζουν οι περισσότεροι σύμβουλοι επενδύσεων εδώ και χρόνια, ένας αριθμός συνταξιοδότησης - αν υπάρχει πράγματι - είναι ασαφής και ασαφής, καθώς εξαρτάται από πολλά οικονομικά άγνωστα, ειδικά από τις μελλοντικές αποδόσεις της αγοράς μετοχών. Εξάλλου, αυτός ο αριθμός πρέπει να επενδυθεί κάπου για να παράγει εισόδημα και η διαδικασία επιστροφής χαρτοφυλακίου είναι εγγενώς τυχαία."

Εκτός από τον απρόβλεπτο των μελλοντικών αποδόσεων, ο Milevsky συνεχίζει να τεκμηριώνει πώς οι «πιθανότητες» που παράγονται από τις δημοφιλείς εφαρμογές λογισμικού συνταξιοδότησης διαφέρουν από την μία εφαρμογή στην άλλη, ανάλογα με τις εσωτερικές παραδοχές και τις παραμέτρους σχεδιασμού των εφαρμογών.

Μια άλλη ακαδημαϊκή μελέτη, που δημοσιεύθηκε τον Φεβρουάριο, κατέληξε στο συμπέρασμα ότι "οι συμβουλές που παρέχονται από την πλειονότητα αυτών των εργαλείων είναι εξαιρετικά παραπλανητικές για τα νοικοκυριά".

Αυτές οι εκδόσεις έχουν προκαλέσει ορισμένους να αμφισβητήσουν εάν το λογισμικό συνταξιοδότησης σχεδιάζει να προσφέρει οποιαδήποτε αξία στους καταναλωτές καθόλου. Ποιες εναλλακτικές λύσεις υπάρχουν;

Λογισμικό "εκ των υστέρων δοκιμών"

Οι χρηματοοικονομικοί σύμβουλοι που χρησιμοποιούν λογισμικό προσομοίωσης Monte Carlo συχνά εκφράζουν τα αποτελέσματα των πελατών τους όσον αφορά την πιθανότητα θετικού αποτελέσματος. Αντί να προσπαθήσουμε να προβλέψουμε «πιθανότητες επιτυχίας», ίσως ένας καλύτερος τρόπος για να προσεγγίσουμε τον προγραμματισμό της συνταξιοδότησης είναι από μια προοπτική γυαλιού ημι-κενή.

Αυτό που πραγματικά χρειάζεται να γνωρίζετε δεν είναι το πώς μπορείτε να προχωρήσετε αν τα πράγματα πάνε καλά, αλλά τι θα συμβεί σε σας εάν μια πιθανότητα 10% της βροχής μετατραπεί σε 100% πιθανότητα μιας καταιγίδας. Χρειάζεστε απεγνωσμένα και θέλετε να μάθετε: "Αν τα πράγματα πάνε άσχημα στις επενδυτικές αγορές, θα είμαι ακόμα εντάξει;"

Παραδοσιακά, για το σκοπό αυτό χρησιμοποιήθηκε ιστορικό λογισμικό "back-testing". Εισάγοντας το προφίλ αποχώρησης σε μια εφαρμογή δοκιμής εκ των υστέρων, μπορείτε να δοκιμάσετε πώς θα μπορούσε να προχωρήσει το χαρτοφυλάκιό σας εάν αποχωρήσατε πριν από προηγούμενες οικονομικές περιόδους ύφεσης. Παρόλο που οι πληροφορίες αυτές είναι χρήσιμες και ενδιαφέρουσες για τους καταναλωτές, ο εκ των υστέρων έλεγχος έχει επίσης σημαντικούς περιορισμούς.

Συγκεκριμένα, οι επιστροφές του παρελθόντος είναι απίθανο να επαναληφθούν στην ίδια ακριβώς ακολουθία και είναι απολύτως πιθανό ότι οι μελλοντικές αποδόσεις θα είναι χειρότερες από την ιστορική εμπειρία.

Επιπλέον, ας υποθέσουμε ότι θα θέλατε να δοκιμάσετε πώς το χαρτοφυλάκιό σας θα μπορούσε να συγκρατηθεί σε ένα 30ετές ορίζοντα συνταξιοδότησης αν είχε συνταξιοδοτηθεί στα τέλη του 1999 (λίγο πριν από τις αγορές του 2000 -02 και του 2007 -09). Επειδή είμαστε μόνο το 2016, δεν είναι δυνατόν να διαδραματίσουμε την ανάλυση για ολόκληρο τον 30ετή ορίζοντα. Δεν μπορείτε να δοκιμάσετε το μέλλον.

Τεχνική εκκίνησης

Μία λύση στους περιορισμούς της εκ των υστέρων δοκιμής είναι η εφαρμογή μιας τεχνικής προσομοίωσης που ονομάζεται bootstrapping. Ενώ η μηχανή προσομοίωσης κάτω από την κουκούλα πολλών εφαρμογών συνταξιοδότησης απαιτεί από τον σχεδιαστή του προγράμματος να κάνει υποθέσεις σχετικά με τις αναμενόμενες μέσες τιμές απόδοσης και μεταβλητότητας για διάφορες κατηγορίες περιουσιακών στοιχείων, η εκκίνηση δεν απαιτεί τέτοιες υποθέσεις. Οι προσομοιώσεις παράγονται αντ 'αυτού με τυχαία δειγματοληψία των ιστορικών αποδόσεων.

Εάν δημιουργηθούν αρκετές προσομοιώσεις - συνήθως τουλάχιστον 5.000 - το μέσο αποτέλεσμα μπορεί να αναμένεται να είναι κατά προσέγγιση σύμφωνο με τους ιστορικούς μέσους όρους. Λαμβάνοντας υπόψη το εύρος των αποτελεσμάτων κάτω από το διάμεσο, τα προγράμματα εκτόξευσης μπορεί να απεικονίσουν σενάρια που εμφανίζουν χαμηλότερες αποδόσεις των επενδύσεων, με τα στατιστικά στοιχεία για την αξία σε κίνδυνο (αποτελέσματα 1%, 5% και 10%) να αντιπροσωπεύουν σενάρια που μπορεί να είναι τόσο κακά ως ή και χειρότερα από το ιστορικό αρχείο.

Για παράδειγμα, στον παρακάτω πίνακα παρουσιάζονται τα αποτελέσματα προσομοίωσης εκκίνησης για έναν επενδυτή ηλικίας 65 ετών με 25ετή ορίζοντα συνταξιοδότησης, αρχική αξία χαρτοφυλακίου ύψους 1 εκατομμυρίου δολαρίων και αποζημίωση αποχώρησης αποθεμάτων ομολόγων από 70 έως 30. Σε αυτό το παράδειγμα, ο επενδυτής απαιτεί 50.000 δολάρια (5%) για το πρώτο έτος της απόσυρσης και ένα 3% ετήσιο κόστος ζωής μετά την αύξηση. Ο ίδιος εκτιμά ότι το ετήσιο επενδυτικό του κόστος ανέρχεται σε 1% και δήλωσε ότι αναμένει να αποσυρθεί αναλογικά από κάθε κατηγορία περιουσιακών στοιχείων κάθε χρόνο και να αποκαταστήσει την ισορροπία για να διατηρήσει την κατανομή του από 70 σε 30.

Με την εστίαση στο κάτω μισό των αποτελεσμάτων και την εμφάνιση του εύρους προσομοίωσης σε προσαυξήσεις πενταετούς διάρκειας κατά τη διάρκεια της χρονικής περιόδου, μπορείτε να αποκτήσετε μια πιο απτή αίσθηση για το εάν και για πόσο καιρό θα διαρκέσουν οι οικονομίες σας. Επιπλέον, παρουσιάζοντας τα δεδομένα σε αυτήν τη μορφή, είναι εύκολο να ελέγξετε στη συνέχεια πώς οι μεταβαλλόμενοι παράγοντες που βρίσκονται υπό τον έλεγχό σας (ποσό δαπανών, στρατηγική απόσυρσης, κατανομή ενεργητικού, επενδυτικά έξοδα) ενδέχεται να επηρεάσουν τα αποτελέσματα.

Για να είμαστε σαφείς, δεν υπάρχει απολύτως τίποτα προγνωστικό σε αυτά τα αποτελέσματα προσομοίωσης και τα εκατοστημόρια προσομοίωσης δεν θα πρέπει να θεωρούνται ως πιθανότητες. Αντίθετα, τα χειρότερα αποτελέσματα απλώς αντιπροσωπεύουν πιθανά σενάρια που μπορούν να χρησιμοποιηθούν για να σας δώσουν μια σαφέστερη εικόνα του τι μπορεί να συμβεί αν τα πράγματα πάνε άσχημα.

Ενώ η bootstrapping προσφέρει έναν τακτοποιημένο τρόπο για να απεικονίσει αυτά τα δεδομένα, δεν είναι επίσης χωρίς τις αδυναμίες και τους περιορισμούς της. Σε αυτό το παράδειγμα, το bootstrapping εφαρμόστηκε μόνο στα ιστορικά στοιχεία της χρηματιστηριακής αγοράς από το 1970 έως το 2014. Το τμήμα ομολόγων του χαρτοφυλακίου θεωρήθηκε ότι ήταν σταθερό 2% ετησίως, το οποίο αντανακλά λογικά την απόδοση που θα μπορούσε να κερδίσει ένας επενδυτής σήμερα σε πενταετή CD ή 10ετές Treasury. Το γεγονός ότι οι προσομοιώσεις εκκίνησης δεν εφαρμόστηκαν στα ιστορικά στοιχεία των ομολόγων αντικατοπτρίζει έναν περιορισμό που παρατηρείται στις περισσότερες εφαρμογές συνταξιοδότησης, καθώς οι αποδόσεις των ομολόγων σήμερα είναι κοντά στο κατώτατο σημείο του ιστορικού ακραίου. Ως αποτέλεσμα, οποιαδήποτε εφαρμογή του Monte Carlo που παράγει αριθμούς με βάση τις μέσες ιστορικές αποδόσεις των ομολόγων ή οποιαδήποτε προσομοίωση εκκίνησης που τυχαία δειγματοληπτικά αποδίδει ιστορικό δείκτη ομολόγων μπορεί να παράγει υπερβολικά αισιόδοξα αποτελέσματα.

Με οποιαδήποτε εφαρμογή προγραμματισμού συνταξιοδότησης, ο διάβολος βρίσκεται στις λεπτομέρειες. Οι καταναλωτές και οι σύμβουλοι θα έκαναν καλά να αφιερώσουν χρόνο για να κατανοήσουν τις παραδοχές και τους περιορισμούς που είναι εγγενείς σε οποιαδήποτε αίτηση συνταξιοδότησης.

Ο John H. Robinson είναι ο ιδιοκτήτης του Financial Planning Hawaii και συνιδρυτής του Nest Egg Guru, μιας εφαρμογής λογισμικού συνταξιοδότησης για επαγγελματίες του χρηματοπιστωτικού τομέα.

Εικόνα μέσω iStock.