Bakit Software Probability ay Hindi maaasahan para sa Pagreretiro Pagplano
Probability Distribution
Talaan ng mga Nilalaman:
Ni J.R. Robinson
Matuto nang higit pa tungkol sa J.R. sa aming site Magtanong Isang Tagapayo
Habang nagiging mas automated ang mga serbisyong pampinansyal, lumilitaw ang mga paggastos ng paggastos ng mga apps na nagpapahintulot sa iyo na ipasok ang iyong mga pangangailangan sa kita at impormasyon ng portfolio, kung posible upang makakuha ng makatwirang prediksiyon kung o kung gaano katagal ang iyong mga itlog ng pugad ay maaaring tumagal sa pagreretiro.
Mga kaugnay na kuwento
Marami sa mga apps na ito ay nasa merkado - ang ilan ay binuo ng mga kumpanya tulad ng Betterment, Vanguard, T. Rowe Price at Schwab, at iba pa na ibinebenta bilang mga serbisyo ng subscription sa mga pinansiyal na tagapayo para gamitin sa kanilang mga kliyente. Ang problema ay ang mga gumagamit ay pinangungunahan upang maniwala na dapat silang gumawa ng mahahalagang desisyon sa buhay sa tulong ng mga apps na ito, kahit na ang pinagbabatayan na mga probabilidad ay batay sa likas na hindi inaasahang resulta.
Sa katunayan, ang paglalapat ng probability software sa pag-aaral ng pagreretiro-plano ay kahangalan. Kahit na ang pinaka-sopistikadong software sa pagpaplano ng pagreretiro na ginagamit ng mga propesyonal sa pananalapi ay isang malayong paghihiyaw mula sa isang kristal na bola.
Ang problema sa probabilities
Ang mga pagkukulang ng probabilidad na nakabatay sa software na pagreretiro, partikular na ang mga app na naglalapat ng tinatawag na tinatawag na Monte Carlo na pamamaraan ng kunwa, ay makatwirang kilala sa mga propesyonal na lupon. Ang isa sa mga unang akademikong mga papeles upang itaas ang isyu ay isang 2006 na artikulo na isinulat ng kilalang mananaliksik sa pagreretiro at propesor sa York University of Toronto na si Moshe Milevsky, na nakasaad sa kanyang pagpapakilala:
"Siyempre, gaya ng alam ng karamihan sa mga tagapayo sa pamumuhunan para sa mga taon, ang isang numero ng pagreretiro - kung talagang umiiral ito - ay hindi malinaw at hindi tumpak, dahil depende ito sa maraming mga pang-ekonomiyang hindi alam, lalo na ang mga return equity market sa hinaharap. Pagkatapos ng lahat, ang numerong ito ay dapat na namuhunan sa isang lugar upang makagawa ng kita, at ang proseso ng pagbalik ng portfolio ay likas na random."
Bilang karagdagan sa hindi nalalaman ng mga pagbalik sa hinaharap, sinimulan ni Milevsky na idokumento kung paano ang "mga probabilidad" na ginawa ng mga popular na application ng software ng pagreretiro ay nag-iiba mula sa isang app hanggang sa susunod, depende sa mga panloob na pagpapalagay at mga parameter ng disenyo ng mga application.
Ang isa pang pag-aaral sa akademya, na inilathala noong Pebrero, ay nagtapos na "ang payo na ibinigay mula sa karamihan ng mga kasangkapang ito ay labis na nakaliligaw sa mga sambahayan."
Ang mga pahayagan na ito ay sanhi ng ilan sa tanong kung ang pagreretiro-pagpaplano ng software ay nagbibigay ng anumang halaga sa mga mamimili sa lahat. Kaya anong mga alternatibo ang naroroon?
'Back-testing' software
Ang mga tagapayo sa pananalapi na gumagamit ng software ng simulation ng Monte Carlo ay madalas na nagpapahayag ng mga resulta ng kanilang mga kliyente sa mga termino ng posibilidad ng isang positibong resulta. Sa halip na subukang hulaan ang "mga probabilidad ng tagumpay," marahil isang mas mahusay na paraan upang lumapit sa pagreretiro sa pagreretiro ay mula sa isang salamin-kalahating walang laman na pananaw.
Ang talagang kailangan mong malaman ay hindi kung paano ka maaaring magbayad kung ang mga bagay na maayos, ngunit kung ano ang mangyayari sa iyo kung ang isang 10% na posibilidad ng pag-ulan ay nagiging 100% posibilidad ng isang bagyo. Kinakailangan mo at gusto mong malaman, "Kung ang mga bagay ay masama sa mga pamilihan ng pamumuhunan, magiging OK ba ako?"
Ayon sa kaugalian, ang makasaysayang "back-testing" na software ay ginagamit para sa layuning ito. Sa pamamagitan ng pagpasok ng iyong profile sa pagreretiro sa isang back-testing app, maaari mong subukan kung paano ang iyong portfolio ay maaaring nakuha kung ikaw ay nagretiro bago ang nakaraang mga pang-ekonomiyang downturns. Habang ang impormasyon ay kapaki-pakinabang at kawili-wili sa mga mamimili, ang back-testing ay may mga makabuluhang limitasyon.
Sa partikular, ang mga nakaraang pagbabalik ay malamang na hindi na ulitin sa eksaktong magkakasunod na pagkakasunod-sunod, at posible na ang mga pagbalik sa hinaharap ay magiging mas masahol kaysa sa karanasan sa kasaysayan.
Dagdag dito, ipagpalagay na nais mong subukan kung paano maaaring mahawakan ang iyong portfolio sa loob ng 30-taong abot-tanaw na pagreretiro kung ikaw ay nagretiro sa katapusan ng 1999 (bago ang 2000- '02 at 2007-'09 bear markets). Dahil kami ay nasa 2016 lamang, hindi posible na i-play ang pagtatasa sa buong 30-taong abot-tanaw. Hindi mo mai-back-test ang hinaharap.
Bootstrapping technique
Ang isang solusyon sa mga limitasyon ng back-testing ay ang paglalapat ng isang kunwa pamamaraan na tinatawag na bootstrapping. Habang ang kunwa engine sa ilalim ng hood ng maraming mga app ng pagreretiro ay nangangailangan ng mga taga-disenyo ng programa upang gumawa ng mga pagpapalagay tungkol sa inaasahang ibig sabihin ng mga rate ng return at pagkasumpungin para sa iba't ibang mga klase ng asset, bootstrapping ay hindi nangangailangan ng ganitong mga pagpapalagay. Ang mga simulation ay ginawa sa pamamagitan ng random na sampling makasaysayang pagbabalik.
Kung may sapat na simulations ay nabuo - karaniwang isang minimum na 5,000 - ang panggitna resulta ay maaaring inaasahan na maging halos sa linya sa makasaysayang average. Sa pamamagitan ng pagsasaalang-alang sa hanay ng mga resulta sa ibaba ng panggitna, ang mga programa ng bootstrapping ay maaaring maglarawan ng mga sitwasyon na nagpapakita ng mga average na average na return ng investment, na may mga istatistikang halaga sa panganib (sa ibaba 1%, 5% at 10% na mga resulta) na kumakatawan sa mga sitwasyon na maaaring masama bilang o mas masahol pa kaysa sa makasaysayang rekord.
Halimbawa, ang sumusunod na talahanayan ay nagpapakita ng mga resulta ng bootstrapping kunwa para sa isang 65-taong-gulang na mamumuhunan na may 25-taong pagreretiro na abot-tanaw, isang $ 1 milyon na paunang halaga ng portfolio at isang 70-to-30 na pagreretiro ng pagreretiro ng stock-bond. Sa halimbawang ito, ang mamumuhunan ay nangangailangan ng isang $ 50,000 (5%) unang-taon na rate ng pag-withdraw at isang 3% na taunang gastos sa buhay na pagtaas pagkatapos nito. Tinatantya niya ang kanyang taunang gastos sa pamumuhunan sa 1% at sinabi na umaasa siyang mag-withdraw nang naaayon mula sa bawat klase ng asset sa bawat taon at rebalance upang mapanatili ang kanyang 70 hanggang 30 na paglalaan.
Mga porsyento ng kunwa | Ang natitirang balanse pagkatapos ng limang taon | 10 taon | 15 taon | 20 taon | 25 taon |
---|---|---|---|---|---|
Mga resulta ng simulation na binuo ng Nest Egg Guru. Ang mga porsyento ng simulation ay kumakatawan sa isang kinalabasan ng 5,000 simulations. Halimbawa, ang ika-10 na porsyento ay kumakatawan sa ika-500 pinakamasamang resulta, at ang panggitna ay kumakatawan sa 2,500 (gitna) resulta ng simulation. | |||||
80% | $1,212,308 | $1,358,150 | $1,439,849 | $1,513,529 | $1,483,135 |
60% | $1,091,368 | $1,127,568 | $1,108,806 | $1,004,560 | $796,054 |
Median | $1,038,653 | $1,040,195 | $977,559 | $833,761 | $535,366 |
40% | $988,481 | $958,058 | $864,393 | $671,558 | $316,435 |
20% | $886,511 | $789,407 | $615,265 | $329,948 | $0 |
10% | $818,595 | $685,467 | $466,587 | $129,937 | $0 |
5% | $763,903 | $601,042 | $353,836 | $0 | $0 |
1% | $675,021 | $472,024 | $190,510 | $0 | $0 |
Pinakamahina | $545,910 | $259,541 | $0 | $0 | $0 |
Sa pamamagitan ng pagtuon sa ilalim ng kalahati ng mga resulta at pagpapakita ng saklaw ng kunwa sa limang taon na palugit sa loob ng yugto ng panahon, maaari kang makakuha ng isang mas tiyak na kahulugan kung at kung gaano katagal ang iyong mga matitipid ay maaaring tumagal. Higit pa, sa pamamagitan ng pagpapakita ng data sa format na ito, madali mong subukan kung paano ang pagbabago ng mga kadahilanan na nasa iyong kontrol (halaga sa paggasta, diskarte sa pag-withdraw, paglalaan ng asset, gastos sa pamumuhunan) ay maaaring makaapekto sa mga kinalabasan.
Upang maging malinaw, walang ganap na predictive sa mga resulta ng kunwa, at ang mga percentiles ng kunwa ay hindi dapat makita bilang probabilities. Sa halip, ang pinakamasamang resulta ay kumakatawan lamang sa mga potensyal na sitwasyon na maaaring magamit upang bigyan ka ng isang mas malinaw na larawan kung ano ang maaaring mangyari kung ang mga bagay ay masama.
Habang ang bootstrapping ay nag-aalok ng isang malinis na paraan upang ilarawan ang mga data na ito, ito ay hindi rin walang mga bahid at mga limitasyon nito. Sa halimbawang ito, ang bootstrapping ay inilalapat lamang sa data ng istorya ng stock market mula 1970 hanggang 2014. Ang bahagi ng bono ng portfolio ay ipinapalagay na isang pare-pareho na 2% bawat taon, na makatwirang nagpapakita ng pagbalik ng isang mamumuhunan ay maaaring kumita ngayon sa isang limang taon CD o 10-taong Treasury. Ang katunayan na ang bootstrapping simulations ay hindi inilalapat sa makasaysayang data ng bono ay sumasalamin sa isang limitasyon na nakikita sa karamihan ng mga apps ng pagreretiro sa na ang mga magbubunga sa mga bono ngayon ay malapit sa ilalim ng makasaysayang sobrang. Bilang isang resulta, ang anumang aplikasyon ng Monte Carlo na bumubuo ng mga numero batay sa ibig sabihin ng mga makasaysayang pagbabalik ng bono o anumang bootstrapping simulation na random na sampling makasaysayang mga index return ng bono ay maaaring gumawa ng sobrang maasahin na mga resulta.
Sa anumang app sa pagpaplano ng pagreretiro, ang diyablo ay nasa mga detalye. Ang mga mamimili at tagapayo ay magkakaroon ng magandang panahon upang maunawaan ang mga pagpapalagay at mga limitasyon na likas sa anumang aplikasyon sa pagpaplano ng pagreretiro.
Si John H. Robinson ang may-ari ng Financial Planning Hawaii at isang co-founder ng Nest Egg Guru, isang application software ng pagreretiro sa pagreretiro para sa mga propesyonal sa pananalapi.
Imahe sa pamamagitan ng iStock.