Varför sannolikhetsprogrammet är opålitligt för pensionsplanering

Många av dessa appar finns på marknaden - några utvecklade av företag som Betterment, Vanguard, T. Rowe Price och Schwab, och andra sålda som abonnemangstjänster till finansiella rådgivare för användning med sina kunder. Problemet är att användarna får tro att de borde fatta viktiga livsbeslut med hjälp av dessa appar, även om de underliggande sannolikheterna är baserade på iboende oförutsägbara resultat.

I själva verket är tillämpning av sannolikhetsprogram för pensionsplaneringsanalys dårskap. Även den mest sofistikerade pensionsplaneringsprogrammet som används av finansiella yrkesverksamma är långt ifrån en kristallkula.

Problemet med sannolikheter

Felaktigheterna i sannolikhetsbaserad pensionssoftware, särskilt de appar som tillämpar så kallade Monte Carlo-simuleringstekniker, är rimligt kända inom professionella kretsar. En av de första akademiska dokumenten för att ta upp frågan var en artikel från 2006 av den berömda pensionärforskaren och York University of Toronto professor Moshe Milevsky, som noterade i sin introduktion:

"Som de flesta investeringsrådgivare har känt i åratal är det naturligtvis ett pensionsnummer - om det faktiskt existerar - vagt och osäkert, eftersom det beror på många ekonomiska okända, särskilt framtida aktiemarknadsavkastning. När allt kommer omkring måste detta antal placeras någonstans för att producera inkomster, och portföljens returprocess är i sig slumpmässig."

Utöver oförutsägbarheten för framtida avkastning fortsätter Milevsky att dokumentera hur "sannolikheter" som produceras av program för populärpensionering varierar från en app till en annan, beroende på applikationernas interna antaganden och designparametrar.

En annan akademisk studie, som publicerades i februari, drog slutsatsen att "råd från en majoritet av dessa verktyg är extremt vilseledande för hushållen."

Dessa publikationer har orsakat en del att ifrågasätta om pensionsplaneringsprogrammet ger något värde till konsumenter alls. Så vilka alternativ finns det?

"Back-testing" -programvara

Finansiella rådgivare som använder Monte Carlo-simuleringsprogrammet uttrycker ofta sina kunders resultat när det gäller sannolikheten för ett positivt resultat. I stället för att försöka förutse "sannolikheter för framgång" är kanske ett bättre sätt att närma sig pensionsplanering från ett halvt tomt perspektiv.

Vad du verkligen behöver veta är inte hur du kan gå om det går bra, men vad händer med dig om en 10% risk för regn blir 100% sannolik för åskväder. Du behöver desperat och vill veta, "Om sakerna går illa på investeringsmarknaden, kommer jag fortfarande vara bra?"

Traditionellt har historisk "back-testing" -programvara använts för detta ändamål. Genom att skriva in din pensionsprofil i en test för testning kan du testa hur din portfölj kan ha gått om du hade gått i pension före tidigare ekonomiska nedgångar. Även om sådan information är användbar och intressant för konsumenterna, har backtest också betydande begränsningar.

Specifikt är det inte troligt att tidigare avkastningar upprepas i exakt samma ordning igen, och det är helt möjligt att framtida avkastning blir sämre än historisk erfarenhet.

Antag dessutom att du ville testa hur din portfölj kan hålla upp under en 30-års pensionshorisont om du hade gått i pension i slutet av 1999 (strax innan marknaderna 2000-202 och 2007-'09). Eftersom vi bara är 2016, är det inte möjligt att analysera analysen under hela 30 års horisonten. Du kan inte backa testa framtiden.

Bootstrappingsteknik

En lösning på begränsningarna av back-testing är att tillämpa en simuleringsteknik som kallas bootstrapping. Medan simuleringsmotorn under fläkten i många pensionsapplikationer kräver programdesignern att göra antaganden om förväntad genomsnittlig avkastning och volatilitet för olika tillgångsklasser, kräver uppstartning inga sådana antaganden. Simuleringar produceras istället genom slumpmässigt urval av historisk avkastning.

Om tillräckligt med simuleringar genereras - vanligtvis minst 5000 - kan medianresultatet förväntas vara ungefär i linje med historiska medelvärden. Genom att överväga resultatintervallet under medianen kan bootstrapping-programmen illustrera scenarier som visar under-genomsnittlig avkastning på investeringar, med risk-statistiken (de nedersta resultaten 1%, 5% och 10%) som representerar scenarier som kan vara så dåliga som eller sämre än historisk rekord.

Exempelvis visar följande tabell simuleringsresultatet för en 65-årig investerare med en 25-års pensionshorisont, ett initialt portföljvärde på 1 miljon dollar och en tilldelningsandel på 70 till 30 aktieobligationer. I det här exemplet kräver investeraren en $ 50 000 (5%) första års återköpsfrekvens och en ökning med 3 procent av den årliga lönekostnaden därefter. Han uppskattar sin årliga investeringskostnad på 1% och har uppgett att han förväntar sig att dra av sig proportionellt från varje tillgångsklass varje år och balansera för att behålla sin 70-till-30-fördelning.

Genom att fokusera på den nedre halvan av resultaten och visa simuleringsområdet i femårsintervaller under perioden kan du få en mycket mer påtaglig känsla av huruvida och hur länge dina besparingar kan pågå. Dessutom är det lätt att sedan testa hur förändringsfaktorer som ligger inom din kontroll (utgiftsbelopp, uttagsstrategi, tillgångsallokering, investeringskostnader) kan påverka resultaten genom att presentera data i det här formatet.

För att vara tydlig är det absolut inte något prediktivt i dessa simuleringsresultat, och simuleringsprocentilerna bör inte ses som sannolikheter. Istället representerar de värsta resultaten bara potentiella scenarier som kan användas för att ge dig en tydligare bild av vad som kan hända om sakerna går illa.

Även om bootstrapping erbjuder ett snyggt sätt att illustrera dessa data är det inte heller utan brister och begränsningar. I detta exempel användes bootstrapping endast på historiska aktiemarknadsdata från 1970 till 2014. Portföljens andel av portföljen antogs vara konstant 2% per år vilket rimligen återspeglar den avkastning som en investerare kan tjäna idag om fem år CD eller 10-årig statsskatt. Det faktum att bootstrapping-simuleringar inte tillämpades på historisk obligationsdata återspeglar en begränsning som ses i de flesta pensionsapplikationer, eftersom avkastningen på obligationer idag ligger nära botten av den historiska extremen. Som ett resultat kan varje Monte Carlo-applikation som genererar siffror baserat på genomsnittliga historiska obligationsräntor eller en eventuell bootstrapping-simulering som är slumpmässigt urval av historiskt obligationsindexindex, ge upphov till alltför optimistiska resultat.

Med någon pensionsplaneringsapp är djävulen i detaljerna. Konsumenter och rådgivare skulle göra det bra att ta sig tid att förstå de antaganden och begränsningar som ligger till grund för någon pensionsplaneringsansökan.

John H. Robinson är ägare till Financial Planning Hawaii och en av grundarna av Nest Egg Guru, ett program för pensionsplanering för finansiella proffs.

Bild via iStock.