Waarom probabiliteitssoftware onbetrouwbaar is voor pensioenplanning

Veel van deze apps zijn op de markt - sommige zijn ontwikkeld door bedrijven zoals Betterment, Vanguard, T. Rowe Price en Schwab, en anderen zijn verkocht als abonnementsdiensten aan financiële adviseurs voor gebruik met hun klanten. Het probleem is dat gebruikers ertoe worden gebracht te geloven dat ze belangrijke beslissingen over het leven moeten nemen met behulp van deze apps, ook al zijn de onderliggende kansen gebaseerd op inherent onvoorspelbare uitkomsten.

In feite is het dwaasheid om kanssprogramma's toe te passen op de analyse van de pensioenplanning. Zelfs de meest geavanceerde pensioenplanningssoftware die door financiële professionals wordt gebruikt, staat ver van een kristallen bol.

Het probleem met kansen

Het falen van op kansen gebaseerde pensioensoftware, met name die apps die zogenaamde Monte Carlo-simulatietechnieken toepassen, zijn redelijk bekend in professionele kringen. Een van de eerste academische papers om het probleem aan te kaarten, was een artikel uit 2006 geschreven door de gerenommeerde pensioenonderzoeker en York University of Toronto, professor Moshe Milevsky, die in zijn inleiding opmerkte:

"Natuurlijk, zoals de meeste beleggingsadviseurs al jaren weten, is een pensioennummer - als het echt bestaat - vaag en onnauwkeurig, omdat het afhankelijk is van veel economische onbekenden, vooral toekomstige rendementen op de aandelenmarkt. Immers, dit aantal moet ergens worden geïnvesteerd om inkomsten te genereren, en het retourproces van de portefeuille is van nature willekeurig."

Naast de onvoorspelbaarheid van toekomstige rendementen, legt Milevsky uit hoe de "waarschijnlijkheden" die worden geproduceerd door populaire pensioenapplicaties variëren van de ene app tot de andere, afhankelijk van de interne aannames en ontwerpparameters van de applicaties.

Een andere academische studie, gepubliceerd in februari, concludeerde dat "het advies van een meerderheid van deze tools extreem misleidend is voor huishoudens."

Deze publicaties hebben sommigen doen twijfelen aan de vraag of pensioenplanningssoftware enige waarde biedt voor consumenten. Dus welke alternatieven zijn er?

'Back-testing' software

Financieel adviseurs die Monte Carlo-simulatiesoftware gebruiken, geven vaak de resultaten van hun klanten weer in termen van de waarschijnlijkheid van een positief resultaat. In plaats van te proberen 'waarschijnlijkheden van succes' te voorspellen, is misschien een betere manier om pensioenplanning te benaderen vanuit een half-leeg perspectief van het glas.

Wat u echt moet weten, is niet hoe het u vergaat als het goed gaat, maar wat er met u zal gebeuren als een kans van 10% op regen verandert in een 100% kans op onweer. Je hebt het hard nodig en wilt weten: "Als het slecht gaat op de beleggingsmarkten, zal ik dan nog steeds oké zijn?"

Traditioneel is hiervoor de historische "back-testing" -software gebruikt. Door uw pensioenprofiel in te voeren in een back-testing-app, kunt u testen hoe het mogelijk is dat uw portefeuille het heeft verrekend als u met pensioen was gegaan voorafgaand aan eerdere economische recessies. Hoewel dergelijke informatie nuttig en interessant is voor consumenten, heeft back-testing ook aanzienlijke beperkingen.

In het bijzonder is het onwaarschijnlijk dat eerdere rendementen in exact dezelfde volgorde opnieuw worden herhaald, en het is heel goed mogelijk dat toekomstig rendement slechter zal zijn dan de historische ervaring.

Stel dat u wilt testen hoe uw portefeuille over een 30-jarige pensioengallijn zou kunnen standhouden als u eind 1999 met pensioen ging (vlak voor de bear-markten 2000 -02 en 2007-'09). Omdat we pas in 2016 zijn, is het niet mogelijk om de analyse over de volledige 30-jarige horizon uit te spelen. Je kunt de toekomst niet tegenspreken.

Bootstrapping techniek

Een oplossing voor de beperkingen van back-testing is om een ​​simulatietechniek toe te passen, bootstrapping genaamd. Hoewel de simulatie-engine onder de motorkap van veel pensioen-apps vereist dat de programma-ontwerper veronderstellingen maakt over verwachte gemiddelde rendementen en volatiliteit voor verschillende activaklassen, vereist bootstrapping dergelijke veronderstellingen niet. In plaats daarvan worden simulaties geproduceerd door het willekeurig nemen van historische rendementen.

Als er voldoende simulaties worden gegenereerd - doorgaans minimaal 5.000 - kan worden verwacht dat het mediaan resultaat ruwweg in overeenstemming is met de historische gemiddelden. Door het bereik van de onderstaande resultaten te beschouwen als de mediaan, kunnen bootstrappingprogramma's scenario's illustreren met een lager dan gemiddeld investeringsrendement, waarbij de Value-at-Risk-statistieken (de onderste 1%, 5% en 10% resultaten) scenario's vertegenwoordigen die mogelijk slecht zijn zo of erger dan het historische record.

De volgende tabel toont bijvoorbeeld de bootstrapping-simulatieresultaten voor een 65-jarige investeerder met een 25-jarige pensioenhorizon, een initiële portfoliewaarde van $ 1 miljoen en een pensioentoewijzing van 70 tot 30 aandelenboetes. In dit voorbeeld heeft de belegger een terugtrekkingspercentage van $ 50.000 (5%) voor het eerste jaar en daarna een jaarlijkse stijging van de kosten van levensonderhoud van 3% nodig. Hij schat zijn jaarlijkse investeringsuitgave op 1% en heeft verklaard dat hij verwacht dat hij zich elk jaar verhoudingsgewijs uit elke beleggingscategorie zal terugtrekken en opnieuw in evenwicht zal brengen om zijn toewijzing van 70 tot 30 te behouden.

Door u te richten op de onderste helft van de resultaten en het simulatiegebied in stappen van vijf jaar over de periode weer te geven, kunt u een veel concreter gevoel krijgen van of en hoe lang uw besparingen kunnen duren. Bovendien kunt u eenvoudig de gegevens in dit formaat presenteren door te testen hoe veranderende factoren die binnen uw bereik liggen (bestedingsbedrag, intrekkingsstrategie, activaspreiding, investeringsuitgaven) van invloed kunnen zijn op de uitkomsten.

Voor de duidelijkheid: er is absoluut niets voorspellends in deze simulatieresultaten en de simulatiepercentages moeten niet als kansen worden beschouwd. In plaats daarvan vertegenwoordigen de slechtste resultaten alleen potentiële scenario's die kunnen worden gebruikt om u een duidelijker beeld te geven van wat er kan gebeuren als de zaken slecht gaan.

Hoewel bootstrapping een handige manier is om deze gegevens te illustreren, is het ook niet zonder zijn gebreken en beperkingen. In dit voorbeeld werd bootstrapping alleen toegepast op historische beursgegevens van 1970 tot 2014. Het obligatiegedeelte van de portefeuille werd verondersteld een constante 2% per jaar te zijn, wat redelijk overeenkomt met het rendement dat een belegger vandaag op een periode van vijf jaar zou kunnen behalen. CD of 10-jarige schatkist. Het feit dat bootstrapping-simulaties niet werden toegepast op historische obligatiegegevens, weerspiegelt een beperking in de meeste pensioen-apps, omdat de rendementen op obligaties vandaag bijna aan de onderkant van het historische uiterste liggen. Dientengevolge kan elke Monte Carlo-toepassing die getallen genereert op basis van gemiddelde historische obligatierendementen of elke bootstrapping-simulatie die steekproefsgewijs historische obligatie-indexrendementen verzamelt, overdreven optimistische resultaten opleveren.

Met elke app voor het plannen van het pensioen zit de duivel in de details. Consumenten en adviseurs zouden er goed aan doen om de tijd te nemen om de aannames en beperkingen te begrijpen die inherent zijn aan een aanvraag voor een pensioenplanning.

John H. Robinson is de eigenaar van Financial Planning Hawaii en mede-oprichter van Nest Egg Guru, een softwareprogramma voor pensioenplanning voor financiële professionals.

Afbeelding via iStock.