لماذا البرمجيات الاحتمالية لا يمكن الاعتماد عليها للتخطيط للتقاعد

العديد من هذه التطبيقات موجودة في السوق - بعضها تم تطويره من قبل شركات مثل Betterment و Vanguard و T. Rowe Price و Schwab وغيرها تباع كخدمات اشتراك للمستشارين الماليين لاستخدامها مع عملائهم. تكمن المشكلة في أن المستخدمين قادوا إلى الاعتقاد بأن عليهم اتخاذ قرارات مهمة في الحياة بمساعدة هذه التطبيقات ، على الرغم من أن الاحتمالات الأساسية تستند إلى نتائج لا يمكن التنبؤ بها بطبيعتها.

في الحقيقة ، تطبيق البرمجيات الاحتمالية لتحليل تخطيط التقاعد هو حماقة. حتى أكثر برمجيات تخطيط التقاعد تطوراً المستخدمة من قبل المتخصصين الماليين هي بعيدة كل البعد عن كرة بلورية.

المشكلة مع الاحتمالات

إن إخفاقات برامج التقاعد القائمة على الاحتمالية ، وبالتحديد تلك التطبيقات التي تطبق ما يسمى بتقنيات محاكاة مونت كارلو ، معروفة بشكل معقول في الدوائر المهنية. كانت إحدى المقالات الأكاديمية الأولى التي تثير هذه القضية مقالاً عام 2006 كتبه باحث تقاعد مشهور وأستاذ جامعة يورك في جامعة تورونتو موشيه ميلفسكي ، الذي أشار في مقدمته:

بالطبع ، كما يعرف معظم مستشاري الاستثمار لسنوات ، فإن رقم التقاعد - إذا كان موجودًا بالفعل - هو أمر غامض وغير دقيق ، لأنه يعتمد على العديد من المجهول الاقتصادي ، خاصة عوائد سوق الأسهم المستقبلية. بعد كل شيء ، يجب استثمار هذا الرقم في مكان ما من أجل الحصول على دخل ، وعملية إرجاع المحفظة عشوائية بطبيعتها.

بالإضافة إلى عدم القدرة على التنبؤ بالعائدات المستقبلية ، يتابع ميليفسكي توثيق كيف أن "الاحتمالات" التي تنتجها تطبيقات برامج التقاعد الشعبية تختلف من تطبيق إلى آخر ، اعتمادًا على الافتراضات الداخلية ومعلمات التصميم الخاصة بالطلبات.

وخلصت دراسة أكاديمية أخرى نُشرت في فبراير / شباط إلى أن "المشورة المقدمة من أغلبية هذه الأدوات مضللة للغاية للأسر".

تسببت هذه المنشورات في التساؤل عما إذا كان برنامج تخطيط التقاعد يقدم أي قيمة للمستهلكين على الإطلاق. إذن ما هي البدائل المتاحة؟

برنامج "الاختبار الخلفي"

المستشارون الماليون الذين يستخدمون برنامج محاكاة مونت كارلو غالبًا ما يعبرون عن نتائج عملائهم فيما يتعلق باحتمالية التوصل إلى نتيجة إيجابية. فبدلاً من محاولة التنبؤ ب "احتمالات النجاح" ، ربما تكون طريقة أفضل للتعامل مع التخطيط للتقاعد من منظور شبه زجاجي.

ما تحتاج إلى معرفته حقًا ليس كيف ستتحقق إذا سارت الأمور على ما يرام ، ولكن ماذا سيحدث لك إذا تحول احتمال المطر بنسبة 10٪ إلى احتمال 100٪ لعاصفة رعدية. أنت في حاجة ماسة وتريد أن تعرف ، "إذا ساءت الأمور في أسواق الاستثمار ، فهل سأظل موافقًا؟"

تقليديا ، تم استخدام برنامج "اختبار الظهر" التاريخي لهذا الغرض. عن طريق إدخال ملفك الشخصي للتقاعد في تطبيق الاختبار الخلفي ، يمكنك اختبار مدى نجاح محفظتك الاستثمارية إذا كنت قد تقاعدت قبل فترات الركود الاقتصادي السابقة. في حين أن هذه المعلومات مفيدة ومثيرة للاهتمام للمستهلكين ، إلا أن الاختبار الخلفي له حدود كبيرة.

وعلى وجه التحديد ، من غير المحتمل تكرار العوائد السابقة في نفس التسلسل نفسه مرة أخرى ، ومن المحتمل تمامًا أن تكون العوائد المستقبلية أسوأ من التجربة التاريخية.

علاوة على ذلك ، لنفترض أنك تريد اختبار كيف يمكن أن تستحوذ محفظتك على مدى 30 عامًا تقاعدًا إذا كنت قد تقاعدت في نهاية عام 1999 (قبل أسواق الدب 2000 و2002 و 2007 - 09). نظرًا لأننا في عام 2016 فقط ، لا يمكن إجراء التحليل على مدار 30 عامًا بالكامل. لا يمكنك اختبار المستقبل.

تقنية bootstrapping

أحد الحلول لقيود الاختبار الخلفي هو تطبيق تقنية محاكاة تسمى bootstrapping. في حين أن محرك المحاكاة تحت غطاء العديد من تطبيقات التقاعد يتطلب من مصمم البرنامج أن يضع افتراضات حول متوسط ​​معدلات العائد المتوقعة والتقلبات في فئات الأصول المختلفة ، لا يتطلب bootstrapping مثل هذه الافتراضات. يتم إنتاج المحاكاة بدلاً من ذلك عن طريق أخذ عينات من العوائد التاريخية بشكل عشوائي.

إذا تم إنشاء ما يكفي من عمليات المحاكاة - عادة ما يكون 5000 وحدة كحد أدنى - فقد يتوقع أن تكون النتيجة المتوسطة متوافقة تقريبًا مع المعدلات التاريخية. من خلال النظر في نطاق النتائج دون المتوسط ​​، قد توضح البرامج التمهيدية السيناريوهات التي تظهر عوائد الاستثمار أقل من المتوسط ​​، مع إحصائيات القيمة في خطر (نتائج 1 ٪ ، 5 ٪ و 10 ٪ أسفل) تمثل السيناريوهات التي قد تكون سيئة أو أسوأ من السجل التاريخي.

على سبيل المثال ، يعرض الجدول التالي نتائج محاكاة الإقلاع التمهيدية لمستثمر عمره 65 عامًا مع أفق تقاعد مدته 25 عامًا ، وقيمة محفظة استثمارية أولية بقيمة 1 مليون دولار وتخصيص تقاعدي لسندات مالية يتراوح من 70 إلى 30. في هذا المثال ، يحتاج المستثمر إلى معدل سحب للسنة الأولى قدره 50000 دولار (5٪) وزيادة تكلفة المعيشة السنوية بنسبة 3٪ بعد ذلك. ويقدر أن مصروفه الاستثماري السنوي يبلغ 1٪ وذكر أنه يتوقع الانسحاب بالتناسب من كل فئة من فئات الأصول كل عام وإعادة التوازن للحفاظ على مخصصاته من 70 إلى 30.

من خلال التركيز على النصف السفلي من النتائج وعرض نطاق المحاكاة في زيادات لمدة خمس سنوات خلال الفترة الزمنية ، يمكنك الحصول على إحساس ملموس أكثر بكثير مما إذا كانت مدخراتك قد تستمر ولمدة ذلك. والأكثر من ذلك ، من خلال تقديم البيانات في هذا الشكل ، من السهل اختبار كيفية تأثير العوامل المتغيرة التي تقع ضمن سيطرتك (مبلغ الإنفاق ، إستراتيجية الانسحاب ، تخصيص الأصول ، نفقات الاستثمار) على النتائج.

ولكي نكون واضحين ، لا يوجد أي شيء تنبئي على الإطلاق في نتائج المحاكاة هذه ، ولا ينبغي اعتبار المئوي المحاكاة بمثابة احتمالات. بدلاً من ذلك ، تمثل أسوأ النتائج مجرد سيناريوهات محتملة يمكن استخدامها لإعطائك صورة أوضح لما قد يحدث إذا ساءت الأمور.

في حين يقدم bootstrapping طريقة نظيفة لتوضيح هذه البيانات ، فإنه أيضا لا يخلو من العيوب والقيود. في هذا المثال ، تم تطبيق bootstrapping فقط على بيانات سوق الأوراق المالية التاريخية من 1970 إلى 2014. يفترض أن يكون جزء السندات من المحفظة ثابتًا بنسبة 2٪ سنويًا ، وهو ما يعكس بشكل معقول العائد الذي قد يكسبه المستثمر اليوم على مدار خمس سنوات CD أو خزانة لأجل 10 سنوات. حقيقة أن محاكاة المحاكاة التمهيدية لم يتم تطبيقها على بيانات السندات التاريخية تعكس وجود قيود في معظم تطبيقات التقاعد حيث أن العوائد على السندات اليوم هي بالقرب من قاع التطرف التاريخي. نتيجة لذلك ، قد ينتج عن أي تطبيق مونت كارلو الذي يولد أرقام على أساس عوائد السندات التاريخية أو أي محاكاة bootstrapping التي أخذ عينات عشوائية عوائد مؤشر السندات التاريخية نتائج مفرطة في التفاؤل.

مع أي تطبيق للتخطيط للتقاعد ، فإن الشيطان يكمن في التفاصيل. سيكون من الأفضل للمستهلكين والمستشارين أن يأخذوا الوقت الكافي لفهم الافتراضات والقيود الكامنة في أي تطبيق لتخطيط التقاعد.

جون ه. روبنسون هو مالك شركة هاواي للتخطيط المالي ومؤسس مشارك لشركة Nest Egg Guru ، وهو تطبيق برمجي للتخطيط للتقنيين الماليين.

صورة عبر iStock.