ทำไมซอฟต์แวร์น่าจะไม่น่าเชื่อถือสำหรับการวางแผนการเกษียณอายุ

ปพลิเคชันหลายเหล่านี้อยู่ในตลาด - บางส่วนที่พัฒนาโดย บริษัท เช่น Betterment, Vanguard, T. Rowe Price และ Schwab และอื่น ๆ ที่ขายเป็นบริการสมัครสมาชิกเพื่อที่ปรึกษาทางการเงินเพื่อใช้กับลูกค้าของตน ปัญหาคือผู้ใช้ถูกนำไปเชื่อว่าพวกเขาควรจะตัดสินใจในชีวิตที่สำคัญด้วยความช่วยเหลือของแอปพลิเคชันเหล่านี้แม้ว่าความน่าจะเป็นพื้นฐานจะขึ้นอยู่กับผลลัพธ์ที่คาดไม่ถึงโดยเนื้อแท้

ในความเป็นจริงการใช้ซอฟต์แวร์ความน่าจะเป็นในการวางแผนการเกษียณอายุเป็นการกระทำที่โง่เขลา แม้ซอฟต์แวร์การวางแผนการเกษียณอายุที่มีความซับซ้อนที่สุดที่นักวิชาชีพด้านการเงินใช้อยู่ห่างไกลจากลูกบอลคริสตัล

ปัญหาเกี่ยวกับความน่าจะเป็น

ความล้มเหลวของซอฟท์แวร์การเกษียณอายุตามความน่าจะเป็นโดยเฉพาะอย่างยิ่งแอพพลิเคชั่นเหล่านั้นที่ใช้เทคนิคการจำลองแบบมอนติคาร์โลเรียกได้ว่าเป็นที่รู้จักดีในแวดวงอาชีพ หนึ่งในเอกสารวิชาการฉบับแรกที่ยกประเด็นนี้เป็นบทความที่เขียนขึ้นโดยนักวิจัยด้านการเกษียณอายุที่มีชื่อเสียงในปีพ. ศ. 2549 และศาสตราจารย์ Moshe Milevsky จาก York University of Toronto ผู้ตั้งข้อสังเกตในบทนำของเขา:

"แน่นอนว่าที่ปรึกษาด้านการลงทุนเป็นที่รู้จักมานานหลายปีแล้วเป็นจำนวนที่เกษียณอายุ - ถ้ามีอยู่จริง - มีความคลุมเครือและไม่แน่ชัดเนื่องจากมันขึ้นอยู่กับเศรษฐกิจที่ไม่ทราบจำนวนมากโดยเฉพาะผลตอบแทนของตลาดตราสารทุนในอนาคต เพราะตัวเลขเหล่านี้ต้องลงทุนในที่ใดที่หนึ่งเพื่อที่จะสร้างรายได้และผลตอบแทนจากการลงทุนก็เป็นแบบสุ่ม

นอกเหนือจากความไม่แน่นอนของผลตอบแทนในอนาคต Milevsky ยังระบุว่า "ความน่าจะเป็น" ที่เกิดจากการใช้งานซอฟต์แวร์เพื่อการเกษียณอายุที่เป็นที่นิยมแตกต่างกันไปในแต่ละแอพพลิเคชั่นขึ้นอยู่กับสมมติฐานภายในและพารามิเตอร์การออกแบบของโปรแกรมประยุกต์

การศึกษาทางวิชาการอีกฉบับตีพิมพ์ในเดือนกุมภาพันธ์สรุปได้ว่า "คำแนะนำจากเครื่องมือเหล่านี้ส่วนใหญ่เป็นความเข้าใจผิดอย่างมากต่อครัวเรือน"

สิ่งพิมพ์เหล่านี้ทำให้บางคำถามที่ว่าซอฟต์แวร์การวางแผนการเกษียณอายุมีคุณค่าต่อผู้บริโภคหรือไม่ ดังนั้นสิ่งที่มีทางเลือก?

ซอฟต์แวร์ "Back-testing"

ที่ปรึกษาทางการเงินที่ใช้ซอฟต์แวร์จำลอง Monte Carlo มักจะแสดงผลลัพธ์ของลูกค้าในแง่ของความเป็นไปได้ที่จะได้ผลลัพธ์ที่เป็นบวก แทนที่จะพยายามทำนาย "ความน่าจะเป็นของความสำเร็จ" อาจเป็นวิธีที่ดีกว่าในการวางแผนการเกษียณอายุจากมุมมองที่ว่างเปล่าแก้วครึ่งหนึ่ง

สิ่งที่คุณจำเป็นต้องรู้จริงๆไม่ใช่วิธีที่คุณอาจจะคุ้มค่าหากสิ่งต่างๆไปได้ดี แต่สิ่งที่จะเกิดขึ้นกับคุณถ้าความเป็นไปได้ที่จะเกิดฝนตก 10% กลายเป็นความน่าจะเป็น 100% ของพายุฝนฟ้าคะนอง คุณต้องการอย่างมากและต้องการทราบว่า "ถ้าสิ่งที่ไม่ดีในตลาดการลงทุนฉันจะยังคงไม่เป็นไร?"

ตามเนื้อผ้า "ย้อนหลัง" การทดสอบทางประวัติศาสตร์ได้ถูกนำมาใช้เพื่อวัตถุประสงค์นี้ การป้อนประวัติการเกษียณอายุของคุณลงในแอปทดสอบที่กลับมาคุณสามารถทดสอบว่าพอร์ตโฟลิโอของคุณอาจเกิดอะไรขึ้นถ้าคุณเกษียณอายุก่อนภาวะเศรษฐกิจตกต่ำก่อนหน้านี้ แม้ว่าข้อมูลดังกล่าวจะเป็นประโยชน์และน่าสนใจต่อผู้บริโภคการทดสอบกลับยังมีข้อ จำกัด ที่สำคัญ

โดยเฉพาะผลตอบแทนในอดีตไม่น่าจะเกิดขึ้นซ้ำอีกในลำดับเดียวกันอีกและเป็นไปได้ว่าผลตอบแทนในอนาคตจะเลวร้ายยิ่งกว่าประสบการณ์ในอดีต

นอกจากนี้สมมติว่าคุณต้องการทดสอบว่าผลงานของคุณอาจมีมากกว่าระยะเวลาเกษียณอายุ 30 ปีถ้าคุณเกษียณเมื่อสิ้นปี 2542 (ก่อนตลาดหมีในช่วงปี พ.ศ. 2543 ถึง 2550 และ 2550) เนื่องจากเราเป็นเพียงในปีพ. ศ. 2560 จึงไม่สามารถวิเคราะห์ได้จากขอบฟ้า 30 ปีเต็มรูปแบบ คุณไม่สามารถกลับมาทดสอบอนาคตได้

เทคนิค Bootstrapping

วิธีแก้ปัญหาข้อ จำกัด ของการทดสอบย้อนกลับคือการใช้เทคนิคการจำลองที่เรียกว่า bootstrapping ในขณะที่เครื่องยนต์จำลองภายใต้ประทุนของแอพฯ สำหรับการเกษียณอายุจำนวนมากต้องการให้นักออกแบบโปรแกรมทำสมมติฐานเกี่ยวกับอัตราผลตอบแทนและความผันผวนของค่าเฉลี่ยสำหรับชั้นสินทรัพย์ต่างๆ bootstrapping ต้องไม่มีสมมติฐานดังกล่าว จำลองถูกผลิตขึ้นแทนการสุ่มตัวอย่างผลตอบแทนทางประวัติศาสตร์

หากมีการสร้างแบบจำลองที่เพียงพอ - โดยทั่วไปจะต้องมีค่าอย่างน้อย 5,000 - ผลมัธยฐานอาจคาดได้ว่าจะใกล้เคียงกับค่าเฉลี่ยในอดีต โดยการพิจารณาช่วงของผลลัพธ์ด้านล่างของค่ามัธยฐานโปรแกรมการบูตอาจแสดงสถานการณ์ที่แสดงผลตอบแทนการลงทุนต่ำกว่าค่าเฉลี่ยโดยที่สถิติค่าที่มีความเสี่ยง (ผลลัพธ์ 1%, 5% และ 10% ด้านล่าง) แสดงถึงสถานการณ์ที่อาจเลวร้าย เป็นหรือเลวร้ายยิ่งกว่าบันทึกทางประวัติศาสตร์

ตัวอย่างเช่นตารางต่อไปนี้แสดงผลการจำลองการบูตสตาร์ทสำหรับนักลงทุนอายุ 65 ปีที่มีระยะเวลาเกษียณอายุ 25 ปีมูลค่าเริ่มต้น 1 ล้านดอลลาร์และการจัดสรรการเกษียณอายุหุ้นกู้ 70 ถึง 30 ในตัวอย่างนี้นักลงทุนต้องมีอัตราการถอนเงินในปีแรก 50,000 เหรียญ (5%) และเพิ่มขึ้น 3% ต่อปีหลังจากที่เพิ่มค่าครองชีพ เขาประมาณการค่าใช้จ่ายการลงทุนประจำปีของเขาที่ 1% และได้กล่าวว่าเขาคาดว่าจะถอนตัวตามสัดส่วนจากสินทรัพย์แต่ละประเภทในแต่ละปีและปรับสมดุลเพื่อรักษาการจัดสรร 70 ต่อ 30 ของเขา

การเน้นครึ่งล่างของผลลัพธ์และการแสดงช่วงจำลองในระยะเวลาเพิ่มขึ้นห้าปีในช่วงเวลานั้นคุณจะได้รับความรู้สึกที่เป็นรูปธรรมมากขึ้นว่าระยะเวลาการออมของคุณอาจนานเท่าไร ยิ่งไปกว่านั้นการนำเสนอข้อมูลในรูปแบบนี้ง่ายต่อการทดสอบว่าปัจจัยต่างๆที่อยู่ภายใต้การควบคุมของคุณอย่างไร (การใช้จ่ายเงินกลยุทธ์การถอนการจัดสรรสินทรัพย์ค่าใช้จ่ายในการลงทุน) อาจส่งผลต่อผลลัพธ์

เพื่อให้ชัดเจนไม่มีอะไรคาดการณ์ได้ในผลการจำลองนี้และเปอร์เซ็นต์ของการจำลองไม่ควรถูกมองว่าเป็นความน่าจะเป็น ผลที่แย่ที่สุดคือผลลัพธ์ที่แย่ที่สุดเพียงแสดงถึงสถานการณ์ที่เป็นไปได้ที่อาจใช้เพื่อให้ภาพที่ชัดเจนขึ้นเกี่ยวกับสิ่งที่อาจเกิดขึ้นหากสิ่งต่างๆไม่ดีขึ้น

ในขณะที่ bootstrapping เสนอวิธีที่เรียบง่ายเพื่อแสดงข้อมูลเหล่านี้ แต่ก็ยังไม่ได้ไม่มีข้อบกพร่องและข้อ จำกัด ของข้อเสนอนี้ ในตัวอย่างนี้ bootstrapping ใช้เฉพาะกับข้อมูลตลาดหุ้นในอดีตตั้งแต่ปีพ. ศ. 2513 ถึงปีพ. ศ. 2540 ส่วนของพันธบัตรของพอร์ตการลงทุนถือว่าคงที่ 2% ต่อปีซึ่งสะท้อนให้เห็นถึงผลตอบแทนที่นักลงทุนอาจได้รับในวันนี้เป็นเวลา 5 ปี CD หรือตั๋วเงินคลัง 10 ปี ความจริงที่ว่าการจำลองการบูตสตาร์ทไม่ได้นำมาใช้กับข้อมูลพันธบัตรในอดีตสะท้อนถึงข้อ จำกัด ที่เห็นได้ในแอพฯ สำหรับการเกษียณอายุส่วนใหญ่เนื่องจากผลตอบแทนพันธบัตรในปัจจุบันอยู่ใกล้กับสุดท้ายสุดของประวัติศาสตร์ ดังนั้นการประยุกต์ใช้มอนติคาร์โลใด ๆ ที่สร้างตัวเลขขึ้นอยู่กับผลตอบแทนพันธบัตรเฉลี่ยย้อนหลังหรือการจำลองการบูตสต๊อกแบบใดแบบหนึ่งซึ่งสุ่มตัวอย่างการย้อนกลับของดัชนีพันธบัตรย้อนหลังแบบสุ่มอาจทำให้ได้ผลในแง่ดีมากเกินไป

เมื่อมีแอพพลิเคชั่นการวางแผนการเกษียณอายุใด ๆ มารจะอยู่ในรายละเอียด ผู้บริโภคและที่ปรึกษาเหมือนกันจะทำดีเพื่อใช้เวลาในการทำความเข้าใจสมมติฐานและข้อ จำกัด ที่มีอยู่ในโปรแกรมการวางแผนเกษียณใด ๆ

John H. Robinson เป็นเจ้าของ Financial Planning Hawaii และเป็นผู้ร่วมก่อตั้ง Nest Egg Guru ซึ่งเป็นโปรแกรมซอฟต์แวร์สำหรับการวางแผนการเกษียณสำหรับมืออาชีพทางการเงิน

รูปภาพผ่านทาง iStock