ทำไมซอฟต์แวร์น่าจะไม่น่าเชื่อถือสำหรับการวางแผนการเกษียณอายุ
à¹à¸§à¸à¹à¸²à¸à¸±à¸ à¸à¸à¸±à¸à¸à¸´à¹à¸¨à¸©
สารบัญ:
โดย J.R. Robinson
เรียนรู้เพิ่มเติมเกี่ยวกับ J.R. ในเว็บไซต์ของเราถามที่ปรึกษา
เมื่อบริการทางการเงินเริ่มมีการใช้งานโดยอัตโนมัติมากขึ้นแอพพลิเคชั่นสำหรับการใช้จ่ายเพื่อการเกษียณอายุได้แสดงให้เห็นว่าช่วยให้คุณสามารถป้อนความต้องการรายได้และข้อมูลผลงานของคุณได้อย่างชัดเจนเพื่อให้ได้คำทำนายที่สมเหตุสมผลว่าไข่รังไข่ของคุณอาจมีอายุการเกษียณหรือนานแค่ไหน
เรื่องราวที่เกี่ยวข้อง
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
เปอร์เซนต์การจำลอง | ยอดคงเหลือคงเหลือหลังจากห้าปี | 10 ปี | 15 ปี | 20 ปี | 25 ปี |
---|---|---|---|---|---|
ผลการจำลองที่สร้างขึ้นโดย Nest Egg Guru เปอร์เซนต์การจำลองนี้เป็นผลลัพธ์หนึ่งจากการจำลองข้อมูล 5,000 รูปแบบ ตัวอย่างเช่นเปอร์เซ็นต์ที่ 10 เป็นผลลัพธ์ที่เลวร้ายที่สุดอันดับที่ 500 และค่ามัธยฐานหมายถึงผลการจำลองแบบ 2,500 (กลาง) | |||||
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 |
มัธยฐาน | $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 |
แย่ที่สุด | $545,910 | $259,541 | $0 | $0 | $0 |
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