Mengapa Perangkat Lunak Probabilitas Tidak Dapat Dipertahankan untuk Perencanaan Pensiun

Banyak dari aplikasi ini ada di pasaran - beberapa dikembangkan oleh perusahaan seperti Betterment, Vanguard, T. Rowe Price dan Schwab, dan yang lain dijual sebagai layanan berlangganan kepada penasihat keuangan untuk digunakan dengan klien mereka. Masalahnya adalah pengguna dituntun untuk percaya bahwa mereka harus membuat keputusan hidup yang penting dengan bantuan aplikasi ini, meskipun probabilitas yang mendasari didasarkan pada hasil yang tidak dapat diprediksi.

Sebenarnya, menerapkan perangkat lunak probabilitas untuk analisis perencanaan pensiun adalah kebodohan. Bahkan perangkat lunak perencanaan pensiun paling canggih yang digunakan oleh para profesional keuangan adalah jauh dari bola kristal.

Masalah dengan probabilitas

Kegagalan perangkat lunak pensiun berbasis probabilitas, khususnya aplikasi yang menerapkan apa yang disebut teknik simulasi Monte Carlo, cukup terkenal di kalangan profesional. Salah satu makalah akademis pertama yang mengangkat masalah adalah sebuah artikel tahun 2006 yang ditulis oleh peneliti pensiun terkenal dan profesor York University of Toronto, Moshe Milevsky, yang mencatat dalam pengantarnya:

“Tentu saja, karena sebagian besar penasihat investasi telah mengetahui selama bertahun-tahun, jumlah pensiun - jika benar-benar ada - tidak jelas dan tidak tepat, karena bergantung pada banyak ketidaktahuan ekonomi, khususnya imbal balik pasar ekuitas masa depan. Setelah semua, angka ini harus diinvestasikan di suatu tempat untuk menghasilkan pendapatan, dan proses pengembalian portofolio secara inheren acak."

Selain ketidakpastian pengembalian mendatang, Milevsky melanjutkan untuk mendokumentasikan bagaimana "probabilitas" yang dihasilkan oleh aplikasi perangkat lunak pensiun populer bervariasi dari satu aplikasi ke aplikasi berikutnya, tergantung pada asumsi internal aplikasi dan parameter desain.

Penelitian akademis lain, yang diterbitkan pada bulan Februari, menyimpulkan bahwa “saran yang diberikan dari mayoritas alat ini sangat menyesatkan bagi rumah tangga.”

Publikasi ini telah menyebabkan beberapa pertanyaan apakah perangkat lunak perencanaan pensiun menawarkan nilai apa pun kepada konsumen sama sekali. Jadi apa alternatifnya?

Perangkat lunak ‘Kembali pengujian’

Penasihat keuangan yang menggunakan perangkat lunak simulasi Monte Carlo sering mengungkapkan hasil klien mereka dalam hal kemungkinan hasil yang positif. Alih-alih mencoba memprediksi "probabilitas keberhasilan," mungkin cara yang lebih baik untuk mendekati perencanaan pensiun adalah dari perspektif setengah kaca kosong.

Apa yang benar-benar perlu Anda ketahui bukanlah bagaimana Anda bisa mendapatkan biaya jika semuanya berjalan dengan baik, tetapi apa yang akan terjadi pada Anda jika kemungkinan 10% hujan berubah menjadi probabilitas 100% dari badai petir. Anda sangat membutuhkan dan ingin tahu, "Jika semuanya memburuk di pasar investasi, apakah saya masih akan baik-baik saja?"

Secara tradisional, perangkat lunak "back-testing" historis telah digunakan untuk tujuan ini. Dengan memasukkan profil pensiun Anda ke dalam aplikasi back-testing, Anda dapat menguji bagaimana portofolio Anda mungkin bernasib baik jika Anda telah pensiun sebelum kemerosotan ekonomi sebelumnya. Meskipun informasi tersebut bermanfaat dan menarik bagi konsumen, pengujian ulang juga memiliki batasan yang signifikan.

Secara khusus, hasil yang lalu tidak mungkin diulang dalam urutan yang sama lagi, dan sangat mungkin bahwa pengembalian di masa mendatang akan lebih buruk daripada pengalaman historis.

Lebih lanjut, misalkan Anda ingin menguji bagaimana portofolio Anda dapat bertahan selama 30 tahun masa pensiun jika Anda telah pensiun pada akhir tahun 1999 (tepat sebelum pasar beruang 2000-'02 dan 2007-’09). Karena kami baru pada tahun 2016, tidak mungkin untuk memainkan analisis selama 30 tahun penuh. Anda tidak dapat menguji kembali masa depan.

Teknik Bootstrapping

Salah satu solusi untuk pembatasan back-testing adalah menerapkan teknik simulasi yang disebut bootstrapping. Sementara mesin simulasi di bawah kap banyak aplikasi pensiun membutuhkan perancang program untuk membuat asumsi tentang tingkat rata-rata pengembalian dan volatilitas yang diharapkan untuk berbagai kelas aset, bootstrapping tidak memerlukan asumsi seperti itu. Simulasi dihasilkan oleh pengambilan kembali historis secara acak.

Jika cukup banyak simulasi yang dihasilkan - biasanya minimal 5.000 - hasil rata-rata mungkin diharapkan kira-kira sesuai dengan rata-rata historis. Dengan mempertimbangkan kisaran hasil di bawah rata-rata, program bootstrapping dapat menggambarkan skenario yang menunjukkan hasil investasi di bawah rata-rata, dengan statistik nilai-risiko (hasil 1%, 5%, dan 10% terbawah) mewakili skenario yang mungkin sama buruknya lebih buruk dari catatan sejarah.

Sebagai contoh, tabel berikut menunjukkan hasil simulasi bootstrap untuk investor berusia 65 tahun dengan cakrawala pensiun 25 tahun, nilai portofolio awal $ 1 juta dan alokasi dana pensiun 70 hingga 30 saham. Dalam contoh ini, investor membutuhkan tingkat penarikan tahun pertama sebesar $ 50.000 (5%) dan peningkatan biaya hidup tahunan sebesar 3% setelahnya. Ia memperkirakan biaya investasi tahunannya sebesar 1% dan telah menyatakan bahwa ia mengharapkan untuk menarik secara proporsional dari setiap kelas aset setiap tahun dan menyeimbangkan untuk mempertahankan alokasi 70 hingga 30.

Dengan berfokus pada setengah bagian bawah hasil dan menampilkan rentang simulasi dalam peningkatan lima tahun selama periode waktu, Anda dapat memperoleh rasa yang jauh lebih nyata tentang apakah dan berapa lama tabungan Anda dapat bertahan. Terlebih lagi, dengan menyajikan data dalam format ini, mudah untuk menguji bagaimana perubahan faktor yang ada dalam kendali Anda (jumlah pengeluaran, strategi penarikan, alokasi aset, biaya investasi) dapat mempengaruhi hasil.

Untuk menjadi jelas, tidak ada yang benar-benar prediktif dalam hasil simulasi ini, dan persentil simulasi tidak boleh dipandang sebagai probabilitas. Sebaliknya, hasil terburuk hanya mewakili skenario potensial yang dapat digunakan untuk memberi Anda gambaran yang lebih jelas tentang apa yang mungkin terjadi jika semuanya berjalan buruk.

Meskipun bootstrapping menawarkan cara yang rapi untuk mengilustrasikan data ini, itu juga bukan tanpa cacat dan keterbatasan. Dalam contoh ini, bootstrap hanya diterapkan ke data pasar saham historis dari tahun 1970 hingga 2014. Porsi obligasi dari portofolio diasumsikan konstan 2% per tahun, yang mencerminkan pengembalian yang mungkin diperoleh investor hari ini pada lima tahun CD atau Treasury 10 tahun. Fakta bahwa simulasi bootstrap tidak diterapkan pada data obligasi historis mencerminkan keterbatasan yang terlihat di sebagian besar aplikasi pensiun karena imbal hasil obligasi saat ini mendekati bagian bawah ekstrem bersejarah. Sebagai akibatnya, setiap aplikasi Monte Carlo yang menghasilkan angka berdasarkan pada pengembalian historis historis atau simulasi bootstrap apapun yang secara acak mengambil pengembalian indeks obligasi historis dapat menghasilkan hasil yang terlalu optimis.

Dengan aplikasi perencanaan pensiun, iblis ada dalam detailnya. Konsumen dan penasihat sama-sama sebaiknya meluangkan waktu untuk memahami asumsi dan keterbatasan yang melekat dalam aplikasi perencanaan pensiun.

John H. Robinson adalah pemilik Perencanaan Keuangan Hawaii dan co-founder Nest Egg Guru, aplikasi perangkat lunak perencanaan pensiun bagi para profesional keuangan.

Gambar melalui iStock.