退休规划中的 Monte Carlo 模拟:为什么平均回报会骗人
一个建立在”年均 6% 回报”之上的退休计划在电子表格上会显得很漂亮 — 但在实践中可能灾难性地失败。原因是:平均回报并不是沿直线发生的。市场以不可预测的顺序崩盘、复苏、停滞和上涨。退休第一年遭遇 30% 的崩盘,比第 20 年遭遇同样的崩盘破坏性大得多 — 即使整个期间的”平均”回报可能相同。
Monte Carlo 模拟通过让您的退休计划经历数千种不同的市场情景(每种情景的回报都是随机化的)来解决这个问题,并向您展示资金能够持续的概率。您得到的不是一个单一答案(“您会没事的”),而是一个分布:“您的资金持续到 95 岁的概率为 89%,在 85 至 95 岁之间耗尽的概率为 7%,在 85 岁之前耗尽的概率为 4%。“
什么是 Monte Carlo 模拟?
Monte Carlo 模拟是一种利用随机抽样来建模不确定性的统计技术。在退休规划中,它是这样运作的:
- 定义您的计划: 当前储蓄、年度供款、支出目标、退休年龄、账户类型、税务规则、政府福利
- 设定回报假设: 每种资产类别的预期回报(例如 6%)和波动率(例如 15% 标准差)
- 运行数千个情景: 每个情景从概率分布(通常是对数正态分布)中生成一个随机的年度回报序列
- 追踪结果: 对每个情景,模拟退休的每一年 — 提款、税务、福利、账户余额 — 并记录投资组合是否存续到最后
- 报告分布: 成功率(资金持续的情景百分比)、百分位区间(第 5、25、50、75、95 百分位)以及最坏情况的结果
“Monte Carlo”这个名字来自赌场 — 这项技术依赖随机性,就像轮盘赌一样。
为什么重要:回报顺序风险
平均值的问题
考虑两位在 30 年间都经历了 6% 平均回报的退休者:
退休者 A: 在第 1-5 年获得 +20%,之后回报涨跌互现。他们的投资组合早期增长,提供了一个能轻松支撑提款的大基数。
退休者 B: 在第 1-3 年遭遇 -15%,之后回报强劲。他们的投资组合在提款期间早早下跌,剩余余额再也没有恢复 — 尽管平均回报相同。
两人都有”6% 的平均回报”,其中一人却把钱花光了。这就是回报顺序风险,也是 Monte Carlo 模拟在退休规划中存在的首要原因。
数学计算
一个每年提款 $40,000 的 $1M 投资组合:
- 好的顺序: 第 1-3 年 +15%、+12%、+8% → 3 年提款后投资组合为 $1,150,000
- 坏的顺序: 第 1-3 年 -20%、-15%、+5% → 3 年提款后投资组合为 $630,000
3 年的平均回报大致相同。遭遇坏顺序的退休者的钱少了 45% — 而前面还有 27 年的提款。
如何解读 Monte Carlo 结果
成功率
头条数字:“92% 的情景存续到 95 岁。“这意味着在 1,000+ 条模拟的市场路径中,有 920 条产生了足够的资金,支撑您的支出直到 95 岁。其余 80 条则耗尽了。
| 成功率 | 解读 |
|---|---|
| 95%+ | 非常稳妥 — 计划有充足的余量 |
| 85–95% | 良好 — 风险可控,需要一定灵活性 |
| 70–85% | 中等风险 — 考虑调整 |
| 低于 70% | 高风险 — 计划很可能需要改变 |
百分位区间
置信区间展示可能结果的范围:
- 第 95 百分位: 牛市中的您的计划 — 遗产可能非常可观
- 第 75 百分位: 好于平均的结果
- 第 50 百分位(中位数): “典型”结果
- 第 25 百分位: 低于平均 — 市场表现不佳
- 第 5 百分位: 接近最坏情况 — 在这里您需要支出灵活性
第 5 和第 95 百分位之间的差距是您的不确定性范围。差距越宽,结果的变异性越大。第 5 百分位是对规划最重要的数字 — 它告诉您如果运气不好会发生什么。
Monte Carlo 能告诉您什么,不能告诉您什么
它擅长的方面
- 量化风险: “我把钱花光的可能性有多大?”是退休规划中最重要的问题。Monte Carlo 给出一个概率化的答案。
- 测试策略: 比较 Roth 转换阶梯与不转换,或 Guyton-Klinger 支出策略与固定支出 — 看哪种产生更好的成功率。
- 揭示尾部风险: 第 5 百分位的结果展示了 1,000 个情景中最差的约 50 个会发生什么。如果那个结果可以承受,您的计划就是稳健的。
它无法捕捉的方面
- 肥尾: 真实的市场崩盘比对数正态分布假设的更严重、更集中。2008 年是一个 4+ 标准差的事件 — Monte Carlo 低估了这类事件的频率。
- 行为风险: Monte Carlo 假设您会坚持计划。实际上,人们在崩盘时恐慌抛售,在牛市中过度消费。
- 结构性变化: 模拟假设未来在统计上与过去相似。范式转变(持续低利率、人口结构衰退、AI 生产力提升)未被建模。
Monte Carlo 是理解概率的工具,不是预测未来的工具。请将它与历史回测(使用实际市场数据,包括 Robert Shiller 追溯至 1871 年的 S&P 500 数据集)结合使用,以获得更完整的图景。
如何提高您的成功率
如果您的 Monte Carlo 成功率低于您的舒适水平:
- 减少支出。 最有力的杠杆。哪怕每年少花 $2,000,也能将成功率提高 5-10 个百分点。
- 推迟退休。 每多工作一年既增加供款,又减少提款年数。哪怕 1-2 年也能显著改变曲线。
- 推迟 CPP/Social Security。 晚年更高的保证收入意味着您在 70 多岁和 80 多岁时对投资组合的依赖更少 — 而这正是顺序风险最危险的时候。
- 使用自适应支出策略。 Guyton-Klinger 护栏或 VPW 允许在低迷期削减支出,大幅提高存续率。
- 优化提款顺序。 在正确的时间从正确的账户提款可以减少税务拖累,保留免税增长。
- 降低投资组合波动率。 更高的债券配置降低回报的变异性,但也降低预期回报。最优配置取决于您的风险承受能力和时间跨度。
Monte Carlo vs. 历史回测
| 方法 | 原理 | 优势 | 劣势 |
|---|---|---|---|
| Monte Carlo | 从分布中抽取随机回报 | 测试数千条路径,包括尚未发生过的 | 假设回报服从已知分布 |
| 历史回测 | 1871 年至今的真实回报 | 使用包含真实崩盘与复苏的实际市场数据 | 仅限约 150 年的数据;未来可能不同 |
最好的方法是两者兼用:用 Monte Carlo 做广泛的概率评估,用历史回测扎根于真实世界的市场行为。
cinder.fi 如何提供帮助
cinder.fi 在 Web Worker 中运行 1,000+ 次 Monte Carlo 模拟(保持界面响应流畅),采用对数正态回报分布和可配置的波动率。结果以置信区间的形式呈现在 Monte Carlo 图表上 — 展示您的投资组合余额、支出和遗产价值随时间变化的第 5 至第 95 百分位结果。Summary 标签页在确定性指标旁边显示头条耗尽概率。每个情景、提款策略和支出方式都可以通过 Monte Carlo 进行压力测试,看哪种组合产生最佳的风险调整后结果。
对您的退休计划进行压力测试 — 免费试用 cinder.fi。