Proč Monte Carlo v důchodu a co od něj očekáváme
Monte Carlo simulace (MC) jsou standardním nástrojem pro modelování nejistoty v důchodovém plánování. Umožňují generovat tisíce až miliony možných budoucích průběhů vývoje portfolia, inflace a výdajů a z těchto průběhů odvodit pravděpodobnost úspěchu (např. „pravděpodobnost, že portfolio neskončí na nule při daném výběru“). Ačkoli MC přináší cenná rozložení výsledků místo jediného scénáře, jeho interpretace má omezení. Tento článek vysvětluje, co MC skutečně říká, co neříká, jaké jsou klíčové předpoklady a jak simulace nastavit tak, aby měly praktickou vypovídací hodnotu pro rozhodnutí o výši výběrů, alokaci a rizikové strategii.
Co Monte Carlo skutečně říká: jazyk pravděpodobností, nikoli jistot
- Rozložení výsledků, nikoli bodový odhad: MC poskytuje percentily (např. 5., 50., 95.), intervaly pro stav účtu či udržitelný výběr – tedy „co vše je možné a jak často“.
- Podmíněná pravděpodobnost: výsledky platí za předpokladu, že předpoklady (výnosy, volatility, korelace, inflace, rebalancování, poplatky) jsou správně specifikovány.
- Citlivost na pořadí: MC dokáže zachytit vliv sekvence výnosů (riziko sekvence) při pravidelných výběrech – zásadní pro důchod.
- Agregované metriky rizika: například pravděpodobnost „ruiny“ do 95 let věku, shortfall (pravděpodobnost, že příjem klesne pod hranici), CVaR (očekávaná ztráta v chvostu rozdělení).
Co Monte Carlo neříká: běžné mylné představy
- Není to proroctví: 90% pravděpodobnost úspěchu neznamená, že „určitě“ uspějete; 10 % selhání může být pro konkrétní osobu nepřijatelných.
- Neodstraňuje chyby modelu: pokud jsou vstupy nesprávné (např. podhodnocená volatilita, ignorovaná korelace v krizi), MC tyto chyby jen reprodukuje.
- Nezachytí nešpecifikované šoky: režimové zlomy (válka, nové daňové režimy, zdravotní šoky, změna délky života) mimo nastavené distribuce zůstávají „mimo model“.
- Neurčuje optimální strategii sám o sobě: bez definice cílové funkce (užitek, minimum příjmu, dědictví) neposkytne „nejlepší“ řešení – pouze mapu možností.
Kritické předpoklady: co nejvíce rozhoduje o výsledku
- Distribuce výnosů: normální vs. těžké ocasy (t-rozdělení), skewness, kurtosis. Normální předpoklad často podhodnocuje extrémy.
- Závislosti a korelace: korelace nejsou konstantní; v krizi rostou (tail dependence). Modelujte regime switching nebo kopuly, pokud je to možné.
- Inflace a reálné výnosy: modelujte inflaci osobního koše výdajů (zdravotní péče, bydlení) a její korelaci s výnosy.
- Poplatky a daně: trvalé náklady mají exponenciální efekt. Přidejte TER, správu a efekt daní po rebalancování.
- Rebalancování a pravidla výběru: periodicita rebalancování, guardrails pro výběry, podmíněné snižování/zvyšování příjmu výrazně mění výsledky.
- Horizont a délka života: modelujte stochastickou délku života (např. Gompertz) místo pevného věku; jinak riskujete systematickou chybu.
Sequence of Returns Risk: proč při výběrech záleží na pořadí
Při akumulaci je klíčový průměr výnosů; při čerpání rozhoduje pořadí. Negativní roky na začátku důchodu mohou způsobit nevratné poškození portfolia při stejném průměru výnosů. MC tím, že generuje celé cesty, zviditelňuje tento efekt a umožňuje testovat pravidla jako:
- Úprava výběrů (např. snížit o 10–20 % po poklesu o X %).
- Cash buffer (2–3 roky), i když za cenu „cash drag“.
- Dynamické přeskupení rizika (glidepath nebo rising equity v prvních letech).
Percentily, „pravděpodobnost úspěchu“ a jejich správná interpretace
- Percentily nejsou záruky: 10. percentil zůstatku „= X €“ znamená, že v 10 % scénářů byl zůstatek ≤ X €. Nevypovídá přímo o kvalitě života v těchto scénářích.
- „Success rate“ je binární ukazatel: často „nevyčerpání účtu do věku 95“. Může ignorovat roky s nízkým příjmem předtím, než účet opravdu zkrachoval.
- Důležitá je také šířka a tvar rozdělení: dva plány se stejnou pravděpodobností úspěchu mohou mít zcela odlišná rizika v chvostech (CVaR), a tedy i odlišné riziko chudoby.
Monte Carlo chyba a reprodukovatelnost: ne každých 1 000 běhů je dost
- Konvergenční chyby: percentily mají vlastní intervaly nejistoty. Pro stabilní 5./95. percentily může být potřeba ≥ 50 000–100 000 běhů.
- Nastavení semene (seed): pro audit a opakovatelnost fixujte seed a archivujte verzi kódu a vstupy.
- Stratifikace: použití Latin Hypercube snižuje varianci odhadu bez nutnosti zvyšovat počet běhů.
Alternativy a rozšíření: když základní MC nestačí
- Historický bootstrap: čerpá bloky historických výnosů (block bootstrap) a zachovává časovou závislost; lépe vhodné pro sekvenční riziko.
- Regime-switching (Markov): model přechodu mezi „normál“, „krizí“, „oživením“ se specifickými parametry.
- Copula přístupy: flexibilní závislost aktiv zejména v ocasech rozdělení (tail dependence).
- Stochastická inflace a indexace mezd: společný model inflace, výnosů dluhopisů a akcií.
- Microsimulace výdajů: náhlé zdravotní náklady, dlouhodobá péče, opravy bydlení, volatilita spotřeby.
Nastavení výběrové strategie: fixní procento, 4 % pravidlo, guardrails
- Pevná částka indexovaná inflací: stabilita příjmu, vyšší riziko vyčerpání při slabých letech.
- Procento z aktuální hodnoty: nízká pravděpodobnost ruiny, ale volatilní příjem; vhodné kombinovat s minimem.
- „Guardrails“ (např. Guyton–Klinger): horní/dolní pásma spouštějící úpravy výběru; MC umí kvantifikovat frekvenci zásahů a jejich dopad.
- Podmíněné výplaty: propojení na tržní valuace nebo ekonomické indikátory (opatrně s prediktivní silou).
Anuity, pojištění a „flooring“: MC v kombinovaném designu příjmu
- Příjmová podlaha (důchod, renta, annuity): MC simuluje „nadpodlahový“ rizikový příjem; významně snižuje riziko chudoby v chvostu rozdělení.
- Odložené annuity (advanced life deferred annuity): snižují riziko velmi dlouhého přežití; modelujte okamžik nákupu a citlivost na sazby.
- Pojištění LTC: simulujte snížení variability výdajů z důvodu dlouhodobé péče.
Poplatky, daně a frikce: „malá čísla“ s velkým dopadem
- Poplatky: 0,5–1,0 % p.a. TER systematicky posouvá rozdělení směrem dolů; zahrňte je před simulací výnosů.
- Daně: modelujte rozdílné daňové schránky (brokerage vs. daňově zvýhodněné režimy) a pořadí čerpání (tax-efficient withdrawal).
- Transakční náklady a skluz: rebalancování není zadarmo; nízká frekvence a prahové hodnoty obchodování jsou realističtější.
Kalibrace parametrů: od historických průměrů k forward-looking odhadům
- Ne-stacionarita: historické průměry nemusí být dobrým odhadem budoucnosti (změny valuací, demografie, sazeb).
- Bayesovské smíchání: kombinujte historická data s tržními signály (např. výnosová křivka, earnings yield) a zohledněte parametrický riziko.
- Validace: zpětné testování (out-of-sample), křížové porovnání s jinými modely a sanity-checky (startovací rok na prahu medvědího trhu).
Metodické poznámky: granularita, frekvence a rebalancování
- Časový krok: měsíční kroky lépe zachytí sekvenci a inflaci než roční; vyvažte to s výpočetní náročností.
- Rebalancování: pravidelné (ročně) vs. prahové (např. odchylka ±20 %); odlišná distribuce výsledků.
- Hraniční příjmy: minima/maxima příjmu a „skip“ pravidla, když portfolio klesne pod hranici rizika.
Komunikace výsledků: od „success rate“ k mapám rozhodnutí
- Více-dimenzionální výstupy: heatmapy pravděpodobnosti úspěchu podle (výběr %; akcie %) jsou užitečnější než jediný graf.
- Kromě percentilů i zkušenosti klienta: metriky „roky s poklesem příjmu > 10 %“, „max. pokles příjmu“, „počet zásahů guardrails“.
- Scénáře „co kdyby“: jasně ukažte dopad změny výběru o ±0,5 p.b., změny podílu akcií o ±10 p.b. a nákupu anuity.
Etika a „garbage in, garbage out“
- Transparentnost: dokumentujte zdroje parametrů, verzi modelu, datum kalibrace.
- Pokora: připusťte intervaly nejistoty – i samotné percentily mají chybová pásma.
- Prevence přehnané interpretace: nepřekládejte 95. percentil zůstatku jako „téměř jistotu bohatství“; jde o horní chvost, nikoli slib.
Praktický postup: jak sestavit použitelnou MC pro důchod
- Definujte cíl: minimální garantovaný příjem (floor), cílový příjem, tolerance volatility příjmu, dědictví.
- Kalibrujte vstupy: forward-looking reálné výnosy, volatility, korelace; inflace dle koše výdajů; poplatky a daně.
- Modelujte délku života: distribuční (nikoli pevnou), případně párově pro domácnost.
- Vyberte strategie výběru: alespoň tři alternativy (pevná částka, procento, guardrails) pro srovnání.
- Simulujte dostatečně mnoho běhů: ≥ 50 000, měsíční krok, rebalancování s prahy.
- Reportujte vhodné metriky: success rate, CVaR příjmu, max. pokles příjmu, zásahy guardrails, rozdělení dědictví.
- Provádějte citlivostní analýzy: ±1 p.b. výnosy, +2 p.b. inflace, 30 % drawdown v prvních 5 letech, poplatky +0,5 p.b.
- Přidejte scénáře: historický bootstrap, krizový režim, zdravotní šoky, nákup/odklad anuity.
Checklist: co ověřit před interpretací výsledků
- Je jasné, jaké distribuce a korelace byly použity? Zohledňují ocasy a krizové režimy?
- Je inflace modelovaná samostatně a korelovaná s výnosy?
- Jsou poplatky a daně integrovány do simulace, nikoli připočteny ex post?
- Je strategie výběru realistická (včetně pravidel snižování/zvyšování příjmu)?
- Kolik běhů bylo použito a jaká je MC chyba pro 5./95. percentil?
- Jsou uvedeny citlivostní testy a alternativní scénáře?
- Je komunikována také kvalita života (stabilita příjmu), nikoli pouze „nevyčerpání účtu“?
MC jako kompas, nikoli GPS
Monte Carlo simulace jsou silným kompasem v nejisté krajině důchodu: ukazují rozsah možných cest a jejich pravděpodobnosti. Nejsou však GPS s přesnou trasou. Jejich hodnota stojí na kvalitě předpokladů, schopnosti zachytit sekvenční riziko, inflaci a životní události, a na uvedení výsledků do kontextu preferencí (stabilita příjmu, averze k chudobě, dědictví). Správně
