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 scénářů vývoje portfolia, inflace a výdajů a z těchto scénářů odvodit pravděpodobnost úspěchu (např. „pravděpodobnost, že portfolio neklesne na nulu při daných výběrech“). Ačkoli MC poskytuje cenná rozdělení výsledků místo jednoho scénáře, jeho interpretace má své limity. Tento článek vysvětluje, co MC skutečně říká, co neříká, jaké jsou klíčové předpoklady a jak simulace nastavit, aby měly praktickou výpovědní hodnotu pro rozhodování o výši výběrů, alokaci a rizikové strategii.
Co Monte Carlo skutečně říká: jazyk pravděpodobností, nikoli jistot
- Rozdělení výsledků, nikoli bodový odhad: MC poskytuje percentily (např. 5., 50., 95.), intervaly pro zůstatek 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 (sequence risk) při pravidelných výběrech – což je pro důchod zásadní.
- Agregované metriky rizika: např. pravděpodobnost „vyčerpání prostředků“ do 95 let věku, shortfall (pravděpodobnost, že příjem klesne pod stanovenou hranici), CVaR (očekávaná ztráta v chvostu rozdělení).
Co Monte Carlo neříká: typické mylné představy
- Není to věštba: 90 % pravděpodobnost úspěchu neznamená, že „určitě“ uspějete; 10 % selhání může být pro konkrétního člověka nepřijatelných.
- Neodstraňuje modelové chyby: pokud jsou vstupy nesprávné (např. podhodnocená volatilita, ignorovaná korelace v krizi), MC tyto chyby pouze reprodukuje.
- Nezachytí nedefinované šoky: režimové zlomy (válka, nové daňové režimy, zdravotní šoky, změna délky života) mimo nastavená rozdělení zůstanou „mimo model“.
- Neurčuje optimální strategii sám o sobě: bez definice cílové funkce (užitek, minimální příjem, dědictví) neposkytne „nejlepší“ řešení – pouze mapu možností.
Kritické předpoklady: co nejvíce ovlivňuje výsledek
- Rozdělení výnosů: normální versus tuhé chvosty (t-rozdělení), skewness, kurtosis. Normální předpoklad často podhodnocuje extrémy.
- Závislosti a korelace: korelace nejsou konstantní; v krizích rostou (tail dependence). Pokud možno modelujte regime switching nebo copuly.
- 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. Zahrňte TER, správu a daňové dopady po rebalancích.
- 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 hrozí systematická chyba.
Sequence of Returns Risk: proč při výběrech záleží na pořadí
Při akumulaci je klíčový průměr výnosů; při decumulaci rozhoduje pořadí. Negativní roky na začátku penze mohou způsobit nevratné poškození portfolia při stejném průměru výnosů. MC tím, že generuje celé dráhy, tento efekt zviditelňuje a umožňuje testovat pravidla jako:
- Úprava výběrů (např. snížení o 10–20 % po poklesu o X %).
- Cash buffer (2–3 roky), i za cenu „cash drag“.
- Dynamické přeskupení rizika (glidepath nebo rising equity v prvních letech).
Percentily, „pravděpodobnost úspěchu“ a jejich správná interpretace
- Percentily nejsou zárukou: 10. percentil zůstatku „= X Kč“ znamená, že v 10 % dráh byl zůstatek ≤ X Kč. Nevypovídá přímo o kvalitě života v těchto scénářích.
- „Success rate“ je binární ukazatel: často „nevysátí účtu do 95 let“. Může ignorovat roky s nízkým příjmem předtím, než by konto zkrachovalo.
- Důležitá je také šířka a tvar rozdělení: dva plány se stejnou pravděpodobností úspěchu mohou mít zcela odlišné chvosty (CVaR) a tedy i jiné riziko chudoby.
Monte Carlo chyba a reprodukovatelnost: ne vždy 1 000 běhů stačí
- Konvergenční chyby: percentily mají své 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 navyšování počtu běhů.
Alternativy a rozšíření: když základní MC nestačí
- Historický bootstrap: tahá bloky historických výnosů (block bootstrap) a zachovává časovou závislost; vhodnější pro sekvenční riziko.
- Regime-switching (Markov): model přepínání mezi „normál“, „krize“, „oživení“ se specifickými parametry.
- Copula přístupy: flexibilní závislosti aktiv zejména v chvostech (tail dependence).
- Stochastická inflace a mzdová indexace: společné modelování 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 vyčerpání, ale volatilní příjem; vhodné kombinovat s minimem.
- „Guardrails“ (např. Guyton–Klinger): horní/dolní pásma, která spouštějí úpravu výběru; MC dokáže kvantifikovat frekvence zásahů a dopady.
- Podmíněné výplaty: vazba na tržní valuace nebo ekonomické indikátory (s opatrností vzhledem k prediktivní síle).
Anuity, pojištění a „flooring“: MC v kombinovaném designu příjmu
- Příjmová podlaha (důchod, renta, anuity): MC simuluje „nadpodlahový“ rizikový příjem; významně snižuje riziko chudoby v chvostu rozdělení.
- Odložené anuity (advanced life deferred annuity): snižují riziko velmi dlouhého dožití; modelujte okamžik nákupu a citlivost na sazby.
- Pojištění dlouhodobé péče (LTC): simulujte snížení volatility 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 výsledků dolů; zahrňte je před simulací výnosů.
- Daně: modelujte odlišné daňové obálky (brokerage vs. daňově zvýhodněné schéma) a pořadí čerpání (tax-efficient withdrawal).
- Transakční náklady a skluz: rebalancování není zadarmo; nízká periodicita a transakční prahy jsou realističtější.
Kalibrace parametrů: od historických průměrů k forward-looking odhadům
- Ne-stacionarita: historické průměry nemusí být spolehlivým odhadem budoucnosti (změny valuací, demografie, úrokových sazeb).
- Bayesovské kombinování: kombinujte historická data s tržními signály (např. výnosová křivka, earnings yield) a uznejte parametrická rizika.
- Validace: zpětné testování (out-of-sample), křížové srovnání s jinými modely a kontrola zdravého rozumu (např. výchozí rok na prahu medvědího trhu).
Metodické poznámky: granularita, frekvence a rebalancování
- Časový krok: měsíční kroky lépe zachycují sekvenci a inflaci než roční; vyvažte to s výpočetní náročností.
- Rebalancování: pravidelné (ročně) vs. prahové (např. odchylka ±20 %); odlišné rozdělení výsledků.
- Hranice příjmu: minima/maxima příjmů a pravidla „skip“, kdy portfolio klesne pod rizikovou hranici.
Komunikace výsledků: od „success rate“ k mapám rozhodnutí
- Vícedimenzionální výstupy: heatmapy pravděpodobnosti úspěchu podle (výběr %; podíl akcií %) jsou užitečnější než jediný graf.
- Kromě percentilů i zkušenost klienta: metriky jako „roky s poklesem příjmu > 10 %“, „maximální pokles příjmu“, „počet zásahů guardrails“.
- Scénáře „co kdyby“: jasně ukažte dopad změny výběru o ±0,5 p.b., změny akciové složky o ±10 p.b. a nákupu anuity.
Etika a „gigo“: garbage in, garbage out
- Transparentnost: dokumentujte zdroje parametrů, verzi modelu, datum kalibrace.
- Pokora: uznejte intervaly nejistoty – i percentily mají vlastní chybové pásma.
- Prevence přeinterpretace: nevykládejte 95. percentil zůstatku jako „téměř jistotu bohatství“; jde o horní chvost, nikoli o 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 podle koše výdajů; poplatky a daně.
- Modelujte délku života: distribuovaně (nikoli fixně), případně párově pro domácnost.
- Vyberte strategie výběru: alespoň tři alternativy (pevná částka, procento, guardrails) pro porovnání.
- Simulujte dostatečný počet běhů: ≥ 50 000, měsíční krok, rebalancování s prahovými pravidly.
- 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, jaká rozdělení a korelace byla použitá? Zohledňují chvosty a krizové režimy?
- Je inflace modelována samostatně a korelována s výnosy?
- Jsou poplatky a daně integrovány do simulace, nikoli připočítány ex post?
- Je strategie výběru realistická (včetně pravidel pro 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 i kvalita života (stabilita příjmu), nikoli pouze „nevysátí účtu“?
MC jako kompas, nikoli GPS
Monte Carlo simulace jsou silný kompas v nejisté krajině důchodu: ukazují rozsah možných cest a jejich pravděpodobnosti. Nejsou však GPS s přesnou trasou. Jejich hodnota závisí na kvalitě předpokladů, schopnosti zachytit sekvenční riziko, inflaci a životní události a na uvedení výsledků do kontextu prefer
