Proč Monte Carlo v penzi 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 trajektorií vývoje portfolia, inflace a výdajů, a z těchto trajektorií odvodit pravděpodobnost úspěchu (např. „pravděpodobnost, že portfolio neskončí na nule při daném výběru“). Přestože MC přináší 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 nastavit simulace tak, aby měly praktickou vypovídací 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 na účtu či udržitelný výběr – tedy „co všechno je možné a jak často“.
- Podmíněná pravděpodobnost: výsledky platí za podmínky, že předpoklady (výnosy, volatility, korelace, inflace, rebalancování, poplatky) jsou správně specifikovány.
- Citlivost na pořadí výnosů: MC dokáže zachytit vliv sekvence výnosů (sequence risk) při pravidelných výběrech – zásadní pro penzi.
- Agregované metriky rizika: například pravděpodobnost „ruiny“ do 95. roku života, shortfall (pravděpodobnost, že příjem klesne pod hranici), CVaR (očekávaná ztráta v chvostu).
Co Monte Carlo neříká: typické mylné představy
- Není to věštectví: 90% pravděpodobnost úspěchu neznamená, že „určitě“ uspějete; 10 % selhání může být pro konkrétního člověka nepřijatelných.
- Neodstraňuje chyby modelu: pokud jsou vstupní údaje nesprávné (např. podhodnocená volatilita, ignorovaná korelace v krizi), MC jen reprodukuje tyto chyby.
- Nezachytí nedefinované šoky: režimové zlomy (válka, nové daňové režimy, zdravotní šoky, změna délky života) mimo nastavená rozdělení zůstanou „mimo model“.
- Sama o sobě neurčuje optimální strategii: bez definice cílové funkce (užitek, minimální příjem, dědictví) nedá „nejlepší“ řešení – pouze mapu možností.
Kritické předpoklady: co nejvíce ovlivňuje výsledek
- Rozdělení výnosů: normální versus silné chvosty (t-rozdělení), skewness, kurtosis. Normální předpoklad často podhodnocuje extrémy.
- Závislost a korelace: korelace nejsou konstantní; v krizi rostou (tail dependence). Modelujte regime switching nebo copuly, pokud je to možné.
- Inflace a reálné výnosy: modelujte inflaci individuálního 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 ovlivňují výsledky.
- Horizont a délka života: modelujte stochastic longevity (např. Gompertz) místo pevného věku; jinak hrozí systematická chyba.
Risk sekvence výnosů: 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 trajektorie, tento efekt zpřehledňuje a umožňuje testovat pravidla jako:
- Úprava výběrů (např. snížení o 10–20 % po poklesu o X %).
- Cash buffer (2–3 roky), byť 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 % trajektorií 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 by účet skončil.
- Důležitá je i 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 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 vstupní data.
- Stratifikace: použití Latin Hypercube snižuje varianci odhadu bez zvyšování počtu běhů.
Alternativy a rozšíření: když základní MC nestačí
- Historický bootstrap: vytahuje bloky historických výnosů (block bootstrap) a zachovává časovou závislost; lepší pro sekvenční riziko.
- Regime-switching (Markov): model přechodu mezi „normál“, „krize“, „recovery“ se specifickými parametry.
- Copula přístupy: flexibilní závislost aktiv zejména v chvostech (tail dependence).
- Stochastická inflace a mzdová indexace: 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, která spouštějí úpravu výběru; MC umí kvantifikovat četnost zásahů a 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, anuity): MC pak simuluje „nadpodlahový“ rizikový příjem; významně snižuje riziko chudoby v chvostu.
- Odložené anuity (advanced life deferred annuity): snižují riziko velmi dlouhého dožití; modelujte moment nákupu a citlivost na sazby.
- Pojištění dlouhodobé péče (LTC): simulujte snížení variability výdajů z důvodu dlouhodobé péče.
Poplatky, daně a frikce: „malá čísla“ s velkým efektem
- Poplatky: 0,5–1,0 % p.a. TER systematicky posouvá rozdělení dolů; zahrňte je před simulací výnosů.
- Daně: modelujte rozdílná daňová prostředí (brokerage vs. daňově zvýhodněné schéma) a pořadí čerpání (tax-efficient withdrawal).
- Transakční náklady a sklouznutí: rebalancování není zdarma; nízká periodicita a prahy transakcí jsou realističtější.
Kalibrace parametrů: od historických průměrů k forward-looking odhadům
- Ne-stacionarita: historické průměry nemusí být dobrým odhadem budoucnosti (změny valuací, demografie, sazby).
- Bayesovské míchání: kombinujte historická data s tržními signály (např. výnosová křivka, earnings yield) a uznejte parametrický risk.
- 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 %); rozdílné rozdělení výsledků.
- Hranice příjmů: minimální/maximální příjmy a „skip“ pravidla, když portfolio klesne pod hranici rizika.
Komunikace výsledků: od „success rate“ k mapám rozhodnutí
- Vícedimenzionální výstupy: heatmapy pravděpodobnosti úspěchu podle (výběr %; akcie %) jsou užitečnější než jeden graf.
- Kromě percentilů i zážitek klienta: metriky „roky s poklesem příjmu > 10 %“, „max. pokles příjmu“, „počet zásahů guardrails“.
- Scénáře „co když“: 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 samotné percentily mají chybová pásma.
- Prevence nadinterpretace: nepřekládajte 95. percentil zůstatku jako „téměř jistotu bohatství“; jde o horní chvost, nikoli slib.
Praktický postup: jak sestavit použitelné MC pro penzi
- 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 fixní), případně párově pro domácnost.
- Vyberte strategie výběru: alespoň tři alternativy (pevná suma, procento, guardrails) pro srovnání.
- Simulujte dostatečný počet 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 zkontrolovat před interpretací výsledků
- Je jasné, jaká rozdělení a korelace byly použity? Zohledňují chvosty a krizové režimy?
- Je inflace modelována samostatně a korelována s výnosy?
- Jsou poplatky a daně integrovány v simulaci, nikoli připočteny dodatečně?
- 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 i kvalita života (stabilita příjmu), nejen „nevyčerpání účtu“?
MC jako kompas, ne GPS
Monte Carlo simulace jsou silný kompas v nejisté krajině penze: 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 postavená a poct
