Ketika Monte Carlo Gagal: Jebakan Tersembunyi Simulasi Pensiun

Ketika Monte Carlo Gagal: Jebakan Tersembunyi Simulasi Pensiun

Simulasi Monte Carlo telah menjadi alat default untuk perencanaan pensiun. Penasihat keuangan, robo-advisor, dan model pensiun institusional semuanya mengandalkannya untuk menjawab pertanyaan paling krusial dalam keuangan pribadi: apakah uang saya akan cukup? Output tipikal memberikan rasa aman: probabilitas keberhasilan 85% atau 90%, disajikan dengan otoritas 10.000 jalur simulasi. Namun di balik angka tersebut tersembunyi serangkaian asumsi yang, ketika gagal, menghasilkan hasil yang jauh lebih buruk dari yang diprediksi simulasi.

Masalahnya bukan bahwa simulasi Monte Carlo salah secara prinsip. Masalahnya adalah implementasi standar yang digunakan oleh sebagian besar alat perencanaan membuat lima asumsi kritis yang secara demonstratif salah untuk pasar keuangan nyata. Asumsi-asumsi ini tidak menghasilkan kesalahan kecil. Mereka secara sistematis meremehkan tail risk, risiko yang paling penting bagi pensiunan yang tidak dapat pulih dari portofolio yang telah habis.

Artikel ini mengkaji setiap asumsi, mengukur dampaknya terhadap proyeksi pensiun, dan menyajikan perbaikan metodologis yang telah dikembangkan peneliti selama dua dekade terakhir.

Asumsi 1: Return Independen dan Berdistribusi Identik (i.i.d.)

Mesin Monte Carlo standar menarik return setiap tahun secara independen dari distribusi tetap, biasanya distribusi normal yang dikalibrasi ke rata-rata dan varians historis. Ini berarti setiap tahun simulasi tidak memiliki memori tentang tahun sebelumnya. Tahun crash sama kemungkinannya diikuti oleh crash lain atau boom.

Pasar nyata berperilaku sangat berbeda dari ini. Mandelbrot dan Hudson (2004) mendokumentasikan bahwa return keuangan menunjukkan pengelompokan volatilitas: pergerakan besar cenderung mengikuti pergerakan besar, dan periode tenang cenderung mengikuti periode tenang. Ini adalah keteraturan empiris yang ditangkap oleh model GARCH dan dikonfirmasi di hampir setiap kelas aset dan periode yang diteliti.

Asumsi i.i.d. juga mengabaikan mean reversion dan momentum, dua fitur return ekuitas yang terdokumentasi dengan baik pada horizon berbeda. Pada horizon pendek (satu hingga dua belas bulan), return menunjukkan autokorelasi positif (momentum). Pada horizon lebih panjang (tiga hingga tujuh tahun), return cenderung mean-revert, khususnya ketika diukur dari valuasi awal yang ekstrem.

Untuk perencanaan pensiun, asumsi i.i.d. sangat berbahaya karena meremehkan probabilitas drawdown berkepanjangan. Simulasi Monte Carlo standar dengan return normal i.i.d. sesekali menghasilkan dua atau tiga tahun buruk berturut-turut. Namun hampir tidak pernah menghasilkan jenis kekeringan return riil selama satu dekade yang sebenarnya dialami pensiunan pada periode 1966-1982, ketika S&P 500 memberikan return riil tahunan sekitar -0,4% selama 16 tahun.

Asumsi 2: Distribusi Normal Return

Bahkan ketika asumsi i.i.d. berlaku, distribusi normal itu sendiri tidak cocok untuk return keuangan. Return nyata menunjukkan fat tail: peristiwa ekstrem terjadi jauh lebih sering dari yang diprediksi model Gaussian. Crash Oktober 1987, ketika S&P 500 turun 20,5% dalam satu hari, adalah peristiwa sekitar 20-sigma di bawah asumsi distribusi normal, peristiwa dengan probabilitas sangat kecil sehingga tidak seharusnya terjadi dalam masa hidup alam semesta.

Lo (2002) mendemonstrasikan bahwa asumsi distribusi memiliki efek orde pertama pada metrik risiko seperti Sharpe ratio, dan secara perluasan, pada setiap analisis Monte Carlo yang mengandalkan metrik tersebut. Ketika return mengikuti distribusi Student's t dengan lima derajat kebebasan alih-alih distribusi normal, probabilitas hasil negatif ekstrem meningkat secara substansial.

Tabel di atas mengilustrasikan dampak beralih dari distribusi normal ke distribusi Student's t (5 derajat kebebasan) dalam simulasi pensiun 30 tahun untuk portofolio 60/40. Pada tingkat penarikan 4% yang umum dikutip, tingkat kegagalan hampir dua kali lipat dari 11% menjadi 22%. Divergensi melebar pada tingkat penarikan yang lebih tinggi, tepat di mana pensiunan paling rentan.

Pfau (2010) menunjukkan bahwa simulasi Monte Carlo menggunakan distribusi normal menghasilkan tingkat penarikan aman yang jauh lebih tinggi dibandingkan yang diperoleh dari analisis bootstrap historis, yang secara inheren melestarikan sifat fat-tailed dari return aktual. Kesenjangan paling menonjol di ekor kiri hasil, wilayah yang paling penting untuk keamanan pensiun.

Asumsi 3: Korelasi Konstan

Simulasi Monte Carlo standar menggunakan matriks korelasi tetap untuk memodelkan hubungan antar kelas aset. Asumsi tipikal mungkin menetapkan korelasi saham-obligasi pada -0,2, mencerminkan hubungan rata-rata yang diamati selama periode 2000-2020. Korelasi negatif ini adalah fondasi manfaat diversifikasi yang membuat portofolio 60/40 tampak menarik.

Tetapi korelasi tidak konstan. Mereka bergantung pada rezim dan cenderung melonjak tepat ketika diversifikasi paling dibutuhkan. Selama krisis keuangan 2008, crash COVID 2020, dan guncangan inflasi 2022, korelasi saham-obligasi bergeser secara dramatis. Pada 2022, Bloomberg US Aggregate Bond Index turun 13% sementara S&P 500 turun 18%, penurunan simultan yang akan diklasifikasikan oleh model korelasi negatif konstan sebagai sangat tidak mungkin.

Blanchett dan Blanchett (2008) menemukan bahwa memasukkan korelasi dinamis ke dalam proyeksi pensiun secara signifikan mengurangi estimasi tingkat kelangsungan portofolio, terutama untuk portofolio dengan alokasi ekuitas moderat hingga tinggi. Efeknya terbesar di ekor kiri, di mana lonjakan korelasi selama krisis dikombinasikan dengan risiko urutan return menghasilkan hasil yang jauh lebih buruk dari prediksi model standar.

Hamilton (1989) mengembangkan kerangka kerja regime-switching yang memberikan fondasi matematis untuk memodelkan dinamika korelasi ini. Model dua rezim, satu untuk pasar normal dan satu untuk periode krisis, menangkap fitur esensial bahwa diversifikasi memburuk tepat ketika paling dibutuhkan.

Asumsi 4: Inflasi sebagai Noise Latar Belakang

Sebagian besar alat Monte Carlo pensiun memperlakukan inflasi sebagai konstanta (biasanya 2-3%) atau sebagai variabel acak sederhana yang tidak berkorelasi dengan return pasar. Ini melewatkan skenario inflasi paling berbahaya bagi pensiunan: inflasi persisten selama bertahun-tahun yang secara simultan mengikis daya beli dan menekan return aset riil.

Dekade 1970-an memberikan contoh historis paling jelas. Dari 1973 hingga 1982, inflasi CPI AS rata-rata 8,7% per tahun sementara S&P 500 memberikan return nominal tahunan sekitar 6,7%, menghasilkan return riil negatif yang bertahan selama hampir satu dekade. Simulasi Monte Carlo standar yang memperlakukan inflasi sebagai noise independen dengan rata-rata 3% dan deviasi standar 1,5% hampir tidak pernah menghasilkan skenario ini karena gagal memodelkan korelasi antara inflasi tinggi dan return riil yang buruk.

Dampaknya terhadap portofolio pensiun sangat parah. Pensiunan yang mulai menarik pada 1973 dengan tingkat penarikan 4% yang disesuaikan inflasi melihat jumlah penarikan nominal mereka naik tajam karena penyesuaian inflasi, sementara nilai riil portofolio mereka menurun. Ini adalah kombinasi terburuk yang mungkin terjadi: penarikan yang meningkat bertemu dengan nilai portofolio yang menurun.

Asumsi 5: Rata-Rata Historis sebagai Expected Return Prospektif

Asumsi kritis terakhir adalah penggunaan return rata-rata historis sebagai input expected return. Ekuitas AS telah memberikan return nominal tahunan sekitar 10% sejak 1926. Banyak alat Monte Carlo menggunakan angka ini, atau sesuatu yang mendekatinya, sebagai asumsi prospektif.

Ini mengabaikan hubungan empiris yang kuat antara valuasi awal dan return berikutnya. Ketika Shiller CAPE ratio di atas 30 (seperti yang terjadi selama sebagian besar dekade 2020-an), return riil 10 tahun berikutnya secara historis rata-rata 0-3%, jauh di bawah rata-rata jangka panjang 6-7%. Menggunakan rata-rata historis sebagai estimasi prospektif ketika valuasi tinggi menghasilkan hasil Monte Carlo yang secara sistematis terlalu optimistis.

Tabel di atas membandingkan empat metodologi Monte Carlo untuk portofolio 60/40 senilai $1 juta dengan tingkat penarikan 4% yang disesuaikan inflasi selama 30 tahun. Pendekatan standar menunjukkan tingkat kegagalan 11% yang nyaman. Namun saat setiap fitur realistis ditambahkan, tingkat kegagalan terus meningkat. Model gabungan, yang menggabungkan fat tail, korelasi regime-switching, dan return berautokorelasi, memperkirakan tingkat kegagalan 28%; lebih dari dua kali lipat hasil standar.

Apa yang Rusak: MC Standar vs. Realitas

Efek kumulatif dari asumsi-asumsi ini adalah bahwa simulasi Monte Carlo standar menghasilkan bias optimisme sistematis. Hasil persentil ke-5 dalam simulasi standar, skenario yang disajikan penasihat sebagai kasus terburuk realistis, jauh lebih baik dari hasil terburuk historis aktual.

Pertimbangkan seorang pensiunan yang memulai pada tahun 2000 dengan portofolio 60/40 senilai $1 juta dan tingkat penarikan 4%. Crash dot-com, krisis keuangan 2008, dan kerusakan korelasi saham-obligasi 2022 menghasilkan urutan return yang akan ditempatkan model Monte Carlo standar jauh di bawah persentil ke-1. Pensiunan ini mengalami tiga drawdown parah dalam 22 tahun, dua di antaranya menampilkan penurunan saham dan obligasi secara simultan, skenario yang pada dasarnya dikesampingkan oleh model korelasi konstan.

Ini bukan sekadar keingintahuan historis. Kondisi struktural yang menghasilkan hasil-hasil ini, valuasi tinggi, rezim inflasi yang berubah, dan korelasi saham-obligasi yang berevolusi, adalah fitur pasar keuangan, bukan anomali.

Perbaikan: Metode Monte Carlo yang Lebih Baik

Peneliti telah mengembangkan beberapa perbaikan yang mengatasi kegagalan ini.

Simulasi block bootstrap, alih-alih menarik return tahun individual secara independen, menarik blok tahun berturut-turut (biasanya 3-5 tahun) dari catatan historis. Ini melestarikan struktur autokorelasi, pengelompokan volatilitas, dan dinamika korelasi dalam blok yang dihancurkan oleh sampling i.i.d. Cogneau dan Zakamouline (2013) mendemonstrasikan bahwa metode block bootstrap menghasilkan distribusi hasil pensiun yang berbeda secara material dibandingkan Monte Carlo standar, dengan ekor kiri yang lebih lebar dan hasil median yang lebih rendah.

Monte Carlo regime-switching menggunakan kerangka kerja yang dikembangkan oleh Hamilton (1989) untuk memodelkan pasar sebagai bergantian antara rezim yang berbeda (ekspansi, resesi, krisis) dengan distribusi return dan struktur korelasi yang berbeda di setiap rezim. Ini menangkap fitur esensial bahwa krisis bukan sekadar guncangan besar satu periode tetapi periode berkelanjutan dengan properti statistik yang berbeda.

Distribusi fat-tailed menggantikan distribusi normal dengan alternatif seperti distribusi Student's t atau distribusi stabil yang lebih baik menangkap peristiwa ekstrem. Student's t dengan 4-6 derajat kebebasan adalah pilihan pragmatis umum yang secara substansial meningkatkan probabilitas ekor tanpa memerlukan asumsi distribusi eksotis.

Stress testing berbasis skenario menempatkan skenario stres historis atau hipotetis spesifik ke jalur Monte Carlo. Alih-alih hanya mengandalkan penarikan acak, pendekatan ini secara eksplisit menyertakan skenario seperti stagflasi 1970-an, dekade yang hilang di Jepang, atau drawdown saham-obligasi simultan. Ini memastikan bahwa mode kegagalan yang diketahui terwakili dalam analisis terlepas dari apa yang dihasilkan sampling acak.

Implikasi Praktis untuk Perencanaan Pensiun

Konsekuensi praktis dari temuan ini adalah bahwa tingkat keberhasilan Monte Carlo 85% dari alat standar kemungkinan melebihkan keamanan pensiun aktual. Ketika fat tail, dinamika korelasi, dan efek rezim dimasukkan, tingkat keberhasilan 85% itu mungkin bersesuaian dengan sekitar 70-75% di bawah asumsi yang lebih realistis.

Ini tidak berarti simulasi Monte Carlo harus ditinggalkan. Ini berarti alat tersebut harus digunakan dengan kesadaran akan keterbatasannya dan, idealnya, dilengkapi dengan metodologi yang lebih baik. Pensiunan atau penasihat yang mengandalkan hasil Monte Carlo standar tanpa memahami asumsi yang tertanam membuat keputusan berdasarkan model yang secara sistematis meremehkan risiko hasil terburuk.

Pendekatan paling robust menggabungkan beberapa metode: Monte Carlo standar untuk baseline, block bootstrap untuk estimasi yang sadar autokorelasi, analisis regime-switching untuk dinamika krisis, dan pengujian skenario eksplisit untuk mode kegagalan historis yang diketahui. Ketika metode-metode ini konvergen pada kesimpulan yang serupa, kepercayaan terhadap proyeksi meningkat secara substansial. Ketika mereka divergen, estimasi yang lebih konservatif harus memandu perencanaan.

Referensi