モンテカルロが失敗するとき：退職シミュレーションの隠れた落とし穴

モンテカルロが失敗するとき：退職シミュレーションの隠れた落とし穴

モンテカルロ・シミュレーションは退職計画のデフォルトツールとなっています。ファイナンシャルアドバイザー、ロボアドバイザー、機関年金モデルのすべてが、個人金融における最も重要な問いに答えるためにこのツールに依存しています：自分のお金は持つのか？一般的な出力は安心を与えます。10,000のシミュレーションパスの権威とともに提示される85%または90%の成功確率です。しかし、その数字の背後には、失敗した場合にシミュレーションが予測したよりもはるかに悪い結果を生み出す一連の前提が存在します。

問題はモンテカルロ・シミュレーションが原則として間違っているということではありません。ほとんどの計画ツールが使用する標準的な実装が、実際の金融市場では明らかに誤りである5つの重要な前提を置いているということです。これらの前提は小さな誤差を生むものではありません。枯渇したポートフォリオから回復できない退職者にとって最も重要なテールリスクを体系的に過小評価します。

この記事では、各前提を検証し、退職予測への影響を定量化し、過去20年間に研究者たちが開発した方法論的改善策を提示します。

前提1：リターンは独立同一分布（i.i.d.）に従う

標準的なモンテカルロエンジンは、通常、過去の平均と分散で較正された正規分布から各年のリターンを独立に抽出します。これは各シミュレーション年が前年の記憶を持たないことを意味します。暴落した年の後に別の暴落が来る確率と好況が来る確率は等しくなります。

実際の市場はこれとはまったく異なる動きをします。MandelbrotとHudson（2004）は、金融リターンがボラティリティ・クラスタリングを示すことを記録しました：大きな変動は大きな変動の後に、穏やかな期間は穏やかな期間の後に続く傾向があります。これはGARCHモデルが捉える経験的規則性であり、事実上すべての資産クラスと研究期間にわたって確認されています。

i.i.d.の前提は、異なる投資期間において十分に文書化された2つの特性、すなわち平均回帰とモメンタムも無視します。短期（1カ月から12カ月）のリターンは正の自己相関（モメンタム）を示します。長期（3年から7年）のリターンは平均回帰する傾向があり、特に極端な開始バリュエーションから測定した場合にその傾向が顕著です。

退職計画においてi.i.d.の前提は、長期的な下落の確率を過小評価するため特に危険です。i.i.d.正規リターンを使用する標準的なモンテカルロ・シミュレーションは、時折2～3年連続の悪い年を生成します。しかし、1966～1982年の退職者が実際に経験したような10年にわたる実質リターンの枯渇はほとんど生成しません。この期間、S&P 500は16年間で年率約-0.4%の実質リターンを記録しました。

前提2：リターンの正規分布

i.i.d.の前提が成立しても、正規分布自体が金融リターンに対して不適切です。実際のリターンはファットテールを示します：極端な事象がガウスモデルの予測よりもはるかに高い頻度で発生します。1987年10月にS&P 500が1日で20.5%下落したのは、正規分布の前提の下では約20シグマのイベントであり、宇宙の寿命の中でも発生すべきでないほど確率が低いものでした。

Lo（2002）は、分布の前提がシャープレシオなどのリスク指標に一次的な影響を与え、それらの指標に依存するすべてのモンテカルロ分析にも影響を与えることを実証しました。リターンが正規分布の代わりに自由度5のスチューデントt分布に従う場合、極端な負の結果の確率は大幅に増加します。

上記の表は、60/40ポートフォリオの30年退職シミュレーションにおいて正規分布からスチューデントt分布（自由度5）に切り替えた場合の影響を示しています。よく引用される4%の引出率では、失敗率は11%から22%へとほぼ倍増します。差異はより高い引出率でさらに拡大し、退職者が最も脆弱な区間です。

Pfau（2010）は、正規分布を使用したモンテカルロ・シミュレーションが、実際のリターンのファットテール性質を本質的に保存する過去のブートストラップ分析から導出されたものよりも大幅に高い安全引出率を生成することを示しました。差異は退職保障にとって最も重要な領域である結果の左テールで最も顕著でした。

前提3：固定相関

標準的なモンテカルロ・シミュレーションは、資産クラス間の関係をモデル化するために固定相関行列を使用します。一般的な前提は株式-債券の相関を-0.2に設定するもので、2000-2020年の期間に観察された平均的な関係を反映しています。この負の相関は、60/40ポートフォリオを魅力的に見せる分散効果の基盤です。

しかし、相関は固定的ではありません。レジームに依存し、分散が最も必要な時に急上昇する傾向があります。2008年の金融危機、2020年のCOVIDショック、2022年のインフレショックの際、株式-債券の相関は劇的に変化しました。2022年にはブルームバーグ米国総合債券指数が13%下落し、S&P 500が18%下落して同時下落が発生しましたが、これは固定された負の相関モデルでは極めて起こりにくいと分類される結果です。

BlanchettとBlanchett（2008）は、動的相関を退職予測に組み込むと推定ポートフォリオ生存率が大幅に低下することを発見しました。特に中程度から高い株式配分のポートフォリオでその効果は大きくなりました。効果は、危機時の相関急上昇がリターンの順序リスクと結合して標準モデルの予測よりもはるかに悪い結果を生む左テールで最大でした。

Hamilton（1989）は、これらの相関ダイナミクスをモデル化するための数学的基盤を提供するレジーム切替フレームワークを開発しました。通常市場と危機期間の2つのレジームモデルは、分散が最も必要な時に正確に劣化するという本質的な特性を捉えます。

前提4：背景ノイズとしてのインフレ

ほとんどの退職用モンテカルロツールは、インフレを定数（通常2-3%）として、または市場リターンと無相関の単純な確率変数として扱います。これは退職者にとって最も危険なインフレシナリオを見逃します：購買力を同時に侵食し、実質資産リターンを抑制する持続的かつ複数年にわたるインフレです。

1970年代が最も明確な歴史的事例を提供します。1973年から1982年にかけて、米国CPIインフレは年平均8.7%でしたが、S&P 500は約6.7%の名目年率リターンを記録し、ほぼ10年間持続するマイナスの実質リターンを生み出しました。インフレを平均3%、標準偏差1.5%の独立ノイズとして扱う標準的なモンテカルロ・シミュレーションは、高インフレと低実質リターンの相関をモデル化しないため、このシナリオをほとんど生成しません。

退職ポートフォリオへの影響は深刻です。1973年に4%のインフレ調整引出率で引出しを開始した退職者は、インフレ調整により名目引出額が急激に上昇する一方、ポートフォリオの実質価値は下落するという事態を経験しました。これは可能な限り最悪の組み合わせです：上昇する引出しが下落するポートフォリオ価値に出会うことです。

前提5：フォワードルッキング期待リターンとしての過去平均

最後の重要な前提は、過去の平均リターンを期待リターンの入力値として使用することです。米国株式は1926年以降、約10%の名目年率リターンを記録してきました。多くのモンテカルロツールがこの数値またはこれに近い数値をフォワードルッキングの前提として使用しています。

これは開始バリュエーションとその後のリターンとの強い実証的関係を無視しています。シラーCAPEレシオが30を超えている場合（2020年代の大部分がそうであったように）、その後の10年の実質リターンは歴史的に平均0-3%であり、長期平均の6-7%を大幅に下回ります。バリュエーションが高い時に過去の平均をフォワードルッキングの推定値として使用すると、体系的に過度に楽観的なモンテカルロ結果を生み出します。

上記の表は、100万ドルの60/40ポートフォリオに対する30年間の4%インフレ調整引出率について、4つのモンテカルロ手法を比較しています。標準的なアプローチは快適な11%の失敗率を示します。しかし、各現実的な特性が追加されるたびに失敗率は着実に上昇します。ファットテール、レジーム切替相関、自己相関リターンを組み合わせたモデルは28%の失敗率を推定しており、標準結果の2倍以上です。

何が壊れるか：標準MC vs 現実

これらの前提の累積効果は、標準的なモンテカルロ・シミュレーションが体系的な楽観バイアスを生み出すということです。標準シミュレーションの第5パーセンタイル結果、すなわちアドバイザーが現実的な最悪のケースとして提示するシナリオは、実際の過去の最悪の結果よりも大幅に良好です。

2000年に100万ドルの60/40ポートフォリオと4%の引出率で開始した退職者を考えてみます。ドットコム暴落、2008年の金融危機、2022年の株式-債券相関崩壊は、標準的なモンテカルロモデルが第1パーセンタイル以下に配置するであろうリターンの順序を生み出しました。この退職者は22年間で3回の深刻な下落を経験し、そのうち2回は株式と債券の同時下落を伴いましたが、これは固定相関モデルが事実上排除するシナリオです。

これは単なる歴史的な好奇心ではありません。これらの結果を生み出した構造的条件（高いバリュエーション、変化するインフレレジーム、進化する株式-債券相関）は異常ではなく金融市場の特性です。

改善策：より良いモンテカルロ手法

研究者たちはこれらの失敗に対処する複数の改善策を開発してきました。

ブロック・ブートストラップ・シミュレーションは、個別の年のリターンを独立に抽出するのではなく、過去の記録から連続する年のブロック（通常3-5年）を抽出します。これにより、i.i.d.サンプリングが破壊する自己相関構造、ボラティリティ・クラスタリング、ブロック内の相関ダイナミクスが保存されます。CogneauとZakamouline（2013）は、ブロック・ブートストラップ法が標準的なモンテカルロと比較して実質的に異なる退職結果分布を生成し、左テールがより広く中央値がより低いことを実証しました。

レジーム切替モンテカルロは、Hamilton（1989）が開発したフレームワークを使用して、市場を各レジーム（拡張、不況、危機）で異なるリターン分布と相関構造を持つ異なるレジーム間を交互に移行するものとしてモデル化します。これは、危機が単なる大きな単一期間のショックではなく、固有の統計的特性を持つ持続的な期間であるという本質的な特性を捉えます。

ファットテール分布は、正規分布を極端な事象をより適切に捉えるスチューデントt分布や安定分布などの代替で置き換えます。自由度4-6のスチューデントtは、エキゾチックな分布の前提を必要とせずにテール確率を大幅に増加させる一般的な実用的選択です。

シナリオベースのストレステストは、特定の歴史的または仮想的なストレスシナリオをモンテカルロパスに重ね合わせます。ランダム抽出のみに依存するのではなく、1970年代のスタグフレーション、日本の失われた数十年、同時株式-債券下落などのシナリオを明示的に含めます。これにより、ランダムサンプリングが何を生成しても、既知の失敗モードが分析に反映されることが保証されます。

退職計画への実践的な示唆

これらの発見の実践的な帰結は、標準ツールからの85%のモンテカルロ成功率が実際の退職保障を過大評価している可能性が高いということです。ファットテール、相関ダイナミクス、レジーム効果を組み込むと、その85%の成功率はより現実的な前提の下で70-75%程度に相当する可能性があります。

これはモンテカルロ・シミュレーションを放棄すべきだということを意味するものではありません。このツールをその限界を認識した上で、理想的には改善された方法論で補完して使用すべきだということを意味します。組み込まれた前提を理解せずに標準的なモンテカルロ結果に依存する退職者やアドバイザーは、最悪の結果のリスクを体系的に過小評価するモデルに基づいて決定を下していることになります。

最も堅牢なアプローチは複数の手法を組み合わせます：ベースラインとしての標準モンテカルロ、自己相関を考慮した推定のためのブロック・ブートストラップ、危機ダイナミクスのためのレジーム切替分析、既知の歴史的失敗モードのための明示的なシナリオテストです。これらの手法が類似した結論に収束する場合、予測に対する信頼度は大幅に高まります。乖離する場合は、より保守的な推定値が計画を導くべきです。

参考文献