Episode 411: John Yang – Simulations de marché et planification financière

(0:00:04) Introduction à la modélisation des rendements attendus et pourquoi elle est importante pour la planification financière.

(0:00:25) L’importance de la volatilité, des corrélations, de la forme de la distribution et du comportement des séries chronologiques dans les projections de portefeuille.

(0:01:26) Comment les recherches de Scott Cederburg sur le bootstrap par blocs (rééchantillonnage par blocs) ont influencé la réflexion de PWL sur les simulations.

(0:02:03) Présentation de John Yang, étudiant à Columbia Engineering, et de la collaboration de recherche avec l’industrie.

(0:03:30) Comment Conquest Planning permet à PWL de téléverser des simulations de rendement personnalisées.

(0:04:05) Le raisonnement détaillé d’un nouveau client de PWL pour passer de l’investissement autonome (DIY) à la collaboration avec un conseiller.

(0:06:22) Pourquoi la planification financière et les simulations de Monte-Carlo ont été au cœur de la décision du client.

(0:07:22) La complexité financière transfrontalière et la valeur des conseils professionnels.

(0:08:03) La planification successorale, le déclin cognitif et le rôle des relations financières de confiance.

(0:10:02) La recherche sur le déclin cognitif et son impact sur la prise de décisions financières.

(0:12:00) Délégation, reddition de comptes et réduction de la charge mentale grâce aux relations de conseil.

(0:13:47) Pourquoi le client a choisi PWL en particulier et l’attrait de l’investissement fondé sur des données probantes.

(0:15:25) Ben et Braden discutent de la déconnexion perçue entre le discours en ligne et la demande pour les conseillers rémunérés en fonction de l’actif sous gestion (ASG).

(0:16:12) Aperçu de la méthodologie de PWL pour estimer les rendements attendus selon les différentes catégories d’actifs.

(0:17:05) Comment PWL combine les rendements historiques avec les rendements attendus implicites du marché.

(0:18:07) L’utilisation des primes factorielles et de la composition des rendements attendus dans les projections imposables.

(0:18:48) Pourquoi PWL s’appuyait auparavant sur des distributions normales multivariées gaussiennes pour ses simulations.

(0:19:41) Rendements moyens arithmétiques par rapport aux rendements géométriques et pourquoi cette distinction est importante.

(0:21:01) Un exemple simple illustrant l’érosion due à la volatilité (volatility drag).

(0:23:29) Pourquoi les avantages de la diversification doivent être intégrés dans les rendements attendus du portefeuille.

(0:25:15) Comment la correction des mathématiques du portefeuille a amélioré les estimations de rendement attendu de 20 à 30 points de base.

(0:27:12) Transition vers l’entrevue de John Yang et introduction à la génération de données synthétiques.

(0:30:07) John explique les limites des hypothèses de rendement gaussiennes.

(0:31:04) Pourquoi des séquences de rendements réalistes sont importantes pour la planification de la retraite.

(0:32:16) Preuves empiriques que les rendements ne sont pas véritablement aléatoires.

(0:33:25) Les trois défis de modélisation : le comportement unique des actifs, le co-mouvement réaliste et le risque extrême (tail risk).

(0:37:49) Séparer les distributions marginales des structures de dépendance dans le processus de modélisation.

(0:38:48) L’utilisation d’une copule de Student (t-copula) pour mieux modéliser le co-mouvement des actifs en période de tension sur les marchés.

(0:39:39) Pourquoi les données historiques seules peinent à capturer les événements de crise rares.

(0:40:06) Application de la théorie des valeurs extrêmes et des distributions de Pareto généralisées pour modéliser le risque extrême.

(0:42:15) Comment les simulations de Monte-Carlo génèrent de nombreuses trajectoires de rendement futur réalistes.

(0:43:00) Imposer des rendements attendus prospectifs et des hypothèses de volatilité aux simulations.

(0:44:56) Comment le nouveau cadre préserve mieux l’asymétrie (skewness) et l’aplatissement (kurtosis).

(0:46:38) Évaluation du nouveau modèle à l’aide de la forme marginale, du comportement des extrêmes et des scores de co-mouvement.

(0:48:10) Pourquoi le nouveau modèle a considérablement amélioré le réalisme des extrêmes sans sacrifier les corrélations.

(0:49:05) Extensions futures, y compris les corrélations dynamiques et le regroupement de la volatilité (volatility clustering).

(0:50:28) Utilisation future potentielle des réseaux antagonistes génératifs (GAN) et de l’apprentissage automatique pour les données financières synthétiques.

(0:52:02) À retenir : la planification financière nécessite des trajectoires de rendement réalistes, et non seulement des statistiques sommaires.

(0:53:41) Braden analyse la façon dont le nouveau cadre de simulation affecte les conseils financiers.

(0:55:04) Pourquoi les données indicielles mensuelles ont produit des queues plus épaisses (fatter tails) que les données annuelles à long terme du DMS.

(0:58:47) Le nouveau modèle a amélioré les taux de réussite de Monte-Carlo d’environ 2 à 3 %.

(1:00:25) Les estimations de dépenses durables n’ont changé que modestement avec les nouvelles simulations.

(1:02:27) Pourquoi l’amélioration de la méthodologie est plus importante pour les catégories d’actifs alternatifs.

(1:04:25) La conclusion surprenante selon laquelle les résultats de richesse médians ont augmenté, tandis que les résultats moyens ont diminué.

(1:05:47) Pourquoi les simulations gaussiennes peuvent créer des scénarios d’emballement de la richesse irréalistes.

(1:07:20) Les implications pratiques pour la planification successorale et les projections de patrimoine multigénérationnel.

(1:08:30) Pourquoi de meilleures méthodes de simulation sont particulièrement importantes pour les investissements concentrés et alternatifs.