基于风险的护栏退休计算器

免费的成功概率护栏计算器,根据投资组合的实时生存概率动态调整退休提取金额 — 不同于 Guyton-Klinger 等基于提取率的护栏。通过蒙特卡洛模拟和 16 个国家 150 多年历史数据,对比风险护栏策略与固定提取基准的表现。IncomeLab 等顾问专用工具的开源替代方案。

示例结果由默认参数计算——调整任意参数并点击运行,即可查看你自己的结果。

初始年提取金额

40,156

初始提取率

4.0%

Guardrail 成功率

91.6%

Guardrail 覆盖率

97.1%

基准成功率

93.7%

提取率 3.3%

基准覆盖率

98.0%

初始护栏触发建议
📈消费提升方案
当资产涨至
1.91M
则提取额提升至
43,818(9.1%)
📉消费削减方案
当资产跌至
751,927
则提取额削减至
39,159(-2.5%)
关键指标对比
指标Guardrail基准固定
成功率91.6%93.7%
初始年提取额40,15633,000
中位数总消费额5,657,9421,815,000
中位数最终资产1,260,04210,774,193
P10 最低年度消费24,29833,000
P10 最低消费 vs 初始提取额-39.5%+0.0%
中位数最终年提取额265,69933,000
投资组合绩效指标(分位数)
指标P10P25P50P75P90
年化名义回报6.94%7.87%9.05%10.28%11.43%
年化实际回报3.68%4.84%6.03%7.30%8.52%
年化通胀1.60%2.19%2.87%3.50%4.20%
年化波动率11.86%13.06%14.53%16.12%17.52%
最大实际回撤-54.33%-53.67%-36.60%-33.94%-28.95%
溃疡指数7.53%9.50%12.05%14.95%18.37%
最长水下年数5.06.07.010.014.0

什么是基于风险的护栏策略

基于风险的护栏——由 Derek Tharp 与 Michael Kitces 提出——根据组合当前的成功概率调整退休支出,而不是像 Guyton-Klinger 那样依赖提取率区间。每年根据当前余额、剩余年限和市场数据重新估计计划的生存概率:高于上护栏就可以放心多花,低于下护栏就小幅削减。用早期的小幅修正取代固定提取「要么撑到底、要么破产」的风险结构。

这个计算器如何工作

模拟前,引擎先用 Block Bootstrap 蒙特卡洛在 16 国 150 多年数据上预计算一张查找表,把(提取率,剩余年限)映射到生存概率。初始提取额由你的目标成功率反解得出。然后模拟数千条应用护栏规则的退休路径,并与固定提取基准在成功率、覆盖率、总消费和最差年度支出上逐项对比。

护栏 vs 固定 4% 法则

固定法则对退休后市场发生的一切视而不见:坏序列中它静默走向耗尽,好序列中又留下大量未花的钱。护栏通过少数几次小幅减支吸收坏序列——历史回测中一段退休期通常只触发几次调整——从而在相同风险水平下支持明显更高的起始提取,通常高 15–25%。

假设与局限

所有金额为实际(通胀调整)口径;建模了基金费率但不含税。护栏触发使用与模拟相同的历史数据,因此结果同样受「未来可能不同于过去 150 年」的限制。可选开启硬消费下限,内置历史压力测试(1929、1966、1973、2000、2008 年退休)展示策略在最坏情况下要求的减支幅度。

常见问题

这和 Guyton-Klinger 护栏有什么区别?
Guyton-Klinger 以当前提取率穿越固定区间为触发条件,不透明且可能要求剧烈减支。风险护栏以计划成功概率为触发条件,天然考虑剩余年限、支出变化和养老金时点——Kitces 和 Tharp 认为这更安全也更易沟通。
这和 Income Lab 的方法一样吗?
遵循同样的成功概率护栏思想(Income Lab 将其推广给理财顾问)。FIRE Lab 是面向个人投资者的免费开放实现:目标成功率、护栏阈值、调整幅度等所有参数完全可见、可配置。
我会得到多高的初始提取率?
由目标成功率反解。常见目标(80–90%)下初始比率通常落在 4.5–5.5%——高于 4% 法则——因为策略以「市场不好时小幅减支」的承诺换来了这部分空间。
支出调整实际会发生多频繁?
历史回测中一段典型退休期只有几次调整。不对称设置(快升慢降)和最小变动阈值可以避免频繁的小幅修正。
可以用历史危机做压力测试吗?
可以。内置压力面板展示 1929、1937、1966、1973、2000、2008 年退休的结果——包括最大实际减支幅度和计划是否存活。

相关工具

相关指南