护栏提取策略详解

4% 法则背后的固定提取框架，必须按历史上最坏的序列来校准——1929 年的退休者、1966 年的退休者。而历史上其他每一个退休者，本可以花得更多。这是刚性支出的结构性低效：提取率由灾难决定，于是在中位数结局里，你去世时留下数倍于初始财富的钱没花掉。

灵活策略直接攻击这一点。如果你愿意在少数真正糟糕的年份里适度削减支出，就不再需要那个「防灾难级」的起始提取率——可以从更高的水平起步，让反馈回路来保护你。

最著名的护栏方案来自 Guyton 与 Klinger（2006）。它盯住你的当前提取率——今年支出除以当前组合市值。市场下跌、该比率比初始值高出 20% 时，削减支出 10%；市场大涨、比率低出 20% 时，上调支出 10%。简单、透明，比刚性规则进步很大。

但「当前提取率」是个粗糙的健康信号：它忽略了还剩多少年退休期。5% 的当前提取率在 45 岁令人警惕，在 85 岁却完全无碍。纯 Guyton-Klinger 规则因此可能对毫无危险的 80 岁老人强行减支，而在危险最大的退休初期反应又偏慢。

我们模拟器中的护栏引擎改用「计划健康度」触发。它每年问一个问题：按当前组合、当前支出、剩余年限，这个计划的成功概率是多少？该概率来自预先算好的模拟查找表，覆盖提取率 × 年限的整张网格。当成功概率跌破下护栏（比如 80%），就削减支出；升破上护栏（比如 99%），就朝目标水平上调支出。

由于信号考虑了剩余年限，它会随年龄自然放松——同样的组合回撤在 50 岁触发减支，在 80 岁则不会。我们的测试表明，每次约 5% 的温和调整幅度通常就够了：护栏的价值来自「有反应」，而不是「反应剧烈」。工具还支持不对称护栏（减支比加支更积极）和可选的硬性消费下限——支出永远不会被砍到下限以下，适合预算弹性很小的退休者。

收益体现在两方面。其一，更高的可持续初始提取：在同等失败风险目标下，我们模拟中的护栏策略支持的初始支出明显高于固定规则，因为灵活性吸收了坏序列。其二，对数据假设的稳健性：换用悲观的全球合并市场数据时，固定规则的答案急剧恶化，护栏的答案却几乎不动——反馈回路会自动补偿更差的回报环境。在我们的对比中，从仅美国数据换到 16 国合并数据，固定提取计划的成功率掉了十几个百分点，护栏计划只掉一两个。

代价是支出波动。在坏尾部情形里，你可能连续遭遇数次削减，最坏的历史式序列下总削减幅度可达峰值的 20-30%。当你的预算中有相当比例真正可弹性调整时，护栏是对的工具；如果支出已经贴着生存线，更低的固定提取率或有保障的收入底仓才是诚实的答案。

四个旋钮定义一个护栏计划：计划朝向的目标成功率、上下两条触发阈值、以及每次触发的调整幅度。护栏宽，修正少而大；护栏窄，修正频繁而小。我们的测试持续偏向温和设置——目标成功率在 85-95% 左右、下护栏离目标足够远以免日常波动来回打脸、调整步长约 5%。

正确的选法不是照抄任何推荐预设，而是去模拟：把你的计划跑一遍护栏工具，看支出路径的完整分布——尤其是第 10 百分位的支出轨迹——问自己是否真能接受那条路径。一个坏情形你无法忍受的计划，无论成功率多高，都是错的计划。