情景测试与敏感性分析

情景测试是一种比较假设变化后会发生什么的方法。同一项测算在基准情景下可能显示一个结果，在谨慎情景下显示另一个结果，在不同退休年龄、福利开始年龄或支出水平下又显示另一个结果。这个结果是有条件的：它说明在列明假设下会发生什么，而不是未来一定会发生什么。

敏感性分析更聚焦。它一次改变一个输入，或一小组输入，用来显示哪些假设在推动结果。这有助于说明一项测算主要对支出、通胀、回报假设、费用、寿命、公共福利领取时间、税务处理方式，还是规则门槛更敏感。

确定性结果范围不是概率范围。如果一个计算器显示多个情景结果，在模型没有明确使用概率假设的情况下，这些输出只是“如果……会怎样”的比较。基准情景是一个参考点，并不自动代表最可能的未来。

细小变化有时会产生较大影响。当变化跨过门槛、影响税务或福利计算、把收入推入另一个年度、经过多年复利放大，或在提款发生时改变回报顺序时，都可能出现这种情况。

有用的问题不是哪个情景“正确”。更重要的是：什么发生了变化，这个变化是否重要，假设是否一致，以及模型之外还遗漏了什么。《OpenBook 测算如何运作》解释测算机制；《退休测算为何会变化，以及何时需要更新》解释为什么测算会变化；本文解释如何比较这些变化，而不是把它们当成预测。

目录

1. 引言
2. 从理解测算到比较测算
3. 什么是情景测试
4. 什么是敏感性分析
5. 情景、敏感性、压力测试、范围与概率
6. 如何一次改变一个假设
7. 当假设需要一起变化时
8. 为什么结果范围不是概率
9. 重要性：变化后的数字何时真正重要
10. 为什么小变化可能产生大影响
11. 退休期间的顺序路径
12. 比较平衡点不是建议
13. 如何阅读情景比较
14. 常见误解
15. 结语
16. 要点总结
17. 重要说明

引言

一项测算可能让未来情景看起来很精确。它可能把预计余额、出现缺口的年份、税务估算，或收入路径显示到具体金额。精确显示并不等于确定性。

单一测算可以很好地回答一个问题。情景测试则会问：当问题发生变化时，会出现什么结果。

测算的价值不在于它知道未来，而在于它让关系变得可见。它帮助读者看到，在列明假设下，支出、收入来源、通胀、投资回报、费用、税务、福利、寿命和时间安排如何相互作用。

情景测试和敏感性分析正是建立在这个思路之上。它们提出有结构的“如果……会怎样”问题。如果退休提前开始，会有什么变化？如果通胀更高，会有什么变化？如果同一组回报以不同顺序出现，会有什么变化？如果收入跨过某个福利门槛，会有什么变化？

目的不是找出一个适用于个人的正确答案。目的是理解哪些假设重要、结果在哪些地方比较脆弱，以及两个情景是否在一致的比较基础上进行比较。

从理解测算到比较测算

《OpenBook 测算如何运作》解释什么是测算：它是由事实、假设、数据来源、规则和限制组成的有条件模型。

《退休测算为何会变化，以及何时需要更新》解释为什么当事实、假设、规则、家庭情况或被测试的问题发生变化时，测算需要更新。

本文与这些文章相互衔接。它解释如何有意识地比较测算。测算变化可能来自信息更新；情景测试会问，当一个或多个假设被有意改变时会发生什么；敏感性测试则会问，究竟哪个输入在推动结果变化。

这个区别很重要，因为并不是每个变化后的输出都有相同含义。有些变化只是正常更新；有些变化揭示了某个门槛；有些变化暴露出一个脆弱的假设；还有些变化只是说明两个情景不可直接比较，因为几个隐藏输入同时发生了变化。

什么是情景测试

情景测试比较的是一整套假设。基准情景可能使用当前的退休日期、当前的支出目标和当前的公共福利开始领取年龄。第二个情景可能测试提前退休，包括储蓄年数减少、提款提前以及不同的收入过渡安排。第三个情景可能测试更高支出、较低回报，或延后公共养老金开始领取日期。

一个情景内部应当保持一致。只改变一个数字对诊断问题可能有帮助，但一个完整情景可能需要几个相互关联的输入。例如，提前退休情景可能影响就业收入、储蓄、福利领取时间、提款，以及资产需要支持支出的年数。

情景不是建议，而是一个有标签的比较。它是否有用，取决于变化后的假设是否足够清楚，让读者理解结果为什么发生变化。

什么是敏感性分析

敏感性分析范围更窄。它通常一次改变一个输入，然后在改变另一个输入前把模型重置回原来的状态。这样可以隔离每个假设的影响。

例如，读者可以先测试年度支出增加 5,000 加元，再把模型重置后测试净回报降低 1 个百分点，然后再次重置并测试规划期限延长 5 年。目的在于观察哪个输入对结果影响最大。

当一项测算看起来不够透明时，敏感性分析尤其有用。如果一个小幅支出变化对结果的影响大于回报变化，这就是重要信息。如果退休日期提前或延后一年带来的影响超过预期，这也是信息。结果指向一个驱动因素，但它本身并不说明应该怎么做。

情景、敏感性、压力测试、范围与概率

这些术语相互关联，但回答的是不同问题。下表为读者提供一个简洁的解读图谱。

如何一次改变一个假设

一次只测试一个变量，可以让原因归属更清楚，因为每次只有一个假设发生变化。如果基准情景和测试情景只在支出上不同，输出差异主要可以追溯到支出输入。如果几个假设同时变化，比较仍可能有用，但它不再说明究竟是哪一个输入导致了变化。

一个实用顺序是：

• 从一个有标签的基准情景开始，并记录截至日期。
• 改变一个输入，例如年度支出、通胀、回报、费用、退休年龄、公共福利开始年龄或规划期限。
• 同时记录被改变的输入和变化后的输出。
• 在测试下一个变量前，先重置回基准情景。
• 根据各变量对被测试问题中关键输出的影响幅度，对变量排序。

这种方法可以显示测算对某个输入比对另一个输入更敏感。它也可以显示，在讨论中看似重要的因素，在模型假设下可能影响很小。

当假设需要一起变化时

单变量测试是很好的教学工具，但现实中的假设往往相互关联。一个一致的替代情景可能需要几个相互关联的变化。

例如，如果目的是建立一个一致的长期情景，就不应随意单独改变通胀、利率、工资增长、固定收益回报和借款成本。FP Canada 与 Institute of Financial Planning 发布《Projection Assumption Guidelines》，用于支持有证据基础的长期假设，并强调测算假设应有记录且保持客观。

用敏感性分析识别驱动因素。用情景分析理解相关假设如何相互作用。

为什么结果范围不是概率

结果范围可以很有帮助。一项测算可能显示基准情景下的期末余额、低回报情景下较小的余额，以及高支出情景下更早出现的缺口。这个范围说明选定假设如何影响选定输出。

但确定性范围并不说明每个结果发生的可能性。除非模型使用随机方法并披露概率假设，否则范围只是一组“如果……会怎样”的比较，不是置信区间。

这是 OpenBook 的重要边界。测算可以比较假设，而不必假装知道每种未来发生的概率。

重要性：变化后的数字何时真正重要

并不是每个变化后的数字都值得同等关注。当一个变化可能改变解读、更新优先级、风险讨论或正在比较的决策时，它就是重要变化。

如果一个小的数字变化跨过门槛、造成现金流缺口、改变福利暴露、把缺口提前到更早年份，或改变两个情景的排序，它可能很重要。相反，一个看起来较大的变化，如果只是由四舍五入、显示方式或未来金额表示方式造成，可能没有那么重要。

重要性不是一个统一的金额标准。它取决于正在测试的问题。对一位读者而言，小幅 OAS 追回税变化可能很重要，因为它显示了对应税收入的敏感性。对另一位读者而言，更大的问题可能是在市场早期下跌情景中，基本支出是否仍能得到覆盖。

为什么小变化可能产生大影响

很多计算在未遇到门槛、时间规则、强制提款、复利或路径依赖之前，看起来都是平滑的。这就是为什么“小输入变化总会产生小输出变化”这种误解可能具有误导性。

退休期间的顺序路径

顺序路径是回报或事件发生的顺序。如果没有供款或提款，同一组年度回报的顺序不会改变最终复利价值。发生提款时，顺序可能很重要，因为在弱回报年份后被提走的资产，已经无法参与后续复苏。

这在退休转换期尤其相关。退休前后几年可能较脆弱，因为家庭可能正从供款阶段转向提款阶段。

这个示例经过简化，未考虑税务、费用、通胀、存入金额、账户规则和福利互动。它只用于说明在发生提款时，回报顺序为什么可能重要。

比较平衡点不是建议

比较平衡点可以是有用的教学工具。它显示在某个选定指标上，两个情景在何处变得相等。例如，养老金领取时间比较可能显示某个年龄，在该年龄下一个情景的累计付款追上另一个情景。门槛测试可能显示福利追回开始的收入水平。

但比较平衡点不是完整答案。它可能遗漏流动性、税务、遗属条款、GIS 或 OAS 互动、投资风险、支出需求、健康不确定性和家庭优先事项。

OpenBook 应把比较平衡点作为比较标记，而不是建议标签。

如何阅读情景比较

情景表最有用的时候，是它显示发生了什么变化，而不仅仅显示最终输出。两个情景输出可能因为一个输入、几个输入、数据更新或问题本身改变而不同。比较应当让这些差异可见。

阅读情景比较时，可以问四个问题：

• 什么变了？找出与基准情景不同的输入、假设、规则、日期或家庭事实。
• 比较基础是否一致？确认金额表示方式、税务年度、通胀基础和数据来源是否一致。
• 哪些内容没有被建模？检查该情景是否排除了费用、税务细节、市场路径、医疗护理成本、法律问题、养老金管辖规则或家庭变化。
• 这个变化是否重要？判断结果是否改变了解读、风险暴露、福利暴露或正在测试的决策。

目标不是对每个输出都作出反应。目标是理解输出说明了什么，以及没有说明什么。

常见误解

• “一组情景范围就是概率范围。”除非明确建模了概率假设，否则确定性情景只是“如果……会怎样”的比较，不是置信区间。
• “基准情景就是最可能的未来。”基准情景是参考情景。它可能合理，但并不自动代表最可能发生。
• “输入的小变化总会带来结果的小变化。”门槛、时间规则、复利和顺序路径都可能放大小变化。
• “平均回报情景已经反映投资风险。”当发生提款时，回报顺序很重要。平滑的平均路径可能隐藏顺序风险。
• “情景越多，模型越准确。”只有当情景回答有用问题并使用一致假设时，更多情景才会改善理解。
• “压力测试就是真正的最坏情况。”压力测试只是所选的不利情景，并不能证明不会出现更差结果。
• “蒙特卡洛概率是客观真相。”随机输出取决于模型的概率假设、分布、相关性以及税务和福利逻辑。
• “敏感性测试只与投资回报有关。”支出、通胀、费用、退休年龄、寿命、税务门槛和福利领取时间，可能同样重要甚至更重要。
• “同时改变几个假设，就能证明哪个假设造成结果变化。”如果多个假设同时改变，除非比较结构清楚，否则原因归属并不明确。

结语

情景测试和敏感性分析并不能让测算变得确定。它们的作用是让不确定性更容易被检查。

有用的情景不会说明未来一定是什么样。它说明当一组定义明确的假设改变时，什么会发生变化。有用的敏感性测试不会选择某个策略，而是显示哪个输入在推动结果。

这就是本文与前两篇测算文章相互衔接的原因。首先理解测算是有条件的；然后理解为什么测算会变化；再用情景和敏感性测试有意识地比较假设。

当测算不再只是一个单一数字，而成为一种透明比较，帮助读者理解为什么不同结果都有可能时，它就更有价值。

要点总结

• 情景测试比较的是完整的假设组合。
• 敏感性分析一次改变一个输入，用来识别哪些假设在推动结果。
• 除非明确建模概率假设，否则确定性范围不是概率范围。
• 基准情景是参考情景，并不自动代表最可能情景。
• 在门槛、时间规则、强制提款、复利效应或顺序路径附近，输入的小变化可能造成较大的输出变化。
• 单变量测试有助于判断原因，而一致的情景可能需要几个相互关联的假设。
• 当投资回报与现金流同时发生时，就会出现顺序风险。
• 比较平衡点是有用的比较标记，但不是建议。
• 最有用的情景比较会显示什么发生了变化、变化是否重要，以及模型之外还剩下什么没有纳入。

重要说明

本文仅用于教育说明，不构成财务、税务、法律、会计、投资、退休、养老金或其他专业建议。

情景和敏感性示例经过简化，仅用于说明机制。它们不能确定任何个人的退休准备状况、税务结果、福利资格、提款策略、养老金领取时间或适合的投资方式。

税务、福利、养老金、注册账户和公共项目规则都可能变化。在发布文章和更新计算器数据前，应根据官方来源核实当前数字、门槛、项目细节和来源链接。

除非专门建模，确定性测算不会复现所有可能的市场路径、通胀冲击、健康或护理成本、法律问题、养老金计划细节、家庭变化或未来法律变化。