Una simulazione Monte Carlo classica con rendimenti reali del 5% e volatilità del 12% applicata a un portafoglio 60/40 con prelievo del 4% reale per 30 anni dà una probability of success vicina al 95%. Lo stesso piano testato sui cicli storici USA dal 1871 a oggi tramite FIRECalc sopravvive nel 100% dei casi. La differenza non è un errore: è la firma dei fat tails che il Monte Carlo gaussiano genera artificialmente e che la storia, finora, non ha mai prodotto in un singolo arco trentennale. Capire da dove arriva questo gap è la chiave per usare il Monte Carlo come strumento di stress test e non come oracolo.
Strumento non disponibile: /simulatore-portafoglio?capitale=750000&durataAnni=30&prelievoAnnuo=30000
Cos'è davvero una simulazione Monte Carlo
Una simulazione Monte Carlo applicata a un piano FIRE è un esperimento numerico ripetuto migliaia di volte. Per ogni "draw" (tipicamente 10 000) si genera una traiettoria di N anni di rendimenti casuali estratti da una distribuzione assunta — di solito normale con media μ e deviazione standard σ stimate sui dati storici — e si calcola se il portafoglio sopravvive al prelievo programmato per tutto l'orizzonte. Il rapporto tra traiettorie sopravvissute e totale è la probability of success.
Tre cose fondamentali sono nascoste in questa definizione. Prima: i rendimenti annuali sono tipicamente assunti indipendenti anno su anno (i.i.d. — independent and identically distributed). Seconda: la distribuzione è quasi sempre normale o log-normale, con tutte le code statistiche che ne derivano. Terza: i parametri μ e σ sono fissi per l'intera traiettoria, ignorando regime change come passaggio da bull market a recessione strutturale.
Queste tre assunzioni sono comode matematicamente e false empiricamente. È esattamente il punto in cui il Monte Carlo si discosta dalla realtà — e dal backtest storico.
Monte Carlo vs backtest storico: due filosofie diverse
Il backtest storico (FIRECalc, cFIREsim) è deterministico: prende ogni possibile finestra di N anni nella serie storica disponibile e simula il piano su ciascuna. Se hai 154 anni di dati e cerchi finestre di 30 anni, ottieni 124 cicli reali. Il SAFEMAX di Bengen (1994) emerge esattamente da questo esercizio: 4,15% è il tasso di prelievo che ha resistito al peggior ciclo storico USA — quello iniziato nel 1966, schiacciato dalla stagflazione anni '70.
Il Monte Carlo invece genera traiettorie che la storia non ha mai prodotto. Alcune sono più ottimistiche dei migliori bull market mai visti, altre più pessimistiche del 1929 o del 1966. La differenza concettuale è netta:
| Aspetto | Backtest storico | Monte Carlo gaussiano |
|---|---|---|
| Numero scenari | 80-150 cicli reali | 10 000+ traiettorie sintetiche |
| Correlazione anno su anno | Mantenuta dai dati | Persa (i.i.d.) |
| Fat tails | Presenti (1929, 1966, 2000) | Sottorappresentate |
| Regime change | Inclusi nei dati | Ignorati |
| Rappresentatività futuro | Limitata (path dependency) | Statistica, non storica |
Wade Pfau ha mostrato che la stessa strategia di prelievo può dare success rate del 95% in Monte Carlo e del 100% sui dati storici — oppure il contrario, se i parametri μ e σ inseriti sono pessimistici rispetto al passato. La conclusione operativa è che i due metodi rispondono a domande diverse: il backtest dice "cosa sarebbe successo", il Monte Carlo dice "cosa potrebbe succedere se i rendimenti fossero davvero gaussiani i.i.d.".
Parametri di una simulazione Monte Carlo
I parametri minimi per impostare una simulazione decente sono cinque.
Rendimento atteso (μ): media annua reale (al netto inflazione) per asset class. Per azionario globale si usano valori tra 4,5% e 6%; per obbligazionario euro investment grade tra 0,5% e 2% reale. Pfau invita a usare proiezioni forward-looking (CAPE-adjusted) invece di medie storiche pure, soprattutto in fasi di valutazioni elevate.
Volatilità (σ): deviazione standard annua dei rendimenti reali. Tipicamente 15-18% per azionario globale, 5-7% per bond IG euro. Una volatilità sottostimata gonfia la probability of success in modo ingannevole.
Correlazioni: matrice di correlazione tra asset class. La correlazione storica azioni/bond è oscillata tra -0,3 e +0,5 a seconda del decennio; assumere -0,2 fisso (come fanno molti tool semplici) sovrastima il beneficio di diversificazione nei regimi inflattivi come 2022.
Numero di draws: 10 000 traiettorie sono lo standard di settore, sufficienti per stabilizzare i percentili al di sotto dell'errore di campionamento. Sotto 1 000 i risultati oscillano sensibilmente; sopra 50 000 il guadagno informativo è marginale.
Inflazione: spesso modellata come variabile separata con propria μ e σ, oppure inclusa direttamente lavorando su rendimenti reali. La seconda opzione è più semplice e meno soggetta a errori, ma perde la capacità di stressare scenari inflattivi correlati ai bear market — esattamente il pattern degli anni '70 che produce il SAFEMAX storico.
Output: probability of success e percentili
Una simulazione Monte Carlo ben fatta non produce un singolo numero. Produce una distribuzione, e i numeri rilevanti sono almeno tre.
Probability of success: percentuale di traiettorie in cui il capitale è ancora positivo a fine orizzonte. È il numero più citato e il più frainteso: dice "in quale frazione di scenari il piano non fallisce", non "quanto bene va il piano". Una probability del 90% accettabile per un retiree tradizionale può essere aggressiva per un FIRE a 45 anni con orizzonte di 45+ anni.
Percentile mediano (P50) del capitale residuo: ciò che rimane in portafoglio nel 50% degli scenari. Se è basso (poche centinaia di migliaia su un piano di milioni iniziali), il piano è sostenibile in media ma fragile.
Percentile 10 (P10) del capitale residuo: lo scenario worst case ragionevole. Se P10 è zero o negativo, vuol dire che almeno il 10% delle traiettorie esaurisce il capitale — è un livello di rischio che merita un piano B esplicito (rientro lavorativo parziale, riduzione spese, geo-arbitrage).
Il calcolatore prelievo sostenibile restituisce P10/P50/P90 esattamente per questo motivo: la probability of success da sola maschera distribuzioni molto diverse. Due piani con 90% success rate possono avere P10 a -200 000 € e -2 000 000 €: il rischio di rovina è lo stesso, l'entità del fallimento no.
Tabella: success rate per tasso di prelievo e durata
Risultati indicativi di una simulazione Monte Carlo gaussiana con rendimento reale atteso del 5% e σ del 12% su portafoglio 60/40 (μ azionario 6,5% σ 17%, μ bond 1,5% σ 6%, correlazione 0). Prelievo costante reale, ribilanciamento annuale, 10 000 draws.
| Tasso prelievo | 20 anni | 30 anni | 40 anni |
|---|---|---|---|
| 3,0% | 99,8% | 98,5% | 95,2% |
| 3,5% | 99,2% | 95,8% | 89,4% |
| 4,0% | 97,5% | 89,7% | 78,6% |
| 4,5% | 94,1% | 80,3% | 65,8% |
| 5,0% | 88,2% | 68,5% | 51,2% |
Tre osservazioni operative. Primo, il tasso "sicuro" cala rapidamente con l'orizzonte: chi pianifica 40 anni di decumulo (FIRE a 45-50 anni) deve scendere sotto il 3,5% per restare sopra 90% di success rate. Secondo, il salto tra 4% e 4,5% è non lineare — quasi 10 punti di probability persi su 30 anni. Terzo, questi numeri sono ottimistici rispetto al backtest storico USA per orizzonti brevi e pessimistici per orizzonti lunghi, esattamente per via della distribuzione delle traiettorie generate.
Per il contesto italiano vanno aggiunti i 26 punti percentuali di tassa sui capital gain, che si traducono in un prelievo lordo necessario superiore a quello indicato — approfondito nella guida alla regola del 4% in Italia.
Strumenti disponibili e loro limiti per l'Italia
I tool Monte Carlo più usati nella community FIRE sono quattro, tutti USA-centrici.
FIRECalc non è strettamente Monte Carlo — usa cicli storici reali — ma è il riferimento per il backtest. Limite per l'Italia: dati esclusivamente USA (S&P 500 e Treasury), nessuna possibilità di simulare bond euro, MSCI World o titoli di Stato italiani. Inflazione CPI USA, non HICP euro.
cFIREsim estende FIRECalc con opzioni Monte Carlo gaussiano e personalizzazione di flussi e prelievi. Stesso limite geografico: serie storiche USA, nessun adapter europeo.
ERN's Big SWR Toolbox (foglio Google di Karsten Jeske) è il più completo: combina backtest storico, CAPE adjustment, regole di prelievo dinamico e flussi laterali. Adattabile in teoria a dati EU sostituendo le serie, in pratica richiede competenze di modellazione non banali.
Engaging Data Pre-Retirement Calculator è il più visivo, mostra distribuzioni di outcomes interattive. Stesso limite: dati e fiscalità USA.
Per l'investitore FIRE italiano, l'output di questi tool va sempre deflazionato di tre fattori: tassazione 26% sui capital gain (12,5% sui titoli di Stato), TER medio 0,15-0,25% su ETF UCITS, e differenza di μ attesa tra MSCI ACWI e S&P 500-only (storicamente 30-50 bps in meno per il globale). Una probability del 90% in FIRECalc tipicamente diventa 80-83% una volta riadattata.
Limiti strutturali del Monte Carlo gaussiano
Il limite più documentato del Monte Carlo applicato a piani FIRE è la sottostima dei fat tails. La distribuzione normale assume che eventi a 5σ siano praticamente impossibili (probabilità ~1 su 3,5 milioni); nei mercati azionari reali eventi a 5σ accadono ogni 5-7 anni — Black Monday 1987, Lehman 2008, COVID marzo 2020. Una simulazione gaussiana non li produrrà mai con la frequenza giusta, e quindi sottostima sistematicamente la probability of failure dei piani aggressivi.
Il secondo limite, più sottile, è l'assenza di regime switching. Hamilton (1989) ha mostrato formalmente che i rendimenti azionari seguono regimi distinti (alta crescita / bassa volatilità vs bassa crescita / alta volatilità) con persistenza pluriennale. Una simulazione i.i.d. distrugge questa struttura, generando traiettorie irrealisticamente "lisce" che non riproducono la sequenza di anni negativi consecutivi tipica dei bear market reali. Per il FIRE questo è critico: il sequence of returns risk deriva esattamente dalla persistenza dei rendimenti negativi nei primi 5-10 anni di decumulo.
Il terzo limite è la stabilità dei parametri. Stimare μ e σ sui 50 anni passati assume che il prossimo cinquantennio sarà statisticamente simile. Se il premio al rischio azionario contraesse strutturalmente (come argomentato da Pfau in più paper), una simulazione tarata sui dati storici sovrastimerebbe sistematicamente il success rate.
Il quarto limite, spesso ignorato, è l'assunzione di correlazioni costanti. Nelle crisi le correlazioni convergono a 1 (tutto crolla insieme): il beneficio di diversificazione che il Monte Carlo conteggia su valori medi sparisce esattamente quando serve.
Quando usare il Monte Carlo nel proprio piano FIRE
Nonostante i limiti, il Monte Carlo resta utile in tre situazioni precise.
Stress test di piani vicino al SAFEMAX. Se il tuo prelievo programmato è 3,8-4,2% — la zona grigia tra "storicamente sicuro" e "storicamente rischioso" — il Monte Carlo aiuta a esplorare scenari che la storia non ha prodotto. Anche con i suoi limiti, segnala se il piano è fragile o robusto rispetto a rumore casuale.
Confronto tra strategie di prelievo dinamico. Per valutare se l'adozione di guardrail di Guyton-Klinger o di un glide path azionario migliora effettivamente la probability of success, il Monte Carlo offre una base statistica omogenea che il backtest storico, limitato a 80-150 cicli, fatica a fornire.
Sensitivity analysis sui parametri. Variando μ azionario di ±100 bps o σ di ±200 bps si vede di quanto cambia la probability of success. Se piccole variazioni dei parametri ribaltano l'esito (es. da 92% a 75%), il piano è troppo fragile per essere considerato robusto, indipendentemente dal numero centrale.
Per impatti di shock storici concreti su un portafoglio reale, complementare al Monte Carlo è la lettura della guida alle correzioni di mercato storiche, che ricostruisce il drawdown reale di portafogli misti durante 1973-74, 2000-02, 2008 e 2020. La combinazione tra Monte Carlo (probabilistico) e backtest evento-specifico (deterministico) è più informativa di entrambi presi singolarmente. Una bucket strategy a 3 secchi, descritta nella guida al decumulo a secchi, può poi essere stress-testata con simulazioni Monte Carlo per dimensionare correttamente liquidità e bond.
Sintesi operativa
- Il Monte Carlo genera traiettorie sintetiche da una distribuzione assunta (normale i.i.d.); il backtest storico riusa cicli reali — sono strumenti complementari, non sostitutivi.
- Parametri minimi: μ e σ per asset class, correlazioni, draws (10 000), inflazione. Una σ sottostimata gonfia artificialmente la probability of success.
- Output rilevanti: probability of success, P10/P50/P90 del capitale residuo. Il numero singolo "success rate" maschera la severità del fallimento.
- Sottostima sistematica dei fat tails e dei regime change: i risultati vanno considerati ottimistici per orizzonti brevi, pessimistici per orizzonti lunghi.
- I tool disponibili (FIRECalc, cFIREsim, ERN, Engaging Data) sono USA-centrici: per l'Italia vanno corretti per tassazione 26%, TER UCITS e mix di indice MSCI ACWI invece di S&P 500.
- Uso ottimale: stress test di piani vicino al SAFEMAX (3,8-4,2%) e sensitivity analysis sui parametri, non come oracolo del piano.
Domande frequenti
Quanti draws servono in una simulazione Monte Carlo?
Lo standard di settore è 10 000 traiettorie. Sotto 1 000 i percentili oscillano in modo visibile tra esecuzioni successive; oltre 50 000 il guadagno informativo è marginale rispetto al costo computazionale. Per uso personale 10 000 sono ampiamente sufficienti.
Perché il Monte Carlo dà risultati peggiori del backtest storico USA?
Perché genera traiettorie più estreme di quelle che la storia ha prodotto. La distribuzione normale i.i.d. crea sequenze pessime (10 anni consecutivi di rendimento negativo) che gli ultimi 150 anni di mercato USA non hanno mai mostrato. È il rovescio del problema dei fat tails: il Monte Carlo ne aggiunge troppi nella coda sinistra rispetto alla realtà osservata.
Quale probability of success considerare "sicura"?
Per un FIRE tradizionale (orizzonte 25-30 anni) il consenso è 90-95%. Per un FIRE early (orizzonte 40+ anni) la stessa soglia richiede tassi di prelievo molto più bassi (3-3,5%), oppure l'integrazione di flussi futuri (pensione INPS, lavoro part-time) che aumentano la probability senza ridurre il prelievo nominale.
Posso fare un Monte Carlo personalizzato per l'Italia?
Sì, ma richiede attenzione ai parametri. Bisogna usare μ e σ stimati su MSCI World/ACWI (non S&P 500), inflazione HICP eurozona (non CPI USA), tassazione 26%/12,5% applicata sui prelievi, e TER UCITS realistici. In pratica, per la maggior parte degli investitori, è più pratico usare un tool USA come FIRECalc per il backtest e correggere a mano l'output con i tre fattori italiani — tassazione, TER, indice — invece di rifare la simulazione da zero.