拆解101投连险（101 ILPs）

我的保险经纪给我推荐了FWD Invest First Plus这个ILP，借机拆解了一下。因为受网上很多负面评价的影响，我本身对ILPs有一定偏见，但是拆解这个产品以后，让我的态度有了一些改观。

免责声明

我没有购买任何ILP，我的投资主要在Robo advisor（Endowus）和券商平台的ETF（FSMOne，IBKR）。ILPs的费用只是其中一个原因，灵活度和沉没成本是最重要的原因。

基金选择

FWD提供50+基金选择（FWD Fund Lab)，股、债、货币基金平衡，可以做合理的搭配控制风险。当然相对于Robo advisor和券商平台，基金选择的还是非常有限。可选基金包括S&P500 Index Fund，对于我这样无脑投大盘的投资者是一个选项。

保险经纪极力推荐的Fundsmith Equity Fund，据说是表现非常好的AI Fund(accredited investor Fund)。粗略看这个基金，投资的分布基本是Large-cap+Growth，这个组合就是在控制风险的同时追求增长。过去十年表现良好，当然过去十年大盘也表现很好。我不会分析基金——因为不懂，所以我不会轻易投，investmentmoats做了很详细的分析。

费用

ILP被很多人诟病的一个原因，是它的费用问题。那它到底多贵呢？我看到不少人说，退掉ILP，用Robo。那是不是Robo advisor就更有优势呢？于是我用网上的资源做了一个具体的计算。以下的计算完全是给予公开信息和基本投资收益假设，不保证绝对准确，更不代表任何投资建议。

计算数据基于以下假设

投资计划

年投入12000
定投15年
继续持续增长10年
定投S&P500 Index，假设年回报率8%

ILP: FWD Investment first plus

收费模型：产品费用 - 返利 + 基金管理费用
选择基金：Infinity US 500 Stock Index Fund USD Acc, ISIN: SG9999003297, factsheet
Expense Ratio from factsheet: 0.61% + 额外保险费用

Robo: Endowus

收费模型：平台费+基金管理费 - 返利
选择基金：Infinity US 500 Stock Index Fund USD Acc, ISIN: SG9999003297, factsheet
Expense Ratio from Endowus platform: 0.4% + 0.32%

ETF: FSMOne

收费模型：交易费 + 基金管理费
选择ETF：SPDR® S&P 500® ETF
交易费：每年交易四次交易费50（单次交易费)
Expose Ratio from factsheet: 0.0945%

计算假设

假设投资同一类产品 - S&P500 index：实际不同平台有不同的投资产品。
假设没有波动：实际S&P的波动可以到上下40%。
假设年定投：实际ILP可以选择每月入金，Robo可以无交易费用随时投资，券商平台的交易也很灵活。
假设入金除费用外全部投入基金：实际是除券商外，ILP和Robo都会有资金隔离，保证一部分现金收取费用。Robo的隔离资金量很小，ILP的具体投资模式是什么样我不确定。
假设无汇率风险。

计算脚本 (展开查看)

import numpy as np
import pandas as pd
from IPython.display import display
import matplotlib.pyplot as plt

premium = 12000
payment_term = 15
policy_term = 25
irr = 0.08

# ILP Bonus and Fees---------------------
# booster bonus rate
reward_band = lambda a : 4 if (a / 12000 > 4) else int(a / 12000)
booster_bonus_rate_table = np.array([
    [0.17, 0.18, 0.19, 0.20, 0.21], # 15
    [0.17, 0.18, 0.19, 0.20, 0.21], # 16
    [0.17, 0.18, 0.19, 0.20, 0.21], # 17
    [0.17, 0.18, 0.19, 0.20, 0.21], # 18
    [0.17, 0.18, 0.19, 0.20, 0.21], # 19
    [0.20, 0.21, 0.22, 0.23, 0.24], # 24
    [0.20, 0.21, 0.22, 0.23, 0.24], # 24
    [0.20, 0.21, 0.22, 0.23, 0.24], # 24
    [0.20, 0.21, 0.22, 0.23, 0.24], # 24
    [0.20, 0.21, 0.22, 0.23, 0.24], # 24
    [0.26, 0.27, 0.31, 0.32, 0.33], # 25
    [0.26, 0.27, 0.31, 0.32, 0.33], # 26
    [0.26, 0.27, 0.31, 0.32, 0.33], # 27
    [0.26, 0.27, 0.31, 0.32, 0.33], # 28
    [0.26, 0.27, 0.31, 0.32, 0.33], # 29
    [0.27, 0.28, 0.32, 0.33, 0.34], # 30
])
booster_bonus_rate = lambda premium, pt: booster_bonus_rate_table[pt - 15][reward_band(premium)]

# loyalty bonus rate
loyalty_bonus_rate = lambda py: 0.012 if py >= 21 else 0.01 if py >= 11 else 0.007 if py >= 6 else 0

# initial account charge, throughout the premium payment term only, monthly charge
# N is policy year
A = lambda pt: 0.01 if pt >= 30 else 0.012 if pt >= 25 else 0.014 if pt >= 20 else 0.018
inital_account_charge_monthly = lambda premium, pt, N: A(pt) / 12 * premium * N 

# policy charge: start from the 25th policy month (5th year) to the end of policy term
# N is policy year or payment term if policy year passed the term
policy_charge = lambda premium, N, pt: 0.012 / 12 * premium * (N if N <= pt else pt) 

# ---------------------

# Calculation---------------------

fig, ax = plt.subplots()  # Create a figure containing a single axes.

def cal_return(fund_expense_ratio, type_of_investment, fix_fee=0):
    policy_values = [0] * policy_term
    policy_value_total = 0
    fees = [0] * policy_term
    bonuses = [0] * policy_term
    interests = [0] * policy_term
    for N in range(0, policy_term):  
        booster_bonus = 0 if not type_of_investment == 'ILP' else 0 if N > 4 else booster_bonus_rate(premium, payment_term) * premium
        bonuses[N] = int(booster_bonus)
        policy_values[N] = 0 if N >= payment_term else (premium + booster_bonus)
    
        # monthly fee
        yearly_fee = 0
        yearly_interest = 0
        for n in range(0, 12):
            # calculate fee
            fee = 0
            if type_of_investment == 'ILP':
                fee += inital_account_charge_monthly(premium, payment_term, N + 1) if N < payment_term else 0
                fee += 0 if N < 3 else policy_charge(premium, N + 1, payment_term)

            fee += (policy_value_total + policy_values[N]) * (fund_expense_ratio / 12)
            policy_values[N] -= fee
    
            # for record only
            yearly_fee += fee
            
        # add fee
        policy_values[N] -= fix_fee
        yearly_fee += fix_fee
        
        # yearly interest 
        yearly_interest = (policy_value_total + policy_values[N]) * (irr)
        policy_values[N] += yearly_interest
        fees[N] = int(yearly_fee)
        interests[N] = int(yearly_interest)

        # add loyalty_bonus, which paid at the end of policy year based on the policy value
        if type_of_investment == 'ILP':
            loyalty_bonus = 0 if N < 5 else loyalty_bonus_rate(N + 1) * policy_value_total
            policy_values[N] += loyalty_bonus

            # for record
            bonuses[N] += int(loyalty_bonus)

        policy_values[N] = int(policy_values[N])
        policy_value_total += policy_values[N]

    df = pd.DataFrame(data=[policy_values, interests, fees, bonuses])
    transposed_df = df.transpose()
    transposed_df.columns = ['value_per_annual', 'interest', 'fees', 'bonuses']
    display(transposed_df)
    print("Total Value:", sum(policy_values))

    # plot the graph
    ax.plot([i for i in range(1, policy_term + 1)], np.cumsum(policy_values), label=type_of_investment)
    leg = plt.legend(loc='upper center')

cal_return(0.0061, "ILP") # https://lgi.dzhintl.com/doc/uploads/documents/index.php?type=FS&fid=IUSI&lang=EN
cal_return(0.004 + 0.0032, "Robo") # https://endowus.com/investment-funds-list/lion-global-infinity-u.s-500-stock-index-fund-SG9999003289
cal_return(0.000945, "ETF", 50) # https://www.ssga.com/library-content/products/factsheets/etfs/us/factsheet-us-en-spy.pdf
plt.show()

我的总结

费用对资产的累积有很大的影响：Cost really matters a lot!
101 ILPs的费用并没有比Robo advisor高。当然计算本身很多假设性，保险产品的复杂操作可能会影响收益。ILPs产品本身也存在政策风险，boost bonus，loyalty bonus，包括基金收费模型保险公司有权更改（如下）:
- Reserving the right to change the pricing model of subfund
- We can change the Booster Bonus rates and reward bands at any time
- We can change the Loyalty Bonus rate at any time
- Switching charge: we have kept this charge at zero but we may review this in future. If we change this, we will notify you by giving you 30 days’ notice
产品介绍里有一条"Reserving the right to change the pricing model of subfund"。这让产生我疑问：ILP背后Fund的费用到底是多少，这可能一定程度上影响计算。上面的计算我使用了Factsheet里的expense ratio。在FWD Fund Lab网站上并不能看到它的费用。至少从Endowus的返利模型上看，机构投资Sub-fund的费用和个人投资者是不一样的。基金管理的隐形费用在ILP里很难看出来。
相比Robo，101 ILPs的设计太复杂，其中的各种福利和规则让人感觉不透明和无掌控感，也就是通常大家觉得保险公司各种隐型条款，层层收费，对此信心不足。
ILPs灵活度太低是更大的问题。对于年轻人，投资是一个持续学习的过程，ILPs最大的诟病，是沉没成本太高。Robo advisor在初始资金少的情况下，费用低，也没有退出成本。资产累计到一定程度可以选择其他的方式。
以上的假设是无脑定投标普500指数。实际情况要更复杂。因为股票市场的高波动性，很难保证在我们需要用钱时市场状况好。理论上在逐步接近退休年龄时，我们需要调整股债比例降低风险。ILPs和Robo都选择股债组合的搭配，自动平衡。而券商平台上只能自己调配，增加交易成本。ILPs和Robo的优势就是可以让你做到hands-free。

在逐步拆解这个ILP产品过程中我也学到很多，对ILPs的态度有了改观，可以更中立的去看待不同的理财投资产品。总体来说，我对这家年轻的保险公司印象不错，比较认可它的电子化，信息透明度。这个产品的低管理费和返利力度（相比于其他很多保险产品），也让我对保险投资产品有了新的看法。以及更好的认识了Robo advisor——我才意识到它费用其实很高！如果已经购买101 ILPs，没有必要焦虑，保险也有独特的好处，比如资产隔离，遗产规划等，本身也可以很好的累积财富。而Robo advisor也不一定是保险理财产品的最佳替代方式。盲目退保可能得不偿失，如果没有信心自己管理资产，那安心的供保也会有很好的收益。

数据仍告诉我们：定投被动指数基金是最有效的低成本、低维护的资产增值方式。但仅仅是历史数据，未来谁都不可以预测！第一个ETF产生于1993，30年前而已，谁知道以后金融会如何发展，说不定比特币统治世界。保持开放心态，持续学习。

附录

这是我偶然搜到的一位保险经纪对于ILPs的解释。我以自己目前有限的认知予以反驳。我觉得因为一些误导性的推销话术反而让ILPs诸多诟病：当客户发现这些错误引导后，对ILPs的态度就特别负面。

参考：

LittleCheeseCake MoneySense

基金选择

费用

投资计划

ILP: FWD Investment first plus

Robo: Endowus

ETF: FSMOne

计算假设

我的总结

附录

免责声明: 这个博客中的内容仅供信息参考，不旨在提供个人财务建议。请在进行尽职调查后做出您的财务决策。