Between ℙ and ℚ: The ℙℚ Measure for Pricing in Asset Liability Management
Notice bibliographique
Résumé
Insurance companies issue guarantees that need to be valued according to the market expectations. By calibrating option pricing models to the available implied volatility surfaces, one deals with the so-called risk-neutral measure Q , which can be used to generate market consistent values for these guarantees. For asset liability management, insurers also need future values of these guarantees. Next to that, new regulations require insurance companies to value their positions on a one-year horizon. As the option prices at t = 1 are unknown, it is common practice to assume that the parameters of these option pricing models are constant, i.e., the calibrated parameters from time t = 0 are also used to value the guarantees at t = 1 . However, it is well-known that the parameters are not constant and may depend on the state of the market which evolves under the real-world measure P . In this paper, we propose improved regression models that, given a set of market variables such as the VIX index and risk-free interest rates, estimate the calibrated parameters. When the market variables are included in a real-world simulation, one is able to assess the calibrated parameters (and consequently the implied volatility surface) in line with the simulated state of the market. By performing a regression, we are able to predict out-of-sample implied volatility surfaces accurately. Moreover, the impact on the Solvency Capital Requirement has been evaluated for different points in time. The impact depends on the initial state of the market and may vary between −46% and +52%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».