MétaCan
Menu
Retour à la cohorte
Enregistrement W2923417146 · doi:10.1515/apjri-2018-0013

Actuarial Modeling and Analysis of the Hong Kong Life Annuity Scheme

2019· article· en· W2923417146 sur OpenAlexaff
Koon-Shing Kwong, Wai‐Sum Chan, Johnny Siu‐Hang Li

Notice bibliographique

RevueAsia-Pacific Journal of Risk and Insurance · 2019
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueInsurance, Mortality, Demography, Risk Management
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesMinistry of Education, IndiaMinistry of Earth Sciences
Mots-clésLife annuityAnnuityActuarial scienceCash flowLump sumBusinessEconomicsPaymentFinancePension

Résumé

récupéré en direct d'OpenAlex

Abstract The Hong Kong Mortgage Corporation (HKMC) Limited, which was established in March 1997 and is wholly owned by the government of the Hong Kong Special Administrative Region, has a major mission to develop and provide different financial retirement instruments to Hong Kong residents to help address the income poverty of retirees. In June 2017, HKMC Annuity Limited, a wholly-owned subsidiary of the HKMC was incorporated to implement a new life annuity scheme which would be launched by mid-2018 to cater for the needs of cash-rich Hong Kong old age residents. The objective of the scheme is to provide an additional financial retirement planning option with minimum credit risk and a certain level of liquidity to the elderly by turning lump-sum premiums into lifetime streams of monthly income at a reasonable and stable return rate. In this paper, we establish an actuarial framework to model this life annuity scheme. The framework enables us to estimate the monthly annuity payments one might receive for a certain amount of investment. It also allows us to analyze the risk entailed in the product, thus shedding light on how the underlying risk can be managed through product design. Our findings will help potential subscribers to understand the scheme and decide whether this scheme should be included in their retirement investment portfolios when it is launched in 2018.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,474

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,252
Écart entre enseignants0,241 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAsia-Pacific Journal of Risk and InsuranceMême sujetInsurance, Mortality, Demography, Risk ManagementTravaux en français237 207