MétaCan
Menu
Retour à la cohorte
Enregistrement W2991457606 · doi:10.22158/jepf.v5n4p465

Insurance Cycles, Spanning and Regulation

2019· article· en· W2991457606 sur OpenAlexaff
Arthur Hogan, David Nickerson

Notice bibliographique

RevueJournal of Economics and Public Finance · 2019
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueInsurance and Financial Risk Management
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesUniversity of Minnesota
Mots-clésUnderwritingContext (archaeology)Capital asset pricing modelProfitability indexBusinessAsset (computer security)EconomicsActuarial scienceFinanceComputer science

Résumé

récupéré en direct d'OpenAlex

This paper offers a novel explanation of the financial underwriting cycle in the property-liability insurance industry. By doing so it resolves that significant anomaly in asset pricing theory posed by cycles in the efficient pricing of insurance coverage. In contrast to the reliance on a variety of institutional or capital market failures underlying all previous explanations of this cycle, we directly augment the complete-markets environment of traditional asset-pricing models through the presence of a single source of risk that cannot be fully hedged through existing financial markets. We realistically interpret this source of risk as unforecastable noise in the implementation of insurance regulations. Cycles in the value of underwriting insurance coverage can arise in this simple variant of a standard complete-markets pricing model owing to the effect of such regulatory risk. We offer a sufficient condition for a stable cycle to endogenously exist in market equilibrium and illustrate this condition in the context of a representative insurance firm and a regulator pursuing a countercyclical policy with noisy implementation. Interestingly, while insurance pricing is efficient in the absence of the regulator, cyclic pricing and underwriting profitability can be induced by a countercyclical regulator policy designed to stabilize the very cycle it creates.

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)0,001
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,609
Score d'incertitude au seuil0,567

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
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 Opus0,019
Tête enseignante GPT0,191
Écart entre enseignants0,171 · 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

Citations0
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Economics and Public FinanceMême sujetInsurance and Financial Risk ManagementTravaux en français237 207