MétaCan
Menu
Retour à la cohorte
Enregistrement W3025591180 · doi:10.1017/s1748499521000178

Impact of the choice of risk assessment time horizons on defined benefit pension schemes

2021· article· en· W3025591180 sur OpenAlexafffund
Douglas Andrews, Stephen Bonnar, Lori J. Curtis, Jaideep S Oberoi, Aniketh Pittea, Pradip Tapadar

Notice bibliographique

RevueAnnals of Actuarial Science · 2021
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueInsurance, Mortality, Demography, Risk Management
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesSocial Sciences and Humanities Research Council of CanadaThe Institute and Faculty of ActuariesUniversity of Waterloo
Mots-clésBondAsset allocationPensionEconomicsTime horizonEquity (law)IncentiveRisk premiumHorizonActuarial scienceEconometricsFinancial economicsFinanceMicroeconomicsPortfolioMathematics

Résumé

récupéré en direct d'OpenAlex

Abstract We examine the impact of asset allocation and contribution rates on the risk of defined benefit (DB) pension schemes, using both a run-off and a shorter 3-year time horizon. Using the 3-year horizon, which is typically preferred by regulators, a high bond allocation reduces the spread of the distribution of surplus. However, this result is reversed when examined on a run-off basis. Furthermore, under both the 3-year horizon and the run-off, the higher bond allocation reduces the median level of surplus. Pressure on the affordability of DB schemes has led to widespread implementation of the so-called de-risking strategies, such as moving away from predominantly equity investments to greater bond investments. If the incentives produced by shorter term risk assessments are contributing to this shift, they might be harming the long-term financial health of the schemes. Contribution rates have relatively lower impact on the risk.

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)0,003
score de la tête « metaresearch » (Gemma)0,002
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 enseignants0,285
Score d'incertitude au seuil0,997

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0010,002
Communication savante0,0000,000
Science ouverte0,0010,000
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 Opus0,048
Tête enseignante GPT0,397
Écart entre enseignants0,349 · 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
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAnnals of Actuarial ScienceMême sujetInsurance, Mortality, Demography, Risk ManagementTravaux en français237 207