MétaCan
Menu
Retour à la cohorte
Enregistrement W3037029241 · doi:10.1017/asb.2020.20

RISK-BASED CAPITAL FOR VARIABLE ANNUITY UNDER STOCHASTIC INTEREST RATE

2020· article· en· W3037029241 sur OpenAlexaff
Jindong Wang, Wei Xu

Notice bibliographique

RevueAstin Bulletin · 2020
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueStochastic processes and financial applications
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésInterest rateLiabilityAnnuityEconometricsInterest rate riskActuarial scienceEconomicsLife annuityFinancePension

Résumé

récupéré en direct d'OpenAlex

Abstract Interest rate is one of the main risks for the liability of the variable annuity (VA) due to its long maturity. However, most existing studies on the risk measures of the VA assume a constant interest rate. In this paper, we propose an efficient two-dimensional willow tree method to compute the liability distribution of the VA with the joint dynamics of the mutual fund and interest rate. The risk measures can then be computed by the backward induction on the tree structure. We also analyze the sensitivity and impact on the risk measures with regard to the market model parameters, contract attributes, and monetary policy changes. It illustrates that the liability of the VA is determined by the long-term interest rate whose increment leads to a decrease in the liability. The positive correlation between the interest rate and mutual fund generates a fat-tailed liability distribution. Moreover, the monetary policy change has a bigger impact on the long-term VAs than the short-term contracts.

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)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,973
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
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 savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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 Opus0,042
Tête enseignante GPT0,221
Écart entre enseignants0,179 · 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.

Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreMéthodes

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

En bref

Citations3
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAstin BulletinMême sujetStochastic processes and financial applicationsTravaux en français237 207