Lifetime ruin minimization: should retirees hedge inflation or just worry about it?
Notice bibliographique
Résumé
Abstract Inflation for retirees is different from and mostly higher than the macro-economic (average) inflation rate for the entire population. In the U.S.A, for example, the Consumer Price Index for the Urban population (CPI-U) calculated and reported by the Bureau of Labor Statistics (BLS) has a lesser known cousin called the CPI-E (for the elderly) in which the sub-component weights are based on the consumption patterns of Americans above the age of 62. This suggests that Inflation-Linked Bond Funds (ILBFs) – whose individual component bond adjustments are based on broad population (CPI-U) inflation – might not be the best hedge for individual retirees’ cost of living. But then again, broad shocks to inflation are likely to impact both indices. So, motivated by the question – is it good enough? – the current paper uses lifetime ruin minimization (LRM) techniques to investigate the optimal allocation between an ILBF and a nominal investment fund for a retiree facing an exogenous liability. Our model trades off the benefit of an imperfect hedge against the cost of lower investment growth. However, our numerical results suggest that although ILBFs can be a large part of the optimal retirement portfolio, it should be treated as just another asset class in the broad optimization problem as opposed to a special or unique category.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».