Optimal Purchasing of Deferred Income Annuities When Payout Yields are Mean-Reverting
Notice bibliographique
Résumé
Abstract We determine the optimal lifecycle purchasing strategy for deferred income annuities (DIAs)—which are distinct from single-premium income annuities (SPIAs)—for an individual who wishes to maximize the expected utility of his/her annuity income at a fixed time in the future. In contrast to the vast portfolio-choice literature for SPIAs, we focus on the stochasticity of the DIA’s payout yield and address concerns that rates are currently “too low” to justify irreversible annuitization. We assume a mean-reverting model for payout yields and show that a risk-neutral consumer who wishes to maximize his/her expected retirement income should wait until yields reach a threshold—which lies above historical averages—and then purchase the DIA in one lump sum. In contrast, a risk-averse consumer who is concerned the payout yield will remain below average for an extended period and worries about losing mortality credits while waiting, should employ a barrier purchasing strategy, as in the portfolio choice problem under transaction costs. We illustrate how this insight is applied in the context of annuitization. In fact, the optimal behavior of a risk-averse consumer resembles an asymmetric dollar-cost averaging strategy, with a portion of the DIA-budget spent even while payout rates are below historical averages. As part of our analysis we offer an easy-to-use asymptotic approximation for the optimal purchasing strategy (threshold) and provide some numerical examples to illustrate the concept.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».