Optimal Allocation of Retirement Portfolios
Notice bibliographique
Résumé
A retiree with a savings account balance, but without a pension, is confronted with an important investment decision that has to satisfy two conflicting objectives. Without a pension, the function of the savings is to provide post-employment income to the retiree. At the same time, most retirees want to leave an estate to their heirs. Guaranteed income can be acquired by investing in an annuity. However, that decision takes funds away from investment alternatives that might grow the estate. The decision is made even more complicated because one does not know how long one will live. A long life expectancy may require more annuities, and a short life expectancy could promote more risky investments. However there are very mixed opinions about both strategies. A framework has been developed to assess consequences and the trade-offs of alternative investment strategies. We propose a stochastic programming model to frame this complicated problem. The objective is to maximize expected estate value, subject to cash outflow constraints. The model is motivated by the Markowitz mean-variance approach, but with risk measured by CVaR and additional sophisticated constraints. The cash outflow shortages are penalized in the objective function of the problem. We use the kernel method to build position adjustment functions that control how much is invested in each asset. These adjustments nonlinearly depend upon asset returns in previous years. A case study was conducted using two variations of the model. The parameters used in this case study correspond to a typical retirement situation. The case study shows that if the market forecasts are pessimistic, it is optimal to invest in an annuity. The case study results, codes, and data are posted on our website.
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 | 0,003 | 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 | 0,001 | 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 ».