Optimal Retention for a Stop-loss Reinsurance Under the VaR and CTE Risk Measures
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
We propose practical solutions for the determination of optimal retentions in a stop-loss reinsurance. We develop two new optimization criteria for deriving the optimal retentions by, respectively, minimizing the value-at-risk (VaR) and the conditional tail expectation (CTE) of the total risks of an insurer. We establish necessary and sufficient conditions for the existence of the optimal retentions for two risk models: individual risk model and collective risk model. The resulting optimal solution of our optimization criterion has several important characteristics: (i) the optimal retention has a very simple analytic form; (ii) the optimal retention depends only on the assumed loss distribution and the reinsurer’s safety loading factor; (iii) the CTE criterion is more applicable than the VaR criterion in the sense that the optimal condition for the former is less restrictive than the latter; (iv) if optimal solutions exist, then both VaR- and CTE-based optimization criteria yield the same optimal retentions. In terms of applications, we extend the results to the individual risk models with dependent risks and use multivariate phase type distribution, multivariate Pareto distribution and multivariate Bernoulli distribution to illustrate the effect of dependence on optimal retentions. We also use the compound Poisson distribution and the compound negative binomial distribution to illustrate the optimal retentions in a collective risk model.
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.
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 | 0,007 | 0,002 |
| 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 découle