Target benefit versus defined contribution scheme: a multi-period framework
Notice bibliographique
Résumé
Abstract A target benefit plan (TBP) is a collective defined contribution (DC) plan that is growing in popularity in Canada. Similar to DC plans, TBPs have fixed contribution rates, but they also implement pooling of longevity and investment risk. In this paper, we formulate a multi-period model that incorporates two sources of risk – asset risk and labor income risk for active members. We present an optimal investment and retirement benefits schedule for TBP members with a fixed contribution rate. Using Australian data from 1965 to 2018, we evaluate the performance of the optimal TBP scheme and compare it to the optimal DC scheme. By adopting the benefit–investment strategy derived in this paper, we demonstrate the stability of benefit distribution over time for a TBP scheme in this stochastic formulation. To outperform the DC scheme’s benefit payment, careful consideration shall be given to the benefit target in the TBP scheme. A high target may not be achievable, while a low target can impede the accumulation momentum of the fund’s wealth in its early stages. Moreover, a TBP fund’s investment strategy is primarily influenced by the wealth target, with more aggressive investments in risky assets as the wealth target increases. This analysis may shed light on the possible improvements to retirement planning in Australia. Although the results are sensitive to the choice of model parameters, overall, the proposed TBP promotes system stability in various scenarios.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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) | 0,005 | 0,018 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».