Adaptation Using Financial Markets: Climate Risk Diversification through Securitization
Notice bibliographique
Résumé
In the face of rising climate risk, financial institutions may adapt by transferring such risk to securitizers that have the skill and expertise to build diversified pools, such as Mortgage-Backed Securities.In diversified pools, exposure to climate risk may be a drop in the ocean of cash flows.This paper builds a data set of the entire securitization chain from mortgage-level to MBS deallevel cash flows, and observes the prices of the tranches at monthly frequency.Wildfires lead to higher rates of prepayment and foreclosure at the mortgage level, and larger losses during foreclosure sales.At the MBS deal level, a lower spatial concentration of dollar balances (lower spatial dollar Herfindahl), a lower spatial correlation in wildfire events (within-deal correlation), leads to a lower exposure to wildfire events.These quantifiable metrics of diversification identify those existing deals whose design makes them resilient to climate change.This paper builds optimal deals by finding the portfolio weights in an asset demand system that targets return and risk.Extrapolating wildfire risk using a granular wildfire probability model and temperature projections in 2050, we build climate resilient MBSs whose returns are minimally impacted by wildfire risk even as they supply mortgage credit to wildfire prone areas.Finally, we test whether the market prices the sensitivity of each deal's cash flow to wildfire risk.
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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».