Counter-monotonic risk allocations and distortion risk measures
Notice bibliographique
Résumé
In risk-sharing markets with aggregate uncertainty, characterizing Pareto-optimal allocations when agents might not be risk averse is a challenging task, and the literature has only provided limited explicit results thus far. In particular, Pareto optima in such a setting may not necessarily be comonotonic, in contrast to the case of risk-averse agents. In fact, when market participants are risk-seeking, Pareto-optimal allocations are counter-monotonic. Counter-monotonicity of Pareto optima also arises in some situations for quantile-optimizing agents. In this paper, we provide a systematic study of efficient risk sharing in markets where allocations are constrained to be counter-monotonic. The preferences of the agents are modeled by a common distortion risk measure, or equivalently, by a common Yaari dual utility. We consider three different settings: risk-averse agents, risk-seeking agents, and those with an inverse S-shaped distortion function. In each case, we provide useful characterizations of optimal allocations, for both the counter-monotonic market and the unconstrained market. To illustrate our results, we consider an application to a portfolio choice problem for a portfolio manager tasked with managing the investments of a group of clients, with varying levels of risk aversion or risk seeking. We determine explicitly the optimal investment strategies in this case. Our results confirm the intuition that a manager investing on behalf of risk-seeking agents tends to invest more in risky assets than a manager acting on behalf of risk-averse agents.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».