Optimal Reinsurance Design under Ambiguity and Value-at-Risk Preference with Wasserstein and <i> L <sup>k</sup> </i> Distance Metrics
Notice bibliographique
Résumé
This article delves into the optimal reinsurance problem from the perspective of a decision maker (DM) who exhibits a preference for value-at-risk (VaR) and experiences ambiguity regarding the underlying loss distribution. The uncertainty set considered in this study encompasses distributions that closely envelop a reference distribution, with the proximity quantified using the Wasserstein metric. Through a rigorous analysis, we present a thorough characterization of both the optimal indemnity function and the worst-case VaR for our proposed problem. Furthermore, we extend our examination to a pertinent problem wherein the Lk distance metric substitutes for the Wasserstein metric. Numerical examples are provided to demonstrate the implications of our main findings, and a comparative analysis is conducted with relevant literature to further enhance our understanding of the outcomes. Explicit comparative analysis demonstrates that Wasserstein ambiguity sets minimize worst-case VaR through aggregate tail mass shifting penalties, while Lk distance ambiguity sets prioritize local distributional shifts near the VaR quantile, generating higher worst-case VaR estimates particularly sensitive to extreme-loss scenarios. The insights and analytical tools elucidated in this article hold consequential implications for insurers and reinsurers in proficiently navigating risk management within an uncertain environment.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».