Worst-case distortion risk measures of transformed losses with uncertain distributions lying in Wasserstein balls
Notice bibliographique
Résumé
Abstract The limited stop-loss transform, along with the stop-loss and limited loss transforms – which are special or limiting cases of the limited stop-loss transform – is one of the most important transforms used in insurance, and it also appears extensively in many other fields including finance, economics, and operations research. When the distribution of the underlying loss is uncertain, the worst-case risk measure for the limited stop-loss transform plays a key role in many quantitative risk management problems in insurance and finance. In this paper, we derive expressions for the worst-case distortion risk measure of the limited stop-loss transform, as well as for the stop-loss and limited loss transforms, when the distribution of the underlying loss is uncertain and lies in a general $k$ -order Wasserstein ball that contains a reference distribution. We also identify the worst-case distributions under which the worst-case distortion risk measures are attained. Additionally, our results also recover the findings of Guan et al . ((2023) North American Actuarial Journal , 28 (3), 611–625), regarding the worst-case stop-loss premium over a $k$ -order Wasserstein ball. Furthermore, we use numerical examples to illustrate the worst-case distributions and the worst-case risk measures derived in this paper. We also examine the effects of the reference distribution, the radius of the Wasserstein ball, and the retention levels of limited stop-loss reinsurance on the premium for this type of reinsurance.
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 | 0,002 |
| 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) | 0,000 | 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 ».