Using functional data models in longevity and mortality hedging: a cross-gender study
Notice bibliographique
Résumé
Cet essai a pour but d'étudier le risque de longevité dans la population Canadienne et de proposer des solutions de couverture adaptées à un fond de pension. Il se joint à une série de travaux dans le but de créer une ouverture vers un marché liquide et transparant de produits de longevité et/ou de mortalité. Le risque de longevité d'un fond de pension peut être défini comme le risque que ses rentiers vivent plus longtemps que prévu. C'est un réel enjeu pour ces institutions, qui représentent une grande partie du marché financier Canadien. Un marché de produits derivés financiers qui permettent de se couvrir pour ce risque sera de mise étant donné la réalité démographique future du pays. Cet essai a pour but de contribuer à la littérature scientifique en validant la portée possible des modèles de type functional data approach (FDA). Nous allons calibrer les instruments de couverture grâce aux résultats générés par ce modèle et nous allons en tester l'efficacité. Afin d'évaluer la pertinence des moyens de couvertures, nous présenterons des forwards et des options, sur des sous-jacents comme les taux de mortalité et les taux de survie. Nous faisons une étude sur des portefeuilles unicohortes, multicohortes et sur un portefeuille de rentiers mixte. Nos résultats démontrent tous une amélioration par rapport à nos mesures de risque, soit une diminution de l'écart-type, de la valeur à risque et de la perte espérée. Il faut noter que la majorité de cette étude a été travaillée avant la pandémie de la COVID-19 de 2020-2021. L'excès de mortalité durant la pandémie pour des âges pertinents à des fonds de pensions sera un facteur important à considérer lors de travaux futurs.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 source (Gemma direct ou Codex distillé), 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 ».