Les modèles factoriels et la gestion du risque de longévité
Bibliographic record
Abstract
L’augmentation constante de l’espérance de vie engendre l’heureux risque de vivre au-delà de nos actifs. Ce risque n’est non seulement pas diversifiable pour les individus, mais il ne l’est que difficilement pour les fonds de pension et les assureurs. Nous illustrons comment différents modèles à facteurs peuvent être utilisés afin de valoriser les titres financiers qui permettraient aux fonds de pension de transférer ce risque à d’autres parties. Nous montrons que le risque de longévité, bien que mesurable au moyen d’un modèle en composantes principales, est mieux mesuré au moyen de modèles plus structurels. Néanmoins, le risque de modèle associé à ces modèles structurels demeure tel qu’il est fort possible que la prime que demanderait un assureur pour assumer le risque de longévité soit supérieure à la volonté à payer des promoteurs de fonds de pension. Cet écart pourrait expliquer la quasi-absence de marché pour la gestion du risque de longévité.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".