Using functional data models in longevity and mortality hedging: a cross-gender study
Bibliographic record
Abstract
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.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.012 | 0.020 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 0.001 |
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 source (direct Gemma or distilled Codex), 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".