Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > q-fin > arXiv:2503.09377

帮助 | 高级搜索

定量金融 > 风险管理

arXiv:2503.09377 (q-fin)
[提交于 2025年3月12日 ]

标题: 具有协整关系的长程依赖死亡率建模

标题: Long-range dependent mortality modeling with cointegration

Authors:Mei Choi Chiu, Ling Wang, Hoi Ying Wong
摘要: 公开可用的生命表实证研究发现了国家死亡率数据中的长程依赖性(LRD)。 尽管长寿市场应以国家的死亡率强度为基准,但保险公司更关注与其自身投资组合相关的死亡率强度,而不是国家层面的。 最近在死亡率建模方面的进展利用分数布朗运动(fBm)来捕捉LRD。 一种理论灵活的方法甚至考虑了混合分数布朗运动(mfBm)。 通过使用Volterra过程,我们证明了直接使用mfBm会遇到识别问题,因此保险公司很难从其投资组合中检测到LRD效应。 协整技术可以有效地将国家死亡率强度中的LRD信息引入到保险公司经验投资组合的死亡率模型中。 在开环均衡控制框架下,针对具有LRD的协整死亡率强度,推导出了显式且唯一的均衡长寿对冲策略。 使用推导出的对冲策略,我们的数值示例表明,估计协整关系的准确性对于对冲具有LRD国家死亡率强度的保险公司长寿风险至关重要。
摘要: Empirical studies with publicly available life tables identify long-range dependence (LRD) in national mortality data. Although the longevity market is supposed to benchmark against the national force of mortality, insurers are more concerned about the forces of mortality associated with their own portfolios than the national ones. Recent advances on mortality modeling make use of fractional Brownian motion (fBm) to capture LRD. A theoretically flexible approach even considers mixed fBm (mfBm). Using Volterra processes, we prove that the direct use of mfBm encounters the identification problem so that insurers hardly detect the LRD effect from their portfolios. Cointegration techniques can effectively bring the LRD information within the national force of mortality to the mortality models for insurers' experienced portfolios. Under the open-loop equilibrium control framework, the explicit and unique equilibrium longevity hedging strategy is derived for cointegrated forces of mortality with LRD. Using the derived hedging strategy, our numerical examples show that the accuracy of estimating cointegration is crucial for hedging against the longevity exposure of insurers with LRD national force of mortality.
主题: 风险管理 (q-fin.RM)
引用方式: arXiv:2503.09377 [q-fin.RM]
  (或者 arXiv:2503.09377v1 [q-fin.RM] 对于此版本)
  https://doi.org/10.48550/arXiv.2503.09377
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Ling Wang [查看电子邮件]
[v1] 星期三, 2025 年 3 月 12 日 13:27:22 UTC (1,934 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
q-fin.RM
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-03
切换浏览方式为:
q-fin

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号