Text Mining pour l'analyse de dé-risquage des pensions aux États-Unis

Au cours des 30 dernières années, alors que les sponsors de régimes de pension à prestations définies (DB) faisaient face à des défis de sous-financement de plus en plus sévères, les stratégies de dé-risquage des pensions sont devenues courantes pour les entreprises disposant de régimes DB afin de réduire les risques liés aux pensions. Cependant, il reste peu clair comment les activités de dé-risquage des pensions affectent la performance des entreprises, en partie en raison du manque de données sur le dé-risquage. Dans cette étude, nous développons une méthodologie en plusieurs phases pour construire une base de données sur le dé-risquage dans le but d'examiner les impacts des activités de transfert de risque de pension des entreprises. Nous extrayons les dépôts des entreprises entre 1993 et 2018 à partir de la base de données SEC EDGAR pour identifier différentes stratégies de « dé-risquage » que les entreprises basées aux États-Unis ont utilisées. Une combinaison de méthodes de text mining, d'apprentissage automatique et de traitement du langage naturel est appliquée aux données textuelles pour l'identification et la classification automatisées des stratégies de dé-risquage. La contribution de cette étude est triple : (1) la conception d'une méthodologie en plusieurs phases qui identifie et extrait des informations cachées à partir d'une grande quantité de données textuelles ; (2) le développement d'une base de données complète sur les activités de dé-risquage des pensions des entreprises basées aux États-Unis ; et (3) des informations précieuses pour les entreprises ayant des régimes DB, les retraités et les praticiens sur les marchés de dé-risquage des pensions à travers une analyse empirique.