Liquidações extrajudiciais no mercado supervisionado pela SUSEP: impacto, dificuldades e oportunidades.

O problema de pesquisa neste trabalho é a averiguação da eficiência e eficácia do processo de liquidação extrajudicial de seguradoras, companhias de capitalização e de previdência aberta sob o comando da SUSEP, autarquia que regula e supervisiona estes mercados. Historicamente os processos de liquidação na SUSEP têm demorado em média mais de onze anos e ao final a maioria das liquidações encerra-se por autofalência, revelando baixa eficácia e eficiência do processo. Disto decorre nosso objetivo central de pesquisa que é descobrir os fatores que contribuem para esse quadro negativo e fazer recomendações de melhorias, a partir do estudo das leis, normativos e procedimentos aplicáveis e de entrevistas de profundidade com supervisores e pesquisa eletrônica com os liquidantes. Ao final, recomendamos medidas objetivas, que emergiram da análise e do próprio trabalho de pesquisa, as quais vemos como capazes de eliminar os maiores obstáculos que impedem melhores resultados nos processos de liquidação da SUSEP.

Multistep stochastic mirror descent for risk-averse convex stochastic programs based on extended polyhedral risk measures

We consider risk-averse convex stochastic programs expressed in terms of extended polyhedral risk measures. We derive computable con dence intervals on the optimal value of such stochastic programs using the Robust Stochastic Approximation and the Stochastic Mirror Descent (SMD) algorithms. When the objective functions are uniformly convex, we also propose a multistep extension of the Stochastic Mirror Descent algorithm and obtain con dence intervals on both the optimal values and optimal solutions. Numerical simulations show that our con dence intervals are much less conservative and are quicker to compute than previously obtained con dence intervals for SMD and that the multistep Stochastic Mirror Descent algorithm can obtain a good approximate solution much quicker than its nonmultistep counterpart. Our con dence intervals are also more reliable than asymptotic con dence intervals when the sample size is not much larger than the problem size.