Counter-monotonic Risk Sharing with Heterogeneous Distortion Risk Measures

Dieser Artikel untersucht die Pareto-optimale Risikoteilung zwischen Agenten mit heterogenen, nicht notwendigerweise risikoscheuen Verzerrungsrisikomaßen und leitet unter milden Annahmen explizite Lösungen für die inf-Convolution sowie deren counter-monotone Variante ab, die sich durch eine Verallgemeinerung von Verzerrungsrisikomaßen darstellen lassen.

Das Wesentliche

🎲 Der große Wetteinsatz: Wie riskante Spieler ihre Verluste teilen

Stellen Sie sich vor, Sie sind in einem Raum voller Menschen, die alle eine große, unsichere Sache teilen müssen – sagen wir, einen riesigen, wackeligen Kuchen, der jeden Moment zusammenbrechen könnte. In der Finanzwelt nennen wir das „Risikoteilung".

Normalerweise denken wir, dass alle Menschen Angst vor Verlusten haben (sie sind „risikoavers"). Wenn das der Fall ist, teilen sie den Kuchen so auf, dass jeder genau das bekommt, was er braucht, und alle in die gleiche Richtung schauen. Das ist wie ein gut geöltes Team, das gemeinsam gegen den Wind läuft.

Aber was passiert, wenn die Leute im Raum gar keine Angst vor dem Wackeln haben? Was, wenn sie es sogar mögen?

Genau das untersucht diese Arbeit. Die Autoren (Mario Ghossoub, Qinghua Ren und Ruodu Wang) schauen sich eine Gruppe von Menschen an, die Risikofreunde sind. Sie lieben das Spiel, den Nervenkitzel und die Chance auf einen riesigen Gewinn (oder einen riesigen Verlust).

1. Die zwei Extreme: „Gemeinsam im Boot" vs. „Jeder für sich"

Um das zu verstehen, brauchen wir zwei Begriffe:

• Der „Einheits-Club" (Komonotonie): Das ist, wenn alle im Boot sitzen und in die gleiche Richtung paddeln. Wenn das Boot nach links kippt, kippt es für alle nach links. Das ist das, was risikoaverse Menschen wollen.
• Der „Gegenspieler-Club" (Gegenmonotonie): Das ist das Gegenteil. Hier ist es wie ein extremes Spiel: Wenn einer gewinnt, verlieren alle anderen. Oder anders gesagt: Wenn das Boot kippt, kippt es für einen nach oben und für die anderen nach unten. Das ist das, was Risikofreunde lieben. Sie wollen, dass jemand der „Gewinner" ist (der Jackpot), während die anderen leer ausgehen.

Die Autoren haben herausgefunden: Wenn alle Risikofreunde sind, wollen sie den „Gegenspieler-Club". Sie wollen den Kuchen nicht gleichmäßig verteilen. Sie wollen, dass jemand den ganzen Kuchen bekommt, während die anderen nur die Krümel sehen. Das nennt man eine „Jackpot-Verteilung".

2. Das große Rätsel: Wer bekommt den Jackpot?

Hier wird es spannend. Wenn alle Risikofreunde sind, aber unterschiedliche Vorlieben haben (einige lieben das Risiko mehr als andere), wer bekommt dann den ganzen Kuchen?

In der Vergangenheit dachten Forscher, die Person mit dem größten Appetit auf Risiko würde den ganzen Kuchen bekommen. Aber die Autoren haben gezeigt: Es ist komplizierter!

Stellen Sie sich vor, Sie haben zwei Spieler:

• Spieler A mag das Risiko ein bisschen.
• Spieler B liebt das Risiko extrem.

Man könnte denken, Spieler B bekommt den ganzen Kuchen. Aber die Mathematik zeigt: Manchmal bekommt Spieler A den Kuchen, weil die Art und Weise, wie er das Risiko „schmeckt", an einem bestimmten Punkt besser funktioniert als bei Spieler B. Es ist wie beim Kochen: Manchmal braucht man nicht den stärksten Koch, sondern den, dessen Rezept genau zur aktuellen Zutat passt.

3. Die magische Formel (Die „Inf-Convolution")

Die Autoren haben eine neue mathematische Formel entwickelt, um genau zu berechnen, wie dieser Kuchen aufgeteilt werden muss, damit alle zufrieden sind (das nennt man „Pareto-Optimalität").

• Bei risikoaversen Leuten: Die Formel ist einfach. Alle paddeln zusammen.
• Bei Risikofreunden: Die Formel ist neu und überraschend. Sie zeigt, dass der „Gesamtrisikowert" der Gruppe nicht mehr wie ein normaler Risikomaßstab aussieht. Es ist, als würde man aus verschiedenen Farben eine neue, völlig andere Farbe mischen, die man vorher noch nie gesehen hat.

Die Formel sagt uns: Wenn Risikofreunde zusammenarbeiten, ist die beste Strategie, das Risiko zu konzentrieren, nicht zu verteilen. Man wirft den ganzen Wurf auf eine Person, die dann entweder alles gewinnt oder alles verliert.

4. Ein konkretes Beispiel: Das Glücksspiel

Stellen Sie sich vor, Sie haben 100 Euro zu verteilen.

• Wenn Sie sichere Leute sind, geben Sie jedem 10 Euro. Niemand verliert viel, niemand gewinnt viel.
• Wenn Sie Risikofreunde sind, sagen Sie: „Wir werfen eine Münze. Wenn Kopf, bekommt Person X die 100 Euro. Wenn Zahl, bekommt Person Y die 100 Euro."

Die Autoren zeigen, dass für Risikofreunde diese extreme „Alles-oder-Nichts"-Strategie (Gegenmonotonie) viel besser ist als eine gemischte Strategie. Und sie haben berechnet, welche Person in einer Gruppe von 10 Leuten die 100 Euro bekommen sollte, basierend auf ihrer persönlichen „Risikofreude-Kurve".

🎯 Das Fazit in einem Satz

Diese Arbeit zeigt uns, dass wenn Menschen das Risiko lieben, die beste Art, Probleme zu lösen, nicht darin besteht, sie gemeinsam zu tragen, sondern sie so aufzuteilen, dass jeder eine eigene Chance auf den großen Gewinn (oder das große Desaster) hat. Es ist der Unterschied zwischen einem Team, das zusammenarbeitet, und einem Casino, in dem jeder auf sein eigenes Glück setzt – und die Mathematik sagt uns genau, wie man den Jackpot fair (im Sinne der Risikofreunde) verteilt.

Die große Erkenntnis: Bei Risikofreunden führt das Teilen von Risiken nicht zu mehr Sicherheit, sondern zu einer spannenderen, aber riskanteren Verteilung, bei der „jeder für sich" spielt, aber alle davon profitieren, dass das Risiko an den richtigen Ort (die Person mit dem richtigen Profil) gelangt.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Papers „Counter-monotonic Risk Sharing with Heterogeneous Distortion Risk Measures" von Mario Ghossoub, Qinghua Ren und Ruodu Wang auf Deutsch.

1. Problemstellung

Das Paper untersucht die Risikoteilung (Risk Sharing) zwischen mehreren Agenten, die über heterogene Präferenzen verfügen, die durch verzerrte Risikomaße (distortion risk measures) modelliert werden. Im Gegensatz zur traditionellen Literatur, die oft von homogenen, risikoscheuen Agenten ausgeht, konzentriert sich diese Arbeit auf Szenarien, in denen Agenten risikofreudig (risk-seeking) sein können.

• Kontext: In Märkten wie Versicherungen oder Finanzen wird oft die optimale Allokation eines aggregierten Risikos $X$ auf $n$ Agenten gesucht.
• Herausforderung: Während für risikoscheue Agenten (konkave Verzerrungsfunktionen) bekannt ist, dass komonotone Allokationen (alle Agenten bewegen sich in die gleiche Richtung wie das Gesamtrisiko) Pareto-optimal sind, ist die Situation bei risikofreudigen Agenten (konvexe Verzerrungsfunktionen) komplexer.
• Ziel: Das Paper leitet explizite Lösungen für die inf-Convolution (die minimale Summe der Risikomaße über alle möglichen Allokationen) her, insbesondere unter der Einschränkung auf counter-monotone Allokationen (wo die Risiken der Agenten invers zueinander korreliert sind).

2. Methodik und theoretischer Rahmen

Die Autoren nutzen einen mathematischen Rahmen, der auf der Theorie der verzerrten Risikomaße und der Abhängigkeitsstruktur von Zufallsvariablen basiert.

• Verzerrte Risikomaße: Die Präferenzen werden durch $\rho_h(X) = \int X d(h \circ P)$ beschrieben, wobei $h$ eine Verzerrungsfunktion ist.
  • Risikoscheu: $h$ ist konkav.
  • Risikofreudig: $h$ ist konvex.
• Inf-Convolution: Die zentrale Operation ist die Inf-Convolution $\square \rho_i$, definiert als das Infimum der Summe der individuellen Risikomaße über alle möglichen Aufteilungen des Gesamtrisikos.
• Einschränkungen der Allokation:
  • Ungezwungen: Über alle möglichen Allokationen $A_n(X)$.
  • Comonotone Einschränkung: Nur Allokationen, bei denen alle Agenten gleichgerichtet sind ($A_n^+(X)$).
  • Counter-monotone Einschränkung: Nur Allokationen, bei denen die Agenten invers zueinander agieren ($A_n^-(X)$). Für $n \ge 3$ bedeutet dies oft eine „Jackpot"-Struktur (ein Agent trägt das ganze Risiko, andere nichts) oder eine „Scapegoat"-Struktur.
• Gegenmonotone Verbesserung (Counter-monotonic Improvement): Das Paper stützt sich auf den Satz von Lauzier et al. (2024), der besagt, dass für risikofreudige Agenten jede Allokation durch eine counter-monotone Allokation verbessert werden kann (im Sinne der konvexen Ordnung). Dies rechtfertigt die Fokussierung auf counter-monotone Strukturen bei risikofreudigen Agenten.
• Technische Werkzeuge:
  • Verwendung von Bernstein-Polynomen zur Approximation nicht-differenzierbarer Funktionen.
  • Lagrange-Multiplikatoren zur Lösung von Optimierungsproblemen bei konstanten Auszahlungen.
  • Analyse der Dualität zwischen Inf-Convolution und Sup-Convolution von Verzerrungsfunktionen.

3. Wichtige Beiträge und Ergebnisse

Das Paper liefert mehrere fundamentale theoretische Ergebnisse, die den Fall heterogener Agenten (insbesondere risikofreudiger) beleuchten:

A. Beziehung zwischen den Inf-Convolutionen (Allgemeiner Fall)

Für Agenten mit unterschiedlichen Verzerrungsfunktionen $h_i$ wird die Beziehung zwischen der ungezwungenen ($\square$), der counter-monotonen ($\ominus$) und der komonotonen ($\oplus$) Inf-Convolution untersucht.

• Im Gegensatz zum homogenen Fall ist die Ordnung zwischen $\ominus$ und $\oplus$ nicht immer gleich.
• Theorem 2: Es werden Bedingungen hergeleitet, unter denen $\ominus \rho_{h_i} \ge \oplus \rho_{h_i}$ gilt (z. B. wenn die aggregierte Funktion $h$ dual subadditiv ist).
• Bei risikoscheuen Agenten (konkave $h_i$) sind komonotone Allokationen meist optimal, und die drei Inf-Convolutionen können identisch sein, wenn ein Agent das Risiko vollständig tragen kann.

B. Explizite Lösungen für risikofreudige Agenten (Hauptbeitrag)

Der Kernbeitrag liegt in Theorem 3, das explizite Formeln für risikofreudige Agenten (konvexe $h_i$) liefert.

• Voraussetzung: Die Agenten sind risikofreudig ($h_i$ konvex), und der Raum der Zufallsvariablen ist auf $L^+$ (nicht-negative Verluste) oder $L^-$ (nicht-positive Verluste/Gewinne) beschränkt, um zu verhindern, dass die Inf-Convolution gegen $-\infty$ divergiert (wie in Proposition 2 gezeigt).
• Ergebnis: Für risikofreudige Agenten gilt:
  $$\square_{i=1}^n \rho_{h_i}(X) = \ominus_{i=1}^n \rho_{h_i}(X) = \rho_g(X)$$
  Das heißt, die ungezwungene und die counter-monotone Inf-Convolution sind identisch und werden durch ein neues Maß $\rho_g$ repräsentiert.
• Struktur von $g$:
  • Für $X \in L^+$: $g$ ist die Inf-Convolution der einzelnen Verzerrungsfunktionen: $g = \square_{i=1}^n h_i$.
  • Für $X \in L^-$: $g$ ist über die Sup-Convolution der dualen Funktionen definiert: $\tilde{g} = \diamond_{i=1}^n \tilde{h}_i$.
• Wichtige Implikation: Das resultierende Maß $\rho_g$ ist im Allgemeinen kein verzerrtes Risikomaß mehr (da $g$ nicht notwendigerweise monoton ist), sondern ein verzerrtes Risikometrik (distortion riskmetric). Dies zeigt, dass die Klasse der verzerrten Risikomaße unter Inf-Convolution bei risikofreudigen Agenten nicht abgeschlossen ist.

C. Analyse bei konstanten Auszahlungen (Proposition 3)

Für den Fall, dass das aggregierte Risiko eine Konstante ist (z. B. $X=1$), wird die optimale Aufteilung der Wahrscheinlichkeiten analysiert.

• Die optimale Allokation ist eine „Jackpot"-Struktur: Ein Agent trägt das Risiko mit einer bestimmten Wahrscheinlichkeit $P(A_i)$, die anderen mit Wahrscheinlichkeit 0.
• Monotonie-Bruch: Bei $n \ge 3$ tragen risikofreudigere Agenten (höhere Konvexität von $h$) eine höhere Wahrscheinlichkeit des Verlusts.
• Paradoxon bei $n=2$: Bei nur zwei Agenten ist die Reihenfolge der Wahrscheinlichkeiten nicht strikt durch das Ausmaß der Risikofreudigkeit bestimmt. Es kann vorkommen, dass der weniger risikofreudige Agent eine höhere Wahrscheinlichkeit trägt, abhängig von der Krümmung der Funktionen nahe der Symmetrie. Dies wird durch numerische Beispiele (Tabelle 2) illustriert.

4. Signifikanz und Schlussfolgerung

Die Arbeit erweitert das Verständnis von Risikoteilung erheblich, indem sie den Fokus von der klassischen Risikoscheu auf Risikofreude und Heterogenität verschiebt.

1. Theoretische Erweiterung: Sie zeigt, dass für risikofreudige Agenten counter-monotone Allokationen (und nicht komonotone) die Pareto-optimalen Lösungen sind. Dies bestätigt und verallgemeinert neuere Erkenntnisse über „Jackpot"-Strukturen.
2. Neue Klasse von Maßen: Ein zentrales Ergebnis ist, dass die Inf-Convolution von verzerrten Risikomaßen bei risikofreudigen Agenten zu einem verzerrten Risikometrik führt, nicht zu einem Risikomaß. Dies hat Implikationen für die Aggregation von Risiken in Märkten mit spekulativem Verhalten.
3. Praktische Relevanz: Die expliziten Formeln ermöglichen die Berechnung optimaler Verträge in Märkten, in denen Agenten Risiken suchen (z. B. bestimmte Derivate-Märkte oder Glücksspiel-ähnliche Strukturen), anstatt sie zu vermeiden.
4. Heterogenität: Das Paper demonstriert, dass Heterogenität in den Präferenzen zu komplexeren Strukturen führt als im homogenen Fall, insbesondere bei der Bestimmung, wer das Risiko trägt, wenn nur zwei Agenten beteiligt sind.

Zusammenfassend liefert das Paper eine vollständige Charakterisierung der optimalen Risikoteilung für heterogene, risikofreudige Agenten und stellt die counter-monotone Inf-Convolution als das zentrale Werkzeug zur Lösung solcher Probleme vor.