📈 economics

Principal-agent problems with adverse selection: A stochastic target problem formulation

Dieser Artikel formuliert ein Principal-Agent-Problem mit adverser Selektion, bei dem der Principal einen einzigen Vertrag anbietet, als ein stochastisches Zielproblem um die Optimierung des Agenten zu charakterisieren und das Ziel des Principals als ein stochastisches Optimierungsproblem mit partieller Information und Zustandsbeschränkungen zu lösen.

Ursprüngliche Autoren: Guillermo Alonso Alvarez, Ibrahim Ekren, Liwei Huang

Veröffentlicht 2026-05-05

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Guillermo Alonso Alvarez, Ibrahim Ekren, Liwei Huang

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie sind ein Chef (der Prinzipal), der versucht, einen Arbeiter (den Agenten) für die Leitung eines Projekts einzustellen. Der Erfolg des Projekts hängt davon ab, wie hart der Arbeiter arbeitet, doch Sie können seine Anstrengung nicht direkt beobachten; Sie sehen nur die Endergebnisse (wie Verkaufszahlen oder Output).

Normalerweise wissen in solchen Geschichten die Chefs genau, welche Art von Arbeiter sie einstellen. Doch in diesem Papier steht der Chef vor einem Rätsel: Der Arbeiter kennt seine eigenen „Kosten" der Anstrengung, der Chef jedoch nicht.

Typ 0: Ein „guter" Arbeiter, für den es leicht ist, hart zu arbeiten (niedrige Kosten).
Typ 1: Ein „schlechter" Arbeiter, für den es sehr ermüdend ist, hart zu arbeiten (hohe Kosten).

Der Arbeiter weiß sofort, welchem Typ er angehört. Der Chef hat lediglich eine Vermutung (eine Wahrscheinlichkeit) darüber, welchen Typ er einstellt.

Das große Problem: Ein Vertrag versus ein Menü

In der klassischen Wirtschaftstheorie bietet ein Chef, der zwei Arten von Arbeitern vermutet, ein Menü aus zwei verschiedenen Verträgen an. Der Arbeiter wählt den für ihn bestimmten aus und enthüllt so effektiv seinen Typ.

Dieses Papier stellt eine andere Frage: Was passiert, wenn der Chef gezwungen ist, nur einen einzigen Vertrag für alle anzubieten? Er kann kein Menü anbieten. Er muss einen Deal entwerfen, der für beide Typen funktioniert, in der Hoffnung, dass der „gute" Arbeiter nicht zu faul wird und der „schlechte" Arbeiter nicht kündigt.

Die Lösung: Eine „Vertrauenszone" (Die glaubwürdige Menge)

Die Autoren erkannten, dass die Bereitstellung eines einzigen Vertrags wie das Laufen auf einem Seil zwischen zwei Klippen ist.

Das Versprechen: Der Vertrag verspricht dem Arbeiter einen bestimmten „zukünftigen Nutzen" (Utility) basierend auf seiner Leistung.
Die Lücke: Da die beiden Arbeiterarten unterschiedliche Kosten haben, wünschen sich der „gute" und der „schlechte" Arbeiter natürlicherweise unterschiedliche Niveaus zukünftigen Nutzens, um motiviert zu werden.
Die Falle: Verspricht der Chef dem schlechten Arbeiter zu viel Nutzen, verschwendet er Geld. Verspricht er dem guten Arbeiter zu wenig, kündigt der gute Arbeiter.

Das Papier beweist, dass es eine spezifische „Vertrauenszone" gibt (mathematisch als glaubwürdige Menge bezeichnet). Diese Zone ist ein Streifen auf einem Graphen.

Wenn die Differenz zwischen dem versprochenen Nutzen für den guten und den schlechten Arbeiter innerhalb dieses Streifens liegt, kann ein einzelner Vertrag beide erfolgreich motivieren.
Liegt die Differenz außerhalb des Streifens, ist es unmöglich, einen einzelnen Vertrag für beide funktionsfähig zu machen. Ein Typ wird immer unglücklich oder unmotiviert sein.

Stellen Sie sich diesen Streifen als einen Sicherheitskorridor vor. Der Chef muss den Vertrag so steuern, dass die „Lücke" in den Versprechen innerhalb dieses Korridors bleibt. Wenn die Lücke die Wand des Korridors berührt, muss der Chef den Vertrag sofort ändern, um ein Abstürzen zu verhindern.

Der neue Job des Chefs: Den Nebel filtern

Da der Chef den Typ des Arbeiters nicht kennt, muss er Detektiv spielen.

Jedes Mal, wenn der Arbeiter ein Ergebnis liefert, aktualisiert der Chef seine Vermutung: „Hmm, dieses Ergebnis war wirklich gut. Vielleicht habe ich doch den guten Arbeiter eingestellt?"
Dies wird als Filterung bezeichnet. Der Chef aktualisiert ständig seine Überzeugung (eine Wahrscheinlichkeitsbewertung) darüber, mit wem er es zu tun hat.

Das Papier zeigt, dass das Problem des Chefs zu einem komplexen Spiel der stochastischen Steuerung wird. Der Chef wählt nicht nur ein Gehalt; er steuert ein Schiff durch ein nebliges Meer (den unbekannten Typ), während er versucht, das Schiff in einem schmalen Kanal (der Vertrauenszone) zu halten.

Die „magische" Formel

Die Autoren entwickelten eine mathematische Rezeptur (eine Reihe von Gleichungen, die HJB-Gleichungen genannt werden), die dem Chef genau sagt, wie er den Vertrag in Echtzeit anpassen muss.

Innerhalb des Kanals: Der Chef hat die Freiheit, den besten Vertrag zu wählen.
Treffen der Wand: Wenn die Lücke in den Versprechen zu nahe an den Rand der Vertrauenszone kommt, ist der Chef gezwungen, sehr spezifische, starre Anpassungen am Vertrag vorzunehmen, um zu verhindern, dass er zerbricht.

Die überraschende Erkenntnis: Ein Vertrag versus zwei

Das Papier vergleicht zwei Szenarien:

Das Menü (Screening): Der Chef bietet zwei Verträge an, und der Arbeiter wählt einen aus. (Der Chef lernt den Typ sofort).
Der Einzelvertrag: Der Chef bietet einen Vertrag an und muss den Typ im Laufe der Zeit erraten.

Das Ergebnis: Es ist nicht immer besser, ein Menü anzubieten!

Manchmal ist die Bereitstellung eines einzigen Vertrags für den Chef tatsächlich profitabler.
Warum? Weil der „Filterungs"-Prozess (das Lernen im Laufe der Zeit) dem Chef erlaubt, mehr Wert aus dem Arbeiter zu extrahieren, als es die starren Regeln eines Menüs manchmal zulassen. Es hängt von den spezifischen Zahlen ab (wie unterschiedlich die Arbeiter sind, wie stark der Chef Risiko ablehnt usw.).

In Kürze

Dieses Papier löst ein Rätsel für Chefs, die kein Menü von Wahlmöglichkeiten anbieten können. Es zeigt, dass ein Chef, selbst ohne zu wissen, wen er einstellt, einen einzigen, dynamischen Vertrag entwerfen kann, der für alle funktioniert. Das Geheimnis besteht darin, die „Versprechenslücke" zwischen den beiden Arbeiterarten innerhalb einer sicheren, mathematischen „Vertrauenszone" zu halten, während er seine Vermutung über die Identität des Arbeiters basierend auf der Leistung ständig aktualisiert. Manchmal ist dieser „Einheitsansatz" tatsächlich klüger als der Versuch, den Typ des Arbeiters im Voraus zu erraten und ein Menü anzubieten.

1. Problemstellung

Das Paper behandelt ein kontinuierliches Principal-Agent-Problem mit adverser Selektion.

Setting: Ein Principal entwirft einen Vertrag $\xi$ (eine Endzahlung) basierend auf einem Output-Prozess $X$ . Ein Agent nimmt den Vertrag an und wählt einen Anstrengungsniveau (Steuerung), um seinen erwarteten Nutzen zu maximieren.
Adverse Selektion: Der Agent verfügt über private Informationen bezüglich seines Typs $\Theta \in \{0, 1\}$ (z. B. Kosten der Anstrengung), die zum Zeitpunkt $t=0$ bekannt sind, dem Principal jedoch unbekannt. Der Principal kennt nur die A-priori-Verteilung von $\Theta$ .
Einschränkung: Im Gegensatz zu klassischen Screening-Modellen, bei denen der Principal ein Menü von Verträgen anbietet, um Selbstselektion zu induzieren, geht dieses Paper davon aus, dass der Principal nur einen einzigartigen einzelnen Vertrag anbieten kann. Folglich kann der Principal den Typ des Agents nicht unmittelbar nach der Annahme beobachten und muss ihn dynamisch aus dem beobachteten Output-Pfad $X$ ableiten.
Ziel: Der Principal strebt danach, seinen erwarteten Nutzen $E[Up(X_T - \xi)]$ zu maximieren, unterliegt jedoch den Anreizverträglichkeitsbedingungen (optimale Reaktion) und den Teilnahmebedingungen (Rationalität) des Agents.

2. Methodik

Die Autoren entwickeln einen neuartigen Rahmen, der Stochastische Zielprobleme, Filtertheorie und Zustandsbeschränkte Stochastische Steuerung kombiniert.

A. Reparametrisierung via Stochastisches Ziel

In Anlehnung an den Ansatz von Sannikov (2008) und Cvitanić et al. (2018) wird der Vertragsraum reparametrisiert. Anstatt über die Endzahlung $\xi$ zu optimieren, optimiert der Principal über:

Anfangsfortsetzungsnutzen $(y_0, y_1)$ für jeden Typ.
Sensitivitätsprozesse $(Z_0, Z_1)$ , die die Sensitivität des Vertrags gegenüber dem Output kodieren.

Der Vertrag wird als Endwert einer Vorwärts-SDE zurückgewonnen: $\xi = Y_T^{0, y_0, Z_0} = Y_T^{1, y_1, Z_1}$ .

Die Zielbedingung: Da der Vertrag $\xi$ eine einzige Zufallsvariable sein muss, die unabhängig vom Typ ist, müssen die Endwerte der beiden typspezifischen Fortsetzungsnutzenprozesse fast sicher übereinstimmen:
$Y_T^{0, y_0, Z_0} = Y_T^{1, y_1, Z_1}, \quad \text{f.s.}$
Dies wird als Stochastisches Zielproblem (Soner & Touzi, 2002) formuliert.

B. Charakterisierung der Glaubwürdigen Menge

Die Menge der machbaren Anfangsnutzenpaare $(y_0, y_1)$ , die durch einen einzigen Vertrag unterstützt werden können, wird als Glaubwürdige Menge $\mathcal{E}(X_0)$ bezeichnet.

Die Autoren charakterisieren $\mathcal{E}(X_0)$ explizit als einen Streifen in der $(y_0, y_1)$ -Ebene, definiert durch die Lücke $\Delta = y_0 - y_1$ .
Die Grenzen dieses Streifens, $W(t, x)$ und $\bar{W}(t, x)$ , sind Lösungen eines Paares vollständig nichtlinearer Partieller Differentialgleichungen (PDEs) (Hamilton-Jacobi-Bellman-Typ).
Zustandsbeschränkung: Die Bedingung, dass der Vertrag gültig ist, übersetzt sich in eine Zustandsbeschränkung für den Lückenprozess:
$W(t, X_t) \leq Y_t^0 - Y_t^1 \leq \bar{W}(t, X_t).$
Wenn die Lücke eine Grenze erreicht, sind die Steuerungen $(Z_0, Z_1)$ auf spezifische Mengen beschränkt, um den Prozess innerhalb des Streifens zu halten.

C. Filterung und Erweiterter Zustand

Da der Principal $\Theta$ nicht kennt, muss er eine Überzeugung $p_t = P(\Theta=0 | \mathcal{F}_t^X)$ aufrechterhalten.

Unter Verwendung des Wonham-Filters (Kushner-Stratonovich-Gleichung) entwickelt sich die Überzeugung $p_t$ basierend auf der Innovation des Output-Prozesses $X$ .
Das Problem des Principals wird auf ein Zustandsbeschränktes Stochastisches Optimales Steuerproblem mit einem erweiterten Zustandsvektor $(X_t, Y_t^0, Y_t^1, p_t)$ reduziert.

D. Umgang mit Zustandsbeschränkungen

Standard-Zustandsbeschränkte Steuerung erfordert eine „nach innen weisende" Bedingung, die hier versagt, da Steuerungen an der Grenze durch die Glaubwürdigkeitsbedingung festgelegt sind.

Die Autoren passen die Methodik von Bouchard, Élie und Imbert (2010) an.
Unter spezifischen strukturellen Annahmen (datenunabhängig von $X$ , beschränkte Anstrengung, risikoneutraler Principal) zeigen sie, dass sich das Problem auf ein Dirichlet-Randwertproblem reduziert. Der Principal erhält einen spezifischen Randnutzen, wenn der Zustand die laterale Grenze der glaubwürdigen Menge erreicht.

3. Hauptbeiträge

Stochastische Zielformulierung für Adverse Selektion: Das Paper liefert die erste rigorose kontinuierliche Formulierung eines einzelnen-Vertrag-Adverse-Selektions-Problems unter Verwendung stochastischer Zielbeschränkungen. Es schließt die Lücke zwischen Moral Hazard (Sannikov-Rahmenwerk) und adverser Selektion.
Explizite Charakterisierung der Glaubwürdigen Menge: Die Autoren beweisen, dass die Menge der umsetzbaren Nutzenpaare ein Streifen ist, der durch die Lösungen vollständig nichtlinearer PDEs definiert wird. Dies bietet eine geometrische Interpretation der Machbarkeit einzelner Verträge unter asymmetrischer Information.
Einheitlicher Rahmen für Screening vs. Einzelvertrag: Das Paper stellt das klassische Screening-Problem (Angebot eines Menüs) innerhalb desselben stochastischen Zielrahmens neu dar. Dies ermöglicht einen direkten, apples-to-apples-Vergleich zwischen dem Wert eines einzelnen Vertrags (mit Filterung) und eines Vertragsmenüs (mit sofortiger Enthüllung).
Verifikation und Struktur optimaler Verträge: Es wird gezeigt, dass der optimale Vertrag vom Output $X$ , den Fortsetzungsnutzen beider Typen und der Überzeugung des Principals $p_t$ abhängt. Es handelt sich um eine Rückkopplungsregel im erweiterten Zustandsraum, was beweist, dass optimale Verträge in diesem Setting nicht-trivial sind und nicht als Funktionen von $X$ allein ausgedrückt werden können.

4. Hauptergebnisse

Satz 1 (Glaubwürdige Menge): Die Menge der machbaren Anfangsnutzen ist $\mathcal{E}(X_0) = \{(y_0, y_1) : W(0, X_0) \leq y_0 - y_1 \leq \bar{W}(0, X_0)\}$ . Die Grenzen werden durch die Lücken-PDEs bestimmt.
Satz 2 (Reduktion): Die Wertfunktion des Principals ist das Supremum eines zustandsbeschränkten Steuerproblems über der glaubwürdigen Menge.
Satz 4 (Viskositätslösung): Unter spezifischen Annahmen ist die Wertfunktion die eindeutige stetige Viskositätslösung eines Dirichlet-Problems, wobei die Randbedingungen den Nutzen darstellen, der erzielt wird, wenn der Lückenprozess die Machbarkeitsgrenzen erreicht.
Numerische Befunde (Abschnitt 9):
- Dominierter Fall: Wenn ein Agententyp strikt „besser" ist (niedrigere Kosten), ist der Wert des Principals konvex in der A-priori-Überzeugung. Der Principal kann dem „schlechten" Typ einen negativen Nutzen anbieten, um Überschuss vom „guten" Typ zu extrahieren.
- Nicht-dominierter Fall: Wenn die Typen nicht einheitlich geordnet sind, ist der Wert des Principals dennoch konvex in der A-priori-Überzeugung.
- Einzelvertrag vs. Screening:
  - Im dominierten Fall liefert das Screening-Menü (Angebot von zwei Verträgen) im Allgemeinen einen höheren Wert als ein einzelner Vertrag, da es die Informationsasymmetrie sofort auflöst.
  - Im nicht-dominierenden Fall kann der Einzelvertrag (mit dynamischer Filterung) das Screening-Menü manchmal übertreffen. Dieses kontraintuitive Ergebnis legt nahe, dass die Fähigkeit, den Typ dynamisch aus dem Output-Pfad zu lernen, wertvoller sein kann als die sofortige Enthüllung durch ein Menü, insbesondere wenn die Typen allein durch Kosten nicht leicht unterscheidbar sind.

5. Bedeutung

Dieses Paper leistet einen bedeutenden theoretischen Beitrag zur Vertragstheorie durch:

Erweiterung des Sannikov-Rahmenwerks: Es integriert erfolgreich adverse Selektion in das kontinuierliche stochastische Steuerungsrahmenwerk, das zuvor auf Moral Hazard oder diskrete Zeitmodelle beschränkt war.
Auflösung des „Einzelvertrag"-Rätsels: Es bietet eine handhabbare Methode zur Berechnung optimaler Verträge, wenn der Principal auf ein einziges Angebot beschränkt ist, ein Szenario, das in realen Anwendungen (z. B. standardisierte Versicherungspolicen) üblich, aber mathematisch schwer zu modellieren ist.
Ökonomische Einsicht: Der Vergleich zwischen einzelnen Verträgen und Screening-Menüs zeigt, dass dynamisches Lernen (Filterung) ein mächtiges Werkzeug für den Principal sein kann, das die Vorteile der sofortigen Typenenthüllung in komplexen Umgebungen, in denen die Typen nicht strikt geordnet sind, potenziell überwiegt.

Die Arbeit eröffnet neue Wege für die numerische Analyse dynamischer Verträge unter Verwendung von Deep-Galerkin-Methoden und der Theorie der Viskositätslösungen und bietet ein robustes Werkzeugset zur Analyse von Principal-Agent-Problemen mit verborgener Information.