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

A continuación se presenta un resumen técnico detallado del artículo "Problemas principal-agente con selección adversa: Una formulación como problema de objetivo estocástico", de Guillermo Alonso Alvarez, Ibrahim Ekren y Liwei Huang.

1. Planteamiento del Problema

El artículo aborda un problema Principal-Agente con selección adversa en tiempo continuo.

• Entorno: Un Principal diseña un contrato $\xi$ (un pago terminal) basado en un proceso de producción $X$. Un Agente acepta el contrato y elige un nivel de esfuerzo (control) para maximizar su utilidad esperada.
• Selección Adversa: El Agente posee información privada sobre su tipo $\Theta \in \{0, 1\}$ (por ejemplo, el costo del esfuerzo), conocido en el tiempo $t=0$ pero desconocido para el Principal. El Principal solo conoce la distribución a priori de $\Theta$.
• Restricción: A diferencia de los modelos clásicos de cribado donde el Principal ofrece un menú de contratos para inducir la auto-selección, este artículo asume que el Principal solo puede ofrecer un único contrato. En consecuencia, el Principal no puede observar el tipo del Agente inmediatamente tras la aceptación y debe inferirlo dinámicamente a partir de la trayectoria de producción observada $X$.
• Objetivo: El Principal busca maximizar su utilidad esperada $E[Up(X_T - \xi)]$ sujeta a las restricciones de compatibilidad de incentivos (respuesta óptima) y participación (racionalidad) del Agente.

2. Metodología

Los autores desarrollan un marco novedoso que combina Problemas de Objetivo Estocástico, Teoría de Filtrado y Control Estocástico con Restricciones de Estado.

A. Reparametrización mediante Objetivo Estocástico

Siguiendo el enfoque de Sannikov (2008) y Cvitanić et al. (2018), el espacio de contratos se reparametriza. En lugar de optimizar sobre el pago terminal $\xi$, el Principal optimiza sobre:

1. Utilidades de continuación iniciales $(y_0, y_1)$ para cada tipo.
2. Procesos de sensibilidad $(Z_0, Z_1)$ que codifican la sensibilidad del contrato a la producción.

El contrato se recupera como el valor terminal de una EDE hacia adelante: $\xi = Y_T^{0, y_0, Z_0} = Y_T^{1, y_1, Z_1}$.

• La Restricción de Objetivo: Dado que el contrato $\xi$ debe ser una única variable aleatoria independiente del tipo, los valores terminales de los dos procesos de utilidad de continuación específicos del tipo deben coincidir casi seguramente:
  $$Y_T^{0, y_0, Z_0} = Y_T^{1, y_1, Z_1}, \quad \text{c.s.}$$
  Esto se formula como un Problema de Objetivo Estocástico (Soner & Touzi, 2002).

B. Caracterización del Conjunto Creíble

El conjunto de pares de utilidades iniciales $(y_0, y_1)$ factibles que pueden ser soportados por un único contrato se denomina Conjunto Creíble $\mathcal{E}(X_0)$.

• Los autores caracterizan $\mathcal{E}(X_0)$ explícitamente como una tira en el plano $(y_0, y_1)$ definida por la brecha $\Delta = y_0 - y_1$.
• Los límites de esta tira, $W(t, x)$ y $\bar{W}(t, x)$, son soluciones de un par de Ecuaciones Diferenciales Parciales (EDP) totalmente no lineales (tipo Hamilton-Jacobi-Bellman).
• Restricción de Estado: La condición de que el contrato sea válido se traduce en una restricción de estado sobre el proceso de brecha:
  $$W(t, X_t) \leq Y_t^0 - Y_t^1 \leq \bar{W}(t, X_t).$$
  Si la brecha toca un límite, los controles $(Z_0, Z_1)$ están restringidos a conjuntos específicos para mantener el proceso dentro de la tira.

C. Filtrado y Estado Aumentado

Dado que el Principal no conoce $\Theta$, debe mantener una creencia $p_t = P(\Theta=0 | \mathcal{F}_t^X)$.

• Utilizando el filtro de Wonham (ecuación de Kushner-Stratonovich), la creencia $p_t$ evoluciona basándose en la innovación del proceso de producción $X$.
• El problema del Principal se reduce a un Problema de Control Estocástico Óptimo con Restricciones de Estado con un vector de estado aumentado $(X_t, Y_t^0, Y_t^1, p_t)$.

D. Manejo de Restricciones de Estado

El control con restricciones de estado estándar requiere una condición de "punto hacia adentro", la cual falla aquí porque los controles en el límite están fijados por la restricción de credibilidad.

• Los autores adaptan la metodología de Bouchard, Élie e Imbert (2010).
• Bajo supuestos estructurales específicos (datos independientes de $X$, esfuerzo acotado, Principal neutral al riesgo), demuestran que el problema se reduce a un problema de valor de frontera de Dirichlet. El Principal recibe una utilidad de frontera específica cuando el estado toca el límite lateral del conjunto creíble.

3. Contribuciones Clave

1. Formulación de Objetivo Estocástico para Selección Adversa: El artículo proporciona la primera formulación rigurosa en tiempo continuo de un problema de selección adversa con contrato único utilizando restricciones de objetivo estocástico. Cierra la brecha entre el riesgo moral (marco de Sannikov) y la selección adversa.
2. Caracterización Explícita del Conjunto Creíble: Los autores demuestran que el conjunto de pares de utilidades implementables es una tira definida por las soluciones de EDPs totalmente no lineales. Esto proporciona una interpretación geométrica de la factibilidad de contratos únicos bajo información asimétrica.
3. Marco Unificado para Cribado vs. Contrato Único: El artículo reformula el problema clásico de cribado (ofrecer un menú) dentro del mismo marco de objetivo estocástico. Esto permite una comparación directa, de manzana con manzana, entre el valor de ofrecer un contrato único (con filtrado) y un menú de contratos (con revelación inmediata).
4. Verificación y Estructura de Contratos Óptimos: Se demuestra que el contrato óptimo depende de la producción $X$, las utilidades de continuación de ambos tipos y la creencia del Principal $p_t$. Es una regla de retroalimentación en el espacio de estado aumentado, demostrando que los contratos óptimos en este contexto son no triviales y no pueden expresarse como funciones de $X$ únicamente.

4. Resultados Clave

• Teorema 1 (Conjunto Creíble): El conjunto de utilidades iniciales factibles es $\mathcal{E}(X_0) = \{(y_0, y_1) : W(0, X_0) \leq y_0 - y_1 \leq \bar{W}(0, X_0)\}$. Los límites están determinados por las EDPs de la brecha.
• Teorema 2 (Reducción): La función de valor del Principal es el supremo de un problema de control con restricciones de estado sobre el conjunto creíble.
• Teorema 4 (Solución de Viscosidad): Bajo supuestos específicos, la función de valor es la única solución continua de viscosidad de un problema de Dirichlet, donde las condiciones de frontera representan la utilidad obtenida cuando el proceso de brecha toca los límites de factibilidad.
• Hallazgos Numéricos (Sección 9):
  • Caso Dominado: Si un tipo de agente es estrictamente "mejor" (menor costo), el valor del Principal es convexo en la creencia a priori. El Principal puede ofrecer utilidad negativa al tipo "malo" para extraer excedente del tipo "bueno".
  • Caso No Dominado: Cuando los tipos no están ordenados uniformemente, el valor del Principal sigue siendo convexo en la creencia a priori.
  • Contrato Único vs. Cribado:
    • En el Caso Dominado, el Menú de Cribado (ofrecer dos contratos) generalmente produce un valor mayor que un contrato único porque resuelve la asimetría de información inmediatamente.
    • En el Caso No Dominado, el Contrato Único (con filtrado dinámico) puede superar en ocasiones al Menú de Cribado. Este resultado contra intuitivo sugiere que la capacidad de aprender el tipo dinámicamente a partir de la trayectoria de producción puede ser más valiosa que la revelación inmediata proporcionada por un menú, particularmente cuando los tipos no son fácilmente distinguibles solo por el costo.

5. Significado

Este artículo realiza una contribución teórica significativa a la teoría de contratos al:

• Extender el Marco de Sannikov: Incorpora exitosamente la selección adversa al marco de control estocástico en tiempo continuo, que previamente estaba limitado al riesgo moral o a modelos en tiempo discreto.
• Resolver el "Enigma del Contrato Único": Proporciona un método tratable para resolver contratos óptimos cuando el Principal está restringido a una única oferta, un escenario común en aplicaciones del mundo real (por ejemplo, pólizas de seguros estandarizadas) pero difícil de modelar matemáticamente.
• Insight Económico: La comparación entre contratos únicos y menús de cribado revela que el aprendizaje dinámico (filtrado) puede ser una herramienta poderosa para el Principal, potencialmente superando los beneficios de la revelación inmediata del tipo en entornos complejos donde los tipos no están estrictamente ordenados.

El trabajo abre nuevas vías para el análisis numérico de contratos dinámicos utilizando métodos de Galerkin profundos y la teoría de soluciones de viscosidad, ofreciendo un conjunto de herramientas robusto para analizar problemas principal-agente con información oculta.