Counter-monotonic Risk Sharing with Heterogeneous Distortion Risk Measures

Cet article étudie le partage de risques entre agents aux préférences hétérogènes modélisées par des mesures de risque de distorsion, en dérivant des solutions explicites pour les inf-convolutions non contraintes et contre-monotones dans des contextes où les agents peuvent être avides de risque.

L'essentiel

🎲 Le Grand Jeu du Partage des Risques : Quand les joueurs aiment le danger

Imaginez un grand casino où plusieurs personnes décident de mettre leur argent en commun pour jouer à un jeu très risqué. L'objectif est de partager les pertes (ou les gains) de manière intelligente.

Dans la plupart des livres d'économie classiques, on suppose que tout le monde a peur de perdre de l'argent (ce sont des gens avares du risque). Dans ce cas, la meilleure stratégie est de "mettre tout le monde dans le même bateau" : si le bateau tangue, tout le monde tangue ensemble. C'est ce qu'on appelle une allocation comonotone (tout va dans le même sens).

Mais, et si certains joueurs, au lieu d'avoir peur, adoraient le risque ? Et s'ils étaient tous différents ? C'est exactement ce que les auteurs de ce papier (Mario Ghossoub, Qinghua Ren et Ruodu Wang) ont étudié.

1. Les deux mondes opposés : Le Bateau et le Jeu de l'Escamoteur

Pour comprendre leur découverte, il faut visualiser deux façons de partager un gâteau (ou une dette) :

• Le Monde "Aveugle au Risque" (Les prudents) :
  Imaginez un groupe de personnes qui détestent les surprises. Si elles partagent une perte totale, elles préfèrent que tout le monde subisse la même part de la douleur, en même temps. C'est comme si tout le monde marchait sur la même corde raide : si elle casse, tout le monde tombe ensemble. C'est la solution comonotone.

• Le Monde "Amoureux du Risque" (Les audacieux) :
  Maintenant, imaginez un groupe de joueurs de casino qui cherchent l'adrénaline. Pour eux, la sécurité est ennuyeuse. Ils préfèrent un scénario où l'un gagne tout, et les autres ne gagnent rien (ou l'inverse pour les pertes).
  C'est ici qu'intervient le concept clé du papier : la contre-monotonie.

  • L'analogie du "Jackpot" : Imaginez une loterie où il n'y a qu'un seul gagnant. Si vous êtes un joueur qui aime le risque, vous préférez avoir 100 % de chances de gagner 0 € et 1 % de chance de gagner 1 million, plutôt que de gagner 10 000 € sûrement.
  • Dans ce monde, la meilleure façon de partager un risque n'est pas de le lisser, mais de le concentrer. On crée un "gagnant" (ou un "perdant") unique parmi le groupe, et les autres ne subissent rien. C'est une structure de type "Qui gagne, gagne tout ; qui perd, perd tout".

2. Le problème des joueurs différents (Hétérogénéité)

Jusqu'à présent, les chercheurs s'étaient surtout penchés sur des groupes où tout le monde avait le même goût pour le risque. Ce papier pose une question plus complexe : Que se passe-t-il si les joueurs ont des niveaux de "folie" différents ?

• Le joueur A aime le risque un peu.
• Le joueur B adore le risque extrême.
• Le joueur C est un peu plus prudent que B, mais toujours plus que A.

Les auteurs ont découvert que même avec ces différences, la logique du "Jackpot" (contre-monotone) reste la meilleure pour les joueurs qui aiment le risque. Cependant, la façon de calculer qui doit prendre la part du lion (ou du diable) devient très subtile.

3. La formule magique (L'inf-convolution)

En mathématiques, pour trouver la meilleure répartition, on utilise une opération appelée inf-convolution. C'est un peu comme chercher la combinaison de pièces qui permet de payer une somme exacte avec le moins de monnaie possible.

• Pour les prudents : La formule est simple et prévisible.
• Pour les amateurs de risque : C'est là que ça devient fascinant. Les auteurs ont trouvé une formule explicite (une recette précise) pour calculer le résultat optimal.
  • Ils montrent que le résultat final ressemble à une nouvelle "règle de jeu" qui combine les préférences de tous les joueurs.
  • Contrairement à ce qu'on pensait, ce nouveau jeu n'est plus une simple règle de prudence, mais une règle plus complexe qui capture l'essence de l'audace collective.

4. Une surprise pour les duos (Le paradoxe des deux joueurs)

Le papier révèle une curiosité amusante dans le cas de seulement deux joueurs.
On pourrait penser que celui qui aime le risque le plus fort devrait toujours prendre la plus grosse part de la perte (car il aime le danger).
Faux !
Parfois, le joueur qui aime le risque un peu moins se retrouve avec la plus grosse part de la perte. Pourquoi ? Parce que la "courbe" de son plaisir pour le risque change de manière spécifique à un moment précis. C'est comme si, dans un duel, le joueur le moins fou était en fait le plus efficace pour absorber le choc, grâce à la forme mathématique de sa préférence. C'est contre-intuitif, mais mathématiquement inévitable dans certains cas.

🎯 En résumé

Ce papier nous dit que :

1. Les prudents préfèrent partager la douleur ensemble (tout le monde dans le même bateau).
2. Les amateurs de risque préfèrent concentrer la douleur sur une seule personne (le jeu du "gagnant unique").
3. Même si les joueurs sont différents, on peut calculer exactement comment organiser ce "jeu du gagnant unique" de manière optimale.
4. Parfois, celui qui semble le plus prudent dans un duo se retrouve à porter le plus gros fardeau, défiant notre intuition.

C'est une avancée majeure pour comprendre comment les marchés financiers, les assurances ou les paris fonctionnent quand les participants ne sont pas tous des "moutons" effrayés, mais des joueurs aux stratégies très variées.

Résumé technique

Voici un résumé technique détaillé de l'article « Counter-monotonic Risk Sharing with Heterogeneous Distortion Risk Measures » en français.

1. Problématique et Contexte

L'article étudie le partage de risque entre plusieurs agents dont les préférences sont modélisées par des mesures de risque de distorsion hétérogènes. Contrairement à la littérature classique qui suppose souvent que les agents sont tous averses au risque (fonctions de distorsion concaves), ce travail se concentre sur des groupes d'agents qui peuvent être chercheurs de risque (fonctions de distorsion convexes) ou présenter des niveaux d'aversion au risque hétérogènes.

Le problème central est de déterminer les allocations de risque Pareto-optimales et de caractériser la convolution inférieure (inf-convolution) des mesures de risque dans ce contexte. L'étude compare trois types de contraintes sur les allocations :

1. Sans contrainte (l'ensemble de toutes les allocations possibles).
2. Comonotone (les agents partagent le risque de manière parfaitement corrélée).
3. Contre-monotone (les agents partagent le risque de manière parfaitement inversement corrélée, une structure opposée à la comonotonie).

L'objectif est de comprendre comment l'hétérogénéité des préférences (en particulier la présence d'agents chercheurs de risque) modifie la structure des allocations optimales et la relation entre ces trois versions de convolution inférieure.

2. Méthodologie

Les auteurs utilisent un cadre théorique basé sur la théorie de la décision et la théorie des risques, en s'appuyant sur les outils suivants :

• Mesures de risque de distorsion : Les préférences des agents $i$ sont modélisées par $\rho_{h_i}(X) = \int X d(h_i \circ P)$, où $h_i$ est une fonction de distorsion.
  • Si $h_i$ est concave, l'agent est avers au risque.
  • Si $h_i$ est convexe, l'agent est chercheur de risque.
• Convolution Inférieure (Inf-convolution) : Définie comme l'infimum de la somme des risques individuels sur l'ensemble des allocations possibles : $\square_{i=1}^n \rho_i(X) = \inf \{ \sum \rho_i(X_i) : \sum X_i = X \}$.
• Théorème d'amélioration contre-monotone : L'article s'appuie sur un résultat récent (Lauzier et al., 2024) stipulant que pour des agents chercheurs de risque, il existe toujours une allocation contre-monotone (spécifiquement une allocation de type "jackpot" ou "scapegoat") qui domine toute autre allocation au sens de l'ordre convexe.
• Analyse mathématique :
  • Utilisation de la représentation stochastique des allocations contre-monotones (via des partitions de l'espace d'états).
  • Dérivation de formules explicites pour la convolution inférieure de fonctions de distorsion convexes.
  • Utilisation de polynômes de Bernstein pour approximer les fonctions continues et prouver la convergence des résultats.
  • Analyse de cas particuliers (VaR, ES, fonctions de puissance).

3. Contributions Clés et Résultats Principaux

A. Relations entre les convolutions inférieures (Cas Hétérogène)

Dans le cas homogène (agents identiques), un ordre universel existe entre les convolutions. Cependant, les auteurs montrent que dans le cas hétérogène :

• L'ordre entre la convolution comonotone et la convolution contre-monotone dépend des fonctions de distorsion spécifiques.
• Pour des agents averses au risque (fonctions concaves), la convolution comonotone est généralement égale à la convolution sans contrainte, tandis que la contre-monotone est supérieure ou égale.
• Pour des agents chercheurs de risque (fonctions convexes), la situation s'inverse : la convolution contre-monotone devient la solution optimale.

B. Résultats pour les Agents Chercheurs de Risque (Section 5)

C'est la contribution majeure de l'article. Pour des agents avec des fonctions de distorsion convexes $h_i$ :

1. Effondrement sur $L^\infty$ : Si l'ensemble des allocations est $L^\infty$ (variables aléatoires bornées), la convolution inférieure est égale à $-\infty$. Cela justifie la restriction de l'étude à $L^+$ (pertes non négatives) ou $L^-$ (gains non négatifs).
2. Formule Explicite : Sous des conditions de régularité (continuité, convexité), la convolution inférieure sans contrainte et la convolution contre-monotone sont égales et peuvent être exprimées comme une nouvelle mesure de risque de distorsion (ou métrique) :
   $$\square_{i=1}^n \rho_{h_i}(X) = \bigominus_{i=1}^n \rho_{h_i}(X) = \rho_g(X)$$
   Où la fonction de distorsion $g$ est définie par :
   • Si $X \in L^+$ : $g = \square_{i=1}^n h_i$ (convolution inférieure des fonctions de distorsion).
   • Si $X \in L^-$ : $\tilde{g} = \diamond_{i=1}^n \tilde{h}_i$ (convolution supérieure des fonctions duales).
3. Changement de Nature : L'auteur note que la convolution de mesures de risque de distorsion convexes n'est plus une mesure de risque de distorsion standard, mais une métrique de risque de distorsion (monotone mais pas nécessairement subadditive ou cohérente au sens strict).

C. Structure des Allocations Optimales

• Partage de Probabilité : Pour un risque agrégé constant (ex: $X=1$), l'allocation optimale prend la forme d'une partition de l'événement : $X_i = 1_{A_i}$. Chaque agent $i$ assume la perte totale avec une probabilité $P(A_i)$.
• Monotonie Non Triviale : Contrairement à l'intuition, pour $n=2$ agents chercheurs de risque, l'agent le plus "chercheur de risque" ne porte pas nécessairement la plus grande probabilité de perte. L'allocation dépend de la courbure locale des fonctions de distorsion. Pour $n \ge 3$, une monotonie plus stricte réapparaît : les agents plus enclins au risque assument des probabilités de perte plus élevées.

4. Signification et Implications

• Théorique : L'article comble un vide dans la littérature sur le partage de risque en traitant explicitement l'hétérogénéité des préférences et la convexité des mesures de risque. Il établit que pour les agents chercheurs de risque, la structure optimale est fondamentalement contre-monotone, contrairement à la comonotonie observée chez les agents averses au risque.
• Pratique :
  • Marchés de paris/Spéculation : Les résultats éclairent la structure des marchés où les participants cherchent à maximiser le risque (par exemple, certains produits dérivés ou paris).
  • Régulation : La démonstration que la convolution peut devenir $-\infty$ sur $L^\infty$ met en garde contre l'absence de contraintes de solvabilité ou de limites de position dans les marchés de risque pur.
  • Conception de Contrats : Pour des groupes d'agents hétérogènes, les contrats optimaux ne sont pas de simples partages proportionnels, mais des structures complexes de type "gagnant prend tout" (jackpot) ou "perdant perd tout" (scapegoat), dépendant des fonctions de distorsion individuelles.

En résumé, cet article fournit une caractérisation mathématique rigoureuse du partage de risque optimal lorsque les agents sont motivés par le risque, démontrant que la contre-monotonie est le mécanisme d'efficacité dominant dans ce contexte, et fournissant des formules fermées pour le calcul du risque agrégé minimal.