Bounds for Distributionally Robust Optimization Problems

Dans le monde de la finance et de la gestion des risques, les décideurs sont confrontés à un problème fondamental : ils doivent faire des choix aujourd'hui basés sur des données concernant l'avenir, mais l'avenir est rarement connu avec certitude. Ils s'appuient sur des modèles mathématiques qui supposent qu'ils connaissent la probabilité exacte de chaque résultat possible, des krachs boursiers aux événements météorologiques extrêmes. Cependant, dans la réalité, ces distributions de probabilité sont souvent estimées à partir de données limitées ou sont simplement inconnues. Si un modèle suppose une mauvaise distribution, les décisions qui en résultent peuvent être désastreuses. Pour gérer cela, les experts utilisent une méthode appelée optimisation robuste sur la distribution (distributionally robust optimization). Au lieu de parier sur un seul futur prédit, cette approche se prépare au pire scénario dans un intervalle raisonnable de possibilités. Elle demande : « Si les probabilités réelles sont légèrement différentes de ce que nous pensons, mais restent similaires, quel est le pire résultat auquel nous pourrions faire face ? »

Le défi de cette approche croît de manière exponentielle lorsqu'on traite des systèmes complexes impliquant de nombreuses variables simultanément. Imaginez essayer de prédire le risque d'un portefeuille contenant des centaines d'actifs différents, où le prix de chaque actif est une variable aléatoire. L'ensemble d'incertitude — la collection de tous les futurs alternatifs plausibles — devient un nuage massif et multidimensionnel de possibilités. Calculer le pire résultat au sein de ce nuage est souvent informatiquement impossible, nécessitant une telle puissance de calcul qu'elle devient impraticable pour une utilisation réelle. Les chercheurs cherchent depuis longtemps un moyen de simplifier ces problèmes multidimensionnels massifs en quelque chose de gérable sans perdre les garanties de sécurité essentielles qui rendent la méthode utile.

Une équipe de chercheurs de l'Université de Toronto a développé une nouvelle façon de s'attaquer à cette difficulté. Ils se sont concentrés sur un type spécifique d'ensemble d'incertitude défini par un concept mathématique connu sous le nom de distance de Wasserstein. En termes simples, cette distance mesure l'effort nécessaire pour transformer une distribution de probabilité en une autre, comme déplacer des tas de sable pour changer leur forme. En limitant la distance dont la distribution « réelle » peut dériver de la distribution « de référence » observée, ils créent une zone de sécurité. Les chercheurs ont prouvé que pour une large classe de problèmes, le nuage d'incertitude multidimensionnel complexe peut être efficacement limité par des ensembles d'incertitude unidimensionnels beaucoup plus simples.

Le cœur de leur découverte réside dans la manière dont ces risques sont agrégés. Dans de nombreux scénarios pratiques, un décideur ne se soucie pas du comportement individuel de chaque actif d'un portefeuille ; il se soucie de la perte totale ou du gain total. Ce total est calculé par une fonction d'agrégation, qui prend toutes les variables aléatoires individuelles et les combine en un seul nombre. Les chercheurs ont montré que si cette fonction d'agrégation se comporte de manière prévisible et fluide — décrite mathématiquement comme étant lipschitzienne (Lipschitz continuous) — l'ensemble du problème multidimensionnel peut être compressé en un problème unidimensionnel. Ils ont démontré que le risque maximal du système complexe est toujours contenu entre deux valeurs plus simples : une borne inférieure et une borne supérieure. Ces bornes sont calculées en observant l'incertitude du nombre agrégé lui-même, plutôt qu'en regardant les centaines de variables individuelles qui le composent.

Cette découverte est significative car elle transforme un problème insoluble en un problème pouvant être résolu efficacement. Les chercheurs ont établi que la borne supérieure du risque maximal est déterminée par la sensibilité de la fonction d'agrégation aux changements dans les entrées, une propriété mesurée par une constante appelée constante de Lipschitz. La borne inférieure est déterminée par les composantes linéaires de cette fonction. Lorsque la fonction d'agrégation est purement linéaire, comme une simple somme de prix d'actifs, les bornes supérieure et inférieure se rejoignent parfaitement, ce qui signifie que le problème multidimensionnel complexe est exactement équivalent à la version unidimensionnelle simple. Dans les cas où la fonction est non linéaire, comme lorsque des options ou des dérivés sont impliqués, les bornes ne se rejoignent pas, mais elles restent très proches, fournissant un intervalle serré pour le pire résultat.

L'équipe a étendu ces résultats pour inclure des incertitudes asymétriques, où le risque d'une perte pourrait être traité différemment du risque d'un gain. Ils ont utilisé un outil mathématique généralisé appelé divergence de Bregman-Wasserstein, qui permet cette asymétrie. Ils ont montré que même avec cette complexité ajoutée, le même principe s'applique : l'incertitude de haute dimension peut être limitée par des calculs unidimensionnels. Pour prouver la valeur pratique de leur théorie, ils l'ont appliquée à un scénario d'investissement simulé impliquant cinq cents entreprises différentes. Ils ont testé diverses mesures de risque, y compris celles utilisées pour mesurer les pertes extrêmes, et ont constaté que leurs bornes étaient extrêmement précises. Dans les cas où le portefeuille était une simple somme d'actions, les bornes étaient identiques. Lorsque le portefeuille incluait des options complexes, l'écart entre la borne supérieure et la borne inférieure restait faible, représentant souvent moins de cinq pour cent de la valeur du risque total.

Les chercheurs ont également fourni des formules explicites pour les distributions de pire cas qui atteignent ces bornes. Ils ont découvert que le pire scénario implique souvent de déplacer la queue de la distribution de probabilité — la partie représentant les événements extrêmes — vers le haut ou vers le bas d'une manière spécifique. Par exemple, lors de la mesure du risque de pertes extrêmes, la distribution de pire cas déplace simplement les résultats les plus extrêmes plus loin dans la zone de perte, de manière proportionnelle au niveau d'incertitude et à la sensibilité du portefeuille. Cette analyse permet aux gestionnaires de risques non seulement de calculer un chiffre sûr, mais aussi de visualiser précisément à quoi ressemble le pire scénario.

En réduisant la dimensionnalité du problème, ce travail lève un obstacle computationnel majeur dans l'optimisation robuste sur la distribution. Cela permet aux praticiens d'utiliser des techniques rigoureuses de gestion des risques de pire cas sur des problèmes réels à grande échelle qui étaient auparavant trop difficiles à résoudre. Les résultats suggèrent que pour un vaste éventail de problèmes financiers et opérationnels, il n'est pas nécessaire de simuler des millions de scénarios multidimensionnels complexes pour trouver une décision sûre. Au lieu de cela, en comprenant la relation entre les variables individuelles et le résultat final, on peut dériver des bornes précises et informatiquement efficaces qui garantissent la sécurité même lorsque les données sous-jacentes sont imparfaites. Cette approche comble le fossé entre la robustesse théorique et l'application pratique, offrant un outil fiable pour naviguer dans l'incertitude d'un monde complexe.