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

1. Énoncé du problème

Le papier aborde un problème Principal-Agent en temps continu avec sélection adverse.

• Cadre : Un Principal conçoit un contrat $\xi$ (un paiement terminal) basé sur un processus de production $X$. Un Agent accepte le contrat et choisit un niveau d'effort (contrôle) pour maximiser son utilité espérée.
• Sélection adverse : L'Agent possède une information privée concernant son type $\Theta \in \{0, 1\}$ (par exemple, le coût de l'effort), connu à l'instant $t=0$ mais inconnu du Principal. Le Principal ne connaît que la distribution a priori de $\Theta$.
• Contrainte : Contrairement aux modèles classiques de criblage où le Principal offre un menu de contrats pour induire une auto-sélection, ce papier suppose que le Principal ne peut offrir qu'un seul et unique contrat. Par conséquent, le Principal ne peut pas observer le type de l'Agent immédiatement lors de l'acceptation et doit l'inférer dynamiquement à partir du chemin de production observé $X$.
• Objectif : Le Principal cherche à maximiser son utilité espérée $E[Up(X_T - \xi)]$ sous réserve des contraintes de compatibilité incitative (réponse optimale) et de participation (rationalité) de l'Agent.

2. Méthodologie

Les auteurs développent un cadre novateur combinant les Problèmes de Cible Stochastique, la Théorie du Filtrage et le Contrôle Stochastique à Contraintes d'État.

A. Reparamétrisation via Cible Stochastique

Suivant l'approche de Sannikov (2008) et Cvitanić et al. (2018), l'espace des contrats est reparamétré. Au lieu d'optimiser sur le paiement terminal $\xi$, le Principal optimise sur :

1. Les utilités de continuation initiales $(y_0, y_1)$ pour chaque type.
2. Les processus de sensibilité $(Z_0, Z_1)$ codant la sensibilité du contrat à la production.

Le contrat est récupéré comme la valeur terminale d'une EDS forward : $\xi = Y_T^{0, y_0, Z_0} = Y_T^{1, y_1, Z_1}$.

• La contrainte de cible : Puisque le contrat $\xi$ doit être une variable aléatoire unique indépendante du type, les valeurs terminales des deux processus d'utilité de continuation spécifiques au type doivent coïncider presque sûrement :
  $$Y_T^{0, y_0, Z_0} = Y_T^{1, y_1, Z_1}, \quad \text{p.s.}$$
  Ceci est formulé comme un Problème de Cible Stochastique (Soner & Touzi, 2002).

B. Caractérisation de l'ensemble crédible

L'ensemble des paires d'utilités initiales réalisables $(y_0, y_1)$ qui peuvent être soutenues par un seul contrat est appelé l'Ensemble Crédible $\mathcal{E}(X_0)$.

• Les auteurs caractérisent $\mathcal{E}(X_0)$ explicitement comme une bande dans le plan $(y_0, y_1)$ définie par l'écart $\Delta = y_0 - y_1$.
• Les frontières de cette bande, $W(t, x)$ et $\bar{W}(t, x)$, sont les solutions d'une paire d'Équations aux Dérivées Partielles (EDP) entièrement non linéaires (de type Hamilton-Jacobi-Bellman).
• Contrainte d'état : La condition que le contrat soit valide se traduit par une contrainte d'état sur le processus d'écart :
  $$W(t, X_t) \leq Y_t^0 - Y_t^1 \leq \bar{W}(t, X_t).$$
  Si l'écart atteint une frontière, les contrôles $(Z_0, Z_1)$ sont contraints à des ensembles spécifiques pour maintenir le processus à l'intérieur de la bande.

C. Filtrage et état augmenté

Puisque le Principal ne connaît pas $\Theta$, il doit maintenir une croyance $p_t = P(\Theta=0 | \mathcal{F}_t^X)$.

• En utilisant le filtre de Wonham (équation de Kushner-Stratonovich), la croyance $p_t$ évolue en fonction de l'innovation du processus de production $X$.
• Le problème du Principal est réduit à un Problème de Contrôle Stochastique Optimal à Contraintes d'État avec un vecteur d'état augmenté $(X_t, Y_t^0, Y_t^1, p_t)$.

D. Gestion des contraintes d'état

Le contrôle standard à contraintes d'état nécessite une condition de "pointement vers l'intérieur", qui échoue ici car les contrôles sur la frontière sont fixés par la contrainte de crédibilité.

• Les auteurs adaptent la méthodologie de Bouchard, Élie et Imbert (2010).
• Sous des hypothèses structurelles spécifiques (données indépendantes de $X$, effort borné, Principal neutre au risque), ils montrent que le problème se réduit à un problème aux limites de Dirichlet. Le Principal reçoit une utilité de frontière spécifique lorsque l'état atteint la frontière latérale de l'ensemble crédible.

3. Contributions clés

1. Formulation par cible stochastique pour la sélection adverse : Le papier fournit la première formulation rigoureuse en temps continu d'un problème de sélection adverse à contrat unique utilisant des contraintes de cible stochastique. Il comble le fossé entre l'aléa moral (cadre de Sannikov) et la sélection adverse.
2. Caractérisation explicite de l'ensemble crédible : Les auteurs prouvent que l'ensemble des paires d'utilités implémentables est une bande définie par les solutions d'EDP entièrement non linéaires. Cela fournit une interprétation géométrique de la faisabilité des contrats uniques sous information asymétrique.
3. Cadre unifié pour le criblage vs contrat unique : Le papier reformule le problème classique de criblage (offre d'un menu) dans le même cadre de cible stochastique. Cela permet une comparaison directe, pomme à pomme, entre la valeur d'offrir un contrat unique (avec filtrage) et celle d'offrir un menu de contrats (avec révélation immédiate).
4. Vérification et structure des contrats optimaux : Il est démontré que le contrat optimal dépend de la production $X$, des utilités de continuation des deux types et de la croyance du Principal $p_t$. Il s'agit d'une règle de rétroaction dans l'espace d'état augmenté, prouvant que les contrats optimaux dans ce contexte sont non triviaux et ne peuvent pas être exprimés comme des fonctions de $X$ uniquement.

4. Résultats clés

• Théorème 1 (Ensemble crédible) : L'ensemble des utilités initiales réalisables est $\mathcal{E}(X_0) = \{(y_0, y_1) : W(0, X_0) \leq y_0 - y_1 \leq \bar{W}(0, X_0)\}$. Les frontières sont déterminées par les EDP d'écart.
• Théorème 2 (Réduction) : La fonction de valeur du Principal est le supremum d'un problème de contrôle à contraintes d'état sur l'ensemble crédible.
• Théorème 4 (Solution de viscosité) : Sous des hypothèses spécifiques, la fonction de valeur est l'unique solution continue de viscosité d'un problème de Dirichlet, où les conditions aux limites représentent l'utilité obtenue lorsque le processus d'écart atteint les limites de faisabilité.
• Résultats numériques (Section 9) :
  • Cas dominé : Si un type d'agent est strictement "meilleur" (coût inférieur), la valeur du Principal est convexe par rapport à la croyance a priori. Le Principal peut offrir une utilité négative au type "mauvais" pour extraire un surplus du type "bon".
  • Cas non dominé : Lorsque les types ne sont pas ordonnés uniformément, la valeur du Principal reste convexe par rapport à l'a priori.
  • Contrat unique vs Criblage :
    • Dans le Cas Dominé, le Menu de Criblage (offre de deux contrats) génère généralement une valeur plus élevée qu'un contrat unique car il résout l'asymétrie d'information immédiatement.
    • Dans le Cas Non Dominé, le Contrat Unique (avec filtrage dynamique) peut parfois surpasser le Menu de Criblage. Ce résultat contre-intuitif suggère que la capacité d'apprendre le type dynamiquement à partir du chemin de production peut être plus précieuse que la révélation immédiate fournie par un menu, en particulier lorsque les types ne sont pas facilement distinguables par le coût seul.

5. Importance

Ce papier apporte une contribution théorique significative à la théorie des contrats en :

• Étendant le cadre de Sannikov : Il intègre avec succès la sélection adverse dans le cadre de contrôle stochastique en temps continu, qui était auparavant limité à l'aléa moral ou aux modèles en temps discret.
• Résolvant l'énigme du "Contrat Unique" : Il fournit une méthode traitable pour résoudre les contrats optimaux lorsque le Principal est restreint à une offre unique, un scénario courant dans les applications réelles (par exemple, polices d'assurance standardisées) mais difficile à modéliser mathématiquement.
• Apport économique : La comparaison entre les contrats uniques et les menus de criblage révèle que l'apprentissage dynamique (filtrage) peut être un outil puissant pour le Principal, potentiellement supérieur aux avantages de la révélation immédiate du type dans des environnements complexes où les types ne sont pas strictement ordonnés.

Ce travail ouvre de nouvelles voies pour l'analyse numérique des contrats dynamiques utilisant les méthodes de Galerkin profondes et la théorie des solutions de viscosité, offrant une boîte à outils robuste pour l'analyse des problèmes Principal-Agent avec information cachée.