Multidimensional Risk Made Easy

Résumé technique : La multidimensionnalité du risque simplifiée

Énoncé du problème
L'article traite du défi consistant à assigner une valeur scalaire unique de « équivalent certain » à un risque multivarié (un vecteur aléatoire $X \in \mathbb{R}^d$). En une dimension, remplacer une variable aléatoire par un nombre certain est une opération simple. Dans plusieurs dimensions, cette opération est non triviale car le scalaire doit résumer une distribution vectorielle sans ignorer arbitrairement des dimensions spécifiques ou la structure de corrélation entre elles. L'auteur cherche à caractériser la classe des équivalents certains qui satisfont trois axiomes fondamentaux :

1. L'invariance par rapport à la loi : l'évaluation dépend uniquement de la distribution de probabilité du risque, et non de l'espace de probabilité sous-jacent.
2. La monotonie par rapport à la dominance stochastique vectorielle : si le risque $X$ domine le premier ordre stochastique le risque $Y$ (définie via un cône convexe fermé $C$ d'améliorations non ambiguës), alors $X$ doit être préféré à $Y$.
3. L'invariance au risque de fond indépendant : le classement entre deux risques $X$ et $Y$ reste inchangé si un risque indépendant $Z$ est ajouté aux deux. Cela implique l'additivité à travers les risques indépendants.

L'objectif est de déterminer quelles formes fonctionnelles $\Phi(X)$ satisfont ces conditions tout en respectant une direction de numéraire choisie $e$ (où $\Phi(ce) = c$).

Méthodologie et cadre
L'auteur établit un environnement mathématique où $V = \mathbb{R}^d$ et $C \subseteq V$ est un cône fermé, convexe et pointu possédant un intérieur non vide. Le numéraire $e$ est fixé dans l'intérieur de $C$.

• Évaluations fantômes (Shadow Valuations) : La méthodologie introduit un ensemble d'« évaluations fantômes » $Q$, défini comme le cône dual positif normalisé : $Q = \{q \in C^* : q(e) = 1\}$. Chaque $q \in Q$ représente une fonctionnelle linéaire qui agrège le risque vectoriel en un risque scalaire $q \cdot X$.
• Projections entropiques : Pour tout risque scalaire $Z$ et pour un paramètre de sensibilité au risque $a \in [-\infty, +\infty]$, l'article utilise l'équivalent certain entropique $K_a(Z)$. Cela inclut la forme d'utilité exponentielle ($\frac{1}{a}\log E[e^{aZ}]$) pour $a \neq 0$, l'espérance pour $a=0$, et les limites de cas de pire/meilleur scénario pour $a = \pm \infty$.
• Construction de profil : Le dispositif technique central est le « profil de projection entropique » $\kappa_X: \Theta \to \mathbb{R}$, où $\Theta = \mathbb{R} \times Q$. Pour un risque vectoriel $X$, $\kappa_X(a, q) = K_a(q \cdot X)$. Ce profil capture l'équivalent certain du risque sous chaque évaluation fantôme $q$ possible et chaque sensibilité au risque scalaire $a$.

La stratégie de preuve repose sur l'analyse fonctionnelle. L'auteur démontre que la correspondance entre les risques et leurs profils est continue et additive. En exploitant une « montée en puissance de la monotonie » (en utilisant un théorème d'ordre catalytique pour les ordres stochastiques de Fritz, 2024), l'auteur montre que toute fonctionnelle de certitude additive (ACF) qui est monotone pour la dominance stochastique vectorielle est également monotone pour la dominance ponctuelle de ces profils. Cela permet d'appliquer le théorème de représentation de Riesz-Markov-Kakutani pour représenter la fonctionnelle comme une intégrale sur l'espace des profils.

Résultats clés
Le résultat central de l'article, le Théorème 3.2, fournit une représentation complète de tout équivalent certain additif (ACE).

1. Théorème de représentation : Tout ACE $\Phi$ peut être représenté comme un mélange positif d'évaluations entropiques scalaires de risques projetés :
   $$\Phi(X) = \int_{\Theta} K_a(q \cdot X) \, dm(a, q)$$
   où $m$ est une mesure de Borel positive finie sur $\Theta = \mathbb{R} \times Q$.

   • La coordonnée $q$ détermine l'« évaluation fantôme » (comment les dimensions sont agrégées).
   • La coordonnée $a$ détermine la « sensibilité au risque » (l'attitude face au risque dans ce scalaire agrégé).
   • La mesure $m$ décrit la distribution de ces types latents.

2. Restriction déterministe et condition de barycentre : La représentation sépare les arbitrages déterministes des évaluations risquées. Pour un vecteur déterministe $x$, le paramètre de sensibilité au risque $a$ devient non pertinent car $K_a(q \cdot x) = q \cdot x$. Par conséquent, la restriction déterministe $\ell(x) = \Phi(x)$ est une fonctionnelle linéaire donnée par le barycentre de la mesure :
   $$\ell = \int_{\Theta} q \, dm(a, q)$$
   Cela implique que, bien que les choix déterministes identifient l'évaluation de la moyenne de la valeur fantôme (le centre de masse), ils n'identifient pas la distribution des évaluations fantômes ou des sensibilités au risque autour de cette moyenne. Des choix multidimensionnels risqués sont nécessaires pour révéler la dispersion.

3. Comparaisons robustes : L'article caractérise quelles comparaisons entre risques survivent à travers toutes les préférences admissibles (unanimité).

   • Unanimité sans restriction : $X$ est préféré à $Y$ pour toutes les préférences admissibles si et seulement si le profil de $X$ domine ponctuellement le profil de $Y$ (c'est-à-dire $\kappa_X(a, q) \ge \kappa_Y(a, q)$ pour tout $(a, q)$).
   • Unanimité à poids fixe : Si la valorisation déterministe $\ell$ est fixée, l'unanimité est respectée si et seulement si l'intégrale de la différence des profils est non négative pour toutes les mesures $m$ ayant pour barycentre $\ell$.
   • Interprétation du risque de fond : L'article établit que l'ordre robuste sans restriction est équivalent (à un facteur de fermeture) à l'ordre généré par l'ajout d'un risque de fond multidimensionnel indépendant. Plus précisément, $X$ domine $Y$ de manière robuste si et seulement s'il existe un risque de fond indépendant $Z$ tel que $X+Z$ domine stochastiquement $Y+Z$.

Applications discutées
L'article illustre la théorie avec deux applications spécifiques :

1. Bien-être social distributionnel : Avec $C = \mathbb{R}^d_+$ et $e = (1, \dots, 1)$, les évaluations fantômes $q$ correspondent aux poids de bien-être. Le résultat implique que l'évaluation par un planificateur monotone au sens de Pareto de politiques risquées est un mélange d'évaluations entropiques d'agrégats utilitaires pondérés. Une comparaison locale de réformes risquées est unanime à travers tous ces planificateurs (avec des poids déterministes fixes) si et seulement si chaque agrégat pondéré par le bien-être est moins variable sous la politique préférée.
2. Flux de revenus datés : Ici, les coordonnées représentent les paiements à différentes dates. Les évaluations fantômes $q$ représentent les fonctions de valeur présente (vecteurs de l'actualisation). Le cadre fournit un « analogue risqué » à l'unanimité des taux d'actualisation multiples : un flux risqué $X$ est préféré à $Y$ si et seulement si $K_a(q \cdot X) \ge K_a(q \cdot Y)$ pour tous les vecteurs d'actualisation $q$ et toutes les sensibilités au risque $a$.

Signification et revendications
L'article affirme fournir une « caractérisation de l'ordre robuste » du risque multidimensionnel. Sa contribution principale est de montrer que le problème complexe de l'évaluation des risques vectoriels sous l'invariance de la loi, la monotonie et l'invariance au risque de fond se réduit à un mélange de problèmes scalaires simples.

• Décomposition : Il décompose les attitudes face au risque multidimensionnel en deux composantes unidimensionnelles distinctes et familières : une direction de valorisation (prix fantôme) et une attitude au risque scalaire.
• Identification : Il clarifie que les choix déterministes sont insuffisants pour fixer une attitude au risque unique ; ils n'identifient que la valeur moyenne de la valorisation. La « dispersion » des attitudes au risque n'est révélée que par les choix risqués.
• Robustesse : Il lie l'exigence abstraite d'invariance par rapport à un risque de fond indépendant à un test opérationnel concret : une comparaison est robuste si elle survit à l'ajout d'un bruit indépendant.

L'auteur note que ce travail étend la théorie des statistiques additives monotones en une dimension (Mu et al., 2024a ; Fritz, 2024) au cadre vectoriel, montrant que les blocs entropiques scalaires persistent comme les éléments de construction fondamentaux, même dans les contextes multidimensionnels. La représentation est présentée comme une décomposition structurelle « comme si » plutôt que comme une affirmation d'une distribution psychologique unique de types latents, à moins que des restrictions d'identification supplémentaires ne soient imposées.