Bounds for Distributionally Robust Optimization Problems

Nel mondo della finanza e della gestione del rischio, i decisori affrontano costantemente un problema fondamentale: devono prendere decisioni oggi basandosi su dati riguardanti il futuro, ma il futuro è raramente noto con certezza. Essi si affidano a modelli matematici che assumono di conoscere l'esatta probabilità di ogni possibile esito, dai crolli del mercato azionario agli eventi meteorologici estremi. Tuttavia, nella realtà, queste distribuzioni di probabilità sono spesso stimate da dati limitati o sono semplicemente sconosciute. Se un modello assume la distribuzione errata, le decisioni risultanti possono essere disastrose. Per gestire questo aspetto, gli esperti utilizzano un metodo chiamato ottimizzazione distribuionalmente robusta. Invece di scommettere su un singolo futuro previsto, questo approccio si prepara per lo scenario peggiore all'interno di un intervallo ragionevole di possibilità. Si chiede: "Se le probabilità reali fossero leggermente diverse da quelle che pensiamo, ma comunque simili, quale sarebbe l'esito peggiore che potremmo affrontare?".

La sfida di questo approccio cresce esponenzialmente quando si trattano sistemi complessi che coinvolgono molte variabili contemporaneamente. Immaginate di cercare di prevedere il rischio di un portafoglio contenente centinaia di diversi asset, dove il prezzo di ogni asset è una variabile aleatoria. L'insieme di incertezza — la collezione di tutti i futuri alternativi plausibili — diventa una massiccia nuvola di possibilità ad alta dimensionalità. Calcolare l'esito peggiore all'interno di questa nuvola è spesso computazionalmente impossibile, richiedendo una tale potenza di elaborazione da diventare impraticabile per l'uso nel mondo reale. I ricercatori hanno a lungo cercato un modo per semplificare questi enormi problemi multidimensionali in qualcosa di gestibile senza perdere le essenziali garanzie di sicurezza che rendono utile il metodo.

Un team di ricercatori dell'Università di Toronto ha sviluppato un nuovo modo per affrontare questa difficoltà. Si sono concentrati su un tipo specifico di insieme di incertezza definito da un concetto matematico noto come distanza di Wasserstein. In termini semplici, questa distanza misura quanto sforzo sia necessario per trasformare una distribuzione di probabilità in un'altra, come spostare cumuli di sabbia da una forma all'altra. Limitando quanto la distribuzione "reale" possa discostarsi dalla distribuzione "di riferimento" che hanno osservato, creano una zona di sicurezza. I ricercatori hanno dimostrato che, per una vasta classe di problemi, la complessa nuvola di incertezza multidimensionale può essere efficacementmente delimitata da insiemi di incertezza unidimensionali molto più semplici.

Il cuore della loro scoperta risiede in come questi rischi vengono aggregati. In molti scenari pratici, un decisore non si cura del comportamento individuale di ogni singolo asset in un portafoglio; si cura della perdita totale o del rendimento totale. Questo totale è calcolato tramite una funzione di aggregazione, che prende tutte le singole variabili aleatorie e le combina in un unico numero. I ricercori hanno dimostrato che se la funzione di aggregazione si comporta in modo prevedibile e fluido — descritto matematicamente come Lipschitz continua — l'intero problema multidimensionale può essere compresso in un problema unidimensionale. Hanno dimostrato che il rischio peggiore per il sistema complesso è sempre contenuto tra due valori più semplici: un limite inferiore e un limite superiore. Questi limiti sono calcolati guardando all'incertezza del singolo numero aggregato stesso, piuttosto che alle centinaia di variabili individuali che lo compongono.

Questa scoperta è significativa perché trasforma un problema intrattabile in uno che può essere risolto efficientemente. I ricercatori hanno stabilito che il limite superiore del rischio peggiore è determinato da quanto la funzione di aggregazione è sensibile ai cambiamenti degli input, una proprietà misurata da una costante nota come costante di Lipschitz. Il limite inferiore è determinato dalle componenti lineari di tale funzione. Quando la funzione di aggregazione è puramente lineare, come una semplice somma di prezzi di asset, i limiti superiore e inferiore si incontrano perfettamente, il che significa che il complesso problema multidimensionale è esattamente equivalente alla versione unidimensionale semplice. Nei casi in cui la funzione è non lineare, come quando sono coinvolti opzioni o derivati, i limiti non si incontrano, ma rimangono molto vicini, fornendo un intervallo ristretto per l'esito peggiore.

Il team ha esteso questi risultati includendo incertezze asimmetriche, dove il rischio di una perdita potrebbe essere trattato diversamente dal rischio di un guadagno. Hanno utilizzato uno strumento matematico generalizzato chiamato divergenza di Bregman-Wasserstein, che permette questa asimmetria. Hanno dimostrato che, anche con questa aggiunta di complessità, lo stesso principio si mantiene: l'incertezza ad alta dimensionalità può essere delimitata da calcoli monodimensionali. Per dimostrare il valore pratico della loro teoria, l'hanno applicata a uno scenario di investimento simulato che coinvolge cinquecento diverse società. Hanno testato varie misure di rischio, incluse quelle utilizzate per misurare perdite estreme, e hanno scoperto che i loro limiti erano estremamente accurati. Nei casi in cui il portafoglio era una semplice somma di azioni, i limiti erano identici. Quando il portafoglio includeva opzioni complesse, lo scarto tra il limite superiore e quello inferiore rimaneva piccolo, spesso inferiore al cinque per cento del valore del rischio totale.

I ricercatori hanno anche fornito formule esplicite per le distribuzioni peggiori che raggiungono tali limiti. Hanno scoperto che lo scenario peggiore spesso comporta lo spostamento della coda della distribuzione di probabilità — la parte che rappresenta gli eventi estremi — verso l'alto o verso il basso in un modo specifico. Ad esempio, quando si misura il rischio di perdite estreme, la distribuzione peggiore sposta semplicemente gli esiti più estremi ulteriormente nel territorio delle perdite, in proporzione al livello di incertezza e alla sensibilità del portafoglio. Questa intuizione permette ai risk manager non solo di calcolare un numero sicuro, ma anche di visualizzare esattamente come appare lo scenario peggiore.

Riducendo la dimensionalità del problema, questo lavoro rimuove una barriera computazionale maggiore nell'ottimizzazione distribuionalmente robusta. Permette ai professionisti di utilizzare tecniche di gestione del rischio rigorose e basate sul caso peggiore su problemi su larga scala del mondo reale che prima erano troppo difficili da risolvere. I risultati suggeriscono che, per una vasta gamma di problemi finanziari e operativi, non è necessario simulare milioni di scenari complessi e multi-variabili per trovare una decisione sicura. Invece, comprendendo la relazione tra le singole variabili e l'esito finale, si possono derivare limiti precisi e computazionalmente efficienti che garantiscono la sicurezza anche quando i dati sottostanti sono imperfetti. Questo approccio colma il divario tra robustezza teorica e applicazione pratica, offrendo uno strumento affidabile per navigare l'incertezza in un mondo complesso.