Gradient-based Stochastic Optimization of Utility-based Shortfall Risk

Sintesi Tecnica: Ottimizzazione Stocastica basata su Gradiente del Rischio di Shortfall basato su Utilità

Enunciato del Problema

Questo articolo affronta la stima e l'ottimizzazione della misura del Rischio di Shortfall basato su Utilità (UBSR - Utility-based Shortfall Risk). L'UBSR è una misura di rischio convessa e invariante rispetto alla legge che generalizza diverse metriche di rischio prominenti, tra cui il Rischio Entropico, il Rischio degli Espectili, il Value-at-Risk (VaR) e il Rischio Quadratico. Sebbene l'UBSR offra vantaggi rispetto alle misure standard come il VaR e il Conditional Value-at-Risk (CVaR) — specificamente riguardo all'invarianza sotto randomizzazione e alla sensibilità alle perdite a coda pesante — la letteratura esistente limita ampiamente l'analisi a variabili casuali limitate. Inoltre, i lavori precedenti si basano spesso su garanzie asintotiche o si concentrano su parametri decisionali scalari.

Le principali sfide affrontate in questo lavoro sono:

1. Estendere il quadro teorico dell'UBSR per coprire variabili casuali illimitate che soddisfano specifiche condizioni di integrabilità.
2. Derivare limiti di errore non asintotici per la stima dell'UBSR utilizzando l'Approssimazione tramite Media Campionaria (SAA - Sample Average Approximation).
3. Formulare un'espressione del gradiente per l'UBSR sotto una parametrizzazione fluida (parametri vettoriali) e sviluppare un corrispondente stimatore del gradiente.
4. Progettare e analizzare un algoritmo di Gradiente Stocastico (SG) per l'ottimizzazione dell'UBSR con tassi di convergenza non asintotici nei regimi fortemente convesso, convesso e non convesso.

Metodologia

• Estensione Teorica a Variabili Illimitate:
  I ricercatori definiscono l'UBSR come $SR_{l,\lambda}(X) \triangleq \inf\{ t \in \mathbb{R} \mid \mathbb{E}[l(-X - t)] \leq \lambda \}$, dove $l$ è una funzione di perdita e $\lambda$ è una soglia di rischio. Essi stabiliscono rigorosamente che, per variabili casuali illimitate, l'UBSR rimane una misura di rischio monetaria e convessa sotto assunzioni sulla funzione $l$ e sulla distribuzione di $X$ più deboli di quelle precedentemente richieste. Dimostrano che $SR_{l,\lambda}(X)$ corrisponde all'unica radice di una funzione decrescente $g_X(t) = \mathbb{E}[l(-X-t)] - \lambda$.

• Stima tramite Approssimazione tramite Media Campionaria (SAA):
  L'articolo propone di stimare l'UBSR risolvendo un problema di ottimizzazione in cui la aspettativa è sostituita da una media empirica su $m$ campioni i.i.d.

  • Algoritmo: Viene introdotto un algoritmo "Search and Bisect" (UBSR-SB) per trovare la radice della funzione empirica senza la conoscenza preventiva degli intervalli di ricerca.
  • Limiti di Errore: Sotto un'assunzione di varianza sulla funzione di perdita, gli autori derivano limiti non asintotici per l'Errore Assoluto Medio (MAE) e l'Errore Quadratico Medio (MSE) dello stimatore, mostrando tassi di $O(1/\sqrt{m})$ e $O(1/m)$, rispettivamente.

• Derivazione e Stima del Gradiente:
  Per un obiettivo parametrizzato $F(\theta, \xi)$, l'articolo deriva il gradiente dell'obiettivo UBSR $SR(\theta)$ utilizzando il Teorema della Funzione Implicita. Il gradiente è espresso come un rapporto di aspettative:
  $$\nabla SR(\theta) = \frac{-\mathbb{E}[l'(-F(\theta, \xi) - SR(\theta)) \nabla F(\theta, \xi)]}{\mathbb{E}[l'(-F(\theta, \xi) - SR(\theta))]}$$
  Per stimarlo, gli autori propongono uno schema di doppio campionamento utilizzando due batch indipendenti di campioni: uno per stimare il valore dell'UBSR ($SR(\theta)$) e un altro per stimare le aspettative numeratore e denominatore. Ciò produce uno stimatore del gradiente distorto.

  • Limiti di Errore: L'articolo stabilisce limiti non asintotici di MAE e MSE per questo stimatore del gradiente, scalando con le dimensioni dei campioni $m_1$ e $m_2$.

• Algoritmo di Ottimizzazione Stocastica:
  Lo stimatore del gradiente proposto viene integrato in un algoritmo di Gradiente Stocastico (SG) (Algoritmo 2). L'algoritmo impiega dimensioni dei batch crescenti ($m_k \propto k$) e step size decrescenti.

  • Analisi della Convergenza: Gli autori derivano i tassi di convergenza non asintotici per l'ultimo iterato (o l'iterato mediato) in tre scenari:
    1. Fortemente Convesso: Tasso di convergenza di $O(1/n)$ per l'errore del parametro.
    2. Convesso: Tasso di convergenza di $O(1/\sqrt{n})$ per l'errore del valore dell'obiettivo.
    3. Non Convesso: Tasso di convergenza di $O(1/\sqrt{n})$ per la norma quadratica attesa del gradiente.
       L'analisi tiene conto della distorsione (bias) e della varianza dello stimatore del gradiente e si applica sia ad ambiti online (dove i campioni sono interrogati dinamicamente) che offline (dataset fissi).

Contributi Chiave

1. Estensione a Variabili Illimitate: L'articolo fornisce una rigorosa estensione teorica dell'UBSR a variabili illimitate, un vuoto identificato nella letteratura precedente che spesso assumeva supporti limitati o trattava l'estensione come banale.
2. Limiti di Stima Non Asintotici: Vengono fornite nuove prove per i limiti MAE e MSE dello stimatore SAA per variabili illimitate, stabilendo tassi di $O(1/\sqrt{m})$ e $O(1/m)$ senza richiedere la continuità di Lipschitz o la convessità della funzione di perdita in tutti i casi.
3. Stimatore del Gradiente Multivariato: A differenza dei lavori precedenti limitati a parametri scalari, questo articolo deriva un'espressione generale del gradiente dell'UBSR rispetto a un parametro vettoriale $\theta$ e propone un corrispondente stimatore con provati limiti di errore non asintotici.
4. Algoritmo SG con Garanzie a Campione Finito: Gli autori propongono un algoritmo di gradiente stocastico per l'ottimizzazione dell'UBSR e derivano tassi di convergenza a campioni finiti per obiettivi fortemente convessi, convessi e non convessi, affrontando la sfida di ottimizzare con informazioni di gradiente distorte.
5. Validazione Empirica: Gli algoritmi sono testati su applicazioni finanziarie, inclusa la stima del VaR, la minimizzazione del rischio entropico e l'ottimizzazione del portafoglio utilizzando dataset reali (S&P 500, FTSE 100, Nasdaq).

Risultati

• Stima: Le simulazioni dimostrano che l'algoritmo UBSR-SB converge rapidamente, con errori di stima (MAE e MSE) che diminuiscono come $O(1/\sqrt{m})$ e $O(1/m)$ rispettivamente, in linea con i limiti teorici.
• Ottimizzazione: Negli esperimenti di ottimizzazione del portafoglio, l'algoritmo UBSR-SG (e la sua variante offline) ha prodotto portafogli comparabili o superiori ai benchmark standard come il portafoglio a peso uguale (Equal-Weighted) e il portafoglio Minimum CVaR attraverso molteplici indici di mercato.
• Convergenza: L'analisi teorica conferma che il proposto algoritmo SG raggiunge i tassi di convergenza derivati, validando l'utilità della strategia di dimensione del batch crescente per gestire il compromesso bias-varianza dello stimatore del gradiente.

Significatività e Rivendicazioni

L'articolo sostiene di porre le fondamenta per la stima e l'ottimizzazione dell'UBSR in un contesto più ampio di quanto precedentemente possibile (variabili illimitate) con garanzie computazionali più forti (limiti non asintotici). Gli autori sottolineano che il loro lavoro affronta gli aspetti computazionali dell'UBSR, andando oltre le proprietà teoriche per fornire algoritmi pratici con garanzie di prestazione dimostrabili.

La significatività è evidenziata nel contesto delle applicazioni finanziarie (ottimizzazione del portafoglio), della gestione del rischio online (multi-armed bandits, federated learning), dove la capacità di ottimizzare misure di rischio con perdite illimitate e parametri vettoriali è cruciale. Gli autori osservano che il loro approccio è più generale dei quadri di ottimizzazione robusta esistenti che spesso richiedono distribuzioni discrete, supporto limitato o dataset offline. Il lavoro posiziona l'UBSR come un'alternativa superiore a CVaR e VaR sia per la stima che per l'ottimizzazione, grazie alle sue proprietà desiderabili (elicibilità, invarianza alla randomizzazione).

L'articolo conclude suggerendo come lavoro futuro lo sviluppo di metodi basati su Newton per l'ottimizzazione dell'UBSR, sfruttando l'espressione del gradiente derivata.