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

1. Enunciato del Problema

Il documento affronta un problema Principal-Agent in tempo continuo con selezione avversa.

• Contesto: Un Principale progetta un contratto $\xi$ (un pagamento terminale) basato su un processo di output $X$. Un Agente accetta il contratto e sceglie un livello di sforzo (controllo) per massimizzare la propria utilità attesa.
• Selezione Avversa: L'Agente possiede informazioni private riguardo al proprio tipo $\Theta \in \{0, 1\}$ (ad esempio, costo dello sforzo), noto al tempo $t=0$ ma sconosciuto al Principale. Il Principale conosce solo la distribuzione a priori di $\Theta$.
• Vincolo: A differenza dei classici modelli di screening in cui il Principale offre un menu di contratti per indurre l'autoselezione, questo documento assume che il Principale possa offrire un singolo contratto unico. Di conseguenza, il Principale non può osservare il tipo dell'Agente immediatamente all'accettazione e deve inferirlo dinamicamente dal percorso di output osservato $X$.
• Obiettivo: Il Principale mira a massimizzare la propria utilità attesa $E[Up(X_T - \xi)]$ soggetta ai vincoli di compatibilità degli incentivi (risposta ottimale) e di partecipazione (razionalità) dell'Agente.

2. Metodologia

Gli autori sviluppano un nuovo quadro che combina Problemi di Target Stocastico, Teoria del Filtro e Controllo Stocastico con Vincoli di Stato.

A. Riparametrizzazione tramite Target Stocastico

Seguendo l'approccio di Sannikov (2008) e Cvitanić et al. (2018), lo spazio dei contratti viene riparametrizzato. Invece di ottimizzare sul pagamento terminale $\xi$, il Principale ottimizza su:

1. Utilità di continuazione iniziali $(y_0, y_1)$ per ciascun tipo.
2. Processi di sensibilità $(Z_0, Z_1)$ che codificano la sensibilità del contratto all'output.

Il contratto viene recuperato come valore terminale di un'equazione differenziale stocastica (SDE) in avanti: $\xi = Y_T^{0, y_0, Z_0} = Y_T^{1, y_1, Z_1}$.

• Il Vincolo di Target: Poiché il contratto $\xi$ deve essere una singola variabile casuale indipendente dal tipo, i valori terminali dei due processi di utilità di continuazione specifici per tipo devono coincidere quasi certamente:
  $$Y_T^{0, y_0, Z_0} = Y_T^{1, y_1, Z_1}, \quad \text{q.c.}$$
  Questo è formulato come un Problema di Target Stocastico (Soner & Touzi, 2002).

B. Caratterizzazione dell'Insieme Credibile

L'insieme delle coppie di utilità iniziali $(y_0, y_1)$ fattibili che possono essere sostenute da un singolo contratto è chiamato Insieme Credibile $\mathcal{E}(X_0)$.

• Gli autori caratterizzano $\mathcal{E}(X_0)$ esplicitamente come una striscia nel piano $(y_0, y_1)$ definita dal gap $\Delta = y_0 - y_1$.
• I confini di questa striscia, $W(t, x)$ e $\bar{W}(t, x)$, sono soluzioni di una coppia di Equazioni Differenziali alle Derivate Parziali (PDE) completamente non lineari (di tipo Hamilton-Jacobi-Bellman).
• Vincolo di Stato: La condizione che il contratto sia valido si traduce in un vincolo di stato sul processo di gap:
  $$W(t, X_t) \leq Y_t^0 - Y_t^1 \leq \bar{W}(t, X_t).$$
  Se il gap tocca un confine, i controlli $(Z_0, Z_1)$ sono vincolati a insiemi specifici per mantenere il processo all'interno della striscia.

C. Filtro e Stato Ampliato

Poiché il Principale non conosce $\Theta$, deve mantenere una credenza $p_t = P(\Theta=0 | \mathcal{F}_t^X)$.

• Utilizzando il filtro di Wonham (equazione di Kushner-Stratonovich), la credenza $p_t$ evolve in base all'innovazione del processo di output $X$.
• Il problema del Principale si riduce a un Problema di Controllo Stocastico Ottimo con Vincoli di Stato con un vettore di stato ampliato $(X_t, Y_t^0, Y_t^1, p_t)$.

D. Gestione dei Vincoli di Stato

Il controllo con vincoli di stato standard richiede una condizione di "puntamento verso l'interno", che fallisce qui perché i controlli sul confine sono fissati dal vincolo di credibilità.

• Gli autori adattano la metodologia di Bouchard, Élie e Imbert (2010).
• Sotto specifiche assunzioni strutturali (dati indipendenti da $X$, sforzo limitato, Principale neutrale al rischio), dimostrano che il problema si riduce a un problema al contorno di Dirichlet. Il Principale riceve un'utilità di confine specifica quando lo stato tocca il confine laterale dell'insieme credibile.

3. Contributi Chiave

1. Formulazione di Target Stocastico per la Selezione Avversa: Il documento fornisce la prima formulazione rigorosa in tempo continuo di un problema di selezione avversa con contratto singolo utilizzando vincoli di target stocastico. Colma il divario tra rischio morale (quadro di Sannikov) e selezione avversa.
2. Caratterizzazione Esplicita dell'Insieme Credibile: Gli autori dimostrano che l'insieme delle coppie di utilità implementabili è una striscia definita dalle soluzioni di PDE completamente non lineari. Ciò fornisce un'interpretazione geometrica della fattibilità dei contratti singoli in presenza di informazione asimmetrica.
3. Quadro Unificato per Screening vs. Contratto Singolo: Il documento ripropone il classico problema di screening (offerta di un menu) all'interno dello stesso quadro di target stocastico. Ciò consente un confronto diretto, "mela con mela", tra il valore dell'offerta di un contratto singolo (con filtraggio) e quello di un menu di contratti (con rivelazione immediata).
4. Verifica e Struttura dei Contratti Ottimali: Si dimostra che il contratto ottimale dipende dall'output $X$, dalle utilità di continuazione di entrambi i tipi e dalla credenza del Principale $p_t$. È una regola di feedback nello spazio degli stati ampliato, dimostrando che i contratti ottimali in questo contesto sono non banali e non possono essere espressi come funzioni di $X$ da sole.

4. Risultati Chiave

• Teorema 1 (Insieme Credibile): L'insieme delle utilità iniziali fattibili è $\mathcal{E}(X_0) = \{(y_0, y_1) : W(0, X_0) \leq y_0 - y_1 \leq \bar{W}(0, X_0)\}$. I confini sono determinati dalle PDE del gap.
• Teorema 2 (Riduzione): La funzione di valore del Principale è il supremo di un problema di controllo con vincoli di stato sull'insieme credibile.
• Teorema 4 (Soluzione di Viscosità): Sotto specifiche assunzioni, la funzione di valore è l'unica soluzione continua di viscosità di un problema di Dirichlet, dove le condizioni al contorno rappresentano l'utilità ottenuta quando il processo di gap tocca i limiti di fattibilità.
• Risultati Numerici (Sezione 9):
  • Caso Dominato: Se un tipo di agente è strettamente "migliore" (costo inferiore), il valore del Principale è convesso nella credenza a priori. Il Principale può offrire un'utilità negativa al tipo "cattivo" per estrarre surplus dal tipo "buono".
  • Caso Non Dominato: Quando i tipi non sono ordinati uniformemente, il valore del Principale è ancora convesso nella credenza a priori.
  • Contratto Singolo vs. Screening:
    • Nel Caso Dominato, il Menu di Screening (offerta di due contratti) generalmente produce un valore superiore rispetto a un contratto singolo perché risolve l'asimmetria informativa immediatamente.
    • Nel Caso Non Dominato, il Contratto Singolo (con filtraggio dinamico) può talvolta superare il Menu di Screening. Questo risultato controintuitivo suggerisce che la capacità di apprendere il tipo dinamicamente dal percorso di output può essere più preziosa della rivelazione immediata fornita da un menu, specialmente quando i tipi non sono facilmente distinguibili solo per costo.

5. Significato

Questo documento apporta un significativo contributo teorico alla teoria dei contratti attraverso:

• Estensione del Quadro di Sannikov: Incorpora con successo la selezione avversa nel quadro di controllo stocastico in tempo continuo, precedentemente limitato al rischio morale o a modelli in tempo discreto.
• Risoluzione del "Puzzle del Contratto Singolo": Fornisce un metodo trattabile per risolvere i contratti ottimali quando il Principale è limitato a un'unica offerta, uno scenario comune nelle applicazioni reali (ad esempio, polizze assicurative standardizzate) ma difficile da modellare matematicamente.
• Insight Economico: Il confronto tra contratti singoli e menu di screening rivela che l'apprendimento dinamico (filtraggio) può essere uno strumento potente per il Principale, potenzialmente superiore ai benefici della rivelazione immediata del tipo in ambienti complessi dove i tipi non sono strettamente ordinati.

Il lavoro apre nuove vie per l'analisi numerica dei contratti dinamici utilizzando metodi Deep Galerkin e la teoria delle soluzioni di viscosità, offrendo un toolkit robusto per l'analisi di problemi principal-agent con informazioni nascoste.