Counter-monotonic Risk Sharing with Heterogeneous Distortion Risk Measures

Este artigo estuda a partilha de risco entre agentes com preferências modeladas por medidas de risco de distorção heterogéneas e não necessariamente avessas ao risco, derivando soluções explícitas para a inf-convolução e a inf-convolução contra-monótona que podem ser representadas por uma generalização das medidas de risco de distorção.

O essencial

Imagine que você e seus amigos estão em um jogo de azar muito estranho. O objetivo não é ganhar dinheiro, mas sim dividir uma grande perda (como uma conta de restaurante gigante ou um prêmio de loteria que você perdeu) de uma forma que todos fiquem o mais "felizes" possível, considerando como cada um lida com o risco.

Este artigo de pesquisa é como um manual de instruções para esse jogo, mas com uma reviravolta: nem todos os jogadores são iguais. Alguns são medrosos (não gostam de riscos), e outros são aventureiros (adoram riscos e querem apostar tudo).

Aqui está a explicação simplificada, usando analogias do dia a dia:

1. O Cenário: A "Bolsa de Risco"

Pense no mercado de seguros ou de finanças como uma grande mesa de jogo. Todos colocam suas preocupações (riscos) na mesa. O objetivo é dividir essa "bolsa de problemas" entre os participantes.

• O Problema Clássico: Tradicionalmente, os economistas assumiam que todos na mesa eram medrosos. Quando todos têm medo, a melhor estratégia é ficar "alinhado": se a chuva cai para um, cai para todos. Isso é chamado de comonotonicidade. É como se todos usassem o mesmo guarda-chuva.

2. A Grande Descoberta: Os "Aventureiros"

Este artigo foca em um grupo diferente: pessoas que gostam de risco (como jogadores de cassino ou investidores agressivos). Para eles, o guarda-chuva comum não funciona.

• A Analogia do "Jackpot" (O Grande Prêmio): Para quem ama risco, a melhor estratégia é o oposto do guarda-chuva. Imagine que vocês têm uma conta de R$ 1.000.
  • Se dividirem igualmente, cada um paga R$ 200. Isso é chato e seguro.
  • A estratégia "aventureira" diz: "Vamos fazer um sorteio! Um de nós paga os R$ 1.000 inteiros, e os outros pagam zero."
  • Para um amante de risco, essa chance de pagar nada (mesmo que haja uma chance de pagar tudo) é muito mais atraente do que pagar uma média segura. Isso é chamado de contramonotonicidade. É como jogar uma moeda: ou você ganha tudo, ou perde tudo.

3. O Mistério: Quando os Jogadores são Diferentes?

O grande desafio que os autores resolveram é: O que acontece se os jogadores tiverem gostos diferentes?

• Imagine um grupo onde alguns são "aventureiros leves" e outros são "aventureiros extremos".
• No passado, os matemáticos sabiam como resolver isso se todos fossem iguais. Mas quando misturam perfis diferentes, a matemática fica muito complexa.
• A Solução do Artigo: Eles criaram uma fórmula mágica (uma "fórmula de divisão") que diz exatamente como dividir a perda entre esses aventureiros diferentes.
  • Eles descobriram que, para quem gosta de risco, a melhor divisão é sempre aquela que cria um "sorteio" (alguém paga tudo, os outros nada), mas a probabilidade de cada um ser o "sorteado" depende de quão "louco" ele é em relação ao risco.

4. A Regra de Ouro (O "Teorema da Melhoria Contramonótona")

O artigo usa um conceito chamado "Teorema da Melhoria Contramonótona".

• Tradução simples: Se você é um jogador que gosta de risco, qualquer plano de divisão que seja "seguro" e "igualitário" é pior do que um plano que cria incerteza total. Você sempre prefere a aposta de "tudo ou nada".
• O artigo mostra que, mesmo com pessoas diferentes, o grupo inteiro se beneficia se aceitarem essa estrutura de "sorteio" em vez de tentar dividir o risco de forma suave.

5. O Resultado Final: Quem Paga o Que?

Os autores deram exemplos numéricos. Eles mostraram que:

• Se todos são iguais, a divisão é simples.
• Se são diferentes, a pessoa que tem o perfil de risco mais "extremo" (o mais louco) pode acabar tendo uma chance maior de pagar a conta inteira, ou uma chance menor, dependendo de como a matemática do "gosto pelo risco" se curva.
• A Surpresa: Às vezes, a pessoa que menos gosta de risco (dentro do grupo de aventureiros) acaba pagando mais, porque a matemática da divisão exige um equilíbrio específico que não é óbvio. É como se o jogo de azar tivesse uma lógica interna que não segue a intuição comum.

Resumo em uma frase

Este artigo ensina como dividir uma perda entre pessoas que adoram apostar, mostrando que, ao contrário do que fazemos com pessoas medrosas (que dividem tudo igualmente), os aventureiros devem criar um sistema de "sorteio" onde alguém assume o risco total, e a fórmula matemática descoberta pelos autores diz exatamente quem deve ter qual chance de ser o "sortudo" (ou azarado) de pagar a conta inteira.

Em suma: Para quem tem medo, o segredo é dividir o risco. Para quem ama o risco, o segredo é concentrar o risco em uma única aposta, e os autores descobriram como fazer essa aposta funcionar quando todos têm personalidades diferentes.

Resumo técnico

Resumo Técnico: Partilha de Risco Counter-Monótona com Medidas de Risco de Distorção Heterogêneas

Autores: Mario Ghossoub, Qinghua Ren e Ruodu Wang.
Data: 11 de março de 2026.

1. Problema e Contexto

O artigo investiga a partilha de risco (risk sharing) entre agentes com preferências modeladas por medidas de risco de distorção heterogêneas. Diferentemente da literatura tradicional, que foca predominantemente em agentes avessos ao risco (funções de distorção côncavas), este estudo considera explicitamente agentes que podem ser propensos ao risco (funções de distorção convexas) e combina agentes com diferentes níveis de aversão ou propensão ao risco.

O objetivo central é caracterizar alocações Pareto-ótimas e resolver problemas de inf-convolução (o valor mínimo da soma dos riscos individuais) sob três cenários de dependência:

1. Sem restrições (inf-convolução padrão, $\square$).
2. Comonótona (alocações onde os agentes movem-se na mesma direção, $\boxplus$).
3. Counter-monótona (alocações onde os agentes movem-se em direções opostas, $\boxminus$).

O trabalho estende resultados anteriores (como os de Ghossoub et al., 2026) que assumiam preferências homogêneas, focando agora na complexidade introduzida pela heterogeneidade das funções de distorção.

2. Metodologia e Ferramentas Teóricas

• Medidas de Risco de Distorção: As preferências são modeladas por $\rho_h(X) = \int X d(h \circ P)$, onde $h$ é uma função de distorção.
  • $h$ côncava $\implies$ Aversão ao risco.
  • $h$ convexa $\implies$ Propensão ao risco (risk seeking).
• Teorema de Melhoria Counter-Monótona: O artigo baseia-se no teorema de Lauzier et al. (2024), que estabelece que, sob certas condições, qualquer alocação pode ser melhorada (no sentido da ordem convexa) por uma alocação counter-monótona para agentes propensos ao risco. Isso implica que alocações counter-monótonas (estrutura "vencedor leva tudo" ou "perdedor perde tudo") são preferidas por agentes que buscam risco.
• Inf-convolução de Funções Reais: Os autores utilizam a inf-convolução e sup-convolução de funções reais (definidas no intervalo $[0,1]$) para derivar as novas funções de distorção resultantes da partilha de risco.
• Análise de Casos:
  • Aversão ao Risco: Análise das relações entre as três versões de inf-convolução quando as funções são côncavas.
  • Propensão ao Risco: Derivação de fórmulas explícitas para a inf-convolução counter-monótona quando as funções são convexas, utilizando aproximações por polinômios de Bernstein para lidar com a não diferenciabilidade.

3. Principais Contribuições e Resultados

A. Relações Gerais entre Inf-convoluções (Caso Heterogêneo)
O artigo demonstra que, ao contrário do caso homogêneo, a ordem entre as inf-convoluções comonótona e counter-monótona não é fixa e depende das funções de distorção específicas:

• Para agentes avessos ao risco com funções côncavas, a alocação comonótona é geralmente preferida, e a inf-convolução counter-monótona tende a ser maior (pior valor de risco).
• O Teorema 2 estabelece condições (como a subaditividade dual das funções) sob as quais as inf-convoluções se igualam ou mantêm desigualdades específicas.

B. Soluções Explícitas para Agentes Propensos ao Risco (Seção 5)
Esta é a contribuição técnica mais significativa. Para agentes com funções de distorção convexas ($h_i$):

1. Inf-convolução Ilimitada: Se o espaço de riscos for $L^\infty$ (variáveis limitadas sem restrições de sinal), a inf-convolução é $-\infty$, indicando que o risco pode ser arbitrariamente reduzido através de apostas extremas.
2. Restrição de Mercado: Para obter soluções finitas, o artigo restringe o espaço a $L^+$ (perdas não negativas) ou $L^-$ (ganhos não negativos), simulando restrições de não venda a descoberto.
3. Fórmula Geral (Teorema 3): Sob condições de continuidade e convexidade, a inf-convolução sem restrições e a counter-monótona coincidem e são dadas por uma nova medida de risco:
   $$\square_{i=1}^n \rho_{h_i}(X) = \boxminus_{i=1}^n \rho_{h_i}(X) = \rho_g(X)$$
   Onde a função de distorção resultante $g$ é:
   • Se $X \in L^+$: $g = \square_{i=1}^n h_i$ (inf-convolução das funções de distorção).
   • Se $X \in L^-$: $\tilde{g} = \diamond_{i=1}^n \tilde{h}_i$ (sup-convolução das funções duais).

C. Natureza da Medida Resultante
Um resultado crucial é que, enquanto a inf-convolução comonótona de medidas de risco de distorção resulta em outra medida de risco de distorção, a inf-convolução counter-monótona de medidas convexas resulta em uma medida de risco de distorção (distortion riskmetric), que pode não satisfazer todas as propriedades de uma medida de risco padrão (como a monotonicidade estrita em certos contextos), mas mantém a aditividade comonótona.

D. Partilha de Payoff Constante (Seção 5.3)
Ao analisar a partilha de um valor constante (sem incerteza agregada), o problema reduz-se a uma "partilha de probabilidades".

• Para $n \ge 3$, há uma monotonicidade clara: agentes com maior propensão ao risco (funções mais convexas) assumem probabilidades maiores de suportar a perda total.
• Para $n = 2$, a monotonicidade pode falhar. O artigo mostra que, devido à restrição unidimensional, a alocação ótima depende de quantidades transformadas dos parâmetros de risco, podendo resultar em um agente menos propenso ao risco assumir uma probabilidade maior de perda do que um agente mais propenso, dependendo da curvatura local das funções.

4. Significado e Implicações

• Mudança de Paradigma na Partilha de Risco: O trabalho desafia a intuição de que a partilha de risco sempre leva a alocações comonótonas (diversificação). Para agentes propensos ao risco, a eficiência é alcançada através de alocações counter-monótonas, onde o risco é concentrado em vez de diversificado.
• Mercados Incompletos: Os resultados fornecem a base teórica para mercados onde apenas alocações counter-monótonas são viáveis (mercados de "apostas" ou derivados exóticos), mostrando como agentes heterogêneos interagem nesses ambientes.
• Heterogeneidade: A descoberta de que a ordem das inf-convoluções depende da heterogeneidade das preferências é vital para a regulação e design de contratos em mercados com participantes de perfis de risco mistos.
• Aplicabilidade Prática: As fórmulas explícitas permitem o cálculo direto de alocações ótimas e preços de risco em cenários onde a propensão ao risco é dominante, como em certos mercados de criptomoedas, apostas esportivas ou produtos financeiros estruturados complexos.

Em suma, o artigo fornece uma caracterização matemática rigorosa e soluções explícitas para a partilha de risco entre agentes heterogêneos e propensos ao risco, estabelecendo a counter-monotonicidade como o mecanismo de otimização central nesse contexto, em contraste com a comonotonicidade clássica dos agentes avessos ao risco.