Bounds for Distributionally Robust Optimization Problems

No mundo das finanças e da gestão de riscos, os tomadores de decisão enfrentam constantemente um problema fundamental: eles devem fazer escolhas hoje com base em dados sobre o futuro, mas o futuro raramente é conhecido com certeza. Eles dependem de modelos matemáticos que assumem que conhecem a probabilidade exata de cada resultado possível, desde colapsos do mercado de ações até eventos climáticos extremos. No entanto, na realidade, essas distribuições de probabilidade são frequentemente estimadas a partir de dados limitados ou são simplesmente desconhecidas. Se um modelo assume a distribuição errada, as decisões resultantes podem ser desastrosas. Para lidar com isso, especialistas utilizam um método chamado otimização distributivamente robusta. Em vez de apostar em um único futuro previsto, essa abordagem prepara-se para o pior cenário dentro de uma gama razoável de possibilidades. Ela pergunta: "Se as probabilidades reais forem ligeiramente diferentes do que pensamos, mas ainda parecerem semelhantes, qual é o pior resultado que poderíamos enfrentar?"

O desafio com essa abordagem cresce exponencialmente ao lidar com sistemas complexos que envolvem muitas variáveis simultaneamente. Imagine tentar prever o risco de um portfólio contendo centenas de diferentes ativos, onde o preço de cada ativo é uma variável aleatória. O conjunto de incerteza — a coleção de todos os futuros alternativos plausíveis — torna-se uma nuvem massiva e multidimensional de possibilidades. Calcular o pior cenário dentro dessa nuvem é frequentemente computacionalmente impossível, exigindo tanto poder de processamento que se torna impraticável para o uso no mundo real. Pesquisadores buscam há muito tempo uma maneira de simplificar esses problemas massivos e multidimensionais em algo gerenciável sem perder as garantias essenciais de segurança que tornam o método útil.

Uma equipe de pesquisadores da Universidade de Toronto desenvolveu uma nova maneira de enfrentar essa dificuldade. Eles focaram em um tipo específico de conjunto de incerteza definido por um conceito matemático conhecido como distância de Wasserstein. Em termos simples, essa distância mede quanto esforço seria necessário para transformar uma distribuição de probabilidade em outra, como mover pilhas de areia de uma forma para outra. Ao limitar o quão longe a distribuição "real" pode derivar da distribuição de "referência" que observaram, eles criam uma zona de segurança. Os pesquisadores provaram que, para uma ampla classe de problemas, a complexa nuvem de incerteza multidimensional pode ser efetivamente limitada por conjuntos de incerteza unidimensionais muito mais simples.

O cerne de sua descoberta reside em como esses riscos são agregados. Em muitos cenários práticos, um tomador de decisão não se importa com o comportamento individual de cada um dos ativos de um portfólio; ele se importa com a perda total ou com o retorno total. Esse total é calculado por uma função de agregação, que recebe todas as variáveis aleatórias individuais e as combina em um único número. Os pesquisadores mostraram que, se essa função de agregação se comportar de uma maneira previsível e suave — matematicamente descrita como sendo contínua de Lipschitz — todo o problema multidimensional pode ser comprimido em um problema unidimensional. Eles demonstraram que o risco do pior cenário para o sistema complexo está sempre contido entre dois valores mais simples: um limite inferior e um limite superior. Esses limites são calculados observando a incerteza do próprio número agregado único, em vez das centenas de variáveis individuais que o compõem.

Essa descoberta é significativa porque transforma um problema intratável em algo que pode ser resolvido de forma eficiente. Os pesquisadores estabeleceram que o limite superior do risco do pior cenário é determinado pela sensibilidade da função de agregação às mudanças nos inputs, uma propriedade medida por uma constante conhecida como constante de Lipschitz. O limite inferior é determinado pelos componentes lineares dessa função. Quando a função de agregação é puramente linear, como uma simples soma de preços de ativos, os limites superior e inferior se encontram perfeitamente, o que significa que o complexo problema multidimensional é exatamente equivalente à versão unidimensional simples. Nos casos em que a função é não linear, como quando opções ou derivativos estão envolvidos, os limites não se encontram, mas permanecem muito próximos, fornecendo uma faixa estreita para o pior cenário.

A equipe estendeu esses resultados para incluir incertezas assimétricas, onde o risco de uma perda pode ser tratado de forma diferente do risco de um ganho. Eles utilizaram uma ferramenta matemática generalizada chamada divergência de Bregman-Wasserstein, que permite essa assimetria. Eles mostraram que, mesmo com essa complexidade adicional, o mesmo princípio se mantém: a incerteza de alta dimensão pode ser limitada por cálculos unidimensionais. Para provar o valor prático de sua teoria, eles aplicaram seu método a um cenário de investimento simulado envolvendo quinhentas empresas diferentes. Eles testaram várias medidas de risco, incluindo aquelas usadas para medir perdas extremas, e descobriram que seus limites eram extremamente precisos. Nos casos em que o portfólio era uma soma simples de ações, os limites eram idênticos. Quando o portfólio incluía opções complexas, a lacuna entre o limite superior e o inferior permaneceu pequena, muitas vezes menos de cinco por cento do valor do risco total.

Os pesquisadores também forneceram fórmulas explícitas para as distribuições de pior caso que alcançam esses limites. Eles descobriram que o cenário de pior caso geralmente envolve deslocar a cauda da distribuição de probabilidade — a parte que representa eventos extremos — para cima ou para baixo de uma forma específica. Por exemplo, ao medir o risco de perdas extremas, a distribuição de pior caso simplesmente desloca os resultados mais extremos ainda mais para o território de perda por uma quantidade proporcional ao nível de incerteza e à sensibilidade do portfólio. Essa percepção permite que os gestores de risco não apenas calculem um número seguro, mas também visualizem exatamente como o pior cenário se parece.

Ao reduzir a dimensionalidade do problema, este trabalho remove uma barreira computacional importante na otimização distributivamente robusta. Ele permite que os profissionais utilizem técnicas rigorosas de gestão de risco de pior caso em problemas de grande escala do mundo real que eram anteriormente difíceis de resolver. Os resultados sugerem que, para uma vasta gama de problemas financeiros e operacionais, não é necessário simular milhões de cenários complexos e multivariáveis para encontrar uma decisão segura. Em vez disso, ao compreender a relação entre as variáveis individuais e o resultado final, pode-se derivar limites precisos e computacionalmente eficientes que garantem a segurança mesmo quando os dados subjacentes são imperfeitos. Esta abordagem preenche a lacuna entre a robustez teórica e a aplicação prática, oferecendo uma ferramenta confiável para navegar na incerteza em um mundo complexo.