Gradient-based Stochastic Optimization of Utility-based Shortfall Risk

Resumo Técnico: Otimização Estocástica Baseada em Gradiente de Risco de Déficit Baseado em Utilidade

Enunciado do Problema

Este artigo aborda a estimativa e a otimização da medida de Risco de Déficit Baseado em Utilidade (UBSR - Utility-based Shortfall Risk). O UBSR é uma medida de risco convexa e invariante à lei que generaliza diversas métricas de risco proeminentes, incluindo o Risco Entrópico, o Risco de Expectil, o Valor em Risco (VaR) e o Risco Quadrático. Embora o UBSR ofereça vantagens sobre medidas padrão como VaR e CVaR (Valor em Risco Condicional) — especificamente em relação à invariância sob randomização e sensibilidade a perdas de cauda pesada — a literatura existente restringe amplamente a análise a variáveis aleatórias limitadas. Além disso, trabalhos anteriores frequentemente dependem de garantias assintóticas ou focam em parâmetros de decisão escalares.

Os principais desafios abordados neste trabalho são:

1. Estender o arcabouço teórico do UBSR para cobrir variáveis aleatórias não limitadas que satisfaçam condições de integrabilidade específicas.
2. Derivar limites de erro não assintóticos para a estimativa do UBSR usando Aproximação de Média de Amostra (SAA - Sample Average Approximation).
3. Formular uma expressão de gradiente para o UBSR sob uma parametrização suave (parâmetros vetoriais) e desenvolver um estimador de gradiente correspondente.
4. Projetar e analisar um algoritmo de Gradiente Estocástico (SG) para a otimização do UBSR com taxas de convergência não assintóticas nos regimes fortemente convexo, convexo e não convexo.

Metodologia

• Extensão Teórica para Variáveis Não Limitadas:
  Os autores definem o UBSR como $SR_{l,\lambda}(X) \triangleq \inf\{ t \in \mathbb{R} \mid \mathbb{E}[l(-X - t)] \leq \lambda \}$, onde $l$ é uma função de perda e $\lambda$ é um limiar de risco. Eles estabelecem rigorosamente que, para variáveis aleatórias não limitadas, o UBSR permanece uma medida de risco monetária e convexa sob pressupostos sobre $l$ e a distribuição de $X$ mais fracos do que os anteriormente exigidos. Eles provam que $SR_{l,\lambda}(X)$ corresponde à raiz única de uma função decrescente $g_X(t) = \mathbb{E}[l(-X-t)] - \lambda$.

• Estimativa via Aproximação de Média de Amostra (SAA):
  O artigo propõe estimar o UBSR resolvendo um problema de otimização onde a esperança é substituída por uma média empírica sobre $m$ amostras i.i.d.

  • Algoritmo: Um algoritmo de "Busca e Bisseção" (UBSR-SB) é introduzido para encontrar a raiz da função empírica sem conhecimento prévio dos limites do intervalo de busca.
  • Limites de Erro: Sob um pressuposto de variância na função de perda, os autores derivam limites não assintóticos para o Erro Absoluto Médio (MAE) e o Erro Quadrático Médio (MSE) do estimador, mostrando taxas de $O(1/\sqrt{m})$ e $O(1/m)$, respectivamente.

• Derivação de Gradiente e Estimativa:
  Para um objetivo parametrizado $F(\theta, \xi)$, o artigo deriva o gradiente do objetivo UBSR $SR(\theta)$ usando o Teorema da Função Implícita. O gradiente é expresso como uma razão de esperanças:
  $$\nabla SR(\theta) = \frac{-\mathbb{E}[l'(-F(\theta, \xi) - SR(\theta)) \nabla F(\theta, \xi)]}{\mathbb{E}[l'(-F(\theta, \xi) - SR(\theta))]}$$
  Para estimá-lo, os autores propõem um esquema de dupla amostragem usando dois lotes independentes de amostras: um para estimar o valor do UBSR ($SR(\theta)$) e outro para estimar as esperanças do numerador e do denominador. Isso resulta em um estimador de gradiente enviesado.

  • Limites de Erro: O artigo estabelece limites não assintóticos de MAE e MSE para este estimador de gradiente, escalonando com os tamanhos das amostras $m_1$ e $m_2$.

• Algoritmo de Otimização Estocástica:
  O estimador de gradiente proposto é integrado em um algoritmo de Gradiente Estocástico (SG) (Algoritmo 2). O algoritmo emprega tamanhos de lote crescentes ($m_k \propto k$) e tamanhos de passo decrescentes.

  • Análise de Convergência: Os autores derivam taxas de convergência não assintóticas para a última iteração (ou iteração média) sob três cenários:
    1. Fortemente Convexo: Taxa de convergência de $O(1/n)$ para o erro do parâmetro.
    2. Convexo: Taxa de convergência de $O(1/\sqrt{n})$ para o erro do valor do objetivo.
    3. Não Convexo: Taxa de convergência de $O(1/\sqrt{n})$ para a norma quadrada esperada do gradiente.
       A análise leva em conta o viés e a variância do estimador de gradiente e é válida tanto para configurações online (onde as amostras são consultadas dinamicamente) quanto para configurações offline (conjuntos de dados fixos).

Principais Contribuições

1. Extensão para Variáveis Não Limitadas: O artigo fornece uma extensão teórica rigorosa do UBSR para variáveis aleatórias não limitadas, uma lacuna identificada na literatura anterior que frequentemente assumia suporte limitado ou tratava a extensão como trivial.
2. Limites de Estimativa Não Assintóticos: Novas provas são fornecidas para os limites de MAE e MSE do estimador SAA para variáveis não limitadas, estabelecendo taxas de $O(1/\sqrt{m})$ e $O(1/m)$ sem exigir continuidade de Lipschitz ou convexidade da função de perda em todos os casos.
3. Estimador de Gradiente Multivariado: Diferente de trabalhos anteriores restritos a parâmetros escalares, este artigo deriva uma expressão geral para o gradiente do UBSR em relação a um parâmetro vetorial $\theta$ e propõe um estimador correspondente com limites de erro não assintóticos comprovados.
4. Algoritmo SG com Garantias de Amostra Finita: Os autores propõem um algoritmo de gradiente estocástico para a otimização do UBSR e derivam taxas de convergência de amostra finita para objetivos fortemente convexos, convexos e não convexos, abordando o desafio de otimizar com informações de gradiente enviesadas.
5. Validação Empírica: Os algoritmos são testados em aplicações financeiras, incluindo estimativa de VaR, minimização de risco entrópico e otimização de portfólio usando conjuntos de dados do mundo real (S&P 500, FTSE 100, Nasdaq).

Resultados

• Estimativa: Simulações demonstram que o algoritmo UBSR-SB converge rapidamente, com erros de estimativa (MAE e MSE) diminuindo como $O(1/\sqrt{m})$ e $O(1/m)$ respectivamente, consistentes com os limites teóricos.
• Otimização: Em experimentos de otimização de portfólio, o algoritmo UBSR-SG (e sua variante offline) produziu portfólios que foram comparáveis ou superaram benchmarks padrão, como o portfólio de Pesos Iguais (Equal-Weighted) e o portfólio de Mínimo CVaR, através de múltiplos índices de mercado.
• Convergência: A análise teórica confirma que o algoritmo SG proposto atinge as taxas de convergência derivadas, validando a utilidade da estratégia de tamanho de lote crescente para lidar com o compromisso entre viés e variância do estimador de gradiente.

Significância e Alegações

O artigo afirma estabelecer as bases para a estimação e otimização do UBSR em um cenário mais amplo do que anteriormente possível (variáveis não limitadas) com garantias computacionais mais fortes (limites não assintóticos). Os autores enfatizam que seu trabalho aborda os aspectos computacionais do UBSR, indo além das propriedades teóricas para fornecer algoritmos práticos com garantias de desempenho comprováveis.

A significância é destacada no contexto de aplicações financeiras (otimização de portfólio) e aprendizado online sensível ao risco (bandidos multi-braços, aprendizado federado), onde a capacidade de otimizar medidas de risco com perdas não limitadas e parâmetros vetoriais é crucial. Os autores observam que sua abordagem é mais geral do que os frameworks de otimização robusta existentes, que frequentemente exigem distribuições discretas, suporte limitado ou conjuntos de dados offline. O trabalho posiciona o UBSR como uma alternativa superior ao CVaR e VaR tanto para tarefas de estimativa quanto de otimização devido às suas propriedades desejáveis (eliciabilidade, invariância de randomização).

O artigo conclui sugerindo trabalhos futuros no desenvolvimento de métodos baseados em Newton para a otimização do UBSR, aproveitando a expressão de gradiente derivada.