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

1. Formulação do Problema

O artigo aborda um Problema Principal-Agente com seleção adversa em tempo contínuo.

• Contexto: Um Principal desenha um contrato $\xi$ (um pagamento terminal) com base em um processo de saída $X$. Um Agente aceita o contrato e escolhe um nível de esforço (controle) para maximizar sua utilidade esperada.
• Seleção Adversa: O Agente possui informação privada sobre seu tipo $\Theta \in \{0, 1\}$ (por exemplo, custo do esforço), conhecido no tempo $t=0$ mas desconhecido pelo Principal. O Principal conhece apenas a distribuição a priori de $\Theta$.
• Restrição: Diferentemente dos modelos clássicos de triagem onde o Principal oferece um cardápio de contratos para induzir a auto-seleção, este artigo assume que o Principal pode oferecer apenas um único contrato. Consequentemente, o Principal não pode observar o tipo do Agente imediatamente após a aceitação e deve inferi-lo dinamicamente a partir do caminho de saída observado $X$.
• Objetivo: O Principal busca maximizar sua utilidade esperada $E[Up(X_T - \xi)]$ sujeita às restrições de compatibilidade de incentivos (resposta ótima) e participação (racionalidade) do Agente.

2. Metodologia

Os autores desenvolvem um novo quadro teórico combinando Problemas de Alvo Estocástico, Teoria de Filtragem e Controle Estocástico com Restrições de Estado.

A. Reparametrização via Alvo Estocástico

Seguindo a abordagem de Sannikov (2008) e Cvitanić et al. (2018), o espaço de contratos é reparametrizado. Em vez de otimizar sobre o pagamento terminal $\xi$, o Principal otimiza sobre:

1. Utilidades de continuação iniciais $(y_0, y_1)$ para cada tipo.
2. Processos de sensibilidade $(Z_0, Z_1)$ que codificam a sensibilidade do contrato à saída.

O contrato é recuperado como o valor terminal de uma EDO estocástica (SDE) forward: $\xi = Y_T^{0, y_0, Z_0} = Y_T^{1, y_1, Z_1}$.

• A Restrição de Alvo: Como o contrato $\xi$ deve ser uma única variável aleatória independente do tipo, os valores terminais dos dois processos de utilidade de continuação específicos do tipo devem coincidir quase certamente:
  $$Y_T^{0, y_0, Z_0} = Y_T^{1, y_1, Z_1}, \quad \text{q.c.}$$
  Isso é formulado como um Problema de Alvo Estocástico (Soner & Touzi, 2002).

B. Caracterização do Conjunto Credível

O conjunto de pares de utilidades iniciais viáveis $(y_0, y_1)$ que podem ser suportados por um único contrato é chamado de Conjunto Credível $\mathcal{E}(X_0)$.

• Os autores caracterizam $\mathcal{E}(X_0)$ explicitamente como uma faixa no plano $(y_0, y_1)$ definida pela lacuna $\Delta = y_0 - y_1$.
• As fronteiras dessa faixa, $W(t, x)$ e $\bar{W}(t, x)$, são soluções de um par de Equações Diferenciais Parciais (EDPs) totalmente não lineares (tipo Hamilton-Jacobi-Bellman).
• Restrição de Estado: A condição de que o contrato é válido traduz-se em uma restrição de estado sobre o processo de lacuna:
  $$W(t, X_t) \leq Y_t^0 - Y_t^1 \leq \bar{W}(t, X_t).$$
  Se a lacuna atingir uma fronteira, os controles $(Z_0, Z_1)$ são restringidos a conjuntos específicos para manter o processo dentro da faixa.

C. Filtragem e Estado Aumentado

Como o Principal não conhece $\Theta$, ele deve manter uma crença $p_t = P(\Theta=0 | \mathcal{F}_t^X)$.

• Usando o filtro de Wonham (equação de Kushner-Stratonovich), a crença $p_t$ evolui com base na inovação do processo de saída $X$.
• O problema do Principal é reduzido a um Problema de Controle Estocástico Ótimo com Restrição de Estado com um vetor de estado aumentado $(X_t, Y_t^0, Y_t^1, p_t)$.

D. Tratamento de Restrições de Estado

O controle com restrição de estado padrão exige uma condição de "ponto para dentro", que falha aqui porque os controles na fronteira são fixados pela restrição de credibilidade.

• Os autores adaptam a metodologia de Bouchard, Élie e Imbert (2010).
• Sob suposições estruturais específicas (dados independentes de $X$, esforço limitado, Principal neutro ao risco), eles mostram que o problema se reduz a um problema de valor de fronteira de Dirichlet. O Principal recebe uma utilidade de fronteira específica quando o estado atinge a fronteira lateral do conjunto credível.

3. Contribuições Principais

1. Formulação de Alvo Estocástico para Seleção Adversa: O artigo fornece a primeira formulação rigorosa em tempo contínuo de um problema de seleção adversa com contrato único usando restrições de alvo estocástico. Ele preenche a lacuna entre risco moral (quadro de Sannikov) e seleção adversa.
2. Caracterização Explícita do Conjunto Credível: Os autores provam que o conjunto de pares de utilidades implementáveis é uma faixa definida pelas soluções de EDPs totalmente não lineares. Isso fornece uma interpretação geométrica da viabilidade de contratos únicos sob informação assimétrica.
3. Quadro Unificado para Triagem vs. Contrato Único: O artigo reformula o problema clássico de triagem (oferecer um cardápio) dentro do mesmo quadro de alvo estocástico. Isso permite uma comparação direta, "maçã com maçã", entre o valor de oferecer um contrato único (com filtragem) versus um cardápio de contratos (com revelação imediata).
4. Verificação e Estrutura de Contratos Ótimos: O contrato ótimo é mostrado como dependendo da saída $X$, das utilidades de continuação de ambos os tipos e da crença do Principal $p_t$. É uma regra de feedback no espaço de estado aumentado, provando que os contratos ótimos neste contexto são não triviais e não podem ser expressos como funções de $X$ apenas.

4. Resultados Chave

• Teorema 1 (Conjunto Credível): O conjunto de utilidades iniciais viáveis é $\mathcal{E}(X_0) = \{(y_0, y_1) : W(0, X_0) \leq y_0 - y_1 \leq \bar{W}(0, X_0)\}$. As fronteiras são determinadas pelas EDPs de lacuna.
• Teorema 2 (Redução): A função valor do Principal é o supremo de um problema de controle com restrição de estado sobre o conjunto credível.
• Teorema 4 (Solução de Viscosidade): Sob suposições específicas, a função valor é a única solução contínua de viscosidade para um problema de Dirichlet, onde as condições de fronteira representam a utilidade obtida quando o processo de lacuna atinge os limites de viabilidade.
• Descobertas Numéricas (Seção 9):
  • Caso Dominado: Se um tipo de agente é estritamente "melhor" (menor custo), o valor do Principal é convexo na crença a priori. O Principal pode oferecer utilidade negativa ao tipo "ruim" para extrair excedente do tipo "bom".
  • Caso Não Dominado: Quando os tipos não estão ordenados uniformemente, o valor do Principal ainda é convexo na crença a priori.
  • Contrato Único vs. Triagem:
    • No Caso Dominado, o Cardápio de Triagem (oferecer dois contratos) geralmente gera um valor maior do que um contrato único, pois resolve a assimetria de informação imediatamente.
    • No Caso Não Dominado, o Contrato Único (com filtragem dinâmica) pode, às vezes, superar o Cardápio de Triagem. Este resultado contra-intuitivo sugere que a capacidade de aprender o tipo dinamicamente a partir do caminho de saída pode ser mais valiosa do que a revelação imediata fornecida por um cardápio, particularmente quando os tipos não são facilmente distinguíveis apenas pelo custo.

5. Significado

Este artigo faz uma contribuição teórica significativa à teoria dos contratos ao:

• Expandir o Quadro de Sannikov: Incorpora com sucesso a seleção adversa no quadro de controle estocástico em tempo contínuo, que anteriormente estava limitado ao risco moral ou a modelos de tempo discreto.
• Resolver o "Enigma do Contrato Único": Fornece um método tratável para resolver contratos ótimos quando o Principal está restrito a uma única oferta, um cenário comum em aplicações do mundo real (por exemplo, apólices de seguro padronizadas) mas difícil de modelar matematicamente.
• Insight Econômico: A comparação entre contratos únicos e cardápios de triagem revela que a aprendizagem dinâmica (filtragem) pode ser uma ferramenta poderosa para o Principal, potencialmente superando os benefícios da revelação imediata do tipo em ambientes complexos onde os tipos não estão estritamente ordenados.

O trabalho abre novas vias para análise numérica de contratos dinâmicos usando métodos de Galerkin Profundos e teoria de soluções de viscosidade, oferecendo um conjunto de ferramentas robusto para analisar problemas principal-agente com informação oculta.