Fondements théoriques
Le point de départ est une constatation simple : tout modèle économique ou financier est une approximation imparfaite de la réalité. Le risque classique suppose que l'agent connaît la vraie distribution des événements futurs. L'ambiguïté, au sens de Knight, reconnaît que cette distribution elle-même est incertaine. La littérature sur les préférences multiples récursives, initiée par Epstein et Schneider, formalise cette distinction en introduisant des ensembles de probabilités plausibles plutôt qu'une probabilité unique. Dans un cadre multi-période, la difficulté s'accroît car les croyances se révisent à chaque étape. L'utilité récursive à préférences multiples permet de modéliser un agent qui doute simultanément de la spécification du modèle et anticipe que ce doute persistera demain. La programmation dynamique sous ambiguïté exige alors de résoudre non pas une équation de Bellman standard, mais une équation de Hamilton-Jacobi-Bellman robuste où le pire cas plausible dans un ensemble calibré détermine la politique optimale. Cette approche distingue fondamentalement l'aversion au risque, qui porte sur la variabilité des résultats au sein d'un modèle donné, de l'aversion à l'ambiguïté, qui porte sur le doute concernant le modèle lui-même.
Flux méthodologique détaillé
Construction de l'ensemble d'ambiguïté
Définir un voisinage de modèles plausibles autour d'une spécification de référence, en contrôlant l'écart par une borne d'entropie relative.
La première étape consiste à choisir un modèle de référence, généralement calibré sur les données historiques disponibles. Plutôt que de supposer que ce modèle est exact, nous construisons un ensemble de modèles alternatifs dont la vraisemblance relative par rapport au modèle de référence ne dépasse pas un seuil explicite. Ce seuil est déterminé par des contraintes d'entropie relative, qui mesurent la distance statistique entre les différentes spécifications. L'avantage de cette approche est qu'elle évite d'avoir à énumérer tous les modèles possibles : elle définit un voisinage continu autour du modèle de référence. Le choix du seuil d'entropie est critique et fait l'objet d'une calibration soignée, soit à partir de tests statistiques sur les données, soit à partir de la tolérance de l'utilisateur face aux spécifications alternatives. Un seuil trop étroit rend la robustesse illusoire ; un seuil trop large rend la politique excessivement conservatrice.
Formulation robuste de l'équation de Bellman
Écrire l'équation de programmation dynamique où l'agent optimise sa valeur face au pire modèle plausible à chaque horizon futur.
Une fois l'ensemble d'ambiguïté défini, nous formulons le problème de décision comme un jeu entre l'agent et la nature adverse. L'agent choisit une politique de décision ; la nature adverse choisit, dans l'ensemble d'ambiguïté, le modèle qui minimise la valeur espérée de l'agent. Dans un cadre multi-période, ce jeu se répète à chaque étape, avec la possibilité pour l'agent de réviser sa politique à mesure que de nouvelles observations arrivent. L'équation de Hamilton-Jacobi-Bellman robuste généralise l'équation standard en ajoutant un terme de pénalisation qui capture l'aversion à l'ambiguïté. Ce terme dépend du paramètre d'aversion à l'ambiguïté, distinct du paramètre d'aversion au risque. La résolution de cette équation fournit non seulement la politique optimale robuste, mais aussi une mesure de la valeur de l'information : combien l'agent serait prêt à payer pour réduire son incertitude sur la spécification du modèle.
Techniques de résolution numérique
Mettre en œuvre des méthodes de discrétisation, d'itération sur les valeurs ou de simulation pour approcher la solution de l'équation robuste.
Diagnostics de convergence
Vérifier que la solution numérique approche correctement la solution théorique et que la politique robuste résiste aux tests de stress.
La dernière phase est souvent négligée, pourtant elle est essentielle. Nous vérifions d'abord la convergence numérique en comparant les solutions obtenues pour différents niveaux de discrétisation. Si la solution change radicalement lorsque l'on raffine la grille, c'est le signe d'une instabilité numérique qu'il faut diagnostiquer. Nous testons ensuite la robustesse de la politique obtenue en la confrontant à des scénarios de stress qui ne faisaient pas partie de l'ensemble d'ambiguïté initial. Cette étape permet de détecter une fragilité non anticipée : une politique robuste dans un voisinage étroit peut s'effondrer face à une spécification plus éloignée. Nous produisons enfin des graphiques de sensibilité qui montrent comment la politique et la valeur varient en fonction du paramètre d'aversion à l'ambiguïté et du seuil d'entropie. Ces diagnostics permettent à l'utilisateur de juger par lui-même de la fiabilité du cadre pour son application spécifique.
Trois approches de la décision dynamique
Le choix d'un cadre dépend de ce que l'on suppose connu et de ce que l'on cherche à protéger. Voici comment le contrôle robuste face à l'ambiguïté se distingue des approches classiques.
Nous contacterMerton classique
€ 19,00 Par approcheRobustesse sans aversion
€ 49,00 Par approcheContrôle robuste avec ensemble d'incertitude, mais sans préférence explicite pour l'ambiguïté
Ambiguïté robuste complète
€ 99,00Indicateurs empiriques de la robustesse
Résultats tirés de publications académiques et de tests rétrospectifs sur données historiques, sans garantie de performance future.
Études empiriques publiées
Articles et working papers soumis à relecture par les pairs, couvrant différentes classes de modèles et horizons de décision.
Années de recherche cumulative
Expérience combinée de l'équipe dans le développement et l'application de cadres robustes face à l'ambiguïté de modèle.
Institutions partenaires actives
Collaborations en cours avec des universités et des centres de recherche pour valider les méthodes sur de nouveaux jeux de données.
Notebooks de démonstration
Ressources exécutables accessibles librement, permettant de reproduire les principaux résultats et de tester les méthodes sur des cas simplifiés.
Téléchargez les annexes techniques ou planifiez une discussion approfondie
Nous mettons à disposition les démonstrations complètes, les codes sources des simulations et les jeux de données utilisés dans nos publications. Pour les équipes qui souhaitent explorer comment ces cadres pourraient s'appliquer à leur propre contexte, nous proposons des discussions techniques sans engagement préalable. Le but n'est pas de vous vendre une solution clé en main, mais de vérifier ensemble si la méthodologie répond à une question que vous vous posez réellement.
Annexes et discussions