Étude des biais psychologiques en finance. Kahneman (Nobel 2002) démontre que les investisseurs sont irrationnels, remettant en cause l'EMH.
La finance comportementale a émergé dans les années 1970-1980 avec les travaux de Kahneman et Tversky sur la Prospect Theory (1979). Daniel Kahneman a reçu le Prix Nobel d'Économie en 2002 (Tversky était décédé en 1996) pour avoir intégré la psychologie à l'économie. Richard Thaler (Nobel 2017) a popularisé l'application de ces concepts à la finance, montrant que les marchés ne sont PAS efficients car les investisseurs sont irrationnels.
Les pertes font 2-2.5× plus mal que les gains équivalents ne font plaisir. Cette asymétrie explique de nombreux comportements irrationnels : refus de vendre les perdants, prise de risque excessive pour éviter les pertes.
Exemple
Expérience de Kahneman & Tversky : Option A : Gagner $100 avec certitude Option B : 50% de gagner $200, 50% de gagner $0 → Valeur attendue identique ($100) → La majorité choisit A (risk-averse pour les gains) Option C : Perdre $100 avec certitude Option D : 50% de perdre $200, 50% de perdre $0 → Valeur attendue identique (-$100) → La majorité choisit D (risk-seeking pour éviter les pertes !) Conclusion : Les humains ne sont PAS rationnels. Ils sont risk-averse pour les gains, risk-seeking pour les pertes.
ℹ️ Loss Aversion explique le Disposition Effect : les investisseurs vendent les gagnants trop tôt et gardent les perdants trop longtemps.
La Prospect Theory remplace la fonction d'utilité classique par une value function : concave pour les gains (diminishing sensitivity), convexe pour les pertes, et beaucoup plus raide pour les pertes (loss aversion).
Exemple
Fonction Classique (Expected Utility Theory) : U(W) = log(W) → Aversion au risque symétrique Prospect Theory Value Function : v(x) = x^0.88 si x ≥ 0 (gains) v(x) = -2.25 × (-x)^0.88 si x < 0 (pertes) Le coefficient -2.25 capture la loss aversion. Implication : Une perte de $100 a le même impact émotionnel qu'un gain de $225.
ℹ️ Cette fonction explique pourquoi les investisseurs détiennent des actions perdantes (espoir de break-even) et vendent les gagnantes (lock in gains).
Les décisions dépendent du point de référence (ex: prix d'achat), pas de la richesse absolue. Les investisseurs ne veulent pas 'réaliser' une perte même si rationnellement ils devraient vendre.
Exemple
Action achetée à $100 : Scénario 1 : Prix actuel = $80 → Perte non-réalisée de -$20 → L'investisseur refuse de vendre (ne veut pas 'réaliser' la perte) → Il espère que le prix remonte à $100 (break-even bias) Scénario 2 : Prix actuel = $120 → Gain non-réalisé de +$20 → L'investisseur vend rapidement (lock in the gain) Rationnellement, le prix d'achat est un 'sunk cost' et ne devrait pas influencer la décision. Mais les humains ne sont pas rationnels.
ℹ️ Shefrin & Statman (1985) : 'The Disposition to Sell Winners Too Early and Ride Losers Too Long'.
Les investisseurs surestiment systématiquement leurs connaissances et capacités. 80% des gestionnaires pensent être 'above average'. Cela mène au overtrading, à la sous-diversification, et à la prise de risque excessive.
Exemple
Études empiriques : • 74% des fonds mutuels croient qu'ils battront leur benchmark (alors que seulement 15% y parviennent) • Les investisseurs individuels qui tradent le plus (overconfident) génèrent les pires rendements : -6.5% par an vs marché • Les hommes tradent 45% plus que les femmes et sous-performent de 2.65% par an (Barber & Odean 2001) Overconfidence → Overtrading → Sous-performance
ℹ️ Barber & Odean (2000) : 'Trading Is Hazardous to Your Wealth'. Les investisseurs qui tradent le moins génèrent les meilleurs rendements.
Les investisseurs cherchent et privilégient les informations qui confirment leurs croyances existantes, ignorant les informations contradictoires. Cela mène à la persistence dans les mauvaises décisions.
Exemple
Investisseur bullish sur Tesla : • Lit uniquement les articles positifs sur Tesla • Ignore les rapports de short-sellers (Citron, etc.) • Interprète les mauvaises nouvelles comme 'temporaires' • Ne vend jamais malgré les signaux baissiers Résultat : Manque d'objectivité, décisions biaisées.
ℹ️ Solution : 'Devil's Advocate' - chercher activement les thèses contraires (Inversion thinking).
Les investisseurs ancrent leurs décisions sur des valeurs arbitraires (ex: prix historique haut, prix IPO) et ajustent insuffisamment. L'ancre influence les estimations même si elle est non-pertinente.
Exemple
Action qui a atteint $200 en 2021, maintenant à $50 : L'investisseur pense : '$50 c'est cheap, c'était $200 avant !' → Ancrage sur le prix haut historique (non-pertinent) → Peut-être que les fondamentaux ont changé et $50 est le juste prix Autre exemple : IPO à $100 → Les investisseurs ancrent sur $100 même si le prix tombe à $30 → 'C'est une opportunité, c'était $100 à l'IPO'
ℹ️ L'ancrage fonctionne même avec des nombres aléatoires. Kahneman : 'Spin a wheel (random number), then estimate Africa GDP'. Le nombre influence l'estimation !
Les investisseurs imitent les décisions des autres plutôt que d'analyser indépendamment. Cela amplifie les bulles et les krachs. 'Everybody's buying, so it must be good.'
Exemple
Bulles alimentées par le herding : • Tulipomanie (1637) : 'Tout le monde achète des tulipes' • Dot-com (2000) : 'Internet va tout changer, achète n'importe quoi .com' • Immobilier (2007) : 'House prices only go up' • Crypto (2021) : 'Bitcoin to $1 million, buy now or regret forever' Le herding crée des feedback loops : Prix monte → Plus de gens achètent → Prix monte encore → Bulle.
ℹ️ Shiller (Irrational Exuberance) : Les bulles sont des phénomènes sociaux, pas rationnels. Le herding les amplifie.
Les investisseurs surpondèrent les événements récents et sous-pondèrent l'histoire longue. 'Le marché a monté 3 ans, ça va continuer' (extrapolation).
Exemple
2000 (bulle dot-com) : • S&P 500 : +20% par an de 1995-1999 • Investisseurs : 'The new normal ! Tech va toujours monter !' • Résultat : Krach -50% en 2000-2002 2021 (bulle tech/crypto) : • Tech FAANG : +40% par an de 2019-2021 • Investisseurs : 'FAANG ne peut pas baisser, achète la dip' • Résultat : -30% à -80% en 2022 La moyenne historique (100+ ans) est +10% par an. Mais les investisseurs extrapolent les 3 dernières années.
ℹ️ Contrarian Indicator : Quand 'everyone' est bullish, c'est souvent un top. Quand 'everyone' est bearish, c'est souvent un bottom.
Les investisseurs traitent l'argent différemment selon sa source ou son usage (compartiments mentaux), violant la fongibilité de l'argent. $100 gagné au casino ≠ $100 de salaire.
Exemple
Comportement irrationnel : • Un investisseur détient des actions perdantes dans un compte, tout en achetant les mêmes actions dans un autre compte (IRA vs taxable) • 'Cet argent vient d'un bonus, je peux prendre plus de risque' (mais c'est le même argent !) • Refus de vendre à perte pour 'ne pas réaliser la perte' (mais la perte est réelle, papier ou non) Rationnellement : $100 = $100, peu importe la source.
ℹ️ Thaler (Nobel 2017) : 'Mental accounting explains why people simultaneously save at 1% interest and borrow on credit cards at 18%'.
Si les marchés étaient efficients, les anomalies (value, momentum, low-vol) devraient disparaître une fois documentées. Mais elles persistent car les biais comportementaux persistent.
Exemple
Anomalies comportementales : • Momentum : Sous-réaction initiale (anchoring, conservatism) → trend • Value Effect : Sur-réaction aux mauvaises nouvelles (loss aversion, recency bias) → undervaluation • Disposition Effect : Les investisseurs vendent winners et gardent losers → momentum amplifié Ces anomalies existent depuis 50+ ans et persistent malgré leur documentation publique.
ℹ️ Shleifer & Vishny (1997) : 'Limits to Arbitrage' - Même si un mispricing existe, le corriger est risqué et coûteux.
Les marchés sont BEAUCOUP trop volatils pour être expliqués par les changements de fondamentaux (dividendes futurs). Shiller (1981) a montré que les prix varient 5-10× plus que justifié.
Exemple
S&P 500 Volatilité annuelle : σ = 15-20% Volatilité des dividendes futurs réalisés : σ = 2-3% Ratio : 15% / 2.5% = 6× Les prix bougent 6 fois plus que justifié par les fondamentaux ! Explication behavioral : Overreaction, herding, sentiment shifts, fear & greed.
ℹ️ Shiller (Nobel 2013) : 'Prices move too much to be justified by subsequent changes in dividends'. C'est incompatible avec l'EMH.
La finance comportementale explique les bulles (overconfidence, herding, extrapolation) et les krachs (panic selling, loss aversion). L'EMH ne peut pas expliquer ces phénomènes.
Exemple
Cycle d'une bulle (Minsky Model) : 1. Displacement : Nouvelle technologie (internet, crypto) 2. Boom : Prices monte, early investors profit 3. Euphoria : 'This time is different', everyone buys (FOMO) 4. Profit-Taking : Smart money vend 5. Panic : Réalisation que c'était une bulle, rush to exit 6. Crash : Prix s'effondre -50% à -90% Exemples : Tulipes 1637, South Sea 1720, 1929, dot-com 2000, immobilier 2007, crypto 2021.
ℹ️ Kindleberger (Manias, Panics, and Crashes) : 'Bubbles are as old as markets'. La psychologie humaine ne change pas.
Thaler & Sunstein (Nudge, 2008) montrent qu'on peut améliorer les décisions en structurant l'environnement de choix sans restreindre la liberté. Applications : épargne retraite, santé, investissement.
Exemple
Save More Tomorrow (Thaler & Benartzi) : • Problème : Les gens épargnent trop peu pour la retraite (procrastination, présent bias) • Solution : Auto-enrollment dans 401(k) + augmentation automatique du taux d'épargne à chaque augmentation salariale • Résultat : Taux d'épargne passe de 3% à 13% en moyenne C'est un 'nudge' : la liberté de choix est préservée, mais le default est optimal.
ℹ️ Thaler (Nobel 2017) : 'Making it easier for people to do the right thing'. Utilisé par gouvernements et entreprises.
Les investisseurs avertis peuvent utiliser des stratégies pour contrer leurs propres biais : checklists, rules-based investing, pre-commitment, external accountability.
Exemple
Stratégies anti-biais : • Checklist systématique avant chaque trade (pilotes d'avion style) • Stop-loss automatique pour éviter le disposition effect • Dollar-Cost Averaging pour éviter market timing (recency bias) • Diversification forcée (pas plus de 5% par position) pour contrer overconfidence • 'Sleep on it' rule : Attendre 24h avant tout trade >$10k Warren Buffett : 'Be fearful when others are greedy, greedy when others are fearful' (anti-herding).
ℹ️ Ray Dalio (Bridgewater) : Algorithmic, rules-based decision-making pour éliminer l'émotion.
Exploiter les biais des autres : acheter ce que tout le monde déteste (fear, panic), vendre ce que tout le monde adore (greed, euphoria). Value investing est intrinsèquement contrarian.
Exemple
Warren Buffett (crise 2008-2009) : • Mars 2009 : S&P 500 à 666 (panic maximum) • Sentiment : 'The financial system is collapsing' • Buffett : Achète massivement (GE, Goldman Sachs, Bank of America) • 2024 : S&P 500 à 5,000+ (gain +650%) Contrarian indicators : • VIX >40 : Fear extrême → opportunité d'achat • Put/Call Ratio >1.5 : Excessive bearishness → bottom • Magazine covers 'Death of Equities' → buy signal
ℹ️ Howard Marks (Oaktree) : 'The best opportunities come when everyone thinks the worst'.
La finance comportementale est une collection de biais et d'observations empiriques, pas un modèle mathématique unifié comme le CAPM. Pour chaque anomalie, il y a une explication ad-hoc différente.
Exemple
Momentum : Sous-réaction initiale + sur-réaction tardive Value Effect : Sur-réaction aux mauvaises nouvelles Low-Vol : Lottery preferences, leverage constraints Chaque anomalie a sa propre explication. Pas de théorie générale.
⚠️ Eugene Fama : 'Behavioral finance is a collection of anomalies, not a unified theory'. Les économistes préfèrent les modèles prédictifs.
Même si on identifie un biais comportemental, l'exploiter est risqué et coûteux. Les mispricings peuvent empirer avant de se corriger. 'Markets can remain irrational longer than you can remain solvent' (Keynes).
Exemple
Short Tesla en 2019 (semblait surévalué) : • Valuation : P/E >100, perte de $1B/an • Shorts : 'C'est irrationnel, herding, bulle' • Résultat : Tesla +1,200% en 2020-2021 • Shorts perdent $40 milliards (record) Même si le diagnostic behavioral était correct, le timing était catastrophique.
⚠️ LTCM (1998) : Hedge fund Nobel-prize winners (Merton, Scholes) ont fait faillite car le mispricing a empiré (liquidity crisis).
Certains biais se contredisent. Par exemple : momentum (continuation) vs mean-reversion (reversal). Quand utiliser quel biais ? La théorie ne le dit pas clairement.
Exemple
Action qui monte 6 mois consécutifs : Explication 1 (Momentum) : Sous-réaction, ça va continuer → BUY Explication 2 (Mean-Reversion) : Sur-réaction, ça va reverser → SELL Laquelle est correcte ? Dépend du contexte (timeframe, amplitude). La finance comportementale ne donne pas de règle claire.