Nobel 2002

Behavioral Finance (Finance Comportementale)

Étude empirique des écarts entre décisions observées et modèles d'utilité espérée, puis de leurs implications possibles pour les prix et les portefeuilles.

Histoire et Contexte

La finance comportementale s'est structurée avec les travaux de Kahneman et Tversky sur la Prospect Theory (1979), puis avec l'analyse des limites à l'arbitrage et des comportements observés sur les marchés. Daniel Kahneman a reçu le prix de la Banque de Suède en 2002 et Richard Thaler en 2017. Ces résultats documentent des écarts à certains modèles de rationalité ; ils ne réfutent pas, à eux seuls, toutes les formes de l'efficience des marchés et ne garantissent pas l'existence d'une stratégie exploitable après coûts.

Prospect Theory (Théorie des Perspectives)

Nobel 2002

Loss Aversion (Aversion aux Pertes)

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.

Value Function (Fonction de Valeur)

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).

Reference Point Dependence

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'.

Biais Cognitifs Majeurs

1. Overconfidence (Excès de Confiance)

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.

2. Confirmation Bias (Biais de Confirmation)

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).

3. Anchoring (Ancrage)

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 !

4. Herding (Comportement Grégaire)

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.

5. Recency Bias (Biais de Récence)

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.

6. Mental Accounting (Comptabilité Mentale)

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%'.

Implications pour les Marchés

1. Les Anomalies de Marché Persistent

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.

2. Volatilité Excessive (Excess Volatility)

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.

3. Bulles et Krachs

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.

Applications Pratiques

1. Nudges et Architecture de Choix

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.

2. Debiasing Strategies (Réduction des Biais)

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.

3. Contrarian Investing

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'.

Critiques de la Finance Comportementale

1. Pas de Modèle Unifié

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.

2. Difficulté à Exploiter (Limits to Arbitrage)

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).

3. Biais Contradictoires

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.

Sources Académiques

  1. Kahneman, D., & Tversky, A. (1979). 'Prospect Theory: An Analysis of Decision under Risk'. Econometrica, 47(2), 263-291.L'article fondateur de la Prospect Theory : loss aversion, value function (cité 80,000+ fois, le plus cité en finance comportementale).
  2. The Nobel Prize (2002). 'Daniel Kahneman - Prize Lecture'.nobelprize.org/prizes/economic-sciences/2002/kahneman/lecture/Conférence Nobel de Kahneman sur les biais cognitifs et décisions sous incertitude (gratuit, PDF + vidéo).
  3. Investopedia (2024). 'Behavioral Finance'.investopedia.com/terms/b/behavioralfinance.aspGuide complet gratuit : biais cognitifs majeurs, anomalies, applications pratiques.
  4. Wikipedia - Behavioral Economics.en.wikipedia.org/wiki/Behavioral_economicsSynthèse complète : Prospect Theory, nudges, applications, critiques et 100+ références.
  5. Barber, B. M., & Odean, T. (2000). 'Trading Is Hazardous to Your Wealth'. The Journal of Finance, 55(2), 773-806.Étude empirique : overconfidence → overtrading → sous-performance de -6.5% par an.
  6. Shefrin, H., & Statman, M. (1985). 'The Disposition to Sell Winners Too Early and Ride Losers Too Long'. The Journal of Finance, 40(3), 777-790.Documentation du Disposition Effect : les investisseurs vendent gagnants trop tôt, gardent perdants.
  7. Thaler, R. H., & Sunstein, C. R. (2008). Nudge: Improving Decisions About Health, Wealth, and Happiness. Yale University Press.Application pratique : nudges pour améliorer épargne retraite, santé, investissement.