Chaque modèle de ce livre a supposé des agents rationnels, c'est-à-dire des consommateurs qui maximisent l'utilité espérée, des entreprises qui minimisent les coûts, des traders dont les préférences temporelles sont cohérentes et les croyances correctes. Ces hypothèses sont puissantes : elles produisent des prédictions nettes, des théorèmes du bien-être élégants et des mathématiques raffinées. Mais sont-elles vraies ?
Ce chapitre examine les données. L'économie comportementale documente des écarts prévisibles et systématiques par rapport au modèle rationnel standard. Ce ne sont pas des erreurs aléatoires qui se compensent à l'agrégation, mais des biais structurés qui persistent avec la répétition, les incitations et même l'expertise.
Nous commençons par les failles de la théorie de l'utilité espérée, que sont les paradoxes d'Allais et d'Ellsberg, avant de progresser vers la théorie des perspectives, la principale alternative descriptive. Nous examinons ensuite le choix intertemporel sous biais du présent, les préférences sociales qui violent le pur intérêt personnel, la rationalité limitée et les heuristiques, la méthodologie expérimentale, la théorie du nudge et la finance comportementale. Tout au long, l'approche est formelle : nous écrivons des fonctions d'utilité, dérivons des prédictions et les confrontons aux données.
Prérequis : Théorie de l'utilité espérée (Ch. 6), théorie des jeux (Ch. 7), théorie du consommateur (Ch. 6/10), bases d'économétrie (Ch. 9), familiarité avec la conception de mécanismes (Ch. 11).
Rappelons qu'au chapitre 6, sous les axiomes de complétude, de transitivité, de continuité et de l'axiome d'indépendance, les préférences sur les loteries peuvent être représentées par l'utilité espérée :
L'indépendance est élégante et normativement séduisante. Elle dit que votre préférence entre deux loteries ne devrait pas être influencée par une composante commune non pertinente. Mais comme Maurice Allais l'a démontré en 1953, la plupart des êtres humains la violent de manière cohérente.
Considérons deux paires de loteries :
Paire 1 : Loterie 1A : \$1M avec certitude. Loterie 1B : \$5M avec prob 0,10, \$1M avec prob 0,89, \$0 avec prob 0,01.
Paire 2 : Loterie 2A : \$1M avec prob 0,11, \$0 avec prob 0,89. Loterie 2B : \$5M avec prob 0,10, \$0 avec prob 0,90.
Le schéma modal : la plupart des gens choisissent 1A plutôt que 1B et 2B plutôt que 2A. Ce choix conjoint $\{1A, 2B\}$ viole l'axiome d'indépendance.
Par indépendance, remplacer la conséquence commune (\$1M dans la Paire 1, \$0 dans la Paire 2) ne devrait pas changer le classement. Si $1A \succ 1B$, alors $2A \succ 2B$. L'inversion révèle un effet de certitude.
Pourquoi c’est important : Un gain certain est ressenti comme radicalement différent d'un gain à 99 %. Passer de 99 % à 100 % procure une tranquillité d'esprit que le passage de 10 % à 11 % ne procure pas. L'utilité espérée veut que ces deux points supplémentaires aient exactement la même valeur. La plupart des gens, placés devant les paires d'Allais, montrent qu'il n'en est rien. Cet écart entre « presque certain » et « certain » est ce que l'axiome d'indépendance ne peut pas voir, et ce que tout modèle comportemental venu ensuite est bâti pour restituer.
Considérons une urne contenant 30 boules rouges et 60 boules noires ou jaunes en proportions inconnues. Loterie A : gagner \$100 si rouge (prob 1/3, connue). Loterie B : gagner \$100 si noire (prob inconnue). La plupart choisissent A.
Mais ensuite : Loterie C : gagner \$100 si rouge ou jaune. Loterie D : gagner \$100 si noire ou jaune. La plupart choisissent D. Sous l'utilité espérée, $A \succ B$ exige $C \succ D$. Le choix conjoint $\{A, D\}$ viole le Principe de la chose sûre.
Ces paradoxes révèlent que l'axiome d'indépendance échoue de manière descriptive. Nous avons besoin d'une théorie qui intègre ces violations.
Figure 19.3. Détecteur du paradoxe d'Allais. Sélectionnez votre loterie préférée dans chaque paire, puis vérifiez si vos choix violent l'axiome d'indépendance.
Paire 1
Paire 2
Problème. Deux paires de loteries. Supposons une utilité CRRA $u(x) = x^{0.5}$ ($x$ en millions). (a) Calculer l'utilité espérée de chaque loterie. (b) Laquelle l'utilité espérée recommande-t-elle ? (c) Montrer que {1A, 2B} viole l'indépendance.
Solution.
(a) $EU(1A) = 1.0 \times 1^{0.5} = 1.000$. $EU(1B) = 0.89(1) + 0.10(2.236) + 0.01(0) = 1.1136$. $EU(2A) = 0.11(1) = 0.11$. $EU(2B) = 0.10(2.236) = 0.2236$.
(b) L'utilité espérée recommande 1B (1,114 > 1,000) et 2B (0,224 > 0,110). Paires cohérentes avec l'utilité espérée : {1A, 2A} ou {1B, 2B}.
(c) $1A \succ 1B$ exige $0.11 \, u(1) > 0.10 \, u(5) + 0.01 \, u(0)$. $2B \succ 2A$ exige $0.10 \, u(5) + 0.01 \, u(0) > 0.11 \, u(1)$. Les deux se contredisent directement. Aucune $u(\cdot)$ ne satisfait les deux.
Kahneman et Tversky (1979) ont proposé la théorie des perspectives comme alternative descriptive, affinée par la suite en théorie des perspectives cumulative (1992). Elle modifie l'utilité espérée de quatre façons : dépendance à la référence, aversion aux pertes, sensibilité décroissante et pondération des probabilités.
La fonction de valeur remplace $u(x)$ définie sur la richesse finale par $v(x)$ définie sur les gains et les pertes par rapport à un point de référence :
Les paramètres estimés par Tversky et Kahneman (1992) sont $\alpha = \beta = 0{,}88$ et $\lambda = 2{,}25$.
Trois propriétés : (1) Dépendance à la référence : les résultats sont codés comme gains ou pertes par rapport à $r$. (2) Sensibilité décroissante : $\alpha, \beta < 1$ donne la concavité pour les gains et la convexité pour les pertes. (3) Aversion aux pertes : $\lambda > 1$ rend la fonction de valeur plus pentue pour les pertes.
Pourquoi c’est important : Deux faits sur la façon dont les résultats sont ressentis font ici tout le travail. D'abord, les pertes pèsent plus lourd que les gains. Perdre \$100 fait environ 2,25 fois plus mal que gagner \$100 ne fait plaisir, et c'est pourquoi la courbe descend plus vite sous le point de référence qu'elle ne monte au-dessus. Ensuite, ce qui compte comme gain ou comme perte dépend entièrement du point de départ : le même salaire de \$50 000 est un triomphe après \$30 000 et une blessure après \$70 000. Le coude au point de référence, c'est l'aversion aux pertes ; la courbure de chaque branche, c'est la sensibilité qui s'émousse à mesure qu'on s'en éloigne. Faites glisser les curseurs de la figure et observez comment la pente de la branche des pertes change. Cette pente est $\lambda$.
Figure 19.1. Fonction de valeur de la théorie des perspectives. La courbe en S est concave pour les gains et convexe pour les pertes, avec une pente plus raide pour les pertes (aversion aux pertes). À $\alpha = \beta = \lambda = 1$, elle se réduit à une droite (utilité espérée). Déplacez les curseurs pour explorer.
Le paramètre de Tversky-Kahneman (1992) $\delta \approx 0{,}65$. Lorsque $\delta = 1$, $w(p) = p$ (utilité espérée). Lorsque $\delta < 1$, la fonction surpondère les petites probabilités et sous-pondère les grandes. Croisement à $p \approx 0{,}37$.
Pourquoi c’est important : Les gens ne traitent pas les probabilités comme le ferait une calculatrice. Une chance infime paraît plus grande qu'elle n'est, et c'est pour cela que nous achetons des billets de loterie et des assurances contre les catastrophes rares, tandis qu'une quasi-certitude paraît moins sûre qu'elle n'est, ce qui vide de leur valeur les derniers points de pourcentage avant la certitude. La courbe en S inversé de la figure ne dit rien d'autre : les petites probabilités sont relevées, les moyennes et les grandes sont abaissées. C'est le pendant, du côté des probabilités, de l'aversion aux pertes, et les deux produisent ensemble le schéma quadruple des attitudes face au risque.
Figure 19.2. Fonction de pondération des probabilités de Tversky-Kahneman (1992). La courbe en S inversé surpondère les petites probabilités et sous-pondère les grandes. À $\delta = 1$, elle se réduit à la droite à 45 degrés (utilité espérée). Déplacez le curseur.
Note : Ceci est la formulation originale de la théorie des perspectives (Kahneman & Tversky, 1979), qui applique les poids de décision aux probabilités individuelles. La théorie des perspectives cumulative (Tversky & Kahneman, 1992) applique les poids de décision aux probabilités cumulées des résultats classés, résolvant certaines anomalies telles que les violations de la dominance stochastique.
Le schéma quadruple : petite $p$ + gains = recherche du risque (loteries) ; petite $p$ + pertes = aversion au risque (assurance) ; grande $p$ + gains = aversion au risque (effet de certitude) ; grande $p$ + pertes = recherche du risque (pari désespéré).
Problème. Un jeu offre $+\$1{,}000$ avec prob. 0,5 et $-\$800$ avec prob. 0,5. Point de référence $r = 0$. (a) Équivalent certain sous l'utilité espérée avec CRRA $u(x) = x^{0.5}$, $W = \$10{,}000$. (b) Évaluation sous la théorie des perspectives avec les paramètres standard. (c) Pourquoi l'aversion aux pertes inverse-t-elle l'évaluation ?
Solution.
(a) EU = 0,5(11 000)^{0,5} + 0,5(9 200)^{0,5} = 0,5(104,88) + 0,5(95,92) = 100,40. EC : $100.40^2 = 10 080$. Variation de l'EC = +80,2. L'agent accepte.
(b) $v(+1000) = 1000^{0.88} = 436.5$. $v(-800) = -2.25 \times 800^{0.88} = -2.25 \times 358.7 = -807.1$. Avec $w(0.5) \approx 0.439$ : $V = 0.439(436.5) + 0.439(-807.1) = -162.6$. L'agent rejette.
(c) L'aversion aux pertes ($\lambda = 2.25$) fait peser la perte de \$800 bien plus lourd que le gain de \$1 000, inversant l'évaluation.
La théorie standard suppose une actualisation exponentielle avec facteur d'escompte $\delta \in (0,1)$. La propriété clé est la cohérence temporelle : un plan élaboré à $t=0$ reste optimal à chaque date future.
Les preuves expérimentales rejettent massivement l'actualisation constante. Les individus font preuve d'une impatience décroissante : le taux d'escompte entre aujourd'hui et demain est bien supérieur à celui entre le jour 100 et le jour 101.
Les facteurs d'escompte quasi-hyperboliques sont $\{1, \beta\delta, \beta\delta^2, \ldots\}$. La période immédiate reçoit le poids 1, mais toutes les périodes futures sont en outre escomptées par $\beta$. Lorsque $\beta < 1$, il y a un décrochage brutal entre « maintenant » et « le futur ».
À $t=0$, la CPO pour $c_1$ est $\beta\delta u'(c_1) = u'(c_0)$. À $t=1$, la réoptimisation donne $u'(c_1) = \beta\delta u'(c_2)$. Le $\beta$ s'est déplacé, et le plan est temporellement incohérent.
Pourquoi c’est important : Vous actualisez bien plus fortement l'écart entre aujourd'hui et demain que celui qui sépare une échéance à un an d'une échéance à un an et un jour, alors que les deux sont des délais d'une journée. Cette pénalité supplémentaire portée sur le « maintenant contre pas-maintenant », c'est le biais du présent, et c'est pourquoi vous réglez le réveil sur 6 heures puis repoussez la sonnerie, pourquoi vous prévoyez de commencer le régime lundi et le rompez le lundi soir. Le plan que fait votre moi d'aujourd'hui n'est pas celui que votre moi de demain veut tenir. L'agent sophistiqué, qui anticipe ce conflit, paie pour un dispositif d'engagement, un compte retraite bloqué ou un abonnement à une salle de sport, afin de lier le moi futur auquel le moi présent ne peut pas se fier. Faites glisser le curseur du biais du présent vers 1 et le conflit disparaît.
Figure 19.4. Explorateur de l'actualisation bêta-delta. L'agent naïf reporte perpétuellement ; l'agent sophistiqué utilise l'induction à rebours. À $\beta = 1$, toutes les lignes se confondent (pas de biais du présent). Déplacez les curseurs.
Problème. Un étudiant doit réaliser un projet. Coût aujourd'hui = 6 utils, bénéfice dans 2 périodes = 10 utils. $\beta = 0.7$, $\delta = 0.95$, 5 périodes. (a) Quand un agent naïf agit-il ? (b) Un agent sophistiqué ?
Solution.
(a) Naïf : À chaque $t$, utilité nette d'agir maintenant $= -6 + 0.7 \times 0.95^2 \times 10 = -6 + 6.32 = +0.32$. Utilité nette perçue d'attendre $= 0.7 \times 0.95 \times (-6) + 0.7 \times 0.95^3 \times 10 = -3.99 + 6.00 = +2.01$. Comme $2.01 > 0.32$, il reporte toujours. Il procrastine jusqu'à la date limite.
(b) Sophistiqué : induction à rebours. À $t = 2$ (dernière période faisable), utilité nette $= +0.32 > 0$, donc le moi de $t=2$ agit. À $t = 1$ : utilité nette maintenant $= +0.32$, utilité nette d'attendre que $t=2$ agisse $= +2.01 > 0.32$, donc attend. À $t = 0$ : idem, attend. L'agent sophistiqué agit à $t = 2$, plus tôt que la date limite du naïf.
Problème. Agent avec $\beta = 0.7$, $\delta = 0.95$, utilité logarithmique, revenu $Y = 100$ sur 3 périodes. (a) Épargne sans engagement. (b) Avec engagement. (c) Gain de bien-être.
Solution.
(a) Sans engagement : $t=0$ alloue $c_0 = 100/(1+0.665+0.632) = 43.54$, reste 56,46. À $t=1$ réoptimisation : $c_1 = 56.46/1.665 = 33.91$, $c_2 = 22.55$.
(b) Avec engagement : $c_1 = 0.665 \times 100/2.297 = 28.95$, $c_2 = 0.632 \times 100/2.297 = 27.51$.
(c) Sans : $U = 3.774 + 2.344 + 1.967 = 8.085$. Avec : $U = 3.774 + 2.237 + 2.095 = 8.106$. Gain $= 0.020$ utils. L'agent avec engagement obtient un profil de consommation plus lisse.
Des décennies de preuves expérimentales montrent que les individus s'écartent systématiquement du pur intérêt personnel : ils rejettent des offres injustes, donnent à des inconnus, coopèrent dans des jeux à un tour et punissent les passagers clandestins.
Les contraintes $\alpha_i \geq \beta_i$ et $\beta_i < 1$ sont motivées empiriquement : l'envie fait plus mal que la culpabilité, et personne ne sacrifie de l'argent dans le seul but de rétablir l'égalité.
Dans le jeu de l'ultimatum, l'offre minimale acceptable $s^*$ vérifie $s - \alpha_R(100-2s) \geq 0$, soit $s^* = 100\alpha_R / (1+2\alpha_R)$. Pour $\alpha_R = 2$ : $s^* = 40$.
Pourquoi c’est important : Les gens paient de leur poche pour punir qui les traite injustement. Proposez à un inconnu un partage déséquilibré de \$100, \$80 pour vous et \$20 pour lui, et il le refusera souvent, repartant les mains vides rien que pour vous priver des \$80. L'intérêt personnel pur commande de prendre les \$20 ; l'équité commande de refuser. Le modèle ajoute deux sentiments au gain : la morsure de recevoir moins qu'un autre (l'envie), qui fait plus mal, et la gêne d'en recevoir plus (la culpabilité), qui fait moins mal. C'est cette asymétrie qui explique que les offres réelles se regroupent autour d'un partage équitable, et non autour du centime que prédit le manuel. Faites glisser le curseur d'envie du répondeur et observez l'offre minimale acceptable monter.
Figure 19.6. Aversion aux inégalités de Fehr-Schmidt. Un $\alpha$ (envie) plus élevé relève l'offre minimale acceptable. À $\alpha = \beta = 0$, théorie standard : toute offre positive est acceptée. Déplacez les curseurs.
Figure 19.5. Simulateur du jeu de l'ultimatum. Jouez le rôle du proposeur face à différentes stratégies du répondeur. Suivez vos gains au fil des tours.
Dans les jeux du dictateur, l'allocation moyenne est de 20-30 %. Dans les jeux de biens publics, l'ajout de sanctions maintient la coopération.
Le jeu de la confiance et ces expériences de préférences sociales à la Fehr-Schmidt sont les microdonnées qui nourrissent une Grande Question sur la confiance comme forme de capital, La confiance comme capital.
Problème. Jeu de l'ultimatum avec \$100. Proposeur : $\alpha_P = 0.5$, $\beta_P = 0.3$. Répondeur : $\alpha_R = 2.0$, $\beta_R = 0.6$. (a) Offre minimale acceptable. (b) Offre optimale. (c) Comparer au Nash standard.
Solution.
(a) $U_R = s - 2.0(100-2s) = 5s - 200 \geq 0 \Rightarrow s^* = 40$.
(b) $U_P = (100-s) - 0.3(100-2s) = 70 - 0.4s$, décroissant en $s$. Minimiser $s$ sous $s \geq 40$ : offre optimale $s^* = 40$. $U_P = 54$, $U_R = 0$.
(c) Préférences standard ($\alpha = \beta = 0$) : offre \$1, acceptée. Fehr-Schmidt : offre \$40. Bien plus proche des offres modales expérimentales de 40-50 %.
Herbert Simon (1955) a soutenu que les agents s'en tiennent au satisficing plutôt qu'à l'optimisation : ils cherchent jusqu'à trouver une option acceptable, puis s'arrêtent.
Tversky et Kahneman (1974) ont identifié trois heuristiques fondamentales : la représentativité (juger la probabilité par la ressemblance), la disponibilité (estimer la fréquence par la facilité de rappel), et l'ancrage (ajuster insuffisamment à partir d'une valeur initiale).
Gabaix (2014) a formalisé la rationalité limitée comme un problème d'optimisation : les agents maximisent l'utilité sous contrainte d'un coût d'attention $\theta$ par dimension. L'agent perçoit $\hat{p}_k = \bar{p}_k + m_k(p_k - \bar{p}_k)$.
Pourquoi c’est important : L'attention est rare et penser coûte cher, si bien que les gens n'optimisent pas dans le monde réel tel qu'il est. Ils optimisent dans une caricature mentale simplifiée de ce monde, en ne prêtant attention qu'aux dimensions qui semblent compter et en négligeant les détails. C'est une façon d'économiser une ressource limitée. Cela explique pourquoi l'acheteur remarque le prix affiché mais pas les frais de port, pourquoi nous nous ancrons sur le premier chiffre entendu, pourquoi une taxe incorporée au prix modifie moins les comportements qu'une taxe ajoutée en caisse. Simon appelait cela le satisficing, se contenter de ce qui suffit. Gabaix a mis un prix sur l'attention qu'aurait exigée la version parfaite.
Les expériences en laboratoire comportent des incitations monétaires réelles, la randomisation et le contrôle. Force : validité interne. Faiblesse : validité externe.
Les expériences de terrain intègrent des manipulations dans des contextes réels : comportement naturel, absence de conscience d'être observé, grande échelle. Compromis : moins de contrôle pour plus de réalisme.
Effets de demande : les sujets peuvent modifier leur comportement parce qu'ils se savent observés ou parce qu'ils devinent l'intention de l'expérimentateur. Le débat sur la tromperie : l'économie a une forte norme contre la tromperie, contrairement à la psychologie.
La crise de la réplication : seules 36 % des études de psychologie ont été répliquées (Open Science Collaboration, 2015) ; l'économie fait mieux (~60 %) mais reste préoccupante. Le pré-enregistrement répond au p-hacking et au biais de publication.
Si les choix dépendent du cadrage et des options par défaut, alors l'architecture du choix, c'est-à-dire la manière dont ils sont présentés, a de l'importance.
Le nudge le plus puissant est l'option par défaut. Don d'organes : 15-20 % dans les pays où l'inscription se fait par adhésion, 85-99 % dans ceux où elle se fait par désinscription. L'adhésion aux plans d'épargne retraite passe d'environ 50 % à plus de 90 % avec la désinscription.
Sous adhésion ($d=0$) : $P = \Phi((v-k)/\sigma)$. Sous désinscription ($d=1$) : $P = \Phi(v/\sigma)$. L'écart est maximal lorsque $v$ est positif mais modéré et $k/\sigma$ est non négligeable.
Pourquoi c’est important : Quelle que soit l'option par défaut, la plupart des gens la conservent. Rendez l'épargne retraite automatique, avec possibilité de se désinscrire, et le taux d'inscription passe d'environ la moitié à plus de quatre-vingt-dix pour cent ; faites basculer le don d'organes de l'adhésion vers la désinscription et les taux de consentement bondissent d'un peu plus de dix pour cent à près de cent. Changer suppose de retrouver le formulaire, de trancher, d'agir. Ce petit effort suffit à laisser la plupart des gens là où on les a placés. Cela confère un pouvoir énorme et silencieux à qui fixe l'option par défaut, et c'est là toute la prémisse du nudging. Faites glisser vers zéro le curseur de l'effort pour changer et les courbes d'inscription par adhésion et par désinscription se rejoignent.
Figure 19.7. Simulateur de l'effet de l'option par défaut. Des coûts de changement plus élevés élargissent l'écart entre l'inscription par adhésion et par désinscription. À $k = 0$, l'option par défaut n'a pas d'importance. Déplacez le curseur.
Le cadre EAST : Facile (Easy, réduire les frictions), Attractif (Attractive, rendre saillant), Social (Social, exploiter les normes), Opportun (Timely, inciter au bon moment).
Le sludge est une friction qui décourage un comportement souhaitable. Réduire le sludge est souvent aussi efficace qu'introduire de nouveaux nudges.
Bernheim et Rangel (2009) : évaluer le bien-être à partir des choix exempts de distorsions comportementales, ceux que les agents font lorsqu'ils sont bien informés, attentifs et non biaisés.
Quand Thaler et Sunstein ont publié Nudge en 2008, le livre a fait l'effet d'un code de triche pour l'action publique : redessinez les options par défaut et les gens épargnent plus, mangent mieux, donnent leurs organes, le tout sans restreindre le choix. Les gouvernements ont adoré. Le Royaume-Uni a créé une « Nudge Unit », et Obama a fait de Sunstein son responsable de la réglementation. Mais la réaction a été virulente. Gilles Saint-Paul y a vu « la tyrannie de l'utilité », des technocrates décidant de ce qui est bon pour vous tout en prétendant respecter votre liberté. Des tribunes ont qualifié le nudging de « manipulation par l'État ». Le paternalisme libertarien est-il une synthèse brillante ou une contradiction dans les termes ?
AvancéL'hypothèse d'efficience des marchés soutient que les prix reflètent pleinement toute l'information. La finance comportementale conteste cela : de nombreux traders ne sont pas rationnels, et les arbitragistes rationnels font face à des limites.
L'excès de confiance génère des transactions excessives. Barber et Odean (2000) : les traders les plus actifs ont gagné 6,5 points de pourcentage de moins par an que les moins actifs.
Le point de référence est le prix d'achat. Les gains dans la zone concave (aversion au risque, vente précoce) ; les pertes dans la zone convexe (recherche du risque, conservation).
Les actions surperforment sur 3-12 mois (momentum, Jegadeesh-Titman 1993) et sous-performent sur 3-5 ans (retournement, DeBondt-Thaler 1985).
Même les traders rationnels peuvent ne pas corriger les erreurs de prix : risque des noise traders, coûts de mise en œuvre et problèmes d'agence les contraignent.
DeLong, Shleifer, Summers et Waldmann (1990) : un $\mu$ plus élevé éloigne le prix des fondamentaux ; un $\rho$ plus élevé amplifie la déviation ; un $\gamma$ plus élevé (aversion au risque des arbitragistes) signifie des positions moins agressives contre l'erreur de prix, augmentant ainsi la déviation.
Pourquoi c’est important : La défense classique de l'efficience des marchés est que les capitaux avisés corrigent les erreurs : si des traders irrationnels poussent un prix trop haut, les arbitragistes vendent jusqu'à ce qu'il revienne à sa place. Ce modèle montre pourquoi cette défense fuit. Parier contre une foule d'optimistes est en soi risqué. Les optimistes peuvent le rester, et le devenir davantage, assez longtemps pour ruiner celui qui a parié contre eux (Keynes : les marchés peuvent rester irrationnels plus longtemps que vous ne pouvez rester solvable). Savoir qu'un prix est faux n'est pas la même chose que pouvoir en tirer profit. Les noise traders survivent donc, et ils font bouger les prix. Faites glisser vers le haut le curseur d'aversion au risque des arbitragistes et observez le prix s'écarter davantage des fondamentaux. Cet écart, c'est le raisonnement du « comme si » qui échoue sur le seul marché où il aurait dû être le plus solide.
Le paradoxe : les noise traders peuvent obtenir des rendements espérés supérieurs en supportant le risque qu'ils ont eux-mêmes créé.
Figure 19.8. Modèle de noise traders de DSSW. Le sentiment des noise traders éloigne les prix des fondamentaux. Les arbitragistes averses au risque ne peuvent pas corriger entièrement l'erreur de prix. Déplacez les curseurs.
Problème. $f = 100$, $\rho = 0.30$, $\mu = 20$ (haussier), $r = 0.05$, $\gamma = 2$. (a) Calculer le prix d'équilibre. (b) Déviation du prix. (c) Que se passe-t-il si $\gamma = 0$ ?
Solution.
(a) $p = 100 + \frac{2 \times 0.30 \times 20}{1.05} = 100 + \frac{12}{1.05} = 100 + 11.43 = 111.43$.
(b) Déviation : $p - f = 11.43$. L'actif est surévalué car les noise traders poussent les prix au-dessus des fondamentaux et les arbitragistes averses au risque ne les contrecarrent pas pleinement.
(c) Avec $\gamma = 0$ : $p = 100 + 0 = 100$. Les arbitragistes neutres au risque négocient assez agressivement pour éliminer entièrement l'erreur de prix. L'idée clé de DSSW : c'est l'aversion au risque des arbitragistes ($\gamma > 0$) qui permet aux déviations causées par les noise traders de persister.
La crise de 2008 est l'événement auquel la finance comportementale s'applique le plus souvent. Le livre Histoire économique la raconte : Histoire économique, Ch. 19, La crise de 2008 et ses suites.
Les limites de l'arbitrage arrivent tard dans un argument bien plus long. La machinerie des marchés efficients qu'elles viennent heurter a été assemblée en une vingtaine d'années : la sélection de portefeuille de Markowitz en 1952, puis le MEDAF, puis l'hypothèse d'efficience de Fama, puis Black-Scholes valorisant une option sans que personne ait à prévoir le cours de l'action. La finance : de Fisher à Black-Scholes, jusqu'au comportemental déroule le fil conducteur depuis la théorie de l'intérêt d'Irving Fisher jusqu'au test qui a fissuré les fondations pendant que la machine continuait de tourner.
Savoir si tout cela a délogé le repère du choix rationnel ou a été absorbé par lui reste discuté. Deux prix Nobel, la théorie des perspectives dans tous les manuels et des unités de nudge dans environ deux cents gouvernements disent que l'économie comportementale a gagné ; la crise de la réplication a repris une partie de ces acquis. L'économie comportementale a-t-elle transformé la science économique en profondeur ? trie les résultats qui tiennent encore de ceux qui ne tiennent plus.
Maya a offert un cookie gratuit avec chaque achat de limonade comme promotion estivale. Les ventes ont augmenté modestement, de 8 %. Lorsque Maya retire le cookie gratuit (revenant au prix d'origine), la réaction des clients est disproportionnée : plaintes, avis négatifs, perte de clients fidèles. Les ventes chutent de 15 %, en dessous du niveau d'avant la promotion.
Analyse par la théorie des perspectives. Pendant la promotion, le point de référence des clients est passé de « limonade » à « limonade + cookie ». Le gain de l'ajout du cookie était $v(+\text{cookie}) = (\text{valeur\_cookie})^{0,88}$. Mais la perte de son retrait est $v(-\text{cookie}) = -2{,}25 \times (\text{valeur\_cookie})^{0,88}$. La perte perçue est 2,25 fois le gain initial. La promotion était un cliquet unidirectionnel : facile à donner, douloureux à retirer.
Maya conçoit une expérience de nudge. Pour son programme de fidélité, Maya teste deux dispositifs d'inscription comme expérience de terrain : Traitement A (adhésion) : les clients peuvent s'inscrire au comptoir. Traitement B (désinscription) : chaque client reçoit automatiquement une carte, qu'il peut refuser. En utilisant l'Eq. 19.9 avec $v = 3$, $\sigma = 2$, $k = 2$ : adhésion $P = \Phi(0{,}5) = 0{,}69$ ; désinscription $P = \Phi(1{,}5) = 0{,}93$. L'expérience de terrain de Maya confirme la prédiction. Elle passe à la désinscription pour le déploiement complet.
Kahneman et Tversky (1979). « Prospect Theory : An Analysis of Decision under Risk » est l'un des articles les plus cités en économie. Publié dans Econometrica, il a formalisé les résultats expérimentaux en un cadre mathématique cohérent. Kahneman a reçu le prix Nobel en 2002, Tversky étant mort en 1996.
Maurice Allais (1953). L'économiste français a présenté son paradoxe directement à Leonard Savage. La légende veut que Savage lui-même soit tombé dans le piège d'Allais. Allais a reçu le prix Nobel en 1988.
Richard Thaler (Nobel 2017). La chronique « Anomalies » de Thaler a systématiquement catalogué les écarts comportementaux. Son livre de 2008 Nudge (avec Sunstein) a fait entrer les apports des sciences comportementales dans la politique publique, conduisant à la création d'« unités nudge » dans le monde entier.
David Laibson (1997). « Golden Eggs and Hyperbolic Discounting » a formalisé le modèle bêta-delta et expliqué pourquoi les gens détiennent simultanément une dette de carte de crédit à 18 % d'intérêt et une épargne illiquide à 5 %.
Shleifer et Vishny (1997). « The Limits of Arbitrage » a montré pourquoi les traders rationnels ne peuvent pas éliminer les erreurs de prix lorsqu'ils gèrent l'argent d'autrui et font face à des contraintes de capital.
| Libellé | Équation | Description |
|---|---|---|
| Éq. 19.1 | $EU(L) = \sum p_i u(x_i)$ | Utilité espérée |
| Éq. 19.2 | $v(x) = x^\alpha$ (gains), $-\lambda(-x)^\beta$ (pertes) | Fonction de valeur de la théorie des perspectives |
| Éq. 19.3 | $w(p) = p^\delta / (p^\delta + (1-p)^\delta)^{1/\delta}$ | Pondération des probabilités de Tversky-Kahneman |
| Éq. 19.4 | $V(L) = \sum w(p_i) v(x_i - r)$ | Évaluation par la théorie des perspectives |
| Éq. 19.5 | $U_0 = u(c_0) + \beta \sum \delta^t u(c_t)$ | Actualisation quasi-hyperbolique |
| Éq. 19.6 | $\beta\delta u'(c_1) = u'(c_0) \neq \delta u'(c_1)$ | Incohérence temporelle |
| Éq. 19.7 | $U_i = x_i - \alpha_i \max(x_j-x_i,0) - \beta_i \max(x_i-x_j,0)$ | Aversion aux inégalités de Fehr-Schmidt |
| Éq. 19.8 | $\max u(c) - \theta\|m\|_1$ s.t. $p \cdot c \leq w$ | Maximisation parcimonieuse de Gabaix |
| Éq. 19.9 | $P_{\text{inscription}} = \Phi((v - k(1-d))/\sigma)$ | Inscription sensible à l'option par défaut |
| Éq. 19.10 | $p_t = f_t + \gamma \rho_t \mu_t / (1+r)$ | Tarification par les noise traders (DSSW) |
Littérature citée : Kahneman & Tversky (1979) ; Tversky & Kahneman (1992) ; Thaler (1980, 2015) ; Laibson (1997) ; Fehr & Schmidt (1999) ; Gabaix (2014) ; Shleifer & Vishny (1997) ; DeLong, Shleifer, Summers & Waldmann (1990).