D´ ecision dans le risque
Une courte introduction
Denis Bouyssou
CNRS Paris, France
LAMSADE — septembre 2007
Plan
1
Introduction
2
Crit` eres classiques
3
Th´ eorie de l’utilit´ e esp´ er´ ee
4
Goˆ ut et aversion pour le risque
Introduction Crit`eres classiques Th´eorie de l’utilit´e esp´er´ee Goˆut et aversion pour le risque
Mod´elisation Loteries
D´ ecision
D´ ecision « dans le certain »
A : ensemble d’actions (d´ ecisions possibles) X : ensemble de cons´ equences
c(a) ∈ X : cons´ equence de la mise ` a ex´ ecution de a ∈ A Probl` eme
aider ` a comparer les actions de A sur la base de leurs cons´ equences
Probl` emes classiques
|A| « grand »: probl` emes combinatoires, programmation math´ ematique
x ∈ X tel que x = (x
1, x
2, . . . , x
m) : probl` emes multicrit` eres
D´ ecision dans le risque/dans l’incertain
Probl` eme
« La d´ ecision ne dispose que pour l’avenir » c(a) n’est pas connu avec certitude
D´ ecision dans le risque
c(a) est une distribution de probabilit´ e sur X D´ ecision dans l’incertain
c(a) est connu par r´ ef´ erence ` a un certain nombre de « sc´ enarios »
Introduction Crit`eres classiques Th´eorie de l’utilit´e esp´er´ee Goˆut et aversion pour le risque
Mod´elisation Loteries
D´ ecision dans le risque : Mod´ elisation
Mod´ elisation
X : ensemble de cons´ equences X fini = {x
1, x
2, . . . , x
n}
X ⊆ R (p. ex. des sommes mon´ etaires) Loterie simple sur X
v.a. (discr` ete) sur X
` = (x
1, p
1; x
2, p
2; . . . ; x
n, p
n)
p
`(x
i) : probabilit´ e d’obtenir la cons´ equence x
iavec la loterie `
Loterie simple ` sur X
`
x
1x
2x
np
`(x
1)
p
`(x
2) p
`(x
n)
. . .
Introduction Crit`eres classiques Th´eorie de l’utilit´e esp´er´ee Goˆut et aversion pour le risque
Mod´elisation Loteries
Loteries
Ensemble des loteries loteries simples sur X
loteries compos´ ees du premier ordre sur X : loteries sur les loteries simples
loteries compos´ ees du deuxi` eme ordre sur X : loteries sur les loteries compos´ es du premier ordre
etc.
L(X ) : ensemble de toutes les loteries simples et compos´ ees (` a ordre fini)
L(X ) est toujours infini
Loteries
Remarque
L(X ) comprend toutes les loteries correspondant ` a la mise ` a ex´ ecution des actions de A ainsi que d’autres loteries
« hypoth´ etiques » Probl` eme
aider ` a comparer les loteries de L(X ) Notations
` ∈ L(X ) : loteries (simples ou compos´ ees) x ∈ X : cons´ equences
p
`(x) : probabilit´ e d’obtenir la cons´ equence x avec la loterie `
Introduction Crit`eres classiques Th´eorie de l’utilit´e esp´er´ee Goˆut et aversion pour le risque
Crit`ere esp´erance de gain Crit`ere esp´erance-variance Pseudo-solution
Crit` ere Classique
Esp´ erance Math´ ematique de Gain (EMG)
` `
0⇔ X
x∈X
xp
`(x) > X
x∈X
xp
`0(x )
` ∼ `
0⇔ X
x∈X
xp
`(x) = X
x∈X
xp
`0(x )
: pr´ ef´ erence stricte
∼ : indiff´ erence
Crit` ere EMG
Avantages simple
bonne utilisation de l’information
« d´ el´ egable » Inconv´ enients
restreint aux cons´ equences num´ eriques pas de justification claire
en contradiction avec le comportement observ´ e de personnes
« rationnelles » (diversification, assurance)
Introduction Crit`eres classiques Th´eorie de l’utilit´e esp´er´ee Goˆut et aversion pour le risque
Crit`ere esp´erance de gain Crit`ere esp´erance-variance Pseudo-solution
Exemple
100
−50 1/2
1/2
pr´ ef´ er´ e ` a 1 0
E (`) = 25 E (`
0) = 0 100 000
−50 000 1/2
1/2
non pr´ ef´ er´ e ` a 1 0
E (`) = 25 000 E (`
0) = 0
Probl` emes
r´ ep´ etition de l’exp´ erience ? loi des grands nombres
le gain moyen va converger vers l’EMG
risque de ruine ?
Introduction Crit`eres classiques Th´eorie de l’utilit´e esp´er´ee Goˆut et aversion pour le risque
Crit`ere esp´erance de gain Crit`ere esp´erance-variance Pseudo-solution
Paradoxe de Saint Petersbourg (D. Bernoulli)
Jeu
un « banquier » joue avec un « joueur ». Le joueur paye un droit d’entr´ ee au banquier
le banquier jette ensuite une pi` ece autant de fois qu’il faut pour que « face » apparaisse
le jeu s’arrˆ ete ensuite
si « face » est apparue au n
ecoup, le banquier verse 2
ne au joueur
combien un joueur rationnel devrait ˆ etre prˆ et ` a payer pour participer ` a ce jeu ?
EMG = 2 × 1
2 + 2
2× 1
2
2+ · · ·
(une chance sur deux de ne gagner que 2 e !)
Remarque
si enjeux « petits » (peu ou pas de risque de ruine) et si les d´ ecisions sont « r´ ep´ etitives »
alors le crit` ere EMG peut constituer une approximation satisfaisante
Introduction Crit`eres classiques Th´eorie de l’utilit´e esp´er´ee Goˆut et aversion pour le risque
Crit`ere esp´erance de gain Crit`ere esp´erance-variance Pseudo-solution
Autre Crit` ere Classique
Esp´ erance Math´ ematique de Gain (EMG) + Variance
ajouter une mesure de « risque » (dispersion) ` a la mesure de tendance centrale
Probl` emes
plus compliqu´ e
comment traiter les deux crit` eres ? (sous-ensemble efficace ou crit` ere de synth` ese ?)
la variance est-elle une bonne mesure du risque ? (´ ecart
inter-quartile, semi-variance, etc.)
Exemple
2 000
−8 000 0, 9
0, 1
0
10 000 0, 9
0, 1 E (`) = 0, 9 × 2 000 + 0, 1 × −8 000 = 1 000
= 0, 9 × 0 + 0, 1 × 10 000
Var(`) = 0, 9 × (2 000 − 1 000)
2+ 0, 1 × (−8 000 − 1 000)
2= 0, 9 × 1 000
2+ 0, 1 × 9 000
2= 0, 9 × (0 − 1 000)
2+ 0, 1 × (10 000 − 1 000)
2Ces deux loteries sont n´ ecessairement indiff´ erentes
Introduction Crit`eres classiques Th´eorie de l’utilit´e esp´er´ee Goˆut et aversion pour le risque
Crit`ere esp´erance de gain Crit`ere esp´erance-variance Pseudo-solution
Limites des crit` eres classiques
Probl` eme central
ces crit` eres ne prennent pas en compte la psychologie d’un individu vis-` a-vis du risque
quel est le patrimoine de l’individu ? quels sont ses revenus ?
quel est son attitude vis-` a-vis du risque ?
etc.
Pseudo-Solution
interroger directement un individu sur ses pr´ ef´ erences Probl` emes
coh´ erence ? non d´ el´ egable !
effort cognitif important !
Introduction Crit`eres classiques Th´eorie de l’utilit´e esp´er´ee Goˆut et aversion pour le risque
Crit`ere esp´erance de gain Crit`ere esp´erance-variance Pseudo-solution
Exemple : choix entre 2 000
0 1/2
1/2
et 1 500
Exemple : choix entre
N (878, 32; 72, 45) et
Bi (1200; 0, 75)
Th´ eorie de l’utilit´ e esp´ er´ ee
J. von Neumann et O. Morgenstern (1945)
Id´ ee
interroger un individu sur des choix simples
mod´ eliser son comportement dans un mod` ele math´ ematique utiliser le mod` ele pour des cas plus compliqu´ es
Questions
quel mod` ele ?
est-ce justifi´ e ?
comment interroger ?
Introduction Crit`eres classiques Th´eorie de l’utilit´e esp´er´ee Goˆut et aversion pour le risque
Introduction Axiomes R´esultats Utilisation pratique Difficult´es
Mod` ele math´ ematique
Id´ ee
remplacer l’EMG par une « esp´ erance d’utilit´ e »
l’utilit´ e prend en compte la psychologie d’un individu vis-` a-vis du risque
` `
0⇔ X
x∈X
u(x)p
`(x ) > X
x∈X
u(x )p
`0(x )
` ∼ `
0⇔ X
x∈X
u(x)p
`(x ) = X
x∈X
u(x )p
`0(x )
Fonction d’utilit´ e u : X → R
u (x ) est l’« utilit´ e » de la cons´ equence x ∈ X la fonction u est propre ` a un individu Avantages
simple d´ el´ egable
prend en compte les caract´ eristiques individuelles
pas restreint aux cons´ equences mon´ etaires
justification claire (axiomes)
Introduction Crit`eres classiques Th´eorie de l’utilit´e esp´er´ee Goˆut et aversion pour le risque
Introduction Axiomes R´esultats Utilisation pratique Difficult´es
Analyse Th´ eorique
Comment justifier un tel mod` ele ? analyse axiomatique
Interpr´ etation des axiomes ? descriptive
normative
prescriptive
Axiome (A1 Rangement)
Pour tout `, `
0∈ L(X ) l’une au moins des deux propositions suivantes est vraie :
` est pr´ ef´ er´ ee ou indiff´ erente ` a ` (` % `
0)
`
0est pr´ ef´ er´ ee ou indiff´ erente ` a ` (`
0% `) De plus, % est transitive :
` % `
0et `
0% `
00⇒ ` % `
00∀`, `
0, `
00∈ L(X )
Introduction Crit`eres classiques Th´eorie de l’utilit´e esp´er´ee Goˆut et aversion pour le risque
Introduction Axiomes R´esultats Utilisation pratique Difficult´es
Remarque
` `
0⇔ [` % `
0et Non[`
0% `]]
pr´ ef´ erence stricte
` ∼ `
0⇔ [` % `
0et `
0% `]
indiff´ erence
A1 implique que ∼ et sont transitives
Analyse descriptive
Difficult´ es
pr´ ef´ erence incompl` etes indiff´ erence non transitive pr´ ef´ erence stricte non transitive Pr´ ef´ erences compl` etes ?
la raison d’ˆ etre de la th´ eorie est d’aider ` a structurer des
pr´ ef´ erences !
Introduction Crit`eres classiques Th´eorie de l’utilit´e esp´er´ee Goˆut et aversion pour le risque
Introduction Axiomes R´esultats Utilisation pratique Difficult´es
Luce (1956)
Comparaison de tasses de caf´ e
0 1 2
. . .
1000 0 ∼ 1, 1 ∼ 2, . . . , 999 ∼ 1 000 ⇒ 0 ∼ 1 000
pouvoir discriminant imparfait ⇒ indiff´ erence non transitive
Dominance avec seuils
Exemple
x y ⇔
x au moins aussi bon que y sur tous les crit` eres x meilleure que y sur au moins un crit` ere
g
1g
2g
3a 10 10 10
b 11 11 8
c 12 9 9
seuil de discrimination = 1, 1 (en dessous de ce seuil, on ne fait pas de distinction)
a b , b c , c a
aller plus vite
Introduction Crit`eres classiques Th´eorie de l’utilit´e esp´er´ee Goˆut et aversion pour le risque
Introduction Axiomes R´esultats Utilisation pratique Difficult´es
Paradoxe de Condorcet
Donn´ ees
Votant 1 : a b c Votant 2 : c a b Votant 3 : b c a
majorit´ e : a b; b c, c a
Effets de seuils
Exemple
1 Voiture 15 000 e
2 Voiture + AR 15 500 e
3 Voiture + AR + TO 16 000 e 4 Voiture + AR + TO + JL 16 500 e .. .
n Voiture + . . . 18 000 e
Pr´ ef´ erence d’un consommateur « na¨ıf »
2 1, 3 2, 4 3, n (n − 1) mais 1 n
Introduction Crit`eres classiques Th´eorie de l’utilit´e esp´er´ee Goˆut et aversion pour le risque
Introduction Axiomes R´esultats Utilisation pratique Difficult´es
Analyse
Approche prescriptive efficacit´ e
il est simple d’aider ` a faire un choix sur la base de pr´ ef´ erences compl` etes et transitives
Approche normative
« pompe ` a argent »
´
echanges ` a partir de c
a c
b
−
−
−
a c
b
∼
∼
−
0
0
Axiomes
Axiome (A2 R´ eduction)
`
j: loteries compos´ ees du premier ordre
`
1`
2`
kr
1r
2r
k. . .
x
1x
2x
nq
1q
2q
n. . .
avec q
i= P
kj=1
r
jp
`j(x
i)
⇒ Indiff´ erence Interpr´ etation
« on ne s’amuse pas au jeu »
Introduction Crit`eres classiques Th´eorie de l’utilit´e esp´er´ee Goˆut et aversion pour le risque
Introduction Axiomes R´esultats Utilisation pratique Difficult´es
Axiomes
Axiome (A3 Monotonie) Si (x, 1) (y , 1) alors
x
y p
1 − p
x
y q
1 − q si et seulement si p > q (∀x , y ∈ X )
Interpr´ etation
« on est ˆ apre au gain »
« on ne ruse pas avec les probabilit´ es » (superstition)
Axiomes
Axiome (A4 Ind´ ependance (Substituabilit´ e))
L
1`
1`
2`
k. . . r
1r
2r
kL
2`
01`
2`
kr
1r
2r
k. . .
Si `
1∼ `
01alors L
1∼ L
2Interpr´ etation
« l’indiff´ erence est de l’indiff´ erence »
Introduction Crit`eres classiques Th´eorie de l’utilit´e esp´er´ee Goˆut et aversion pour le risque
Introduction Axiomes R´esultats Utilisation pratique Difficult´es
Axiomes
Axiome (A5 Continuit´ e)
Si (x, 1) (y , 1) (z , 1) alors il existe une probabilit´ e p ∈ ]0; 1[ telle que :
1 y
∼
x z p 1 − p Remarque
l’axiome de monotonie implique que cette probabilit´ e est unique Interpr´ etation
« on n’est pas na¨ıf avec les probabilit´ es » (pas de discontinuit´ e :
certain / risque)
Axiomes
Exemple
x : gagner 2 bonbons y : gagner 1 bonbon
z : ˆ etre pendu demain ` a l’aube
(x , 1) (y , 1) (z , 1) Probl` eme
existe-t-il une probabilit´ e p ∈ ]0; 1[ telle que :
y ∼ (x, p; z , (1 − p))
p = 1 − 10
−100?
Introduction Crit`eres classiques Th´eorie de l’utilit´e esp´er´ee Goˆut et aversion pour le risque
Introduction Axiomes R´esultats Utilisation pratique Difficult´es
Cons´ equences des axiomes
Th´ eor` eme (Repr´ esentation)
Soit une relation de pr´ ef´ erence % sur L(X ).
Cette relation v´ erifie les axiomes A1-A5 si et seulement si
il existe une fonction u : X → R telle que :
` % `
0⇔ X
x∈X
u(x )p
`(x) ≥ X
x∈X
u(x )p
`0(x ) (vNM)
Remarque
n´ ecessit´ e ´ evidente
u est li´ ee ` a % et donc ` a l’individu
sauter la preuve
D´ emonstration
5 ´ etapes
constructive !
Cas fini : X = {x
1, x
2, . . . , x
n} Consid´ erons une loterie ` ∈ L(X ) 1)
En utilisant un nombre fini de fois A1 (rangement), A2 (r´ eduction) et A4 (substitution), on peut toujours trouver une loterie simple telle que : ` ∼ (x
1, p
`(x
1); x
2, p
`(x
2); . . . ; x
n, p
`(x
1))
On suppose, s.p.d.g., que :
(x
n, 1) (x
n−1, 1) · · · (x
1, 1)
Introduction Crit`eres classiques Th´eorie de l’utilit´e esp´er´ee Goˆut et aversion pour le risque
Introduction Axiomes R´esultats Utilisation pratique Difficult´es
2)
A5 (continuit´ e) : puisque
(x
n, 1) (x
n−1, 1) · · · (x
1, 1) il existe u
i∈ ]0; 1[ telle que
(x
i, 1) ∼ [x
n, u
i; x
1; (1 − u
i)]
On pose :
u
n= 1, u
1= 0
3)
En utilisant un nombre fini de fois A4 (substitution), A1 (rangement) et A2 (r´ eduction), on sait que :
` ∼ (x
1, p
`(x
1); x
2, p
`(x
2); . . . ; x
n−1, p
`(x
n−1); x
n, p
`(x
n))
` ∼ [x
1, (1 − K
`); x
2, 0; . . . ; x
n−1, 0; x
n, K
`] avec
K
`=
n
X
i=1
p
`(x
i)u
iIntroduction Crit`eres classiques Th´eorie de l’utilit´e esp´er´ee Goˆut et aversion pour le risque
Introduction Axiomes R´esultats Utilisation pratique Difficult´es
4)
Utilisons les ´ etapes 1) ` a 3) pour transformer une loterie
`
0∼ (x
1, p
`0(x
1); x
2, p
`0(x
2); . . . ; x
n−1, p
`0(x
n−1); x
n, p
`0(x
n)) On a :
`
0∼ [x
1, (1 − K
`0); x
2, 0; . . . ; x
n−1, 0; x
n, K
`0] avec
K
`0=
n
X
i=1
p
`0(x
i)u
i5)
En utilisant A1 (Rangement) et A3 (Monotonie) on sait que :
` `
0⇔
(x
1, p
`(x
1); x
2, p
`(x
2); . . . ; x
n, p
`(x
n)) (x
1, p
`0(x
1); x
2, p
`0(x
2); . . . ; x
n, p
`0(x
n)) ⇔
[x
1, (1 − K
`); x
2, 0; . . . ; x
n, K
`] [x
1, (1 − K
`0); x
2, 0; . . . ; x
n, K
`0]
⇔ K
`> K
`0⇔
n
X
i=1
p
`(x
i)u
i>
n
X
i=1
p
`0(x
i)u
iet l’on d´ efinit u en posant :
u(x
i) = u
iIntroduction Crit`eres classiques Th´eorie de l’utilit´e esp´er´ee Goˆut et aversion pour le risque
Introduction Axiomes R´esultats Utilisation pratique Difficult´es
Cons´ equences des axiomes
Th´ eor` eme (Unicit´ e)
S’il existe deux fonctions u et v v´ erifiant (vNM) alors il existe α, β ∈ R avec α > 0 tels que :
v (x) = αu(x) + β
∀x ∈ X Interpr´ etation
« les pr´ ef´ erences se mesurent comme la temp´ erature » D´ emonstration
´ evidente car si u et v ne sont pas li´ ees par une transformation affine,
on peut toujours trouver une paire de loteries dont les esp´ erances
d’utilit´ e se compareront de fa¸ con diff´ erente avec u et v
Encodage d’une fonction d’utilit´ e
Hypoth` eses
X = R (sommes d’argent) on pose u(0) = 0 et u(10 000) = 1 Encodage
1 x
∼
10 000
0
1/2
1/2
1 × u(x ) = u(x) = 1/2 × u(10 000) + 1/2 × u(0) = 1/2
Introduction Crit`eres classiques Th´eorie de l’utilit´e esp´er´ee Goˆut et aversion pour le risque
Introduction Axiomes R´esultats Utilisation pratique Difficult´es
Encodage d’une fonction d’utilit´ e
Encodage
1 y
∼
x
0 1/2
1/2
u(y ) = 1/2 × u (x ) + 1/2 × u(0) = 1/4
Encodage d’une fonction d’utilit´ e
Encodage
1 z
∼
10 000
x
1/2
1/2
u(z ) = 1/2 × u(10000) + 1/2 × u(x ) = 3/4
Introduction Crit`eres classiques Th´eorie de l’utilit´e esp´er´ee Goˆut et aversion pour le risque
Introduction Axiomes R´esultats Utilisation pratique Difficult´es
Encodage d’une fonction d’utilit´ e
Contrˆ ole
on doit avoir:
1 x
∼
y
z 1/2
1/2
sinon : revenir en arri` ere
Encodage d’une fonction d’utilit´ e
Cas g´ en´ eral
1 x
∼
z
w p
1 − p u(x ) = pu(z) + (1 − p)u (w )
4 inconnues
en fixer 3 et trouver l’indiff´ erence sur la 4
ealler plus vite
Introduction Crit`eres classiques Th´eorie de l’utilit´e esp´er´ee Goˆut et aversion pour le risque
Introduction Axiomes R´esultats Utilisation pratique Difficult´es
Encodage d’une fonction d’utilit´ e
Interpolation basse
1 0
∼
10 000
a
1/2
1/2
1 × u(0) = 1/2 × u(10 000) + 1/2 × u(a) ⇒ u (a) = −1
Encodage d’une fonction d’utilit´ e
Interpolation haute
10 000
1 ∼
b
0 1/2
1/2
1 × u(10 000) = 1/2 × u (b) + 1/2 × u(0) ⇒ u (b) = 2
Introduction Crit`eres classiques Th´eorie de l’utilit´e esp´er´ee Goˆut et aversion pour le risque
Introduction Axiomes R´esultats Utilisation pratique Difficult´es
Encodage d’une fonction d’utilit´ e
Remarques
utilisation de probabilit´ es « simples »: 1/2, 1/3, 1/4 interrogation par encadrements successifs
v´ erifications indispensables
Difficult´ es
Exp´ eriences
effet du contexte effet de r´ ef´ erence paradoxe d’Allais G´ en´ eralisations possibles
Mod` eles Non EU (EURDP, Local EU, Regret, etc.)
non abord´ es ici
Introduction Crit`eres classiques Th´eorie de l’utilit´e esp´er´ee Goˆut et aversion pour le risque
Introduction Axiomes R´esultats Utilisation pratique Difficult´es
Effet du contexte
Exp´ erience
L
1: vous courrez le risque de perdre 1 000 $ avec p = 1/100 L
2: vous pouvez vous assurez pour 10 $ contre ce risque
L
3: vous perdez 10 $ avec certitude mais vous ne supportez plus de risque
R´ esultats
80% : L
2L
156% : L
3L
1Interpr´ etation
importance du contexte des questions
g´ en´ eralement clair dans un contexte d´ ecisionnel
Effet du r´ ef´ erence
Fonction d’utilit´ e sur le patrimoine ou sur les revenus ?
Patrimoine
Revenus
sauter l’exemple
Introduction Crit`eres classiques Th´eorie de l’utilit´e esp´er´ee Goˆut et aversion pour le risque
Introduction Axiomes R´esultats Utilisation pratique Difficult´es
Exemple : choix ´ epid´ emiologique
Pr´ esentation 1 : diminution du nombre de morts Niveau actuel de mortalit´ e = 500 morts / an
Choix A : diminuer ce nombre de 500 (1/2) ou de 0 (1/2)
Choix B : diminuer ce nombre de 400 (1/2) ou de 100 (1/2)
majorit´ e des m´ edecins : B A
Pr´ esentation 2 : nombre de morts
A
500
0 1/2
1/2
B
400
100 1/2
1/2
majorit´ e des m´ edecins A B
Introduction Crit`eres classiques Th´eorie de l’utilit´e esp´er´ee Goˆut et aversion pour le risque
Introduction Axiomes R´esultats Utilisation pratique Difficult´es
Paradoxe d’Allais (10 6 e )
Exp´ erience
A
1 1B
1 5 0 0,1 0,89
0,01
C
1
0 0,11
0,89
D
5
0 0,1
0,9
R´ esultats
A B et D C Interpr´ etation
A B ⇒
u(1) > 0, 89u(1) + 0, 1u (5) + 0, 01u (0)
⇒ u (1) > 10/11 D C ⇒
0, 1u (5) + 0, 9u (0) >
0, 11u (1) + 0, 89u (0)
⇒ u (1) < 10/11
Paradoxe d’Allais
Reformulation
A
1
1 0,11
0,89
B
1 0,11
0,89
5 0 10/11
1/11
C
1
0 0,11
0,89
D
0 0,11
0,89
5 0 10/11
1/11
sauter les exemples
Introduction Crit`eres classiques Th´eorie de l’utilit´e esp´er´ee Goˆut et aversion pour le risque
Introduction Axiomes R´esultats Utilisation pratique Difficult´es
Paradoxe d’Allais
Reformulation
urne contenant 89 boules R et 11 boules N
R N
X Q 1
Y Q 5 avec 10/11 0 avec 1/11 Le choix entre X et Y doit-il d´ ependre de Q ?
Q = 0 : X = C et Y = D
Q = 1 : X = A et Y = B
Effet de certitude (Kahneman et Tversky)
Exp´ erience
A 1 3 000
B
4 000
0 0, 8 0, 2
C
3 000
0 0, 25 0, 75
D
4 000
0
0, 2
0, 8
95% des sujets disent : A B et D C
Introduction Crit`eres classiques Th´eorie de l’utilit´e esp´er´ee Goˆut et aversion pour le risque
Introduction Axiomes R´esultats Utilisation pratique Difficult´es
Mais . . .
C
A
0 0, 25
0, 75
D
B
0 0, 25
0, 75
Violation de l’ind´ ependance
Analyse normative
(x ; 1) (y; 1) et (y , p; z , (1 − p)) (x, p; z , (1 − p)) (x ; 1) (y; 1) ⇒ (x − ε; 1) (y; 1)
(y , p; z , (1 − p)) (x, p; z , (1 − p)) ⇒ (y , p; z − ε, (1 − p)) (x , p; z , (1 − p)) Echanges ` ´ a partir de (x , p; z , (1 − p))
(x , p; z , (1 − p)) ´ echang´ e pour (y , p; z − ε, (1 − p)) si E n’arrive pas gain = (z − ε)
si E arrive gain = y et y ´ echang´ e contre (x − ε)
on avait (x , p; z , (1 − p)) on a x − ε, p; z − ε, (1 − p) !
Introduction Crit`eres classiques Th´eorie de l’utilit´e esp´er´ee Goˆut et aversion pour le risque
Introduction Axiomes R´esultats Utilisation pratique Difficult´es
Violation « rationnelle » de l’ind´ ependance
A l’´ ` ecole de sa maman
une m` ere a deux enfants A et B
elle a un seul cadeau ` a donner ` a A ou ` a B Pr´ ef´ erences de maman
(A, 1) ∼ (B, 1)
(B, 1/2; A, 1/2) (A, 1/2; A, 1/2)
⇒ violation « rationnelle » de l’ind´ ependance
Goˆ ut et Aversion pour le risque
Contexte
posons X = R
consid´ erons un d´ ecideur « v´ erifiant » A1-A5
il est peu restrictif de supposer que u est strictement croissante ! P : patrimoine du d´ ecideur
Equivalent certain d’un loterie ´ ` : ˆ x(`)
somme d’argent certaine que le d´ ecideur trouve ´ equivalente au fait de poss´ eder la loterie ` (prix minimal de vente de la loterie `)
E (u(P + ˆ x(`))) = u(P + ˆ x (`)) = E (u(P + `))
⇒ ˆ
x (`) = u
−1[E (u (P + `))] − P
Introduction Crit`eres classiques Th´eorie de l’utilit´e esp´er´ee Goˆut et aversion pour le risque
D´efinition R´esultats Applications
Prime de risque π(`) associ´ ee ` a une loterie `
Prime de risque
π(`) = E (`) − x ˆ (`) Goˆ ut et aversion
On dira qu’un d´ ecideur
pr´ esente de l’aversion pour le risque si ˆ x (`) < E (`)
pr´ esente du goˆ ut pour le risque si ˆ x(`) > E (`)
est neutre vis ` a vis du risque si ˆ x(`) = E (`) (EMG)
pour toute loterie ` ∈ L(X )
Goˆ ut et aversion pour le risque
Th´ eor` eme (Aversion pour le risque : Arrow-Pratt)
Un d´ ecideur pr´ esente de l’aversion pour le risque si et seulement si sa fonction d’utilit´ e est concave
D´ emonstration
Aversion pour le risque (ˆ x (`) < E (`))
E[u(P + E (`))] = u(P + E (`)) > E(u(P + `)) = u(P + ˆ x (`)) u(P + [αx + (1 − α)y ]) = u(α(x + P ) + (1 − α)(y + P )) >
E(u(P + `)) = αu(x + P ) + (1 − α)u(y + P ) z = x + P , w = y + P
u(αz + (1 − α)w ) > αu(z ) + (1 − α)u(w )
Introduction Crit`eres classiques Th´eorie de l’utilit´e esp´er´ee Goˆut et aversion pour le risque
D´efinition R´esultats Applications
x u(x)
z 1/2z+ 1/2w w
u(z) u(w)
1/2u(z) + 1/2u(w) u(1/2z+ 1/2w)
ˆ x(`)
Prime de risque
Exemple
assurance tous risques et loto (lotto ?) forme de u ?
sauter la mesure d’aversion
Introduction Crit`eres classiques Th´eorie de l’utilit´e esp´er´ee Goˆut et aversion pour le risque
D´efinition R´esultats Applications
Mesure d’aversion pour le risque
D´ efinition
P = patrimoine du d´ ecideur ˆ
x (`) = ´ equivalent certain de ` (on suppose E (`) = 0, s.p.d.g.) u (P + ˆ x (`)) = E [u(P + `)]
u (P + ˆ x (`)) = u(P − π(`)) (car E (`) = 0 et π(`) = E (`) − x ˆ (`))
⇒ u(P − π(`)) = E [u(P + `)]
u(P − π(`)) = E [u(P + `)]
d´ eveloppements limit´ es
u (P )− π(`)u
0(P) + o(π
2) = E [u(P) + `u
0(P ) + 1/2`
2u
00(P ) +o(`
3)]
−π(`)u
0(P ) ≈ E (`)u
0(P ) + 1/2E(`
2)u
00(P) = 1/2Var (`)u
00(P ) R´ esultat
π(`) ≈ 1/2Var (`) −u
00(P) u
0(P ) Mesure locale de l’aversion absolue pour le risque
r (P) = −u
00(P )
u
0(P)
Introduction Crit`eres classiques Th´eorie de l’utilit´e esp´er´ee Goˆut et aversion pour le risque
D´efinition R´esultats Applications
Cas Particulier Important (CARA)
Th´ eor` eme (Arrow-Pratt)
Si le d´ ecideur respecte l’axiome (A6) ∀x , y, z , δ ∈ R et ∀p ∈ [0; 1]:
1
x
y
z p
1−p
∼ ⇒ 1 x+δ
y+δ
z+δ p
1−p
∼
Alors sa fonction d’utilit´ e est n´ ecessairement du type : soit u(x ) = −e
−τxsi τ > 0 (aversion pour le risque) soit u(x ) = x (neutralit´ e vis-` a-vis du risque)
soit u(x ) = e
−τxsi τ > 0 (goˆ ut pour le risque)
aller aux applications
Fonctions d’utilit´ e CARA
Int´ erˆ et
simplification de l’encodage si A6 est admis
prix d’achat maximum de toute loterie est identique ` a son prix de vente minimal
pour une loterie se pr´ esentant sous la forme d’une loi normale on a exactement : ˆ x(`) = µ − 1/2τ σ
2politique de gestion des risques dans une entreprise
Introduction Crit`eres classiques Th´eorie de l’utilit´e esp´er´ee Goˆut et aversion pour le risque
D´efinition R´esultats Applications
Application ` a la Finance
Choix de portefeuille
actif sans risque (rendement nul) actif risqu´ e (rendement al´ eatoire) Diversification mono-p´ eriodique
P : richesse initiale
a : montant investi dans l’actif risqu´ e
x e : rendement de l’actif risqu´ e,
Y e : richesse finale
Analyse
Y e : richesse al´ eatoire en fin de p´ eriode Y e = (P − a) + (1 + x e )a = P + a x e Probl` eme
max
a∈[0;P]
W (a) = E [u( Y e )] = E [u(P + a e x)]
W
0(a) = E[ e x u
0(P + a e x )]
W
00(a) = E [ e x
2u
00(P + a e x )]
Aversion au risque : u
0> 0 et u
00< 0
W
00(a) est n´ egative (W
0d´ ecroissante)
Introduction Crit`eres classiques Th´eorie de l’utilit´e esp´er´ee Goˆut et aversion pour le risque
D´efinition R´esultats Applications
a W
a W
a W
optimum en a = 0 ⇔ W
0(0) < 0 W
0(a) = E[ e x u
0(P + a e x )]
W
0(0) = E ( e x )u
0(P) < 0 ⇔ E ( e x ) < 0 R´ esultat (de base en Finance)
Un investisseur vN-M averse au risque diversifie dans l’actif risqu´ e d` es lors que le rendement esp´ er´ e de l’actif risqu´ e est sup´ erieur au
rendement de l’actif sans risque
Risk-sharing
3
−1 1/2
1/2
u (·) I
1I
23 1 1
1, 5 0, 7 0, 6
0 0 0
−0, 5 −0, 35 −0, 4
−1 −1, 5 −1, 2 E (u
1) < 0, E (u
2) < 0
il existe un partage du risque (ici 50% / 50%) mutuellement profitable
vrai dans le cas g´ en´ eral
Fin