Vous êtes sur la page 1sur 3

Maintenant, la question est celle

du problème de valeurs aberrantes. Alors, qu'entendons-nous


par « valeur aberrante » ? Je suis sûr que vous avez entendu parler de la
distribution normale ou de la courbe en
cloche pour les variables aléatoires. La distribution normale est une distribution
typique pour les variables de nature aléatoire il y a tout lieu de penser que de
nombreuses
variables aléatoires suivent une telle distribution. La distribution possède deux
paramètres, sa moyenne et son écart-type. Dans le cas présent, je l'ai tracée
suivant deux écarts types différents,
mais une moyenne de zéro dans les deux cas. Il s'agit donc d'une distribution de
probabilité
théorique pour, disons, le rendement d'une action et ici l'écart-type est
de un sur cette courbe rose, et de trois sur la courbe bleue. De nombreuses
variables aléatoires dans la
nature suivent cette répartition, mais pas toutes et c'est quelque chose
d'important car dans la finance,
on a tendance à ne pas suivre cette répartition, et nous avons plutôt des valeurs
aberrantes ou des queues larges. La distribution normale possède deux queues. La
queue droite correspond aux valeurs
élevées de la variable aléatoire, et la queue gauche représente les
valeurs basses de la variable aléatoire. Enfin, la hauteur reflète la
probabilité d'obtenir cette valeur. Donc, imaginons qu'il s'agisse de la
distribution des
rendements pour les actions Apple, avec disons, un écart-type de trois pour cent,
alors la probabilité d'obtenir un rendement
de trois pour cent est assez bonne. Voici trois pour cent, et la probabilité
d'obtenir
trois écarts-types, ce qui fait neuf. Vous allez remarquer que cette dernière
négligeable et je ne le fait même plus apparaître. La probabilité de quatre
écarts-types est à peu près nulle. Voilà ce que nous apprend la distribution
normale. La distribution normale a été
utilisée pour décrire par exemple, la taille humaine, le QI humain,
les résultats du SAT, et beaucoup d'autres choses, qui semblent suivre
la distribution normale aléatoire. Et vous avez probablement
développé une compréhension intuitive de ce sujet. Si vous voyez une variable
aléatoire à plusieurs reprises, et qu'elle se trouve à peu près
toujours entre -5 et +5, alors, intuitivement, vous commencez
à penser qu'il est impossible de la rencontrer avec une valeur de 15 parce que vous
êtes intuitivement
modelé par les expériences de la vie. Mais en fait, il y a d'autres
distributions qui sont plus caractéristique des rendements financiers. Il existe
donc un autre
type de distribution appelé la distribution de Cauchy, du nom
d'un célèbre mathématicien. Et ce que je vous montre ici, c'est, à 100 tirages
suivant la distribution
normale en bleu, et 100 tirages suivant la distribution
de Cauchy en rouge. Vous voyez maintenant la différence entre
la distribution de Cauchy et la distribution normale. La distribution normale a une
certaine apparence, vous constatez qu'elle monte et descend toujours du même
montant, bon, à quelques détails près. La probabilité qu'elle soit dix
fois supérieur à la variation normale, à la variation habituelle, est négligeable,
on ne le voit
donc jamais s'écarter de... Cela semble toujours plus ou moins uniforme,
mais avec la distribution Cauchy, elle a aussi l'air normale. On ne peut même pas
les distinguer pendant
de longs intervalles de temps et puis voilà tout à coup il y a une grande valeur
positive. En d'autres termes, la distribution sous
Cauchy a la queue large, donc le Cauchy ressemble à une distribution
normale sauf qu'au lieu de simplement descendre à zéro, la distribution se poursuit
au-dessus de zéro, très loin. Ainsi, vous pouvez être trompé par une distribution
à queue large comme celle de Cauchy en pensant que vous vivez dans un monde
assez stable dont vous comprenez bien le risque, mais le problème c'est qu'il y a
de grands événements qui
se produisent de temps en temps. C'est ce que nous apprend le Théorème de la limite
centrale en statistiques, les moyennes d'un grand nombre de chocs
indépendants distribués de manière identique ou des variables aléatoires sont à peu
près normalement distribuées, mais ce théorème suppose que les chocs
sous-jacents n'ont pas de queues larges. Donc, si vous prenez la moyenne des
rendements boursiers, qui ont souvent des queues larges votre moyenne n'est pas une
bonne indication
de la moyenne réelle sur de longs intervalles de temps parce que vous
auriez aussi bien pu obtenir un échantillon sans aucune action aberrante
à queue large... Mon ami Nassim Taleb a
écrit un livre intitulé "Le Cygne noir" qui a
beaucoup attiré l'attention. Il fait référence aux
événements de type « cygne noir ». Vous avez vu beaucoup
de cygnes au cours de votre vie, et il s'agissait toujours de cygnes blancs,
n'est-ce pas ? Avez-vous déjà vu
un cygne noir ? Vous pourriez en conclure que les
cygnes noirs n'existent pas, mais en fait ils existent bel et bien. Il utilise
cette
métaphore pour expliquer la queue large Voici une représentation graphique de la
distribution normale et de celle de Cauchy. La distribution de Cauchy ressemble
à peu près à la normale. C'est une courbe en forme de cloche
avec une traîne, mais il y a une différence subtile, qu'il y a ces très rares...
en fait pas si rares que la normale le suggère. Le monde réel met des
queues larges dans nos vies. Voici l'histogramme des variations
quotidiennes du cours des actions depuis 1928. Et ce que j'ai, ce que vous voyez
là, combien de jours se
sont passés depuis 1928 ? Ça se compte en dizaine de milliers. Et donc, ce que nous
remarquons ici, c'est que
le marché boursier a produit un rendement de s'agissant du S&P 500 ou du S&P 500
étendu de, je crois qu'on se situe autour des 1 %
avec un certain intervalle autour de ça. Ça a été le cas pendant quelque chose
comme 9 500 jours il a pris 1 % par jour. Et puis, quelque chose comme 2 500 fois,
il a pris 2 %. Et puis environ 800 fois il a pris 3 % et on
dirait que c'est à peu près, je ne sais pas, 400 jours, c'était plus 4 %. Et là, je
n'arrive même pas à distinguer, quelque chose à plus cinq. Après ça, cela devient
tellement négligeable
que ça n'apparaît même plus. Vous pourriez donc conclure en
regardant cet histogramme que les rendements des marchés
boursiers sont toujours entre -6 % et +6 %. Sauf qu'en fait, le 30 octobre 1929 la
bourse a pris +12,53 % en un jour. Et le 19 octobre 1987 la bourse a chuté de 20,47
% en un jour. Ça a pris tout le monde de court. Pour l'anecdote, ce jour-là,
j'étais entrain
d'enseigner ce cours, ECON 252, et l'un des étudiants écoutait
une radio à transistor. Savez-vous ce qu'est une radio transistor ? C'est ce qu'ils
avaient avant que vous ayez
des iPhones et des choses comme ça. Alors il a levé la main, je ne l'oublierai
jamais, et il a dit, « Vous savez que le marché boursier est en train
de s'effondrer pendant que vous donnez ce cours ? ». Donc, au lieu de retourner à
mon bureau, Je me suis juste dit :
« Qu'est-ce qu'il raconte ? » Je suis allé au centre-ville et
j'ai parlé à mon courtier, Merrill Lynch, juste ici à New Haven. J'ai pris
l'ascenseur et j'y suis entré
juste pour voir ce qui se passait. Et c'était le chaos J'ai pu le joindre parce que
j'y suis allé en personne Si vous aviez essayé d'appeler votre
courtier, vous n'auriez pas pu le joindre. Il ne pouvait pas répondre, il avait
trop
d'appels, mais j'y suis allé, j'ai fait irruption et j'ai demandé :
« Que se passe-t-il ? » Et il a dit : « Ne vous
inquiétez pas, ne paniquez pas. Il y a eu ce grand événement,
un événement terrible. » C'était la plus grosse baisse,
la plus grosse en un jour, dans toute l'histoire du marché
boursier américain, j'avais eu la chance d'en être averti par mon
élève avec la radio à transistor. Le fait que mon élève, c'était
avant les ordinateurs portables, mais il a... nous avions des problèmes avec
les radios à transistor à l'époque. C'est donc une valeur aberrante. La
distribution normale avec
la même moyenne et le même écart-type que cet histogramme indique
que la probabilité d'une chute supérieure à 20 % est égale à 3*10^-71. C'est
terriblement proche de zéro. Je pense que le nombre estimé d'atomes
dans l'univers est plus important, c'est 10^80 mais c'est dans ces eaux-là. Donc,
c'est essentiellement zéro. Mais
c'est faux, parce que c'est arrivé et je peux en témoigner. Je l'ai vu se produire
et j'ai vu
l'effervescence que ça a généré.

Vous aimerez peut-être aussi