Bases neurales des modèles de l'utilité attendue et de la variance moyenne en matière de prise de décision

Tous les jours, nous faisons appel aux probabilités sans même en être conscients. Quand nous conduisons, par exemple, nous évaluons en temps réel les chances qu’un vélo fasse un écart ou qu’un piéton traverse la rue. Mais comment le cerveau traite-t-il ces renseignements pour ensuite parvenir à une décision ? En combinant les neurosciences, la psychologie et l’économie, Mathieu d’Acremont a réussi à identifier les zones cérébrales impliquées dans le calcul des probabilités « objectives », c’est-à-dire les probabilités qui découlent de nos expériences antérieures, contrairement aux probabilités « subjectives » qui dépendent de nos croyances personnelles. Une de ses découvertes intéressantes montre que les zones concernées communiquent les unes avec les autres pendant une tâche, formant ainsi un réseau cérébral qui « apprend » au fur et à mesure. Mathieu d’Acremont explique : « Cela nous aide à mieux comprendre la façon dont nos connaissances sont mises à jour en fonction des nouveaux éléments que nous rencontrons. »
Mes recherches sont concentrées sur deux modèles différents en matière de prise de décision financière, l'utilité espérée et la moyenne-variance. Cet axe de travail s’explique par des découvertes récentes qui montrent que le cerveau humain est programmé avec les deux approches, suggérant que sous la pression de l’évolution, il tente de faire le meilleur usage possible des deux modèles.

Le cerveau probabiliste

Biographie
Mathieu d'Acremont voit le jour à Nantes (France) et déménage en Suisse en 1980, à l’âge de sept ans. Il étudie d’abord la psychologie à l’université de Lausanne. Il obtient un master 2 en psychologie clinique (1999) ainsi qu’un certificat en neurosciences cognitives (2000) à l’université de Genève, où il soutient une thèse en psychologie (2005) et décroche un autre master en statistiques (2008). Après son doctorat, Mathieu d'Acremont est chercheur en chef au Pôle de Recherche National en Sciences Affectives de Genève, où il étudie les comportements et les décisions impulsifs chez les jeunes. En 2007, il est invité au Brain and Creativity Institute de l’université de Caroline du Sud, où il explore les substrats cérébraux liés à la prévision du risque. Le chercheur est à présent scientifique en chef du LMDU de l’École polytechnique fédérale de Lausanne. Ce laboratoire dirigé par le professeur Peter Bossaerts a pour mandat l’étude de la décision chez l’homme, en particulier vis-à-vis de risques financiers.

Projet de recherche
« Faut-il croire en Dieu ? » Pour répondre à cette interrogation, Blaise Pascal (1623 – 1662) a recours à la théorie de la valeur espérée. D’après ce principe, la valeur d’une décision est égale à la valeur (moyenne) espérée du gain associé. Comme la foi procure des gains infinis (le paradis) si Dieu existe, et peu de perte si Dieu n’existe pas, la valeur espérée de la foi est infinie. Selon le pari de Pascal, il est donc rationnel de miser sur l’existence de Dieu. Voici une question plus triviale : préférez-vous une loterie qui garantit un gain de 10 F ou une loterie qui offre 50 % de chance de gagner 20 F (ou rien) ? Les deux loteries font espérer la même valeur moyenne (10 F), donc si nous étions programmés pour suivre la théorie de la valeur espérée dans nos décisions, nous choisirions une loterie indifféremment. Or, nous préférons en général le gain garanti. Pour expliquer cette aversion au risque, Daniel Bernoulli (1700 – 1782) a formulé la théorie de l’utilité espérée : la valeur d’une décision est égale à la valeur attendue de l’utilité associée. Si la fonction qui relie l’utilité et le gain est concave, l’utilité espérée de la mise garantie est supérieure à la mise risquée et sera alors privilégiée. Plus récemment, Harry Markovitz (né en 1927) a élaboré la théorie moyenne-variance pour la gestion de portefeuille. D’après ce principe, la valeur d’une option est la combinaison linéaire de la valeur espérée et de la variance (mesure la dispersion) de son gain. Dans ce modèle, l’aversion au risque n’est pas décrite par une fonction d’utilité concave, mais par une pénalité sur la variance du gain.
Nombre d’articles ont examiné les circonstances permettant aux modèles moyenne-variance et d’utilité espérée de coïncider, en mettant l’accent sur l’aspect de la fonction d’utilité ou sur des mesures du risque raffinées, comme la semi-variance. Ces deux modèles sont pourtant fondamentalement différents : l’utilité espérée exige un apprentissage explicite des probabilités, par exemple au moyen d’une révision bayésienne, l’inconvénient étant alors qu’avec la hausse du nombre de probabilités des états, il devient impossible de les estimer précisément (pour une loterie « X % chance de gagner 20 F, sinon rien », on compte deux états : gain ou non-gain ; et il n’y a qu’une seule probabilité des états à estimer : X). Cette limite ne concerne pas l’optimisation moyenne-variance, dans laquelle la moyenne et la variance sont déterminées grâce à un algorithme d’apprentissage par renforcement, qui peut estimer la moyenne et la variance d’une série de gains (20 F, 0 F, 0 F...) sans référence aux états. En tirant parti de cette différence essentielle, ce projet vise à déterminer si les décisions humaines sont mieux modélisées par l’approche moyenne-variance ou par l’utilité espérée. Pour ce faire, nous ferons appel à l’IRM fonctionnelle afin d’enregistrer l’activité cérébrale de sujets occupés à accomplir des tâches décisionnelles présentant des risques monétaires. Cette démarche est unique en ceci que nous manipulons de façon expérimentale le nombre d’états et le lien entre les états et les gains. Les résultats de cette étude neuroéconomique permettront de tester directement la validité des théories d’utilité espérée et moyenne-variance, deux paradigmes concurrents dans la littérature économique et financière depuis de nombreuses années.

Financement
Le fait que le Fonds AXA pour la Recherche ait choisi ce projet lui offre une validation scientifique importante, tout en accroissant sa visibilité dans le monde académique et au-delà. Le soutien financier constitué par la bourse post-doctorale est très bienvenu, car les experts en neuroéconomie sont disséminés dans le monde entier, et des conférences clés sont organisées chaque année aux États-Unis et au Japon. Il est donc nécessaire de voyager pour rester en contact avec la communauté scientifique internationale. L’une des particularités de notre méthodologie consiste à rémunérer les participants en fonction de leur performance. De ce fait, leurs choix sont plus réalistes et nous pouvons créer un risque financier. La bourse nous permettra ainsi de payer les participants en fonction de leurs résultats. Enfin, le recours à l’IRM fonctionnelle (combinée à l’oculométrie) rend l’étude relativement coûteuse.

Pour ajouter ou modifier une information de cette page, vous pouvez nous contacter à l'adresse suivante : [email protected]