Diversification and Stochastic Dominance: When All Eggs Are Better Put in One Basket

Cet article démontre que, contrairement à l'intuition classique, la diversification peut accroître le risque de pertes extrêmes par rapport à une concentration aléatoire des actifs, notamment dans le cas de distributions à queue lourde avec une moyenne infinie.

L'essentiel

Voici une explication simple et imagée de ce papier de recherche, conçue pour être comprise par tout le monde, sans jargon mathématique.

🥚 Le Paradoxe du Panier Unique : Quand la Diversification Devient Dangereuse

Vous avez probablement déjà entendu le proverbe : « Ne mettez pas tous vos œufs dans le même panier. » C'est la règle d'or de la finance et de la gestion des risques. L'idée est que si vous répartissez votre argent (ou vos risques) sur plusieurs investissements différents, vous réduisez la chance de tout perdre d'un coup. C'est ce qu'on appelle la diversification.

Mais ce papier, écrit par Léonard Vincent, nous dit quelque chose de très surprenant : parfois, mettre tous ses œufs dans le même panier est en fait plus sûr que de les répartir !

Cela semble fou, non ? Et bien, cela arrive dans un monde très spécifique : celui des catastrophes extrêmes et rares.

---

🌪️ Le Scénario : Des Ouragans et des Géants

Imaginez que vous gérez des assurances contre des événements très rares mais dévastateurs : des tremblements de terre majeurs, des cyberattaques mondiales ou des accidents nucléaires.

Dans la vie de tous les jours, ces événements sont comme des gouttes de pluie : ils sont petits et prévisibles. Mais dans le monde des risques « à queue lourde » (c'est-à-dire avec une moyenne infinie), ces événements sont comme des tsunamis. Ils sont si gros que leur impact moyen est mathématiquement infini.

Dans ce monde de géants, la logique habituelle s'effondre.

L'Analogie du Jeu de l'Échelle

Imaginez que vous jouez à un jeu où vous pouvez gagner des sommes astronomiques, mais très rarement.

• La méthode « Diversifiée » (Plusieurs paniers) : Vous mettez un peu d'argent sur chaque joueur. Si l'un gagne gros, vous ne gagnez qu'une petite part. Mais si plusieurs joueurs gagnent en même temps (ce qui est rare mais possible), votre gain total explose.
• La méthode « Panier Unique » (Un seul panier) : Vous choisissez un seul joueur au hasard. Soit vous ne gagnez rien, soit vous gagnez tout.

Le papier montre que pour ces types de risques extrêmes, la méthode « Diversifiée » a plus de chances de vous faire perdre de l'argent (ou de subir une perte énorme) à chaque niveau de seuil possible, comparée à la méthode « Panier Unique ».

En termes simples : Répartir le risque augmente la probabilité de subir une catastrophe.

---

🧠 Le Concept Clé : La « Sous-Échelle » (Subscalability)

Pourquoi cela arrive-t-il ? L'auteur introduit un concept qu'il appelle la sous-échelle (ou subscalability).

Imaginez que vous avez un ballon de baudruche très fragile.

• Si vous le gonflez un tout petit peu (diversification), il devient énorme très vite.
• Si vous le laissez tel quel (panier unique), il reste stable.

Dans le cas de ces risques extrêmes, quand on divise le risque (on le « réduit » par un facteur), la probabilité qu'il dépasse un certain seuil ne diminue pas proportionnellement. Elle reste trop élevée.

L'image du miroir déformant :
Pensez à la diversification comme à un miroir qui déforme la réalité. Pour les petits risques, le miroir vous montre une image plus petite et plus sûre (c'est la règle classique). Mais pour les risques géants, ce miroir grossit les dangers. Il vous fait croire que vous êtes protégé, alors qu'en réalité, vous exposez votre portefeuille à des pics de perte plus fréquents.

---

🎲 Les Exemples Concrets

L'auteur utilise deux exemples pour prouver son point :

1. Le Loterie de Saint-Pétersbourg : C'est un jeu de casino théorique où vous lancez une pièce. Si vous obtenez « Face » au premier lancer, vous gagnez 2€. Si c'est au deuxième, 4€, au troisième 8€, etc. Le gain potentiel est infini.

   • Résultat : Si vous jouez ce jeu seul (panier unique), c'est risqué mais gérable. Si vous essayez de « diversifier » en jouant ce jeu 100 fois en même temps avec de petits enjeux, vous avez plus de chances de vous retrouver avec une perte totale massive que si vous aviez joué une seule fois.

2. Les Pareto Discrets : Imaginez des pertes qui ne peuvent être que des nombres entiers (1, 2, 3...), mais où la probabilité de voir un nombre énorme (comme 1 milliard) est très faible, mais pas assez faible pour être ignorée.

   • L'auteur montre que même si vous répartissez équitablement votre argent sur 100 de ces risques, vous êtes moins bien protégé que si vous aviez mis tout votre argent sur un seul risque au hasard.

---

🌍 La Grande Révélation : Du Local au Global

Le papier explique aussi pourquoi nous ne voyons pas ce phénomène tous les jours.

• Près de zéro (Le monde normal) : Pour les petits risques (une pluie fine, un petit retard), la diversification fonctionne toujours. Elle réduit toujours la probabilité de dépasser un petit seuil. C'est comme dire : « Si je partage une petite tâche, je la finis plus vite. » C'est toujours vrai.
• Loin de zéro (Le monde des catastrophes) : C'est là que la magie noire opère. Pour les très gros seuils (les catastrophes), la diversification commence à échouer.

Le théorème principal de l'auteur (le « Théorème du Panier Unique ») nous dit exactement quand ce basculement se produit. Il donne une recette simple pour vérifier, cas par cas, si votre stratégie de diversification est en train de vous piéger.

---

💡 En Résumé : Que faut-il retenir ?

1. La règle « Ne mettez pas tous vos œufs dans le même panier » n'est pas universelle. Elle fonctionne très bien pour les risques normaux (baisse de la bourse, accidents de voiture courants).
2. Pour les risques extrêmes et rares (catastrophes nucléaires, pandémies, krachs financiers mondiaux), cette règle peut devenir dangereuse. Parfois, concentrer le risque sur un seul actif (choisi au hasard) est statistiquement plus sûr que de le diluer.
3. La diversification crée toujours un risque local (elle augmente la chance de dépasser un petit seuil), mais ce n'est que dans des cas très spécifiques (risques infinis) que ce petit risque devient un risque global.

La morale de l'histoire ?
Dans un monde parfait et prévisible, la diversification est votre meilleure amie. Mais dans un monde chaotique où les « cygnes noirs » (événements imprévisibles et catastrophiques) existent, il faut parfois faire preuve de courage et accepter de mettre tous ses œufs dans un seul panier, car le panier partagé pourrait bien être celui qui se brise le plus souvent.

Résumé technique

Voici un résumé technique détaillé de l'article "Diversification and Stochastic Dominance: When All Eggs Are Better Put in One Basket" de Léonard Vincent.

1. Problématique et Contexte

Traditionnellement, la diversification est considérée comme un principe fondamental de la gestion des risques, justifié par la loi des grands nombres et la théorie moderne du portefeuille (Markowitz). L'idée reçue, résumée par l'adage « ne pas mettre tous ses œufs dans le même panier », suggère que répartir l'exposition sur plusieurs risques indépendants réduit la variabilité globale.

Cependant, ce papier s'intéresse à une exception critique : le cas des pertes à queue lourde avec une espérance infinie (infinite mean). Des travaux récents (notamment Chen et al., 2025a) ont montré que pour certaines distributions (comme les lois de Pareto avec paramètre de forme $\alpha \in (0, 1]$), la diversification peut paradoxalement augmenter le risque. Plus précisément, un portefeuille diversifié peut dominer stochastiquement au premier ordre un portefeuille concentré, ce qui signifie que le portefeuille diversifié a une probabilité plus élevée d'excéder n'importe quel seuil de perte.

L'objectif de cet article est de généraliser ce phénomène, d'en établir les conditions suffisantes précises et de proposer un cadre unifié pour comprendre quand et pourquoi la diversification échoue.

2. Méthodologie et Cadre Théorique

L'auteur compare deux structures de portefeuille basées sur un ensemble de $n$ risques indépendants $X_1, \dots, X_n$ et un vecteur de poids $\theta = (\theta_1, \dots, \theta_n)$ tel que $\sum \theta_i = 1$ :

1. Le Portefeuille Diversifié ($P_D$) : La moyenne pondérée des risques :
   $$P_D = \sum_{i=1}^n \theta_i X_i$$
2. Le Portefeuille Concentré (ou « Modèle de Mélange ») ($P_C$) : Une exposition complète à un seul risque choisi aléatoirement selon les probabilités $\theta_i$. Formellement, $P_C = \sum_{i=1}^n I_i X_i$, où $(I_1, \dots, I_n)$ suit une loi catégorielle de paramètres $\theta$, indépendante des $X_i$.

Outils d'analyse :

• Dominance Stochastique du Premier Ordre ($\le_{st}$) : La relation $X \le_{st} Y$ signifie que $P(X > x) \le P(Y > x)$ pour tout $x$. Si $P_C \le_{st} P_D$, le portefeuille diversifié est considéré comme plus risqué (plus de probabilité de pertes élevées) que le portefeuille concentré.
• Condition de Sous-Échelle (Subscalability) : L'analyse repose sur l'étude de l'inégalité $\theta F(x) \le F(x/\theta)$, où $F$ est la fonction de survie. Cette condition compare la probabilité de dépasser un seuil $x$ pour un risque réduit par un facteur $\theta$ à la probabilité de dépasser $x$ pour le risque original pondéré par $\theta$.

3. Résultats Principaux

A. Le Théorème du « Un Seul Panier » (One-Basket Theorem)

C'est le résultat central de l'article. Il fournit des conditions suffisantes pour que la dominance stochastique $P_C \le_{st} P_D$ soit vérifiée pour des risques indépendants (pas nécessairement identiquement distribués).

Théorème : Soit $\theta \in \Delta_n$. Si pour tout $i \in \{1, \dots, n\}$ et pour tout sous-ensemble $K$ tel que $\{i\} \subseteq K \subsetneq \{1, \dots, n\}$, l'inégalité suivante est satisfaite pour tout $x \ge 0$ :
$$\theta_K F_i(x) \le F_i(x/\theta_K)$$
où $\theta_K = \sum_{j \in K} \theta_j$, alors :
$$\sum_{i=1}^n I_i X_i \le_{st} \sum_{i=1}^n \theta_i X_i$$

Implications :

• Ce théorème permet une vérification spécifique aux poids. Contrairement aux résultats antérieurs qui exigeaient que la dominance tienne pour tous les vecteurs de poids, ici il suffit que la condition soit vérifiée pour le vecteur de poids donné.
• Cela permet d'établir la dominance pour des distributions où les résultats uniformes échouent (ex: lois de Pareto discrètes).

B. Notion de Sous-Échelle (Subscalability)

Pour interpréter les conditions du théorème, l'auteur introduit la notion de risque $\theta$-sous-échelle :

• Une variable aléatoire $X$ est $\theta$-sous-échelle si $\theta F(x) \le F(x/\theta)$ pour tout $x \ge 0$.
• Elle est totalement sous-échelle (completely subscalable) si cette propriété tient pour tout $\theta \in (0, 1)$.

Propriétés clés :

• Tout risque non trivial $\theta$-sous-échelle possède une queue de distribution extrêmement lourde et une espérance infinie.
• La classe des risques totalement sous-échelle contient la famille des lois Super-Fréchet (introduites par Chen et Shneer, 2026) mais est plus large (elle inclut des distributions sans infimum essentiel commun).
• Exemples : Les lois de Pareto continues, les lois de Fréchet, et certaines lois discrètes (comme la loterie de Saint-Pétersbourg pour des poids spécifiques).

C. Cas des Lois Discrètes et de Pareto Discrète

L'article démontre que le théorème s'applique à des cas discrets où les résultats classiques échouent.

• Pour une loi de Pareto discrète (sur $\{1, 2, \dots\}$), la dominance ne tient pas pour tous les poids, mais elle est prouvée pour le cas de poids égaux ($\theta_i = 1/n$).
• Une preuve alternative est fournie pour l'ordre stochastique des moyennes de loteries de Saint-Pétersbourg.

D. Perspective Locale-à-Globale

L'auteur montre que le phénomène de diversification risquée n'est pas une anomalie pathologique, mais la limite d'un phénomène général :

1. Effet Local : Pour tout risque positif, la diversification augmente toujours la probabilité de dépasser des seuils suffisamment petits (près de zéro). Il existe toujours un intervalle $[0, t(\theta))$ où la diversification est plus risquée.
2. Effet Global : Le Théorème du « Un Seul Panier » caractérise exactement les conditions sous lesquelles cet effet local s'étend à tous les seuils $x \ge 0$, transformant une dominance locale en dominance stochastique globale.

4. Contributions et Signification

1. Généralisation des résultats existants : Le papier étend les travaux de Chen et al. (2025a) et Chen & Shneer (2026) en levant l'hypothèse d'identique distribution et en supprimant la nécessité d'un infimum essentiel commun.
2. Flexibilité des poids : En passant d'une condition uniforme (valide pour tous les $\theta$) à une condition spécifique au vecteur $\theta$, l'article ouvre la voie à l'analyse de distributions complexes (comme les lois discrètes) qui échappaient aux cadres précédents.
3. Interprétation économique :
   • Réassurance Randomisée : Le modèle de mélange correspond à une réassurance où le réassureur couvre soit la perte totale, soit rien (selon une probabilité). Le résultat suggère que, pour des risques à espérance infinie, ce mécanisme aléatoire peut être préférable (en termes de dominance stochastique) pour l'assureur et le réassureur par rapport à un partage déterministe (quota-part), car il réduit la probabilité de pertes extrêmes.
   • Gestion des risques extrêmes : Pour les catastrophes rares mais dévastatrices (accidents nucléaires, cyber-risques, pandémies modélisés par des queues de Pareto infinies), la diversification peut être contre-productive. La concentration du risque (ou une approche de type « tout ou rien ») peut être statistiquement plus sûre.

Conclusion

L'article démontre rigoureusement que pour les risques à queue très lourde (espérance infinie), la diversification peut inverser la hiérarchie des risques. Le Théorème du « Un Seul Panier » fournit un cadre mathématique robuste pour identifier ces situations via la notion de sous-échelle. Il révèle que la diversification augmente toujours le risque pour les petits seuils, et que la dominance globale n'est qu'un cas limite où cet effet local persiste jusqu'à l'infini. Cela remet en question l'application aveugle de la diversification dans la modélisation des risques extrêmes.