Investing Is Compression

✨

Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Each language version is independently generated for its own context, not a direct translation.

🎲 Le Grand Jeu : Pourquoi l'argent est comme un message

Imaginez que vous êtes dans un casino, mais au lieu de jouer aux dés, vous investissez votre argent dans des actions, des startups ou des paris. La question centrale est : comment miser pour devenir riche sans tout perdre ?

Pendant longtemps, les économistes pensaient qu'il fallait simplement viser le gain moyen le plus élevé. Mais l'auteur nous dit : « Non, c'est une erreur ! » Si vous cherchez juste le gain moyen, vous finirez inévitablement par faire faillite à cause d'un mauvais coup de chance.

La vraie solution, découverte par John Kelly en 1956 et prouvée par le professeur Tom Cover, c'est de maximiser la croissance à long terme. Et voici le secret révélé par l'article : Investir, c'est exactement comme compresser un fichier informatique.

🗜️ L'Analogie de la Compression (Le cœur du sujet)

Pour comprendre, oubliez les graphiques financiers complexes. Prenons une analogie avec un télégramme.

Imaginez que vous devez envoyer un message très long à un ami.

Le message réel (la réalité du marché) : C'est une suite de lettres (A, B, C...) qui suivent certaines règles, mais que vous ne connaissez pas parfaitement.
Votre stratégie (votre portefeuille) : C'est la façon dont vous essayez de deviner ces lettres pour les coder.

L'auteur nous dit que votre objectif n'est pas de "deviner" le futur, mais de réduire l'erreur entre votre supposition et la réalité.

Dans le monde de l'information, on appelle cela la compression. Si vous essayez de compresser un fichier (réduire sa taille) en utilisant une mauvaise hypothèse sur son contenu, le fichier final sera plus gros que nécessaire. Cette "taille inutile" est ce que l'auteur appelle la divergence.

La formule magique de l'investissement se décompose en trois parties :

L'Argent (Le jeu) : C'est la règle du jeu (combien vous gagnez si vous avez raison). C'est fixe, vous ne pouvez pas le changer.
Le Chaos (L'entropie) : C'est l'imprévisibilité naturelle du marché. C'est aussi fixe, vous ne pouvez pas le contrôler.
La Friction (La divergence) : C'est la seule chose que vous pouvez contrôler ! C'est la différence entre votre vision du monde (comment vous répartissez votre argent) et la vraie réalité (comment le marché bouge vraiment).

👉 Leçon clé : Pour maximiser votre richesse, vous ne devez pas essayer de prédire l'avenir avec une boule de cristal. Vous devez simplement réduire la friction. Plus votre répartition de l'argent ressemble à la réalité cachée du marché, moins vous perdez de temps et d'argent à cause de "l'erreur de compression".

🐎 Le Cheval de Course et le Paradoxe

L'auteur utilise l'image d'une course de chevaux pour expliquer cela.

Imaginez 100 chevaux. Vous devez parier sur eux.
Si vous pariez exactement dans la proportion de la probabilité que chaque cheval gagne, vous êtes optimal.
Si vous pariez trop sur un cheval qui a peu de chances, ou pas assez sur un favori, vous créez de la "friction".

C'est contre-intuitif : souvent, on pense qu'il faut miser gros sur ce qui rapporte le plus. Mais l'auteur dit : Non, il faut miser proportionnellement à la probabilité de gagner. C'est comme si vous essayiez de décrire une image : si vous mettez trop de détails sur une zone vide, vous gaspillez de la "bande passante" (votre argent).

📉 Pourquoi les tests passés (Backtests) sont trompeurs

L'article explique aussi pourquoi regarder les résultats du passé est dangereux.
Les marchés changent tout le temps (ils ne sont pas "stationnaires"). Regarder la moyenne des gains passés, c'est comme essayer de comprendre la météo de demain en regardant seulement la température d'il y a 10 ans.

Mais grâce à la théorie de la compression, on peut comparer deux stratégies différemment :

Au lieu de regarder le montant d'argent gagné (qui dépend du hasard), on regarde la différence de "friction" entre les deux stratégies.
C'est comme comparer deux compresseurs de fichiers : lequel perd le moins de données ? Celui qui perd le moins de données (celui qui a la plus faible divergence) gagnera toujours sur le long terme, même si les deux semblent performants aujourd'hui.

🚀 L'Investissement de type "Venture Capital" (Les Startups)

L'auteur propose une astuce géniale pour les investisseurs qui ne peuvent pas tout calculer (comme dans les startups, où on ne connaît pas les chiffres exacts).

Il suggère la méthode du « Pourcentage de Gagnant ».

Au lieu de prédire combien va rapporter chaque startup (ce qui est impossible), demandez-vous simplement : « Quelle est la probabilité que cette startup soit LA grande gagnante de ce groupe ? »
Si vous avez 10 startups, et que vous pensez que la startup A a 50% de chances de dominer les autres, vous lui donnez 50% de votre budget.

L'auteur prouve mathématiquement que cette méthode simple est très proche de la perfection, surtout si le nombre de concurrents est petit. C'est une façon intelligente de "compresser" l'incertitude sans avoir besoin d'un super-ordinateur.

🏁 Conclusion : Investir, c'est écrire un bon résumé

En résumé, Oscar Stiffelman nous dit que l'investissement n'est pas un jeu de hasard ni une science exacte des statistiques. C'est un problème d'information.

Le marché est un message complexe et bruyant.
Votre portefeuille est votre tentative de résumer ce message.
La richesse est le résultat de votre capacité à résumer ce message sans perdre d'informations cruciales.

Si votre résumé (votre stratégie) est fidèle à la réalité, vous compressez le mieux possible le chaos du marché, et votre argent se multiplie. Si votre résumé est faux, vous payez une "taxe" sous forme de pertes.

En une phrase : Ne cherchez pas à prédire le futur, cherchez à aligner votre vision du monde avec la réalité, car investir, c'est simplement compresser l'incertitude.

Each language version is independently generated for its own context, not a direct translation.

1. Problématique et Contexte

Le papier aborde la question fondamentale de l'allocation de capital optimale dans un contexte d'investissement incertain. Il s'inscrit dans le débat historique entre l'économie traditionnelle et la théorie de l'information :

Le Critère de Kelly : Introduit par John Kelly en 1956, il propose de maximiser la croissance logarithmique de la richesse plutôt que l'espérance de richesse linéaire. Cela permet d'éviter la ruine et de maximiser la richesse asymptotique.
L'Opposition de Samuelson : L'économiste Paul Samuelson a longtemps rejeté le critère de Kelly, le considérant comme une fonction d'utilité subjective et arbitraire, le maintenant à l'écart de l'économie mainstream.
La Réhabilitation par Cover : Grâce aux travaux de Tom Cover (Stanford), il est désormais établi que le critère de Kelly est objectivement optimal : il maximise la richesse à long terme, minimise le risque de ruine et est compétitivement optimal (au sens de la théorie des jeux) même à court terme.
Le Défi : Bien que le critère de Kelly soit optimal, son application dans des cas généraux (marchés multi-actifs, non-stationnarité, distributions de retour complexes) reste difficile à analyser et à interpréter statistiquement, notamment en raison de la nature non-stationnaire des données de marché.

L'objectif du papier est de démontrer que, fondamentalement, l'investissement est un problème de compression d'information, en utilisant des techniques de la théorie de l'information pour décomposer le problème d'investissement général.

2. Méthodologie

L'auteur utilise une technique clé empruntée à la théorie des portefeuilles universels de Tom Cover : la réécriture du problème d'investissement multi-périodes.

Transformation Algébrique : Traditionnellement, la croissance du capital sur $n$ périodes est vue comme un produit de sommes (le produit des rendements périodiques, où chaque rendement est une somme pondérée des actifs).
$R_n = \prod_{t=1}^n \left( \sum_{i} w_i r_{i,t} \right)$
Approche de Cover (Somme de Produits) : L'auteur réécrit ce produit de sommes comme une somme de produits. Cela transforme le problème d'investissement en un ensemble exponentiel de scénarios de type « course de chevaux » (paris mutuellement exclusifs sur un seul actif par période).
$R_n = \sum_{s \in \text{Séquences}} \left( \text{Poids}(s) \times \text{Rendement}(s) \right)$
Analyse par Classes de Types : En utilisant l'approximation de Stirling et la théorie des types (type classes), l'auteur montre que la masse de poids se concentre exponentiellement sur la classe de types dont les fréquences empiriques correspondent aux poids du portefeuille $W$ .
Décomposition Informationnelle : Cette transformation permet de factoriser le taux de croissance attendu en trois termes distincts, révélant la structure informationnelle sous-jacente.

3. Contributions Clés

Le papier apporte plusieurs contributions théoriques et pratiques originales :

Décomposition en Trois Termes : L'auteur démontre que l'objectif de Kelly, même dans sa forme la plus générale, se factorise en :
- Un terme d'argent (Money Term) : Dépend des règles du jeu et des rendements, indépendant de l'allocation.
- Un terme d'entropie (Entropy Term) : Mesure l'incertitude inhérente à la distribution des événements, indépendant de l'allocation.
- Un terme de divergence (Divergence Term) : C'est la divergence de Kullback-Leibler ( $D_{KL}$ ) entre la distribution de probabilité choisie par l'investisseur et la vraie distribution inconnue du marché.
- Conclusion fondamentale : Maximiser la croissance composée revient à minimiser la divergence. L'investissement est donc un problème de compression : il s'agit de compresser l'incertitude du marché en trouvant la distribution la plus proche de la réalité.
Nouvelle Interprétation du Backtesting :
- Le papier propose une méthode pour comparer des stratégies de backtesting sans être biaisé par la non-stationnarité des marchés.
- Puisque les termes d'argent et d'entropie sont constants pour toutes les stratégies sur un même jeu de données, la différence de croissance logarithmique entre deux stratégies mesure directement la différence de leur divergence par rapport à la distribution idéale (en bits). Cela permet une interprétation statistique plus robuste des performances relatives.
Heuristique de la « Fraction du Gagnant » (Winner Fraction) :
- Pour des cas où la distribution conjointe des rendements est impossible à modéliser (ex: capital-risque), l'auteur propose une heuristique : allouer le capital proportionnellement à la probabilité que chaque actif « gagne » (domine l'ensemble des candidats).
- Preuve de borne : L'auteur démontre que le déficit de croissance de cette heuristique par rapport au portefeuille optimal est borné par l'entropie de la distribution des fractions de gagnants.
- Cela rend l'approche particulièrement efficace lorsque l'ensemble des candidats est petit ou lorsque les rendements sont extrêmes (faible entropie).

4. Résultats

Optimalité Objectivée : Le papier confirme que le critère de Kelly n'est pas une préférence subjective, mais la solution unique qui maximise la croissance à long terme et domine toute autre stratégie sur presque toutes les séquences de marché.
Investissement = Compression : La réécriture du problème montre que la friction qui empêche la croissance maximale est la divergence entre la croyance de l'investisseur et la réalité du marché. Minimiser cette divergence équivaut à compresser l'information du marché.
Borne d'Entropie : La démonstration mathématique que l'erreur de l'heuristique de la « fraction du gagnant » est bornée par l'entropie ( $H$ ) fournit un cadre théorique solide pour l'investissement dans des environnements à forte incertitude (comme le VC), là où les modèles de régression traditionnels échouent.

5. Signification et Impact

Ce papier opère un changement de paradigme dans la compréhension de la finance quantitative :

Au-delà de la Statistique : Il déplace l'analyse de la finance de la statistique pure (moyennes, variances, distributions gaussiennes) vers la théorie de l'information. Il suggère que la gestion du risque et la recherche de rendement sont intrinsèquement liées à la capacité de compresser l'information du marché.
Réconciliation des Disciplines : Il valide l'approche de la théorie de l'information (Shannon, Cover) face aux critiques de l'économie classique (Samuelson), en prouvant que l'optimalité de Kelly est une propriété mathématique fondamentale et non une hypothèse comportementale.
Applications Pratiques :
- Fournit un cadre pour comparer des stratégies de trading sur des données non-stationnaires en se focalisant sur la divergence relative plutôt que sur les rendements absolus.
- Offre une méthode robuste pour l'allocation de capital dans des contextes de haute incertitude (capital-risque, startups) où la modélisation des rendements exacts est impossible, en se concentrant uniquement sur les probabilités de victoire relative.

En résumé, Stiffelman démontre que l'investissement optimal consiste à minimiser la divergence informationnelle entre notre modèle du monde et la réalité, transformant ainsi le problème financier en un problème de compression de données.