Le paradoxe de Saint-Pétersbourg : pourquoi l'espérance n'explique pas les choix

Introduction : quand les mathématiques dérangent l'économie

En 1713, la famille Bernoulli pose une question en apparence simple qui va hanter les économistes pendant plus de trois siècles : combien seriez-vous prêt à payer pour jouer à un jeu où l'on lance une pièce de monnaie jusqu'à obtenir face, et vous gagnez 2^n euros, où n est le nombre de lancers ?

La réponse mathématique est vertigineuse : l'espérance de gain est infinie. Pourtant, presque personne n'accepterait de payer plus de 20 euros pour y jouer. Bienvenue dans le paradoxe de Saint-Pétersbourg, l'une des plus élégantes critiques jamais adressées à la théorie de l'utilité espérée.

Ce paradoxe n'est pas une curiosité mathématique sans conséquence. Il interroge les fondations même de la prise de décision rationnelle en finance, en assurance, et dans tous les domaines où l'on doit évaluer le risque. En 2026, où les algorithmes de trading haute fréquence et les modèles de valorisation d'actifs dominent les marchés financiers, comprendre pourquoi l'espérance mathématique ne suffit pas à expliquer nos choix reste cruciale.

Le jeu et son espérance mathématique : une première confusion

Formulons précisément le jeu de Saint-Pétersbourg. Vous lancez une pièce équilibrée répétitivement. Si vous obtenez pile au premier lancer, vous gagnez 2 euros et le jeu s'arrête. Si vous obtenez face au premier lancer et pile au second, vous gagnez 4 euros. Si vous obtenez face au premier et au second, mais pile au troisième, vous gagnez 8 euros. Et ainsi de suite : 2^n euros si le jeu s'arrête au n-ième lancer.

La probabilité que le jeu s'arrête au n-ième lancer est (1/2)^n. Par conséquent, l'espérance mathématique du gain s'écrit :

E = 2 × (1/2) + 4 × (1/4) + 8 × (1/8) + 16 × (1/16) + ... E = 1 + 1 + 1 + 1 + ... = ∞

Cette série diverge vers l'infini. Techniquement, selon la théorie classique de l'utilité espérée développée par von Neumann et Morgenstern au milieu du XXe siècle, un agent rationnel devrait être prêt à payer une somme infinie pour accéder à ce jeu, ou du moins une somme arbitrairement grande.

Or, l'observation empirique contredit radicalement cette prédiction. Même des économistes chevronnés refusent de payer plus de 20 à 30 euros pour jouer. La majorité des individus proposent des montants compris entre 10 et 40 euros. Pourquoi cette déconnexion abyssale entre le calcul mathématique et le comportement observable ?

L'utilité espérée : un cadre élégant mais incomplet

Pour saisir le paradoxe, il faut d'abord comprendre ce que la théorie de l'utilité espérée nous promettait. Dans les années 1940, John von Neumann et Oskar Morgenstern ont proposé un système d'axiomes censé formaliser le comportement rationnel face au risque. L'idée centrale : plutôt que de considérer les gains monétaires bruts, il convient de les pondérer par leur utilité, c'est-à-dire la satisfaction subjective qu'ils procurent.

Si l'utilité était une fonction linéaire du gain (u(x) = x), alors l'approche par espérance mathématique fonctionnerait parfaitement. Mais Daniel Bernoulli, le cousin du mathématicien qui posa le paradoxe, avait déjà intuité au XVIIIe siècle que l'utilité n'était pas linéaire. Gagner 100 euros quand on possède déjà un million procure moins de satisfaction que gagner 100 euros quand on n'a rien.

Bernoulli proposa que l'utilité était logarithmique : u(x) = ln(x). Avec une telle fonction, l'espérance d'utilité du jeu de Saint-Pétersbourg devient finie et raisonnable, justifiant pourquoi personne ne paierait une fortune pour y jouer. Elegantem ! Mais cette solution, bien qu'élégante, pose un problème conceptuel majeur : comment justifier précisément cette fonction logarithmique plutôt qu'une autre ? Pourquoi pas u(x) = √x ou u(x) = x^0,5 ?

Daniel Kahneman et Amos Tversky, travaillant dans les années 1970-1980, ont montré expérimentalement que le comportement humain face au risque était encore plus complexe. Les gens ne maximisent pas une utilité espérée selon une fonction bien définie. Ils appliquent des heuristiques, évitent les pertes de manière irrationnelle, et leur aversion au risque varie selon le contexte.

Le cœur du paradoxe : l'écart entre la théorie et la réalité

Le paradoxe de Saint-Pétersbourg révèle une fracture fondamentale. D'un côté, la théorie mathématique pure : si nous acceptons les axiomes de von Neumann-Morgenstern et si aucune utilité raisonnable ne peut justifier les comportements observés, alors nous devons conclure que les individus ne maximisent pas leur utilité espérée. De l'autre côté, l'observation empirique : les gens font des choix rationnels dans de nombreux contextes, et généralement pas n'importe comment.

Cette contradiction a engendré trois types de réponses dans la littérature académique.

La réponse par l'utilité décroissante

La première solution, déjà proposée par Bernoulli, consiste à maintenir le cadre de l'utilité espérée en adoptant une fonction d'utilité adéquate. L'argument est qu'une fois que l'on accepte u(x) = ln(x), ou toute fonction concave, l'espérance d'utilité converge et les choix deviennent rationnels. Cette approche a le mérite de préserver la cohérence théorique, mais elle pèche par circularité : on choisit la fonction d'utilité pour que les prédictions correspondent aux observations, plutôt que de la dériver de principes premiers.

Dans les marchés financiers modernes, cette approche demeure dominante. Les modèles de Value-at-Risk (VaR) et de Conditional Value-at-Risk (CVaR) implicitement supposent une utilité concave. Un portefeuille qui promet un gain infini mais avec une probabilité infime de ruine est rationnellement rejeté. Cependant, ce rejet ne découle pas d'un calcul d'utilité espérée formalisé, mais d'heuristiques comme « la probabilité de ruine catastrophique doit rester négligeable ».

La réponse par les probabilités subjectives

Une deuxième école de pensée, influencée par Bruno de Finetti et Leonard Savage, argue que les individus n'évaluent pas correctement les très petites probabilités. Une probabilité de (1/2)^100, c'est-à-dire 10^-30, n'est pas psychologiquement équivalente à 0, mais elle est traitée comme telle par le cerveau humain. De ce point de vue, le paradoxe disparaît : les agents appliquent une transformation des probabilités (probability weighting) qui rend les gains astronomiquement improbables négligeables dans leur calcul mental.

Cette explication trouve un écho empirique fort. Les travaux de Kahneman et Tversky dans le cadre de la théorie des perspectives (Prospect Theory) montrent que les individus surestiment les petites probabilités mais les surévaluent aussi émotionnellement. Un gain de 2^50 euros arrive avec une probabilité de 10^-15 : c'est tellement improbable que, sur le plan psychologique, on l'ignore. Sur le plan émotionnel, c'est aussi tellement énorme qu'on y pense. L'effet net : on refuse de payer beaucoup.

La réponse par les contraintes physiques et temporelles

Une troisième perspective, moins souvent discutée, repose sur les contraintes concrètes. Le jeu de Saint-Pétersbourg est infini : si vous continuez à obtenir face indéfiniment, vos gains deviennent infinis. Or, le monde physique impose des limites. Vous n'avez qu'une durée de vie finie, le casino a une réserve de capital fini, et l'univers lui-même pourrait avoir des limites (horizon cosmique).

Si le jeu s'arrête après un nombre maximal de lancers K, l'espérance devient finie : elle vaut K + 1. Tout d'un coup, les choix redeviennent raisonnables. Payer 20 euros pour un jeu qui rapporte en espérance K + 1 euros (où K dépend de la limite imposée) devient une question d'optimisation ordinaire, non un paradoxe.

Cette perspective pragmatique a des implications majeures pour la finance. Les modèles qui ignorent les limites de fonds propres, les contraintes de liquidité ou les horizons de placement sont mathématiquement justifiés mais ignorent la réalité. Les crises financières de 2008 et 2020 ont rappelé combien ces contraintes matérielles sont concrètes : les institutions qui ne les prenaient pas en compte ont fait faillite.

Implications pour la finance moderne et la prise de décision

Le paradoxe de Saint-Pétersbourg n'est pas une énigme mathématique cantonnée aux manuels de probabilité. Il interroge des pratiques financières quotidiennes.

Value-at-Risk et limites du modèle

La Value-at-Risk, métrique dominante de gestion du risque depuis les années 1990, vise à estimer la perte maximale supportable avec une confiance donnée (par exemple, 99%). Elle repose implicitement sur une fonction d'utilité discrète : l'utilité s'effondre brutalement au-delà d'un certain seuil de perte. Pour les événements extrêmes (queue events), la VaR perd de la pertinence, exactement comme le paradoxe de Saint-Pétersbourg expose les faiblesses de l'espérance mathématique.

Nassim Taleb a systématiquement critiqué cette approche, montrant que les queues de distribution ne sont pas aussi fines que les modèles l'supposent. Le krach de 1987, la crise asiatique, celle de 2008 : autant d'événements qui auraient dû être impossibles selon les calculs de VaR standard, mais qui se sont produits.

Crypto-monnaies et bulles spéculatives

Le paradoxe éclaire également les bulles spéculatives, notamment dans les actifs hautement volatiles comme les cryptomonnaies. Un investisseur achète du Bitcoin à 50 000 euros en pariant sur une valorisation future quasi-infinie. Mathématiquement, si on accepte l'idée que la probabilité d'une adoption généralisée future n'est pas nulle, l'espérance mathématique justifie cet achat. Mais psychologiquement, les investisseurs appliquent un weighting de probabilité excessif aux scénarios extrêmes (adoption 100% ou crashh à zéro), au détriment des scénarios plausibles.

Assurance et pricing des risques rares

L'assurance offre une illustration intéressante de l'utilité en action. Vous paierez quelques centaines d'euros par an pour vous assurer contre un sinistre domestique qui surviendrait avec probabilité 0,5%. L'assureur, qui mutualise ces risques, peut la calculer avec précision. Pour vous, l'asymétrie est criante : payer 500 euros certains pour éviter une perte de 50 000 euros survenant avec probabilité 1%. Rationnellement, c'est justifié par l'utilité décroissante : perdre 50 000 euros vous ruinerait, tandis que payer 500 euros vous fait simplement un peu moins riche. Le paradoxe rappelle que ces justifications, bien qu'intuitives, reposent sur des hypothèses (la forme exacte de la fonction d'utilité) qu'on ne peut jamais vraiment vérifier.

Synthèse : au-delà de l'espérance

Trois siècles après sa formulation, le paradoxe de Saint-Pétersbourg reste pertinent non parce qu'il pose un problème mathématique insoluble, mais parce qu'il questionne les fondations de notre approche au risque et à la rationalité.

La leçon première : l'espérance mathématique est une mesure nécessaire mais insuffisante pour les décisions impliquant le risque. Elle doit être complétée par une théorie de l'utilité, mais cette dernière ne peut pas être déduite purement a priori ; elle demande une observation, une expérimentation, et une acceptation que les individus ne sont jamais parfaitement rationnels.

La leçon deuxième : les contraintes matérielles et cognitives sont centrales. Un jeu infini reste un jeu théorique. Dans le monde réel, il y a des budgets limités, des durées de vie finies, des horizons de temps. Ignorer ces limites pour des raisons de purisme mathématique est une erreur courante en finance quantitative. Ceux qui l'ont oubliée ont souvent payé le prix.

La leçon troisième : le comportement humain face au risque est complexe et contextualisé. Ni la théorie classique ni une fonction d'utilité universelle ne capture cela complètement. Les modèles modernes comme la Prospect Theory font mieux, en reconnaissant que l'aversion au risque, la perception des probabilités, et les biais de cadrage jouent tous un rôle.

Pour les praticiens de la finance, reconnaître le paradoxe de Saint-Pétersbourg est une forme d'humilité intellectuelle : elle dit que nos modèles, aussi sophistiqués soient-ils, sont des simplifications de réalités bien plus riches. C'est précisément cette humilité qui prévient les excès théoriques et les risques systémiques.