Survivant (biais du)

En 1943, l'armée américaine cherche à réduire les pertes de bombardiers au-dessus de l'Europe. Elle collecte méticuleusement les données sur les impacts de balles sur les avions revenus de mission. Le fuselage est criblé de trous. Les ailes aussi. La conclusion semble évidente : il faut renforcer ces zones. C'est là que l'ennemi tire. C'est là que les avions sont vulnérables.

Abraham Wald, statisticien hongrois réfugié aux États-Unis, voit les mêmes données et tire la conclusion inverse. Les zones sans impacts — les moteurs, le cockpit — sont précisément celles qu'il faut renforcer. Pourquoi ? Parce que les avions touchés à ces endroits ne sont pas revenus. Ils sont au fond de la Manche ou de la mer du Nord. Et leurs données ne figurent nulle part dans les tableaux de l'armée.

C'est le biais du survivant dans toute sa brutalité : nous raisonnons sur les données disponibles en oubliant que les données manquantes sont souvent les plus importantes. Nous tirons des leçons des survivants sans réaliser que les disparus auraient des leçons bien différentes à nous enseigner.

Le terme "survivorship bias" a été formalisé dans la littérature statistique dans les années 1940, mais le concept lui-même a été popularisé précisément par l'histoire d'Abraham Wald et du Statistical Research Group de l'université Columbia, créé en 1942 pour appuyer l'effort de guerre américain par des méthodes quantitatives. Wald publie en 1943 un rapport — longtemps classifié — dans lequel il modélise mathématiquement le problème des impacts d'avions et démontre que les données des survivants ne constituent pas un échantillon représentatif de l'ensemble des avions en combat.

En finance, le biais du survivant a été rigoureusement documenté à partir des années 1990. L'étude fondatrice est celle d'Elton, Gruber et Blake publiée dans la Review of Financial Studies en 1996, qui montre que les bases de données de fonds communs de placement souffrent systématiquement d'un biais du survivant — les fonds fermés ou fusionnés pour mauvaises performances disparaissent des données, gonflant artificiellement les performances moyennes observées. Leurs estimations : le biais du survivant surestime les rendements des fonds d'environ 0,5 à 1,4 point de pourcentage par an selon les périodes et les méthodes — ce qui peut représenter des dizaines de milliers d'euros sur une vie d'investisseur.

Nassim Taleb a ensuite popularisé le concept pour le grand public dans Le Cygne Noir (2007) et Antifragile (2012), en montrant comment le biais du survivant déforme notre compréhension du succès, du risque et de la performance dans presque tous les domaines de la vie économique.

Le biais du survivant est une erreur d'échantillonnage que notre cerveau commet naturellement parce qu'il ne peut raisonner que sur les informations disponibles. Les succès sont visibles — on les raconte, on les publie, on les enseigne. Les échecs sont invisibles — ils disparaissent, ils se taisent, ils ne font pas la une des journaux. Notre cerveau construit sa représentation du monde à partir de ce qu'il voit, sans jamais questionner ce qu'il ne voit pas.

Ce mécanisme est amplifié par notre penchant pour les narratives causales simples. Quand nous voyons un succès, nous cherchons naturellement à identifier ce qui l'a produit — le talent du fondateur, la qualité du produit, la brillance de la stratégie. Ce que nous ne voyons pas, c'est la multitude d'entreprises qui avaient les mêmes qualités et ont quand même échoué. Les survivants ont des histoires. Les disparus ont seulement des silences.

Kahneman décrit ce phénomène comme une conséquence directe du principe WYSIATI — "What You See Is All There Is" : notre cerveau construit ses jugements à partir des seules informations disponibles, sans ajustement spontané pour les informations manquantes. Nous ne nous demandons pas naturellement "qu'est-ce que je ne vois pas ?" — il faut un effort délibéré pour poser cette question.

Dans la culture populaire, le biais du survivant est partout. On cite les autodidactes qui ont réussi sans diplôme — Bill Gates, Steve Jobs, Mark Zuckerberg — en oubliant la masse de ceux qui ont abandonné leurs études avec les mêmes ambitions et n'ont jamais atteint leurs objectifs. On parle des médicaments alternatifs qui ont "guéri" des patients — en ignorant ceux qui ne sont pas revenus en témoigner. On admire les traders qui ont "senti" le marché — en oubliant les dizaines qui ont la même intuition et ont tout perdu.

Le biais du survivant contamine profondément les données financières et les décisions d'investissement qui en découlent. Sa manifestation la plus documentée concerne les fonds communs de placement. Les bases de données commerciales ne comprennent que les fonds encore en activité. Or, les fonds qui ferment le font presque toujours pour mauvaises performances — une fusion avec un autre fonds, une liquidation pure et simple. En excluant ces "disparus", les bases de données surestiment systématiquement les rendements historiques moyens. Elton, Gruber et Blake ont estimé ce biais entre 0,5 et 1,4 point de pourcentage annuel selon les périodes — un chiffre qui, cumulé sur vingt ou trente ans, représente une distorsion considérable dans l'évaluation de la gestion active.

Le même phénomène s'observe dans les indices boursiers. Le S&P 500 est un indice de survivants — il n'inclut que les 500 plus grandes capitalisations américaines du moment. Les entreprises qui en sortent (parce qu'elles ont mal performé, fait faillite, été rachetées à un prix décote) ne figurent plus dans les données historiques de l'indice. Les performances historiques du S&P 500 sont donc légèrement surestimées parce qu'elles effacent rétrospectivement les perdants.

Le biais du survivant s'infiltre aussi dans le backtesting des stratégies quantitatives. Une stratégie testée sur les données historiques d'un indice de survivants semble bien plus performante qu'elle ne l'aurait été en réalité — parce que l'univers d'investissement historique incluait des entreprises qui ont depuis disparu, et que ces entreprises auraient été incluses dans la stratégie au moment de leur sélection. C'est l'une des raisons pour lesquelles les stratégies qui "fonctionnent" en backtesting déçoivent souvent en pratique.

• Avant d'analyser toute performance historique de fonds, vérifiez si la base de données utilisée inclut les fonds fermés. Si ce n'est pas le cas, appliquez une correction à la baisse d'au moins 0,5 à 1 point de pourcentage sur les rendements annuels affichés. Demandez explicitement à votre gestionnaire ou à votre plateforme si leurs données sont "survivorship-bias free".
• Quand vous lisez un succès — entrepreneur, gérant, stratégie d'investissement — posez-vous systématiquement la question : combien ont essayé la même chose et échoué ? Si vous ne trouvez pas la réponse facilement, c'est souvent parce que les échecs sont invisibles. Cherchez activement les contre-exemples avant de tirer des conclusions sur les facteurs de succès.
• Pour évaluer une stratégie de backtesting, exigez que les tests soient conduits sur un univers complet incluant les entreprises délistées, les faillites et les fusions. Toute stratégie testée uniquement sur les survivants de l'indice actuel surestimera ses performances passées — parfois massivement.
• Dans votre propre bilan d'investisseur, comptabilisez vos pertes avec la même rigueur que vos gains. Le biais du survivant s'applique aussi à notre mémoire personnelle — nous nous souvenons mieux de nos succès que de nos erreurs. Un journal de décisions honnête, incluant les positions perdantes et les opportunités ratées, est le meilleur antidote à l'auto-illusion du survivant.