Plutôt que de demander directement à un expert ses croyances, une approche plus subtile consiste à les déduire de ses décisions passées. Cette technique, connue sous le nom d'inférence bayésienne inverse, traite l'expert comme un optimiseur rationnel, bien que potentiellement bruyant. En observant les actions qu'un trader a entreprises face à différentes conditions de marché, nous pouvons modéliser le processus décisionnel qui, de manière implicite, révèle sa distribution de probabilité subjective sur la volatilité future.

L'avantage est double. Premièrement, cela contourne la difficulté qu'ont les experts à verbaliser des distributions de probabilité complexes. Deuxièmement, cela se base sur des actions concrètes, qui reflètent souvent mieux les véritables convictions que des réponses à un questionnaire. La principale difficulté réside dans la modélisation de la fonction d'utilité de l'expert, qui est cruciale pour lier les décisions aux croyances sous-jacentes.

Lorsque les données décisionnelles sont rares ou que le problème est entièrement nouveau, l'élicitation directe reste indispensable. Cependant, interroger un expert sans un cadre rigoureux est une invitation aux biais cognitifs. Des protocoles structurés ont été développés pour minimiser ces distorsions et extraire des connaissances fiables.

Le protocole de Stanford décompose le problème. Plutôt que de demander "Quelle est la probabilité d'une augmentation de 10% du coût logistique en Arctique ?", il utilise des "roues de probabilité" ou des scénarios de loterie. L'expert est invité à choisir entre un pari basé sur l'événement réel et un pari basé sur un dispositif de hasard avec une probabilité connue (comme une roue de la fortune). En ajustant la probabilité sur la roue jusqu'à ce que l'expert soit indifférent entre les deux paris, nous pouvons déterminer précisément sa probabilité subjective.

La méthode Delphi est, quant à elle, une procédure de groupe. Un panel d'experts répond anonymement à une série de questionnaires. Après chaque tour, un facilitateur synthétise les réponses, en mettant en évidence la médiane, l'écart interquartile et les justifications des estimations extrêmes. Ces informations sont ensuite renvoyées aux experts, qui peuvent réviser leurs jugements pour le tour suivant. Le processus se poursuit jusqu'à ce que les réponses convergent vers une distribution stable.

Le but de ces protocoles est de transformer une intuition experte en un prior informatif exploitable. Une étape cruciale est de distinguer deux types d'incertitude. L'incertitude aléatoire est l'imprévisibilité inhérente à un système, comme le résultat d'un lancer de dé. Elle est irréductible. L'incertitude épistémique, en revanche, découle de notre manque de connaissance. C'est l'incertitude sur la valeur exacte d'un paramètre, comme le coût logistique en Arctique. L'élicitation vise à quantifier et, si possible, à réduire cette incertitude épistémique.

La correction de ces biais est primordiale lors de la génération de priors pour des paramètres volatils. Un prior ancré sur une valeur incorrecte ou un intervalle de crédibilité trop étroit à cause de la surconfiance peut fausser toute l'analyse bayésienne qui s'ensuit, menant à des décisions sous-optimales, même avec des données abondantes.

Testons maintenant votre compréhension de ces protocoles d'élicitation.

Maîtriser ces techniques avancées d'élicitation est ce qui distingue une analyse bayésienne standard d'une analyse décisionnelle robuste. Elles permettent de s'assurer que l'apport le plus précieux, la connaissance experte, est intégré de manière rigoureuse et défendable.