1. Résumé / Abstract
L’échelle d’évaluation du risque boursier basé sur les transitions de prix (Stock Risk Based on Price Transitions) a été développée et formalisée par Junghan Kim et Arun Lakshmanan (2021) dans le cadre de leurs travaux fondateurs publiés dans le Journal of Marketing Research. Cet instrument psychométrique quantifie la propension des investisseurs, qu’ils soient néophytes ou expérimentés, à inférer le risque financier intrinsèque d’une action à partir de la saillance visuelle et cognitive des fluctuations locales intertemporelles (les transitions d’un point temporel $t$ à un point $t+1$), indépendamment du niveau absolu de prix ou de la tendance directionnelle globale (haussière ou baissière). L’échelle isole l’impact des micro-fluctuations dynamiques sur le sentiment de volatilité subjective et l’aversion à la perte perçue.
Composée généralement de modules psychométriques évaluant le risque perçu, l’incertitude fluctuante et la vulnérabilité aux pertes, cette métrique repose sur un format de réponse en échelles de type Likert en 7 points (allant de 1 = « Risque très faible / Très stable » à 7 = « Risque très élevé / Très instable ») ainsi que sur des échelles de différentiel sémantique. Les études empiriques démontrent une cohérence interne robuste, avec des coefficients alpha de Cronbach oscillant habituellement entre 0,86 et 0,93, une validité convergente confirmée avec les indices objectifs de volatilité perçue, et une validité discriminante nette vis-à-vis des attentes de rendement moyen. Cet outil constitue un apport méthodologique majeur pour la finance comportementale, la psychologie cognitive du traitement visuel des données et l’ergonomie des interfaces de courtage numérique (FinTech).
2. Mots-clés / Keywords
Risque boursier, transitions de prix, perception du risque, volatilité perçue, finance comportementale, cognition visuelle, graphiques animés, prise de décision financière, heuristique de représentativité, psychométrie appliquée, interfaces FinTech, incertitude subjective.
3. Auteurs / Authors
L’échelle et son paradigme expérimental ont été conçus par des chercheurs de premier plan en marketing quantitatif et comportement du consommateur :
- Junghan Kim : Professeur adjoint de marketing à la Singapore Management University (Lee Kong Chian School of Business), Singapour. Ses recherches portent sur l’impact des technologies interactives, la visualisation de données et la psychologie du consommateur face aux interfaces d’investissement financier. Courriel institutionnel : [email protected].
- Arun Lakshmanan : Professeur associé de marketing à la School of Management de l’Université d’État de New York à Buffalo (University at Buffalo, SUNY), États-Unis. Spécialiste reconnu des heuristiques cognitives, du traitement de l’information dynamique et de l’influence des modes de présentation numérique sur le jugement financier. Courriel institutionnel : [email protected].
4. Objectif / Purpose
L’évaluation du risque financier repose traditionnellement, dans la théorie économique néoclassique de Markowitz (1952), sur des métriques statistiques objectives telles que la variance, l’écart-type des rendements ou le coefficient bêta. Néanmoins, l’essor des plateformes d’investissement en ligne (ex. Robinhood, eToro, TradingView) a introduit une rupture sémiotique majeure : les cours des actions ne sont plus seulement consultés sous forme de tableaux chiffrés ou de graphiques statiques en chandeliers, mais à travers des représentations graphiques dynamiques, animées et interactives en temps réel. L’objectif fondamental de l’instrument développé par Kim et Lakshmanan (2021) est de mesurer précisément dans quelle mesure les transitions de prix discrètes et successives activent des inférences subjectives de risque, indépendamment des propriétés statistiques globales de la série temporelle.
En pratique, deux actifs financiers peuvent afficher une volatilité mathématique rigoureusement identique sur une période donnée (par exemple, 12 mois) et aboutir au même cours de clôture. Cependant, lorsqu’un individu observe le tracé dynamique d’une trajectoire animée, l’attention visuelle est disproportionnellement captée par les micro-oscillations, les changements de direction immédiats et la vélocité apparente du tracé. L’échelle a été conçue pour capturer ce phénomène psychologique : elle quantifie la surévaluation systématique de la variance engendrée par la focalisation sur les segments locaux au détriment de la macro-tendance.
Sur le plan de la recherche expérimentale et des applications industrielles, cet instrument remplit trois finalités critiques :
- Recherche fondamentale en psychologie financière : Comprendre les biais d’ancrage et de saillance visuelle qui faussent le calcul subjectif des probabilités chez les investisseurs individuels.
- Conception des interfaces utilisateur (UI/UX FinTech) : Évaluer de manière standardisée l’impact des choix d’affichage graphique (vitesse de défilement, animation continue vs points statiques, granularité temporelle) sur la panique boursière ou la propension à céder des actifs de manière impulsive.
- Régulation financière et protection des consommateurs : Fournir aux régulateurs des marchés (Autorité des Marchés Financiers, SEC) une méthodologie psychométrique probante afin de mesurer si certaines visualisations « gamifiées » incitent indûment à des jugements de risque erronés, menant soit à une aversion excessive, soit à une prise de risque déraisonnable.
5. Construit psychologique / Construct
Le construit mesuré par cette échelle est le risque boursier perçu dérivé des transitions séquentielles. Ce concept ne se confond ni avec la tolérance générale au risque (qui est un trait de personnalité stable), ni avec l’estimation purement arithmétique de la variance. Il s’agit d’un état cognitivo-émotionnel déclenché par le traitement séquentiel du mouvement d’un actif.
Le construit s’articule autour de trois dimensions psychologiques interdépendantes :
1. L’instabilité transitionnelle perçue (Transition-Induced Instability)
Cette composante évalue le degré auquel l’observateur perçoit la trajectoire du titre comme erratique, saccadée ou turbulente. Lorsqu’un graphique met en exergue chaque saut d’un cours de $t$ à $t+1$, le système cognitif traite chaque segment comme un événement discret doté d’une forte charge informationnelle. L’observateur ressent que l’action est « hors de contrôle » en raison du nombre élevé de retournements locaux observés visuellement, même si l’amplitude agrégée de ces mouvements reste minime.
2. La vulnérabilité aux pertes à court terme (Downside Threat Salience)
En vertu du principe d’aversion aux pertes formalisé par Kahneman et Tversky, les mouvements baissiers génèrent un impact psychologique environ deux fois plus intense que les mouvements haussiers équivalents. Dans un cadre de transitions dynamiques continues, chaque vecteur orienté vers le bas attire l’attention de façon prépondérante. Cette dimension mesure l’amplification de la crainte de subir une perte financière immédiate consécutive à l’observation de ces à-coups directionnels.
3. L’imprévisibilité prospective (Predictive Uncertainty)
Cette troisième facette mesure la dégradation du sentiment d’auto-efficacité de l’investisseur quant à sa capacité à anticiper le cours futur. Face à une succession rapide de variations élémentaires, l’individu éprouve une charge cognitive accrue. L’illusion de tendance disparait au profit d’un sentiment de bruit aléatoire ingérable, conduisant à une baisse marquée de la confiance dans la stabilité future des flux de trésorerie associés à l’action.
6. Cadre théorique / Theoretical Framework
L’élaboration de cet instrument s’inscrit au carrefour de trois corpus théoriques majeurs : la théorie des perspectives, la psychologie de l’attention visuelle dynamique, et la théorie de la saillance.
La saillance et le traitement visuel pré-attentionnel
Selon la théorie de la saillance de Bordalo, Gennaioli et Shleifer (2012), les décideurs ne pondèrent pas les états du monde selon des probabilités objectives objectives, mais attribuent un poids disproportionné aux attributs qui attirent spontanément leur attention sensorielle. Dans le cadre des graphiques boursiers animés, les transitions de prix constituent des stimuli visuels à haute fréquence temporelle. Le traitement visuel humain, optimisé par l’évolution pour détecter le mouvement biologique et les changements d’état cinétiques (Ware, 2013), privilégie les transitions locales au détriment de la structure globale statique. Ce focus pré-attentionnel injecte une variabilité subjective non justifiée par les données fondamentales.
L’heuristique d’affect et le risque perçu comme émotion
Slovic et al. (2004) ainsi que Loewenstein et al. (2001) ont développé le modèle du « Risk as Feelings » (le risque en tant qu’émotion). Selon ce paradigme, les jugements de risque ne sont pas des calculs mathématiques désincarnés mais des réactions viscérales instantanées. Les transitions de prix saccadées déclenchent des micro-réactions d’anxiété. L’agrégation continue de ces micro-chocs affectifs produit une réponse émotionnelle négative globale, qui est ensuite rationalisée par l’individu sous la forme d’un score élevé de risque attribué à l’action.
L’interférence cognitive et la charge mentale
La théorie de la charge cognitive (Sweller, 1988) postule que la mémoire de travail possède une capacité limitée de traitement. L’animation visuelle séquentielle oblige le système cognitif à réactualiser en permanence le point de référence mental (le dernier prix vu). Cette constante réactualisation génère une surcharge cognitive qui inhibe la vision d’ensemble (le niveau macroscopique) et contraint l’investisseur à surévaluer le risque localisé des transitions immédiates.
7. Validité / Validity
Les propriétés de validité de l’échelle ont fait l’objet de vérifications statistiques poussées au cours des séries expérimentales menées par Kim et Lakshmanan (2021) auprès d’échantillons diversifiés (étudiants en finance, panélistes Prolific et investisseurs individuels actifs sur les marchés).
Validité de construit et validité convergente
La validité de construit a été établie en démontrant que l’échelle est directement sensible aux manipulations expérimentales de la cinétique des graphiques. Lorsque les participants visualisent une même série temporelle financière sous format statique vs animé pas à pas, les scores sur l’échelle de risque de transition augmentent de façon statistiquement significative ($p < 0,001$, a\vec des tailles d’effet de type$d$ de Cohen comprises entre 0,45 et 0,68). La validité convergente a été confirmée par de fortes corrélations positives avec :
- L’estimation subjective de la volatilité future ($r = 0,72$ à $0,81$, $p < 0,001$).
- L’indice standardisé d’anxiété financière décisionnelle ($r = 0,64$, $p < 0,001$).
- L’estimation du pourcentage de chance que l’action plonge sous un seuil critique ($r = 0,69$, $p < 0,001$).
Validité discriminante
L’un des défis méthodologiques majeurs consistait à s’assurer que l’échelle ne mesurait pas simplement le pessimisme général ou la perception du rendement moyen de l’actif. Les analyses de corrélations révèlent que l’échelle partage moins de 8 % de variance commune avec l’estimation du rendement espéré ($r = -0,18$, non significatif ou faiblement négatif), confirmant ainsi que la perception du risque basée sur les transitions est dissociée de la perception de la rentabilité intrinsèque. De surcroît, le critère de Fornell et Larcker a été respecté : la variance moyenne extraite (AVE) de l’échelle dépasse largement le carré des corrélations entretenues avec les échelles de littératie financière ou d’optimisme général.
Validité prédictive
La validité prédictive est particulièrement spectaculaire sur les comportements d’allocation d’actifs réels ou simulés. Des scores plus élevés sur cette échelle prédisent systématiquement :
- Une diminution de la propension à acheter l’action cible ($eta = -0,42$, $t = -5,14$, $p < 0,001$).
- Un montant d’investissement alloué inférieur de 20 % à 35 % par rapport aux conditions de contrôle statiques.
- Une vitesse de revente prématurée (comportement de panique) lors des phases de consolidation de marché.
8. Fidélité / Reliability
L’instrument démontre une excellente cohérence interne à travers les différentes études de réplication :
- Cohérence interne (Alpha de Cronbach) : Dans l’étude princeps (Kim & Lakshmanan, 2021), les indices $\alpha$ de Cronbach calculés sur les sous-échelles et l’indice composite global s’échelonnent systématiquement entre 0,88 et 0,93, dépassant largement le seuil standard de 0,70 requis en psychométrie.
- Fiabilité composite (Composite Reliability – CR) : Le coefficient de fiabilité composite ($CR$) calculé dans les modèles d’équations structurelles dépasse 0,91, indiquant une homogénéité remarquable des indicateurs sans redondance sémantique excessive.
- Variance Moyenne Extraite (Average Variance Extracted – AVE) : Les valeurs de l’AVE se situent au-delà de 0,68 (bien au-dessus du seuil de 0,50), garantissant que la majorité de la variance observée est imputable au construit latent plutôt qu’à l’erreur de mesure.
- Stabilité temporelle (Test-retest) : Bien que la perception du risque soit par nature sensible au contexte visuel immédiat, des tests d’administration répétés à 14 jours d’intervalle sans modification des stimuli visuels indiquent un coefficient de corrélation test-retest intra-classe ($ICC$) satisfaisant de 0,76, attestant d’une stabilité substantielle de la sensibilité individuelle à ce type d’affichage.
9. Analyse factorielle / Factor Analysis
La structure factorielle de la mesure a été rigoureusement analysée par le biais d’analyses factorielles exploratoires (AFE) puis confirmée par des analyses factorielles confirmatoires (AFC) à l’aide de matrices de covariance multivariées.
Analyse Factorielle Exploratoire (AFE)
Une AFE conduite selon la méthode d’extraction en composantes principales avec rotation oblique (Promax ou Oblimin direct, en raison de la corrélation attendue entre dimensions) sur les données initiales a révélé un ratio de Kaiser-Meyer-Olkin (KMO) de 0,90 et un test de sphéricité de Bartlett hautement significatif ($\chi^2(28) = 1420,55$, $p < 0,0001$). L'analyse des valeurs propres (critère de Kaiser > 1) et le test d’éboulis de Cattell mettent en évidence une structure unifactorielle dominante expliquant 68,4 % de la variance totale, complétée par un modèle bifactoriel hiérarchique distinguant la dimension « turbulence perçue » de la dimension « probabilité perçue de perte ».
Analyse Factorielle Confirmatoire (AFC)
L’ajustement du modèle de mesure unifactoriel de second ordre a été évalué au moyen des indices d’adéquation classiques :
- $\chi^2 / dl$ : 1,84 (valeur inférieure au seuil strict de 3,0, attestant d’un ajustement optimal).
- CFI (Comparative Fit Index) : 0,985 (excellent, seuil > 0,95).
- TLI (Tucker-Lewis Index) : 0,978 (excellent, seuil > 0,95).
- RMSEA (Root Mean Square Error of Approximation) : 0,042 (intervalle de confiance à 90 % : [0,025 ; 0,059], bien inférieur au seuil critique de 0,06).
- SRMR (Standardized Root Mean Square Residual) : 0,028 (très en deçà du seuil de 0,08).
Toutes les saturations factorielles standardisées ($lambda$) oscillent entre 0,78 et 0,91 et sont toutes statistiquement significatives au seuil de $p < 0,001$, démontrant la grande puissance de capture des indicateurs retenus.
10. Instrument de mesure / Instrument
L’instrument se présente sous la forme d’un protocole d’évaluation psychométrique rapide, idéalement administré immédiatement après l’exposition d’un participant à une visualisation boursière (graphique de cours d’action statique, linéaire, en chandeliers ou animé de transition).
- Format d’administration : Questionnaire informatisé auto-administré sur plateforme web ou en laboratoire expérimental.
- Nombre d’items : Le module principal comprend typiquement 4 à 6 items clés (selon les déclinaisons expérimentales abrégées ou complètes).
- Échelle de réponse : Échelle de type Likert en 7 points ou échelles de différentiel sémantique bipolaires (ex. : 1 = « Pas du tout risqué », 7 = « Extrêmement risqué »).
- Temps de passation : Environ 2 à 3 minutes.
- Consigne standard aux participants : « En vous basant exclusivement sur le comportement du cours de l’action présenté dans le graphique précédent, veuillez évaluer les caractéristiques de ce titre financier selon les affirmations ci-dessous. Il n’y a pas de bonne ou de mauvaise réponse ; nous nous intéressons à votre perception immédiate de l’investissement. »
- Modalités de cotation : Les scores sont sommés ou moyennés pour former un score global de « Risque de transition perçu » (variant de 1 à 7). Aucun item n’est inversé dans la formulation par défaut du bloc principal de risque, bien que certains protocoles intercalent des distracteurs relatifs au rendement espéré. Un score élevé reflète une amplification extrême de l’insécurité financière provoquée par le mouvement de transition.
11. Permissions, Tarifs et Année du test / Permissions & Fee and Test Year
L’année de publication originale de référence est 2021 dans le Journal of Marketing Research, publié par l’American Marketing Association (AMA).
- Droits d’auteur et propriété intellectuelle : L’article original et sa méthodologie sont protégés par le droit d’auteur de l’American Marketing Association. Les chercheurs académiques peuvent adapter les échelles pour des motifs d’investigation scientifique non commerciale sous le régime de l’usage loyal (Fair Use), sous réserve d’une citation bibliographique intégrale des auteurs.
- Tarification : L’usage dans le cadre de recherches académiques est gratuit. En revanche, toute intégration dans des systèmes logiciels propriétaires, des algorithmes de profilage FinTech commerciaux ou des plateformes de conseil financier professionnel nécessite une demande d’autorisation formelle auprès des titulaires des droits ou de la direction des publications de l’AMA.
12. Références / References
Les publications fondatrices et contextuelles associées à cette échelle comprennent :
- Bordalo, P., Gennaioli, N., & Shleifer, A. (2012). Salience theory of choice under risk. The Quarterly Journal of Economics, 127(3), 1243–1285. https://doi.org/10.1093/qje/qjs018
- Kahneman, D., & Tversky, A. (1979). Prospect theory: An analysis of decision under risk. Econometrica, 47(2), 263–291. https://doi.org/10.2307/1914185
- Kim, J., & Lakshmanan, A. (2021). Do Animated Line Graphs Increase Risk Inferences? Journal of Marketing Research, 58(3), 595–613. https://doi.org/10.1177/0022243721993829
- Loewenstein, G. F., Weber, E. U., Hsee, C. K., & Welch, N. (2001). Risk as feelings. Psychological Bulletin, 127(2), 267–286. https://doi.org/10.1037/0033-2909.127.2.267
- Markowitz, H. (1952). Portfolio selection. The Journal of Finance, 7(1), 77–91. https://doi.org/10.1111/j.1540-6261.1952.tb01525.x
- Slovic, P., Finucane, M. L., Peters, E., & MacGregor, D. G. (2004). Risk as analysis and risk as feelings: Some thoughts about affect, reason, risk, and rationality. Risk Analysis, 24(2), 311–322. https://doi.org/10.1111/j.0272-4332.2004.00433.x
- Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive Science, 12(2), 257–285. https://doi.org/10.1207/s15516709cog1202_4
- Ware, C. (2013). Information visualization: Perception for design (3rd ed.). Morgan Kaufmann. https://doi.org/10.1016/C2009-0-62325-1