Un modèle mental
N-sigma event (événement à n-sigma). Réalisation qui s’écarte de la moyenne de n écarts-types (donc potentiellement rare/extrême). Dans un monde “gaussien”, ~68% des cas tombent dans l’intervalle ±1σ autour de la moyenne. Et, plus n est grand, plus l’événement est censé être rare [1]. Mais en pratique (finance, systèmes complexes), les queues sont plus épaisses : les événements à 4σ/6σ surviennent bien plus souvent que prévu et dominent les pertes. L’intérêt du modèle est d’identifier où un système est exposé aux extrêmes (levier, concentration, dépendances) et d’éliminer les configurations qui cassent sur un seul choc (risque de ruine). Plus généralement, ce modèle rappelle que, dès que quelques événements rares expliquent l’essentiel des résultats, optimiser la moyenne est trompeur : la priorité est la survie, puis l’arbitrage rendement vs robustesse.
[1] ±1σ : 68.27% (dehors 31.73%); ±2σ : 95.45% (dehors 4.55%); ±3σ : 99.73% (dehors 0.27%); ±4σ : 99.9937% (dehors 0.0063%); ±5σ : 99.999943% (dehors 0.000057%); ±6σ : 99.9999998% (dehors 0.0000002%)
Une idée originale
“On ne peut pas gérer ce qu’on ne mesure pas.”
– Peter Drucker
English version
A mental model
N-sigma event. An outcome that deviates from the mean by n standard deviations. In a “Gaussian” world, ~68% of cases fall within the ±1σ interval around the mean, and the larger n is, the rarer the event is supposed to be. But in practice (finance, complex systems), tails are thicker: 4σ/6σ events occur far more often than expected and dominate losses. The point of the model is to identify where a system is exposed to extremes (leverage, concentration, dependencies) and to eliminate setups that break under a single shock (risk of ruin). More generally, this model reminds us that whenever a handful of rare events explain most outcomes, optimizing the average is misleading: the priority is survival, then the trade-off between return and robustness.
An original idea
“You can’t manage what you don’t measure.“
– Peter Drucker