Aller au contenu

Feuille de route méthodologique

Résumé. Cette feuille de route trace les choix de conception derrière le cadre Cycle Position Vector (CPV) actuel. Chaque item documente le problème, la méthode adoptée, le code concerné et le critère d'acceptation. Seuls les items actifs dans le pipeline courant sont listés.

#1 — Null surrogate par phase publiée

  • Problème. Sans null, un « cycle » trouvé dans n'importe quelle série bruitée ne peut pas être distingué d'une coïncidence.
  • Méthode. Bootstrap AR(1) (Torrence & Compo, 1998 ; Grinsted et al., 2004) ajustant AR(1) sur l'entrée, simulant \(B = 1\,000\) trajectoires préservant moyenne / variance / persistance ; rejet du cycle si la band-power réelle n'excède pas le percentile \((1 - \alpha)\) des surrogates.
  • Code. ecowave/cycles/surrogate.py (Porte 1) ; ecowave/scoring/null_test.py (null \(\eta^2\) pilote-fenêtre) ; ecowave/waves/model_f_cycles.py (porte au niveau modèle).
  • Acceptance. Chaque cellule de cycle_positions est publiée avec une \(p\)-value ; les cellules à \(p \geq 0.05\) portent phase = rejected, separable = 0.

#2 — Consensus multi-méthode

  • Problème. Toute décomposition seule peut être spécifique à ses propres hypothèses paramétriques. Un cycle qui n'émerge que sous une méthode n'est pas un cycle robuste.

  • Méthode. Quatre méthodes votantes aux hypothèses génératives très différentes votent sur chaque phase :

    Publier la phase modale seulement si \(\geq 3\) sur 4 s'accordent ; sinon disputed. - Code. ecowave/cycles/consensus.py (Porte 2) ; ecowave/scoring/null_test.py:all_models_null_report (panel par méthode). - Acceptance. Les votes par méthode sont stockés dans cycle_consensus ; le rapport CPV liste l'étiquette de chaque méthode pour chaque cellule publiée.

#3 — Universalité cross-groupes

  • Problème. Un cycle qui n'existe que pour les pays à haut revenu n'est pas un « cycle global ».
  • Méthode. Un cycle est qualifié universal pour un mois donné seulement si \(\geq 4\) agrégats de revenu sur 5 (WLD + HIC + UMC + LMC
  • LIC) concordent sur la phase modale. Sinon regional / idiosyncratic.
  • Code. ecowave/cycles/universality.py (Porte 3) ; persisté dans cycle_universality.
  • Acceptance. Chaque cycle a un drapeau d'universalité dans le rapport CPV.

#4 — Holdouts hors-échantillon pré-enregistrés

  • Problème. L'ajustement intra-échantillon est la source canonique des faux positifs macroéconomiques (Bailey & López de Prado 2014).
  • Méthode. Les pilotes 2020 et 2022 sont des holdouts pré-enregistrés (champs registered_at et holdout sur Pilot). Gelés avant la finalisation des fenêtres de référence du manifest.
  • Code. ecowave/pilots.py ; ecowave/evaluation.py (AUROC EWS poolé + par-pilote, y compris holdouts).

#5 — Extension historique longue (Maddison + Jordà-Schularick-Taylor) — IMPLÉMENTÉ

  • Problème. 65 ans de données WB \(\approx 1.0\)–\(1.5\) cycle de Kondratieff. La Porte 1 (bootstrap AR(1)) ne peut pas distinguer une vraie K-wave d'une excursion lisse de bruit rouge sur si peu de cycles.
  • Méthode. Ajouter un deuxième chemin d'ingestion lisant Maddison Project 2023 (PIB par habitant réel 1820-2022) et Jordà-Schularick-Taylor R6 (crédit, prix immobiliers, actions, taux long, CPI, monnaie pour 18 économies avancées 1870-2020). 154 ans × 18 pays donnent \(\geq 3\) K-waves, \(\geq 8\) Kuznets, \(\geq 17\) Juglar.
  • Code. ecowave/cycles/long_history.py ; nouveau long_history_manifest.json ; option CLI position-cycles --horizon long.
  • Acceptance. Sur le panel long-horizon, le signal Juglar émerge proprement à la période attendue (~9 ans) ; K3 et K4 sont retrouvés à \(\pm 5\) ans de la datation de Korotayev & Tsirel (2010).

#6 — Composite par bande — IMPLÉMENTÉ

  • Problème. Le composite original z-scorait chaque indicateur sur son historique complet puis moyennait sur indicateurs. Le contenu cyclique à une fréquence donnée était dilué par les indicateurs non-cycliques à cette fréquence.
  • Méthode. Pour chaque bande, d'abord filtrer CF chaque indicateur dans la bande, puis z-scorer et moyenner. La composite est désormais spécifique à la bande et concentre la puissance cyclique dans la cible.
  • Code. ecowave/cycles/runner.py:_composite_panel(panel, band=...).
  • Acceptance. Sur le panel WB avec --null dual, le nombre de cellules survivant à la Porte 1 est passé de 4 à 7, avec des phases concrètes (contraction / expansion) au lieu de simples disputed.

#7 — Null dual (AR(1) + scramble de phase) — IMPLÉMENTÉ

  • Problème. Le bootstrap AR(1) absorbe une partie du contenu cyclique dans le paramètre de persistance \(\varphi\) (Vyushin & Kushner 2009). Le scramble de phase (Theiler, 1992) préserve exactement le spectre ; les deux sont complémentaires.
  • Méthode. Calculer les deux nulls ; une cellule passe la Porte 1 seulement quand les deux rejettent. La porte duale conservative approche un vrai test « cycle réel ».
  • Code. ecowave/cycles/surrogate.py:phase_scramble_null + dual_null. Option CLI --null dual.
  • Acceptance. La porte duale est par définition \(\geq\) chaque porte individuelle ; elle attrape les faux positifs propres à chaque null.

#8 — Puissance wavelet comme statistique alternative — IMPLÉMENTÉ

  • Problème. La band-power CF est sensible au bord sur les derniers \(\lfloor \text{hi\_years} / 2 \rfloor\) échantillons — précisément la zone la plus pertinente pour la politique économique.
  • Méthode. Utiliser le scaleogramme Morlet \(|W(s, t)|^2\) intégré dans la bande comme statistique de test ; bootstrap AR(1) comme distribution nulle. Moins sensible au bord que CF.
  • Code. ecowave/cycles/surrogate.py:wavelet_bandpower_null. Option CLI --null wavelet.

#9 — Extension trimestrielle pour Kitchin — IMPLÉMENTÉ

  • Problème. La fréquence annuelle plafonne Kitchin à la bande haute 4-5 ans (Nyquist).
  • Méthode. Chemin d'ingestion trimestriel : FRED GDPC1 / CPIAUCSL / UNRATE pour les États-Unis, Eurostat namq_10_gdp / prc_hicp_mmor / une_rt_q pour l'agrégat Euro Area (EA20, 1995-présent) et pour DE/FR/IT, séries miroir OECD/IFS hébergées sur FRED (JPNRGDPEXP, NGDPRSAXDCGBQ, NGDPRSAXDCCAQ, JPNCPIALLMINMEI, GBRCPIALLMINMEI, LRUNTTTTJPM156S, LRUN64TTGBQ156S) pour JPN/GBR/CAN. La connexion SDMX 2.1 directe à sdmx.oecd.org reste expérimentale — le registre de structure retourne payload vide sur les chemins standards /datastructure et /dataflow?references=descendants, rendant l'introspection du DSD impossible sans hardcoding par dataflow. Trois variables au v1 : Q_GDP (log-différence annualisée), Q_CPI (log-différence annualisée), Q_UNRATE (niveau). Six groupes : USA, EA, JPN, GBR, G7Q, OECDQ. Le runner threade samples_per_year=4 dans CF + Morlet + surrogates ; la conditionnelle Kitchin du runner libère la bande complète 3-5 ans (le chemin annuel --horizon wb continue à narrower 4-5 ans comme diagnostic). Période EA = 1995-présent (124 trimestres, \(\geq\) 25 cycles Kitchin) ; flag noté dans le rapport.
  • Code. ecowave/cycles/quarterly.py ; quarterly_manifest.json ; nouvelle table SQLite cycle_observations_quarterly (schéma 0.5.1) ; option CLI position-cycles --horizon quarterly. Tests : tests/test_quarterly_panel.py, tests/test_samples_per_year_thread.py, tests/test_kitchin_gate_conditional.py, tests/test_runner_quarterly_smoke.py.
  • Acceptance. Sur le run 2026-05 :
    • Kitchin séparable (\(p = 0.001\)) sur les 6 groupes (USA, EA, JPN, GBR, G7Q, OECDQ) là où le rapport _wb annuel affiche rejected partout.
    • USA Kitchin = contraction (Gate 2 consensus), GBR Juglar + Kuznets = contraction, OECDQ Juglar = contraction.
    • Non-régression sur --horizon wb : aucun changement de phase Juglar/Kuznets/Kondratieff par rapport au run pré-Path-5.

#11 — Pondération des méthodes par bande — IMPLÉMENTÉ

  • Problème. Le run trimestriel 2026-05 a montré que D (PELT) et G (Bry-Boschan) se calibrent mal sur certaines bandes :
    • D sur Kitchin (3-5 ans) : la longueur typique d'un segment PELT (5-10 ans sur des séries macro) dépasse la période du cycle, ce qui fait que le dernier segment moyenne plusieurs cycles et que la phase de fin est dominée par la tendance, non par le cycle. Vote constant sur Kitchin : expansion.
    • G sur Kitchin : la datation Bry-Boschan / Harding-Pagan requiert un cycle complet pour déclarer un pic/creux ; sur Kitchin à résolution trimestrielle, l'incertitude sur les 1-2 derniers trimestres rend la classification systématiquement "post-pic descendant". Vote constant : contraction.
    • D sur Kondratieff (40-60 ans) : sur 66 ans de panel, il n'y a que 1.1 à 1.65 K-cycles. PELT collapse à un segment unique → classification non-informative.
  • Méthode. Pré-enregistrer une liste de méthodes admises par bande dans CYCLE_BANDS[band]["methods"], avec un seuil d'accord ad-hoc min_agreement :
    • Kitchin : (F, E), seuil 2 (unanimité du panel admis).
    • Juglar : (D, E, F, G), seuil 3 (3/4 — règle historique conservée).
    • Kuznets : (D, E, F, G), seuil 3 (idem).
    • Kondratieff : (E, F, G), seuil 2 (majorité du panel admis). Les votes des méthodes écartées restent persistés dans cycle_consensus pour la transparence ; ils ne pèsent simplement pas dans la Porte 2.
  • Code. ecowave/cycles/bands.py (champs methods + min_agreement) ; ecowave/cycles/consensus.py (kwarg allowed_methods + min_agreement) ; ecowave/cycles/runner.py (passage des deux depuis la bande). Test : tests/test_consensus_per_band.py (7 cas).
  • Acceptance. Sur le run quarterly 2026-05, gain net de 4 cellules à consensus :
    • GBR Kitchin : disputed → peak (F+E concordent).
    • G7Q Juglar : disputed → contraction (3/4).
    • OECDQ Juglar : disputed → contraction (3/4).
    • GBR Kondratieff : disputed → expansion (E+G majoritaires). Les cellules USA Kitchin = contraction, EA Kuznets = expansion restent stables. Aucune cellule n'a régressé hors variabilité stochastique de Markov-switching d'une exécution à l'autre.

#10 — Variables manquantes (couverture) — TODO

  • L'indicateur de protestations S (S2, Mass Mobilization / ACLED post-2020) et l'indicateur de tonalité narrative I (I2, GDELT tone) restent à ingérer — tous deux listés not_automatable_v1 dans sources_manifest.json.
  • La couverture symétrique US + zone euro sur les courbes S et D est partielle ; ECB CISS démarre en 1999, ce qui affaiblit C3 (robustesse bi-fenêtre) sur D.

#12 — Évidence par variable (test Gate 1 sans compositing) — IMPLÉMENTÉ

  • Problème. Le composite z-scoré dilue les cycles sectoriels : Kitchin (1923) découvert sur chargements ferroviaires devient invisible sur le composite GDP+inflation+chômage+crédit, parce que les séries sans contenu Kitchin sont z-scorées à variance unitaire et moyennées comme du bruit. Cf. Wen (2005) qui démontre que le cycle d'inventaire existe sur les séries sectorielles mais pas sur le PIB.
  • Méthode. Pour chaque (horizon, agrégat, variable, cycle), z-scorer la série individuelle (pas le composite) et lancer Gate 1 avec le même null dual et le même nombre de surrogates que sur le composite. Publie la matrice de p-values brute et le taux de survie par variable (combien d'agrégats voient le cycle survivre quand on isole cette variable).
  • Code. ecowave/cycles/evidence.py (calcul + rendu) ; commande ecowave evidence-per-variable --as-of YYYY-MM. Sorties : reports/cycle_position_per_variable_*.json (sidecars par horizon) et docs/evidence_per_variable.md (page publique de la section 1 de la nav).
  • Acceptance. La page démontre la thèse centrale du projet : les rejets composites sont cohérents avec la littérature critique empirique moderne (Wen 2005 pour Kitchin, Solomou 1987 pour Kuznets/Kondratieff, etc.).

#13 — Allongement des séries temporelles — EN COURS (phasé)

  • Problème. L'inférence statistique sur les cycles longs souffre d'un manque de répétitions dans l'échantillon. Le panel WB (1960-2024) capture ~1.3 cycles Kondratieff — quasiment impossible à distinguer d'un AR(1). L'horizon long (Maddison + JST R6, 1870-2020) porte à ~3 K-waves, encore marginal. Plus de cycles dans l'échantillon = plus de puissance pour battre les nulls et reproduire (ou réfuter) les observations originales des découvreurs.

  • Méthode. Quatre voies d'extension explorées (mai 2026). Les hypothèses initiales ont été corrigées par une étude bibliographique :

    Voie Source canonique Couverture utile Effort Verdict
    BoE Millennium XLSX 28 Mo + miroir CSV datahub.io/economic-history/millennium-macroeconomic-data-uk (OGL-UK-3.0) UK 1086+ annuel · 1700+ trimestriel · ~130 séries ~1 jour ✅ priorité
    JST R6 (élargie) macrohistory.net/app/download/9834512469/JSTdatasetR6.dta (CC BY-NC-SA) 18 AE × 1870-2020 × 45 variables (on n'en utilise que 6) trivial ✅ gain immédiat
    BIS bulk data.bis.org/bulkdownload + pysdmx officiel 44 économies × trimestriel × 1960-2026 · credit-gap Borio, RPP, DSR ~1 jour ✅ priorité
    Mitchell IHS Springer Palgrave online (accès institutionnel requis) · pas de bulk public 1750-2010 · ~600-900 séries sectorielles (charbon, fonte, wagons…) · 200 pays 1-2 j scraping + 1 sem nettoyage ⏸ dépend accès Springer
    ~~Toutain France~~ ISMEA imprimé · pas de digital 1789-1819 sur France seule 2-4 sem OCR ❌ skip (proxy CEPII Villa si besoin)

Trois corrections importantes vs la première rédaction de cet item :

1. **JST R7 n'existe pas** (vérifié mai 2026). R6 (juillet 2022)
   reste canonique. Mais R6 publie **45 variables**, le manifest
   CPV n'en utilise que 6 → Phase 0 ci-dessous.
2. **BIS RPP long ne remonte pas à 1870** mais à 1970-71 sur le
   panel AE. BIS apporte donc trimestriel + couverture EM (Brésil,
   Chine, Inde, Mexique, Corée, Turquie absents de CPV) + le
   Borio credit-gap prêt à l'emploi — pas de profondeur historique
   supplémentaire.
3. **Toutain n'est pas digitalisé**. Le segment unique de Toutain
   (1789-1819 sur France) est aussi la partie la plus contestée
   de sa propre reconstruction (frontières Empire/Restauration).
   Gain CPV : <1% du panel multi-pays — à skipper sauf besoin
   spécifique, auquel cas CEPII Villa
   (`cepii.fr/CEPII/fr/bdd_modele/bdd_modele_item.asp?id=31`,
   1820+, déjà digital) est le proxy.

  • Plan d'exécution priorisé (ratio gain/effort) :

    • Phase 0 — JST R6 élargi (1 jour, IMMÉDIAT). Étendre long_history_manifest.json aux 39 variables JST R6 non utilisées (RORE, mortgages, dette publique, current account, total credit, debt service, etc.). Aucune nouvelle source — même Stata file, même 18 pays, même 1870-2020. Gain énorme pour la thèse Wen : on pourra tester Gate 1 individuellement sur séries crédit/équity/foncier séparées au lieu d'un composite.
    • Phase 1 — BoE Millennium (1 jour). Nouveau module ecowave/cycles/boe_millennium.py, loader CSV depuis miroir datahub.io (pas xlsx pour éviter le 403 Cloudflare BoE), nouveau group UK_BOE_1086 (annuel) + UK_BOE_Q (trimestriel), nouveau manifest boe_millennium_manifest.json. Extension de position-cycles --horizon boe. Gain Kondratieff : 1086-2024 = ~16-23 K-waves théoriques, 1700+ = 5-8 K-waves avec qualité de données fiable.
    • Phase 2 — BIS bulk (1 jour). Nouveau module ecowave/cycles/bis_bulk.py via pysdmx officiel ou pandas.read_csv après unzip. Nouveaux groupes EM. Ingest WS_CREDIT_GAP + WS_SPP long + WS_DSR. Gain Kuznets : 2-3 cycles supplémentaires par pays + 20+ pays nouveaux.
    • Phase 3 — Mitchell IHS (1-2 sem, conditionnelle). Si accès Springer Palgrave disponible : scraper poli (1 req/s) ~50 tables sectorielles prioritaires (coal UK 1700+, pig iron UK 1720+, US pig iron 1810+, etc.). Gain Wen 2005 direct : on aurait les séries originales des découvreurs. License restrictive (raw tables non-redistribuables, indicateurs dérivés OK).
    • Phase 4 — Toutain : skippé.

  • Code. À écrire :

    • ecowave/cycles/boe_millennium.py (Phase 1)
    • ecowave/cycles/bis_bulk.py (Phase 2)
    • ecowave/cycles/mitchell_ihs.py (Phase 3, conditionnel)
    • Extensions de long_history.py pour Phase 0 (variables additionnelles JST R6) + de cli.py position-cycles pour nouveaux --horizon values (boe, bis).

  • Acceptance. Le panel "histoire longue étendu" couvre :

    • ≥ 200 ans pour ≥ 5 agrégats (UK_BOE pousse à 300+ ans),
    • ≥ 30 variables (Phase 0 seule porte à 45),
    • Gate 1 dual-null sur Kondratieff a un p ≤ 0.05 sur au moins UK_BOE_1700 + l'agrégat ADV18-étendu.

  • Références sources (validées via web search mai 2026) :

    • BoE Millennium : bankofengland.co.uk/statistics/research-datasets · mirror datahub.io/economic-history/millennium-macroeconomic-data-uk
    • JST R6 : macrohistory.net/database/ · doc JST_RORE_Documentation_R6.pdf
    • BIS bulk : data.bis.org/bulkdownload · lib github.com/bis-med-it/pysdmx
    • Mitchell IHS online : link.springer.com/referencework/10.1057/978-1-137-30568-8

#15 — Diagnostics non-cycliques (toolkit de l'au-delà-des-cycles) — IMPLÉMENTÉ

  • Problème. La chaîne d'audits (CN_BIS K, WLD-WB K, G7-long/UK_BOE K, Wen 2005 falsifié) + safeguard #14 a démontré qu'aucun cycle canonique n'est statistiquement défendable dans le pipeline CPV. Mais les séries macro ne sont pas du bruit blanc : ACF lag-1 ≈ 1.000 sur 30 % des séries, agglomération de la volatilité, distributions à queues lourdes des crashes, trends structurels post-1980. Quelque chose de non-cyclique mais structuré s'y produit. La page Au-delà des cycles — cadres physiques alternatifs recense 15 familles candidates ; il faut un toolkit minimal pour les comparer empiriquement sur les données CPV.

  • Méthode (livrée). Module ecowave/cycles/alternative_dynamics.py avec 11 diagnostics statistiques compacts (Tier 1 du panorama étendu PR #22) :

    1. DFA / Hurst exponent (famille C) — hurst_dfa(series).
    2. MF-DFA spectrum width (famille B) — mfdfa_spectrum(series).
    3. Power spectrum slope 1/f^β (famille A — SOC) — spectrum_slope(series).
    4. Hill tail exponent (famille A — queues loi de puissance) — hill_tail_exponent(series).
    5. Permutation entropy + complexité LMC (famille I) — permutation_entropy_complexity(series).
    6. Critical slowing down (famille E) — critical_slowdown(series).
    7. Lévy stable α (famille J) — levy_stable_fit(series).
    8. K41 scaling ζ(6)/ζ(3) (famille P — cascades turbulence) — k41_scaling(series).
    9. MSD log-log slope (famille R — diffusion anormale) — msd_log_log(series).
    10. Tsallis q index (famille T — non-extensivité) — tsallis_q_gaussian(series).
    11. Reflexivity drift KS (famille S — composante transversale) — reflexivity_drift(series).

    Panel-level : rmt_panel(group_panel) (famille G — RMT) calcule le spectre de covariance et compare à la bande Marchenko-Pastur.

  • Code. Module ecowave/cycles/alternative_dynamics.py + refactor de ecowave/cycles/surrogate.py qui délègue aux nouveaux générateurs ecowave/cycles/surrogate_generators.py (ar1_surrogate_series, phase_scramble_surrogate_series). Nouvelle commande CLI ecowave dx-diagnostics --as-of YYYY-MM --horizons {wb|q|long|boe|bis|sh} qui :

    • applique les 11 diagnostics à chaque variable individuelle de chaque horizon (band-agnostique — pas d'axe cycle) ;
    • applique le RMT panel-level à chaque (horizon, group) ;
    • produit deux sidecars JSON par horizon : reports/dx_diagnostics_{as_of}_{horizon}.json (per-variable) et reports/dx_rmt_{as_of}_{horizon}.json (panel-level) ;
    • produit une page consolidée docs/dx_diagnostics.md avec heatmaps emoji-codées (🟢 ≤ 0.01 · 🟡 0.01-0.05 · 🟠 0.05-0.10 · 🔴 > 0.10), table de mapping vers les familles du panorama, et section transversale Réflexivité (famille S) qui liste les variables où le null AR(1) est rejeté sur le drift de distribution.
  • Acceptance. Pour chaque famille du panorama Tier 1, on peut dire "tel diagnostic favorise / défavorise ce cadre sur les données CPV". Chaque cellule du tableau de synthèse de la page methodology_beyond_cycles.md devient complétable. Critère fonctionnel : dx_diagnostics.md publie 11 lignes (une par diagnostic) × N colonnes (variables) × 6 horizons.
  • Garde-fou méthodologique. Chaque diagnostic Tier 1 est accompagné d'un null hypothesis test avec surrogates (AR(1) bootstrap ou phase-scrambling Theiler 1992) à α=0.05. Tail-test choisi par diagnostic : upper (Hurst, β, Δα, ζ, q, KS, τ_var), lower (perm-entropy, α_Hill, α_Lévy), two-sided (MSD γ).
  • Décision design : pas de découpage 4-cycles. Les diagnostics mesurent des propriétés structurelles globales des séries, pas band-spécifiques. Le scaffold Kitchin/Juglar/Kuznets/Kondratieff qu'on vient de falsifier n'est PAS réintroduit ici.
  • Cohabitation Gate 1 ↔ diagnostics. Les 4 cycles canoniques restent la cible de falsification dans Gate 1/2/3. Item #15 ajoute un étage parallèle sans toucher à la taxonomie cyclique.
  • Tests. 17 tests unitaires sur les 11 diagnostics (tests/test_alternative_dynamics.py) + 8 tests de non-régression sur les générateurs surrogate (tests/test_surrogate_generators.py) qui garantissent que ar1_bootstrap_null et phase_scramble_null restent seed-stables.

  • Dépendances ajoutées. nolds==0.6.2, antropy==0.1.8 (rebuild Docker requis).

  • Résultats du premier run end-to-end (as-of 2026-05, 100 surrogates, 9 436 cellules). Run effectué post-rebuild image Docker (PR #24 fix MF-DFA actif, zéro warning numérique). Couverture : 14 diagnostics × 336 (variable × group) × 6 horizons + 12 records RMT panel-level. Verdict structurel :

    Diagnostics dominants (taux de rejet null AR(1) ou phase-scramble, α = 0.05, toutes horizons confondues) :

    Diagnostic Famille Rejet Stat médiane
    bds_independence D — non-linéarité 88 % 3.70
    permutation_entropy_complexity I — information 69 % H_perm = 0.85
    reflexivity_drift S — transversal 51 % KS = 0.82
    hurst_dfa C — longue mémoire 51 % H = 1.62
    tsallis_q_gaussian T 43 % q = 1.05
    msd_log_log R — diffusion anormale 42 % γ = 1.12
    hill_tail_exponent A — queues 41 % α_Hill = 3.59
    k41_scaling P — cascades K41 37 % ζ(6)/ζ(3) = 1.78
    levy_stable_fit J — Lévy 32 % α = 2.00
    reflexivity_multi_window S étendu 30 % 0.99
    critical_slowdown E — tipping 30 % τ = 0.27
    mfdfa_spectrum B — multifractalité 27 % Δα = 0.81
    lyapunov_exponent D — chaos 19 % λ = 0.07
    spectrum_slope A — SOC 1/f^β 15 % β = 1.75

    Ce qui est confirmé empiriquement :

    • Quasi-universalité du rejet IID : 88 % BDS + 69 % perm-entropy → les séries macro ne sont ni du bruit blanc, ni de l'AR(1), ni du random walk pur.
    • Longue mémoire forte : Hurst médian = 1.62 (>> 0.5 attendu pour fBm classique) + 51 % de rejet — la persistance est structurelle sur la moitié des séries.
    • Cascade multifractale : ζ(6)/ζ(3) médian = 1.78 (< 2 K41 monofractal) → signature She-Levêque anomalous scaling, cohérente avec turbulence des marchés (Ghashghaie et al. 1996).
    • Mode dominant RMT : 9 groupes sur 12 ont λ_top > λ_max MP. ANGLO (8.54), UK_BOE (6.06), G7 (4.55), BRICS (4.27) — un facteur unique explique la majorité de la variance.
    • Réflexivité statistique : 51 % de drift de distribution significatif → changements de régime cognitif documentés empiriquement (Soros 1987, Akerlof-Shiller 2009).

    Ce qui est réfuté empiriquement :

    • ❌ SOC pur (1/f^β strict) : 15 % de rejet seulement → la signature SOC canonique de Bak-Tang-Wiesenfeld n'est PAS le cadre dominant pour la macroéconomie.
    • ❌ Critical slowing down : 30 % → la majorité des séries ne sont pas en approche d'un tipping point sur la fenêtre observée. Bonne nouvelle systémique, mauvaise nouvelle pour les early warning systems.
    • ❌ Chaos déterministe (Lyapunov) : 19 % → la dynamique n'est pas dominée par un attracteur chaotique de basse dimension. La macro n'est pas un Lorenz.

    Top variables porteuses (multi-diagnostic >75 % de rejet) :

    LH_IMPORTS (86%), LH_EXPORTS (85%), LH_MONEY (85%), LH_EXP (82%), LH_REV (81%), LH_NARROW (81%), LH_BANKDEBT (80%), BOE_MONEY (79%), LH_MORT (76%), LH_CREDIT (76%) — concentration nette sur agrégats monétaires et de crédit historiques (JST + BoE Millennium).

    Pattern par horizon (taux de rejet moyen) :

    • boe (1700-2016, 8 vars × 317 obs) : signaux les plus forts (perm-entropy + BDS = 100%, CSD = 94%, Tsallis = 81%). Effet "longueur de série" — la puissance statistique explose au-delà de 200 obs.
    • long (1870-2020, 6 groupes × 14 vars × 153 obs) : 96% BDS, 85% perm-entropy, 76% CSD, 65% Hurst. Confirme boe.
    • wb (1960-2024, 65 obs/série) : signaux les plus faibles — seul BDS (85%) tient. Les 65 ans WB sont trop courts pour la plupart des diagnostics structurels.

    Cadre vainqueur (cluster Q d'universalité empirique) :

    Les diagnostics qui co-rejettent le plus convergent sur 5 familles :

    C (longue mémoire) + B (multifractalité) + D (non-linéarité BDS) + I (information structurée) + S (réflexivité)

    → Le bon mot n'est ni « cycle » ni « chaos » ni « SOC » : c'est dynamique fractale non-linéaire à longue mémoire avec dérive de régime cognitif.

    Cohérent avec Mandelbrot 1997, Bacry-Muzy-Delour 2001, Ghashghaie et al. 1996, Soros 1987 et Akerlof-Shiller 2009.

    Implication pour la thèse du papier académique :

    "Le rejet quasi-universel des 4 cycles canoniques n'est pas une défaillance — c'est la confirmation empirique que la macroéconomie est une dynamique fractale non-linéaire à longue mémoire avec dérive de régime cognitif, pas une oscillation."

    Sidecars JSON : reports/dx_diagnostics_2026_05_{horizon}.json et reports/dx_rmt_2026_05_{horizon}.json. Page consolidée : docs/dx_diagnostics.md (162 KB).

#16 — Étude per-band vs band-agnostique (validation du design choice de #15) — TODO

  • Problème. L'item #15 a posé une décision design forte : "les diagnostics sont band-agnostiques car réintroduire un axe cycle ∈ {kitchin, juglar, kuznets, kondratieff} recréerait le scaffold qu'on vient de falsifier". Cette décision n'a pas été testée empiriquement. Sans étude de comparaison, on affirme un design choice plutôt qu'on ne le démontre. Reviewers et lecteurs sceptiques peuvent légitimement demander : "et si on faisait quand même per-band, qu'est-ce qu'on perdrait / gagnerait ?"

  • Méthode. Implémentation parallèle au module alternative_dynamics.py d'un module alternative_dynamics_per_band.py qui applique un sous-ensemble restreint de 4 diagnostics au signal CF-bandpassé dans chacune des 4 bandes (Kitchin 3-5y, Juglar 7-11y, Kuznets 15-25y, Kondratieff 40-60y) :

    1. spectrum_slope (β) — restreint à la bande de fréquence, mesure si la bande a sa propre loi de puissance interne.
    2. critical_slowdown (τ_var) — variance roulante du signal bandpassé, mesure si un tipping point cyclique approche.
    3. levy_stable_fit (α) — fit Lévy sur les incréments du signal filtré, mesure les queues du bruit dans la bande.
    4. hurst_dfa (H) — diagnostic marginal mais inclus pour complétude (sera probablement ≈ 0.5 par construction du filtre).

    Les autres diagnostics (MF-DFA, K41, RMT, perm-entropy, MSD, Tsallis, Hill, réflexivité) ne font pas sens per-band : soit multi-scale par définition (K41, MF-DFA), soit panel (RMT), soit transversaux (réflexivité), soit altérés par le filtre.

  • Code. Nouveau module ecowave/cycles/alternative_dynamics_per_band.py qui réutilise les fonctions atomiques de alternative_dynamics.py appliquées à cf_bandpass(series, lo_years, hi_years). Nouvelle commande CLI ecowave dx-diagnostics-per-band --as-of YYYY-MM --horizons {wb|q|long|boe|bis|sh} produisant reports/dx_diagnostics_per_band_{as_of}_{horizon}.json et page docs/dx_diagnostics_per_band.md avec table de comparaison directe par variable : colonnes = (raw, kitchin, juglar, kuznets, kondratieff) × diagnostic, lignes = variables. Le lecteur voit immédiatement si per-band ajoute de l'info.

  • Acceptance. Deux verdicts possibles, tous deux acceptables :
  • Cas A (probable a priori) : per-band n'ajoute pas d'info significative au-delà du band-agnostique. Conclusion : la décision design de #15 est validée empiriquement — pas juste affirmée. Le papier académique gagne une réponse falsifiabiliste à l'objection "vous n'avez pas montré le contrefactuel".
  • Cas B (intéressant si observé) : per-band révèle des structures internes (ex: bande Kondratieff filtrée montre un CSD significatif même quand Gate 1 rejette la band-power). Conclusion : nouvelle question de recherche, à creuser dans Roadmap #17.
  • Effort estimé. ~2 jours : module (1 j) + tests (0.5 j) + run + page rendering (0.5 j). À implémenter après merge de PR #23 (item #15).
  • Garde-fou méthodologique. L'étude #16 ne remplace pas l'étude #15. Le module per-band est strictement parallèle, pas substitut. La taxonomie cyclique n'est pas restaurée comme angle d'analyse principal — uniquement comme angle de validation.

#17 — Working paper (publication track) — V1 PUBLIÉE

  • Problème. L'item #15 a livré le verdict empirique (cluster C+B+D+I+S). Le verdict doit maintenant être publié sous forme académique reproductible et défendable contre les objections attendues. Sans un papier formel, le travail reste cantonné au site documentaire ; il ne peut pas être cité, évalué par les pairs, ni utilisé pour informer la politique économique au-delà du cercle CPV.

  • Méthode V1 (livrée 2026-05). Working paper en markdown intégré au site MkDocs (docs/papers/cpv_main_paper.md, ~10 000 mots, 1 352 lignes) structuré en 6 sections + 3 annexes :

    • §1 Introduction — stakes intellectuels (2008/2020 forecast failures), lacunes des critiques antérieures (Garvy 1943, Solomou 1987, Wen 2005), claims explicites et limites.
    • §2 Méthodologie — chaque choix justifié point par point : dual null (AR(1) + phase-scramble), consensus 4 méthodes, universalité, safeguard #14 contre artefacts d'agrégation, périmètre 11 familles / 14 diagnostics, décision design band-agnostique (3 raisons), réflexivité transversale.
    • §3 Données — 6 panels avec triple justification (couverture temporelle + dimensionnelle + indépendance).
    • §4 Résultats — réfutation 4 cycles, profil 14 diagnostics, pattern cross-horizon, variables porteuses (concentration sur monnaie/crédit historiques), RMT panel-level, cluster vainqueur.
    • §5 Discussion — working hypothesis ("dynamique fractale non- linéaire à longue mémoire avec dérive de régime cognitif"), 3 incompatibilités précises avec cycle-as-mechanism, 7 objections anticipées avec rebuttals détaillés (BDS-triviality, Hurst small-sample bias, per-horizon variance comme confondeur, multiple-comparison sans correction, LPPL bubble compatibility, reflexivity unfalsifiability, DSGE défense), 5 prédictions falsifiables pour stress-tester l'hypothèse.
    • §6 Conclusion.
    • 3 annexes : replication command Docker, panorama 21 familles, pré-enregistrement Roadmap #16.

  • Code. Aucun nouveau code. Le papier est entièrement reproductible via les sidecars JSON committés en PR #25 et la commande ecowave dx-diagnostics --as-of 2026-05.

  • Statut V1. PR #27 mergée le 2026-05-30 (07eaa82). Publié sur GitHub Pages sous la section nav "6. Working paper".

  • V2 — roadmap vers submission journal. Avant submission à un journal académique (cibles : Journal of Economic Methodology, Real-World Economics Review, Physica A, Journal of Economic Behavior & Organization), il reste :

    1. Run 1 000-surrogate (vs 100 actuel) — réplication statistique avec n_surrogates ≥ 1 000 pour rigueur publication. Coût ~10× le temps de run (estimation : 3-5 h sur tous horizons). Risque méthodologique nul (juste plus de puissance statistique). PR suivante : feat/dx-diagnostics-1000-surrogate-replication.
    2. Hurst bias-correction explicite — appliquer Bryce-Sprague (2012) sur les estimations DFA et republier les valeurs corrigées. §5.3.2 du papier mentionne le calcul mais ne l'inclut pas systématiquement.
    3. Résultats de Roadmap #16 (per-band study) — si Cas A (per- band n'ajoute rien), le papier gagne un argument empirique pour le design choice band-agnostique. Si Cas B, le papier doit être révisé pour intégrer la découverte.
    4. Co-auteurs académiques — identifier 1-2 macroéconomistes ou économétriciens disposés à co-signer, idéalement avec expertise en analyse multi-fractale ou réflexivité.
    5. Tests des 5 prédictions §5.4 — résultats partiels suffisent pour la V2 (au moins prédictions 2 et 3 testées sur données existantes).

  • Acceptance V2. Papier ré-écrit en LaTeX (pandoc depuis MD source), bibliographie BibTeX, prédictions §5.4 partiellement testées, run 1 000-surrogate intégré, statut prêt-submission.

#18 — Robustness extensions (prédictions falsifiables du papier §5.4) — TODO

  • Problème. Le papier §5.4 énonce 5 prédictions falsifiables pour stress-tester l'hypothèse cluster. Ces prédictions doivent être testées dans des PRs suivantes pour que la V2 du papier soit défendable. Chacune correspond à un mini-sprint d'effort variable.

  • Prédiction 1 — long-memory durability avant 1700. Tester si Hurst → 0.5 sur des séries pré-1700 (prix médiévaux, registres bancaires Renaissance). Si oui, la longue mémoire est un artefact post-déepening financier. Si non, c'est structural à toute économie monétisée.

    • Source candidate. Allen 2001 Real Wages dataset, Clark 2007 A Farewell to Alms (prix anglais 1209-1869), Hoffman et al. Dawn of Modern Banking (Florence/Venise 1300+). Probable ingestion manuelle (CSV depuis publications).
    • Code. Nouveau module ecowave/cycles/medieval_panel.py, manifest medieval_manifest.json, horizon --horizon medieval.
    • Effort estimé. ~3 jours (ingestion ardue, série courte).

  • Prédiction 2 — cross-panel robustness sur variables non- financières. Tester si le cluster (Hurst long memory, BDS non-linéarité, reflexivity drift) apparaît sur des séries non- financières : participation au marché du travail, scolarisation, espérance de vie, consommation énergétique. Si le cluster est spécifique à la finance / monnaie / crédit, c'est une découverte plus restreinte (mais toujours intéressante). Si le cluster apparaît sur les variables réelles aussi, c'est structurel à toute série macro.

    • Source candidate. OWID datasets (health, education, energy per capita, life expectancy), ILO labour force participation, UNESCO school enrollment. APIs publiques, ingestion automatique.
    • Code. Nouveau module ecowave/cycles/real_economy_panel.py, manifest real_economy_manifest.json, horizon --horizon real.
    • Effort estimé. ~4 jours (3 sources, schémas hétérogènes).
    • C'est la prédiction la plus impactante pour la V2 du papier.

  • Prédiction 3 — multifractal vs monofractal discrimination. Avec un run MF-DFA 1 000-surrogate et nolds.mfdfa comme estimateur canonique (au lieu de l'implémentation custom), tester si Δα > 0 reste statistiquement significatif sur les variables LH du panel long. Si Δα → 0, le cluster picture se réduit à fractional Brownian monofractal — plus faible.

    • Code. Switch mfdfa_spectrum vers nolds.mfdfa ; n_surrogates → 1 000 ; re-run sur horizon long uniquement (suffisant pour discrimination).
    • Effort estimé. ~1 jour (switch lib + re-run).

  • Prédiction 4 — regime-conditioned forecast performance. Construire un benchmark forecasting comparant : (a) ARFIMA + regime- switching + heavy-tail innovations, (b) cycle-conditioned baseline (predict Juglar contraction in N years), (c) random walk. Test out-of-sample sur 2020-2024 data. Si (a) bat (b) systématiquement, le cluster picture gagne un argument pratique fort.

    • Code. Nouveau module ecowave/forecasting/regime_conditioned.py, pipeline d'évaluation ecowave forecast-benchmark. Sortie : MAE / RMSE / coverage par horizon, par variable.
    • Effort estimé. ~10 jours (le plus gros chantier — modélisation ARFIMA + regime-switching non-triviale, intégration heavy-tail innovations encore moins).
    • À reporter en V3 du papier (trop substantielle pour V2).

  • Prédiction 5 — reflexive split-point specificity. Avec reflexivity_multi_window étendue à 1 000 surrogates, tester si le split-point dominant clusterise sur des dates pré-enregistrées (1971 floating exchange rates pour vars financières, 1944 Bretton Woods pour vars commerciales). Si oui, c'est une opérationnalisation forte de la réflexivité Soros. Si non, c'est un bruit générique.

    • Code. Aucun nouveau code. Re-run de dx-diagnostics avec n_surrogates = 1 000 + analyse post-hoc des per_window metadata dans les sidecars JSON.
    • Effort estimé. ~1 jour (re-run + script d'analyse).

  • Priorisation. Pour V2 du papier (~3 mois), faire : Prédiction 3 (1 j) + Prédiction 5 (1 j) + Prédiction 2 (4 j) = 6 jours de travail empirique + intégration dans le papier (2 jours) = ~8 jours total. Prédictions 1 et 4 reportées en V3.

#19 — Page conceptuelle "Implications du verdict CPV" — LIVRÉE

  • Problème. Le verdict empirique (cluster C+B+D+I+S) est empirique. Il n'avait pas été cartographié dans ses implications pour la modélisation, la prévision, la politique économique, et la théorie. Un lecteur qui découvre le projet — chercheur, journaliste, policy maker, étudiant — devait soit lire le working paper (~10k mots) soit parcourir le toolkit lui-même pour comprendre ce que ça veut dire.

  • Méthode (livrée 2026-05-30). Page docs/implications_of_cluster.md (~3900 mots, 5 sections + sign-off) :

    1. Le verdict en clair (rappel du cluster C+B+D+I+S, ce qui est réfuté).
    2. Implications pour la modélisation (5 familles candidates : MSM, ARFIMA+RS, HAR, MRW, HABM, AMH, active inference — couverture du cluster, libs Python disponibles, effort).
    3. Implications pour la prévision (horizon compte, comparateurs canoniques, métriques propres, régime-conditioning).
    4. Implications pour la politique économique (inflation targeting, macroprudentiel/Bâle, VaR vs ES, horizons de forecasting, réflexivité communicationnelle).
    5. Implications pour la théorie (cycle → cascade, DSGE en accusation, cycles narratifs vs mécanistes, synthèse théorique manquante, AMH comme méta-cadre).
    6. Conclusion + chantiers ouverts.

  • Code. Aucun. Pure documentation, intégrée à mkdocs sous la section nav "Working paper".

  • Acceptance. Un lecteur comprend en 20 minutes ce que le verdict CPV implique pour la modélisation, la prévision, la politique, et la théorie sans avoir lu le working paper. Page rendue, mkdocs build --strict passe.
  • Liens : la page elle-même (implications_of_cluster.md) ; PR de livraison (feat/implications-of-cluster). Note : la page a été déplacée sous docs/reference/ lors de la refonte hub multi-track (Roadmap #22, Phase 1).

#20 — Benchmark de modélisation : MSM + HAR + ARFIMA+RS — LIVRÉ ✅

  • Problème. Le verdict empirique CPV (cluster C+B+D+I+S) identifie une signature structurelle. Reste à construire un modèle qui reproduit la signature et démontre son utilité pratique pour la prévision. Sans benchmark concret, la critique des cycles reste destructrice ; il faut le pendant constructif. C'est aussi la matière de la nouvelle §6 du working paper V2.

  • Méthode. Nouveau module ecowave/forecasting/ avec 4 modèles benchmark + pipeline d'évaluation :

    1. MSM (Markov-Switching Multifractal) — Calvet-Fisher 2002, 2004, 2008. Le candidat #1. Implémentation candidate : port Python du package R MSM (Lux 2008), ou réimplémentation custom basée sur Calvet-Fisher 2008 Multifractal Volatility chap. 3. Estimation par GMM (Lux 2008) ou Simulated Maximum Likelihood (Calvet-Fisher 2004). Couvre B + S + queues lourdes simultanément.

    2. HAR (Heterogeneous Autoregressive) — Corsi 2009. Baseline pratique. Implémentation triviale : OLS sur (daily, weekly, monthly) lags — ~30 lignes Python via statsmodels. Capture C par construction d'agrégation. Si MSM ne bat pas HAR, MSM n'apporte rien d'opérationnel.

    3. ARFIMA + Regime-Switching — Granger-Joyeux 1980, Bhardwaj-Swanson 2006. Couverture maximale C + S. Implémentation : Hosking 1981 récursion pour la composante fractionnaire (custom, ~20 lignes Python) + statsmodels.tsa.regime_switching.MarkovRegression.

    4. Random walk + AR(1) baselines — comparateurs canoniques.

Pipeline d'évaluation :

- **Split temporel** : train (1870-2019) / test (2020-2024) ; ou
  pseudo-out-of-sample expanding window pour les variables
  annuelles courtes.
- **Variables porteuses** : top 10 du cluster (LH_IMPORTS,
  LH_EXPORTS, LH_MONEY, LH_EXP, LH_REV, LH_NARROW, LH_BANKDEBT,
  BOE_MONEY, LH_MORT, LH_CREDIT) + panel contemporain (Q_GDP,
  Q_CPI, Q_UNRATE pour USA, EA, JPN, GBR).
- **Horizons** : 1, 3, 6, 12, 24 mois (annuel : 1, 2, 5, 10 ans).
- **Métriques** : RMSE, MAE, CRPS (proper scoring rule sensible
  aux queues — Gneiting-Raftery 2007), coverage 95 % (calibration
  des forecast intervals), tail coverage (couverture aux 5 % de
  réalisations les plus extrêmes).
- **Décomposition par régime** : pré-2008 vs post-2008, pré-COVID
  vs COVID vs post-COVID. Si un modèle bat random walk en moyenne
  mais sous-performe catastrophiquement en COVID, c'est *l'opposé*
  d'un modèle utile.

  • Code. Nouveau dossier ecowave/forecasting/ :

    • msm.py — MSM implementation (estimation GMM ou SML).
    • har.py — HAR Corsi 2009.
    • arfima_rs.py — ARFIMA + regime-switching (Hosking récursion + MarkovRegression).
    • baselines.py — random walk, AR(1), ARMA(1,1).
    • benchmark.py — pipeline d'évaluation et comparaison.
    • proper_scoring.py — CRPS et coverage calculators.
    • CLI : ecowave forecast-benchmark --as-of YYYY-MM --horizon-months 1,3,6,12,24 --models msm,har,arfima_rs,ar1,rw produit reports/forecast_benchmark_{as_of}.json + page consolidée docs/forecast_benchmark.md.

  • Tests. Suite de validation sur dynamiques synthétiques connues :

    • MRW généré (Bacry-Muzy-Delour 2001) → MSM devrait outperformer.
    • fBm avec H connu → ARFIMA devrait outperformer.
    • AR(1) pur → baselines devraient outperformer.
    • Tests Mincer-Zarnowitz pour calibration des forecast biases.

  • Effort estimé. ~15 jours :

    • HAR + baselines + proper_scoring : 3 j
    • ARFIMA+RS : 4 j (Hosking récursion + intégration MarkovRegression)
    • MSM : 5 j (le plus complexe — estimation GMM nontriviale)
    • Pipeline benchmark + page rendering + tests : 3 j

  • Acceptance. Au minimum 1 modèle du cluster (MSM ou ARFIMA+RS) doit battre le random walk en out-of-sample CRPS sur l'horizon 12 mois sur ≥ 50 % des variables testées. Si aucun modèle ne bat random walk, le cluster picture perd un argument empirique pratique (et le papier V2 doit l'admettre — l'honesty falsifiabiliste s'applique aussi à notre propre cadre). Si MSM bat random walk, le cluster picture gagne son pendant constructif et la nouvelle §6 du papier V2.

  • Dépendances Python à ajouter. arch>=6.0 (GARCH variants), potentiellement rpy2 pour interop R si port MSM custom est trop coûteux. properscoring pour CRPS.

  • Lien V2 papier. Ce chantier est la matière de la nouvelle §6 du working paper V2 : "Constructive replacement — benchmark de modélisation". Sans cet item, V2 n'est pas défendable.

#21 — Bibliographie enrichie : modélisation post-cluster — TODO

  • Problème. La bibliographie actuelle (PR #22, PR #27) couvre bien la littérature de réfutation (Garvy, Solomou, Wen) et la littérature physique fondatrice (Mandelbrot, Bacry-Muzy-Delour, Bouchaud). Elle est pauvre sur la littérature de modélisation du cluster : MSM, HAR, ARFIMA+RS, agent-based heterogeneous models, adaptive markets hypothesis, active inference. Sans ces références, les items #19 et #20 ne peuvent pas être proprement attachés à la littérature.

  • Méthode. Ajout de ~15 nouvelles entrées dans docs/bibliographie.md, organisées en nouvelle section thématique "Modélisation du cluster — MSM, HAR, ARFIMA, agents hétérogènes, AMH". Références canoniques :

    • Calvet & Fisher (2002) NBER WP 9839 — MSM seminal.
    • Calvet & Fisher (2004) J Financial Econometrics — MSM forecast.
    • Calvet & Fisher (2008) Multifractal Volatility, Academic Press — référence textbook.
    • Corsi (2009) J Financial Econometrics — HAR canonical.
    • Bhardwaj & Swanson (2006) J Econometrics — ARFIMA macro forecast (21 datasets).
    • Hosking (1981) Biometrika — fractional differencing original.
    • Lux & Marchesi (1999) Nature — HABM seminal.
    • Brock & Hommes (1998) J Economic Dynamics & Control — heterogeneous beliefs.
    • Hommes (2006) Handbook of Computational Economics — review HABM.
    • Lo (2017) Adaptive Markets, Princeton — AMH textbook.
    • Gneiting & Raftery (2007) JASA — proper scoring rules (CRPS).
    • Beran (1994) Statistics for Long-Memory Processes, Chapman & Hall — référence textbook longue mémoire.
    • Borio (2014) J Banking & Finance — financial cycle Borio.
    • Drehmann-Borio-Tsatsaronis (2012) BIS WP 380 — characterising the financial cycle.
    • Sornette-Johansen-Bouchaud (1996) J. Phys. France — log- periodic crash precursors.

  • Code. Aucun. Pure documentation. Mais ces références sont citées dans implications_of_cluster.md (item #19) et seront citées dans les commentaires des modules de ecowave/forecasting/ (item #20).

  • Effort estimé. ~0.5 jour.

  • Acceptance. bibliographie.md couvre les 5 familles de modélisation du cluster (MSM, HAR, ARFIMA+RS, agent-based, adaptive markets) avec au moins 2 références canoniques chacune. Toutes les ancres #author-year cités dans implications_of_cluster.md sont résolues. mkdocs build --strict passe.

#22 — Refonte hub multi-track (acad / BC / quants / public) — LIVRÉ ✅

  • Problème. Le site et le papier V1 sont réfutation-first — ils ouvrent sur la démolition des 4 cycles puis dérivent le cluster. Or maintenant que le pendant constructif est livré (cluster diagnostique empirique + benchmark Roadmap #20 PASS 78 % opérationnel), la dramaturgie naturelle est constructive-first : "voici une méthode qui marche, et au passage les 4 cycles sont morts". De plus, les 4 audiences cibles (économistes académiques, banquiers centraux, quants, public éclairé) ont des langues et des questions différentes — un site monolithique sert mal chacune.
  • Méthode. Refonte en Hub 4-tracks. Page d'accueil = portail track-selector. Quatre tracks parallèles docs/tracks/{acad,bc,quants,public}/, chacun avec ses pages thématiques et son document phare. Inversion narrative dans la nav mkdocs : Accueil → Pour qui ? → Méthode → Verdict → Réfutation comme appendice → Référence → Archive V1. Conservation totale du code Python, des tests, des sidecars, des pages méthodologiques détaillées.
  • Plan d'exécution : chantier long en 6 phases incrémentales :
    • Phase 1 — LIVRÉE : refonte navigation + hub portail vide + 4 stubs track + déplacement implications_of_cluster.md sous docs/reference/.
    • Phase 2 — LIVRÉE : track Public (4 pages, ~6 500 mots : the_cycle_is_dead.md ~1 200, what_replaces_it.md ~1 500, why_it_matters.md ~1 300, note_public.md essai phare ~2 500).
    • Phase 3 — LIVRÉE : track Quants (6 pages, ~15 000 mots total : models_catalog ~2 500, benchmark_reproducible ~2 000, code_api ~3 000, extensions_roadmap ~2 500, failure_modes ~2 000, note_quants essai phare ~5 000).
    • Phase 4 — LIVRÉE : track BC (6 pages, ~15 000 mots : method_for_practitioners ~2 500, credibility_radar ~2 800, forward_guidance_reflexive ~2 200, tipping_point_detection ~2 400, horizon_aware_targeting ~2 100, note_bc note phare ~5 000).
    • Phase 5 — LIVRÉE : track Acad (6 pages, ~12 000 mots total : method_compact ~900, verdict_constructive ~1 700, dsge_in_dock ~1 500, synthesis_amh ~1 400, falsifiable_predictions ~1 500, paper_v2_academic ~4 500 avec dramaturgie constructive et 30+ références).
    • Phase 6 — LIVRÉE : hub crossover (docs/glossary.md ~2 800 mots + docs/how_to_navigate.md ~700 mots) + module ecowave/forecasting/hub_index.py avec CLI ecowave render-hub-index qui resynchronise le bloc verdict de docs/index.md à partir des sidecars. 4 tests nouveaux ; 229 tests totaux, 0 régression. Chantier #22 LIVRÉ.
  • Code. Pas de code Python — pure documentation. Toutefois la Phase 6 peut introduire un petit module ecowave/forecasting/ pour pull le verdict consolidé dans docs/index.md automatiquement à chaque build.
  • Acceptance. À chaque phase : mkdocs build --strict passe, suite pytest reste à 225+ passing, 0 régression. Critère qualitatif final : un lecteur entre par sa cible et trouve son contenu sans repasser par la réfutation. Le verdict PASS 78 % est dans le premier écran de la page d'accueil.

Références