Implications du verdict CPV — modélisation, prévision, politique, théorie¶

Mise à jour V3 (juin 2026) — implications recadrées

Cette page cartographie les implications du pilier 2 (cluster CBDIS) documenté dans le papier compagnon en préparation. Le pilier 1 (V3 Cycles Refuted) ajoute en parallèle : Juglar / Kuznets / Kitchin vindiqués sur leurs canaux substantifs (donc les implications BC sur le crédit Juglar, l'investissement Schumpeter, le Kitchin EM, etc. sont renforcées par la lecture variable-spécifique), et Kondratieff recasté comme chronologie Reinhart-Rogoff (les implications « long-wave endogène » sont à reformuler en termes de chronologie de dette de guerre). Voir résumé V3.

"Macroeconomic dynamics are a fractional, multifractal, non-linear long-memory process with cognitive regime drift." — Working paper compagnon CPV §5.1

Le sprint Roadmap #15 a livré une signature empirique sur 9 436 cellules diagnostiques : le cluster C+B+D+I+S. Cette page cartographie ce que cette signature implique pour la modélisation, la prévision, la politique économique, et la théorie — informée par une recherche substantielle dans la littérature de modélisation post-cyclique.

Le verdict est empirique. Il identifie un cahier des charges structurel qu'un modèle de la macroéconomie doit satisfaire pour être crédible. Aucun modèle existant ne satisfait les cinq piliers simultanément. Cette page identifie les candidats les plus proches, les implications pratiques, et les questions théoriques ouvertes.

1 · Le verdict en clair¶

1.1 Le cluster C+B+D+I+S¶

Le toolkit dx-diagnostics applique 14 diagnostics structurels non- cycliques à chaque variable de chaque horizon, plus une analyse panel- level RMT. Cinq familles co-rejettent leur null AR(1) ou phase-scramble à α = 0.05 sur une part substantielle des cellules :

Pilier	Famille	Diagnostic	Rejet null	Statistique médiane
C	Longue mémoire	`hurst_dfa`	51 %	H ≈ 1.62
B	Multifractalité	`mfdfa_spectrum`	27 %	Δα ≈ 0.81
D	Non-linéarité / non-IID	`bds_independence`	88 %	BDS ≈ 3.70
I	Information structurée	`permutation_entropy_complexity`	69 %	H_perm ≈ 0.85
S	Dérive de régime cognitif	`reflexivity_drift`	51 %	KS ≈ 0.82

Plus, au niveau panel : 9 groupes sur 12 ont un mode dominant au-dessus de la bande Marchenko-Pastur — signature G (RMT).

1.2 Ce qui est réfuté¶

Trois familles fréquemment invoquées dans la littérature macroéconomique et physique-of-finance sont empiriquement faibles sur nos données :

SOC pur (1/f^β strict) : 15 % de rejet → la macroéconomie n'est pas un Bak sandpile.
Critical slowing down (CSD) : 30 % de rejet → la majorité des séries ne sont pas en approche d'un tipping point.
Chaos déterministe (Lyapunov) : 19 % de rejet → la dynamique n'est pas dominée par un attracteur chaotique de basse dimension.

1.3 Implication immédiate¶

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. Cette image bouge de Frisch-Slutsky 1933 + Hodrick-Prescott 1980 (cycle = fluctuation stationnaire autour d'une tendance) vers Mandelbrot 1997 + Bacry-Muzy-Delour 2001 + Bouchaud-Potters 2003.

Le reste de cette page développe ce que cela signifie en pratique.

2 · Implications pour la modélisation¶

Question centrale : quel modèle reproduit le cluster C+B+D+I+S ?

La recherche bibliographique 2026-05 identifie cinq familles de modèles techniquement disponibles aujourd'hui. Aucune ne reproduit les cinq piliers simultanément — c'est précisément la question ouverte.

2.1 Markov-Switching Multifractal (MSM)¶

Calvet & Fisher (NBER WP 9839, 2002, Multifractal Volatility book 2008). Le modèle canonique combinant régime-switching + multifractalité. Outperforme GARCH(1,1) et FIGARCH en in-sample et out-of-sample sur les séries financières (rendements actions, taux de change). Implémentations disponibles :

Package R MSM sur CRAN.
Sage sage.finance.markov_multifractal.
Pas de package Python mature → port custom ou interop R via rpy2.

Cluster coverage : B (multifractalité) + S (régime-switching) + queues lourdes simultanément. Manque C de manière directe (le modèle approxime la longue mémoire via la cascade multi-fréquence, pas la modélise comme longue mémoire fractionnaire).

C'est le candidat #1 pour le benchmark de l'item Roadmap #20.

2.2 ARFIMA + Regime-Switching¶

Granger-Joyeux 1980, Hosking 1981 pour ARFIMA ; Hamilton 1989 pour regime-switching ; Bhardwaj-Swanson 2006 J Econometrics pour l'application aux 21 datasets macro. ARFIMA capture C (longue mémoire) ; l'extension regime-switching capture S. Couvre la majeure partie du cluster.

Implémentation Python :

statsmodels.tsa.arima.model.ARIMA ne supporte pas le paramètre fractionnaire d ∈ ℝ. Il faut soit (a) arch package, soit (b) réimplémentation directe (la formule récursive de Hosking est ~20 lignes Python).
Regime-switching layer : statsmodels.tsa.regime_switching.MarkovRegression.

Cluster coverage : C (longue mémoire) + S (regime-switching). Manque B (multifractalité unifrequence) et J (queues lourdes — il faudrait extension à queues Student-t ou Tsallis).

C'est le candidat #2 pour Roadmap #20.

2.3 Heterogeneous Autoregressive (HAR)¶

Corsi 2009 J Financial Econometrics. Workhorse de la prévision de volatilité réalisée. Cascade daily/weekly/monthly approxime la longue mémoire par agrégation. Pas formellement long-memory mais produit la signature C par construction.

# HAR équation (Corsi 2009)
σ²_t+1 = β₀ + β_d · σ²_t,daily + β_w · σ²_t,weekly + β_m · σ²_t,monthly + ε_t

Estimation : régression OLS. Très simple, très compétitif sur la prévision long-horizon. Cinq lignes Python avec statsmodels ou scikit-learn.

Cluster coverage : C approximé. Manque B, D, I, S.

C'est le candidat baseline pratique pour Roadmap #20 : si MSM ne bat pas HAR sur out-of-sample, MSM n'apporte rien d'opérationnel.

2.4 Multifractal Random Walk (MRW)¶

Bacry-Muzy-Delour 2001 Physical Review E. Le modèle fondateur qui capture B + C + queues lourdes simultanément. Lien direct avec les cascades K41 de turbulence (Ghashghaie et al. 1996).

log σ²(t) = ω(t) + drift
ω(t) = stationnaire gaussien à covariance log-normale

Implémentation : pas de package Python mature. Le générateur MRW est ~50 lignes (cf. nos tests test_alternative_dynamics_validation.py:_multifractal_random_walk). La calibration est plus complexe ; un proxy par méthode des moments est suffisant en première passe.

Cluster coverage : B + C + J. Manque D (non-linéarité explicite — le MRW est non-linéaire par construction mais non-paramétré explicitement) et S (regime-switching à ajouter en sur-couche).

C'est le candidat #3 pour Roadmap #20 : intéressant comme target model pour générer des trajectoires synthétiques sur lesquelles calibrer les autres modèles.

2.5 Heterogeneous Agent-Based Models (HABM)¶

Lux-Marchesi 1999 Nature, Brock-Hommes 1998 J Economic Dynamics & Control, review Hommes 2006 Handbook of Computational Economics. Produit la signature C + queues lourdes + clustered volatility par agrégation endogène d'agents à mémoires hétérogènes.

Mécanisme : agents à croyances/mémoires distribuées hétérogénéement → aggregation crée endogénéiquement la longue mémoire + les queues. Bridge naturel avec réflexivité (S) : les agents peuvent réviser leurs croyances en réaction aux résultats observés.

Cluster coverage : C + queues lourdes + S si bouclage de révision. Mais coût computationnel élevé (Monte Carlo sur des populations d'agents) et calibration difficile.

Out-of-scope pour Roadmap #20 mais potentiellement intéressant pour une étude plus longue (Roadmap #22+).

2.6 Adaptive Markets Hypothesis (AMH)¶

Lo 2004, Lo 2017 Adaptive Markets : Financial Evolution at the Speed of Thought, Princeton. Cadre conceptuel englobant : marchés = écosystèmes évolutifs d'agents bornés rationnels. Connecte régime change (S), hétérogénéité (multifractalité B), apprentissage (information I).

N'est pas un modèle calibrable directement. Mais une grille de lecture qui unifie le cluster : tous les piliers reflètent une adaptation évolutive sous pression sélective changeante. Plus utile comme cadre théorique en discussion (§5) que comme cible de benchmark.

2.7 Active inference / free-energy (Friston)¶

Friston 2010 Nature Reviews Neuroscience. Formalise la mise à jour bayésienne de croyances sous incertitude. Application à la macroéconomie est naissante — pas de benchmark macro mature à ce jour. Lien naturel avec S (regime drift comme révision de prior) et I (information structurée comme convergence de croyances).

Implémentation : pas de package Python pour active inference macro. Travail de recherche, pas de benchmark.

Out-of-scope pour Roadmap #20. À garder en réserve pour Roadmap

22+ comme question théorique.¶

2.8 Synthèse modélisation¶

Modèle	C	B	D	I	S	J	Disponible Python	Effort
MSM	★	✅	★	–	✅	✅	port custom	5 j
ARFIMA+RS	✅	–	–	–	✅	★	partiel	4 j
HAR	★	–	–	–	–	–	trivial	1 j
MRW	✅	✅	★	–	–	✅	port custom	3 j
HABM	✅	–	–	–	✅	✅	Mesa	15+ j

★ = couverture partielle / approximative · ✅ = couverture explicite · – = non couvert

Aucun modèle ne couvre les 5 piliers simultanément. Le chantier de modélisation (Roadmap #20) priorise les 3 plus accessibles : HAR (baseline) + ARFIMA+RS (couverture maximale ARFIMA) + MSM (référence multifractale).

Pour l'item #20, on construit le pipeline ecowave forecast-benchmark qui compare ces 3 modèles + AR(1) + random walk sur les variables porteuses du cluster (top 10 de la table §4.4 du papier).

3 · Implications pour la prévision¶

3.1 L'horizon compte¶

La littérature (Bhardwaj-Swanson 2006 ; arxiv 1712.08057) montre que les modèles long-memory (ARFIMA, MSM) outperforment les modèles short-memory (AR, ARMA) uniquement aux horizons médians et longs (6 mois et plus). Aux horizons courts (1-3 mois), la différence est marginale ou négative.

Conclusion opérationnelle : la valeur ajoutée du cluster est sur la prévision long-terme — politique économique pluri-annuelle, planification stratégique, allocation d'actifs long-horizon, design de garanties d'assurance long-tail. Pas sur le nowcasting. Le benchmark Roadmap #20 doit donc se concentrer sur les horizons 6, 12, 24 mois (cf. spec).

3.2 Les comparateurs canoniques¶

Le benchmark doit être honest. Les comparateurs minimaux :

Random walk (statistical floor)
AR(1) (Markov state-space floor)
ARMA(1,1) (short-memory benchmark)
HAR Corsi 2009 (long-memory approximation par cascade)
Professional forecasters : FOMC SEP, ECB BMPE, BOE MPC, Survey of Professional Forecasters (où les variables se recoupent).

Important : si MSM ne bat pas SPF sur les variables que SPF couvre (croissance PIB US, inflation US à 4 trimestres), c'est une information importante — elle signifie que les humains forecasters intègrent déjà la longue mémoire implicitement. La force du cluster picture serait alors narrative (expliquer pourquoi SPF marche), pas opérationnelle (remplacer SPF).

3.3 La métrique compte¶

Sous queues lourdes (notre J + T + Hill), MSE/MAE sous-pénalisent les pertes catastrophiques. Le benchmark doit reporter au minimum :

RMSE / MAE (canoniques)
CRPS (Continuous Ranked Probability Score — proper scoring rule, sensible aux queues, cf. Gneiting-Raftery 2007 JASA)
Coverage 95 % (le forecast interval à 95 % contient-il la réalisation à la bonne fréquence ?)
Tail coverage (couverture conditionnelle aux 5 % de réalisations les plus extrêmes — capture spécifique des queues)

3.4 Le régime-conditioning¶

Sous reflexive regime drift (S), les performances de prévision varient par régime. Un modèle qui bat le random walk en moyenne peut perdre catastrophiquement près d'un tipping point. Le benchmark doit décomposer la performance par régime identifié :

Pré-2008 vs post-2008
Pré-COVID vs COVID vs post-COVID
Optionnel : reflexivity_multi_window split points (1971, 1979, etc.) sur l'horizon long.

Si un modèle bat random walk en moyenne mais sous-performe catastrophiquement en COVID, c'est l'opposé d'un modèle utile. Cette décomposition par régime est la contribution méthodologique spécifique au cluster picture : le benchmark doit explicitement la mesurer.

3.5 Les variables porteuses¶

La page §4.4 du working paper identifie le top 10 des variables multi-diagnostic-rejet : LH_IMPORTS, LH_EXPORTS, LH_MONEY, LH_EXP, LH_REV, LH_NARROW, LH_BANKDEBT, BOE_MONEY, LH_MORT, LH_CREDIT. Ce sont les agrégats monétaires et de crédit historiques (JST R6 + BoE Millennium).

Implication pour le benchmark : commencer par ces 10 variables maximise les chances d'observer une supériorité du cluster picture sur les comparateurs canoniques. C'est là que le signal structural est le plus fort, donc là que les modèles long-memory / multifractal ont le plus de marge.

Variables contemporaines à ajouter pour pertinence politique : Q_GDP (US, Eurozone, JPN, GBR), Q_CPI, Q_UNRATE. Même si le signal y est plus faible (horizon q 1995-2024, n=120 trimestres), ce sont les variables sur lesquelles les central banks forecast.

4 · Implications pour la politique économique¶

4.1 Inflation targeting et crédibilité monétaire¶

La longue mémoire dans l'inflation (notre H médian = 1.62) est un indicateur de crédibilité du régime monétaire (cambridge.org Shades of inflation targeting). Les pays avec d > 0.5 sur l'inflation ont une crédibilité plus faible : les chocs persistent et les ancrages d'anticipations sont fragiles.

Volcker a cassé la persistance post-1979 en imposant un régime haussier brutal — c'est l'opérationnalisation empirique de S (regime shift exogène par acte de politique). Notre diagnostic reflexivity_multi_window détecte ce split-point sur les séries financières du panel long.

Implication opérationnelle pour les central banks : une mesure continue du Hurst d'inflation est un indicateur de crédibilité qui complète les enquêtes d'attentes (Michigan, Conference Board, NY Fed SCE). Un Hurst d'inflation qui monte sur fenêtre roulante signale un décrochage de la crédibilité avant que les enquêtes le détectent. Roadmap #18 Prédiction 5 (reflexive split-point specificity) testera cette hypothèse.

4.2 Macroprudentiel et Bâle¶

La longue mémoire + multifractalité sur les agrégats crédit (LH_CREDIT, LH_MORT, LH_BANKDEBT, top 5 de notre cluster) implique que les booms de crédit ont des ombres très longues. Bâle II/III sous-estime la persistance des risques systémiques en supposant des distributions exponentielles ou des chocs IID.

Le credit-to-GDP gap de Borio (2014) est un proxy utile mais incomplet — il mesure la déviation par rapport à une tendance HP, qui suppose des décompositions stationnaires. Un Hurst-based credit cycle mesurant directement la persistance fractionnaire de la dette accumulée serait une mesure plus fidèle au cluster picture.

Implication concrète : Bâle IV (en préparation) pourrait incorporer une long-memory adjustment factor aux pondérations de risque sur le crédit. La dette accumulée sur les périodes de boom long-mémoire a une probabilité de défaut conditionnelle plus élevée que celle prédite par les modèles short-memory.

4.3 VaR vs Expected Shortfall¶

Sous queues lourdes (notre J + T + Hill), VaR est non-cohérent (non-additif) et sous-estime systématiquement le tail risk. ES (Expected Shortfall) est la mesure cohérente recommandée par Artzner-Delbaen-Eber-Heath 1999 et adoptée par le Comité de Bâle dans Basel 2.5 (2009-2012) et Basel III (2016).

Le passage VaR → ES est consistent avec notre cluster. Mais les calibrations actuelles de ES sur des distributions normales sous-estiment encore le tail risk : le median Hill α = 3.59 sur nos cellules implique des queues strictement plus lourdes qu'une gaussienne. Un cluster-picture-aware ES calculé sur q-Gaussien (Tsallis) ou Lévy stable donnerait des estimations plus prudentes.

Réplique pour les régulateurs : passer de "ES sur distribution normale" à "ES sur distribution q-Gaussienne calibrée" augmenterait les exigences de capital de ~20-30 % sur les portefeuilles à exposition aux queues lourdes (compute exact à faire dans Roadmap

20+). C'est coûteux pour les banques mais prudent pour la¶

stabilité financière.

4.4 Horizons de forecasting des autorités¶

Central banks : forecast à 1-2 ans (FOMC SEP, ECB BMPE)
Trésors : planification à 5-10 ans (CBO long-term budget outlook, EU MFF)
Fonds souverains : 30-50 ans (Norway, GIC Singapore)

La longue mémoire implique que des modèles différents sont optimaux pour chaque horizon. Une politique monétaire qui ignore la longue mémoire dans l'inflation va sous-réagir aux chocs persistants — c'est exactement ce qui s'est passé en 2021-2022 (Powell et Lagarde annonçaient "inflation transitoire" alors que les diagnostics long-memory auraient signalé une persistance bien réelle).

Implication concrète : un dashboard long-memory persistence calibré sur le cluster picture serait un complément utile aux SEPs existants. Le Hurst d'inflation, le Hurst de prix énergétiques, le Hurst de salaires nominaux — tous mesurés sur fenêtres roulantes, seraient des signaux de persistance des chocs avant qu'ils deviennent visibles dans les SEPs.

4.5 Réflexivité et communication des banques centrales¶

Les annonces de politique changent le régime cognitif collectif. Le QE post-2008, le forward guidance, le QT post-2022 sont des actes performatifs au sens Soros : ils ne se contentent pas de répondre à l'économie, ils la constituent en redéfinissant les anticipations. C'est exactement la signature de S (reflexive regime drift) opérationnalisée empiriquement par notre 51 % de rejet reflexivity_drift.

Conséquence théorique : la banque centrale ne peut pas se contenter d'observer l'économie comme un système physique stable. Elle est partie du système. Les modèles DSGE qui traitent la politique monétaire comme exogène à l'équilibre manquent S par construction — c'est pourquoi ils ratent les inflexions de régime.

Conséquence pratique : la communication est un instrument de politique au même titre que les taux. Forward guidance et press conferences ne sont pas des "explications" du dernier décision — ce sont des outils qui modifient le régime cognitif. Cela est largement reconnu en pratique mais rarement modélisé formellement.

5 · Implications pour la théorie¶

5.1 Le cycle est mort, vive la cascade¶

La macroéconomie n'est pas une oscillation autour d'un équilibre. C'est une cascade multifractale non-linéaire à longue mémoire sur un fond de régimes cognitifs glissants.

Cette image bouge le cadre standard de :

Frisch-Slutsky 1933 + Hodrick-Prescott 1980 (cycle = fluctuation stationnaire autour d'une tendance) ;
RBC / King-Plosser-Rebelo 1988 (cycle = réponse impulse à chocs IID Gaussiens) ;
NK-DSGE Smets-Wouters 2003 (cycle = propagation AR(1) de chocs sur paramètres calibrés) ;

vers :

Mandelbrot 1997 Fractals and Scaling in Finance (longue mémoire fractale) ;
Bacry-Muzy-Delour 2001 Phys Rev E (multifractalité comme signature structurelle) ;
Bouchaud-Potters 2003 Theory of Financial Risk (structured noise + dominant correlation factor) ;
Soros 1987 Alchemy of Finance (réflexivité comme couche cognitive performative) ;
Lo 2017 Adaptive Markets (évolution adaptative comme méta-cadre).

5.2 DSGE en accusation¶

NK-DSGE assume trois choses :

Chocs AR(1) ou IID exogènes sur les paramètres profonds (productivité, préférences, technologie).
Régime cognitif stable : les anticipations rationnelles forward-looking sont une équation d'équilibre permanente.
Distributions gaussiennes pour les innovations stochastiques.

Les trois sont falsifiés par notre cluster. Notre BDS à 88 % rejette IID. Notre Hurst > 1 rejette AR(1). Notre Tsallis q > 1.05 rejette gaussien. Notre reflexivity_drift à 51 % rejette stabilité cognitive.

Ce n'est pas que DSGE est inutilisable — c'est qu'il a besoin de modifications structurelles :

Chocs fractionnaires (processus Lévy à long memory) au lieu d'AR(1).
Layer Markovien sur les paramètres profonds pour capturer le regime drift.
Innovations q-Gaussiennes ou Lévy stables pour les queues.
Mécanismes de belief-updating pour la réflexivité (Friston active inference style).

Sans ces modifications, DSGE ne peut pas prédire 2008, 2020, 2022 — exactement ses échecs documentés. Avec ces modifications, DSGE devient computationnellement beaucoup plus lourd (la propriété state-space Markov disparaît avec la longue mémoire). Mais le sacrifice computationnel est empiriquement justifié.

5.3 Cycles, narrativement OK ; statistiquement non¶

La narration des 4 cycles reste utile pédagogiquement (Kitchin = inventory, Juglar = credit/investment, Kuznets = building, Kondratieff = technology). Comme grilles herméneutiques, elles structurent le récit historique : on peut raconter Bretton Woods 1944, le choc Volcker 1979, la dérégulation Reagan-Thatcher 1980+, Lehman 2008, comme des inflexions de cycles de Juglar ou Kondratieff.

Le problème est leur statut statistique-mécaniste : on les invoque comme s'ils existaient comme oscillateurs détectables sur les séries. C'est cette double identité — narrative et mécaniste — qu'il faut désentangler.

Le cluster picture rebrand ces narrations : Kondratieff n'est pas un cycle de 40-60 ans, c'est une séquence de régimes cognitifs (Pax Britannica, Pax Americana, Pax Sino-Americana émergente) avec persistance fractionnaire dans chaque régime. Kitchin n'est pas un cycle d'inventaire de 3-5 ans, c'est la durée de relaxation du cycle de stock dans le régime cognitif courant. Etc.

Cette traduction préserve l'utilité narrative tout en abandonnant la prétention statistique-mécaniste qui s'avère fausse.

5.4 Synthèse théorique manquante¶

Aucune théorie unifiée ne prédit le cluster à partir de premiers principes. Les candidats existants couvrent chacun une partie :

Cadre	Pilier C	Pilier B	Pilier D	Pilier I	Pilier S
Friston free-energy	–	–	–	✅	✅
Bouchaud structured-noise	✅	✅	–	–	–
Mandelbrot finance fractals	✅	✅	–	–	–
Bacry-Muzy-Delour MRW	✅	✅	✅	–	–
Lo adaptive markets	–	–	–	–	✅ (umbrella)
Active inference + MRW (hypothétique)	✅	✅	✅	✅	✅

Aucun cadre n'unifie les 5 piliers. L'hypothèse intuitive : la combinaison Active inference + MRW pourrait couvrir le cluster complet :

Active inference fournit S (regime drift comme révision de prior)
I (information structurée comme convergence Bayesienne) ;
MRW fournit C (longue mémoire) + B (multifractalité) + queues lourdes ;
Non-linéarité D émerge de l'interaction Bayesienne-multifractale (à démontrer).

C'est la question théorique ouverte que pose le cluster picture. Notre travail empirique donne le cahier des charges qu'une théorie unifiée devra satisfaire. La construction d'une telle théorie est hors scope du projet CPV ; elle relève d'une collaboration entre économistes computationnels, physiciens statistiques, et neuroscientifiques (Friston-école).

5.5 Adaptive Markets Hypothesis comme méta-cadre¶

Lo 2017 propose AMH comme cadre conceptuel unifiant : marchés = écosystèmes évolutifs d'agents bornés rationnels avec adaptation sélective. Sous AMH :

Les régimes cognitifs (S) sont des équilibres temporaires dans la fitness landscape évolutive.
La multifractalité (B) reflète l'hétérogénéité des agents et des stratégies.
La longue mémoire (C) reflète la persistance des stratégies adaptées au régime courant.
L'information structurée (I) reflète l'apprentissage collectif sur le régime.
La non-linéarité (D) reflète la sélection sur les stratégies perdantes.

AMH n'est pas un modèle calibrable — c'est une grille de lecture. Mais elle a l'avantage d'unifier narrativement les 5 piliers du cluster sans présupposer de mécanisme oscillatoire.

Une suggestion conceptuelle pour le papier V2 : faire de AMH le cadre méta-théorique explicite du cluster picture, avec MRW comme modèle statistique calibrable et active inference comme mécanisme microfondé.

6 · Conclusion et chantiers¶

Le verdict CPV n'est pas une fin — c'est un point de bascule. Avant : on cherchait des cycles, on n'en trouvait pas statistiquement. Maintenant : on a identifié un cluster structurel (C+B+D+I+S+G), on connaît la littérature de modélisation qui en couvre les fragments, et on sait ce qui manque.

Les chantiers concrets identifiés dans cette page sont consignés dans la feuille de route :

Roadmap #19 (cette page elle-même) — livrée.
Roadmap #20 — benchmark de modélisation (HAR + ARFIMA+RS + MSM vs random walk vs AR(1)). ~15 jours.
Roadmap #21 — enrichissement bibliographie modélisation post-cluster. ~0.5 jour.

Les chantiers conceptuels ouverts :

Synthèse théorique unifiée (Active inference + MRW + AMH ?) — hors scope CPV, à confier à des collaborations académiques.
Long-memory adjustment factor pour Bâle IV — out of scope CPV, mais consignable comme implication policy à publier en working paper séparé.
Operationalisation du Hurst-based credit cycle — extension naturelle de Roadmap #18 Prédiction 5.

Le cluster picture est falsifiable, constructible, et actionnable. C'est ce que veut un cadre scientifique robuste, et c'est ce que les cycles canoniques ne sont pas.

Sign-off¶

Date de la note : 2026-05-30
Auteur : Sylvain Geffroy
Liens :
- Working paper V1 : papers/cpv_main_paper.md
- Diagnostics empiriques : dx_diagnostics.md
- Panorama des familles : methodology_beyond_cycles.md
- Feuille de route : methodology/feuille_de_route.md
Sidecars JSON : reports/dx_diagnostics_2026_05_*.json (12 fichiers, 4.5 MB) et reports/dx_rmt_2026_05_*.json.
Reproductibilité : docker compose run --rm --entrypoint ecowave ecowave dx-diagnostics --as-of 2026-05 --horizons wb,q,long,boe,bis,sh --n-surrogates 100 --seed 0.