Aller au contenu

DSGE en accusation

TL;DR

Le DSGE New-Keynesian standard (SW07, FRB/US, SAM, COMPASS) repose sur 3 hypothèses statistiques que le cluster réfute : chocs AR(1)/IID contradicting C, paramètres deep stables contradicting S, distributions gaussiennes contradicting D + queues lourdes. DSGE n'est pas mort — il doit être généralisé : (1) chocs ARFIMA, (2) Markov layer sur paramètres deep, (3) distributions Tsallis/Lévy. Programme de recherche 2-3 ans pour BC + universités. Coût significatif mais ROI justifiable (politique monétaire, comparabilité internationale, macroprudentiel, crédibilité scientifique).

Dans cette page

Les trois hypothèses statistiques en cause

Le DSGE New-Keynesian moderne (Smets-Wouters 2003 → SW07 → SAM ECB → FRB/US → COMPASS BoE → similar at most major central banks) repose sur trois hypothèses statistiques que la signature CPV réfute :

Hypothèse 1 — Chocs AR(1) ou IID

Formulation standard : les chocs exogènes (technologie, préférences, monétaire, fiscaux) suivent typiquement ε_t = ρ ε_{t-1} + η_t, η_t i.i.d. normal avec persistance ρ ∈ [0.6, 0.9].

Verdict CPV : ce modèle suppose une autocorrelation exponentiellement décroissante : Corr(ε_t, ε_{t+k}) = ρ^k. Or sur les séries macro réelles, l'autocorrelation décroît polynomialement (long memory) : Corr(ε_t, ε_{t+k}) ~ k^{-α} avec α ∈ (0, 1). Le paramètre d GPH appliqué aux résidus typiques de modèles DSGE atteint 0.15-0.30, significativement positif.

Conséquence pratique : un DSGE qui calibre ρ ≈ 0.7 sous-estime la persistance des chocs sur horizons longs (8+ trimestres). Cela explique en partie pourquoi les forecasts DSGE sous-performent random walk au-delà de 3-4 trimestres (Atkeson-Ohanian 2001 pour l'inflation, Stock-Watson 2003 pour le PIB).

Modification requise : remplacer AR(1) par ARFIMA(0, d, 0) ou ARFIMA(p, d, q) :

\[ (1 - L)^d \varepsilon_t = \eta_t \]

avec d estimé empiriquement (typiquement 0.15-0.35 selon la variable). L'extension ne fait pas exploser la dimension du modèle — elle ajoute un seul paramètre par choc.

Implémentations disponibles : voir ecowave.forecasting.arfima_rs et les références Bhardwaj-Swanson 2006, Hosking 1981.

Hypothèse 2 — Paramètres "deep" stables

Formulation standard : les paramètres structurels (préférences, technologie, friction) sont invariants au cours du temps. Le DSGE calibre une fois (typiquement sur la période complète disponible) et projette en utilisant ces paramètres comme constants.

Verdict CPV : la famille S (Reflexive regime drift) détecte des ruptures empiriques significatives à des dates historiquement identifiables :

  • Volcker shock 1979-1982
  • Greenspan put 1998-2003
  • Whatever it takes Draghi 2012
  • COVID 2020 + Powell pivot

À ces dates, les paramètres comportementaux des agents (préférences d'inflation perçues, anticipations, primes de risque) changent structurellement. C'est la réflexivité de Soros formalisée statistiquement.

Conséquence pratique : un DSGE qui suppose des paramètres deep stables rate les transitions de régime. Cela explique en partie pourquoi les modèles DSGE n'ont pas anticipé 2008 (transition de régime financier) et 2021-2022 (réémergence du régime inflationniste).

Modification requise : ajouter un layer Markov sur les paramètres deep eux-mêmes :

\[ \theta_t = \theta(s_t), \quad s_t \in \{1, \ldots, K\} \text{ Markov chain} \]

avec s_t régime cognitif latent. Implémentations disponibles : Markov-switching DSGE (Sims-Zha 2006, Liu-Mumtaz 2011, Bianchi-Ilut 2017) mais peu adopté en pratique BC.

Notre ARFIMARSConfig + MarkovRegression du module ecowave.forecasting.arfima_rs montre une implémentation minimale à 2 régimes.

Hypothèse 3 — Distributions gaussiennes

Formulation standard : les innovations η_t des chocs sont distribuées normalement. Cela simplifie la résolution analytique du DSGE et permet l'utilisation de filtres de Kalman.

Verdict CPV : la famille D (BDS) et les tests de queues (Hill, Lévy stable) montrent que les distributions empiriques des fluctuations macro sont systématiquement non-gaussiennes :

  • Kurtosis empirique : 5-15 (gaussienne : 3)
  • Skewness systématiquement non-nulle
  • Hill index estime des paramètres de queue α ∈ (1, 3) (gaussienne : α = ∞)

Conséquence pratique : le DSGE Gaussian sous-estime systématiquement les événements extrêmes. Cela impacte les VaR et ES calculés à partir des modèles DSGE, qui sous-estiment le tail risk de 20-40 %.

Modification requise : remplacer Gaussian par Tsallis ou Lévy stable :

\[ \eta_t \sim \text{Tsallis}(q, \beta) \quad \text{ou} \quad \eta_t \sim \text{Lévy}(\alpha, \beta, \gamma, \delta) \]

avec q (Tsallis non-extensivity) ou α (Lévy index) estimés empiriquement. Les implémentations existent mais ne sont pas encore standard.

Pourquoi DSGE n'est cependant pas mort

Les trois modifications ci-dessus sont structurelles mais elles ne tuent pas le DSGE. Elles le généralisent. Les versions modifiées :

  1. Conservent la structure d'équilibre intertemporel (Euler, Phillips, IS).
  2. Conservent l'identification des chocs structurels (technologie, préférences, etc.).
  3. Conservent l'usage en politique monétaire (analyses what-if, scenarios policy).

Ce qui change :

  • Le calcul des forecasts utilise un modèle stochastique plus riche.
  • L'estimation est plus coûteuse (ARFIMA + MS demande plus de données).
  • Les analyses de variance unconditionnelle changent (variance asymptotique plus grande sous long memory).
  • Les intervalles de confiance prédictifs sont plus larges (queues lourdes).

Le DSGE amélioré reste un cadre légitime pour la modélisation structurelle. Ce qui est mort, c'est le DSGE naïf qui suppose AR(1) + paramètres stables + Gauss.

Le programme de recherche conjoint

Pour réaliser ces modifications, un programme de recherche banques centrales + universités est nécessaire :

Axe 1 — Long-memory shocks dans DSGE

Tâche : reformuler les modèles SW07 / FRB/US / SAM / COMPASS avec des chocs ARFIMA au lieu d'AR(1).

Difficulté technique : résolution analytique du DSGE devient plus complexe (pas de solution exponentielle simple). Approches possibles :

  • Approximation Padé du processus ARFIMA en somme finie d'AR(1) (Sowell 1992).
  • Discrétisation du domaine fréquentiel.
  • Résolution numérique par Monte Carlo.

Estimation effort : 6-12 mois pour une équipe BC standard.

Axe 2 — Markov-switching layer

Tâche : ajouter un layer de régime cognitif au-dessus des paramètres deep. Suit les approches Sims-Zha 2006, Bianchi-Ilut 2017.

Difficulté technique : identification empirique des régimes (combien ? quand ?), estimation simultanée des paramètres conditionnels et de la matrice de transition.

Estimation effort : 6-9 mois pour adaptation à un modèle BC existant.

Axe 3 — Distributions non-gaussiennes

Tâche : remplacer Gaussian par Tsallis (économique-théorique plausible) ou Lévy stable (statistiquement riche).

Difficulté technique : filtre de Kalman standard ne s'applique plus. Solutions :

  • Particle filter (Doucet-de Freitas-Gordon 2001).
  • Approximation par moments d'ordre supérieur.

Estimation effort : 3-6 mois.

Axe 4 — Validation conjointe

Tâche : démontrer empiriquement que le DSGE modifié bat le DSGE naïf out-of-sample.

Tests requis : forecasts à 4, 8, 12 quarters, comparés en CRPS (comme dans notre benchmark Roadmap #20), sur la même cellule de variables.

Estimation effort : 6-12 mois.

Total : 2-3 ans pour un programme bien orchestré, avec coordination BC + équipes universitaires.

Pourquoi cela vaut le coût

Le coût opérationnel de moderniser un modèle DSGE est substantiel. Pourquoi le payer ?

  1. Calibration en politique monétaire : un modèle qui rate les transitions de régime (2008, 2020, 2022) coûte cher en erreurs de politique. Le gain attendu : meilleure anticipation des retournements et calibration plus adaptative.
  2. Comparabilité internationale : si les FRB, BCE, BoE adoptent tous les modifications, les analyses cross-pays deviennent plus robustes. Coordination internationale renforcée.
  3. Crédibilité scientifique : les critiques académiques (Caballero 2010, Romer 2016, Stiglitz 2018) qui pointent les limites du DSGE moderne deviennent obsolètes. Le programme méta-théorique s'avance.
  4. Macroprudentiel : meilleurs forecasts → meilleurs stress tests → meilleurs coussins de capital → moins de défaillances bancaires. Le coût social est facile à justifier.

Argument contre une refonte totale

L'argument alternatif serait d'abandonner DSGE au profit d'un cadre entièrement nouveau (HABM, ABM, active inference). Mais :

  • DSGE a 30 ans d'investissement institutionnel. Les équipes BC sont formées à DSGE. La transition vers un nouveau cadre demanderait 10+ ans.
  • L'identification structurelle de DSGE est robuste. Pour l'analyse what-if (effet d'une hausse de taux), aucun cadre alternatif ne fait mieux pour le moment.
  • Les modifications proposées sont incrémentales. Pas besoin de jeter pour adopter — on peut ajouter par layers.

C'est l'argument du "généraliser plutôt que remplacer". Notre position : généraliser DSGE est la voie raisonnable. Remplacer totalement est un objectif de long terme, pas une urgence.

Implications pour les programmes de PhD

Les modifications proposées suggèrent un programme de formation doctorale :

  • Cours obligatoires : intégration fractionnaire (Beran 1994), Markov-switching (Hamilton 1989, Sims-Zha 2006), distributions à queues lourdes (Embrechts-Klüppelberg-Mikosch 1997).
  • Coursework de séminaire : finance fractale (Mandelbrot 1997), adaptive markets (Lo 2017), reflexivity (Soros 2013).
  • Thèses possibles : "ARFIMA-DSGE for the eurozone", "Markov- switching for monetary policy regime detection", "Heavy-tail calibration for macroprudential stress tests", etc.

Plusieurs programmes doctoraux ont déjà commencé à intégrer ces éléments (LSE, Bocconi, Sciences Po), mais c'est encore minoritaire.

Pour aller plus loin

Méthode et verdict

Références

  • Smets-Wouters 2003. Journal of the European Economic Association.
  • Sims-Zha 2006. Econometrica.
  • Bianchi-Ilut 2017. Review of Economic Studies.
  • Caballero 2010. Journal of Economic Perspectives. "Macroeconomics after the Crisis".
  • Romer 2016. American Economic Review. "The Trouble with Macroeconomics".
  • Stiglitz 2018. Oxford Review of Economic Policy. "Where Modern Macroeconomics Went Wrong".
  • Bhardwaj-Swanson 2006. Journal of Econometrics.
  • Beran 1994. Statistics for Long-Memory Processes.
  • Embrechts-Klüppelberg-Mikosch 1997. Modelling Extremal Events.

Pratique BC

Code

  • ecowave.forecasting.arfima_rs — implémentation ARFIMA + Markov regime-switching
  • ecowave.forecasting.msm — implémentation MSM (cascade multifractale)
  • ecowave.forecasting.fractional — primitives Hosking + GPH