Aller au contenu

Cinq prédictions falsifiables enrichies

TL;DR

5 prédictions du paper V1 §5.4. Statut : Prédiction 4 CONFIRMÉE par Roadmap #20 (forecast régime-conditionnel = PASS 78 %). Prédiction 1 (durabilité longue mémoire pré-1700) et 5 (split-point spécifique) TODO. Prédictions 2 (robustesse non-financière) et 3 (multifractale > monofractale) PARTIELLES. Effort total restant : ~70 jours.

Dans cette page

Le cadre falsifiabilité

Le cluster CPV C+B+D+I+S est une hypothèse de travail, pas un théorème. Comme tout cadre scientifique, il doit faire des prédictions falsifiables — autrement c'est de la métaphysique au sens de Popper.

La V1 du paper (§5.4) liste 5 prédictions. La V2 — Roadmap #20 ayant livré le benchmark opérationnel — peut désormais évaluer une partie de ces prédictions ; les autres restent ouvertes.

Prédiction 1 — Durabilité de la longue mémoire

Formulation V1

Le Hurst estimé sur les panels historiques (boe, long) ne devrait pas converger vers 0.5 (random walk) à mesure qu'on étend l'échantillon vers le passé. Si on ingère des données pré-1700 (séries de prix médiévales, archives bancaires Renaissance) et qu'on trouve H → 0.5, l'image cluster est affaiblie : la longue mémoire serait un artefact du financiarisation post-1700 plutôt qu'une caractéristique structurelle.

Statut empirique

TODO. Le panel actuel boe couvre 1700-2016. L'extension à pré-1700 nécessite :

  • Ingestion de séries Phelps Brown-Hopkins (prix anglais 1264-1954), Allen's London wages (1264-1700), Florentine wool industry (1300-1600).
  • Test du d GPH sur ces périodes étendues.
  • Comparaison du d pré-1700 vs post-1700.

Test opérationnel

Procédure :

  1. Ingérer ces séries dans ecowave/cycles/ via un nouveau loader ecowave/cycles/historical_early.py.
  2. Calculer d GPH sur des sous-fenêtres glissantes 100-200 ans.
  3. Tracer d_t vs t sur 1300-2024.
  4. Tester si d pré-1700 ≠ d post-1700 (KS ou test de moyenne robust).

Verdict attendu

Hypothèse cluster : d > 0.20 pour les deux sous-périodes. Hypothèse de réfutation : d pré-1700 → 0.5 (proche du random walk).

Effort estimé

~20-30 jours pour l'ingestion + 5 jours pour les tests.

Prédiction 2 — Robustesse cross-panel sur variables non-financières

Formulation V1

Le cluster devrait apparaître sur un panel de variables macroéconomiques non-financières (taux d'activité, scolarisation, indicateurs de santé publique, consommation énergétique par habitant). Si le cluster n'est présent que sur les agrégats financiers / monétaires et absent sur les variables réelles, on a identifié une spécificité du secteur financier, pas une caractéristique structurelle macroéconomique.

Statut empirique

PARTIEL — bonne nouvelle. Le panel sh (sectoral history) inclut déjà :

  • Fret ferroviaire US (réel, pré-financiarisé)
  • Production d'acier (réel, industrie lourde)
  • Production industrielle (réel, large composante manufacturière)

Le benchmark Roadmap #20 montre que ces variables sont partiellement battues par le cluster : sur les 8 variables sh, 5 / 8 = 62 % sont battues. Cela suggère que le cluster s'étend au-delà du secteur financier.

Mais le panel sh reste anglo-saxon-centric. Une extension est nécessaire.

Test opérationnel

Procédure :

  1. Ingérer un panel OWID avec variables santé (mortalité infantile, espérance de vie), éducation (scolarisation), démographie (taux de natalité), énergie (consommation par habitant).
  2. Coverage : 100+ pays, 1960-2024.
  3. Appliquer le triple-gate CPV puis le benchmark Roadmap #20.

Verdict attendu

Hypothèse cluster : pass rate ≥ 50 % sur les variables réelles. Hypothèse de réfutation : pass rate < 50 % et différentiel significatif vs variables financières.

Effort estimé

~15 jours pour l'ingestion OWID + 3 jours pour le benchmark.

Prédiction 3 — Multifractale plutôt que monofractale

Formulation V1

La largeur du spectre singulier MF-DFA Δα devrait être de façon fiable > 0 sur le panel histoire longue. Si Δα → 0 avec plus de données et de meilleures méthodes, l'image cluster se réduit à un mouvement fractal monofractal (fBm), qui est une version plus faible et plus restreinte. Nous pré-enregistrons une réplication avec 1 000 surrogates en utilisant nolds.mfdfa comme estimateur canonique.

Statut empirique

PARTIEL — confirmation partielle. Le panel dx_diagnostics inclut MF-DFA comme diagnostic de famille B. Sur les 6 panels :

  • Δα > 0.15 sur ~70 % des cellules
  • Δα > 0.30 sur ~40 % des cellules

C'est compatible avec une multifractalité plus que monofractale, mais la queue de la distribution (Δα bas) suggère certaines variables sont monofractales.

Test opérationnel

Procédure :

  1. Augmenter la résolution du MF-DFA en passant de q ∈ [-5, 5] à q ∈ [-10, 10] avec pas de 0.5.
  2. Calculer Δα avec intervalle de confiance bootstrap à 1 000 répétitions.
  3. Tester si Δα > 0 significativement (intervalle ne contient pas 0).
  4. Documenter le pourcentage de variables où cette confirmation passe.

Verdict attendu

Hypothèse cluster : Δα significativement > 0 sur ≥ 50 % des variables, ICs ne contenant pas 0. Hypothèse de réfutation : Δα non-significativement > 0 sur la majorité, suggérant un monofractal.

Effort estimé

~10 jours pour l'extension du MF-DFA et l'analyse bootstrap.

Prédiction 4 — Forecast performance régime-conditionnelle

Formulation V1

Un modèle de prévision basé sur (a) ARFIMA + (b) régime-switching + (c) innovations à queues lourdes devrait outperformer les prévisions cycle-conditionnelles canoniques sur les données out-of-sample 2020-2024. L'image cluster prédit cela.

Statut empirique

LIVRÉE — confirmation forte par Roadmap #20.

Le benchmark ecowave forecast-benchmark (PRs #30-#38) implémente exactement cette prédiction :

  • (a) ARFIMA implémenté
  • (b) Markov regime-switching implémenté
  • (c) Innovations Gaussiennes utilisées dans ARFIMA+RS — pas encore queues lourdes explicites

Verdict : PASS 78 % sur 68 variables, 6 panels. Le modèle cluster (MSM + ARFIMA+RS + HAR) bat random walk sur out-of-sample CRPS à h = 12.

Cette prédiction est confirmée. Reste à étendre :

  • Innovations à queues lourdes (Tsallis ou Lévy stable) — extension Roadmap.
  • Tests Diebold-Mariano et Giacomini-White pour la rigueur statistique formelle.

Test opérationnel restant

Procédure :

  1. Implémenter arfima_rs_heavy_tails avec innovations Tsallis.
  2. Re-benchmarker sur les mêmes 68 variables.
  3. Comparer CRPS et tail coverage (cluster vs gaussian).
  4. Hypothèse : les queues lourdes améliorent le tail coverage de ~30 % sans dégrader le CRPS médian.

Effort estimé

~7 jours.

Prédiction 5 — Spécificité des split-points réflexifs

Formulation V1

Le diagnostic reflexivity_multi_window devrait attribuer le changement de distribution à des split-points spécifiques pré-enregistrés, pas uniformément sur la timeline. Si on étend l'analyse avec 1 000 surrogates et que le split-point dominant varie aléatoirement à travers les séries, le claim de réflexivité est affaibli à "la distribution change d'une façon ou d'une autre", ce qui est non-falsifiable.

Statut empirique

TODO. Le test reflexivity_multi_window détecte les ruptures mais ne caractérise pas leur localisation dans le temps.

Test opérationnel

Procédure :

  1. Pré-enregistrer une liste de split-points historiques candidats : 1944 (Bretton Woods), 1971 (fin du Gold Standard), 1973 (premier choc pétrolier), 1979 (Volcker), 1989 (chute du mur), 1999 (euro), 2008 (GFC), 2020 (COVID), 2022 (Ukraine).
  2. Pour chaque variable du cluster, identifier le split-point dominant détecté par KS sliding-window.
  3. Compter la distribution des split-points dominants à travers les variables.
  4. Tester si la distribution est non-uniforme (Chi-deux).

Verdict attendu

Hypothèse cluster : la distribution est non-uniforme, avec clustering autour de quelques dates historiquement reconnues (Volcker 1979 pour l'inflation, 2008 pour le crédit, 2020 pour les variables réelles). Hypothèse de réfutation : distribution uniforme, suggérant que les ruptures sont aléatoires plutôt que cognitives.

Effort estimé

~5 jours pour le test + interprétation historique.

Synthèse — programme falsifiabilité

Prédiction Statut Effort restant Priorité
1 — Durabilité longue mémoire TODO 25-35 jours Élevée
2 — Robustesse non-financière Partial 18 jours Élevée
3 — Multifractale vs monofractale Partial 10 jours Modérée
4 — Forecast régime-conditionnel CONFIRMÉE 7 jours (queues lourdes) Faible (déjà passée)
5 — Split-point spécifique TODO 5 jours Modérée

Effort total restant : ~70 jours pour la complétion de la falsifiabilité du cluster.

Pourquoi cette discipline importe

La falsifiabilité explicite est ce qui distingue le programme CPV des narratives macroéconomiques non-testables (notamment celles des 4 cycles canoniques). En pré-enregistrant les 5 prédictions, on s'engage à publier les résultats — même si ils réfutent le cluster.

Cela contraste avec :

  • La narrative cyclique (Korotayev-Tsirel 2010) qui adapte la datation ex-post aux observations.
  • Les modèles DSGE calibrés sur la même période que celle où ils sont évalués (in-sample).
  • Les "predictions" macroéconomiques publiées sans engagement préalable à publier les échecs.

Pour aller plus loin

Méthode

Pratique

Théorie

Code

  • ecowave.forecasting.benchmark — implémentation prédiction 4
  • ecowave.cycles.alternative_dynamics — diagnostics pour prédictions 1, 3, 5