Aller au contenu

Paper V2 — La macroéconomie comme cascade falsifiable

Mise à jour V3 (juin 2026) — papier V2 = draft du companion paper

Le présent paper V2 est le draft du papier compagnon en préparation (cluster CBDIS + benchmark PASS 78 %), distinct du V3 Cycles Refuted déjà publié. Le V3 a recadré le verdict sur les 4 cycles : trois sont vindiqués sur les variables substantives prédites (Juglar / Kuznets / Kitchin), Kondratieff est recasté Reinhart-Rogoff, lecture universaliste rejetée par BH-FDR. Ce paper V2 retient ses propres claims sur le cluster mais doit être lu en complément, pas en substitution, du V3. Voir résumé V3 portail.

TL;DR

Sur 68 séries macroéconomiques spanning 1700-2024 sur 6 panels, trois modèles statistiques (Calvet-Fisher MSM, Bhardwaj-Swanson ARFIMA+RS, Corsi HAR) battent random walk en out-of-sample CRPS à h = 12 sur 78 % des variables. Ce résultat est cohérent avec une signature empirique cluster C+B+D+I+S (long memory, multifractality, non-linearity, structured information, reflexive regime drift) qui co-apparaît sur > 60 % des cellules. La lecture universaliste sinusoïdale-sur-tout des 4 cycles canoniques (Kitchin, Juglar, Kuznets, Kondratieff) est rejetée par BH-FDR sur la grille jointe ; trois cycles vindiqués sur les variables substantives prédites (V3 Cycles Refuted) coexistent avec le cluster. Les modèles DSGE New-Keynesian doivent être révisés structurellement (chocs ARFIMA, Markov layer, queues Tsallis/Lévy). La synthèse théorique unifiée des 5 piliers reste ouverte — AMH + Friston + MRW sont les candidats.

Working paper académique. Version 2.0. ~4 500 mots. Dramaturgie constructive : commence par le verdict opérationnel, puis dérive la signature empirique, puis présente la méthode, puis discute la réfutation des cycles comme conséquence.

Dans ce paper

Abstract

We present an end-to-end empirical study of the dynamics of 68 macroeconomic time series spanning 6 panels and 1700-2024. Our central positive result is that three statistical models from the multifractal and long-memory literatures — Markov-Switching Multifractal (Calvet-Fisher 2002), ARFIMA with Markov regime-switching (Bhardwaj-Swanson 2006), and Heterogeneous Autoregressive (Corsi 2009) — collectively beat random walk on out-of-sample CRPS at horizon 12 on 78 % of the 68 variables tested. The pass rate is robust to the number of rolling-origins (12 vs 6 yields identical 78 %) and to the seed. Building on this constructive result, we derive a stable empirical cluster diagnostique : the five families C (long memory), B (multifractality), D (non-linearity), I (structured information), and S (reflexive regime drift) co-appear on > 60 % of cells. As consequences : (i) the four canonical macroeconomic cycles (Kitchin, Juglar, Kuznets, Kondratieff) fail systematically a triple-gate falsifiable protocol on the same 6 panels, with zero cells surviving all three gates ; (ii) DSGE New-Keynesian models require three structural modifications (long-memory shocks, Markov layer on deep parameters, heavy-tail innovations) to be compatible with the empirical signature ; (iii) the synthesis of Adaptive Markets Hypothesis (Lo), free-energy principle (Friston), and Multifractal Random Walk (Bacry-Muzy-Delour) is offered as a meta-framework candidate, though no unified mathematical formulation exists yet. All results are reproducible end-to-end in Docker.

JEL Codes : C22, C53, E32, E37, G17.

Keywords : long memory, multifractality, regime switching, forecasting, reflexivity, macroeconomic cycles, falsifiability.

1 · Introduction

1.1 Le résultat opérationnel central

On présente un benchmark de prévision out-of-sample sur 68 variables macroéconomiques, couvrant 6 panels distincts qui s'étalent de 1700 à 2024. Six modèles sont comparés : trois baselines stationnaires (random walk, AR(1), ARMA(1, 1)) et trois modèles issus de la littérature multifractale et long-memory (HAR Corsi 2009, ARFIMA(0, d, 0) avec Markov regime-switching Bhardwaj-Swanson 2006, MSM Calvet-Fisher 2002).

flowchart LR
    Data[68 variables<br/>6 panels<br/>1700-2024] --> Bench[Benchmark<br/>rolling-origin OOS]
    Bench --> Score[CRPS empirique<br/>h ∈ {1, 3, 6, 12}]
    Score --> Verdict([<b>PASS 78 %</b><br/>cluster bat RW])
    style Verdict fill:#a5d6a7,stroke:#388e3c,stroke-width:3px

Le verdict : sur 68 variables, 53 sont battues out-of-sample à horizon h = 12 par au moins un modèle du cluster — pass rate 78 %. Le seuil falsifiable était 50 %. Le verdict est :

  • Robuste à n_origins : passer de 6 à 12 origines évenly-spaced laisse le pass rate à 78 %.
  • Stable cross-panel : pass rate ∈ [60 %, 88 %] selon les panels.
  • Asymétrique entre modèles : MSM gagne 23 fois, HAR 16 fois, ARFIMA+RS 14 fois.
  • Pas captable par baselines : aucune AR(1) ni ARMA(1, 1) ne gagne quand un modèle cluster est compétent.
Panel Période Pass rate n vars Winners cluster
wb 1960-2024 (annuel) 60 % 10 MSM 4 · HAR 2
q 1995-2024 (trimestriel) 79 % 14 HAR 8 · ARFIMA+RS 5
long 1870-2024 (annuel) 88 % 16 MSM 8 · HAR 4 · ARFIMA+RS 2
boe 1700-2016 (annuel) 88 % 8 MSM 6 · HAR 1
bis 1970-2024 (trimestriel) 83 % 12 MSM 6 · ARFIMA+RS 3 · HAR 1
sh annuel court 62 % 8 MSM 2 · ARFIMA+RS 2 · HAR 1
aggregé 78 % 68 MSM 23 · HAR 16 · ARFIMA+RS 14

C'est le résultat constructif : la macroéconomie peut être modélisée par des cadres statistiques qui s'éloignent significativement du cyclo-équilibre standard.

1.2 Du résultat à l'image théorique

Le pass rate seul ne suffit pas à fonder une thèse théorique. Pour faire l'inférence "ce résultat empirique implique que la macroéconomie a telle structure", il faut identifier la propriété qui fait que ces modèles gagnent.

C'est ici qu'intervient le cluster diagnostique. Sur les 6 mêmes panels, on applique 14 diagnostics statistiques Tier 1+2. Cinq familles ressortent comme stables, conjointes et universellement présentes :

flowchart LR
    C[<b>C</b><br/>Long memory<br/>~85%]
    B[<b>B</b><br/>Multifractalité<br/>~70%]
    D[<b>D</b><br/>Non-linéarité<br/>~75%]
    I[<b>I</b><br/>Information<br/>~80%]
    S[<b>S</b><br/>Régime drift<br/>~60%]
    Cluster([<b>Cluster CPV</b><br/>co-apparence ≥ 60%])
    C --> Cluster
    B --> Cluster
    D --> Cluster
    I --> Cluster
    S --> Cluster
    style Cluster fill:#90caf9,stroke:#1565c0,stroke-width:3px

Les trois modèles cluster gagnants reproduisent une partie de cette signature :

  • HAR reproduit C par agrégation à 3 horizons.
  • ARFIMA+RS reproduit C (paramètre d explicite) + S (Markov 2 régimes).
  • MSM reproduit B + C + queues lourdes par construction cascadante.

C'est la cohérence entre la signature diagnostique observée et les propriétés des modèles gagnants qui fonde l'inférence : la macroéconomie est statistiquement caractérisée par ce cluster, et les modèles qui reproduisent ce cluster sont opérationnellement les meilleurs.

1.3 La conséquence négative : les 4 cycles canoniques sont morts

Le triple-gate falsifiable appliqué sur les mêmes 6 panels rejette systématiquement les quatre cycles canoniques :

Cycle Survie aux 3 portes
Kitchin (3-5 ans) 0 / 35 cellules
Juglar (7-11 ans) 0 / 35 cellules
Kuznets (15-25 ans) 0 / 22 cellules
Kondratieff (40-60 ans) 0 / 16 cellules

Aucune cellule ne survit aux trois gates. La datation pédagogique de Korotayev-Tsirel 2010 n'est pas validée.

Ce résultat n'est pas un artefact méthodologique

Il est prévu par la signature cluster. Une dynamique fractale à mémoire longue n'a pas d'horloge interne ; donc elle n'a pas de cycles canoniques détectables.

1.4 Structure du paper

Section 2 présente la méthodologie. Section 3 présente les résultats. Section 4 présente la discussion (DSGE, synthèse, prédictions, objections). Section 5 conclut.

2 · Méthodologie

2.1 Le benchmark opérationnel

Tous les modèles partagent une interface unique : ils prennent en entrée une série historique 1-D et un ensemble d'horizons, et retournent une matrice Monte Carlo d'échantillons :

\[ \text{forecast} : (\mathbf{X}_{1:T}, H) \to \mathbf{S} \in \mathbb{R}^{N \times |H|} \]

où \(N\) est le nombre de paths et \(|H|\) le nombre d'horizons. Cette représentation sample-based permet l'évaluation par règles de scoring propres sans hypothèse paramétrique.

Modèles candidats :

Famille Modèle Spec
Baseline Random walk \(X_{t+h} = X_t + \sum_k \varepsilon_k\), Gaussian
Baseline AR(1) \(X_t = c + \phi X_{t-1} + \varepsilon_t\)
Baseline ARMA(1, 1) statsmodels SARIMAX
Cluster HAR Corsi 2009 OLS sur 3 moyennes glissantes
Cluster ARFIMA+RS Bhardwaj-Swanson 2006, 5 étapes
Cluster MSM Calvet-Fisher 2002 Cascade K=4 par filtre Hamilton

Évaluation :

flowchart LR
    H[Historique] --> Split[Hold-out 25%]
    Split --> Origins[n_origins = 12]
    Origins --> Fit[Fit 6 modèles]
    Fit --> Forecast[Probabilistic forecast]
    Forecast --> Scoring[CRPS · MAE · coverage<br/>· tail · bias]
    Scoring --> Cell[Mean par cellule<br/>groupe×var×model×horizon]
    Cell --> Decision[Acceptance<br/>per variable]

Acceptance criterion : pour chaque variable, le best cluster model (lowest mean CRPS au horizon de décision \(h = 12\)) est comparé à la baseline RW. La variable "passe" si \(\text{CRPS}_{\text{best cluster}} < \text{CRPS}_{\text{RW}}\). Verdict global : \(\text{pass\_rate} \geq 0.5\).

2.2 Le cluster diagnostique

Le module ecowave/cycles/alternative_dynamics.py implémente 14 diagnostics regroupés en 11 familles : A SOC, B multifractality, C long memory, E critical slowdown, G RMT, I information, J Lévy flights, P K41, R anomalous diffusion, T Tsallis, S reflexivity.

Pour chaque diagnostic, une cellule est "active" si le test rejette H0 avec p-value < 0.05 contre une null AR(1) bootstrap ou phase-scrambling.

Distribution des rejets par famille sur les 9 436 cellules :

Famille Description Rejet à α=0.05 Type
C Long memory ~85 % Cluster
B Multifractalité ~70 % Cluster
D Non-linéarité ~75 % Cluster
I Information structurée ~80 % Cluster
S Régime drift ~60 % Cluster
A SOC ~25 % Non-cluster
E Critical slowdown ~30 % Non-cluster
G RMT ~40 % Non-cluster
J Lévy flights ~50 % Non-cluster
P K41 turbulence ~35 % Non-cluster
R Anomalous diffusion ~40 % Non-cluster
T Tsallis ~45 % Non-cluster

2.3 Le triple-gate falsifiable

flowchart TD
    A([Série macro]) --> B{Gate 1<br/>Dual null}
    B -->|p ≥ 0.05| Z1([❌ Cycle non détecté])
    B -->|p < 0.05 sur les 2| C{Gate 2<br/>Consensus 4 méthodes}
    C -->|< 3/4| Z2([❌ Disputed])
    C -->|≥ 3/4| D{Gate 3<br/>Universalité 5 agrégats}
    D -->|< 4/5| Z3([❌ Régional])
    D -->|≥ 4/5| Y([✅ Universal])
    style Y fill:#a5d6a7,stroke:#388e3c
    style Z1 fill:#ffcdd2
    style Z2 fill:#ffcdd2
    style Z3 fill:#ffcdd2

Gate 1 — Dual null. AR(1) bootstrap + phase-scramble. Une cellule passe ssi les deux tests rejettent à α = 0.05.

Gate 2 — Consensus. Quatre méthodes (PELT, Markov-switching, CF+Hilbert, Bry-Boschan) votent ; la phase modale est publiée ssi ≥ 3/4 s'accordent.

Gate 3 — Universalité. Pour 5 agrégats de revenu, le cycle est universal ssi ≥ 4/5 partagent la même phase modale.

Méthode complète →

3 · Résultats

3.1 Pass rate par panel

Détail dans Section 1.1.

3.2 Leaderboard cluster

Modèle Wins Part Spécialisation
MSM (Calvet-Fisher) 23 43 % Panels longs (boe 6/7, long 8/14, bis 6/10)
HAR (Corsi) 16 30 % Quarterly contemporain (q 8/11)
ARFIMA+RS (Bhardwaj-Swanson) 14 26 % Crédit (LH_CREDIT et BIS variables)
Total cluster 53 100 %

Aucune baseline ne gagne quand un modèle cluster est compétent.

3.3 Patterns qualitatifs

  1. MSM domine les histoires longues. La cascade multifractale bénéficie d'historiques longs pour identifier ses 4 paramètres.
  2. HAR domine le quarterly contemporain. La cascade par agrégation à 3 horizons (1, 2, 4) trimestriels capture bien la structure des séries 1995-2024.
  3. ARFIMA+RS a une niche en crédit. Variables LH_CREDIT, BIS_HHCRED, BIS_CRATIO, BOE_STIR.

3.4 Failure modes

22 % des variables (15/68) ne sont pas battues. 4 patterns identifiés : taux administrés (5 var.), séries courtes annuelles (6 var.), agrégats commerce/investissement avec chocs exogènes (4 var.), séries historiques US sectorielles (3 var.).

Aucun de ces échecs n'est aléatoire. Tous ont une explication structurelle. Cela renforce plutôt qu'affaiblit le claim cluster.

4 · Discussion

4.1 La macroéconomie comme cascade

L'image cyclique standard (oscillation stationnaire autour d'un équilibre intertemporel) est incompatible avec la signature empirique du cluster CPV. Elle est remplacée par l'image de la cascade multifractale non-linéaire à mémoire longue avec dérive de régime cognitif.

Cette image est proche de la turbulence Kolmogorov K41

Un système où les fluctuations à grande échelle se déclinent en fluctuations plus petites qui se déclinent encore, avec transfert d'énergie entre échelles. Métaphore que Mandelbrot 1997 a explorée pour la finance, et que nous étendons ici à la macroéconomie. La différence d'avec la turbulence physique pure : la macroéconomie a aussi un layer cognitif réflexif (S) qui n'a pas d'analogue en mécanique des fluides.

4.2 DSGE en accusation

Les trois hypothèses statistiques sous-jacentes au DSGE NK moderne :

Hypothèse standard Contradiction
Chocs AR(1) ou IID C (longue mémoire)
Paramètres deep stables S (régime drift)
Innovations gaussiennes D + queues lourdes 
flowchart LR
    DSGE[DSGE NK actuel] --> Fail1[Échecs<br/>2008 · 2020 · 2021-22]
    DSGE --> Mods[3 modifications<br/>structurelles requises]
    Mods --> M1[Long-memory shocks<br/>ARFIMA]
    Mods --> M2[Markov layer<br/>paramètres deep]
    Mods --> M3[Distributions<br/>Tsallis/Lévy]
    M1 --> NewDSGE[DSGE généralisé<br/>compatible cluster]
    M2 --> NewDSGE
    M3 --> NewDSGE
    style NewDSGE fill:#a5d6a7,stroke:#388e3c

Programme : 2-3 ans pour une équipe BC + universitaires bien orchestrée.

Détail dans DSGE en accusation →

4.3 Implications BC et macroprudentielles

Le cluster ouvre quatre outils opérationnels : 1. Credibility radar (d GPH inflation) 2. Forward guidance réflexif 3. Tipping point EWS (KS sliding-window) 4. Horizon-aware targeting (HAR / MSM / ARFIMA+RS)

Plus deux extensions macroprudentielles : Hurst-based credit cycle, ES recalibré sur queues lourdes.

Détail dans track BC →

4.4 Réplication des 5 prédictions falsifiables

flowchart LR
    Pred[5 prédictions §5.4] --> P1[<b>Pred 1</b><br/>Durabilité long memory<br/>TODO]
    Pred --> P2[<b>Pred 2</b><br/>Non-financières<br/>PARTIAL]
    Pred --> P3[<b>Pred 3</b><br/>Multifractale<br/>PARTIAL]
    Pred --> P4[<b>Pred 4</b><br/>Forecast régime<br/>✅ CONFIRMÉE]
    Pred --> P5[<b>Pred 5</b><br/>Split-points<br/>TODO]
    style P4 fill:#a5d6a7,stroke:#388e3c

Détail dans 5 prédictions →

4.5 La synthèse théorique manquante

Aucun cadre théorique unique ne prédit conjointement les 5 piliers. Les candidats :

Cadre Coverage Type
AMH (Lo 2017) 4/5 piliers Méta-cadre conceptuel
Free-energy (Friston 2010) 3/5 piliers Formalisation forte
MRW (Bacry-Muzy-Delour 2001) 2/5 piliers Mathématique précise

Programme : ~3-5 ans pour formaliser un MRW étendu à régimes de free-energy.

Détail dans synthèse AMH →

4.6 Objections anticipées

Objection 1 — BDS rejette IID, c'est trivial

Réponse : le BDS sur les résidus de modèles DSGE standard rejette aussi l'hypothèse IID. La non-trivialité du résultat est que cela vaut pour les résidus de DSGE moderne, pas seulement pour les séries brutes.

Objection 2 — Hurst > 1 est un artefact de petits échantillons

Réponse : les correctifs Bryce-Sprague-Burlando pour les biais de petits échantillons sont implémentés (ecowave.cycles.alternative_dynamics). Le d GPH reste positif et significatif après correction.

Objection 3 — Per-horizon variance est un confondeur

Réponse : nous comparons les modèles avec les mêmes horizons sur les mêmes variables sur les mêmes périodes. La variance prédictive grandit avec h pour tous les modèles uniformément.

Objection 4 — 14 diagnostics × 9 436 cellules = identification post-hoc

Réponse : le cluster C+B+D+I+S est pré-spécifié à partir de la littérature (Mandelbrot, Bouchaud, Sornette, Soros). L'identification empirique est confirmation, pas découverte.

Objection 5 — Qu'en est-il du LPPL bubble signature ?

Réponse : LPPL (Sornette-Johansen-Bouchaud) capture une signature de crash spécifique. Notre cluster est plus général. LPPL est compatible avec D + S de notre cluster.

Objection 6 — La réflexivité n'est pas falsifiable

Réponse : la prédiction 5 du programme falsifiabilité (split-point clustering autour de dates historiques pré-enregistrées) est falsifiable. Si les ruptures sont uniformément distribuées, S est réfutée.

Objection 7 — DSGE fonctionne, pourquoi on en a besoin de ce cadre ?

Réponse : DSGE moderne sous-estime la persistance des chocs, rate les transitions de régime, et sous-pricer les queues lourdes. Les modifications proposées le généralisent sans le tuer.

5 · Conclusion

Nous avons présenté une démonstration empirique end-to-end que :

  1. Trois modèles de la littérature multifractale et long-memory battent random walk en out-of-sample CRPS à horizon 12 sur 78 % de 68 variables macro distribuées sur 6 panels couvrant 1700-2024.

  2. Cette performance est cohérente avec une signature empirique stable — le cluster diagnostique C+B+D+I+S qui co-apparaît sur 60 %+ des cellules.

  3. Les 4 cycles canoniques échouent systématiquement à un protocole falsifiable triple-gate sur les mêmes 6 panels.

  4. Les modèles DSGE New-Keynesian standard ne sont pas compatibles avec la signature observée. Trois modifications structurelles sont requises.

  5. Un cadre théorique unifié reste à construire. AMH + free-energy + MRW constituent le triplet candidat. Aucun n'unifie seul les 5 piliers.

Le matériel est entièrement open-source sous MIT, conteneurisé Docker, et reproductible en une commande shell.

Annexes

Annexe A · Reproductibilité Docker

Voir benchmark_reproducible.md. Total ~15-30 minutes pour reproduire le verdict PASS 78 % sur les 6 panels.

Annexe B · Le panorama 21 familles

Voir methodology_beyond_cycles.md pour la cartographie complète des cadres théoriques alternatifs.

Annexe C · Étude Roadmap #18

Voir falsifiable_predictions.md pour les 5 prédictions pré-enregistrées et leur programme d'exécution.

Références principales

30+ références complètes
  • Atkeson, A., Ohanian, L. E. (2001). Are Phillips curves useful for forecasting inflation? FRB Minneapolis Quarterly Review.
  • Bacry, E., Muzy, J.-F., Delour, J. (2001). Multifractal Random Walk. Physical Review E 64: 026103.
  • Beran, J. (1994). Statistics for Long-Memory Processes. Chapman & Hall.
  • Bhardwaj, G., Swanson, N. R. (2006). An empirical investigation of the usefulness of ARFIMA models for predicting macroeconomic and financial time series. Journal of Econometrics 131: 539-578.
  • Bianchi, F., Ilut, C. (2017). Monetary/fiscal policy mix and agent's beliefs. Review of Economic Dynamics 26: 113-139.
  • Borio, C. (2014). The financial cycle and macroeconomics: what have we learnt? Journal of Banking & Finance 45: 182-198.
  • Brock, W. A., Hommes, C. H. (1998). Heterogeneous beliefs and routes to chaos in a simple asset pricing model. Journal of Economic Dynamics and Control 22: 1235-1274.
  • Calvet, L., Fisher, A. (2002). Markov-switching multifractal, NBER WP 9839.
  • Calvet, L., Fisher, A. (2004). How to forecast long-run volatility. Journal of Financial Econometrics 2: 49-83.
  • Calvet, L., Fisher, A. (2008). Multifractal Volatility: Theory, Forecasting, and Pricing. Academic Press.
  • Christiano, L., Fitzgerald, T. J. (2003). The band-pass filter. International Economic Review 44: 435-465.
  • Corsi, F. (2009). A simple approximate long-memory model of realized volatility. Journal of Financial Econometrics 7: 174-196.
  • Drehmann, M., Borio, C., Tsatsaronis, K. (2012). Characterising the financial cycle. BIS WP 380.
  • Friston, K. (2010). The free-energy principle: a unified brain theory? Nature Reviews Neuroscience 11: 127-138.
  • Geweke, J., Porter-Hudak, S. (1983). The estimation and application of long memory time series models. Journal of Time Series Analysis 4: 221-238.
  • Gneiting, T., Raftery, A. E. (2007). Strictly proper scoring rules, prediction, and estimation. JASA 102: 359-378.
  • Granger, C. W. J., Joyeux, R. (1980). An introduction to long-memory time series models and fractional differencing. Journal of Time Series Analysis 1: 15-29.
  • Hamilton, J. D. (1989). A new approach to the economic analysis of nonstationary time series and the business cycle. Econometrica 57: 357-384.
  • Harding, D., Pagan, A. (2002). Dissecting the cycle. Journal of Monetary Economics 49: 365-381.
  • Hommes, C. (2006). Heterogeneous agent models in economics and finance. Handbook of Computational Economics 2: 1109-1186.
  • Hosking, J. R. M. (1981). Fractional differencing. Biometrika 68: 165-176.
  • Killick, R., Fearnhead, P., Eckley, I. A. (2012). Optimal detection of changepoints. JASA 107: 1590-1598.
  • Korotayev, A. V., Tsirel, S. V. (2010). A spectral analysis of world GDP dynamics. Structure and Dynamics 4: 3.
  • Lo, A. (2017). Adaptive Markets: Financial Evolution at the Speed of Thought. Princeton.
  • Lux, T., Marchesi, M. (1999). Scaling and criticality in a stochastic multi-agent model of a financial market. Nature 397: 498-500.
  • Mandelbrot, B. (1997). Fractals and Scaling in Finance. Springer.
  • Sims, C. A., Zha, T. (2006). Were there regime switches in U.S. monetary policy? American Economic Review 96: 54-81.
  • Smets, F., Wouters, R. (2003). An estimated dynamic stochastic general equilibrium model of the euro area. Journal of the European Economic Association 1: 1123-1175.
  • Sornette, D., Johansen, A., Bouchaud, J.-P. (1996). Stock market crashes, precursors and replicas. Journal de Physique I 6: 167-175.
  • Soros, G. (2013). Fallibility, reflexivity, and the human uncertainty principle. Journal of Economic Methodology 20: 309-329.
  • Theiler, J. et al. (1992). Testing for nonlinearity in time series: the method of surrogate data. Physica D 58: 77-94.
  • Torrence, C., Compo, G. P. (1998). A practical guide to wavelet analysis. Bulletin of the American Meteorological Society 79: 61-78.

Voir aussi le working paper V1 archivé pour la version réfutation-first de décembre 2025, ~10 000 mots.