Aller au contenu

Credibility radar

TL;DR

Une banque centrale crédible a une inflation faiblement persistante : les chocs s'éteignent vite parce que les agents n'anticipent pas une dérive de la cible. Cette persistance est exactement le paramètre d GPH. Interprétation : d < 0.10 crédible, d > 0.40 crise. Implémentation : une ligne Python, ~milliseconde. Volcker 1979 → d chute de 0.40 à 0.10 ; Brexit/COVID 2016-22 → d remonte. Mesure directe sans dépendance aux enquêtes.

Dans cette page

L'intuition

Une banque centrale crédible est celle dont les acteurs économiques croient la cible d'inflation, sans attendre la preuve empirique à chaque période. Concrètement : si la BC annonce 2 % et que les agents intègrent cela rapidement dans leurs anticipations, alors les chocs d'inflation transitoires ne se propagent pas dans le système — ils s'éteignent vite.

À l'inverse, une banque centrale non-crédible : les chocs d'inflation persistent, parce que les agents intègrent dans leurs anticipations courantes une trajectoire qui dérive de la cible. Un choc positif aujourd'hui se traduit par anticipations plus hautes demain, qui contribuent à l'inflation effective de demain, qui renforcent les anticipations d'après-demain, etc.

Cette persistance des chocs d'inflation est exactement le paramètre de longue mémoire d du modèle ARFIMA — au sens GPH (Geweke-Porter- Hudak 1983) ou via l'estimateur local-Whittle.

  • d proche de 0 : pas de longue mémoire, chocs s'éteignent vite, BC crédible.
  • d entre 0.1 et 0.3 : longue mémoire modérée, crédibilité intermédiaire.
  • d supérieur à 0.4 : longue mémoire forte, chocs très persistants, crédibilité faible.
  • d proche de 0.5 : frontière non-stationnarité, BC en perte totale de crédibilité.

La formalisation

L'estimateur GPH régresse le logarithme du périodogramme sur le logarithme de la fréquence pour les basses fréquences :

\[ \log I(\lambda_j) = c - d \cdot \log\!\left(4 \sin^2(\lambda_j / 2)\right) + \varepsilon_j \]

pour j = 1, …, m où m = T^{0.5} (bandwidth Geweke-Porter-Hudak original) ou m = T^{0.8} (plus efficient, parfois biaisé près des bords).

  • T : longueur de la série (typiquement 200-600 mois pour l'inflation moderne).
  • I(λ_j) : périodogramme à la fréquence λ_j = 2π j / T.
  • d : paramètre à estimer.

Implémentation : gph_estimate_d(series, bandwidth_exponent=0.5) dans fractional.py. Clipping automatique à [-0.499, 0.499] pour rester dans la zone de stationnarité.

Comment l'utiliser opérationnellement

Implémentation minimale

import numpy as np
from ecowave.forecasting.fractional import gph_estimate_d

# Votre série d'inflation, mensuelle, déjà désaisonnalisée
inflation_monthly = np.array([...])  # T observations

d_estimated = gph_estimate_d(inflation_monthly, bandwidth_exponent=0.5)
print(f"d = {d_estimated:.3f}")

Sortie typique pour une BC à cible 2 % crédible :

d = 0.085

Sortie typique pour une économie en perte de crédibilité :

d = 0.412

Lecture historique

Le pouvoir interprétatif de d vient de sa capacité à montrer des ruptures de crédibilité historiques :

  • États-Unis pré-Volcker (1965-1979) : d ≈ 0.4 sur l'inflation CPI. Période d'ancrage faible des anticipations.
  • États-Unis post-Volcker (1985-2007) : d ≈ 0.1. Volcker a cassé la persistance par un régime monétaire restrictif inattendu — c'est l'opérationnalisation empirique d'une rupture de régime cognitif (famille S du cluster CPV).
  • États-Unis post-2008 (2009-2019) : d ≈ 0.05-0.1. ZIRP + QE produisent une inflation très faiblement persistante (inflation basse pas par sécurité mais par compression structurelle).
  • États-Unis 2021-2022 (post-COVID) : d remonte à ~0.25 — choc persistant, anticipations mises à l'épreuve.
  • Royaume-Uni post-Brexit (2016+) : d augmente significativement. Crédibilité érodée par tensions politiques.
  • Turquie depuis 2018 : d > 0.4. Crise de crédibilité aiguë.
  • Zone euro stable : d ≈ 0.1 sur la période 2003-2020.

Calibration recommandée

Pour utilisation opérationnelle en BC :

Paramètre Recommandation
Fréquence Mensuelle (la plus courante pour CPI ; trimestrielle si seule disponible)
Désaisonnalisation Indispensable (X-13 ARIMA-SEATS ou Tramo-Seats)
Longueur série Minimum 60 observations (5 ans mensuels) ; 120+ idéal
Bandwidth 0.5 Geweke-Porter-Hudak original ; 0.6 un peu plus efficient
Fenêtre glissante 5-10 ans pour suivre l'évolution dans le temps

Suivi dans le temps

L'utilisation la plus puissante est en fenêtre glissante : calculer d sur les T_{window} derniers mois, à chaque période. La série chronologique d_t montre l'évolution de la crédibilité.

def rolling_d_credibility(inflation_series, window_months=120):
    """Calcule d en fenêtre glissante de window_months mois."""
    d_series = []
    for t in range(window_months, len(inflation_series)):
        d_t = gph_estimate_d(
            inflation_series[t - window_months : t],
            bandwidth_exponent=0.5,
        )
        d_series.append(d_t)
    return np.array(d_series)

Un régime drift dans d_t (montée brutale) signale une crise de crédibilité émergente. C'est complémentaire de l'EWS détaillé dans tipping point detection.

Comparaison cross-pays

Tableau indicatif basé sur les données disponibles sur les panels CPV (notre estimation, à reproduire sur vos données internes BC) :

Pays / Zone Période d estimé indicatif Interprétation
États-Unis 1965-1979 ~0.40 Crédibilité pré-Volcker faible
États-Unis 1985-2007 ~0.10 Anchored expectations
États-Unis 2009-2019 ~0.08 ZIRP + faible inflation
États-Unis 2021-2024 ~0.25 Recovery de crédibilité après choc COVID
Royaume-Uni 1993-2016 ~0.12 Inflation targeting stable
Royaume-Uni 2016-2024 ~0.20 Brexit + COVID, érosion partielle
Zone euro 2003-2020 ~0.10 BCE stable
Japon 1995-2020 ~0.05 Déflation persistante (cas limite)
Turquie 2018-2024 ~0.45 Crise de crédibilité aiguë
Argentine 2015-2024 > 0.5 Hors zone de stationnarité

Avertissement : ces valeurs sont indicatives. Pour publication ou décision politique, recalculer avec vos données internes, désaisonnalisées avec votre méthode standard, et avec une bandwidth choisie après sensibility analysis.

Comment cela complète vos indicateurs existants

Les BC utilisent déjà plusieurs proxies de crédibilité :

Indicateur classique Avantage Limite
Anticipations d'inflation (enquêtes consommateurs/professionnels) Direct, capture les croyances Bruité, lent, biais cognitifs
Break-even rates (obligations indexées) Marché-based, daily Distorsion liquidité, prime de risque
Écart à la cible Simple Pas de notion de persistance
Dispersion des anticipations Capture l'incertitude Sépare mal cible vs persistance

L'indicateur d GPH apporte :

  • Une mesure unique synthétique de la persistance — qui est exactement le problème quand on parle d'ancrage des anticipations.
  • Indépendance des enquêtes : mesurable directement sur la série CPI sans recours à des données d'enquête potentiellement biaisées.
  • Comparabilité cross-pays stricte : d a la même définition partout, pas de problèmes de formulation des questions ou de méthodologie d'enquête.
  • Lecture historique falsifiable : un break dans d_t signale une rupture de régime, validable par les événements historiques (Volcker 1979, Brexit 2016, COVID 2020).

Limites à connaître

Le d GPH n'est pas magique :

  • Sensibilité à la bandwidth : m = T^{0.5} vs m = T^{0.8} peuvent donner des d différents. Reporter les intervalles.
  • Sensibilité aux outliers : un choc transitoire massif (COVID spike) peut biaiser d. Robuster avec winsorisation ou estimateur local-Whittle robuste.
  • Identification faible sur séries courtes : T < 100, d est fortement biaisé. Utiliser intervalles plus larges si nécessaire.
  • Pas de structure causale : d mesure une propriété statistique, pas un mécanisme. Cela complète, ne remplace pas, les modèles structurels DSGE.

Étapes pour intégrer dans votre pipeline BC

  1. Pilote (1-2 semaines) : calculer d sur votre série d'inflation nationale en historique (post-1995 typiquement). Comparer à votre diagnostic interne de crédibilité. Sanity check.
  2. Reproduire les patterns historiques : appliquer la fenêtre glissante sur 1965-2024 (ou ce qui est disponible). Détectez-vous Volcker 1979, Greenspan 2001-2003, GFC 2008, COVID 2020 ?
  3. Calibrer les seuils : à partir de quelle valeur de d considère-t-on une perte de crédibilité préoccupante ? Recommandé : d > 0.30 est un signal d'alerte ; d > 0.40 est une crise.
  4. Intégrer au dashboard : ajouter d_t mensuel au dashboard chief economist / governor. Calculer pour les 4-5 pairs principaux pour comparaison.
  5. Documentation interne : produire une note d'interprétation pour le comité de politique monétaire — quoi suivre, quand alerter.

Ressources techniques

  • Code : gph_estimate_d dans ecowave/forecasting/fractional.py
  • Tests : tests/test_forecasting_fractional.py (9 tests passants validant l'estimateur sur ARFIMA simulé)
  • Référence académique : Geweke-Porter-Hudak 1983 J. Time Series Analysis ; révision moderne dans Beran 1994 Statistics for Long- Memory Processes.
  • Application macroéconomique : "Shades of inflation targeting: insights from fractional integration" — Macroeconomic Dynamics (Cambridge).
  • Reproduction sur nos données : lancer ecowave forecast-benchmark --horizon-data q --models arfima_rs et inspecter cells[i].mean_crps + d_estimated dans la métadonnée de chaque cellule.

Voir aussi : forward guidance réflexif, tipping point detection, horizon-aware targeting.