Aller au contenu

Ce qui remplace les cycles

Mise à jour V3 (juin 2026) — page recadrée comme complément, pas substitut

En V3, le verdict s'est affiné : la lecture universaliste des cycles est rejetée, mais trois cycles substantifs sont vindiqués sur leurs canaux propres. Le cluster des 5 propriétés ci-dessous est donc à lire comme signature complémentaire qui co-existe avec les trois cycles vindiqués (Juglar, Kuznets, Kitchin), pas comme leur substitut. Le projet a désormais deux papiers en parallèle : Cycles Refuted V3 (publié, vindication variable-spécifique + Kondratieff recasté Reinhart-Rogoff) et un companion paper en préparation (cluster CBDIS + benchmark PASS 78 %). Voir résumé V3.

TL;DR

À côté des trois cycles substantifs vindiqués, 5 propriétés statistiques apparaissent dans la plupart des séries macro : C longue mémoire (les chocs s'éteignent lentement, comme dans un fleuve, pas un étang) ; B multifractalité (la texture des fluctuations diffère selon l'échelle, comme une côte rocheuse vue d'avion vs à pied) ; D non-linéarité (cause et effet ne sont pas proportionnels) ; I information structurée (prédictibilité partielle exploitable) ; S dérive de régime cognitif (les croyances changent le système — Soros). Métaphore unificatrice : la cascade en turbulence.

Dans cette page

Cinq propriétés qui apparaissent partout

Quand les quatre cycles canoniques ont été éliminés par notre protocole, il restait quelque chose dans les séries macroéconomiques. Quelque chose de bien plus structuré qu'un simple bruit aléatoire. Pour le caractériser, nous avons appliqué quatorze diagnostics statistiques différents sur les mêmes 6 panels — diagnostics issus de la physique statistique, de la théorie de l'information, et de l'économétrie moderne.

Cinq propriétés ressortent comme stables, présentes systématiquement, et conjointes (elles n'apparaissent jamais isolées). Nous les appelons le cluster C+B+D+I+S.

C — Longue mémoire

Imaginez que vous lancez une pierre dans un étang. Les vagues qu'elle crée s'estompent en quelques secondes. C'est de la mémoire courte : l'effet de la perturbation s'oublie vite.

Maintenant imaginez un fleuve. Une crue à la source aujourd'hui aura encore des effets à l'embouchure dans plusieurs jours, voire des semaines. Le système "se souvient" du choc pendant longtemps. C'est de la mémoire longue.

Les séries macroéconomiques se comportent comme le fleuve. Un choc d'inflation, de crédit, de chômage qui survient aujourd'hui aura encore des effets mesurables dans dix, vingt, trente ans. Ce n'est pas une métaphore : c'est quantifiable. Notre paramètre s'appelle d (pour "degré d'intégration fractionnaire") et il mesure exactement à quelle vitesse les chocs s'estompent. Pour la plupart des séries macro testées, d est positif et significatif — donc longue mémoire.

B — Multifractalité

Si vous zoomez sur une côte rocheuse vue d'avion, vous voyez les mêmes formes de découpures qu'à pied. Cette propriété s'appelle l'auto-similarité. Mais elle a deux variantes : la monofractalité (toutes les échelles se ressemblent de la même manière), et la multifractalité (chaque échelle a sa propre dimension).

Le marché boursier est connu pour être multifractal depuis Mandelbrot des années 1960 : les "petites" fluctuations quotidiennes et les "grandes" fluctuations mensuelles ne sont pas juste des versions agrandies les unes des autres — elles ont des propriétés statistiques qualitativement différentes.

Nous démontrons que la macroéconomie a la même propriété. Une crise violente sur six mois n'est pas la même chose que dix crises légères étalées sur cinq ans, même si le mouvement total est identique. La texture des fluctuations diffère.

D — Non-linéarité

Dans un système linéaire, la cause et l'effet sont proportionnels. Doublez le choc, l'effet double. Ajoutez deux chocs, leurs effets s'additionnent.

Dans un système non-linéaire, ce n'est plus vrai. Un choc deux fois plus grand peut produire un effet dix fois plus grand. Deux chocs ensemble peuvent s'annuler ou se renforcer mutuellement de façon imprévisible.

La macroéconomie est non-linéaire. Notre test statistique (BDS, du nom de Brock-Dechert-Scheinkman 1996) le confirme sur la quasi-totalité des cellules. Pratiquement : on ne peut pas additionner des effets pour faire une prévision. Un modèle DSGE qui suppose la linéarité intertemporelle rate cette propriété — et donc rate les retournements brutaux.

I — Information structurée

L'entropie mesure la quantité d'information aléatoire dans une série. Une suite purement chaotique a une entropie maximale ; une suite très prévisible (croissance constante par exemple) a une entropie minimale.

Les séries macroéconomiques sont partiellement prévisibles — mais seulement dans des fenêtres temporelles particulières et avec des contraintes structurelles précises. Notre diagnostic d'entropie permutationnelle (et de sample entropy) montre que l'information contenue dans la série n'est pas un pur bruit : elle a une structure qui peut être exploitée.

C'est bonne nouvelle pour la prévision opérationnelle : il y a quelque chose à prévoir. C'est mauvaise nouvelle pour les modèles qui supposent que les fluctuations sont aléatoires : ils ratent cette structure.

S — Dérive de régime cognitif

Cette propriété est la plus subtile. Quand les acteurs économiques changent leurs croyances sur le fonctionnement du système — par exemple : "la Banque centrale ne tolérera plus l'inflation" en 1979 avec Volcker, ou "le QE va durer pour toujours" en 2009 — le système lui- même change de régime.

C'est ce que George Soros appelle la réflexivité : les croyances sur le système font partie du système. Le système n'est pas extérieur à nous comme l'atmosphère est extérieure à un météorologue ; il est partiellement constitué par nos anticipations.

Notre test détecte ces changements de régime via une statistique de Kolmogorov-Smirnov appliquée à des fenêtres glissantes. Les changements détectés correspondent souvent à des événements historiques identifiables (Volcker, Black Monday 1987, GFC 2008, COVID 2020).

Une métaphore : la cascade

Comment se représenter le tout ? L'image utile est celle d'une cascade en turbulence.

Imaginez l'eau qui dégringole d'une chute. Au sommet, le flux est relativement régulier. À mi-chute, il s'agite et forme des grandes vagues. Vers le bas, ces vagues se brisent en mille tourbillons de plus en plus petits. C'est la cascade de Kolmogorov, l'image canonique de la turbulence en physique.

La macroéconomie ressemble à cela. Les grandes perturbations historiques (révolutions industrielles, deux guerres mondiales, construction de l'État-providence) jouent le rôle des grandes vagues en haut. Elles se déclinent en cascades de perturbations plus petites (cycles d'investissement, fluctuations sectorielles), elles-mêmes déclinées en perturbations encore plus petites (variations trimestrielles, ajustements de stocks). Et il y a un véritable transfert d'énergie des grandes échelles vers les petites — ce qu'exprime mathématiquement notre multifractalité.

Ce qui change la métaphore par rapport à la turbulence physique pure : le système a aussi des régimes cognitifs. Comme si, de temps en temps, la physique elle-même de la cascade changeait — parce que les acteurs économiques changent leurs croyances sur le système.

Pourquoi le cycle ne fonctionnait pas

L'image cyclique implique trois choses : une fréquence privilégiée, une forme reproductible, et une horloge qui régule. Aucune de ces trois choses n'est présente dans nos données.

  • Pas de fréquence privilégiée : le spectre de puissance est continu, pas pointu.
  • Pas de forme reproductible : la multifractalité (B) signifie précisément que chaque "cycle" est de nature différente.
  • Pas d'horloge : la dérive de régime cognitif (S) brise toute régularité temporelle.

Le cycle est mort parce que la macroéconomie n'a pas d'horloge interne. Elle a quelque chose de plus intéressant : une cascade fractale avec dérive cognitive.

La conséquence opérationnelle

Si la macroéconomie est une cascade plutôt qu'une horloge, on peut la modéliser, et donc la prévoir. Pas avec des modèles cycliques, mais avec des modèles de cascade : MSM (Markov-Switching Multifractal de Calvet-Fisher), ARFIMA + régime-switching (Bhardwaj- Swanson), HAR (Heterogeneous Autoregressive de Corsi).

Nous avons testé ces modèles contre random walk (le modèle "bête" qui dit que demain ressemble à aujourd'hui) sur 68 variables macro. Verdict : 78 % de victoires pour les modèles cascade.

C'est ce que la page suivante explique : Pourquoi ça compte.