Aller au contenu

Pourquoi ça compte

Mise à jour V3 (juin 2026)

Le verdict V3 raffine la thèse : ce qui change est la lecture « un cycle unique pour toutes les variables ». Trois cycles substantifs survivent sur leurs canaux propres (Juglar / Kuznets / Kitchin), Kondratieff devient une chronologie de dette de guerre. Les implications pratiques ci-dessous sont renforcées par la lecture variable-spécifique : on peut continuer à parler de cycle Juglar pour l'investissement, de cycle Kuznets pour le crédit immobilier, etc., tant qu'on ne sur-généralise pas. Voir résumé V3.

TL;DR

Accepter que la macroéconomie n'est pas universellement cyclique (mais que trois cycles substantifs survivent sur leurs canaux propres) change 5 choses concrètes : (1) la crédibilité monétaire devient mesurable en temps réel via d GPH ; (2) les booms de crédit ont des ombres très longues que Bâle III sous-estime ; (3) le VaR sous-estime les queues, l'ES doit être recalibré sur Tsallis/Lévy (20-40 % plus élevé) ; (4) les prévisions publiques (SPF, FOMC, BMPE) sont battables au-delà de 3 trimestres ; (5) DSGE n'est pas mort mais doit être révisé structurellement.

Dans cette page

1 — La crédibilité des banques centrales devient mesurable

Les banques centrales (Fed, BCE, BoE) passent une grande partie de leur existence institutionnelle à essayer d'établir et de protéger leur crédibilité. La crédibilité, c'est la qualité que rend nécessaire le fait qu'une banque centrale dit "nous ramènerons l'inflation à 2 %" et que les acteurs économiques la croient, sans attendre la preuve.

Jusqu'à maintenant, la crédibilité était mesurée indirectement : par les anticipations d'inflation des consommateurs et des professionnels, par les prix des obligations indexées, par les écarts à la cible. Toutes ces mesures sont bruitées et arrivent souvent trop tard.

Notre paramètre d de longue mémoire offre une mesure directe : une banque centrale crédible a une inflation faiblement persistante (d proche de zéro) ; une banque centrale faiblement crédible a une inflation fortement persistante (d proche de 0.5). Sur les données réelles, les pays de la zone euro ont un d plus bas que les pays émergents ; le Royaume-Uni post-Brexit a un d qui a augmenté ; la Turquie depuis 2018 a un d qui s'est envolé.

Implication pratique : on peut tracker la crédibilité en temps réel, indépendamment des enquêtes d'opinion. Cela donne aux banques centrales un outil de pilotage qu'elles n'ont pas aujourd'hui.

2 — Les booms de crédit ont des ombres longues — mesurables

La crise financière globale de 2008 a appris (dans la douleur) que les booms de crédit accumulent du risque systémique qui peut prendre des années à se matérialiser. La Banque des règlements internationaux (BIS) a alors proposé le credit gap : la différence entre le ratio crédit/PIB observé et sa tendance long-terme. C'est l'outil officiel de surveillance macroprudentielle dans les accords de Bâle III.

Le credit gap a un défaut : il suppose qu'il existe une "tendance normale" et que les écarts à cette tendance sont temporaires. C'est précisément l'hypothèse cyclique. Quand nous appliquons nos diagnostics sur les séries de crédit (notamment Jordà-Schularick-Taylor 1870–2020, qui couvre 18 économies avancées sur 150 ans), nous trouvons une longue mémoire massive : d ≈ 0.4 sur les variables de crédit, proche de la borne théorique d'intégration fractionnaire.

Conséquence : les booms de crédit ne reviennent pas naturellement à une tendance. Ils créent un état du système qui persiste longtemps et qui modifie la dynamique future. Le credit gap sous-estime systématiquement l'ampleur réelle du risque accumulé.

Implication pratique : on peut construire un Hurst-based credit cycle qui mesure directement la persistance, et qui anticipe mieux les crises systémiques que le credit gap actuel. Application directe à Bâle III et au calibrage des coussins de capital contracycliques.

3 — La gestion des queues — VaR n'est pas un bon outil

La régulation bancaire (Bâle II, Bâle III) repose largement sur la Value-at-Risk (VaR) : "avec 99 % de probabilité, la perte ne dépassera pas X euros sur 10 jours". C'est intuitif, simple à calculer, et c'est ce que les banques rapportent quotidiennement.

Sauf que la VaR a deux problèmes connus dès les années 2000, mais que nos diagnostics aggravent :

  • Elle ne dit rien sur la queue au-delà du 99 % — par hypothèse, on est dans le 1 % où tout peut arriver, mais la VaR ne nous dit pas combien peut arriver.
  • Elle suppose que les distributions sont relativement bénignes (souvent gaussiennes ou exponentielles). Or nos tests de queues lourdes (Hill, Lévy stable) montrent que les distributions financières et macroéconomiques sont bien plus lourdes que ce que VaR suppose.

L'Expected Shortfall (ES), adopté par Bâle III en 2016, corrige le premier défaut. Mais ses calibrations actuelles utilisent toujours des distributions gaussiennes ou faiblement queuées. L'ES réel, sous queues lourdes, est probablement 20–40 % plus élevé que ce qu'on rapporte.

Implication pratique : les coussins de capital actuels des banques sous-estiment le risque systémique. Le problème n'est pas la VaR (qui est encore largement utilisée) — c'est la calibration des distributions sous-jacentes, qui reste hypothétique.

4 — Les prévisions macro publiques sont battables

Le Survey of Professional Forecasters (SPF) de la Fed de Philadelphie, les Summary of Economic Projections (SEP) du FOMC, les Broad Macroeconomic Projection Exercises (BMPE) de la BCE — toutes ces prévisions publiques officielles sous-performent random walk au-delà de 3 à 4 trimestres. Cela a été démontré dans la littérature empirique depuis longtemps (Atkeson-Ohanian 2001 pour l'inflation, Stock-Watson 2003 pour le PIB).

Notre benchmark Roadmap #20 va plus loin : nous montrons que des modèles simples et reproductibles (MSM, ARFIMA+RS, HAR), une fois calibrés sur les variables cluster, battent random walk à horizon 12 mois sur 78 % des variables testées. Donc ils battent probablement aussi SPF/FOMC/BMPE.

Une banque centrale qui utilise nos modèles pour son scénario de base à 12 mois aurait fait mieux que le SPF officiel sur 2020–2024. C'est testable, et l'infrastructure existe.

Implication pratique : il y a un gap entre la science de la prévision macro disponible aujourd'hui et la prévision macro effectivement utilisée par les institutions. Combler ce gap est un investissement à très haute rentabilité publique.

5 — DSGE n'est pas mort, mais doit être révisé structurellement

Les modèles DSGE (Dynamic Stochastic General Equilibrium) sont la colonne vertébrale de la modélisation macro institutionnelle depuis Smets-Wouters 2003. Ils supposent :

  • des chocs AR(1) ou IID (donc à mémoire courte),
  • des paramètres "deep" (préférences, technologie) stables au cours du temps,
  • des distributions gaussiennes des innovations.

Les trois hypothèses sont falsifiées par notre cluster :

  • C — longue mémoire incompatible avec AR(1)/IID.
  • S — dérive de régime cognitif incompatible avec paramètres deep stables.
  • Queues lourdes — Tsallis et Lévy incompatibles avec gaussianité.

Cela ne signifie pas que DSGE doive être abandonné. Cela signifie qu'il doit être structurellement révisé :

  • Remplacer les chocs AR(1) par des chocs ARFIMA (intégration fractionnaire),
  • Ajouter un layer Markovien sur les paramètres deep (qui switchent entre régimes cognitifs),
  • Admettre des distributions Tsallis ou Lévy stables pour les innovations.

Sans ces trois ajouts, les modèles DSGE continueront à rater les retournements brutaux (2008, 2020, 2022) — pas parce qu'ils sont théoriquement mauvais, mais parce que leurs hypothèses statistiques ne correspondent pas à la réalité empirique.

Implication pratique : un programme de recherche commun banques centrales / universités sur la "structural revision" des DSGE est urgent. Notre cluster donne le cahier des charges minimal.

Pour aller plus loin

L'essai phare Le cycle est mort, vive la cascade tresse ces trois pages en un récit narratif d'une seule traite, ~2 500 mots, prêt à être lu d'une vue par un lecteur curieux.

Pour le détail technique :