Quants¶

TL;DR

Pour data scientists, quants, forecasters, équipes risque. 6 modèles (3 baselines stationnaires + 3 modèles cluster) testés sur 68 variables × 6 panels × 4 horizons via protocole rolling-origin out-of-sample. Verdict : PASS 78 % à h = 12 par CRPS empirique. MSM gagne 23 fois (43 %), HAR 16 (30 %), ARFIMA+RS 14 (26 %). Aucune baseline AR(1)/ARMA(1,1) ne gagne quand un modèle cluster est compétent. Tout est reproductible Docker, code public sous MIT.

Dans cette page¶

Les 6 modèles en un schéma — baselines vs cluster
Le verdict consolidé — chiffres par panel
Pipeline benchmark — protocole rolling-origin
Le contenu de la track — 6 pages
Reproduction Docker rapide

Les 6 modèles¶

flowchart LR
    subgraph baseline ["3 baselines stationnaires"]
        RW[Random walk<br/>Gaussian]
        AR[AR(1)]
        ARMA[ARMA(1,1)]
    end
    subgraph cluster ["3 modèles cluster"]
        HAR[HAR Corsi 2009<br/>cascade par agrégation]
        ARFIMA[ARFIMA + Markov RS<br/>Bhardwaj-Swanson 2006]
        MSM[MSM Calvet-Fisher 2002<br/>cascade multifractale]
    end
    Bench{Benchmark<br/>out-of-sample<br/>CRPS}
    baseline --> Bench
    cluster --> Bench
    style cluster fill:#a5d6a7,stroke:#388e3c
    style baseline fill:#ffe0b2,stroke:#ef6c00

Interface commune : tous les modèles retournent un objet ProbabilisticForecast (matrice Monte Carlo (n_samples, n_horizons) sur le niveau). Permet CRPS empirique + coverage + tail coverage sans hypothèse paramétrique.

Catalogue détaillé → API publique →

Le verdict¶

pie title Pass rate par panel (n_origins = 12, h = 12)
    "wb 60%" : 6
    "q 79%" : 11
    "long 88%" : 14
    "boe 88%" : 7
    "bis 83%" : 10
    "sh 62%" : 5

Panel	Pass rate	n vars	Vainqueur dominant
wb (1960-2024 annuel)	60 %	10	MSM 4 · HAR 2
q (1995-2024 trim.)	79 %	14	HAR 8 · ARFIMA+RS 5
long (1870-2024)	88 %	16	MSM 8 · HAR 4 · ARFIMA+RS 2
boe (1700-2016)	88 %	8	MSM 6 · HAR 1
bis (1970-2024 trim.)	83 %	12	MSM 6 · ARFIMA+RS 3 · HAR 1
sh (annuel court)	62 %	8	MSM 2 · ARFIMA+RS 2 · HAR 1
AGRÉGÉ	78 %	68	MSM 23 · HAR 16 · ARFIMA+RS 14

Verdict consolidé détaillé →

Pipeline benchmark¶

flowchart LR
    H[Historique<br/>panel × variable] --> Split[Hold-out<br/>25% terminal]
    Split --> Origins[n_origins = 12<br/>évenly-spaced]
    Origins --> Models[6 modèles<br/>fit sur préfixe]
    Models --> Forecast[ProbabilisticForecast<br/>n_samples × horizons]
    Forecast --> Score[Scoring propre<br/>CRPS · MAE · coverage<br/>· tail · bias]
    Score --> Verdict([Verdict<br/>par variable])
    style Verdict fill:#a5d6a7,stroke:#388e3c

Critère d'acceptance falsifiable : pour chaque variable, le best cluster model gagne si son CRPS moyen < CRPS du random walk. Verdict global : pass rate ≥ 50 % (seuil falsifiable).

Contenu de la track¶

Catalogue des modèles

Specs précises des 6 modèles : formules, paramètres, code paths, quand utiliser quoi par panel.

Lecture : ~25 min · ~2 500 mots
Benchmark reproductible

Pas-à-pas Docker pour atteindre PASS 78 %. Setup, ingestion, exécution séquentielle des 6 panels, consolidation, lecture des sidecars.

Lecture : ~20 min · ~2 000 mots
API publique

Référence Python du module ecowave.forecasting : types, baselines, har, arfima_rs, msm, benchmark, reporting. Exemple end-to-end.

Lecture : ~30 min · ~3 000 mots
Extensions roadmap

10+ chantiers techniques chiffrés : HABM Lux-Marchesi, MRW Bacry-Muzy-Delour, AMH-ensemble, active inference, Diebold-Mariano, parallélisation.

Lecture : ~25 min · ~2 500 mots
Failure modes

Analyse honnête des 15 variables où le cluster perd. 4 patterns structurels : taux ZIRP, séries courtes, agrégats exogènes-driven, séries Wen.

Lecture : ~20 min · ~2 000 mots
Note phare Quants

Note technique reproductible. TL;DR, motivation, méthode, verdict, robustesse, limites, implications praticien.

Lecture : ~50 min · ~5 000 mots

Reproduction Docker rapide¶

En une commande shell

# Build + tests
docker compose build ecowave
docker compose run --rm --entrypoint pytest ecowave  # 225 passed attendu

# Benchmark séquentiel (6 panels, ~15-30 min)
for panel in wb q long boe bis sh; do
  args="--horizon-data ${panel} --horizons 1,3,6,12"
  args="${args} --n-origins 12 --n-samples 200 --variables-limit 8"
  if [ "${panel}" = "wb" ] || [ "${panel}" = "sh" ]; then
    args="${args} --min-train-length 40"
  fi
  docker compose run --rm ecowave forecast-benchmark ${args}
done

# Consolidation → docs/forecast_benchmark.md mis à jour
docker compose run --rm ecowave forecast-benchmark-consolidate

Détail pas-à-pas →

Pour aller plus loin¶

Vous voulez...	Allez vers
Voir le verdict consolidé multi-panels	Forecast benchmark
Les outils orientés banque centrale	Track Banque centrale
Le travail académique sous-jacent	Track Académique
Vulgariser pour collègues	Track Public éclairé
Sources de données citées	Sources citées
Méthode CPV complète	Méthode
Diagnostics non-cycliques	DX diagnostics