Aller au contenu

Failure modes

TL;DR

PASS 78 % = 22 % d'échecs (15/68 variables). Aucun n'est aléatoire : 4 patterns structurels identifiés. (1) Taux d'intérêt administrés ZIRP × 5 ; (2) Séries courtes annuelles n_obs < 80 × 6 ; (3) Agrégats avec chocs exogènes × 4 ; (4) Séries historiques US sectorielles × 3. Chaque pattern a une solution candidate documentée. Random walk reste l'optimum opérationnel pour ces cas spécifiques.

Dans cette page

Distribution des échecs par pattern

pie title 15 échecs / 68 variables = 22 %
    "Taux administrés ZIRP" : 5
    "Séries courtes annuelles" : 6
    "Agrégats chocs exogènes" : 4
    "Séries historiques US" : 3

Liste exhaustive

Extrait des sidecars consolidés (n_origins=12, as_of=2026-05) :

Panel Variable Best cluster tenté Pourquoi (hypothèse)
wb HIC::CY_INV HAR Série courte (65 obs annuels), investissement très bruité
wb WLD::CY_TRD ARFIMA+RS Commerce mondial, dominé par chocs structurels exogènes
wb WLD::CY_INV ARFIMA+RS Idem
wb HIC::CY_TRD ARFIMA+RS Idem
q EA::Q_YIELD HAR Taux long zone euro, ZIRP 2014-2022 = régime exotique
q USA::Q_YIELD MSM Taux long US, idem ZIRP + QE post-2008
q EA::Q_INV HAR Investissement zone euro, vol grégaire pré/post COVID
long G7::LH_CREDIT ARFIMA+RS Crédit G7 long, contre-intuitivement échoue malgré spécialisation ARFIMA+RS
long G7::LH_YIELD MSM Taux longs G7, période 1870-2024
boe UK_BOE::BOE_STIR ARFIMA+RS Taux short-term Bank of England
bis BIS_AE::BIS_HHCRED HAR Crédit ménages AE, retournements 2007-2009 atypiques
bis BIS_AE::BIS_CRATIO MSM Credit ratio AE
sh US_SH::SH_US_RAILFREIGHT ARFIMA+RS Fret ferroviaire US, série Wen 2005
sh US_SH::SH_US_STEEL ARFIMA+RS Acier US, série Wen 2005
sh US_SH::SH_US_INDPROD ARFIMA+RS Production industrielle US

Pattern 1 — Taux d'intérêt administrés

5 variables sur 15 (Q_YIELD × 2, LH_YIELD, BOE_STIR, BIS_CRATIO partiellement) sont des taux d'intérêt ou directement dérivés. Notre cluster perd systématiquement.

Hypothèse : les taux d'intérêt sont administrés (par les banques centrales) en plus d'être influencés par le marché. Le régime ZIRP (Zero Interest Rate Policy) 2008-2022 est un régime de politique économique plutôt qu'un régime cognitif spontané. Nos modèles cluster cherchent des structures statistiques émergentes ; les taux n'en ont pas suffisamment.

Diagnostic confirmable : sur les périodes pré-2008 (où les taux varient librement), MSM bat probablement RW. Sur la période 2008+, RW capture mieux le plateau ZIRP.

À explorer : modèle hybride RW-with-jumps qui reconnaît les ruptures de politique. Ou prior bayésien sur les taux qui contraint l'évolution à respecter les annonces BC.

Pattern 2 — Variables courtes annuelles (wb, sh)

6 variables sur 15 sont sur le panel wb (1960-2024) ou sh (annuels, ~50-60 obs après nettoyage). Ces séries n'ont pas assez de points pour qu'un MSM à 4 composantes (16 états Markov, 4 paramètres) soit identifié de façon stable.

Hypothèse : n_obs < 80 → MSM mal calibré → MSM perd contre RW même si la signature C+B+D+I+S est présente.

Solution partielle déjà appliquée : --min-train-length 40 sur ces panels (sinon ils seraient tous filtrés à zéro variable). Mais ça ne résout pas le problème d'identification.

À explorer :

  • Prior empirique informatif sur (m_0, σ̄, b, γ_1) issu des panels longs.
  • MSM avec K = 3 (8 états) pour les séries courtes.
  • HAR avec (1, 2, 5) pour respecter la dimension d'échantillon.

Pattern 3 — Commerce international et investissement agrégé

4 variables sur 15 (CY_TRD × 2, CY_INV × 2, EA::Q_INV, BIS_HHCRED) sont des agrégats de commerce ou investissement à l'échelle de zones économiques larges.

Hypothèse : ces agrégats subissent des chocs structurels exogènes très grands (chocs pétroliers, GFC, COVID, tensions commerciales US-Chine) qui sont mal modélisés par le cluster. Le random walk capture mieux ces "step changes" qui ne sont pas multifractaux.

Diagnostic confirmable : sur sous-périodes "calmes" (entre chocs majeurs), MSM probablement gagne. Sur les périodes traversant 1 ou 2 chocs majeurs, RW gagne.

À explorer : modèle avec composante structural break détectée endogène (à la Hamilton 2018 + Bai-Perron).

Pattern 4 — Séries historiques US sectorielles (sh)

3 variables sur 15 sont les trois séries du panel sh (fret rail, acier, production industrielle). Ce sont précisément les séries que Wen 2005 utilisait pour défendre le cycle Kitchin.

Hypothèse intéressante : sur ces séries pré-modernes (les données remontent aux années 1920), il existe peut-être encore une structure cyclique partielle que nos modèles cluster ne capturent pas mieux que RW. C'est un cas où la réfutation des cycles n'est pas opérationnellement utile — bien que statistiquement valide.

À explorer :

  • Modèle hybride cycle + cluster sur ces séries spécifiques.
  • Analyse Gate 1 dual null sur ces 3 séries spécifiquement — survivent- elles, contre toute attente ?

Ce que ces 15 échecs ne signifient pas

Il est tentant de dire : "le cluster perd sur 22 % des variables donc le cluster est faux". Ce serait incorrect pour trois raisons :

  1. Random walk est un benchmark redoutable. Sur 68 variables, battre RW sur 53 (78 %) est déjà un résultat très fort. Pour référence, Atkeson-Ohanian 2001 ont montré qu'aucun modèle macro sophistiqué n'a battu RW sur l'inflation US 1984-2000.
  2. Les 22 % d'échecs ont des explications structurelles identifiables (taux administrés, séries trop courtes, chocs structurels). Ce ne sont pas des "échecs aléatoires" qui signalent un problème méthodologique fondamental.
  3. Aucune baseline AR(1) ni ARMA(1,1) ne gagne — c'est-à-dire qu'aucun modèle stationnaire-simple ne fait mieux sur les 15 échecs. Le résultat opérationnel reste : quand un modèle bat RW, c'est un modèle cluster ; sinon, c'est RW.

Implications pour la pratique

Si vous voulez utiliser nos modèles pour de la prévision opérationnelle :

  • Variables financières et taux long-horizon : MSM excellent (les 6 wins sur boe le confirment).
  • Variables trimestrielles macro modernes : HAR excellent (les 8 wins sur q le confirment).
  • Variables crédit long-horizon : ARFIMA+RS spécifiquement compétent.
  • Taux d'intérêt : utilisez RW + composante structural break.
  • Séries courtes (< 80 obs) : utilisez RW ou AR(1) avec prudence.
  • Agrégats commerce/investissement avec chocs structurels : attention, RW peut faire mieux qu'un MSM si vous traversez un régime atypique.

Sources

  • Sidecars sources : reports/forecast_benchmark_2026_05_*.json (générés par ecowave forecast-benchmark — voir benchmark reproductible)
  • Code de l'extraction des failure modes : voir le snippet Python dans le commit qui a produit cette page sur GitHub.