GitHub Carte de Panne

Discussion communautaire

Conseils? Frustrations? Partagez-le ici. Les commentaires utiles comprennent une description du problème, la ville et le code postal.

Méfiez-vous des "numéros d'assistance" ou des comptes de "récupération" qui pourraient être affichés ci-dessous. Assurez-vous de signaler et de voter contre ces commentaires. Évitez de publier vos informations personnelles.

GitHub Rapports de Problèmes

Dernières pannes, problèmes et rapports de problèmes dans les médias sociaux:

• 
  dns🏴‍☠️ (@Do_not_sell_) a signalé il y a 34 secondes

  @Ammortel_ C'est tout le principe du "Web of Trust". Si un attaquant pirate le site, il peut falsifier la clé affichée, oui. Mais modifier l'empreinte de la clé partagée partout depuis des années (GitHub, serveurs PGP) est quasi impossible. Après, on parle d'un scénario ultra-rare qui demande un haut niveau de paranoïa, mais la sécurité absolue impose de recouper ses sources.

• 
  Goku 🗞 (@Crypto__Goku) a signalé il y a 37 secondes

  💬 CZ s’est moqué de la vague d’arnaques aux faux emplois Web3 qui circulent actuellement sur LinkedIn, Telegram et GitHub. Le principe est toujours presque le même : les escrocs proposent des postes crypto avec des salaires énormes, organisent de faux entretiens très crédibles… puis demandent aux candidats d’installer un prétendu “logiciel de vérification” ou un outil technique lié au projet... En réalité, ces programmes servent souvent à voler des mots de passe, des wallets crypto ou prendre le contrôle de l’ordinateur de la victime. Avec la popularité croissante du secteur Web3 et de l’IA, ce type d’arnaque explose depuis quelques mois, notamment auprès des développeurs et freelances cherchant du travail à distance.

• 
  SPREX64 (@SPREX64) a signalé il y a 5 minutes

  16 Juillet 2026 Vladimir Plyakin, vice-président de la commission de l'énergie de la Douma d'État, a adressé un courrier à Maksut Shadayev, ministre du Développement numérique, des Communications et des Médias, afin d'obtenir des éclaircissements sur le bon fonctionnement des iPhones achetés par les Russes. Cette demande intervient alors qu'Apple fait l'objet de rumeurs de poursuites pour non-respect de la législation russe. Plus précisément, M. Plyakin a demandé à M. Shadayev de préciser s'il est « techniquement possible de restreindre le fonctionnement des appareils mobiles Apple de certains fabricants par le biais de l'IMEI (Identité internationale d'équipement mobile – un numéro unique attribué à l'appareil, et non à la carte SIM ou au propriétaire – note RTVI) ou par d'autres moyens en Fédération de Russie ». Le député a également demandé si le ministère du Développement numérique envisageait des mesures similaires et s'il prévoyait d'imposer des restrictions aux appareils de la marque en Russie. Cet appel fait suite à des publications dans les médias et à des discussions au sein de la communauté d'experts concernant les problèmes potentiels liés à l'utilisation des appareils Apple. Fin juin, Apple a retiré les applications du groupe VK de l'App Store. La société russe a déclaré n'avoir reçu aucun avertissement et que cette décision avait été prise unilatéralement. Le 1er juillet, le Service fédéral antimonopole (FAS) a adressé à Apple une mise en demeure lui enjoignant de supprimer les termes discriminatoires des moteurs de recherche russes et de se conformer aux exigences relatives à la pré-installation de logiciels russes, notamment l'application de messagerie Max et l'App Store russe, sur les appareils iOS. Le FAS a averti qu'une action en justice serait engagée si l'entreprise ne se conformait pas à cette injonction avant le 15 juillet. Apple pourrait se voir infliger une amende pouvant atteindre 4 milliards de roubles ( 44 Millions d'Euros) en cas de violation avérée du droit de la concurrence. Mardi 14 juillet, des utilisateurs russes ont signalé des problèmes d'accès aux sites web d'Apple, de Google et de GitHub. Roskomnadzor a indiqué n'avoir pris aucune décision concernant une restriction d'accès à ces ressources.

• 
  Quentin Lecocq · CRO SaaS (@QuentinLecocq_) a signalé il y a 6 minutes

  Avant de devenir développeur, j’ai vendu des menuiseries en porte-à-porte. Puis j’ai quitté le commerce, travaillé comme barman et profité des 8-9 mois de chômage qu’il me restait pendant le Covid pour apprendre à coder. Aujourd’hui, je développe sur des parcours utilisés par des millions de personnes et je construis mon activité de consultant CRO. Le chemin n’avait rien de planifié. J’ai fait toutes mes études en marketing en alternance. J’ai commencé par le porte-à-porte, avant de devenir commercial chez le plus gros opérateur télécom français, puis de vendre des services B2B à des professionnels pour un loueur de linge. J’ai appris à prospecter, à présenter une offre, à entendre les objections et à comprendre très vite quand quelqu’un n’était pas convaincu. Mais au bout d’un moment, j’en ai eu marre du commerce. J’ai fini par démissionner. Je n’avais pas encore de plan de reconversion bien construit. Je savais surtout que je ne voulais plus continuer dans cette voie. J’ai donc enchaîné quelques emplois alimentaires, principalement comme barman dans un restaurant italien. À ce moment-là, le développement n’était pas encore mon nouveau métier. C’était simplement une possibilité que je commençais à regarder sérieusement. Puis le Covid est arrivé et le restaurant s’est arrêté. Il me restait 8-9 mois de droits au chômage. J’ai décidé de les utiliser comme une fenêtre pour apprendre le développement web. Pendant cette période, apprendre à coder est devenu mon travail à temps plein. Mon fil conducteur était The Odin Project : de la documentation, des exercices, beaucoup de recherches et surtout des projets à construire réellement. Je publiais tout sur GitHub sous le pseudo Celdama. Le compte existe encore aujourd’hui avec 80 repos : une application météo, un jeu de bataille navale, un panier e-commerce, une application de recettes avec React, Redux et Firebase, un clone d’Instagram… Le code a vieilli, évidemment. Mais je préfère le laisser visible : c’est l’archive brute de mon apprentissage. En parallèle, j’avais créé un compte X sous le nom de Celdama. J’y partageais mes projets, ce que j’apprenais, mes blocages et mes progrès. Ce compte m’a aidé à trouver mon premier poste de développeur. Je l’ai supprimé depuis, mais cette expérience m’a appris quelque chose que j’utilise encore aujourd’hui : montrer ce que tu construis peut ouvrir des portes qu’un CV seul n’ouvre pas. J’ai finalement décroché mon premier poste de développeur dans une ESN à Wasquehal. Pendant trois ans, je suis passé des projets d’apprentissage à de vrais projets en production, notamment pour Saint Maclou, Asmodee et une grande entreprise spécialisée dans la gestion de parcs immobiliers. J’y ai découvert tout ce que les tutoriels montrent rarement : les contraintes métier, les données imparfaites, les bugs, les arbitrages, la maintenance et les conséquences réelles d’une décision technique. Après quatre ans, j’ai décidé de m’arrêter pour prendre du recul et me former davantage. C’est à ce moment-là que je me suis plongé sérieusement dans le CRO, notamment avec la formation La Cargaison. Et beaucoup de pièces ont commencé à se reconnecter. Le marketing m’avait appris à regarder une cible, une offre et un marché. Le commerce m’avait confronté directement aux objections. Le développement m’avait appris à construire, mesurer et corriger. Le CRO réunissait ces trois dimensions autour d’une même question : pourquoi une personne avance, hésite ou abandonne ? Et contrairement à quelqu’un qui s’arrête au diagnostic, je pouvais aussi comprendre les contraintes techniques, écrire des spécifications et participer à l’implémentation. J’ai créé mon auto-entreprise peu avant de rejoindre Boulanger en février 2026. D’un côté, je continue à travailler comme développeur sur des parcours à très grande échelle. De l’autre, je construis une activité de consultant CRO technique pour aider des SaaS et des sites avec moins de trafic à identifier leurs frictions, prioriser les changements et transformer les recommandations en actions réellement implémentables. Je pourrais raconter ce parcours comme plusieurs reconversions. En réalité, je n’avais aucun grand plan pour relier le marketing, le porte-à-porte, les années de développement et le CRO. La cohérence est apparue après. Aujourd’hui, je sais écouter une objection, analyser un parcours, comprendre ce que racontent les données et voir ce qu’il est réellement possible de modifier techniquement. Le CRO a fini par relier des parties de mon parcours que j’avais longtemps considérées comme séparées. Mon organisation Obsidian accompagne une grande partie de cette histoire. Je l’utilise et je l’affine depuis 6-7 ans pour conserver ce que j’apprends, documenter mes projets et relier les idées entre elles. Hermes est arrivé beaucoup plus tard. Il n’a pas créé ce système et il ne réfléchit pas à ma place. Il s’est greffé sur une organisation qui existait déjà. Avant de détailler le bridge Discord, mes consignes, les automatisations et les garde-fous, je trouvais important d’expliquer le parcours derrière les outils. Je commencerai donc la série par mon organisation Obsidian.

• 
  Antho 🇫🇷 🏴󠁧󠁢󠁥󠁮󠁧󠁿 🌹 (@polaritonio) a signalé il y a 6 minutes

  @nb4ld Ou alors "il" (en Anglais j'utiliserais "it") ment. Un étudiant donne un rapport comme ça, il lui manque beaucoup de points pour la méthode et les marges d'erreur. Un collaborateur sur Github je lui demande le script. Fait-il 10x100000? 100x10000 ?

• 
  Pivi (@pivi___) a signalé il y a 9 minutes

  Le vrai game changer, c’est la synergie entre ce Second Cerveau et un agent que je peux piloter depuis mon téléphone. Telegram est devenu ma boîte d’entrée universelle. Je trouve un tweet, une vidéo YouTube, un site ou un outil intéressant ? J’envoie simplement le lien à Hermes. Ensuite, selon la source, un skill différent prend le relais. Une vidéo YouTube est transcrite et archivée. Pour un outil découvert sur X, l’agent retrouve le repo, le site, extrait les informations utiles et range tout au bon endroit. Le tout finit sous forme de fichiers `.md`, synchronisés avec GitHub et accessibles à tous mes autres agents. Avant, enregistrer correctement une information depuis mon téléphone demandait trop d’étapes. Ça finissait souvent dans des favoris, des onglets ouverts ou une liste “à lire” que je ne consultais jamais. Maintenant, je balance simplement le lien. L’agent s’occupe du reste. Le Second Cerveau organise l’information. Hermes supprime la friction pour l’alimenter.

• 
  Christophe Mazzola (@ChristopheMzzl) a signalé il y a 9 minutes

  @vinceflibustier @fa61923 On a les principes. Qui tombe dedans reste à écrire, par les mêmes qui écriront le référentiel technique. Maintenant, même un site comme GitHub peut se retrouver dans la liste. Le texte qui a été voté prévoit que les services concernés soient listés par décret, après avis de l'Arcom. Le périmètre n'est donc pas fixé par la loi. Il est fixé par une liste administrative, modifiable par une autre liste administrative, sans repasser devant le Parlement (lol).

• 
  Hokage 8e (@Mister__iks) a signalé il y a 11 minutes

  @aliou4real Vraiment pas mal deh (pour le moment en tout cas) Il m'a configuré un CI/CD complet pour le projet. actu il code sur mon PC, effectue les tests, commit, push, merge et déploie le tout en prod...et le tout tourne sur Docker. Je fais juste attention parfois à ce qu'il n'intervienne pas en dehors du périmètre PC -> GitHub -> VPS Mais jusqu'ici, zéro faute.

• 
  アルノ (@ArnoTaoTensor) a signalé il y a 15 minutes

  Jobscan et Teal vous facturent 20 à 50 dollars par mois pour réécrire votre CV avec une IA et siphonner vos données sur leurs serveurs cloud. C'est le capitalisme de la paresse : monétiser l'angoisse des chercheurs d'emploi en leur vendant une surcouche marketing hors de prix. J'ai codé l'exact équivalent : 100 % open-source, 100 % gratuit, et 100 % confidentiel en local sur votre machine. Zéro fuite de données, zéro abonnement. Résultat sur X après publication : 80 vues, 2 likes. Le silence absolu de la matrice. Pendant que la moindre polémique stérile fait des millions de vues, un outil technique qui rend service gratuitement est enterré vivant par l'algorithme. Alors, posons les vraies questions sans langue de bois : qu'est-ce qui bloque ? Est-ce la barrière technique de l'installation en local, l'addiction masochiste aux abonnements SaaS payants, ou le fait que le travail utile ne fait pas de clics ? Dites-le-moi en commentaire. (lien du repo Github en commentaire)

• 
  Jp (@jipe_ia) a signalé il y a 15 minutes

  On répète partout que l'IA est vendue à perte, et que le jour où l'argent des levées se tarit, les prix vont exploser. Dans les faits, la requête facturée au token dégage de la marge. DeepSeek, le chinois, revendique plus de 80 % sur son modèle de raisonnement R1. La perte est ailleurs. J'ai fait une vidéo là-dessus fin juin. Je relayais la thèse d'Ed Zitron, un journaliste américain qui passe son temps à décortiquer l'économie de l'IA et qui annonce la fin d'OpenAI : les abos à 20 ou 200 balles sont vendus à perte. Je disais déjà que je restais prudent tant qu'aucune boîte n'avait publié ses coûts. Depuis, des chiffres sont sortis. Ils déplacent la ligne. Le calcul le plus parlant vient d'un ingénieur de chez GitHub, qui bosse sur Copilot. Il prend une des cartes graphiques qui font tourner ces modèles dans les datacenters. Il compte l'électricité qu'elle avale, le refroidissement qu'il faut derrière, et il étale son prix d'achat sur 5 ans. → environ 1 $ le million de tokens de sortie (ce que le modèle génère, la partie qui coûte). → facturé 4,50 $ sur GPT-5.4-mini, un des petits modèles d'OpenAI. Et 3 à 6 fois plus cher sur les gros. Il pose lui-même la limite : personne ne connaît la taille réelle des modèles d'OpenAI et d'Anthropic, donc la comparaison exacte est impossible. Mais les 70 à 80 % de marge que les fournisseurs annoncent sur nos requêtes lui paraissent "extrêmement plausibles". Et DeepSeek facture moins de la moitié des prix d'OpenAI et d'Anthropic. La requête facturée à l'usage n'a rien d'une œuvre de charité. Là où ça saigne, c'est le forfait illimité. SemiAnalysis, un cabinet d'analyse spécialisé dans les puces et l'IA, a acheté chaque offre grand public et l'a poussée jusqu'à sa limite hebdomadaire. Un abonnement ChatGPT Pro à 200 $ par mois, utilisé à fond, vaudrait jusqu'à 14 000 $ par mois aux tarifs publics de l'API. Environ 3 500 $ de calcul réel. Pour 200 $ encaissés. Le buffet dont je parlais, il est là. Et nulle part ailleurs. Ça se voit dans le calendrier. Anthropic a activé ses plafonds de crédits agent le 14 juin. Selon la même analyse, OpenAI est le plus exposé, et le plus susceptible de bouger ensuite. Pendant ce temps, les marges brutes d'OpenAI seraient passées de 28 % en 2024 à 43 % en 2025. Le détail que je trouve savoureux : ces chiffres viennent d'états financiers fuités, sortis par Zitron lui-même et vérifiés de façon indépendante par le Financial Times. Celui qui annonce la fin d'OpenAI a publié les documents qui montrent ses marges en train de remonter. Alors oui, les labos perdent de l'argent. Globalement, massivement. MAIS le trou se creuse sur l'entraînement des modèles et sur les milliards engloutis dans les datacenters. Le coût d'une requête, lui, est couvert. L'argent gagné sur nos requêtes paie même une partie de l'entraînement des prochains modèles. Je ne suis ni analyste ni spécialiste de ces modèles économiques, je lis et je recoupe comme tout le monde. Et je n'ai aucune idée de comment se remboursent des datacenters pareils. Et le pronostic change selon l'endroit où on place la perte. Je maintiens ce que je disais : quelqu'un paie ton assiette. Je précise juste où. La subvention est dans l'illimité. La requête facturée au token tient debout toute seule. Donc si tu utilises l'IA à fond tous les jours, l'échéance qui te concerne porte sur ton forfait. Le prix du token, lui, bougera plus tard.

• 
  Maison Wolfoni 🇫🇷 (@Maison_Wolfoni) a signalé il y a 16 minutes

  Nouvelle alerte sur une attaque de chaîne d’approvisionnement logicielle. Plus de 700 dépôts GitHub ont été signalés, avec plusieurs paquets PHP sur Packagist confirmés infectés. Le piège : un script caché au moment de l’installation ou dans des tâches automatisées, capable de télécharger et lancer un programme malveillant sur Linux. Ce genre d’attaque rappelle une chose simple : le danger ne vient pas toujours d’un fichier louche reçu par mail. Il peut aussi passer par des composants “officiels” utilisés par des développeurs, des sites ou des serveurs. Pour les particuliers : pas de panique inutile, mais gardez vos logiciels à jour, évitez les outils trouvés au hasard, et faites vérifier en cas de doute. Pour les développeurs et petites structures : vérifiez vos dépendances, vos scripts d’installation, vos workflows GitHub Actions et vos secrets/API tokens. Maison Wolfoni — ce n’est pas juste réparer quand ça casse ; c’est aussi éviter que ça arrive. #MaisonWolfoni #SécuritéInformatique #Cybersécurité

• 
  Cry About It (@GetMadWhoCare_) a signalé il y a 25 minutes

  @GrablyR l'algorithme de X va passer en open source, comment oser utiliser le mot "opacité" alors que l'ensemble va être public ? Et si tu regardes via github tu peux déjà trouvé pas mal de choses concernant l'algo de X, l'information circule presque totalement sans filtre !

• 
  Affiseo - Romain Brunel (@Affiseo_) a signalé il y a 28 minutes

  La plupart des gens créent de mauvais voice samples pour leurs agents IA. Voici le process exact que j'utilise pour que mes machines produisent du contenu qui sonne vraiment comme moi. Le voice sample classique c'est ça : 'Voici un exemple de post que j'ai écrit. Inspire-toi de ce style.' L'agent produit quelque chose de correct. Générique. Il a vu le texte mais il comprend pas POURQUOI ce texte fonctionne. Quels patterns reviennent. Ce qui sonnerait incongru. Voilà comment je structure les miens. Étape 1 : des vrais posts, pas des exemples inventés. J'utilise uniquement des posts que j'ai réellement publiés et qui ont bien fonctionné. Pas des textes écrits 'pour montrer le style'. Des vrais. Publiés. Avec leur contexte : date, sujet, plateforme. Pour chaque canal minimum 5, idéalement 10+. LinkedIn, X, newsletter, scripts YouTube : fichiers séparés. Étape 2 : annoter ce qui rend chaque post distinctif. Sous chaque exemple, une section 'ce qui marche ici'. Pas des observations génériques. Des observations précises. Exemple réel dans mon fichier voice X : "(et il galère vraiment par rapport à Opus)" est une parenthèse de vécu impossible à inventer. "Y'a pas photo" est du vocabulaire pur, pas du LLM. "0 diversification" au lieu de "Zéro" parce que les chiffres en chiffres sonnent plus brut. Ces annotations apprennent à l'agent exactement où se niche la voix. Pas le ton général. Les détails spécifiques. Étape 3 : documenter les anti-patterns avec des before/after. C'est la partie que presque tout le monde saute. Montrer à l'agent ce qu'il NE doit pas faire est aussi important que montrer ce qu'il doit faire. J'ai dans mon fichier 2 colonnes : 'Ce que l'IA écrit naturellement' et 'Ce que Romain corrige'. Chaque ligne est une correction réelle faite sur un post généré. 'Du coup la panne je la vis comme une pause subie' devient 'C'est pour ça que je build toutes mes machines avec Claude Code. API propres, doc interne, et je file tout ça à mes agents.' Le closer qui résume vs le closer qui ouvre sur quelque chose de nouveau. Vu dans un contexte concret, l'agent intègre la règle bien mieux que si tu l'écris dans l'abstrait. Étape 4 : séparer par canal et par format. Mon voice X n'est pas mon voice LinkedIn. Mon voice newsletter n'est pas mon voice YouTube. Des fichiers séparés, des règles spécifiques par canal. X : flux de pensée, long form autorisé, quasi pas d'emojis, parenthèses de vécu sur les posts longs. LinkedIn : structure plus nette, CTA possible en fin, 800-1500 caractères. Newsletter : ton intime, une idée centrale par email. Un seul fichier voice pour tout ne marche pas. Le canal change trop le format. Étape 5 : le fichier est vivant, pas figé. Un cron tourne chaque semaine. Il récupère mes nouvelles vidéos YouTube, met à jour les voice samples si de nouvelles expressions sont apparues, commit le tout sur GitHub. Mon Second Cerveau grossit en même temps que mon catalogue de contenu. Si je commence à utiliser une expression nouvelle, dans quelques semaines elle est dans le fichier et mes machines l'utilisent naturellement. Le contenu que tu lis là a été produit par des machines qui tournent sur ces 5 étapes. Y'a pas photo sur la différence avec un agent qui a juste eu 'voici mon style, inspire-toi'.

• 
  niknava (@niknavaa) a signalé il y a 31 minutes

  @andrealbriziom Il t’a littéralement donné la solution à à ton problème , que Claude peut mettre en place lui même Pourquoi le mot github fait peur comme ça mdrrr

• 
  ☠ Bluetouff (@bluetouff) a signalé il y a 33 minutes

  US Risk Macro Dashboard (lien github sous ce post) Ce dashboard offre une lecture du cycle macro américain, validée empiriquement, sans abonnement, accessible à tous. Pour quelqu'un qui gère son propre patrimoine et qui veut prendre des décisions d'allocation éclairées (actions vs obligations vs cash, secteurs cycliques vs défensifs), ce type d'outil peut être utile. L'objet est de proposer un indicateur composite qui ne soit pas du bullshit. Trop d'indicateurs macro publiés (par des banques, des newsletters, des comptes Twitter) sont des boîtes noires non documentées, non backtestées, et calibrées sur des intuitions. Ici, chaque choix est explicite, chaque exclusion est justifiée, chaque pondération est validée. Le code est ouvert, modifiable, auditable. Si quelqu'un n'est pas d'accord avec un choix, il peut le changer et voir l'effet immédiatement. Les limites : - Périmètre limité aux États-Unis. Les indicateurs européens, japonais, chinois, ne sont pas couverts. Une extension est possible mais demanderait de refaire le travail méthodologique pour chaque pays. - Pas d'analyse des marchés financiers eux-mêmes. Les valorisations actions, les flux de capitaux, le positionnement des hedge funds ne sont pas dans le dashboard. Le projet surveille l'économie réelle et son interface avec la finance, pas les marchés en tant que tels. - Données trimestrielles pour certaines séries clés. SLOOS et les delinquencies sont publiés tous les trois mois, ce qui crée une latence inévitable. Le dashboard est optimisé pour un usage hebdomadaire, pas quotidien. Ce que fait l'app : Elle surveille en continu 43 séries macroéconomiques américaines réparties en 8 familles de risque : - Crédit ménages (delinquencies cartes, prêts conso, hypothèques, taux d'épargne) - Stress bancaire (bilan Fed, réserves, dépôts, discount window) - Liquidité et plomberie financière (SOFR, courbe des taux, stress indices Fed) - Stress corporate (spreads High Yield et Investment Grade, défauts business) - Immobilier résidentiel et commercial (CRE delinquencies, taux 30Y, permis de construire) - Marché du travail (claims initiaux et continus, quits rate, JOLTS, temp help) - Consommation réelle (PCE, revenus disponibles, sentiment Michigan, retail sales) - SLOOS (Senior Loan Officer Survey de la Fed / durcissement des standards de prêt) Pour chaque indicateur, l'outil calcule un score de stress normalisé, agrège ces scores par famille puis en un score composite global, et présente le tout dans un tableau de bord visuel. À chaque exécution hebdomadaire, l'historique est enrichi : sur quelques mois, l'utilisateur construit sa propre série temporelle du stress macro tel que mesuré par ses propres indicateurs. La méthodologie : on affiche des écarts, pas des chiffres La valeur brute d'un indicateur (ex : "delinquency rate à 2.92%") n'a aucun sens pour un non-spécialiste. Ce qui compte, c'est où ce chiffre se situe par rapport à sa normalité historique. Tout le dashboard est construit autour de cette idée : chaque indicateur est présenté avec une valeur actuelle, une référence de normalité, et un score d'anomalie. Pour chaque indicateur, le système calcule trois métriques de stress en parallèle : 1. Le z-score sur 5 ans glissants. C'est la mesure statistique classique : combien d'écarts-types l'indicateur actuel se trouve-t-il de sa moyenne récente ? Cette mesure capture les anomalies de court/moyen terme. 2. La dérive par rapport à la moyenne pré-COVID (2015-2019). Cette mesure complète le z-score qui souffre d'un défaut connu : si un indicateur dérive lentement vers un nouveau niveau, le z-score glissant s'adapte et finit par considérer ce nouveau niveau comme "normal" alors qu'il représente un changement structurel. L'écart à une baseline fixe pré-COVID corrige ce biais. Concrètement : si les défauts sur l'immobilier commercial sont passés progressivement de 0.86% à 1.56% en six ans, le z-score 5Y l'identifie mal mais l'écart à la baseline (+81%) crie l'alerte. 3. Le momentum (variations 3M annualisées et 1Y). Cette mesure capture la vitesse de changement. Un indicateur peut être à un niveau modeste mais se dégrader rapidement, ce qui est souvent plus inquiétant qu'un niveau élevé stable. Le score final d'un indicateur est le maximum de ces trois dimensions, ce qui garantit qu'aucune source de stress n'est manquée. Si une seule des trois alertes, l'indicateur est en alerte. Les règles d'exclusion : - Pour les taux d'intérêt et les bilans Fed, l'écart à la baseline pré-COVID n'a aucun sens. Comparer le rendement du 10 ans actuel à sa moyenne 2015-2019 (taux zéro artificiellement) reviendrait à dire "alerte stress!" alors que c'est juste un retour à la normale historique. Ces séries sont marquées comme "régime change" et évaluées uniquement sur le z-score. - Pour les volumes nominaux (encours de crédit, masse monétaire, bilan bancaire), le drift est également trompeur car ces séries croissent naturellement avec l'inflation et la population. Elles sont aussi en mode régime change. - Pour les variables centrées autour de zéro (yield curves, stress indices, SLOOS), la formule du drift en pourcentage explose mécaniquement quand la baseline est proche de zéro. Ces séries sont aussi exclues du drift. - Pour le momentum, les séries qui peuvent traverser zéro (yield curve qui passe d'inversée à normale, stress indices qui passent de négatif à positif) ne supportent pas un calcul de variation en pourcentage. Elles sont exclues du momentum. Ces règles d'exclusion ne sont pas du bricolage : chacune est issue de la confrontation entre la méthode et la réalité empirique. Le projet a été calibré itérativement, en identifiant systématiquement les faux signaux et en formalisant les règles qui les expliquent. Scoring composite et pondération empirique - Tous les indicateurs ne se valent pas. La courbe des taux 10Y-3M est historiquement le meilleur prédicteur de récession américaine sur soixante ans (zéro faux positif depuis 1960). Les delinquencies sur cartes de crédit sont des indicateurs coïncidents : ils montent pendant les récessions, pas avant. Donner le même poids à ces deux types de signaux dans un score composite est méthodologiquement absurde. Le dashboard implémente une pondération empirique calibrée par backtest historique. Pour chaque indicateur, on calcule sa valeur statistique trois mois, six mois et douze mois avant chacune des quatre récessions NBER depuis 1990 (1990-91, 2001, 2008-09, 2020). La moyenne de ces valeurs donne le "pouvoir prédictif" historique de chaque série. Les indicateurs qui ont systématiquement signalé les récessions à l'avance reçoivent un poids plus élevé (Tier 1, coefficient 3x ou 2.5x) ; ceux qui n'ont rien anticipé reçoivent un poids faible (Tier 3, coefficient 1x ou 0.5x). Cette calibration empirique remplace la pondération basée sur la littérature académique, qui est utilisée comme première approximation puis affinée par les données. Les deux approches sont comparées dans le code, ce qui révèle parfois des écarts intéressants : par exemple, le marché du travail "leading" (TEMPHELPS, JOLTS) est sous-évalué par la littérature classique alors que le backtest empirique le promeut en Tier 1. On ne se contente pas de calculer le score actuel. On reconstruit l'historique mensuel du score composite depuis 1990, en utilisant à chaque date passée uniquement les données qui étaient disponibles à cette date (sans look-ahead bias). Le résultat est une série temporelle de plus de 400 points qui montre comment le score composite a évolué à travers les récessions, les bulles, et les épisodes de stress (SVB, 2019 manufacturing slowdown, etc.). Cette reconstruction permet trois choses essentielles : 1. Valider la méthode : le score est-il monté avant 2008 ? Avant 2020 ? Si oui, à quel niveau ? L'historique reconstruit montre que le score atteint +1.27 trois mois avant Lehman (percentile 98%) et culmine à +1.5 pendant le COVID. La méthode capture bien les vraies récessions. 2. Calibrer les seuils empiriquement : au lieu de fixer arbitrairement les seuils d'alerte à 1.5σ et 2.5σ, on peut désormais dire que sur 35 ans, le score n'a dépassé +1.0 que pendant les vraies crises. C'est devenu une référence empirique. 3. Contextualiser le présent : aujourd'hui le score est à -0.01, percentile 48%. Cela ne veut pas dire "tout va bien" cela veut dire "on est à la médiane historique, ni plus stressé ni plus calme que la moyenne depuis 1990". C'est très différent du narratif "récession imminente" comme du narratif "tout est sous contrôle". C'est une lecture honnête. Source des data : Le projet utilise l'API FRED (Federal Reserve Bank of St. Louis) comme source de données unique. Ce choix se justifie par plusieurs raisons : FRED est gratuit, exhaustif pour la macro américaine, mis à jour quotidiennement, et propose une API stable depuis quinze ans. Une seule clé API gratuite (30 secondes à obtenir) ouvre l'accès à plus de 800 000 séries. Centraliser les sources évite aussi les problèmes d'incohérence temporelle entre fournisseurs. Fork me i'm free.