Durée: 12 mois
Rubrique: Analyste des Risques
5.3 Séries temporelles
Les séries temporelles font référence à une suite de points de données enregistrés à des intervalles de temps réguliers. Les séries temporelles sont largement utilisées pour les prévisions en statistiques, tels que la météo, l'économie, et les performances financières.
Les principales composantes d'une série temporelle sont:
La tendance C'est la direction générale que prend la série temporelle. Par exemple, dans le cas des entreprises saisonnières, il peut y avoir une tendance positive ou négative sur une période de temps spécifique.
La saisonnalité Cela se réfère à des changements périodiques dans la série temporelle. Par exemple, dans le cas des ventes au détail, il peut y avoir une augmentation des ventes pendant certaines périodes de l'année (comme Noël) et une diminution pendant d'autres.
Les variations irrégulières Ce sont des fluctuations non systématiques dans la série temporelle. Elles peuvent être causées par des événements imprévus, tels que des événements politiques, économiques ou naturels.
La cyclicité Cela fait référence à des fluctuations à long terme autour d'une tendance à long terme. Par exemple, les économies peuvent passer par des phases de croissance et de récession de manière cyclique.
Les modèles de séries temporelles cherchent à comprendre ces composantes et à les utiliser pour faire des prévisions. Le modèle ARIMA est l'un des modèles de séries temporelles les plus populaires. Il utilise des méthodes de lissage pour faire des prévisions à court terme. D'un autre côté, le modèle de décomposition saisonnière de Loess (STL) est un autre modèle populaire pour faire des prédictions sur la base des séries temporelles.
Il est important de noter que le choix du modèle approprié pour une série temporelle dépend de la série ellemême et de l'objectif de la prévision.