Time Series Sries Chronologiques Georges GARDARIN 1 PLAN
- Slides: 36
Time Series Séries Chronologiques Georges GARDARIN 1
PLAN § § § Définition Objectifs Opérations de base Opérations avancées Codage Application 2
1. Définition § L’analyse des séries temporelles s’intéresse à la « dynamique » d’une variable § La suite d’observations (yt, tЄT) d’une variable y à différentes dates t est appelée série temporelle. Habituellement T est dénombrable, de sorte que t=1…T. Importance de la dimension temporelle La périodicité de la série n’importe pas 3
D'après Wikipedia § Une série temporelle est une suite de valeurs numériques représentant l'évolution d'une quantité spécifique au cours du temps. § De telles suites de valeurs peuvent être exprimées mathématiquement afin d'en analyser le comportement, généralement pour comprendre son évolution passée et pour en prévoir le comportement futur. § Une telle transposition mathématique utilise le plus souvent des concepts de probabilités et de statistique. 4
Exemples § Une série temporelle est donc toute suite d’observations, à des instants plus ou moins réguliers, correspondant à la même variable § Exemples § Economie : ventes d’une entreprise, Nombres d’employés, Revenus d’un individu § Finance : cours d'une action, volume vendu, moyenne des ventes, options § Ecologie : Températures, pressions, pluviométrie, Heures de soleil, vitesse du vent § Automobiles : trajectoires, vitesses, angles, capteurs 5
Une série simple TEMPS VARIABLE 1 2 3 4 5 6 7 8 9 10 10 11 15 12 16 13 9 8 9 6 § Temps § <ti> de i = 1 à N § Variable § Y = f(t) § Il est possible d'avoir des variables numériques bien sûr; mais aussi booléennes, textuelles, etc. 6
Représentation graphique 7
2. Objectifs § Prévoir les valeurs futures § Relier les variables § Déterminer la causalité § Étudier des anticipations des agents § Repérer les tendances et cycles § Corriger des variations saisonnières § Détecter les chocs structurels § Contrôler les processus 8
De manière plus précise § Trouver des tendances § § § Linéaire : y = a*t + b [+ e] Exponentielle : y = k*a**t [+ e] Logistique : y = k / (1+e**(b-at)) [+ e] Hyperbolique : y k/t [+ e] est l'écart (variation accidentelle) § Comparer deux time series § Définir des distances significatives § Conserver les patterns 9
Les tâches du Data Mining § Trouver des séries similaires § Trouver en base la série la plus proche d'une série donnée § Classer automatiquement en N groupes de séries similaires § Classer dans des classes prédéfinies par un expert § Résumer des séries de N points (N très grand) en n points (n<<N) § Détecter des événements (saisons, accidents, nouvelles, etc. ) 10
3. Opérations de base § Changement d'unité de temps § rollup ($group_size, $map_function ) § extend ($group_size) § Opérations arithmétiques § § substract(Time. Series $sub) add(Time. Series $sub) multiply(Time. Series $sub) Map($map_function) § Opérations scalaires § Scale(float k) § Plus(float k) 11
Opérations relationnelles § filter($comparator, $value) § série de bits en résultat (bitmap) § map($fun) § Projection généralisée § union ($NTS), intersection, difference § De bitmaps ou de multi-séries § join ($NTS) § S'applique aux multi-séries 12
Multi-séries § Multi-séries 1 10 20 2 20 45 3 17 55 4 16 32 5 15 30 6 11 19 7 10 15 Jointure de 1 10 2 20 3 17 4 16 5 15 6 11 7 10 1 20 2 45 3 55 4 32 5 30 6 19 7 15 13
Séries imbriquées 1 2 {10, 2 0 , 5 0 } 3 {} {17, 1 8 } 4 {16} 5 {} {10, Similaires aux séquences … 14
4. Opérations statistiques § moment($window) § Calcul de la série variation sur N jour d'une série en relatif % (Momentum) § centrer() § Calcul de la série centrée autour de 0 à partir d'une série § reduire() § Calcul de la série réduite par écart type § normer() = centrer() + réduire() § Elimine le facteur d'échelle pour comparer 15
Moyennes mobiles – Maverage($window) TEMPS VARIABLE MM 1 MM 3 1 2 3 4 5 6 7 8 9 10 10 11 15 12 16 13 9 8 9 6 10 11, 5 10 10, 5 13 12 13, 5 12, 6 14 14, 3 14, 5 13. 6 11 12, 6 8, 5 10 8, 5 8, 6 7, 5 8, 16 § Donne une tendance § Exemple : MM 30 en bourse § Moyenne mobile exponentielle § Privilégie les dernières valeurs § En pondérant par (1 - )**n, n étant le n° jour précédent 16
Operation sur Windows § § § Fenêtre de taille $Win Exemples : Relative Strength Index § Rsi = hausse /(hausse+baisse) § Momentum § Mom = delta[j] – delta[j-$win] / valeur[$j] § Tendance linéaire § Trend = pente droite moindres carrés § Moyenne Mobile Exponentielle § Xavg = moyenne avec poids (1 -α) **N pour jours (j-N) 17
Time Series (Sequence) avec XQuery 1. 1 TEMPS Variable 1 2 3 4 5 6 7 8 9 10 2 4 6 8 10 12 14 8 9 6 Tumbling 2, 4, 6 Sliding 2, 4, 6 8, 10, 12 14, 8, 9 10, . . . 4, 6, 8, 10, 12 ……………. 18
Exemple de TS en XML § § § <stock> <closing> <date>2008 -01 -01</date> <price>105</price> </closing > <closing> <date>2008 -01 -02</date> <price>101</price> </closing> <date>2008 -01 -03</date> <price>102</price> </closing> <date>2008 -01 -04</date> <price>103</price> </closing> <date>2008 -01 -05</date> <price>102</price> </closing> <closing> <date>2008 -01 -06</date> <price>104</price> § </closing> </stock> 19
Les variables de fenêtres [W 3 C] § Window-variable: Bound to the sequence of items from the binding sequence that comprise the window. § Start-item: (Optional) Bound to the first item in the window. § Start-item-position: (Optional) Bound to the ordinal position of the first window item in the binding sequence. § Start-previous-item: (Optional) Bound to the item in the binding sequence that precedes the first item in the window (empty sequence if none). § Start-next-item: (Optional) Bound to the item in the binding sequence that follows the first item in the window (empty sequence if none). § End-item: (Optional) Bound to the last item in the window. § End-item-position: (Optional) Bound to the ordinal position of the last window item in the binding sequence. § End-previous-item: (Optional) Bound to the item in the binding sequence that precedes the last item in the window (empty sequence if none). § End-next-item: (Optional) Bound to the item in the binding sequence that follows the last item in the window (empty sequence if none). 20
Exemple de XQuery tumbling Window [W 3 C] § for tumbling window $w in //closing start $first next $second when $first/price < $second/price end $last next $beyond when $last/price > $beyond/price return <run-up> <startdate>{fn: data($first/date)}</start-date> <startprice>{fn: data($first/price)}</start-price> <enddate>{fn: data($last/date)}</end-date> <endprice>{fn: data($last/price)}</end-price> </runup> 21
5. Modèles de Time Series § Permettent des classifications et des recherches de patterns plus efficaces § Sont munis d'une fonction de distance significative (borne min, préservation de similarité, structure, …) § Plusieurs techniques proposées § § § Discrete Fourier Transform Discrete Wavelet Transform Picewise Linear Model Picewise Constant Model Symbolic Representation Autoregressive Model 22
Transformation de Fourier discrète (DFT) § Transforme le domaine du temps en fréquence § La série est vue comme une fonction discrétisée somme de sinusoïde § Remplace la série de N points par K coefficients avec K très inférieur à N § Conserve de bonnes propriétés de distance : transfo. linéaire de CN =>CN § Algorithmes efficaces pour calculer la DFT Amplitude et Phase des sinusoîdes 23
Modèles auto-régressifs d'ordre p - AR(p) § Représentation générale AR(p) : § εt est une source d'aléatoire appelé bruit blanc. § Propriétés : § 1. E(εt) = 0 § 2. E(εt 2)) = σ2 § 3. E(εt * εt)) = 0 § Cas particulier : modèle régression linéaire § i = 0 pour i>1 24
Modèle à pas constants (PAA) § Approximation par découpage en périodes de temps fixe § Réduction de N points à w par approximation linéaire § Possibilité de mapper les coefficients Ci sur des lettres a, b, c, … en divisant la variable y centrée-réduite en intervalles équi-probables § (Lin et. al. = modèle SAX) 25
Distance / Similarité entre TS § Vecteurs de dimensions élevées § Réduire les dimensions § § Techniques classiques (seuils, Latence, …) Fenêtres : réduire à des fenêtres "sautantes" Utiliser un modèle (ex: premiers coefs de DFT) Comparer des symboles (ex: +, -, =) § Permet l'application des techniques classiques § Classification supervisée ou non 26
6. Application Bourse § § § Aider l'investisseur à choisir Trouver des actions similaires ou différentes Définir et valider des stratégies Calculer des indicateurs Analyser les dépêches 27
Actions : information fondamentales NOM varchar(20) Désignation CODE char(5) Code caractères COURS decimal(7, 2) Dernier cours ajusté PER decimal(5, 2) Price Earning Ratio BNA decimal(5, 2) Bénéfice Net par Action BNA 1 decimal(5, 2) Bénéfice Net par Action année +1 RECO decimal(5, 2) Recommandation des analystes de 0 à 5 REND decimal(5, 2) Rendement distribué DETTA decimal(7, 2) Dette par action FONPA decimal(7, 2) Fonds propres par action 28
Cours : données journalières CODE char(8) Code de l’action DATE date Date d’observation OPEN decimal(7, 2) Cours d’ouverture HIGH decimal(7, 2) Cours le plus haut LOW decimal(7, 2) Cours le plus bas CLOSE decimal(7, 2) Cours de fermeture (dernier) VOL int Volume AJUSTE decimal(7, 2) Cours ajusté (div. s) 29
30
Indicateurs : données techniques CODE char(5) Code de l’action MOM 5 int Momentum 5 = Variation relative sur 5 jours MM 20 decimal(7, 2) Moyenne mobile 20 MM 50 decimal(7, 2) Moyenne mobile 50 MACD decimal(7, 2) Ecart entre moyennes mobiles RSI 14 decimal(7, 2) 100 -(100/(1+RS)) avec RS = Σgains hausse/Σperte baisse ADV 10 decimal(7, 2) Σ (Volume * % avancée – volume % déclin) ROC 10 decimal(7, 2) (Cour 0– Cours 10)/Cours 10 31
Calcul des variables de décisions § Décision dans un espace à N dimensions § Données fondamentales (résultats) § Données techniques (ambiance) § Caractériser chaque dimension par une variable § Issue des données précédentes § Centrer réduire chaque variable pour rendre comparable § x’ = (x - AVG (x)) / STDDEV(x) § Attribuer un score à chaque action par combinaison des variables § Exemples : § combinaison linéaire Score = Σ pi * x’i § Réseaux de neurones Score = Ñ (x’ 0 … x’n) § Réglage des pi ou neurones sur le passé … 32
Exemples de variables de décision § CODE CHAR(5) PRIMARY KEY REFERENCES ACTIONS, § § § PER_NO NUMERIC(7, 2) , /* PER réduit normé */ REND_NO NUMERIC(7, 2) , /* Rendement N réduit normé */ ROI_NO NUMERIC(7, 2) , /* Rendement/Cours réduit normé */ CROIS_NO NUMERIC(7, 2) , /* Croissance rendement réduite normée */ DETFP_NO NUMERIC(7, 2) , /* Dette sur fonds propres normés */ RECO_NO NUMERIC(7, 2), /* Recommandation des analystes normée */ DELTA_NO NUMERIC(7, 2), /* Ecart cours à moyenne mobile normée */ RSI_NO NUMERIC(7, 2) /* RSI réduit normé */ MACD_NO /* MACD normé */ ADV 10_NO /* ADV 10 normé */ ROC 10_NO /* ROC 10 normé */ 33
Operation sur Windows § § § Fenêtre de taille $Win Exemples : Rsi = hausse /(hausse+baisse) § Mom = delta[j] – delta[j$win] / valeur[$j] § Trend = pente droite moindres carrés § Xavg = moyenne mobile exponentielle § Interface Time. Series. Stats 34
Pont avec la BD relationnelle § Import() § TS simple ou multiple alculée par une requête SQL à 1 ou N attributs § Support des agrégats intéressant : MIN, Max, AVG … § Export() § Faire persister en base une Time Series 35
7. Conclusion § Une approche intéressante pour beaucoup de phénomènes naturels ou économiques § Solides fondations mathématiques § Modélisation § Distances § Extensions possibles § § § Multi-séries Séries imbriquées Localisation temporelle 36
- Cepargne
- For minutes. start.
- Maclaurin series vs taylor series
- Balmer series lyman series
- Taylor series of composite functions
- Maclaurin series vs taylor series
- Ibm p series models
- Shunt feedback amplifier
- Series aiding and series opposing
- Arithmetic series vs geometric series
- Georges gonthier
- Je suis tres emue de vous dire
- Dihydrotestosterone
- Cassie thinking about cubism
- Georges braque violin and pitcher
- Georges nikakis
- Raymond georges yves tanguy
- Elffe theia.fr
- Tillism
- Justine georges
- Synthetischer kubismus bilder
- Grandmas georges
- Zorz sera
- St georges dragon club
- St georges medical centre
- Alexander friedmann ve georges lemaitre
- College georges texier
- Magdalena penitente de la tour
- Malatrasi georges
- Otto dix flandern
- St georges school wallasey
- St george's central c of e primary school in wigan
- St george spear
- Georges cazorla
- Eureka hostel
- Georges lemaître biografia
- Georges ghanem age