SlideShare une entreprise Scribd logo
1  sur  19
1




                      Construction
                d’indicateurs prospectifs




    Formation - 6 novembre 2012
           Stéphan Miquel



Société de Calcul Mathématique, S. A.
      Algorithmes et Optimisation
2



        Plan de la présentation


I.   Contexte

II. Construction d’un indicateur prospectif

III. Applications
3




I. Contexte
4


1. Prédiction, prévision ou anticipation ?
    Prédiction :
   L’avenir est défini à partir de lois déterministes basées sur l’observation
   du présent et du passé
        Cela ne concerne pas l’approche probabiliste

    Prévision :
   La prévision vise à estimer la valeur future d’une variable en prenant en
   compte les incertitudes de l’avenir
         Approche déterministe et/ou probabiliste qui nécessite des
        informations spécifiques sur la variable à prévoir

    Anticipation :
   L’anticipation probabiliste des cycles de variation d’une variable est basée
   sur la construction d’indicateurs prospectifs
         Approche probabiliste ne nécessitant pas la compréhension des
        phénomènes induisant les cycles de variation
5


2. Anticipation de cycles


                            Objectif : anticipation des
                             changements de cycles
                            plusieurs mois à l’avance




                  ?     ?               ?                 ?
6




II. Construction d’un indicateur prospectif
7


1. Recherche d’indicateurs avancés




                      Indicateur avancé de 6 mois
8


1. Recherche d’indicateurs avancés

  On calcule la variance de la variable à anticiper (loi binomiale : hausse ou
  baisse) conditionnée par les hausses et les baisses de l’indicateur avec
  une avance de k mois.

  On classe toute la base de données des indicateurs en fonction de la
  variance conditionnelle (de la plus faible à la plus forte)




    Jamais un indicateur ne permet d’anticiper à lui seul une variable

                                         0
    En combinant les indicateurs avancés ayant un variance conditionnelle
   très faible, on n’obtient pas de meilleurs résultats
9


2. Principe de la construction d’un indicateur prospectif

     Entre janvier 2011 et juillet 2011                         Entre juillet 2011 et janvier 2012
                                          Anticipation :
                                             6 mois
    Indicateur 1:                                             Prix du nickel :                 80 %

    Indicateur 2:
                                                                 Baisse observée 16 fois sur 20
    Indicateur 3:                                                       dans l’historique
                                                                 (variance conditionnelle faible)




     Entre janvier 2011 et juillet 2011                         Entre juillet 2011 et janvier 2012
                                          Anticipation :
                                             6 mois
    Indicateur 1:                                             Prix du nickel :                  75%

    Indicateur 2:
                                                                Hausse observée 30 fois sur 40
    Indicateur 3:                                                      dans l’historique
                                                                (variance conditionnelle faible)



        Pour 1 triplet d’indicateurs : 8 combinaisons associées à une hausse ou une
                baisse du prix du nickel (avec variance conditionnelle faible)
10


2. Principe de la construction d’un indicateur prospectif


     Base de données :

     Indicateurs macro-économiques, industriels et financiers

     Sources : Bloomberg



     Nombre de triplets :

     De 1991 à 2011 : 498 indicateurs                  20 460 496 triplets

     De 1996 à 2011 : 571 indicateurs                  30 865 405 triplets

     De 1999 à 2011 : 1 413 indicateurs                469 194 186 triplets
11


2. Principe de la construction d’un indicateur prospectif
            Exemple de triplets permettant l’anticipation des cycles




     Chacune des combinaisons doit avoir une variance conditionnelle à ne
    pas dépasser (ici, le % de cas avec hausse ou avec baisse ne doit pas
    être inférieur à 83%)
12


2. Principe de la construction d’un indicateur prospectif
                             Choix du meilleur triplet




     Critère d’efficacité : le triplet doit permettre de détecter le plus de
    hausses et de baisses possible
                                            0
     Critère de robustesse : la répartition des cas suivant les différentes
    combinaisons doit être la plus homogène possible
13


2. Principe de la construction d’un indicateur prospectif


                                Anticipation
                               d’une hausse
                                                         Anticipation
                                                         d’une baisse




                                        88% des hausses détectées
                                        88% des baisses détectées
14


Rappel


         Objectif : anticipation des
          changements de cycles
         plusieurs mois à l’avance
15




IV. Applications
16


1. Activités industrielles




                             89% des hausses détectées
                             80% des baisses détectées
17


1. Activités industrielles




        98% des hausses détectées
        77% des baisses détectées
18


2. Finance


             Périodes de mauvaises
                  anticipations




                         93% des hausses détectées
                         76% des baisses détectées
19


2. Finance


                                 Période de mauvaise
                                     anticipation




     93% des hausses détectées
     68% des baisses détectées

Contenu connexe

En vedette

Robust sequentiel learning
Robust sequentiel learningRobust sequentiel learning
Robust sequentiel learningCdiscount
 
Prévisions trafic aérien
Prévisions trafic aérienPrévisions trafic aérien
Prévisions trafic aérienCdiscount
 
Présentation Olivier Biau Random forests et conjoncture
Présentation Olivier Biau Random forests et conjoncturePrésentation Olivier Biau Random forests et conjoncture
Présentation Olivier Biau Random forests et conjonctureCdiscount
 
Prévision consommation électrique par processus à valeurs fonctionnelles
Prévision consommation électrique par processus à valeurs fonctionnellesPrévision consommation électrique par processus à valeurs fonctionnelles
Prévision consommation électrique par processus à valeurs fonctionnellesCdiscount
 
Forecasting GDP profile with an application to French Business Surveys
Forecasting GDP profile with an application to French Business SurveysForecasting GDP profile with an application to French Business Surveys
Forecasting GDP profile with an application to French Business SurveysCdiscount
 
Prévision de consommation électrique avec adaptive GAM
Prévision de consommation électrique avec adaptive GAMPrévision de consommation électrique avec adaptive GAM
Prévision de consommation électrique avec adaptive GAMCdiscount
 
Ranking binaire, agrégation multiclasses
Ranking binaire, agrégation multiclasses Ranking binaire, agrégation multiclasses
Ranking binaire, agrégation multiclasses Cdiscount
 
Prediction in dynamic Graphs
Prediction in dynamic GraphsPrediction in dynamic Graphs
Prediction in dynamic GraphsCdiscount
 
R2DOCX : R + WORD
R2DOCX : R + WORDR2DOCX : R + WORD
R2DOCX : R + WORDCdiscount
 
Presentation r markdown
Presentation r markdown Presentation r markdown
Presentation r markdown Cdiscount
 
Présentation G.Biau Random Forests
Présentation G.Biau Random ForestsPrésentation G.Biau Random Forests
Présentation G.Biau Random ForestsCdiscount
 
FLTauR - Construction de modèles de prévision sous r avec le package caret
FLTauR - Construction de modèles de prévision sous r avec le package caretFLTauR - Construction de modèles de prévision sous r avec le package caret
FLTauR - Construction de modèles de prévision sous r avec le package caretjfeudeline
 

En vedette (16)

Robust sequentiel learning
Robust sequentiel learningRobust sequentiel learning
Robust sequentiel learning
 
Prévisions trafic aérien
Prévisions trafic aérienPrévisions trafic aérien
Prévisions trafic aérien
 
Présentation Olivier Biau Random forests et conjoncture
Présentation Olivier Biau Random forests et conjoncturePrésentation Olivier Biau Random forests et conjoncture
Présentation Olivier Biau Random forests et conjoncture
 
Prévision consommation électrique par processus à valeurs fonctionnelles
Prévision consommation électrique par processus à valeurs fonctionnellesPrévision consommation électrique par processus à valeurs fonctionnelles
Prévision consommation électrique par processus à valeurs fonctionnelles
 
Forecasting GDP profile with an application to French Business Surveys
Forecasting GDP profile with an application to French Business SurveysForecasting GDP profile with an application to French Business Surveys
Forecasting GDP profile with an application to French Business Surveys
 
Prévision de consommation électrique avec adaptive GAM
Prévision de consommation électrique avec adaptive GAMPrévision de consommation électrique avec adaptive GAM
Prévision de consommation électrique avec adaptive GAM
 
Ranking binaire, agrégation multiclasses
Ranking binaire, agrégation multiclasses Ranking binaire, agrégation multiclasses
Ranking binaire, agrégation multiclasses
 
Prediction in dynamic Graphs
Prediction in dynamic GraphsPrediction in dynamic Graphs
Prediction in dynamic Graphs
 
R2DOCX : R + WORD
R2DOCX : R + WORDR2DOCX : R + WORD
R2DOCX : R + WORD
 
Gur1009
Gur1009Gur1009
Gur1009
 
Big data with r
Big data with rBig data with r
Big data with r
 
R Devtools
R DevtoolsR Devtools
R Devtools
 
Presentation r markdown
Presentation r markdown Presentation r markdown
Presentation r markdown
 
R versur Python
R versur PythonR versur Python
R versur Python
 
Présentation G.Biau Random Forests
Présentation G.Biau Random ForestsPrésentation G.Biau Random Forests
Présentation G.Biau Random Forests
 
FLTauR - Construction de modèles de prévision sous r avec le package caret
FLTauR - Construction de modèles de prévision sous r avec le package caretFLTauR - Construction de modèles de prévision sous r avec le package caret
FLTauR - Construction de modèles de prévision sous r avec le package caret
 

Plus de Cdiscount

Fltau r interface
Fltau r interfaceFltau r interface
Fltau r interfaceCdiscount
 
Dataiku r users group v2
Dataiku   r users group v2Dataiku   r users group v2
Dataiku r users group v2Cdiscount
 
Introduction à la cartographie avec R
Introduction à la cartographie avec RIntroduction à la cartographie avec R
Introduction à la cartographie avec RCdiscount
 
Parallel R in snow (english after 2nd slide)
Parallel R in snow (english after 2nd slide)Parallel R in snow (english after 2nd slide)
Parallel R in snow (english after 2nd slide)Cdiscount
 
Premier pas de web scrapping avec R
Premier pas de  web scrapping avec RPremier pas de  web scrapping avec R
Premier pas de web scrapping avec RCdiscount
 
Incorporer du C dans R, créer son package
Incorporer du C dans R, créer son packageIncorporer du C dans R, créer son package
Incorporer du C dans R, créer son packageCdiscount
 
Comptabilité Nationale avec R
Comptabilité Nationale avec RComptabilité Nationale avec R
Comptabilité Nationale avec RCdiscount
 
Cartographie avec igraph sous R (Partie 2)
Cartographie avec igraph sous R (Partie 2)Cartographie avec igraph sous R (Partie 2)
Cartographie avec igraph sous R (Partie 2)Cdiscount
 
Cartographie avec igraph sous R (Partie 1)
Cartographie avec igraph sous R (Partie 1) Cartographie avec igraph sous R (Partie 1)
Cartographie avec igraph sous R (Partie 1) Cdiscount
 
RStudio is good for you
RStudio is good for youRStudio is good for you
RStudio is good for youCdiscount
 
R fait du la tex
R fait du la texR fait du la tex
R fait du la texCdiscount
 
Première approche de cartographie sous R
Première approche de cartographie sous RPremière approche de cartographie sous R
Première approche de cartographie sous RCdiscount
 

Plus de Cdiscount (13)

Fltau r interface
Fltau r interfaceFltau r interface
Fltau r interface
 
Dataiku r users group v2
Dataiku   r users group v2Dataiku   r users group v2
Dataiku r users group v2
 
Introduction à la cartographie avec R
Introduction à la cartographie avec RIntroduction à la cartographie avec R
Introduction à la cartographie avec R
 
HADOOP + R
HADOOP + RHADOOP + R
HADOOP + R
 
Parallel R in snow (english after 2nd slide)
Parallel R in snow (english after 2nd slide)Parallel R in snow (english after 2nd slide)
Parallel R in snow (english after 2nd slide)
 
Premier pas de web scrapping avec R
Premier pas de  web scrapping avec RPremier pas de  web scrapping avec R
Premier pas de web scrapping avec R
 
Incorporer du C dans R, créer son package
Incorporer du C dans R, créer son packageIncorporer du C dans R, créer son package
Incorporer du C dans R, créer son package
 
Comptabilité Nationale avec R
Comptabilité Nationale avec RComptabilité Nationale avec R
Comptabilité Nationale avec R
 
Cartographie avec igraph sous R (Partie 2)
Cartographie avec igraph sous R (Partie 2)Cartographie avec igraph sous R (Partie 2)
Cartographie avec igraph sous R (Partie 2)
 
Cartographie avec igraph sous R (Partie 1)
Cartographie avec igraph sous R (Partie 1) Cartographie avec igraph sous R (Partie 1)
Cartographie avec igraph sous R (Partie 1)
 
RStudio is good for you
RStudio is good for youRStudio is good for you
RStudio is good for you
 
R fait du la tex
R fait du la texR fait du la tex
R fait du la tex
 
Première approche de cartographie sous R
Première approche de cartographie sous RPremière approche de cartographie sous R
Première approche de cartographie sous R
 

Scm indicateurs prospectifs_2012_11_06

  • 1. 1 Construction d’indicateurs prospectifs Formation - 6 novembre 2012 Stéphan Miquel Société de Calcul Mathématique, S. A. Algorithmes et Optimisation
  • 2. 2 Plan de la présentation I. Contexte II. Construction d’un indicateur prospectif III. Applications
  • 4. 4 1. Prédiction, prévision ou anticipation ?  Prédiction : L’avenir est défini à partir de lois déterministes basées sur l’observation du présent et du passé  Cela ne concerne pas l’approche probabiliste  Prévision : La prévision vise à estimer la valeur future d’une variable en prenant en compte les incertitudes de l’avenir  Approche déterministe et/ou probabiliste qui nécessite des informations spécifiques sur la variable à prévoir  Anticipation : L’anticipation probabiliste des cycles de variation d’une variable est basée sur la construction d’indicateurs prospectifs  Approche probabiliste ne nécessitant pas la compréhension des phénomènes induisant les cycles de variation
  • 5. 5 2. Anticipation de cycles Objectif : anticipation des changements de cycles plusieurs mois à l’avance ? ? ? ?
  • 6. 6 II. Construction d’un indicateur prospectif
  • 7. 7 1. Recherche d’indicateurs avancés Indicateur avancé de 6 mois
  • 8. 8 1. Recherche d’indicateurs avancés On calcule la variance de la variable à anticiper (loi binomiale : hausse ou baisse) conditionnée par les hausses et les baisses de l’indicateur avec une avance de k mois. On classe toute la base de données des indicateurs en fonction de la variance conditionnelle (de la plus faible à la plus forte)  Jamais un indicateur ne permet d’anticiper à lui seul une variable 0  En combinant les indicateurs avancés ayant un variance conditionnelle très faible, on n’obtient pas de meilleurs résultats
  • 9. 9 2. Principe de la construction d’un indicateur prospectif Entre janvier 2011 et juillet 2011 Entre juillet 2011 et janvier 2012 Anticipation : 6 mois Indicateur 1: Prix du nickel : 80 % Indicateur 2: Baisse observée 16 fois sur 20 Indicateur 3: dans l’historique (variance conditionnelle faible) Entre janvier 2011 et juillet 2011 Entre juillet 2011 et janvier 2012 Anticipation : 6 mois Indicateur 1: Prix du nickel : 75% Indicateur 2: Hausse observée 30 fois sur 40 Indicateur 3: dans l’historique (variance conditionnelle faible) Pour 1 triplet d’indicateurs : 8 combinaisons associées à une hausse ou une baisse du prix du nickel (avec variance conditionnelle faible)
  • 10. 10 2. Principe de la construction d’un indicateur prospectif Base de données : Indicateurs macro-économiques, industriels et financiers Sources : Bloomberg Nombre de triplets : De 1991 à 2011 : 498 indicateurs 20 460 496 triplets De 1996 à 2011 : 571 indicateurs 30 865 405 triplets De 1999 à 2011 : 1 413 indicateurs 469 194 186 triplets
  • 11. 11 2. Principe de la construction d’un indicateur prospectif Exemple de triplets permettant l’anticipation des cycles  Chacune des combinaisons doit avoir une variance conditionnelle à ne pas dépasser (ici, le % de cas avec hausse ou avec baisse ne doit pas être inférieur à 83%)
  • 12. 12 2. Principe de la construction d’un indicateur prospectif Choix du meilleur triplet  Critère d’efficacité : le triplet doit permettre de détecter le plus de hausses et de baisses possible 0  Critère de robustesse : la répartition des cas suivant les différentes combinaisons doit être la plus homogène possible
  • 13. 13 2. Principe de la construction d’un indicateur prospectif Anticipation d’une hausse Anticipation d’une baisse 88% des hausses détectées 88% des baisses détectées
  • 14. 14 Rappel Objectif : anticipation des changements de cycles plusieurs mois à l’avance
  • 16. 16 1. Activités industrielles 89% des hausses détectées 80% des baisses détectées
  • 17. 17 1. Activités industrielles 98% des hausses détectées 77% des baisses détectées
  • 18. 18 2. Finance Périodes de mauvaises anticipations 93% des hausses détectées 76% des baisses détectées
  • 19. 19 2. Finance Période de mauvaise anticipation 93% des hausses détectées 68% des baisses détectées