AccueilCoursMODELISATION COURS RISQUE

Préparer un jeu de données pour la modélisation

Chapitre 1 · Séries temporelles financières : fondements · leçon 10 sur 65
Réservée aux abonnés — voici son début
Vous avez appris à charger, visualiser et décomposer une série boursière. Avant de modéliser, une étape souvent négligée s'impose : s'assurer que le jeu de données est propre, cohérent et bien décrit. Cette leçon vous guide pour préparer une série boursière réelle en vue de la modélisation. Objectifs Vérifier et nettoyer l'index temporel d'une série boursière Détecter et gérer les valeurs manquantes Produire une fiche descriptive synthétique avant modélisation Vérifier l'index temporel Une série temporelle n'est exploitable que si son index est un vrai DatetimeIndex continu et sans doublons. Après chargement avec yfinance, convertissez l'index avec pd.to_datetime() si nécessaire, puis vérifi
La suite de cette leçon est réservée aux abonnés Créez votre compte gratuit pour lire les leçons en accès libre, puis passez à l'accès complet quand vous le souhaitez.

أنشئ حسابك المجاني

Sans carte bancaire, en trente secondes.
Continuer avec Google
أو
S'inscrire avec un e-mail
Déjà inscrit ? Se connecter
En continuant, vous acceptez les conditions d'utilisation et la politique de confidentialité. Vos données sont hébergées dans l'Union européenne.

Accès complet DATAGOZ

19 €/ mois — ou 190 € / an
  • Tous les cours publiés et les parcours métier
  • Exercices et quiz corrigés automatiquement
  • Entraînement, examen et attestation de suivi
  • Sans engagement, résiliable en ligne
عرض الصيغ
Cette leçon fait partie du cours

MODELISATION COURS RISQUE

7 chapitres · 65 leçons
  • Qu'est-ce qu'une série temporelle financièreabonnés
  • Les quatre composantes d'une sérieabonnés
  • Charger des données boursières avec Pythonabonnés
  • Visualiser la tendance d'un indice boursierabonnés
  • Décomposer une série avec seasonal_decomposeabonnés
  • Détecter la saisonnalité par l'ACFabonnés
  • Identifier les sources d'autocorrélationabonnés
  • Calculer l'ACF en Python avec statsmodelsabonnés
  • Cyclicité et résidu : différences clésabonnés
  • Préparer un jeu de données pour la modélisationvous êtes ici
  • Qu'est-ce qu'un processus MA ?abonnés
  • Préparer les données pour un modèle MAabonnés
  • Lire l'ACF pour choisir l'ordre qabonnés
  • Fenêtre courte ou longue : quel impact ?abonnés
  • Ajuster un modèle MA avec statsmodelsabonnés
  • Dualité AR-MA et représentation infinieabonnés
  • Comparer les prédictions MA sur deux actifsabonnés
  • Sélectionner l'ordre q par AICabonnés
  • Sources d'autocorrélation dans les séries financièresabonnés
  • Limites du modèle MA et pistes d'améliorationabonnés
  • Formuler un processus AR(p)abonnés
  • Dualité AR-MA et représentation infinieabonnés
  • Lire la PACF pour choisir l'ordre ARabonnés
  • Ajuster AutoReg sur données boursièresabonnés
  • Préparer les données avant l'ajustement ARabonnés
  • Produire des prévisions hors échantillonabonnés
  • Comparer les prévisions AR et MAabonnés
  • Condition de stationnarité du processus ARabonnés
  • Utiliser l'AIC pour sélectionner l'ordre ARabonnés
  • Interpréter et critiquer les résultats ARabonnés
  • Détecter la non-stationnarité visuellementabonnés
  • Interpréter l'ACF pour diagnostiquerabonnés
  • Appliquer le test ADF en Pythonabonnés
  • Stationnariser par différenciationabonnés
  • Détecter et supprimer la saisonnalitéabonnés
  • Valider la désaisonnalisation par ACF/PACFabonnés
  • Découper les données train/testabonnés
  • Comprendre les critères AIC et BICabonnés
  • Construire une grille de recherche ARIMAabonnés
  • Vérifier la stationnarité après transformationabonnés
  • Définir l'autocorrélation et ses causesabonnés
  • Tracer l'ACF avec Pythonabonnés
  • Détecter la saisonnalité via l'ACFabonnés
  • Distinguer cyclicité et saisonnalité dans l'ACFabonnés
  • Interpréter une ACF à décroissance lenteabonnés
  • Introduire la PACF et la dualité AR-MAabonnés
  • Lire la PACF pour identifier un ordre ARabonnés
  • Relier les motifs ACF aux structures MAabonnés
  • Sélectionner l'ordre optimal avec AIC et BICabonnés
  • Valider la désaisonnalisation par ACF/PACFabonnés
  • ARIMA : intuition et paramètresabonnés
  • Formuler un processus ARIMA(p,d,q)abonnés
  • Stationnariser avant d'ajusterabonnés
  • Ajuster ARIMA avec statsmodelsabonnés
  • Prévisions hors échantillonabonnés
  • Sélectionner les ordres par AICabonnés
  • Interpréter AIC et BICabonnés
  • Avantages et limites d'ARIMAabonnés
  • Comparer ARIMA à AR et MAabonnés
  • Pipeline ARIMA de bout en boutabonnés
  • AIC et BIC : logique et formulesabonnés
  • Limites de l'ACF et PACF pour choisir l'ordreabonnés
  • Construire une grille de paramètres avec itertoolsabonnés
  • Ajuster ARIMA et lire son AICabonnés
  • Recherche par grille complète sur (p, d, q)abonnés
الدرس التالي

Qu'est-ce qu'un processus MA ?

Voir le programme Créer un compte pour continuer