AccueilCoursMODELISATION COURS RISQUE

Qu'est-ce qu'un processus MA ?

Chapitre 2 · Modèles à moyenne mobile (MA) · leçon 11 sur 65
Réservée aux abonnés — voici son début
Vous avez appris à lire l'ACF et la PACF, et à relier leurs motifs aux structures de dépendance d'une série. Cette leçon franchit une étape supplémentaire : comprendre comment un processus MA(q) génère ces motifs. Un modèle à moyenne mobile ne prédit pas à partir des valeurs passées de la série elle-même, mais à partir des erreurs passées. C'est une distinction fondamentale qui conditionne toute la suite du cours. ## La logique des innovations passées Un processus MA repose sur une idée simple : la valeur observée à l'instant t est la somme d'un choc aléatoire actuel et de chocs passés pondérés. Ces chocs sont appelés innovations ou résidus blancs. Dans un MA(1), seul le choc de la période p
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.

Crie a sua conta gratuita

Sem cartão de crédito, em trinta segundos.
Continuar com o Google
ou
Inscrever-se com um e-mail
Já tem conta? Iniciar sessão
Ao continuar, aceita os termos de utilização e a política de privacidade. Os seus dados são alojados na União Europeia.

Acesso completo DATAGOZ

19 €/ mês — ou 190 € / ano
  • Todos os cursos publicados e os percursos profissionais
  • Exercícios e questionários corrigidos automaticamente
  • Treino, exame e certificado de frequência
  • Sem compromisso, cancelável online
Ver os planos
Esta lição faz parte do curso

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 modélisationabonnés
  • Qu'est-ce qu'un processus MA ?vous êtes ici
  • 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
Próxima lição

Préparer les données pour un modèle MA

Ver o programa Crie uma conta para continuar