Analyse exploratoire#
Imports et lecture des données#
Imports#
1import matplotlib.pyplot as plt
2import mplfinance as mpl
3import pandas as pd
4from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
5
6from src.utils import init_notebook
1init_notebook()
Lecture des données#
1data_folder = "data/raw_data"
1stock_name = "AAPL"
1df = pd.read_csv(
2 f"{data_folder}/{stock_name}.csv", parse_dates=["Date"], index_col="Date"
3)
4print(f"{df.shape = }")
df.shape = (756, 6)
1df.columns
Index(['Open', 'High', 'Low', 'Close', 'Adj Close', 'Volume'], dtype='object')
1df.index
DatetimeIndex(['2019-01-02', '2019-01-03', '2019-01-04', '2019-01-07',
'2019-01-08', '2019-01-09', '2019-01-10', '2019-01-11',
'2019-01-14', '2019-01-15',
...
'2021-12-16', '2021-12-17', '2021-12-20', '2021-12-21',
'2021-12-22', '2021-12-23', '2021-12-27', '2021-12-28',
'2021-12-29', '2021-12-30'],
dtype='datetime64[ns]', name='Date', length=756, freq=None)
Présentation#
Plan de la présentation
1) Introduction
présentation du jeu de données
définition de la problématique
2) Décomposition : tendance
différents modèles (régressions, moyennes mobiles, B-splines)
retrait de la tendance
3) Décomposition : saisonnalité
affichage graphique (seasonal plot, periodogram)
retrait de la saisonnalité
4) Prédiction
différents modèles (ARMA / ARIMA, Prophet)
comparaison des prédictions
5) Conclusion
réponse à la problématique
Analyse exploratoire#
Jeu de données#
Cours de l’action Apple de janvier 2019 à janvier 2022 (3 ans)
756 dates (weekends et jours fériés exclus) => données journalières
6 valeurs par date : Open, High, Low, Close, Adj. Close et Volume
nous n’étudierons que le cours de fermeture Close
Affichage des données#
Candlestick chart (graphique en bougie)#
1df_3_mois = df[df.index < pd.Timestamp("2019-03-01")]
1mpl.plot(
2 df_3_mois, type="candle", title=f"Cours de l'action {stock_name}", style="yahoo"
3)
1mpl.plot(
2 df_3_mois,
3 type="candle",
4 mav=(3, 6, 9),
5 title=f"Cours de l'action {stock_name}",
6 style="yahoo",
7)
Line plot#
1df["Close"].plot(title=f"Cours de l'action {stock_name}", ylabel="Price")
<Axes: title={'center': "Cours de l'action AAPL"}, xlabel='Date', ylabel='Price'>
1df["Close"].plot(title=f"Cours de l'action {stock_name}", ylabel="Price", style=".")
<Axes: title={'center': "Cours de l'action AAPL"}, xlabel='Date', ylabel='Price'>
Auto-corrélation (ACF et PACF)#
Auto-corrélation (ACF)#
1lag = len(df_3_mois) - 1
2_ = plot_acf(df_3_mois["Close"], lags=lag)
Auto-corrélation partielle (PACF)#
1lag = len(df_3_mois) // 2 - 1
2_ = plot_pacf(df_3_mois["Close"], lags=lag)
Lag plot#
1lag = 1
2plt.title(f"Lag plot ({lag = })")
3pd.plotting.lag_plot(df["Close"], lag=lag)
<Axes: title={'center': 'Lag plot (lag = 1)'}, xlabel='y(t)', ylabel='y(t + 1)'>
1lag = 10
2plt.title(f"Lag plot ({lag = })")
3pd.plotting.lag_plot(df["Close"], lag=lag)
<Axes: title={'center': 'Lag plot (lag = 10)'}, xlabel='y(t)', ylabel='y(t + 10)'>
Problématique#
Nous cherchons à prédire le cours boursier d’Apple à horizon 2 mois.
Objectifs :
prédiction à 60 jours pour pouvoir spéculer
avoir un intervalle de confiance (pour ne pas prendre trop de risque)