Vous êtes sur la page 1sur 34

Prvision dune srie chronologique

par lissage exponentiel

Michel Tenenhaus

1.

Diffrents types de sries chronologiques


COURS D'UNE ACTION

CHIFFRE D'AFFAIRES D'UNE SOCIETE


PRESENCE D'UNE TENDANCE, PAS DE SAISONNALITE

1400

11000

1300

10000

1200

9000

CA

12000

1100
1

10

11

12

13

14

15

16

8000
1

Sequence number

11

13

15

17

19

21

23

25

Sequence number

VENTES MENSUELLES DE CHAMPAGNE


PRESENCE D'UNE TENDANCE ET D'UNE SAISONNALITE
16000
14000
12000
10000
8000

C HA M P A G N E

COURS

PAS D E TENDANCE, PAS DE SAISONNALITE


1500

6000
4000
2000
0
JAN 1962

Date

JAN 1963

JAN 1964

JAN 1965

JAN 1966

JAN 1967

JAN 1968

JAN 1969

JAN 1970

2. Les mthodes de prvision par lissage exponentiel


TENDANCE

SAISONNALIT

MTHODE

NON

NON

LISSAGE SIMPLE

OUI

NON

LISSAGE DE HOLT

OUI

OUI

LISSAGE DE WINTERS

3.

Lissage exponentiel simple

Exemple : Cours dune action


JOUR
1
2
3
4
5
6

COURS
1293
1209
1205
1273
1220
1290

JOUR
7
8
9
10
11

COURS JOUR COURS


1243
12
1343
1203
13
1364
1390
14
1330
1360
15
1377
1353
16
1332

1500

1400

1300

COURS

1200

1100
1

JOUR

10

11

12

13

14

15

16

Prvision de la srie COURS DUNE ACTION


par lissage exponentiel simple
1500

1400

1300

1200
COURS
1100

PREVISION
1

3
2

5
4

7
6

9
8

11
10

13
12

15
14

17
16

19
18

20

JOUR
S0 = Y1 ;

alpha = 0.46

Formules de prvision et de lissage


Prvision de Yt+h ralise linstant t

(h ) S
Y
t
t
o :

(h ) prvision de Y
Y
t
t h

St

Prvision de Y17
en t = 16 :
- si S0 = Y1
- si = 0
- si = 1

= estimation de la moyenne de la
srie linstant t

Formule de lissage

St = Yt + (1-)St-1
o :

- = constante de lissage ( 0 1)
- S0 = valeur initiale (Y1 ou Y = valeur choisie par SPSS)
6

Calcul de la valeur lisse St


t 1

St

Yt (1 ) j Yt j (1 ) t S0
j1

Moyenne pondre des valeurs passes


Valeur lisse
Consquences
-

Somme des poids = 1

Pour = 0, St = S0 pour tout t

Pour = 1, St = Yt pour tout t


7

Application : Cours dune action


= 0.46
Jour
0
1
2
3
.
.
.
15
16

St = Yt + (1 - )St-1
Cours (Yt)
1293
1209
1205
.
.
.
1377
1332

S0 = Y1

Valeur lisse St
S0 = Y1 = 1293
1293
1254.36
1231.65
.
.
.
1358.00
1346.04
8

Application : Cours dune action


Cours Yt et valeur lisse St [alpha = 0.46]
1500

1400

1300

1200

COURS
VALEUR

1100

LISSEE
0

JOUR

10 11 12 13 14 15 16

Prvision de Yt
Sur lhistorique (t = 1 T):

Y
t

Prvision de Yt ralise en t - 1

Moyenne estime de la srie en t - 1

St -1

Sur le futur :
(h)
Y
T

Prvision de YT h ralise en T

Moyenne estime de la srie en T

ST

pour tout horizon de prvision h


10

Prvision de Yt
= 0.46
Jour

0
1
2
3
.
.
.
15
16
17
18
19
20

Cours
Yt

1293
1209
1205
.
.
.
1377
1332

St = Yt + (1 - )St-1

S0 = Y1

Valeur lisse Prvision de Yt


Rsidu
St
(= St-1)
et = Yt St-1

1293.00
1293.00
1254.36
1231.65
.
.
.
1358.00
1346.04

On choisit minimisant

2
e
t

1293.00
1293.00
1254.36
.
.
.
1341.81
1358.00
1346.04
1346.04
1346.04
1346.04

0.00
-84.00
-49.36
.
.
.
35.19
-26.00

Pour = 0.46 :

Calculs
par SPSS

e2t 50085

11

Choix de
Results of EXSMOOTH procedure for Variable COURS
MODEL= NN (No trend, no seasonality)
Initial values:

Series
1293.00000

Trend
Not used

DFE = 15.
The 10 smallest SSE's are:

Alpha
.4600000
.4700000
.4500000
.4800000
.4400000
.4900000
.4300000
.5000000
.4200000
.5100000

SSE
50085.26068
50090.61536
50094.47462
50110.08196
50118.73892
50143.22786
50158.56131
50189.64352
50214.47645
50248.94158
12

Prvision de Yt
1500

Yt

S16

1400

S0
1300

1200

St-1

COURS

1100

PREVISION
1

3
2

JOUR

5
4

7
6

9
8

11
10

13
12

15
14

17
16

19
18

20

13

Intervalle de prvision lhorizon h au niveau 95%


[Modle ARIMA (0,1,1) sans constante]

Donnes observes : Y1, , YT


(h ) S
Prvision de YT+h : Y
T
T

Intervalle de prvision 95% de YT+h :


2

YT (h) 1.96 1 (h - 1)

1 T
2


(
Y

Y
)

t
t
T 1 t 1
14

Intervalle de prvision au niveau de confiance 95%


Utilisation du Time series modeler de SPSS

Forecast

17
18
19
20

Model
cours-Model_1
Forecast
UCL
1346
1467
1346
1477
1346
1486
1346
1495

LCL
1226
1215
1206
1197

15

4.

La mthode de Holt

Exemple : Chiffre d affaires d une socit


Trimestre 1
1972
1973
1974
1975
1976
1977
1978

Trimestre 2
9 050
10 100
10 910
11 034
11 115
11 352
11 453

9 680
10 738
10 869
11 108
11 437
11 507

Trimestre 3
9 380
10 160
11 058
11 135
11 424
11 381
11 561

Trimestre 4
9 378
10 469
11 016
10 845
10 895
11 401

12000

11000

10000

CA

9000

8000
1

Trimestre

11

13

15

17

19

21

23

25

16

La mthode de Holt
Hypothses : Srie avec tendance, sans saisonnalit
Formule de prvision : A linstant t, lhorizon h

(h ) S h T
Y
t
t
t
Prvision
de Yt+h

Niveau de
la tendance

Prvision
localement
linaire

Pente de
la tendance

Formules de lissage
St = Yt + (1 - ) (St-1 + Tt-1)
Prvision de Y en t - 1
Y
t
t

Tt = (St - St-1) + (1 - ) Tt-1

17

La mthode de Holt
Choix des valeurs initiales de T0 et S0 dans SPSS
T0

YT Y1
T 1

S0 Y1 0.5T0

Choix des constantes de lissage et

S T prvision de Y
Y
t
t -1
t 1
t
erreur de prvision
Yt - Y
t

On recherche et minimisant

(Y

Y
)
t t

18

Choix de et
Results of EXSMOOTH procedure for Variable CA
MODEL= HOLT (Linear trend, no seasonality)

Initial values:

Series
8999.78000

Trend
100.44000

DFE = 24.
The 10 smallest SSE's are:

(*)

Gamma dans SPSS

Alpha
.4100000
.4200000
.4100000
.4200000
.4000000
.4200000
.4100000
.4200000
.4300000
.4000000

Beta (*)
1.000000
1.000000
.9900000
.9900000
1.000000
.9800000
.9800000
.9700000
1.000000
.9900000

SSE
1014101.3926
1014605.7163
1015200.6924
1015268.6427
1015741.5978
1016033.2733
1016402.7294
1016900.4755
1017088.4978
1017288.6506
19

Prvision du Chiffre dAffaires

Trimestre
_________
1
2
3
4
.
.
.
24
25
26
27
28
29
30

Chiffre
d'affaires
__________

prvision
___________

rsidu
___________

9050
9380
9378
9680

9100.22000
9159.47960
9420.15613
9555.85127

-50.22000
220.52040
-42.15613
124.14873

11507
11453
11561
.
.
.
.

11459.70349
11524.15142
11510.86362
11567.85973
11604.29993
11640.74012
11677.18032

47.29651
-71.15142
50.13638
.
.
.
.
20

Prvision du Chiffre dAffaires


12000

11000

10000

9000
Chiffre
d'affaires
8000

prvision
1

Trimestre

11

13

15

17

19

21

23

25

27

29

21

Intervalle de Prvision 95% du CA

Utilisation du Time series modeler de SPSS


[Modle ARIMA(0,2,2) sans constante]

Forecast

27
28
29
30

Forecast
11566
11601
11636
11672

Model
ca-Model_1
UCL
11981
12130
12360
12649

LCL
11151
11072
10913
10695

22

4.

La mthode de Winters

Exemple : Ventes de Champagne

Janvier
Fvrier
Mars
Avril
Mai
Juin
Juillet
Aot
Septembre
Octobre
Novembre
Dcembre

1962
2815
2672
2755
2721
2946
3036
2282
2212
2922
4301
5764
7312

1968
2639
2899
3370
3740
2927
3986
4217
1738
5221
6424
9842
13076

1969
3934
3162
4286
4676
5010
4874
4633
1649
5951
6981
9851
12670

1970
4348
3564
4577
4788
4618
5312
4298
1431
5877

On exclut les douze derniers mois pour valider la mthode.


23

Ventes de Champagne
16000

14000

12000

10000

8000

6000

4000

2000

70
19
L 70
JU 19
N 69
JA 19
L 69
JU 19
N 68
JA 19
L 68
JU 19
N 67
JA 19
L 67
JU 19
N 66
JA 19
L 66
JU 19
N 65
JA 19
L 65
JU 19
N 64
JA 19
L 64
JU 19
N 63
JA 19
L 63
JU 19
N 62
JA 19
L 62
JU 19
N
JA
0

Date

On exclut les douze derniers mois pour valider la mthode.

24

La mthode de Winters
Hypothses : Srie avec tendance et saisonnalit dordre s (ici s = 12)
Formule de prvision : A linstant t, lhorizon h

(h ) (S h T ) I
Y
t
t
t
t h s
Prvision
de Yt+h

Pente de
la tendance

Niveau de
la tendance

Coefficient
saisonnier

Prvision localement
linaire

*
Coefficient saisonnier

Formules de lissage
St (

Yt
) (1 - ) (St -1 Tt 1 )
I t -s

Tt (St St 1 ) (1 - ) Tt 1

It (

Yt
) (1 - ) I t -s
St

25

La mthode de Winters
Choix des valeurs initiales T0 , S0
T0

Yk Y1
(k 1) s

, o k est le nombre d' annes compltes

s
S0 Y1 ( ) T0
2

Choix des coefficients saisonniers I01, , I0s


Les coefficients saisonniers I01, , I0s sont obtenus
en partant de la dcomposition saisonnire de la srie Yt
avec poids identiques. La moyenne mobile initiale est
construite sur s termes.
26

La mthode de Winters
Choix des constantes de lissage , et

(S T ) I
Y
t
t -1
t 1
t s
prvision de Yt calcule l' instant t - 1
erreur de prvision
Yt - Y
t

On recherche , , minimisant

(Y

Y
)
t t

27

Rsultats
Results of EXSMOOTH procedure for Variable CHAMPAGN
MODEL= WINTERS (Linear trend, multiplicative seasonality)
Seasonal indices:(en pourcentage)
1
73.05851
2
67.43095
3
81.49642
4
83.91526
5
92.57661
6
88.61501
7
73.56785
8
36.17448
9
92.43837
10
120.75980
11
174.76449
12
215.20225
Initial values:

Series
3350.79861

Period= 12

Calculer :
- S1, T1, I1, I12
- Y 1 , Y 2

Trend
21.22801

DFE = 80.
The 5 smallest SSE's are:

Alpha
.0500000
.0600000
.0500000
.0500000
.0600000

Beta
.0300000
.0200000
.0200000
.0400000
.0300000

Gamma
.0000000
.0000000
.0000000
.0000000
.0000000

SSE
30047638.175
30094467.153
30099702.780
30193432.067
30194656.348

28

Rsultats sur lhistorique utilis : (horizon h = 1)


Date
________

Champagne
_________

Prvision
___________

Rsidu
___________

1962
1962
1962
1962
1962
1962
1962
1962
1962
1962
1962
1962
.
.
.

2815
2672
2755
2721
2946
3036
2282
2212
2922
4301
5764
7312

2463.55246
2304.80933
2826.31399
2925.52282
3236.81640
3103.70251
2589.82403
1273.50670
3397.22170
4436.22316
6452.30884
7953.28875

351.44754
367.19067
-71.31399
-204.52282
-290.81640
-67.70251
-307.82403
938.49330
-475.22170
-135.22316
-688.30884
-641.28875

JUL 1969
AUG 1969
SEP 1969

4633
1649
5951

4119.96749
2044.67375
5188.64038

513.03251
-395.67375
762.35962

JAN
FEB
MAR
APR
MAY
JUN
JUL
AUG
SEP
OCT
NOV
DEC

2
e
t

30047638

29

Rsultats sur lhistorique utilis


(prvision lhorizon 1)
16000

14000

12000

10000

8000

6000

4000

69
19
L 69
JU 19 8
B 96
FE 1 8
P 6
SE 19 7
R 96
AP V 1 7
O 6
N 19
N 67
JU 19 66
N 9
JA G 1 66
9
AU 1 5
AR 96
M 1 5
T
C 96
O 1 4
AY 96
M 1
EC 64
D 19 4
L 6
JU 19
B 963
FE 1 3
P 6
SE 19 2
R 96
AP V 1 2
O 6
N 19
N 62
JU 19
N
JA

Prvision
0

Champagne
2000

30

Date

Rsultats sur la priode test : (horizon h = 1 12)


Date
________
OCT
NOV
DEC
JAN
FEB
MAR
APR
MAY
JUN
JUL
AUG
SEP

1969
1969
1969
1970
1970
1970
1970
1970
1970
1970
1970
1970

Champagne
_________

Prvision
___________

Rsidu
___________

6981
9851
12670
4348
3564
4577
4788
4618
5312
4298
1431
5877

6848.37398
9940.29754
12276.38085
4179.92009
3869.24602
4689.98831
4843.24782
5358.65535
5144.19067
4283.01302
2112.08652
5412.60115

132.62602
-89.29754
393.61915
168.07991
-305.24602
-112.98831
-55.24782
-740.65535
167.80933
14.98698
-681.08652
464.39885

Calculer :
- Ssept 69 et Tsept 69

- Y
sept 69 (13) prvision d' octobre70

31

Rsultats sur la priode test


(prvision sur lhorizon 1 12)
14000

12000

10000

8000

6000

4000

2000

Date

Prvision

70
19
P
SE 970
1
G
AU 70
19
L
JU 70
19
N
JU 970
1
AY 0
M
7
19
R
AP 970
1
AR
M
70
19
B
FE 70
19
N
JA 969
1
EC 9
D
6
19
V
O
N
69
19

T
C

Champagne

32

Intervalle de Prvision 95% de Champagne


Utilisation du Time series modeler de SPSS

Forecast

Oct 1969
Nov 1969
Dec 1969
Jan 1970
Feb 1970
Mar 1970
Apr 1970
May 1970
Jun 1970
Jul 1970
Aug 1970
Sep 1970

Model
champagn-Model_1
Forecast
UCL
LCL
6982
8210
5754
10390
11756
9024
12914
14434
11395
3859
5121
2596
3655
4970
2340
4544
5992
3096
4826
6360
3293
4912
6507
3317
5192
6877
3507
4661
6305
3017
1977
3300
654
6079
8385
3773

33

Conclusion gnrale

All the proofs of a pudding are in the


eating, not in the cooking .
William Camden (1623)

34