L’algorithme de séries temporelles (Time Series) introduit le concept de passé, présent et futur dans l’activité de prédiction. Non seulement cet algorithme sélectionne les meilleurs prédicteurs pour une cible de prédiction, mais il identifie aussi les périodes les plus probables au cours desquelles l’effet de chaque facteur prédictif risque d’être
Séries temporelles
constaté. Par exemple, après avoir créé un modèle incluant les principaux indices économiques mensuels, vous pourrez apprendre que le taux de change escompté du yen en dollars (Yen to USD) dépend aujourd’hui majoritairement des éléments suivants : du taux hypothécaire en vigueur deux mois plus tôt et de l’indice de la production industrielle déterminé il y a 7 mois, ainsi que du revenu par habitant valable il y a 6 à 7 mois.
La figure 5 illustre un contrôle de data mining intitulé Note Legend, qui fournit une représentation graphique de ces dépendances. La longue barre de couleur bleue sur le côté gauche près de Mort30Yr (-2) indique une corrélation négative entre le taux de change Yen to USD et le taux hypothécaire en vigueur il y a deux mois. Autrement dit, si au fil du temps une valeur augmente, une autre diminue. La courbe mauve (pour Yen to USD) et la courbe en jaune (pour le taux hypothécaire) de la figure 6 offrent une représentation graphique agréable de ce mouvement opposé des taux. Les barres en bleu plus petites de la figure 5 indiquent que le taux de change est, dans une certaine mesure, autonome. Elles soulignent en effet le fait que le taux aujourd’hui est bien corrélé avec le taux de change Yen to USD du mois précédent (coefficient 0.656) et quelque peu avec le taux valide il y a deux mois (coefficient -0.117). Par conséquent, en cas de refinancement à un taux inférieur, vous pouvez envisager un « cash out » et un investissement sur des titres adossés au Yen. Vous devez toutefois d’abord examiner les variances de prédiction (et, bien évidemment, rester discret sur vos intentions).
Téléchargez cette ressource
Guide de Threat Intelligence contextuelle
Ce guide facilitera l’adoption d’une Threat Intelligence - renseignement sur les cybermenaces, cyberintelligence - adaptée au "contexte", il fournit des indicateurs de performance clés (KPI) pour progresser d' une posture défensive vers une approche centrée sur l’anticipation stratégique
Les articles les plus consultés
Les plus consultés sur iTPro.fr
- Communication d’entreprise à l’ère de l’IA : fragmentation, Shadow AI et perte de contrôle
- Pourquoi les outils de sécurité ne suffisent plus face aux angles morts de la détection
- Rhea1 : SiPearl allume le CPU européen le plus ambitieux pour le HPC et l’IA souveraine
- L’analytique prédictive au service de la décarbonation en France
Articles les + lus
Microsoft Build 2026 : contre-offensive des modèles maison face à OpenAI et Anthropic
Rhea1 : SiPearl allume le CPU européen le plus ambitieux pour le HPC et l’IA souveraine
Analyse Patch Tuesday Mai 2026
Les coûts cachés des merge requests générées par l’IA
Femmes et métiers de la tech : une attractivité réelle freinée par des stéréotypes persistants
À la une de la chaîne Tech
- Microsoft Build 2026 : contre-offensive des modèles maison face à OpenAI et Anthropic
- Rhea1 : SiPearl allume le CPU européen le plus ambitieux pour le HPC et l’IA souveraine
- Analyse Patch Tuesday Mai 2026
- Les coûts cachés des merge requests générées par l’IA
- Femmes et métiers de la tech : une attractivité réelle freinée par des stéréotypes persistants
