francebalade.fr       Cours de Mathématiques       Table des matières       Votre avis sur ce site
Statistique bayésienne

La loi bêta et la prévision boursière

Cinq planches pour construire, mettre à jour et tester une estimation bayésienne de la probabilité qu'une action clôture en hausse à la prochaine séance. La loi bêta code une croyance initiale ; chaque séance observée la fait évoluer ; les planches III et IV confrontent l'exact et l'approché ; la planche V demande à la méthode de faire ses preuves sur des données qu'elle n'a pas vues.

I

La densité bêta comme croyance initiale

Beta(α, β)

La loi bêta décrit, sur l'intervalle (0, 1), toutes les croyances possibles sur une probabilité inconnue. Deux paramètres suffisent : α pèse les hausses attendues, β les baisses. Plus α + β est grand, plus la croyance est resserrée — comme si on avait déjà « vu » α + β séances fictives.

densité Beta(α, β) moyenne α/(α+β) mode (si défini)

Paramètres

moyenne = α/(α+β)  ·  variance = αβ / [(α+β)²(α+β+1)]
Moyenne
Mode
Écart-type
Force α + β
II

Mise à jour bayésienne — deux calculs, un seul résultat

Beta(α, β) → Beta(α + s, β + e)

Après s séances en hausse et e en baisse, la loi bêta se met à jour par une simple addition — c'est la conjugaison bêta-binomiale. Pour le vérifier sans y faire confiance aveuglément, la planche calcule aussi la mise à jour « à la main » : théorème de Bayes brut, intégré numériquement.

loi a priori loi a posteriori (formule fermée) a posteriori (Bayes numérique)

Croyance initiale

Observations

Moyenne a priori
Moyenne a posteriori
III

Intervalle de crédibilité : l'exact contre l'approché

quantiles de Beta(a, b)

Un intervalle de crédibilité se lit normalement en inversant la fonction de répartition de la loi bêta — un calcul qu'on évite souvent en le remplaçant par l'approximation normale moyenne ± z·écart-type. Cette planche affiche les deux à la fois pour montrer où l'approximation tient, et où elle casse.

densité Beta(a, b) intervalle exact bornes normales approchées

Loi a posteriori considérée

Intervalle exact (inversion numérique de la loi bêta)
Intervalle approché (loi normale)
Asymétrie de Beta(a,b)
Écart maximal des bornes
IV

Simulation prédictive contre la loi bêta-binomiale exacte

Monte-Carlo · 5 000 tirages

Pour prévoir le nombre de séances en hausse sur un horizon donné, on peut simuler : tirer une probabilité dans la loi bêta postérieure, puis jouer n séances à pile ou face biaisé. Une formule exacte existe pourtant — la loi bêta-binomiale — et sert ici de juge de paix face au tirage aléatoire.

histogramme Monte-Carlo loi bêta-binomiale exacte

Loi a posteriori et horizon

Moyenne simulée
Moyenne exacte (formule)
Variance simulée
Variance exacte (formule)
Majorité de hausses
P10 / P90
V

Le modèle a-t-il vraiment appris quelque chose ?

validation glissante · score de Brier

Les quatre planches précédentes supposent que la loi bêta est un bon modèle. On peut le vérifier honnêtement : à chaque séance t, on prédit avec tout ce qui a été observé avant t seulement (jamais après), puis on compare à ce qui s'est réellement passé. Le score de Brier moyenne le carré de l'erreur ; on le confronte à un pile ou face constant à 50 %, qui représente l'absence totale d'information exploitable.

probabilité prédite (glissante) hausse observée baisse observée
diagramme de fiabilité (par classe de probabilité) calibration parfaite (y = x)

Marché à biais stable (i.i.d.)

Chaque séance est indépendante, avec une probabilité de hausse constante p — cas le plus favorable à un modèle bêta.

Marché à régimes alternés

Le marché bascule entre une phase haussière et une phase baissière sans prévenir — le cas le plus défavorable pour un modèle sans mémoire courte.

Collez vos propres cours

Cours de clôture successifs, séparés par des espaces, virgules ou retours à la ligne. Le sens hausse/baisse est déduit des variations d'un cours au suivant.

Croyance initiale et fenêtre de test

Score de Brier — modèle bêta
Score de Brier — fréquence brute
Score de Brier — pile ou face