Moyenne glissante

Un article de Wikipédia, l'encyclopédie libre.
Aller à : navigation, rechercher
MovingAverage.GIF

La moyenne glissante, ou moyenne mobile, est un type de moyenne statistique utilisée pour analyser des séries ordonnées de données, le plus souvent des séries temporelles, en supprimant les fluctuations transitoires de façon à en souligner les tendances à plus long terme. Cette moyenne est dite mobile parce qu'elle est recalculée de façon continue, en utilisant à chaque calcul un sous-ensemble d'éléments dans lequel un nouvel élément remplace le plus ancien ou s'ajoute au sous-ensemble.

Ce type de moyenne est utilisé généralement comme méthode de lissage de valeurs, en particulier dans le domaine financier pour l'analyse technique de cours boursiers.

Mathématiquement, toute moyenne mobile est un exemple de convolution. Physiquement, une moyenne mobile est un filtre passe-bas et possède ainsi un lien profond avec le traitement du signal. En particulier, la moyenne mobile exponentielle, que nous allons aborder plus loin, est un filtre linéaire passe-bas du premier ordre tout à fait classique.

Moyenne mobile arithmétique[modifier | modifier le code]

Point de vue classique[modifier | modifier le code]

C'est une moyenne qui au lieu d'être calculée sur l'ensemble des n valeurs d'un échantillonnage, est calculée tour à tour sur chaque sous-ensemble de N valeurs consécutives (N \leqslant n); le sous-ensemble utilisé pour calculer chaque moyenne « glisse » sur l'ensemble des données.

Par exemple, le tableau suivant montre les moyennes mobiles simples sur 3 valeurs, pour une série de 9 mesures.

Mesures 2 3 5 8 8 7 8 5 2
Moyennes glissantes néant néant (2 + 3 + 5)/3
3,3333
(3 + 5 + 8)/3
5,3333
(5 + 8 + 8)/3
7
(8 + 8 + 7)/3
7,6666
(8 +7 + 8)/3
7,6666
(7 + 8 + 5)/3
6,6666
(8 + 5 + 2)/3
5

Autre exemple; dans le cas particulier du domaine de la pollution atmosphérique, est utilisée une « moyenne glissante sur 8 heures » de la concentration d'un polluant (c'est en l'occurrence le cas de l'ozone, en objectif de qualité pour la protection de la santé humaine) ; cette moyenne pourra être calculée de 0h00 à 8h00, de 1h00 à 9h00, de 2h00 à 10h00, etc. On recherchera, sur une journée, la valeur maximale de la moyenne glissante, qui devra être inférieure à une concentration donnée. L'intérêt d'une moyenne glissante est de lisser les éventuels écarts accidentels.

Le calcul successif de moyennes mobiles pour une même suite de nombres exige de conserver toutes les valeurs utilisées par les moyennes précédentes, afin de remplacer le terme le plus ancien par le plus récent.

Une formule permettant de calculer une moyenne mobile simple est

 \bar{x}_n = \frac{1}{N} \ \displaystyle{\sum_{k=0}^{N-1} \; {x_{n-k}}}\ \ ou \ \ \bar{x}_n = \bar{x}_{n-1} + \frac{ x_n - x_{n-N} }{N}

Nature du filtre constitué par la moyenne mobile arithmétique[modifier | modifier le code]

L'expression de gauche, ci-dessus, n'est autre qu'un produit de convolution discret entre un signal x_{n} et une fonction porte de hauteur \frac 1N. La transformée de Fourier de cette fonction est un sinus cardinal. Par conséquent, cette moyenne possède une réponse en fréquence potentiellement dérangeante, certaines variations de x_{n} étant reportées négativement dans \bar{x}_{n} et d'autres positivement. Cela est interprétable comme un déphasage passant brusquement d'un extrême à l'autre en fonction de la vitesse de variation des données.

Moyenne mobile pondérée[modifier | modifier le code]

Poids utilisés par une moyenne mobile pondérée de 15 valeurs.

Une moyenne pondérée est une moyenne qui utilise des coefficients pour donner un poids distinct à chaque valeur utilisée dans le calcul. Dans le cas d'une moyenne mobile pondérée, les poids de chaque terme décroissent linéairement, le plus récent ayant un poids de N et le plus ancien (le Nième) ayant un poids unitaire.

 \bar{x}_{M} = { n \; p_{M} + (n-1) \; p_{M-1} + \cdots + 2 \; p_{M-n+2} + p_{M-n+1} \over n + (n-1) + \cdots + 2 + 1}

Le dénominateur est un nombre triangulaire, et peut être directement calculé comme \frac{n \; (n+1)}{2}.

Comme la moyenne mobile simple, le calcul successif de moyennes mobiles pondérées pour une même suite exige de conserver toutes les valeurs utilisées par les moyennes précédentes.

Moyenne mobile exponentielle[modifier | modifier le code]

Point de vue classique[modifier | modifier le code]

Poids utilisés pour les 21 plus récentes valeurs composant une moyenne mobile exponentielle de décroissance \alpha=0.125 (N=15).

Une moyenne mobile exponentielle utilise une pondération des termes qui décroît exponentiellement. Le poids de chaque valeur participant à la moyenne (souvent désignée par le terme observation en statistiques) est d'un facteur plus grand que la valeur qui le précède dans la série, ce qui donne plus d'importance aux observations les plus récentes, sans toutefois jamais supprimer complètement l'effet des valeurs les plus anciennes.

Une constante de lissage contrôle le degré de décroissance des poids applicables à chaque observation participant à la moyenne. Cette constante, α, est un nombre compris entre 0 et 1 ; elle peut être exprimée :

  • par sa valeur numérique : \alpha=0.1;
  • en pourcentage : \alpha=10% équivaut à \alpha=0.1;
  • en nombre de périodes : \text{N}=19, où \scriptstyle\alpha\;=\textstyle\frac{2}{N+1} approximativement, équivaut également à \alpha=0.1.

Contrairement aux autres types de moyennes glissantes, le nombre de périodes \text{N} ne représente pas le nombre de valeurs participant à la moyenne ; il ne sert qu'à spécifier la constante de lissage α. En effet, chaque nouveau calcul de la moyenne mobile exponentielle ajoute l'effet de la plus récente observation sans en abandonner une plus ancienne. Le poids total des N plus récentes observations utilisées par une moyenne mobile exponentielle constitue environ 86 % du poids total avec la formule \scriptstyle\alpha\;=\textstyle\frac{2}{N+1} (la précision de cette formule augmente avec N) . Pour que N périodes pèsent précisément 86 % dans la moyenne (surtout requis lorsque N est petit), la formule exacte est \scriptstyle\alpha\;= 1-(1-0.86)^{1/N}.

Dans sa forme la plus simple, la moyenne pondérée exponentielle s'exprime en fonction de cette même moyenne calculée lors de la précédente période. Il en existe deux formulations:

Roberts[1] (1959):   \bar{x}_{t} = \alpha \; x_{t} + (1-\alpha) \; \bar{x}_{t-1}     ——      Hunter[2] (1986):    \bar{x}_{t} = \alpha \; x_{t-1} + (1-\alpha) \; \bar{x}_{t-1}

On peut écrire différemment ces expressions pour souligner que la moyenne mobile exponentielle tend à conserver sa valeur précédente, n'en différant que par une fraction de sa différence avec la plus récente observation:

Roberts (1959):    \bar{x}_{t} = \bar{x}_{t-1} + \alpha \; ( x_{t} - \bar{x}_{t-1} )     ——      Hunter (1986):    \bar{x}_{t} = \bar{x}_{t-1} + \alpha \; ( x_{t-1} - \bar{x}_{t-1} )

Une moyenne mobile exponentielle doit être initialisée; le plus souvent, on impose \bar{x}_1 = x_{1} mais on peut également, par exemple, lui assigner une moyenne simple des 4 ou 5 premières observations. L'effet de l'initialisation de \bar{x}_1 sur les moyennes mobiles ultérieures dépend de \displaystyle\alpha; de plus grandes valeurs de la constante de lissage tendent à atténuer plus rapidement l'impact des observations plus anciennes. En effet, l'expansion de la forme de Roberts en y substituant récursivement les moyennes mobiles exponentielles des calculs précédents donne une somme infinie, mais puisque l'expression 1-α est inférieure à 1, les termes anciens sont de plus en plus petits et peuvent éventuellement être ignorés.

\bar{x}_{t} = \alpha \; \Big( x_t + (1-\alpha) \; x_{t-1} + (1-\alpha)^2 \; x_{t-2} + (1-\alpha)^3 \; x_{t-3} + \cdots \Big)
\bar{x}_{t} = \displaystyle\sum_{n=0}^{\infty} \alpha(1-\alpha)^nx_{t-n}

En posant \beta = (1-\alpha),\ \beta \in [0,1] et en remarquant que \frac{1}{\alpha} = \frac{1}{1-\beta} = 1 + \beta + \beta^2 + ... + \beta^n + ..., on a:

\bar{x}_{t} = \lim_{n \to \infty} \frac{x_t + \beta\ x_{t-1} + \beta^2\ x_{t-2}\ + ... +\ \beta^n\ x_{t-n}}{1 + \beta + \beta^2 + ... + \beta^n}

Nature du filtre constitué par la moyenne mobile exponentielle[modifier | modifier le code]

L'expression \scriptstyle \sum_{n=0}^{\infty} \alpha(1-\alpha)^nx_{t-n}, ci-avant, n'est autre qu'un produit de convolution discret entre un signal \scriptstyle x_{t} et un filtre passe-bas du premier ordre. En effet, en écrivant \scriptstyle \alpha(1-\alpha)^n sous la forme \scriptstyle \frac{\alpha}{\ln{\frac{1}{1-\alpha}}} \ln{\frac{1}{1-\alpha}} e^{-n \ln{\frac{1}{1-\alpha}}}, on identifie la réponse impulsionnelle d'un filtre passe bas du premier ordre d'amplification \scriptstyle -\frac{\alpha}{\ln(1-\alpha)} et dont la pulsation de coupure est \scriptstyle -\ln(1-\alpha), exprimée en radians/échantillon. \scriptstyle \ln(1-\alpha) est négatif, les paramètres du filtre sont donc bien positifs.

Pour considérer des formes plus adaptées au contexte, notons que la fréquence de coupure est de \scriptstyle -\frac{\ln(1-\alpha)}{2 \pi} cycles/échantillon, soit une période de coupure de \scriptstyle -\frac{2 \pi}{\ln(1-\alpha)} échantillons. Concrètement, lorsque \scriptstyle x_{t} varie assez rapidement, lorsque \scriptstyle x_{t} fluctue en moins de \scriptstyle -\frac{2 \pi}{\ln(1-\alpha)} échantillons, la fluctuation se retrouve dans \scriptstyle \bar{x}_{t} mais est d'autant plus affaiblie qu'elle est rapide. Plus précisément, l'atténuation est de 20 dB/décade.

Par conséquent, la moyenne mobile exponentielle souffre du principal défaut des filtres passe bas classiques, à savoir un déphasage des données. Cela se traduit par un retard entre l'évolution de \scriptstyle \bar{x}_{t} et l'évolution des données \scriptstyle x_{t}, et ce retard dépend de la rapidité de l'évolution.

Autres types de moyennes[modifier | modifier le code]

Tout comme il existe une infinité de filtres dans le domaine du traitement du signal, il existe une infinité de moyennes glissantes. Nous avons abordé dans cet article les plus courantes et avons évoqué leurs particularités dans l'espace de Fourier. Nous nous apercevons qu'elles entraînent des déphasages qui nuisent à la qualité des résultats. Nous aurions pu aborder aussi les problématiques spectrales soulevées par l'échantillonnage sous-jacent aux produits de convolution discrets.

Une moyenne moins commune possède de meilleures caractéristiques. Elle se réalise par un filtre gaussien récursif. Bien qu'un filtre gaussien récursif parfait n'existe pas, il existe d'excellentes approximations d'ordre 4 grâce auxquelles seuls les défauts liés à l'échantillonnage subsistent (voir, par exemple, Deriche 1993). En effet, la transformée de Fourier d'une gaussienne est une gaussienne. Par conséquent, elle ne présente aucun déphasage, à contrario de la moyenne mobile exponentielle, et aucune oscillation, à contrario de la moyenne mobile arithmétique. Mais les calculs sont plus lourds (un filtre quasi-gaussien d'ordre 4 nécessite environ 16 opérations par valeur) et ces caractéristiques idéales ne sont rencontrées que si la moyenne est réalisée sur des données connues d'avance (un déphasage apparaît si seule la partie causale du filtre est utilisée).

Réponses impulsionnelles[modifier | modifier le code]

On peut voir sur le graphique ci-contre la réponse impulsionnelle pour deux types de moyennes. On peut y lire les valeurs de la pondération utilisée, à une symétrie près (résultat Metastock v10).

Réponse à une impulsion pour des indicateurs SMA/EMA (N=20, Metastock v10)

Mise en application sur trading[modifier | modifier le code]

La négociation sur les marchés financiers à l’aide des moyennes mobiles est largement répandue. La meilleure solution pour profiter des tendances consiste en l’utilisation d’une moyenne mobile courte ( Exemple : MM20 ) et une moyenne mobile longue ( Ex : MM50 ). Le croisement à la baisse de la moyenne mobile courte de la moyenne mobile longue indique un signal baissier alors qu’un croisement à la hausse de la Moyenne Mobile courte de la Moyenne Mobile Longue donne un signal Haussier. Le principe est similaire selon que les Moyennes Mobiles soient exponentielles ou arithmétiques. Les moyennes mobiles agissent également en tant que filtres. Par exemple, un signal haussier sur un autre indicateur de tendance ( ex : MACD ) sera plus pertinent si le cours évolue au-dessus de sa moyenne mobile.[3]

Notes[modifier | modifier le code]

Article connexe[modifier | modifier le code]

Liens externes[modifier | modifier le code]