Présentation

Les données économiques se déplacent rarement en ligne droite. Au lieu de cela, elles se déplacent souvent en vagues – en hausse et en baisse dans des cycles prévisibles liés aux saisons, aux expansions d'entreprises, aux échéances institutionnelles ou aux rythmes naturels. La fonction cosine, concept fondamental de la trigonométrie, fournit un cadre mathématique naturel pour capter ces mouvements périodiques.

Cet article explore comment les fonctions cosinus sont appliquées dans l'analyse quantitative des données économiques périodiques. Nous examinons les fondements mathématiques, nous passons à travers les applications du monde réel dans l'ajustement saisonnier, l'analyse du cycle économique et la modélisation des prix des produits de base, et nous discutons des étapes pratiques de mise en œuvre.

Nature des données économiques périodiques

La périodicité des données économiques provient d'une large gamme de sources. Les rejets trimestriels du PIB, les ventes mensuelles au détail, les réclamations hebdomadaires sans emploi et les rendements agricoles annuels sont tous des modèles qui se répètent à intervalles fixes. Certains de ces cycles sont motivés par des effets calendaires : dépenses de vacances, délais fiscaux, calendriers scolaires.

Les économistes classent la périodicité comme l'une ou l'autre déterministe (prédictible et stable au fil du temps) ou stochastique La fonction cosine excelle dans la modélisation des cycles déterministes, mais elle sous-tend aussi des modèles stochastiques plus complexes utilisés dans l'économométrie moderne, tels que les modèles de composants non observés et les cadres d'espace d'état.

Cosine comme outil de modélisation : Fondations mathématiques

La fonction cosine produit une onde lisse et continue qui répète tous les 360° (2π radians).Dans l'analyse des séries temporelles, elle représente un seul composant oscillatoire. En ajustant l'amplitude, la fréquence, la phase et la base de référence, les analystes peuvent adapter une courbe cosine aux données observées et extraire des informations sur le cycle sous-jacent.

Le modèle standard de cosinus

Modèle de cosinus typique pour une série chronologique périodique Y(t) est écrit comme suit:

Y(t) = A · cos(-)t + φ) + C

  • A (Amplitude) – Détermine la hauteur de la vague, qui représente l'ampleur de la variation cyclique au-dessus ou au-dessous de la moyenne de la série.
  • Φ (fréquence angulaire) – Contrôle la rapidité avec laquelle le cycle se répète. T satisfait Φ = 2π/T. Pour les données annuelles, T = 1 an; pour les données mensuelles, T = 12 mois.
  • ι (Shift en phase) – Déplacement horizontal de l'onde, indiquant où commence le cycle par rapport à l'origine temporelle.
  • C (Déplacement vertical ou base de référence) – Représente le niveau moyen à long terme de la série, souvent supprimé pendant la déflexion.

Dans la pratique, un seul terme de cosine suffit rarement pour des séries économiques réelles. Analyse de Fourier—à environ presque tous les motifs répétés.

Décomposition de Fourier et analyse spectrale

L'analyse de Fourier décompose une série chronologique en une somme de composants sinusoïdaux à différentes fréquences. Chaque composant a sa propre amplitude et sa propre phase. Le spectre de puissance – un diagramme d'amplitude au carré contre fréquence – révèle des cycles qui dominent la série. Par exemple, une série mensuelle de ventes au détail affiche généralement des pics forts à la fréquence 1/12 (cycle annuel) et parfois à 1/6 (cycle semestriel).

Cette approche spectrale est largement utilisée en économétrie pour identifier les fréquences du cycle économique (p. ex., de 4 à 8 ans) ou les modèles saisonniers. La fonction cosinusale est centrale parce qu'elle fournit les fonctions de base de la transformation. Investopedia offre un aperçu clair de l'analyse de Fourier dans le domaine financier- Oui.

Principales applications de l'analyse économique

Les modèles basés sur les cosinus sont appliqués dans de nombreux domaines économiques et financiers. Ci-dessous nous détaillons les cas d'utilisation les plus courants, chacun avec un contexte pratique.

Ajustement et prévision saisonniers

De nombreux indicateurs économiques présentent de fortes tendances saisonnières : hausse des ventes au détail en décembre, baisse de l'activité de construction en janvier, pics touristiques en juillet. correction saisonnière, est une pratique courante dans les organismes statistiques comme le Bureau of Economic Analysis des États-Unis et le Census Bureau.

Les modèles de cosinus permettent d'estimer de façon simple la composante saisonnière. En installant un ou plusieurs termes de cosinus à des fréquences saisonnières, l'analyste saisit la forme récurrente. Les valeurs saisonnières ajustées peuvent ensuite être soustraites des données brutes. De plus, le modèle peut être étendu pour produire des prévisions saisonnières, en supposant que la tendance demeure stable.

Les méthodes modernes d'ajustement saisonnier, comme X-13ARIMA-SEATS, combinent des moyennes mobiles avec des régresseurs qui incluent des termes trigonométriques. L'approche basée sur le cosinus est donc à la fois un outil autonome et un élément de construction dans des cadres plus sophistiqués.

Analyse du cycle économique

Le rythme d'expansion-contraction de l'économie est au cœur de la macroéconomie. Alors que les cycles économiques réels sont irréguliers – les longueurs de boom et de buste varient – une onde de cosine peut servir de base stylisée.

Par exemple, en utilisant les données trimestrielles du PIB des États-Unis de 1950 à 2023, un modèle de cosinus pourrait révéler un cycle dominant d'environ 5 à 6 ans. Cette information aide les décideurs et les investisseurs à établir les conditions actuelles : l'économie est-elle supérieure ou inférieure à sa moyenne cyclique? Avons-nous un pic ou un creux? Bien que le modèle ne puisse prédire avec certitude les points de tournant, il fournit un point de repère par rapport auquel les écarts peuvent être mesurés.

Le Bureau national de la recherche économique maintient des dates officielles de cycle économique, qui peut être comparé avec des estimations basées sur le cosinus.

Cycles des prix des produits de base

Les produits de base comme le pétrole brut, le cuivre, le blé et le ventre de porc présentent souvent des fluctuations cycliques des prix, qui sont dues aux déséquilibres entre l'offre et la demande, aux coûts de stockage et aux retards de production.

En inscrivant un cosinus aux données historiques sur les prix, les analystes peuvent évaluer si les prix actuels sont supérieurs ou inférieurs à la moyenne cyclique et estimer le moment où le prochain tournant est susceptible de se produire.

Modélisation des taux d'intérêt et des courbes de rendement

Dans l'analyse des revenus fixes, les modèles tels que Nelson-Siegel et Svensson utilisent des composantes exponentielles combinées avec des termes trigonométriques pour représenter la forme de la courbe de rendement. Plus précisément, le facteur de -curvature , dans ces modèles, peut être exprimé en utilisant une fonction de maturité semblable à une cosine. Cela permet une représentation parcimonieuse de la structure de terme tout en captant les bosses périodiques qui apparaissent à des fins courtes et longues.

Mise en oeuvre pratique : Guide étape par étape

L'élaboration d'un modèle fondé sur le cosinus implique un processus systématique. Ci-dessous, nous décrivons les étapes clés, en tenant compte des pièges communs.

Étape 1: Détendre et désaisonnaliser (préliminaire)

La plupart des séries chronologiques économiques contiennent des tendances à long terme qui doivent être supprimées avant d'isoler les composantes cycliques. Les méthodes standard comprennent la différenciation (en prenant d'abord ou les différences saisonnières), l'application du filtre Hodrick-Prescott, ou l'adaptation d'une tendance polynôme ou spline. L'objectif est d'obtenir une série stationnaire centrée près de zéro, où la variation restante est principalement cyclique et le bruit irrégulier.

Étape 2 : Identifier les fréquences dominantes

Pour les données mensuelles, consultez les pics à 12 mois (annuels), 6 mois (semi-annuels), 3 mois (trimestres), etc. Pour les cycles économiques du PIB trimestriel, regardez les fréquences correspondant à des périodes comprises entre 6 et 32 trimestres (1,5 à 8 ans). Autres (emballage ), Python , et MATLAB fournir des fonctions de parodogramme.

Étape 3: Adapter le modèle de cosinus

La phase φ est la plus difficile à estimer car elle est sensible aux valeurs initiales. Une bonne pratique est d'effectuer une recherche de grille sur les déplacements de phase possibles et de choisir celle qui minimise la somme résiduelle des carrés. Python, fonctionne bien; Autres, la fonction ou le paquet s avec les termes Fourier peuvent être utilisés.

Étape 4: Valider le modèle

Vérifier les résidus pour l'autocorrélation (test Ljung-Box), l'hétéroscédasicité et la normalité. Si les résidus présentent des patrons systématiques, envisager d'ajouter plus de termes cosinus (harmoniques) ou de passer à un modèle plus flexible comme ARIMA avec des mannequins saisonniers.

Étape 5: Prévisions

Une fois validée, étendre l'onde de cosinus dans l'avenir. Générer des intervalles de confiance en utilisant des formules de piquage ou d'analyse qui expliquent l'incertitude des paramètres. Pour les prévisions en plusieurs étapes, être conscient que les petites erreurs de fréquence ou de phase s'accumulent au fil du temps, les horizons de prévision devraient donc être limités par rapport à la longueur du cycle.

Le manuel Prévision: Principes et pratiques a un excellent chapitre sur la saisonnalité complexe, y compris les termes de Fourier.

Avantages des modèles basés sur la cosine

  • Interprétation claire : Chaque paramètre correspond directement à un concept économique — amplitude = volatilité, fréquence = longueur du cycle, phase = chronométrage, ce qui rend les résultats accessibles aux intervenants non techniques.
  • Parcimonie: Un cycle unique peut être capté avec aussi peu que trois ou quatre paramètres, réduisant le risque de suradaptation par rapport aux modèles ARIMA ou réseau neuronal à haut ordre.
  • Efficacité informatique: L'installation d'un modèle de cosinus est rapide, même avec des milliers d'observations. Cela le rend adapté pour l'analyse itérative et la mise à jour en temps réel.
  • Fondation pour les méthodes avancées: Les termes cosinus sont des éléments de base pour l'analyse de Fourier, les transformations d'onde (qui utilisent des ondes de type cosinus localisés) et les modèles d'espace d'état qui permettent des paramètres de temps variable.
  • Lisseté: Les cycles qui en résultent sont lisses, ce qui facilite la communication visuelle et réduit l'amplification du bruit dans les prévisions.

Défis et limites

Malgré ces forces, les modèles cosinus présentent des limites importantes que les analystes doivent respecter.

Hypothèse de la périodicité fixe

En réalité, les cycles économiques changent au fil du temps en raison de changements structurels, d'interventions politiques, de progrès technologiques ou de chocs aléatoires. Un modèle qui correspond aux données des années 1990 peut échouer de façon spectaculaire dans les années 2020. Par exemple, la période de -Grand Moderation de la volatilité réduite du milieu des années 1980 à 2007 ne serait pas capturée par une cosine à amplitude fixe.

Incapacité de gérer l'asymétrie

Les expansions économiques sont généralement plus longues et plus progressives que les contractions, souvent nettes et courtes. Une onde de cosine symétrique ne peut représenter cette asymétrie. Les analystes peuvent avoir besoin d'utiliser des modèles séparés pour les expansions et les contractions ou intégrer des caractéristiques non linéaires telles que les effets de seuil.

Sensibilité aux aberrations et aux ruptures structurelles

Les événements extrêmes, une pandémie, une crise financière, une catastrophe naturelle, peuvent fausser les estimations des paramètres et masquer le véritable cycle sous-jacent. Des techniques d'estimation robustes (p. ex. perte de Huber, repondération itérative) ou un ajustement antérieur plus aberrant sont nécessaires.

Ambiguité du changement de phase

Le paramètre phase dépend du choix arbitraire de l'origine temporelle (t=0). La comparaison des phases entre les différentes séries nécessite de les aligner sur le même calendrier ou point de référence économique. De plus, de petits changements de données peuvent causer de grands sauts dans la phase estimée, ce qui rend instable pour les séries courtes.

Intégration avec les méthodes complémentaires

Pour remédier à ces limitations, les modèles de cosinus sont rarement utilisés isolément. Ils sont souvent intégrés dans des cadres de modélisation plus larges :

  • ARIMA + Fourier: L'ajout de termes Fourier à un modèle ARIMA permet de capter la saisonnalité avec souplesse tout en permettant à la partie ARIMA de gérer la dynamique à court terme et la non-stationnalité. La fonction dans R et dans Python=s implémente ceci.
  • Modèles d'espace d'État: Traiter l'amplitude et la phase du cosinus comme des états non observés qui peuvent évoluer au fil du temps par une marche aléatoire, ce qui permet au cycle de s'adapter lentement aux changements, une hypothèse plus réaliste.
  • L'apprentissage automatique : Les caractéristiques de la cosine (couples de sinus/cos aux fréquences saisonnières) sont introduites dans des modèles de régression (LASO, forêt aléatoire, stimulation du gradient) en tant que variables d'entrée. L'apprenant peut ensuite saisir les interactions non linéaires entre le cycle et d'autres prédicteurs.
  • Analyse par valvule : Contrairement à l'analyse de Fourier, qui utilise des fonctions de base globales, les ondulateurs utilisent des fonctions oscillatoires localisées qui permettent de suivre les changements de fréquence d'une série au fil du temps.

Logiciels et outils pour la mise en œuvre

Les praticiens ont accès à une large gamme d'options logicielles pour l'analyse par cosinus :

  • C'est un peu comme ça. Les paquets , , , et offrent des fonctions pour l'ajustement sinusoïdal, l'analyse spectrale et la décomposition saisonnière.
  • Python : Bibliothèques pour le réglage de la courbe, pour SA, pour les transformations de Fourier, et pour la visualisation.
  • - C'est pas vrai. , , et la boîte à outils Économétrique pour les modèles d'espace d'état.
  • EViews et Statistiques: Les paquets économétriques avec interfaces point-et-clic pour l'ajustement saisonnier, l'analyse spectrale et la régression non linéaire.
  • C'est un peu comme ça. Montage de base en cosinus via Solver pour l'optimisation, mais pas recommandé pour les ensembles de données grands ou complexes.

Étude de cas : Saisonnalité des ventes au détail

Considérez les données mensuelles des ventes au détail aux États-Unis de janvier 2010 à décembre 2019, période exempte de perturbations majeures. Après avoir supprimé une tendance linéaire (en raison d'une croissance économique soutenue), un parodogramme révèle un pic marqué à un cycle de 12 mois.

Ventes t = 10,2 · cos(2π t/12 + 0,85) + (tendance)

L'amplitude de 10,2 (milliards de dollars) indique la variation saisonnière typique. La phase indique que le pic se produit en décembre (achats de vacances) et le creux en janvier. Les valeurs saisonnières ajustées correspondent étroitement aux facteurs saisonniers officiels publiés par le Bureau du recensement.

Pour améliorer la précision, un deuxième harmonique à la fréquence 1/6 mois est ajouté:

Ventes t = 10,2 cos(-) t + 0,85) + 2,1 cos(2-) t + 1,3) + (tendance)

La validation d'une année de retenue (2019) montre que le modèle à deux terme réduit l'erreur de prévision carrée moyenne de 15 % par rapport au modèle à un seul terme. Cette précision permet au détaillant de planifier l'inventaire et la dotation en personnel avec confiance.

Conclusion

La fonction cosinusienne reste un outil précieux et intuitif dans l'analyse quantitative des données économiques périodiques. Sa capacité à distiller un comportement cyclique complexe en un petit ensemble de paramètres interprétables aide à la fois la prévision et la compréhension. Bien que les cycles économiques réels marchent rarement vers un rythme sinusoïdal parfait, les modèles cosinusaux servent de base à la prise de décision dans des domaines allant de la politique macroéconomique à la gestion des risques financiers.

Les analystes qui maîtrisent cet outil obtiennent un objectif clair pour observer les modèles rythmiques de l'économie — des modèles qui, malgré des perturbations occasionnelles, se répètent souvent de façon reconnaissable au fil du temps. La clé est de se rappeler que le modèle est une simplification, pas une réalité. En reconnaissant ses hypothèses et ses limites, vous pouvez déployer efficacement l'analyse basée sur le cosinus, sachant quand il il il illuminera et quand il peut induire en erreur.