Écart type mobile pour les séries temporelles

Qu’est-ce que l’écart type mobile?

L’écart type mobile (aussi appelé écart type glissant ou volatilité historique) calcule l’écart type sur une fenêtre glissante dans le temps. Contrairement à l’écart type statique qui utilise toutes les données historiques, l’écart type mobile se concentre sur les observations récentes, ce qui le rend essentiel pour détecter les changements de volatilité au fil du temps.

Cette technique est fondamentale sur les marchés financiers, où la volatilité n’est pas constante mais change au fil du temps. Une action peut être calme pendant des mois, puis devenir soudainement très volatile lors d’annonces de résultats ou de crises de marché. L’écart type mobile capture cette dynamique en temps réel.

Comment calculer l’écart type glissant

Pour chaque point dans le temps, calculez l’écart type des n points de données précédents. À mesure que vous avancez, la fenêtre glisse, utilisant toujours les n valeurs les plus récentes. Cela crée une série temporelle d’estimations de volatilité.

import pandas as pd
import numpy as np

# Load your time series data
df = pd.read_csv('stock_prices.csv')

# 20-day rolling standard deviation
df['rolling_std_20'] = df['returns'].rolling(window=20).std()

# Annualized volatility (assuming daily returns)
df['annualized_vol'] = df['rolling_std_20'] * np.sqrt(252)

# Multiple windows for comparison
df['rolling_std_10'] = df['returns'].rolling(window=10).std()
df['rolling_std_50'] = df['returns'].rolling(window=50).std()

Notez que les premières (fenêtre-1) valeurs seront NaN puisque vous avez besoin d’au moins n observations pour calculer. En pratique, vous pouvez utiliser le paramètre min_periods pour commencer à calculer plus tôt avec moins d’observations.

Choisir la bonne taille de fenêtre

La taille de la fenêtre crée un compromis entre réactivité et stabilité :

• Fenêtres courtes (5-10 jours):Réagissent rapidement aux changements de volatilité mais sont bruyantes et peuvent produire de faux signaux
• Fenêtres moyennes (20-30 jours):Équilibrent réactivité et stabilité; 20 jours est la norme de l’industrie pour les bandes de Bollinger
• Fenêtres longues (50-100 jours):Lisses et stables mais lentes à détecter les changements de régime; bonnes pour l’analyse de tendance

Applications concrètes

L’écart type mobile est largement utilisé en finance et en science des données :

• Gestion du risque:Calculer la valeur à risque (VaR) en utilisant la volatilité récente plutôt que les moyennes historiques
• Évaluation des options:Estimer les paramètres de volatilité implicite pour les modèles Black-Scholes et autres
• Gestion de portefeuille:Ajuster la taille des positions en fonction de la volatilité actuelle; réduire l’exposition quand la volatilité augmente
• Détection d’anomalies:Repérer les périodes inhabituelles quand la volatilité actuelle s’écarte significativement de la moyenne mobile
• Analyse technique:Bandes de Bollinger, canaux de Keltner et autres indicateurs basés sur la volatilité

Les bandes de Bollinger expliquées

Les bandes de Bollinger sont l’application la plus célèbre de l’écart type mobile. Développées par John Bollinger dans les années 1980, elles créent une enveloppe dynamique autour du prix qui s’adapte à la volatilité.

Les bandes s’élargissent pendant les périodes volatiles et se contractent pendant les périodes calmes. Les négociants les utilisent pour :

• Identifier les conditions de surachat/survente quand le prix touche les bandes
• Détecter les « compressions » (faible volatilité) qui précèdent souvent des cassures
• Établir des ordres stop-loss dynamiques basés sur les conditions actuelles du marché

Regroupement de volatilité

L’un des faits empiriques les plus importants en finance est que la volatilité se regroupe — une forte volatilité tend à suivre une forte volatilité, et une faible tend à suivre une faible. Cela a été formalisé par Robert Engle (prix Nobel 2003) dans le modèle ARCH.

L’écart type mobile révèle ce regroupement visuellement. Quand vous tracez la volatilité glissante au fil du temps, vous verrez des régimes clairs de forte et faible volatilité plutôt que des fluctuations aléatoires. Cela a des implications profondes :

• Prévisibilité:La volatilité de demain sera probablement semblable à celle d’aujourd’hui — vous pouvez anticiper le risque
• Budget de risque:Réduire les positions en entrant dans des régimes de forte volatilité
• Choix de stratégie:Différentes stratégies de négociation fonctionnent mieux dans différents environnements de volatilité