Écart type mobile pour les séries temporelles | Standard Deviation Calculator

Qu’est-ce que l’écart type mobile ?

L’écart type mobile (également appelé écart type glissant ou volatilité rétrospective) calcule l’écart type sur une fenêtre temporelle glissante. Contrairement à l’écart type statique qui utilise l’ensemble des données historiques, l’écart type mobile se concentre sur les observations récentes, ce qui le rend essentiel pour détecter les changements de volatilité dans le temps.

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

Pourquoi l’écart type mobile est important

L’écart type statique traite toutes les données historiques de manière égale, mais la volatilité récente prédit souvent mieux la volatilité future que l’historique lointain. L’écart type mobile fournit une mesure actuelle et exploitable du risque qui s’adapte aux conditions changeantes du marché.

Comment calculer l’écart type glissant

À chaque instant, on calcule l’écart type des n dernières observations. En avançant dans le temps, la fenêtre glisse, utilisant toujours les n valeurs les plus récentes. Cela crée une série temporelle d’estimations de volatilité.

Définir la fenêtre

Choisir le nombre de périodes (par ex. 20 jours) à inclure dans chaque calcul.

Calculer le premier écart type

Calculer l’écart type des n premières observations.

Faire glisser la fenêtre

Avancer d’une période, retirer la plus ancienne valeur, ajouter la plus récente.

Répéter

Continuer jusqu’à la fin de la série de données.

python

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()

Les (fenêtre-1) premières valeurs seront NaN car il faut au moins n observations pour calculer. En pratique, vous pouvez utiliser le paramètre min_periods pour commencer les calculs plus tôt avec moins d’observations.

Choisir la bonne 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 bruitées et peuvent générer de faux signaux
Fenêtres moyennes (20-30 jours):Équilibre entre réactivité et stabilité ; 20 jours est le standard pour les bandes de Bollinger
Fenêtres longues (50-100 jours):Lisses et stables mais lentes à détecter les changements de régime ; adaptées à l’analyse de tendance

Astuce

Utilisez plusieurs tailles de fenêtre simultanément. Comparez les écarts types mobiles à 10, 20 et 50 jours pour comprendre à la fois les fluctuations à court terme et les tendances de volatilité à plus long terme. Une divergence entre ces fenêtres peut signaler un changement de régime.

Applications concrètes

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

Gestion des risques:Calculer la VaR (Value at Risk) en utilisant la volatilité récente plutôt que les moyennes historiques
Pricing d’options:Estimer les paramètres de volatilité implicite pour le modèle de Black-Scholes et autres
Gestion de portefeuille:Ajuster la taille des positions en fonction de la volatilité actuelle ; réduire l’exposition lors des pics de volatilité
Détection d’anomalies:Identifier les périodes inhabituelles où la volatilité actuelle s’écarte significativement de la moyenne mobile
Analyse technique:Bandes de Bollinger, canaux de Keltner et autres indicateurs fondés sur la volatilité

Les bandes de Bollinger

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.

Bollinger Bands

Upper Band = SMA(20) + 2 × Moving SD(20) Lower Band = SMA(20) - 2 × Moving SD(20)

Les bandes s’élargissent en période volatile et se resserrent en période calme. Les traders les utilisent pour :

Identifier les conditions de surachat/survente lorsque le prix touche les bandes
Détecter les « compressions » (faible volatilité) qui précèdent souvent les cassures
Fixer des stop-loss dynamiques adaptés aux 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 être suivie d’une forte volatilité, et inversement. Ce phénomène a été formalisé par Robert Engle (prix Nobel 2003) dans le modèle ARCH.

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

Prévisibilité:La volatilité de demain sera probablement similaire à celle d’aujourd’hui — vous pouvez anticiper le risque
Budget de risque:Réduire les positions en entrant dans les régimes de haute volatilité
Sélection de stratégie:Différentes stratégies de trading fonctionnent mieux dans différents environnements de volatilité

Mise en garde importante

Si la volatilité se regroupe, les changements de régime peuvent être soudains et spectaculaires. Des événements majeurs, des krachs boursiers ou des annonces politiques peuvent modifier les régimes de volatilité instantanément. L’écart type mobile accuse toujours un retard — le temps qu’il reflète la nouvelle réalité, le régime peut déjà avoir changé à nouveau.

← Centre d'Apprentissage