Analyse de Séries Temporelles

Étude des cotations de matières premières
Séries Temporelles R Régression Modélisation tidyverse ggplot2

Contexte

Ce projet, réalisé dans le cadre du BUT Science des Données (IUT Grand Ouest Normandie, 2024-2025), porte sur l'analyse de séries temporelles de cotations de matières premières observées depuis le 1er janvier 2010.

Les matières premières étudiées incluent :

  • ☕ Café (Futures café US C - USD)
  • 🍫 Cacao (Futures cacao US - USD)
  • 🍊 Jus d'orange (Futures jus d'orange - USD)
  • 🍬 Sucre (Futures sucre Londres - USD)
  • 🛢️ Pétrole Brent (Futures pétrole Brent - USD)

Source des données : Investing.com

Objectifs du projet

Mission 1 : Import et préparation des données
  • Extraction des données depuis des fichiers PDF avec tabulapdf
  • Structuration des données en tibble avec 5 variables par matière première :
    • Date : jour de cotation
    • Closed_Cotation : valeur à la fermeture
    • Opened_Cotation : valeur à l'ouverture
    • Highest_Cotation : valeur maximale journalière
    • Lowest_Cotation : valeur minimale journalière
Mission 2 : Analyses statistiques
  • Création de boxplots annuels pour visualiser les distributions
  • Analyse de l'évolution moyenne mensuelle avec courbes de régression lissées
  • Calcul et visualisation des taux d'évolution mensuels
  • Étude de l'association entre café et cacao (régression linéaire simple)
  • Analyse approfondie du pétrole Brent :
    • Détection de saisonnalité
    • Modélisation par régression linéaire par morceaux (2020-2024)
    • Identification des ruptures de tendance
    • Prévision sur 26 mois avec intervalle de confiance à 95%

Méthodologie

  1. Import et nettoyage des données PDF
  2. Exploration visuelle avec ggplot2 et facet_wrap()
  3. Calcul des statistiques descriptives et des corrélations
  4. Modélisation linéaire avec lm()
  5. Analyse des résidus et validation des modèles
  6. Prévisions avec predict() et intervalles de confiance

Résultats clés

🛢️ Modélisation du pétrole Brent (2020-2024)
  • Coefficient de détermination : R² = 92,67%
  • Pente du modèle : β₁ = 0,097 (soit +2,96 $/mois ou +35,56 $/an)
  • Points de rupture identifiés : plusieurs changements de tendance liés aux événements géopolitiques et économiques
  • Prévision : estimation sur 26 mois avec bande de confiance à 95%

Figure : Modélisation de la cotation du pétrole Brent (2020-2024) avec régression linéaire par morceaux. Le modèle identifie plusieurs ruptures de tendance et explique 92,67% de la variance (R² = 92,67%). La courbe verte représente le modèle de régression linéaire par morceaux, tandis que la courbe rouge montre le lissage des données.

Technologies utilisées

  • R (tidyverse, ggplot2)
  • tabulapdf (extraction PDF)
  • dplyr (manipulation de données)
  • lubridate (gestion des dates)
  • RStudio
  • Git & GitHub
  • R Markdown
  • Investing.com (source de données)

Livrables

Code R Rapport

Compétences acquises

  • Manipulation de séries temporelles
  • Extraction de données depuis PDF
  • Visualisation avancée avec ggplot2
  • Modélisation par régression
  • Détection de ruptures de tendance
  • Analyse de corrélation
  • Prévision avec intervalles de confiance
  • Interprétation de modèles économiques