""" Exemple sur DONNÉES FICTIVES pour l'article « Une prévision sans fourchette n'est pas une prévision ». Aucune donnée réelle. Tous les comptes, montants et résultats sont générés ci-dessous avec une graine fixe : relancer le script redonne les mêmes chiffres. Dépendance : numpy (testé avec numpy >= 1.24). Exécution : python3 -I ce_fichier.py """ import numpy as np rng = np.random.default_rng(20261113) N, T = 1200, 36 # 1 200 comptes fictifs, 36 mois de soldes de fin de mois T_TRAIN = 24 # on prévoit depuis le mois 24 HORIZONS = (3, 6, 12) NOMINAL = 0.80 Z80 = 1.2815515655446004 # quantile 90 % de la loi normale -> intervalle central à 80 % # Deux profils fictifs : revenus réguliers (70 %) et revenus irréguliers (30 %) irregular = rng.random(N) < 0.30 drift = np.where(irregular, rng.normal(40, 60, N), rng.normal(60, 40, N)) # € / mois scale = np.where(irregular, rng.uniform(250, 500, N), rng.uniform(80, 160, N)) # Variations mensuelles : loi de Student (queues épaisses) pour les irréguliers, normale sinon noise = np.where(irregular[:, None], rng.standard_t(3, (N, T)) * scale[:, None], rng.normal(0, 1, (N, T)) * scale[:, None]) # Pour un tiers des comptes irréguliers : un changement de régime après le mois 24 # (la dépense mensuelle augmente de 150 à 400 €), invisible dans l'historique regime = irregular & (rng.random(N) < 1 / 3) shift = np.zeros((N, T)) shift[regime, T_TRAIN:] = -rng.uniform(150, 400, regime.sum())[:, None] changes = drift[:, None] + noise + shift balance = 1500 + np.cumsum(changes, axis=1) hist = changes[:, :T_TRAIN] mu_hat = hist.mean(axis=1) # tendance estimée sur l'historique sigma_hat = hist.std(axis=1, ddof=1) # dispersion estimée sur l'historique b0 = balance[:, T_TRAIN - 1] def point_and_naive(h): yhat = b0 + h * mu_hat half = Z80 * sigma_hat * np.sqrt(h) # hypothèse : variations indépendantes et normales return yhat, yhat - half, yhat + half def interval_score(y, lo, hi, alpha=1 - NOMINAL): # Score d'intervalle (Gneiting & Raftery) : largeur + pénalité pour chaque point manqué return (hi - lo) + (2 / alpha) * (lo - y) * (y < lo) + (2 / alpha) * (y - hi) * (y > hi) def wilson(k, n, z=1.959963984540054): p = k / n d = 1 + z**2 / n c = (p + z**2 / (2 * n)) / d m = z * np.sqrt(p * (1 - p) / n + z**2 / (4 * n**2)) / d return c - m, c + m # Séparation des comptes : moitié calibration, moitié test (tirage aléatoire) perm = rng.permutation(N) cal, test = perm[: N // 2], perm[N // 2:] def report(name, idx, lo, hi, y): inside = (y[idx] >= lo[idx]) & (y[idx] <= hi[idx]) k, n = inside.sum(), len(idx) a, b = wilson(k, n) width = np.median(hi[idx] - lo[idx]) isc = np.mean(interval_score(y[idx], lo[idx], hi[idx])) print(f" {name:<28} couverture {k/n:6.1%} [IC95 {a:5.1%} ; {b:5.1%}] " f"largeur médiane {width:7.0f} € score moyen {isc:7.0f} €") for h in HORIZONS: y = balance[:, T_TRAIN - 1 + h] yhat, lo_n, hi_n = point_and_naive(h) print(f"\nHorizon {h} mois (fourchette nominale {NOMINAL:.0%}) — {len(test)} comptes de test") report("Naïve, tous", test, lo_n, hi_n, y) report("Naïve, réguliers", test[~irregular[test]], lo_n, hi_n, y) report("Naïve, irréguliers", test[irregular[test]], lo_n, hi_n, y) # Recalibrage conforme (split conformal) sur l'écart normalisé |y - ŷ| / (σ̂ √h) s = np.abs(y - yhat) / (sigma_hat * np.sqrt(h)) def q_conf(ix): n = len(ix) level = min(1.0, np.ceil((n + 1) * NOMINAL) / n) return np.quantile(s[ix], level, method="higher") q_all = q_conf(cal) lo_c = yhat - q_all * sigma_hat * np.sqrt(h) hi_c = yhat + q_all * sigma_hat * np.sqrt(h) report("Conforme global, tous", test, lo_c, hi_c, y) report("Conforme global, réguliers", test[~irregular[test]], lo_c, hi_c, y) report("Conforme global, irréguliers", test[irregular[test]], lo_c, hi_c, y) # Recalibrage conforme par profil (un quantile par groupe) q_g = np.where(irregular, q_conf(cal[irregular[cal]]), q_conf(cal[~irregular[cal]])) lo_g = yhat - q_g * sigma_hat * np.sqrt(h) hi_g = yhat + q_g * sigma_hat * np.sqrt(h) report("Conforme par profil, tous", test, lo_g, hi_g, y) report("Conforme par profil, régul.", test[~irregular[test]], lo_g, hi_g, y) report("Conforme par profil, irrég.", test[irregular[test]], lo_g, hi_g, y) print(f" multiplicateur naïf {Z80:.2f} ; conforme global {q_all:.2f} ; " f"par profil régul. {q_conf(cal[~irregular[cal]]):.2f} / irrég. {q_conf(cal[irregular[cal]]):.2f}") print(f"\nComptes de test : {len(test)} dont irréguliers {irregular[test].sum()} ; " f"comptes avec changement de régime (tous) : {regime.sum()}")