💰 quantitative finance

BASTION: A Bayesian Framework for Trend and Seasonality Decomposition

Cet article présente BASTION, un cadre bayésien flexible qui identifie de manière unique et décompose de façon robuste les séries temporelles en une composante de tendance et plusieurs composantes de saisonnalité tout en gérant efficacement les changements brusques, les valeurs aberrantes et la volatilité variable dans le temps, offrant ainsi une quantification de l'incertitude supérieure par rapport aux méthodes existantes.

Auteurs originaux : Jason B. Cho, David S. Matteson

Publié 2026-01-27

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Jason B. Cho, David S. Matteson

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous écoutez une pièce de musique complexe. Elle possède une ligne de basse constante (la tendance), une mélodie répétitive qui revient toutes les quelques mesures (la saisonnalité), et parfois des screechs soudains d'un violon ou un coup de batterie qui ne respectent pas le rythme (valeurs aberrantes et bruit).

Pendant longtemps, les statisticiens ont tenté de séparer ces sons pour mieux comprendre la chanson. Mais les outils existants ont souvent du mal : ils peuvent trop lisser les screechs soudains, se laisser confondre lorsque la mélodie change de vitesse, ou ne pas vous dire à quel point ils sont sûrs de leur estimation.

Les auteurs de cet article, Jason B. Cho et David S. Matteson, présentent un nouvel outil appelé BASTION (Bayesian Adaptive Seasonality and Trend DecompositION). Considérez BASTION comme un ingénieur du son hautement intelligent et flexible, capable de séparer la musique en ses parties les plus pures avec une précision incroyable.

Voici comment fonctionne BASTION, en utilisant des analogies simples :

1. Le « Filtre Intelligent » (Rétrécissement Global-Local)

Imaginez que vous essayez de nettoyer une fenêtre boueuse.

Les anciennes méthodes sont comme l'utilisation d'une brosse géante et rigide. Si vous frottez trop fort, vous effacez la belle image derrière la vitre (le signal réel). Si vous frottez trop doucement, la boue reste (le bruit).
BASTION utilise un « filtre intelligent ». Il possède un réglage global qui garde toute la fenêtre propre, mais il possède aussi des capteurs locaux. S'il détecte une tache soudaine et nette (un changement brusque dans la tendance), il sait qu'il doit frotter plus fort précisément à cet endroit sans gâcher le reste de l'image. S'il voit un minuscule grain de poussière (le bruit), il l'ignore délicatement. Cela lui permet de conserver les courbes fluides de la chanson tout en capturant les changements soudains et dramatiques.

2. Le « Détective Mathématique » (Résoudre l'énigme de l'identité)

Lorsque vous essayez de séparer la ligne de basse de la mélodie, il arrive que leurs apparences soient si similaires que vous ne pouvez plus distinguer l'une de l'autre. En mathématiques, c'est ce qu'on appelle un problème d'« identifiabilité ».

Les auteurs ont agi comme des détectives. Ils ont écrit des règles strictes (des preuves mathématiques) pour s'assurer que la « ligne de basse » (la tendance) et la « mélodie » (la saisonnalité) sont véritablement uniques et ne se chevauchent pas d'une manière qui pourrait confondre l'ordinateur.
Ils ont découvert que si vous avez plusieurs mélodies jouant à des vitesses différentes (plusieurs saisonnalités), vous avez besoin d'une combinaison spéciale de règles pour les maintenir distinctes. BASTION est le premier à avoir prouvé formellement comment définir ces règles pour que la réponse soit toujours unique.

3. Le « Filet de Sécurité » (Quantification de l'incertitude)

La plupart des anciens outils vous donnent un chiffre unique et disent : « Ceci est la tendance. » Ils ne vous disent pas s'ils devinent ou s'ils sont sûrs.

BASTION est différent. Il vous donne une fourchette de confiance. C'est comme une prévision météorologique qui ne se contente pas de dire « Il va pleuvoir », mais qui dit « Il va pleuvoir, et nous sommes sûrs à 95 % qu'il tombera entre 1 et 2 pouces ». Cela aide les utilisateurs à savoir exactement quel degré de confiance accorder aux résultats.

4. Gérer les « Imprévus » (Valeurs aberrantes et volatilité)

Les données du monde réel sont désordonnées. Parfois, un capteur tombe en panne, ou un événement rare se produit (comme une pandémie provoquant l'effondrement du trafic aérien).

Valeurs aberrantes : BASTION possède un « détecteur de valeurs aberrantes » spécial. Au lieu d'essayer de forcer un point de donnée étrange à s'insérer dans le modèle, il reconnaît qu'il s'agit d'un « imprévu » et le met de côté, afin qu'il ne gâche pas le reste de l'analyse.
Bruit changeant : Parfois, le bruit de fond devient plus fort ou plus faible au fil du temps (comme une radio qui reçoit plus de parasites pendant une tempête). BASTION peut détecter ces niveaux de « statique » (volatilité) changeants et ajuste son audition en conséquence, alors que d'autres outils supposent que la statique est toujours la même.

Comment ils l'ont testé

Les auteurs ne se sont pas contentés de la théorie ; ils ont mis BASTION à l'épreuve :

Le Laboratoire de Simulation : Ils ont créé de fausses données de séries temporelles avec des « ingrédients secrets » connus (comme des sauts soudains, un bruit étrange et des motifs répétitifs multiples). BASTION a systématiquement trouvé les ingrédients cachés avec plus de précision que d'autres outils populaires (comme TBATS, MSTL et STR).
Tests en conditions réelles :
- Trafic aérien : Ils ont examiné les données du trafic aérien américain. Lorsque la pandémie a frappé en 2020, le trafic a chuté brutalement. BASTION a correctement identifié cela comme une rupture soudaine et nette dans la tendance, tandis que d'autres outils ont tenté de lisser cela comme un déclin progressif.
- Demande d'électricité : Ils ont analysé la consommation d'énergie de New York. BASTION a non seulement séparé les modèles quotidiens et annuels, mais a également découvert que le « bruit » des données devient plus volatil (imprévisible) en été et en hiver, fournissant ainsi des informations supplémentaires aux gestionnaires d'énergie.

L'essentiel

BASTION est un nouveau cadre flexible qui décompose les données de séries temporelles en leurs composantes de tendance et de saisonnalité. Il est plus performant pour gérer les changements soudains, ignorer les valeurs aberrantes étranges et traiter les niveaux de bruit changeants que les méthodes précédentes. Crucialement, il vous indique son degré de confiance dans ses réponses. Les auteurs ont rendu cet outil disponible sous la forme d'un progiciel gratuit pour que d'autres puissent l'utiliser.

Résumé Technique : BASTION – Un cadre bayésien pour la décomposition de la tendance et de la saisonnalité

Énoncé du problème
La décomposition de séries temporelles est un outil analytique fondamental utilisé pour isoler les composantes de tendance, de saisonnalité et de résidu à partir de données univariées. Bien qu'elle soit largement appliquée en économie, en sciences du climat et en épidémiologie, les méthodes de décomposition existantes traitent souvent le problème comme une étape de prétraitement plutôt que comme une tâche d'inférence statistique rigoureuse. Les approches actuelles, telles que STL, MSTL, STR et TBATS, présentent plusieurs limites : elles peinent à accommoder simultanément plusieurs schémas saisonniers, manquent de quantification principled de l'incertitude pour les composantes individuelles, sont sensibles aux changements brusques de tendances et échouent généralement à modéliser explicitement le bruit hétéroscédastique ou les valeurs aberrantes. De plus, la littérature manque souvent de conditions formelles sous lesquelles les composantes de tendance et de saisonnalité sont identifiables de manière unique, particulièrement lorsque plusieurs saisonnalités sont présentes.

Méthodologie
Les auteurs proposent BASTION (Bayesian Adaptive Seasonality and Trend DecompositON), un cadre bayésien flexible qui reformule la décomposition de séries temporelles comme un problème de régression non paramétrique pénalisée.

Formulation de la régression pénalisée : La décomposition est modélée par une équation additive $y_t = T_t + \sum S_{i,t} + R_t$ . Les auteurs établissent que sans contraintes structurelles, ce problème de haute dimension n'est pas identifiable. Ils formalisent les conditions d'identifiabilité en imposant des opérateurs linéaires (par exemple, la seconde différence pour la tendance, la récurrence saisonnière ou la différenciation pour la saisonnalité) et en analysant le rang de la matrice bloc résultante. Ils prouvent que l'identifiabilité unique nécessite que les noyaux de ces opérateurs soient des sous-espaces linéairement indépendants. Pour résoudre la non-identifiabilité dans les contextes de saisonnalité multiple, ils proposent d'utiliser des opérateurs de régularisation multiples (par exemple, en combinant la seconde différence et la différenciation saisonnière) afin de réduire l'intersection des espaces nuls.
Cadre Bayésien avec rétrécissement global-local : BASTION transpose la régression pénalisée dans un modèle bayésien utilisant des priors de rétrécissement (shrinkage) global-local (spécifiquement le prior de fer à cheval ou horseshoe prior). Cela permet :
- Un lissage adaptatif : Un paramètre global contrôle le rétrécissement global, tandis que des paramètres locaux variant dans le temps relâchent sélectivement le rétrécment pour capturer les changements brusques dans les tendances et la saisonnalité sans sur-lisser.
- Modélisation explicite des valeurs aberrantes : Une composante de valeur aberrante ( $\zeta_t$ ) est modélisée à l'aide d'un prior horseshoe+, qui induit un rétrécissement agressif pour la plupart des observations tout en permettant de grandes déviations à des points temporels isolés.
- Gestion de l'hétéroscédasticité : Le terme de résidu incorpore un modèle de volatilité stochastique (SV), permettant à la variance de l'erreur d'évoluer au fil du temps, répondant ainsi au problème courant de la volatilité changeante dans les données réelles.
Inférence : En raison de la haute dimension des variables d'état, les auteurs emploient une stratégie d'échantillonnage de Gibbs. Cette approche utilise des mises à jour conjuguées pour la plupart des paramètres et des algorithmes spécifiques (tels que l'algorithme All Without a Loop pour la volatilité stochastique et des schémas de Gibbs à expansion de paramètres pour les priors de type horseshoe) afin d'assurer une mise à l'échelle linéaire avec la longueur de la série temporelle, rendant l'approche informatiquement réalisable pour de grands ensembles de données.

Contributions clés

Théorie formelle de l'identifiabilité : L'article fournit les premières conditions formelles pour l'identifiabilité unique des composantes de tendance et de saisonnalité sous régression pénalisée, en abordant spécifiquement les complexités introduites par les saisonnalités multiples et les différents choix d'opérateurs.
Cadre Bayésien unifié : BASTION intègre la tendance, les saisonnalités multiples, les valeurs aberrantes et la volatilité variable dans le temps dans un modèle cohérent unique, une capacité qui fait défaut aux méthodes existantes comme MSTL ou STR.
Robustesse et quantification de l'incertitude : En exploitant le rétrécissement global-local et la volatilité stochastique, la méthode offre des estimations robustes contre les valeurs aberrantes et l'hétéroscédasticité, tout en fournissant des intervalles de crédibilité postérieure calibrés pour toutes les composantes.
Implémentation logicielle : Les auteurs publient BASTION en tant que package R open-source, facilitant l'application pratique et la recherche ultérieure.

Résultats
Les auteurs évaluent BASTION par rapport à des méthodes établies (TBATS, MSTL, STR) en utilisant à la fois des données simulées et des ensembles de données réels.

Études de simulation : À travers quatre processus de génération de données (DGP) présentant des discontinuités de tendance, des saisonnalités multiples, de l'hétéroscédasticité et des valeurs aberrantes, BASTION a systématiquement obtenu l'erreur quadratique moyenne (MSE) la plus faible pour la tendance, la saisonnalité et les composantes de signal. Notamment, dans les scénarios de bruit hétéroscédastique et de valeurs aberrantes (DGP 4), BASTION a nettement surpassé ses concurrents.
Quantification de l'incertitude : BASTION a fourni des intervalles de crédibilité à 95 % bien calibrés, maintenant une couverture supérieure au niveau nominal pour les signaux combinés et les composantes individuelles. En revanche, la méthode fréquentiste STR présentait fréquemment une sous-couverture, particulièrement pour les composantes individuelles.
Applications empiriques :
- Trafic aérien aux États-Unis : BASTION a réussi à capturer la rupture structurelle brutale du volume de passagers pendant la pandémie de COVID-19, là où MSTL et STR ont trop lissé la transition, et où TBATS a produit des estimations bruitées.
- Demande d'électricité à New York : Le modèle a décomposé avec précision les schémas saisonniers hebdomadaires et annuels complexes et a explicitement estimé la volatilité variable dans le temps, révélant une volatilité plus élevée durant les mois d'été et d'hiver — une caractéristique qu'aucun autre modèle de décomposition comparé n'a fournie.

Signification et affirmations
L'article affirme que BASTION représente une avancée significative en traitant le traitement « informel » de l'identifiabilité dans la littérature existante et en fournissant un cadre unifié capable de gérer simultanément des dynamiques complexes (changements brusques, hétéroscédasticité, valeurs aberrantes). Les auteurs soutiennent que BASTION offre des décompositions plus nuancées et interprétables avec une quantification de l'incertitude rigoureuse, ce qui le rend particulièrement adapté aux tâches en aval comme la prévision dans des environnements présentant des ruptures structurelles. Ils concluent que, bien que la méthode soit robuste, des travaux futurs pourraient explorer comment ces décompositions améliorées se traduisent directement par des performances de prévision et l'incorporation de structures latentes supplémentaires comme la détection de points de rupture bayésienne.