Neuf étapes, et les raisons de chaque choix
Pour chaque étape : la question posée, la chaîne de raisonnement qui mène à la décision, les résultats réels et les limites. Les tableaux sont lus directement dans nos résultats ; les figures viennent du notebook.
Quelles données, et comment les rendre exploitables ?
Prix de clôture quotidiens du blé ZW=F, du maïs ZC=F et du soja ZS=F (cents US par ), plus l'indice du dollar et le pétrole WTI comme variables exogènes, téléchargés une fois avec quantmod. Sur 4 863 lignes brutes, on garde les 4 022 séances où le blé cote ; un marché fermé reprend la valeur de la veille, et le WTI négatif du 20 avril 2020 (−37,63 $) est remplacé par la veille, un logarithme étant impossible.
Indicateurs dérivés : rendement logarithmique, moyennes mobiles à 50 et 200 séances, volatilité réalisée sur 21 séances.
Découpage réel et protocole de validation
Limites
Les prix ont-ils une saisonnalité, une tendance, une mémoire ?
et ont des hypothèses nulles opposées : leur accord rend la conclusion solide. Les des rendements restent dans la bande ±0,033, sauf au retard 4 (−0,044) ; celles des rendements au carré sont significatives sur des dizaines de retards. Kurtosis du blé : 7,16. Les 10 rendements aberrants (règle 3 × IQR) sont de vrais chocs et sont conservés.
Hypothèses statistiques
Un modèle linéaire suffit-il à décrire le blé ?
Le modèle manuel, plus parcimonieux, a le meilleur AICc (−17 938,1 contre −17 934,7 pour auto.arima). Diagnostic : Ljung-Box ne voit plus d'autocorrélation (p = 0,58), mais la normalité est rejetée (p < 0,001) et la variance n'est pas constante (ARCH-LM, p ≈ 10−112).
Limites
Le maïs et le soja aident-ils à prévoir le blé ?
À long terme, ln(Blé) ≈ 1,005 × ln(Soja) − 0,706 : le blé suit le soja avec une élasticité proche de 1. Sa vitesse d'ajustement α = −0,0092 (p = 0,005) donne une d'environ 75 séances ; le soja ne s'ajuste pas, il porte la tendance commune.
Limites
La volatilité se modélise-t-elle ?
Persistance α + β = 0,986 : un choc de volatilité perd la moitié de son effet en 51 séances. Les résidus standardisés redeviennent homoscédastiques (Ljung-Box sur z² : p = 0,29). Pics : 107 % le 11 mars 2022, 63 % en août 2010, 57 % en juillet 2023.
Limites
Un réseau de neurones voit-il ce que les modèles linéaires ratent ?
Réseaux PyTorch d'une couche de 32 neurones, dropout 0,2, Adam, arrêt anticipé ; entrée : rendements des trois céréales, sortie : rendement cumulé du blé à 1-10 séances. Normalisation avec l'écart-type de l'apprentissage seulement. Trois graines par modèle final. Ont aussi été testés : un hybride ARIMA + LSTM sur les résidus, et Prophet.
Limites
Quel modèle prévoit le mieux, et est-ce significatif ?
Le VECM réduit le RMSE de 3,1 % (p = 0,058 à 1 séance) : prometteur, non démontré. La volatilité, elle, se prévoit : le GARCH a la meilleure perte , significative à 10 % (p = 0,077).
Le lien entre céréales est-il stable dans le temps ?
Variables exogènes : ni le dollar (p = 0,69) ni le pétrole (p = 0,38) ne causent le blé au sens de Granger, et les ajouter au VAR ne change pas l'erreur. La cointégration et l'hybride relèvent aussi de cet approfondissement.
Que vaut un LLM face à nos chiffres ?
Le LLM converge avec nous sur les familles de modèles, mais sous-estime une marge de sécurité (14 $/t au lieu de 18,6) et avance un effet de levier non confirmé. Il a aussi relevé une incohérence réelle dans nos intervalles. Aucune p-value inventée, mais rien ne le garantissait : d'où l'agent à outils du site.
Le prix ne se prévoit pas ; son risque, si.
(1) Log-prix I(1), rendements stationnaires ; (2) aucune causalité de Granger à 5 % ; (3) deux relations de cointégration, le blé suivant le soja ; (4) une volatilité très persistante, aux pics alignés sur les chocs de 2010, 2022 et 2023 ; (5) ni le LSTM ni le GRU ne battent la marche aléatoire.
Limites générales : séries continues avec sauts de contrat, résidus non normaux, régimes multiples, période de test calme (mai 2024 à décembre 2025), réseaux de neurones avec peu de données.