Voir aussi:

Il s'agit de créer un "observateur" de bas niveau qui reçoit en entrée un flux de percepts issus d'un capteur (unique dans notre cas), et qui pourra alerter des "clients" sur certains phénomènes auxquels ils seront abonnés.

C'est assez voisin de ce que fait le module javascript (timeseries-analysis) qui semble incroyable notamment pour les prédictions, à ceci-près que ici on voudrait faire une analyse temps réel.

Donc, les réels. Notre percept devra prendre en entrée un flux de nombres réels, et :

C'est le nombre de données à conserver. Il peut être prédéfini à la création du percept, ou (mieux) être "infini". Dans ce cas les données anciennes auront un poids décroissant. et pourront même, être remplacées par leur moyenne et écart type, ou, mieux encore, par une fonction "best fit". L'idéal semble une pondération exponentielle...

Mais attention à ne pas se révéler trop sensible aux données récentes : le fait de figer progressivement certaines variables est un processus d'apprentissage qu'il ne faut pas négliger.

cf https://stringfixer.com/fr/Moving_average_(finance)

Un flux de nombre réels. Typiquement, notre analyseur de perception "percept" sera un objet avec une méthode nouveau_percepy(x : réel), et l'objet appellera des callbacks en fonction des abonnements qu'il aura eu précédemment.

Donc ce qu'on fait en gros, c'est mettre à jour une série temporelle à chaque nouvelle donnée reçue, et faire une analyse. Time serie (page web)

Attention ⚠
L'entrée étant une série temporelle, il est souvent nécessaire de la régulariser (intervalle de temps constant entre chaque point consécutif).

Pire, notre percept ne prend en entrée que le flux de valeurs . Les sont des timestamps ? On peut imaginer plusieurs types de déclencheurs :

Lorsqu' une série de donnée arrive entre deux tics, on leur associera un égal au dernier timestamp, plus un "numéro de série"

Elle peut être déclenchée par :

Un client peut ainsi demander à recevoir un "rapport" :

Soit une série représentant les percepts (e.g. prix à la clôture, mesure de pression...).

On calcule la moyenne mobile (simple) à un instant donné sur les dernières valeurs :

Suivi de l'écart-type:

Pour détecter les données "extrêmes", On s'inspirera des bandes de Bollinger

Le paramètre est historiquement égal à 2 (probabilité de 95%) mais peut être adapté selon l'analyse effectuée. Paramètre de sensibilité

Donc OK pour la détection des variation brusques et donnée hors limite.

Pour les tendances globales, c'est plus compliqué. Un moyen de le faire est de couper l'horizon temporel en deux, et de comparer les deux moyennes et et les deux écarts-type et .

Pour la stabilité relative, on pourrait aussi comparer la moyenne et l'écart-type : Intuitivement, si est petit, on a une relative stabilité. Mais le problème, c'est que même si dans l'analyse financière on a toujours des valeur positives, dans un univers plus abstrait ces valeurs peuvent aussi être négatives et on peut avoir , auquel cas notre critère se casse la figure.

Pa contre, Toujours en coupant en deux l'intervalle horizon, si la séquence est relativement stable.

Une autre méthode est d'utiliser une régression linéaire :

Le principe est de considérer nos percepts comme proche d'une droite : , où est l'erreur

si et sont les moyennes et la variance, on aura

plus est proche de 1 plus la corrélation linéaire est légitime.

Pour la détection de boucles, il faudra faire attention à l'incertitude qui peut exister sur les données.

Un moyen de le faire est de discrétiser le signal et de faire alors une recherche de boucle sur un flux en nombres entiers, ce qui est un autre percept...

Ou alors une FFT ?

Auto-ajustement de la sensibilité ? de la durée à conserver ?
oscillations et boucles ?
FFT ?