Contexte :  Simulation Professionnelle pour le compte de JPMorgan Chase & Co.

Un desk commodities (matières 1ères) souhaite valoriser des contrats de stockage gaz. Les prix disponibles sont des instantanés de fin de mois (~18 mois) combinés à de l’historique. Ils demandent un prix estimatif à n’importe quelle date et une projection (+12 mois) pour évaluer la valeur d’un contrat (injection/retrait) en intégrant la saisonnalité.

Problème à résoudre :

• Données mensuelles, donc pas de granularité quotidienne.
• Besoin d’interpolation (toutes dates) + extrapolation (+12 mois).
• Prise en compte des variations saisonnières (hiver/été).

Approche AURYCS : 

       1. Préparation : consolidation du CSV (fin de mois, historique récent).                                                                                                                                       

        2. Modélisation : Transformation log-prix (stabilité).

            . Estimation de la saisonnalité mensuelle (moyenne par mois).

            . Ajustement d’un trend (linéaire) sur la série désaisonnalisée.

         3. Estimation :

             . Prix à toute date = trend(date) + saisonnalité(mois) → exponentiel.

             . Projection +12 mois fin de mois (indicative).

Livrables :

•  Fonction Python prix_estimé(date) (module réutilisable).
• Graphiques : historique vs courbe estimée (+12 mois), profil saisonnier.
• Table des prix estimés fin de mois (12 mois à venir).
• Prix à toute date = trend(date) + saisonnalité(mois) → exponentiel.
• Projection +12 mois fin de mois (indicative).

Périmètre technique :

• Python, pandas, numpy
• Packaging en module Python 
• Entrées : CSV fin de mois ;
• Sorties : fonction prix_estimé(), graphes, tableau prévisionnel.