Échantillonnage

Paramètres d’échantillonnage disponibles

Tous les paramètres sont facultatifs. Par défaut, le modèle tire 16 trajectoires sur l’ensemble de sa distribution, avec une graine fixe.

Nombre de trajectoires

sample_count vaut 16 par défaut et peut aller jusqu’à 256 (64 sur le plan Développeur). Les quantiles et le scénario central sont calculés sur ces trajectoires : plus il y en a, plus ils sont stables. Chaque trajectoire est comptée : une prévision génère horizon × trajectoires points de sortie.

Graine

seed fixe le tirage. Une même requête renvoie toujours la même prévision, même sans graine. Changez de graine pour obtenir un autre tirage : un autre scénario central et des quantiles légèrement différents.

Température

temperature, comprise dans ]0, 10], règle la dispersion des tirages : une température plus élevée élargit l’intervalle de prévision, une température plus basse le resserre. Exemple sur une série journalière, avec 24 barres prévues et 64 trajectoires :

Top P et top K

top_p, compris dans ]0, 1], et top_k, de 0 (désactivé) à 1 024, limitent les tirages aux valeurs les plus probables à chaque pas, ce qui resserre l’intervalle. Par défaut, ils ne limitent rien.

Recentrage

mean_shrink, compris entre 0 et 1, s’applique après le tirage : il déplace l’intervalle sans en changer la largeur. À 0, la médiane part du dernier cours ; à 1, elle suit la tendance brute du modèle. Par défaut, c’est la valeur default_mean_shrink du modèle qui s’applique : consultez List models.

Points clés

• Une même requête renvoie toujours la même prévision : la graine par défaut est fixe.
• temperature, top_p et top_k règlent la largeur de l’intervalle ; mean_shrink règle sa position.
• Augmenter sample_count stabilise les quantiles, mais consomme plus de points de sortie.

Exemple

L’exemple suivant tire trois scénarios centraux pour la même série, avec trois graines différentes :

import os

import pandas as pd
import requests

API_URL = "https://api.stochio.fr"
API_KEY = os.environ["STOCHIO_API_KEY"]

bars = pd.read_csv("candles.csv", index_col="date", parse_dates=True)
history = {
    "model": "stochio-small-1",
    "timestamps": [t.isoformat() for t in bars.index],
    **{c: bars[c].tolist() for c in ["open", "high", "low", "close", "volume"]},
    "horizon": 24,
}

for seed in (1, 2, 3):
    response = requests.post(
        f"{API_URL}/v1/forecast",
        headers={"Authorization": f"Bearer {API_KEY}"},
        json={**history, "seed": seed},
        timeout=60,
    )
    response.raise_for_status()
    last = response.json()["candles"][-1]
    print(f"seed {seed}: last forecast close {last['close']:.2f}")

seed 1: last forecast close 464.55
seed 2: last forecast close 477.55
seed 3: last forecast close 467.19