Banque El Amana

Institut Supérieur Numérique

projet de perfectionnement du S5

DèveIoppement d'une application pour la Prédiciton de taux de

change basé sur série temporelle

Encadrés par :
Dr Cheikh Dhib
Dr Meya Haroune

Réalisé par : ​
22037 Khire Elouma
22068 Mariem Kah
21044 Elhoussein Enah
​

Dédicaces

Nous dédions ce modeste travail : À nos chers parents, pour tous leurs sacrifices, leur
amour, leurs conseils, leurs aides et leurs encouragements tout au long de nos études. À nos
chères sœurs et nos adorables frères pour leur appui et leur soutien moral. À tous nos amis,
et à tous ceux qui nous ont aidés et soutenus de près ou de loin durant notre formation. À
notre encadrant, le Dr Cheikh Dhib, pour sa précieuse expertise, ses conseils éclairés et son
soutien constant tout au long de notre projet. Sa guidance a été essentielle pour nous
permettre d'atteindre nos objectifs et d'accomplir ce travail avec succès. Nous lui exprimons
notre profonde gratitude et reconnaissance pour son dévouement et son engagement
envers notre réussite académique.

2
​
​ ​
​

Remerciements

Je tiens à remercier chaleureusement toutes les personnes qui ont contribué, de près ou de loin, à
l'accomplissement de ce projet. Un grand merci à mes enseignants et encadrants pour leurs
précieux conseils et leur expertise. Je suis également reconnaissant envers les équipes et les
collaborateurs qui ont partagé leur expérience et leur savoir-faire, permettant d'enrichir ce projet.

Je remercie également toutes les personnes qui ont pris le temps de tester et de donner leur avis sur
l'application, leur retour étant une aide essentielle pour son amélioration continue.

Enfin, mes sincères remerciements à tous ceux qui ont soutenu mes efforts avec patience et
encouragements, permettant ainsi d'aller au bout de cette aventure.

3
 résume

Le projet vise à développer une application mobile innovante dédiée à la prédiction des taux de change du
MRU en USD et EUR. L'objectif principal est de fournir aux utilisateurs des prévisions précises et en temps
réel sur l'évolution des taux de change, en s'appuyant sur des modèles d'analyse de données et de Machine
Learning. L'application sera conçue pour aider les traders, les entrepreneurs et le grand public à prendre des
décisions financières éclairées.

Caractéristiques clés de l'application :

1.​ Prédiction des taux de change basée sur l'analyse des tendances et des données historiques.
2.​ Mises à jour en temps réel des taux de change actuels.
3.​ Alertes personnalisées pour informer les utilisateurs des variations significatives.
4.​ Tableaux et graphiques interactifs pour une visualisation claire des prévisions et tendances.

Le développement de cette application contribuera à améliorer la prise de décision financière, à réduire les
incertitudes liées aux fluctuations monétaires et à offrir un outil innovant pour les acteurs économiques en
Mauritanie. En intégrant la technologie et l'intelligence artificielle, ce projet vise à moderniser l'accès à
l'information financière et à favoriser une meilleure anticipation des évolutions du marché.

4
Table des matières
Dédicaces​ 2
Remerciements​ 3
résume​ 4
Caractéristiques clés de l'application :​ 4
Introduction générale​ 6
Chapitre I. Contexte du projet​ 8
I.1​ Introduction​ 8
I.2​ Présentation de SUPNUM et BEA​ 8
I.3​ Cadre de projet​ 9
Les Trois Spécialités sont :​ 9
I.4​ Etude de l’existant​ 10
I.5​ Problématiques​ 10
I.6​ Objectif du projet​ 12
I.7​ Cahier de charge :​ 12
Introduction :​ 12
Spécifications fonctionnelles :​ 13
Spécifications techniques :​ 13
I.8​ Conclusion :​ 14
Chapitre II. Analyse et conception​ 15
II.1​ Introduction Dans ce chapitre :​ 15
II.2​ Acteurs​ 15
II.3​ Analyse des besoins​ 16
II.3.2​ Les besoins non fonctionnels :​ 17
II.4​ Spécification des besoins avec UML​ 20
II.6​ Solutions proposées​ 22
II.7​ Conclusion​ 22
Chapitre III. Environnement du projet​ 23
III.1​ Introduction​ 23
III.2​ Analyse des Séries Temporelles avec des Méthodes de Data Science"​ 23
1.​ VAR (Vector Autoregressive Model) :​ 23
2.​ ARIMA (AutoRegressive Integrated Moving Average) :​ 23
3.​ SARIMA (Seasonal ARIMA) :​ 24
III.3​ Outils et technologies utilisées​ 24
III.1​ Conclusion​ 25

5
En conclusion, grâce à ce chapitre, nous avons exploré l'environnement du projet et les technologies
utilisées pour créer une application de prédiction des taux de change entre le MRU, l'Euro et le Dollar​ 26
Chapitre IV. Réalisation​ 26
IV.1​ Introduction​ 26
IV.2​ Présentation du projet​ 26
1.​ Page d’authentification​ 26
2.​ Page d’acceuille​ 27
3.​ Prédiction​ 27
4.​ Analyse EUR (ARIMA)​ 29
​ 29
​ 29
​ 30
5.​ Analyse EUR (VAR)​ 30
​ 30
​ 31
​ 31
Conclusion générale et perspectives​ 32

6
​
Introduction générale

Le présent rapport constitue le compte rendu du Projet Intégrateur (PI), intitulé

"Développement d'une application web pour la prédiction des taux de change MRU en USD et
EUR". Ce projet a été réalisé dans le cadre de notre formation en [Développement de systèmes
informatiques], et il représente une étape clé dans notre parcours académique et professionnel.

L'objectif principal de ce projet était de concevoir et développer une application web innovante
permettant aux utilisateurs d’accéder à des prévisions précises sur l’évolution des taux de
change du MRU par rapport aux devises USD et EUR. En exploitant des modèles d’analyse de
données et de Machine Learning, cette application vise à aider les traders, les entrepreneurs et
le grand public à prendre des décisions financières plus éclairées en anticipant les fluctuations
du marché.

Tout au long de ce projet, nous avons mobilisé un large éventail de compétences en

développement web, allant de la conception de l’architecture de l’application à
l’implémentation de ses fonctionnalités clés. Nous avons également pris en compte les besoins
des utilisateurs potentiels en réalisant des études et des analyses afin d’optimiser l’expérience
utilisateur et d’assurer la fiabilité des prévisions fournies.

Ce rapport présente en détail les différentes étapes du développement de l’application, en

mettant en avant la méthodologie adoptée, les technologies utilisées, ainsi que les défis
rencontrés et les solutions apportées. Nous décrirons également les principales fonctionnalités
de l’application, en mettant l’accent sur les aspects techniques, ergonomiques et sécuritaires.

En conclusion, ce projet nous a permis d’appliquer nos connaissances théoriques à un cas

concret et de renforcer nos compétences en développement d’applications web intelligentes.
Nous sommes convaincus que cette application constituera un outil précieux pour les acteurs
économiques, en leur offrant une meilleure visibilité sur les variations des taux de change. Nous
espérons que ce rapport servira de référence pour de futures initiatives visant à intégrer les
nouvelles technologies dans le domaine de la finance et de la gestion des devises

7
 Chapitre I. Contexte du projet
I.1​ Introduction
Dans ce chapitre, nous commencerons par définir le cadre du projet en expliquant son contexte et
son importance. Ce projet nous a été confié par Banque Al Amana, une institution financière
soucieuse d’améliorer ses outils d’analyse et de prévision des taux de change. Il s’inscrit dans une
démarche d’innovation numérique au service de la performance bancaire.

Ensuite, nous présenterons notre institut, SUPNUM, afin de situer ce travail dans notre parcours
académique et mettre en valeur la collaboration entre notre formation et le monde professionnel.

Dans la seconde partie du chapitre, nous analyserons la situation existante en lien avec notre sujet,
en identifiant les problématiques qui justifient le besoin d’une application web pour la prédiction
des taux de change du MRU en USD et EUR. Nous exposerons également les objectifs visés par ce
projet, ainsi qu’un cahier des charges détaillant les principales exigences fonctionnelles et
techniques de l’application.

I.2​ Présentation de SUPNUM et BEA

Introduction à l'Institut Supérieur Numérique

Bienvenue à l'Institut Supérieur Numérique (SUPNUM), une institution d'enseignement
dédiée à l'excellence dans le domaine de la technologie et de l'informatique. Situé au
cœur de l'innovation numérique, l'ISN s'engage à former la prochaine génération de
professionnels compétents et adaptés aux défis du monde numérique en constante
évolution.

8
 Présentation de Banque Al Amana

Banque Al Amana est une institution financière engagée dans la promotion de l’inclusion
économique et le soutien au développement local. Reconnue pour son approche éthique et
solidaire, Al Amana s’est imposée comme un acteur clé dans le financement participatif et les
services bancaires adaptés aux besoins des citoyens. À travers ses services innovants et sa proximité
avec ses clients, elle contribue activement à la croissance durable et à l’autonomisation financière,
notamment des jeunes et des porteurs de projets.

I.3​ Cadre de projet

Ce projet s’inscrit dans le cadre du Projet Intégrateur (PI) et vise le développement d’une
application web dédiée à la prédiction des taux de change du MRU en USD et EUR.

Dans un contexte économique où les fluctuations des devises influencent les décisions
financières des entreprises, des commerçants et des particuliers, il est essentiel de disposer
d’un outil permettant d’anticiper ces variations. Cette application a pour but d’offrir des
prévisions précises et des analyses basées sur des modèles de Machine Learning, facilitant
ainsi la prise de décision pour les acteurs économiques en Mauritanie.

Le projet repose sur une approche technologique moderne intégrant le traitement de

données financières, l’intelligence artificielle et une interface intuitive, permettant aux
utilisateurs de suivre en temps réel l’évolution des taux de change et de recevoir des alertes
stratégiques.

9
 Les Trois Spécialités sont :
1.​Développement Informatique :
Notre programme de développement informatique offre aux étudiants une formation
complète dans la conception, la programmation et la maintenance de logiciels. Des
cours pratiques et des projets concrets permettent aux étudiants de développer des
compétences techniques essentielles pour répondre aux demandes du marché du
travail.

2.​Réseau et Sécurité :
La spécialité Réseau et Sécurité forme des professionnels capables de concevoir,
mettre en œuvre et maintenir des réseaux informatiques robustes et sécurisés. Les
étudiants acquièrent des compétences en administration réseau et en cybersécurité,
leur permettant de jouer un rôle essentiel dans la protection des données et des
systèmes.

3.​Multimédia :
Notre programme Multimédia prépare les étudiants à explorer le monde créatif de la
conception visuelle, de la production audiovisuelle et du design interactif. Des cours
pratiques couvrent la modélisation 3D, la création graphique, le montage vidéo et la
conception d'interfaces utilisateur, ouvrant des opportunités dans le secteur
passionnant du multimédia.

I.4​ Etude de l’existant

Utilisation des technologies de l'information :

Bien que les technologies de l'information et de la communication soient de plus en plus

présentes dans le domaine financier en Mauritanie, leur application spécifique dans le
domaine des prévisions des taux de change reste limitée.

Des initiatives similaires ont déjà été lancées dans d'autres pays, où des applications web ont
été développées pour fournir des prévisions automatisées des taux de change en temps réel.

10
 Ce type de solution pourrait répondre aux besoins de la Banque BEA en matière de prévision
des taux de change MRU, USD et EUR.

Infrastructures disponibles :

La Mauritanie bénéficie d’une couverture internet croissante et d’un accès mobile répandu,
ce qui crée une base solide pour le déploiement d’une application web permettant de
prédire les taux de change.

Les banques et institutions financières disposent généralement d’une infrastructure

informatique de base. Cependant, pour que l’application soit pleinement intégrée et
fonctionnelle, il serait nécessaire de prendre en compte les systèmes existants dans ces
institutions afin d'assurer la compatibilité et l'efficacité du déploiement.

I.5​Problématiques
Les prédictions des taux de change, en particulier du MRU par rapport aux USD et EUR, sont
essentielles pour des institutions financières comme la Banque BEA, mais elles rencontrent
plusieurs défis. Voici les principales problématiques à résoudre dans le cadre de ce projet :

Précision et réactivitédes prévisions :

Les méthodes actuelles de prévision des taux de change en Mauritanie sont limitées en
termes de précision et de réactivité. Les fluctuations du marché sont souvent mal anticipées,
et les décisions basées sur ces prévisions peuvent entraîner des erreurs stratégiques.
Comment développer une application web qui intègre des modèles de Machine Learning
pour générer des prévisions plus fiables et réactives, prenant en compte des données
financières en temps réel et des événements mondiaux influençant le marché des devises ?

11
 1.​ Traçabilité et gestion des incidents :
L'absence d'une plateforme centralisée rend difficile le suivi, la gestion et l'évaluation des
prévisions des taux de change en Mauritanie. Comment concevoir une application web qui
enregistre de manière systématique et traçable toutes les prévisions des taux de change
du MRU en USD et EUR, permettant aux institutions financières, telles que la Banque BEA,
de suivre l'évolution des prévisions, de les analyser en temps réel, et de prendre des
décisions éclairées en fonction des tendances détectées et des événements mondiaux
influençant le marché des devises ?

2.​ Participation citoyenne :

Impliquer les acteurs financiers, tels que les banques et les entreprises, dans le processus
de prévision des taux de change peut améliorer la collecte de données, la couverture
géographique et la réactivité face aux fluctuations économiques. Comment développer
une application web conviviale qui encourage la participation active de ces acteurs, en leur
permettant de consulter facilement les prévisions des taux de change, de fournir des
informations détaillées, des analyses économiques et des prévisions basées sur des
données historiques et des événements mondiaux, renforçant ainsi la fiabilité des
prévisions ?
3.​ Renforcement de la sécurité publique :

Une application de prédiction des taux de change peut contribuer à renforcer la sécurité
économique en permettant une réponse rapide et appropriée aux fluctuations des devises.
Comment concevoir une application web qui favorise la collaboration entre les institutions
financières, les banques comme la Banque BEA, et les entreprises, en fournissant des
prévisions précises en temps réel, des alertes sur les variations des taux de change, et une
communication efficace entre les parties prenantes pour anticiper les risques
économiques et prendre des décisions stratégiques éclairées ?

I.6​Objectif du projet

1.​ Faciliter le processus de signalement :

​L'application doit offrir une interface conviviale et intuitive, permettant
12
 aux utilisateurs (banques, entreprises, investisseurs) de consulter
facilement les prévisions des taux de change MRU en USD et EUR, en
fournissant des analyses détaillées, des graphiques de tendances et des
prévisions visuelles (tableaux, courbes) basées sur des données en temps
réel et des événements économiques mondiaux.

2.​ Assurer la traçabilité des incidents :

L'application doit enregistrer de manière systématique tous les incidents signalés, en
associant des informations telles que la date, l'heure, la localisation GPS et le type
d'incident. Cela permettra une gestion efficace des incidents et un suivi approprié
jusqu'à leur résolution.

I.7​ Cahier de charge :

Introduction :
Contexte du projet : développement d'une application web pour la prédiction des taux
de change MRU en USD et EUR.

Objectif : Améliorer la prévision des taux de change, assurer une gestion efficace des
données économiques, favoriser la participation des acteurs financiers, et fournir des
informations fiables pour la prise de décisions économiques.

Spécifications fonctionnelles :

1.​ Interface utilisateur :

Développer une application web compatible avec les navigateurs courants (Chrome,
Firefox, Edge, etc.).

Créer une interface utilisateur conviviale, intuitive et responsive, adaptée aux besoins
des utilisateurs financiers.

13
 Permettre aux utilisateurs de créer un compte et de se connecter à l'application pour
accéder aux prévisions et aux informations pertinentes.

2.​ Signalement des incidents :

Offrir aux utilisateurs la possibilité de consulter les prédictions des taux de change MRU
en USD et EUR en temps réel.

Fournir des graphiques et des courbes représentant les tendances des taux de change.

Spécifications techniques :

2.​ Plateforme et langages de développement :

Django : Utiliser Django, un framework Python robuste, pour le développement de la

partie web de l'application. Django permet une gestion efficace des données et une
architecture sécurisée pour le côté serveur, tout en offrant des outils intégrés pour les
bases de données et la gestion des utilisateurs.

React :

Utiliser React, une bibliothèque JavaScript performante, pour le développement de

l’interface utilisateur de l’application. React permet de créer des interfaces dynamiques et réactives
grâce à un système de composants modulaires, facilitant ainsi la gestion de l’état de l’application et
l’interaction avec le backend via des appels API.

Machine Learning : Intégrer des modèles de machine learning pour prédire les taux de
change MRU en USD et EUR en fonction des données historiques et des variables
économiques. Des algorithmes tels que les réseaux neuronaux ou les arbres de décision
peuvent être utilisés pour affiner les prévisions.

14
 Séries temporelles (ARIMA, SARIMA, VAR) : Utiliser des modèles de séries temporelles
pour l'analyse et la prédiction des taux de change. Les modèles ARIMA, SARIMA, et VAR
permettront d'étudier les tendances passées et d'anticiper les évolutions futures des
taux de change en fonction de facteurs économiques et de marché.

3.​ Base de données :

SQLite : Utiliser SQLite comme base de données pour stocker les informations des
utilisateurs, les incidents signalés et leur état de résolution. SQLite est une solution
légère et efficace, idéale pour les applications mobiles et web nécessitant une gestion
simple et rapide des données sans complexité d'installation ou de configuration de
serveur de base de données.

I.8​Conclusion :
Dans cette étude de l'existant pour notre projet de développement d'une application web
de prédiction des taux de change MRU en USD et EUR, nous avons exploré les différents
aspects relatifs à la mise en œuvre de cette solution technologique.

L'objectif principal de notre projet est de développer une application web permettant de
prédire avec fiabilité et précision les taux de change MRU en USD et EUR, en utilisant des
modèles statistiques avancés et l'analyse des séries temporelles. Cette application fournira
aux utilisateurs des prévisions actualisées, des analyses des tendances des taux de change
et des outils d'aide à la décision pour mieux gérer les risques économiques associés aux
fluctuations de la monnaie.

En conclusion, ce projet vise à offrir une solution innovante et accessible, améliorant la

gestion financière et les décisions économiques en Mauritanie grâce à des prévisions de
taux de change fiables et en temps réel.

15
 Chapitre II. Analyse et conception

II.1​Introduction Dans ce chapitre :

Dans ce chapitre, nous aborderons l'étape cruciale de l'analyse et de la conception de

notre projet intitulé "Développement d'une application mobile pour faciliter le
signalement des incidents". Nous commencerons par une analyse approfondie des
besoins, en nous concentrant sur les attentes des utilisateurs et les fonctionnalités
essentielles de l'application. Ensuite, nous utiliserons UML (Unified Modeling Language)
comme méthode de modélisation pour spécifier et représenter notre système. Nous
mettrons particulièrement l'accent sur les diagrammes de cas d'utilisation et de classe, qui
nous aideront à visualiser les interactions entre les acteurs et les composants du système.

II.2​Acteurs
Dans notre application, nous identifions deux principaux acteurs :

1.​ Utilisateurs de l'application web :

Ce sont les utilisateurs finaux qui consulteront la plateforme pour accéder aux
prédictions du taux de change du MRU en EUR et USD. Ils pourront :

Consulter les taux de change actuels et historiques.

Visualiser des graphiques illustrant l'évolution des taux de change.

2. Système d'intelligence artificielle (modèle de prédiction)

Ce système repose sur des algorithmes d'apprentissage automatique capables d'analyser les
tendances historiques et de prédire les fluctuations futures du taux de change MRU/EUR/USD.

Ces deux acteurs collaborent pour assurer une mise à jour précise et fiable des prévisions de
16
taux de change.

II.3​ Analyse des besoins

Dans cette section, nous allons procéder à l'analyse approfondie des besoins pour le
développement de notre application web de prédiction des taux de change. Cette étape
est essentielle pour comprendre les attentes des utilisateurs et concevoir une
application efficace. Nous examinerons les exigences fonctionnelles et non
fonctionnelles, ainsi que les contraintes à prendre en compte.

II.3.1​ Les besoins fonctionnels :

Les besoins fonctionnels sont les fonctionnalités essentielles que

l'application doit fournir pour répondre aux attentes des utilisateurs. Voici
une liste préliminaire des besoins fonctionnels identifiés :

1.​ Inscription et gestion des utilisateurs :

Permettre aux utilisateurs de s'inscrire sur la plateforme en fournissant des
informations de base ( adresse e-mail, mot de passe, etc.).
Implémenter un système d'authentification sécurisé (connexion,
déconnexion).

2.​ ​ Prédiction des taux de change

Offrir une interface conviviale permettant aux utilisateurs de consulter et
analyser les prévisions des taux de change en fournissant les informations
suivantes :
17
 Sélection de la devise : Permettre aux utilisateurs de choisir la conversion
entre MRU, EUR et USD.
Affichage des taux actuels : Présenter les taux de change en temps réel.
Analyse et prévisions : Fournir des prévisions basées sur des modèles de
machine learning et des analyses historiques.
Graphiques et tendances : Visualiser l'évolution des taux de change sur
différentes période

3.​ Recherche des taux de change :

Fournir une fonctionnalité de recherche permettant aux

administrateurs et aux utilisateurs de consulter les taux historiques
selon des critères tels que la date

II.3.2​Les besoins non fonctionnels :

En plus des fonctionnalités, nous devons également prendre en compte
les besoins non fonctionnels pour garantir que l'application offre une
expérience utilisateur optimale. Voici quelques-uns des besoins non
fonctionnels identifiés :

1.​ Performance :

L’application doit être capable de traiter les données en temps réel pour
offrir des prévisions actualisées des taux de change sans latence.

Elle doit pouvoir gérer des volumes de données historiques importants

pour entraîner les modèles de prédiction sans dégradation de la
performance.

L’optimisation des algorithmes utilisés pour la prévision doit permettre

des calculs rapides afin de minimiser le temps d’attente pour les
utilisateurs.

18
2.​ Sécurité :

Protection des données financières et des transactions effectuées via

l'application.

Utilisation de protocoles sécurisés (HTTPS, chiffrement des données

sensibles).

Authentification des utilisateurs pour un accès restreint aux

fonctionnalités avancées.

3.​ Convivialité et accessibilité :

L’application doit pouvoir évoluer pour gérer un grand nombre

d’utilisateurs simultanés, surtout pendant les périodes de forte demande
(comme lors de fluctuations importantes des taux de change).

4.​ Scalabilité :

L’application doit pouvoir évoluer pour gérer un grand nombre

d’utilisateurs simultanés, surtout pendant les périodes de forte demande
(comme lors de fluctuations importantes des taux de change).

La plateforme doit permettre l’intégration future de nouvelles

fonctionnalités, telles que la prise en charge de nouvelles devises ou
l'ajout de modèles de prévision avancés, sans altérer la stabilité du
système.

19
5.​ Compatibilité :

L’application doit être La compatibilité mobile est également cruciale,

avec un design responsive pour une utilisation optimale sur différents
types d’appareils, en particulier les smartphones Android et iOS.

6.​ Maintenance et évolutivité :

Le système doit être conçu de manière modulaire et flexible, permettant

non seulement la mise à jour des modèles de prédiction et l’ajout de
nouvelles fonctionnalités, mais aussi l’optimisation continue des
performances en fonction des tendances du marché financier.

Il doit inclure un mécanisme d’auto-apprentissage (Machine Learning en

continu) pour améliorer la précision des prévisions à mesure que de
nouvelles données sont collectées.

L’application doit intégrer un système d’alertes intelligentes pour détecter

les anomalies dans les prédictions et signaler automatiquement tout
écart significatif des taux de change.

Une architecture extensible permettra l’ajout de nouvelles sources de

données (banques centrales, API financières en temps réel, données
économiques mondiales) afin d’améliorer la pertinence des prévisions.

Un système de logs avancé devra être mis en place pour suivre toutes les
erreurs et anomalies, facilitant ainsi la détection et la résolution rapide
des bugs sans affecter l’expérience utilisateur.

L’intégration d’un système de tests automatisés assurera la stabilité des

mises à jour et la compatibilité avec les infrastructures existantes sans
interruptions majeures du service.

20
 7.​ Documentation et support :

Un chatbot IA intégré pourrait être mis en place pour fournir une

assistance instantanée aux utilisateurs et administrateurs, réduisant ainsi
la charge de travail du support technique.

La mise en place d'un système de tickets et d'assistance en temps réel

permettra aux utilisateurs de signaler des problèmes ou de demander de
l’aide via une interface intuitive.

Une section communautaire/forum pourrait être ajoutée où les

utilisateurs et experts pourront échanger sur les prévisions et optimiser
leurs stratégies financières en fonction des tendances du marché.

II.4​ Spécification des besoins avec UML

Pour spécifier et représenter notre système, nous utiliserons UML, une méthode
standard de modélisation des systèmes logiciels. Nous commencerons par les
diagrammes de cas d'utilisation, qui décriront les interactions entre les acteurs et le
système. Ces diagrammes nous permettront de visualiser les différentes
fonctionnalités de l'application et de définir les scénarios d'utilisation.

Ensuite, nous utiliserons les diagrammes de classe pour décrire la structure interne
du système. Nous identifierons les classes, les attributs, les méthodes et les relations
entre les différentes classes. Cela nous aidera à concevoir une architecture solide et
à comprendre comment les différentes entités du système interagissent entre elles.

21
 Diagramme de cas d’utilisation
alités de chaque acteur dans le système.

Ce diagramme représente les interactions d’un utilisateur avec une application de

prévision, probablement liée à un système d'analyse et de prévision de données (par
exemple économiques ou temporelles).

✅ Points positifs :
●​ Le diagramme est clairement structuré : l’acteur est bien identifié
("Utilisateur").​

●​ Les cas d’utilisation sont cohérents avec un système d’analyse/prévision :

connexion, consultation, sélection d'options, etc.​

●​ La distinction entre les fonctionnalités (ex : "choisir le moteur de prédiction",

"accéder à l'onglet prévision", "consulter l’historique") est pertinente.​

22
🔧 Recommandations d’amélioration :
●​ Ajouter des relations d’inclusion ou d’extension entre certains cas (ex:
consulter l’historique pourrait être une extension de consulter les statistiques).​

●​ Ajouter des cas d’utilisation pour les rôles administratifs ou autres acteurs si le
système est multi-utilisateur.​

●​ Éventuellement regrouper certains cas dans des packages si le diagramme

devient plus complexe.​

📊 Tableau : Acteurs et Cas d'utilisation

Acteur Cas d'utilisation

Utilisateur Se connecter à l'application

Se déconnecter

Consulter les versions

Choisir le moteur de prédiction

Accéder à l’onglet “prédiction”

Choisir la période d’analyse

Consulter les statistiques

→ Actuels

→ Historique

23
 II.5​Base de données

Figure 3
UML

La base de données du projet a été conçue de manière modulaire et orientée vers les
prédictions financières, en particulier les taux de change. Elle est composée de plusieurs
tables relationnelles, chacune remplissant un rôle spécifique dans le processus de collecte, de
traitement et d’analyse des données :

●​ ExchangeRate : contient les taux historiques de change par date et par devise. C’est
la table centrale pour les prédictions, avec des champs tels que rate,
predicted_rate et last_updated.​

●​ ARIMAStats, VARStats et PredictionStats : stockent les résultats des

modèles de séries temporelles, avec des indicateurs clés comme la précision, l’erreur
moyenne, et les valeurs initiales/finales. Cela permet une comparaison entre les
performances des modèles.​

●​ TimeSeriesData : structure générique pour stocker n’importe quelle série

temporelle (valeurs par timestamp), classée par catégorie (ex. : USD, EUR, etc.). Elle
est utile pour entraîner et tester plusieurs modèles.​

●​ users : gère l’authentification des utilisateurs avec les champs classiques

username, password et created_at.​

24
II.6​ Solutions proposées

1)​ Intégration de l’intelligences artificielle pour affiner les prévisions:

Ajout de techniques de Machine Learning (LSTM, XGBoost) pour compléter et améliorer

la précision des modèles ARIMA et VAR.

Prise en compte d’indicateurs macroéconomiques (inflation, taux d’intérêt, PIB) pour

des prévisions plus réalistes

2)​ Optimisation mobile et accessibilité:

Développement d’une version mobile-first pour permettre aux utilisateurs de consulter

les prévisions en déplacement.

3)​ Sécurité des données :

Mettez en place des mesures de sécurité robustes pour protéger les données des
utilisateurs, y compris le chiffrement des données, l'authentification sécurisée et la
sauvegarde régulière des informations.

II.7​Conclusion
Ce chapitre a défini les besoins et les fonctionnalités clés de notre application web de
prédiction des taux de change en utilisant ARIMA et VAR. Nous avons structuré le projet
avec des modèles UML, précisant les interactions entre utilisateurs et système. Ces bases
guideront le développement, où nous implémenterons les algorithmes de prévision, les
analyses statistiques et une interface optimisée pour assurer performance et fiabilité.

25
Chapitre III. Environnement du projet

III.1​ Introduction
Dans ce chapitre, nous allons présenter l'environnement logiciel du projet, en
exposant les différents outils utilisés. Nous donnerons un aperçu des outils de
développement exploités dans la mise en place du projet. Ces outils incluent
plusieurs langages de programmation et logiciels de conception et de
développement utilisés pour l'implémentation de notre application mobile et la
partie web.

III.2​ Analyse des Séries Temporelles avec des Méthodes de Data

Science"
1.​ VAR (Vector Autoregressive Model) :

Le modèle VAR est une méthode multivariée utilisée pour analyser et

prédire l'évolution de plusieurs séries temporelles simultanément. Il
repose sur l'idée que les valeurs futures d'une série temporelle
dépendent non seulement de ses propres valeurs passées, mais aussi
de celles d'autres séries temporelles. Le VAR est couramment utilisé
pour modéliser les relations dynamiques entre plusieurs variables
économiques ou financières.

2.​ ARIMA (AutoRegressive Integrated Moving Average) :

Le modèle ARIMA est une méthode univariée qui combine trois

composants principaux : l'auto-régression (AR), l'intégration (I), et la
moyenne mobile (MA). Ce modèle est utilisé pour prédire une série
temporelle en fonction de ses valeurs passées et des erreurs de
prévision passées. L'ARIMA est très populaire pour les séries
temporelles stationnaires ou qui peuvent être rendues stationnaires
par différenciation.

26
 3.​ SARIMA (Seasonal ARIMA) :

Le modèle SARIMA est une extension du ARIMA qui prend en compte

les variations saisonnières dans les séries temporelles. Il ajoute des
termes saisonniers (pour les composantes AR, MA, et I) afin de
modéliser des cycles saisonniers, tels que des tendances qui se
répètent à intervalles réguliers (par exemple, mensuellement ou
annuellement). Le SARIMA est utile pour les séries temporelles qui
présentent des schémas saisonniers évidents.

📈 Introduction aux Séries Temporelles et Leur

Utilisation dans la Prédiction des Taux de Change:

Les séries temporelles constituent une branche essentielle de l’analyse statistique et

de la modélisation prédictive. Une série temporelle est une suite de données
chronologiques recueillies à intervalles réguliers, permettant d’étudier l’évolution
d’un phénomène au fil du temps. Ce type de données est omniprésent dans de
nombreux domaines tels que l’économie, la finance, la météorologie, la santé, la
production industrielle ou encore les sciences sociales.

27
Elle peut être représentée comme suit :

Schéma de composants d'une série temporelle : montrant les

composantes tendance (trend), saisonnalité (seasonality), bruit (noise).

28
une courbe représentant l'évolution d'un taux de change (MRU/USD dans
7j et 1 Années).

29
🔍 Importance des séries temporelles
L’analyse de séries temporelles vise à :

●​ Détecter des tendances (croissantes ou décroissantes),​

●​ Identifier des saisonnalités (effets récurrents sur certaines périodes),​

●​ Repérer des anomalies ou des changements structurels dans le comportement

des données,​

●​ Et surtout, prédire les valeurs futures sur la base des observations passées.​

Ces capacités rendent les séries temporelles indispensables dans la prise de décision
stratégique, particulièrement dans des environnements incertains où l’anticipation
est cruciale.

30
📊 Références et outils majeurs en séries temporelles
Dans la littérature, plusieurs modèles classiques sont largement utilisés :

●​ ARIMA (AutoRegressive Integrated Moving Average) : utilisé pour des séries

stationnaires, il combine l’autorégression, la différenciation et les moyennes
mobiles.​

●​ SARIMA : extension d’ARIMA pour les séries avec saisonnalité.​

●​ VAR (Vector AutoRegression) : utilisé quand plusieurs séries temporelles

interagissent.​

●​ Holt-Winters : pour les séries avec tendance et saisonnalité.​

●​ Prophet : développé par Facebook, il est robuste, flexible et performant pour

les séries à forte saisonnalité ou avec des ruptures.​

●​ LSTM (Long Short-Term Memory) : réseau de neurones récurrent adapté aux

longues dépendances temporelles, très utilisé dans le deep learning.​

Ces outils sont complétés par des techniques d’analyse comme la décomposition des
séries, les transformations logarithmiques, et des métriques comme le RMSE, MAE,
MAPE, pour évaluer la qualité des prédictions.

31
Comparaison entre différents modèles (ARIMA, LSTM, PROPHET)
en termes de performance sur un jeu de données.

Ce schéma illustre la comparaison entre différents modèles de séries temporelles (ARIMA,

LSTM, Prophet) utilisés pour la prévision des taux de change. Il met en évidence les
performances respectives de chaque modèle selon plusieurs critères comme la précision et
l’erreur moyenne, facilitant ainsi le choix du modèle le plus adapté.

32
💱 Application des séries temporelles dans la prédiction des taux de change
Le marché des taux de change est un domaine hautement dynamique et volatil. Il est
influencé par une multitude de facteurs : politiques monétaires, inflation, croissance
économique, événements géopolitiques, etc. Dans ce contexte, les séries temporelles
jouent un rôle fondamental pour :

●​ Modéliser le comportement historique d’une monnaie par rapport à une autre

(par exemple MRU/USD ou MRU/EUR),​

●​ Détecter des patterns récurrents ou des tendances cycliques dans les

fluctuations,​

●​ Et surtout, générer des prévisions permettant aux acteurs économiques

(investisseurs, entreprises, banques centrales) d’anticiper les évolutions à court
ou moyen terme.​

Dans le cas de ce projet, les données historiques des taux de change sont collectées
(souvent quotidiennement), puis nettoyées, visualisées et modélisées à l’aide de
techniques de séries temporelles. Cela permet de fournir aux utilisateurs une
estimation future du taux MRU/USD ou MRU/EUR, ainsi que des indicateurs de
confiance sur cette estimation.

33
🌍 Impact et pertinence
L'utilisation des séries temporelles dans la prédiction des taux de change ne se limite
pas à un intérêt académique ou technique : elle a un impact direct sur la réalité
économique. Une bonne prévision peut :

●​ Optimiser les opérations de change pour les entreprises,​

●​ Guider les décisions d’investissement ou de couverture,​

●​ Aider les gouvernements à adapter leur politique monétaire,​

●​ Et même protéger les citoyens contre les effets de la dévaluation ou de la

spéculation monétaire.​

34
 Références utiles :

📚 Livres recommandés
Titre Auteurs Description Lien

Time Series Analysis: Box, G.E.P. & Jenkins Livre fondateur des Lien
Forecasting and Control modèles ARIMA. Amazon

Time Series James D. Référence en Lien

Analysis Hamilton économétrie des Amazon
séries temporelles
(niveau avancé).

Forecasting: Rob J. Hyndman & Livre moderne très Lien en

Principles and George pédagogique, avec ligne
Practice (gratuit en Athanasopoulos code en R.
ligne)

35
 💻 Cours et tutoriels en ligne
Cours complets :

●​ Forecasting Using R – Hyndman sur Coursera​

●​ Time Series Analysis with Python – DataCamp​

●​ Applied Time Series Analysis – University of Washington (Coursera)​

🧠 Articles & blogs utiles

●​ Introduction aux séries temporelles avec Python (par DataScientest)​

●​ ARIMA Explained Simply (towardsdatascience)​

●​ Complete Guide to Time Series with Python (by Analytics Vidhya)​

36
🛠️ Bibliothèques Python utiles
Lib Utilisation

statsmode ARIMA, ETS, SARIMAX

ls

pmdarima Auto ARIMA

prophet Prévisions avec saisonnalité

(par Meta)

tslearn Machine learning pour ST

TensorFlo LSTM, GRU

w /
PyTorch

37
III.3​ Outils et technologies utilisées

Visual Studio Code est un éditeur de code simplifié, qui est

gratuit et développé en open source par Microsoft. Il
fonctionne sous Windows, mac OS et Linux. Il fournit aux
développeurs à la fois un environnement de développement
intégré avec des outils permettant de faire avancer les projets
techniques, de l’édition, à la construction, jusqu’au débogage.

Django est un Framework open source de développement

web en Python, . Il inclut une administration automatique
basée sur les modèles de données, ce qui facilite la gestion
des applications. Django est largement utilisé pour le
développement de sites web et d'applications complexes,

React est une bibliothèque JavaScript développée par Meta,

utilisée pour créer des interfaces utilisateur interactives. Elle
repose sur des composants réutilisables et utilise un DOM
virtuel pour améliorer les performances. React facilite la
création d’applications web dynamiques, notamment les applications monopage
(SPA).

38
 III.1​Conclusion

En conclusion, ce chapitre nous a permis d'explorer de manière approfondie

l’environnement technologique et les fondements du projet dédié à la
prédiction des taux de change entre l’Ouguiya mauritanien (MRU), l’Euro (EUR)
et le Dollar américain (USD). Nous avons présenté les objectifs principaux du
projet, à savoir la création d’une application web moderne, intuitive et
performante, capable d’anticiper les variations du marché des devises.

Ce chapitre a également mis en lumière les technologies choisies pour la

réalisation de l'application :

●​ Django, en tant que framework backend puissant et sécurisé, pour la

gestion des utilisateurs, des sessions, des prédictions et de l’API.​

●​ [Link], pour la construction d’une interface utilisateur dynamique,

responsive et fluide.​

●​ Axios pour les échanges client-serveur via API,​

●​ Et l’utilisation de modèles statistiques tels que ARIMA et VAR pour la

prévision des séries temporelles.​

L’ensemble de ces outils a été combiné pour former une architecture robuste,
respectant les bonnes pratiques en matière de développement web, de gestion
des données et de sécurité. L’approche modulaire adoptée dans la conception
permet une évolution future facile, tant sur le plan fonctionnel que technique.

Ce chapitre constitue ainsi une base solide pour aborder les étapes suivantes du
projet, notamment l’implémentation concrète des fonctionnalités (connexion,
historique, prédiction, conversion, analyse des modèles) et l’évaluation des
performances du système

39
Chapitre IV. Réalisation

IV.1​ Introduction
Le chapitre de réalisation constitue une étape cruciale de notre projet intégrateur (PI). Après
avoir élaboré une solide base théorique et conçu une méthodologie rigoureuse, nous
sommes maintenant prêts à donner vie à notre projet. Ce chapitre représente le point
d'intersection entre la planification minutieuse et l'application concrète de nos idées et
concepts.

IV.2​ Présentation du projet

1.​ Page d’authentification

La page de connexion permet aux utilisateurs de s’authentifier de manière sécurisée en

utilisant uniquement leur adresse email et un mot de passe. Cette étape assure un accès
personnalisé aux données et fonctionnalités de l’application

40
 2.​ Page d’acceuille

Le tableau de bord fournit une vue d'ensemble des tendances actuelles du taux de change entre le
MRU (Ouguiya mauritanien) et les principales devises mondiales telles que l’USD et l’EUR. Les
taux de change sont présentés avec leur évolution journalière, permettant à l'utilisateur de surveiller
les fluctuations du marché en temps réel. Cette page intègre également des filtres temporels (7 jours,
1 mois, etc.) pour une analyse plus approfondie.

Figure 11 Page d’acceuille

41
 3.​ Evolution MRU/USD

Série temporelle de l’évolution MRU/USD et MRU/EUR :

L’application affiche l’évolution des taux de change du MRU face au USD et à l’EUR sous forme de
séries temporelles. Ces courbes permettent d’observer les variations sur différentes périodes (7 jours,
1 mois, etc.) afin d’analyser les tendances économiques, détecter les fluctuations du marché, et
appuyer les modèles de prédiction.

42
 4.​ prévision des taux de change

L'application intègre des modèles de séries temporelles pour effectuer la prévision des taux de change
du MRU face aux principales devises (USD et EUR). Grâce à des algorithmes comme ARIMA ou
Prophet, l'utilisateur peut choisir un modèle d’analyse, lancer la prédiction, et visualiser les résultats
sous forme de courbes. Cette fonctionnalité permet d’anticiper les tendances futures du marché
monétaire et de mieux orienter les décisions financières.

43
 5.​ Convertisseur des devices

Le convertisseur permet aux utilisateurs de convertir des montants entre le MRU et d'autres devises
internationales. Il prend en charge les taux en temps réel, issus soit d’une API réelle, soit d’un mode
de démonstration. Cette fonctionnalité est particulièrement utile pour estimer des valeurs monétaires
lors de transactions financières ou de voyages.

44
 6.​ Historique

Cette section permet de visualiser l’historique des prédictions des taux de change MRU/USD et
MRU/EUR. Les résultats sont basés sur des données temporelles précédemment traitées par des
modèles de machine learning. Les utilisateurs peuvent ainsi suivre l’évolution des prévisions et
comparer avec les taux réels pour évaluer la précision des modèles.

45
 7.​ Analyse des modèles

Cette section offre aux utilisateurs la possibilité de sélectionner un modèle de prévision avancé parmi
plusieurs approches populaires telles que ARIMA, LSTM ou Prophet. Chaque modèle repose sur des
techniques statistiques ou d’intelligence artificielle adaptées à l’analyse de données temporelles. Une
fois le modèle choisi, le système traite les données historiques des taux de change (MRU/USD et
MRU/EUR) pour générer des prédictions sur les évolutions futures. Les résultats sont présentés de
manière visuelle à travers des courbes, graphiques ou tableaux comparatifs, permettant une
compréhension intuitive des tendances à venir. Cette fonctionnalité constitue un outil d’aide à la
décision précieux pour les utilisateurs souhaitant anticiper les variations du marché des devises.

46
 8.​déconnexion

Un bouton de déconnexion est accessible dans l’interface utilisateur afin de

permettre aux utilisateurs de fermer leur session de manière sécurisée à tout
moment. Cela contribue à la protection des données personnelles et à une bonne
pratique de gestion des sessions.

47
 Conclusion Générale et Perspectives
Ce projet de prédiction des taux de change a permis de concevoir et de développer une application
web complète et interactive, capable d’analyser, d’interpréter et d’anticiper l’évolution des taux de
change entre l’Ouguiya (MRU), l’Euro (EUR) et le Dollar américain (USD). S’appuyant sur des modèles
de séries temporelles éprouvés tels que ARIMA et VAR, l’application propose des prévisions
statistiques fiables en se basant sur des données historiques. Ces prévisions sont enrichies
d’indicateurs quantitatifs pertinents tels que la variation en pourcentage, l’écart-type, les valeurs
maximales et minimales, ainsi que des projections sur plusieurs mois, voire une année.

L’interface utilisateur, développée avec React, offre une expérience fluide, intuitive et réactive. Côté
serveur, Django assure une gestion robuste et sécurisée des données, notamment en ce qui
concerne l’authentification, la consultation des historiques et l’analyse des résultats. Cette
architecture moderne favorise une scalabilité du projet et permet une maintenance aisée.

Sur le plan fonctionnel, l’application répond efficacement aux besoins d’un public varié :
investisseurs, entreprises, étudiants en économie, ou encore particuliers intéressés par les
marchés financiers. Elle constitue un outil d’aide à la décision stratégique dans un contexte
économique globalisé, où les taux de change influencent de nombreuses transactions.

Perspectives d'Amélioration

Afin d’augmenter la précision, l’utilité et la portée de l’application, plusieurs axes d’évolution sont
envisageables :

🔬 Amélioration des modèles prédictifs

●​ Intégration de modèles plus avancés tels que LSTM (Long Short-Term Memory), XGBoost,
Prophet, ou encore Transformers pour une meilleure capture des tendances non linéaires.​

●​ Prise en compte de facteurs exogènes : indicateurs macroéconomiques (inflation, croissance,

taux d’intérêt), données géopolitiques (conflits, sanctions), ou encore événements

48
 internationaux (crises sanitaires, décisions politiques).​

●​ Implémentation de modèles hybrides, combinant statistiques classiques et apprentissage

automatique pour une robustesse accrue.​

🔗 Connexion à des données en temps réel

●​ Intégration d’API financières (ex : OpenExchangeRates, Forex API, banques centrales) pour
récupérer les taux actualisés en continu.​

●​ Création d’un système d’alerte dynamique : notifications en cas de variation anormale ou

seuils critiques dépassés.​

📱 Développement multiplateforme
●​ Déploiement d’une application mobile (Android/iOS) pour rendre les prédictions accessibles
à tout moment.​

●​ Ajout de fonctionnalités hors ligne avec mise à jour automatique dès reconnection.​

🔐 Renforcement de la sécurité et conformité

●​ Mise en place de protocoles de chiffrement des données sensibles.​

●​ Ajout de mécanismes d’authentification renforcée (2FA).​

●​ Conformité avec les réglementations en matière de protection des données (RGPD, etc.).​

📊 Fonctionnalités avancées pour les utilisateurs

●​ Exportation des résultats au format Excel/PDF pour analyse externe.​

49
 ●​ Possibilité de comparer plusieurs modèles et scénarios sur une même interface.​

●​ Interface d’analyse multi-devises avec visualisation comparative des taux entre plusieurs
monnaies.​

Conclusion

En somme, ce projet représente une base solide pour le développement d’une plateforme
intelligente de prévision financière. Grâce à sa modularité, son extensibilité et son interface
conviviale, il peut facilement évoluer vers une solution professionnelle complète. En enrichissant ses
fonctionnalités, en élargissant son périmètre d’analyse et en améliorant ses performances
techniques, cette application pourrait devenir un véritable outil de référence pour la prévision des
taux de change dans divers contextes économiques et géographiques.

50