{"id":5133,"date":"2026-10-14T18:01:57","date_gmt":"2026-10-14T18:01:57","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-creer-graphique-chandeliers-matplotlib-python\/"},"modified":"2026-10-14T18:01:57","modified_gmt":"2026-10-14T18:01:57","slug":"comment-creer-graphique-chandeliers-matplotlib-python","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-creer-graphique-chandeliers-matplotlib-python","title":{"rendered":"Comment cr\u00e9er un graphique en chandeliers avec Matplotlib en Python"},"content":{"rendered":"

Dans l’\u00e9cosyst\u00e8me contemporain de l’\u00e9conom\u00e9trie appliqu\u00e9e et de l’ing\u00e9nierie financi\u00e8re, la visualisation rigoureuse des donn\u00e9es boursi\u00e8res constitue le point d’ancrage fondamental de toute d\u00e9marche empirique. Les march\u00e9s financiers mondiaux, caract\u00e9ris\u00e9s par une stochasticit\u00e9 inh\u00e9rente et une densit\u00e9 informationnelle colossale, g\u00e9n\u00e8rent des flux continus de transactions dont la synth\u00e8se visuelle conditionne la prise de d\u00e9cision, qu’elle soit humaine ou algorithmique. Parmi l’\u00e9ventail des repr\u00e9sentations g\u00e9om\u00e9triques con\u00e7ues pour capturer la dynamique des cours, le graphique en chandeliers japonais \u2014 commun\u00e9ment d\u00e9sign\u00e9 sous l’anglicisme candlestick chart<\/em> \u2014 s’est impos\u00e9 comme le standard paradigmatique par excellence. Cette pr\u00e9\u00e9minence d\u00e9coule de sa remarquable capacit\u00e9 \u00e0 compacter une multiplicit\u00e9 de dimensions cin\u00e9matiques en une forme graphique unitaire, offrant une lisibilit\u00e9 imm\u00e9diate des forces de confrontation entre l’offre et la demande sur un intervalle temporel discret.<\/p>\n

Toutefois, la g\u00e9n\u00e9ration de ces artefacts visuels au sein d’environnements de recherche quantitative exige une flexibilit\u00e9, une pr\u00e9cision vectorielle et une reproductibilit\u00e9 scientifique que les logiciels de bureautique traditionnels ou les interfaces ferm\u00e9es ne sauraient garantir. C’est \u00e0 ce croisement m\u00e9thodologique pr\u00e9cis que l’\u00e9cosyst\u00e8me scientifique de Python<\/a>, articul\u00e9 autour de la biblioth\u00e8que matricielle NumPy<\/a>, des structures tabulaires de Pandas<\/a> et du moteur graphique de bas niveau de Matplotlib<\/a>, d\u00e9ploie sa puissance architecturale. Matplotlib ne se cantonne pas \u00e0 une simple couche de rendu g\u00e9n\u00e9rique ; il fournit une infrastructure graphique de pr\u00e9cision permettant un contr\u00f4le atomique sur chaque entit\u00e9 g\u00e9om\u00e9trique, depuis l’\u00e9paisseur infinit\u00e9simale d’un segment de droite mat\u00e9rialisant une ombre jusqu’\u00e0 la composition chromatique et spatiale d’un rectangle repr\u00e9sentant le corps de la s\u00e9ance boursi\u00e8re.<\/p>\n

Cet article propose une exploration exhaustive, didactique et th\u00e9oriquement ancr\u00e9e de la mod\u00e9lisation et du tra\u00e7age programmatique des graphiques en chandeliers au moyen de Matplotlib. En d\u00e9composant les fondements s\u00e9miotiques des quatre grandeurs critiques du march\u00e9, en \u00e9lucidant les d\u00e9fis algorithmiques pos\u00e9s par les discontinuit\u00e9s temporelles calendaires, et en diss\u00e9quant l’impl\u00e9mentation vectoris\u00e9e couche par couche, ce trait\u00e9 vise \u00e0 doter les analystes quantitatifs, chercheurs en finance de march\u00e9 et ing\u00e9nieurs logiciels des comp\u00e9tences n\u00e9cessaires pour b\u00e2tir des visualisations de qualit\u00e9 publication, exemptes de distorsions g\u00e9om\u00e9triques et conformes aux plus hauts standards de la science des donn\u00e9es.<\/p>\n

1. Introduction th\u00e9orique aux graphiques en chandeliers japonais et \u00e0 leur mod\u00e9lisation<\/h2>\n

1.1 Anatomie structurelle d’un chandelier financier<\/h3>\n

L’origine s\u00e9culaire du chandelier japonais remonte aux travaux pr\u00e9curseurs de Munehisa Homma au XVIIIe si\u00e8cle sur les march\u00e9s \u00e0 terme de riz de Dojima \u00e0 Osaka, travaux qui furent ult\u00e9rieurement th\u00e9oris\u00e9s et introduits dans la finance occidentale moderne par Steve Nison<\/a>. D’un point de vue purement topologique, un chandelier financier transcende la simple r\u00e9duction scalaire d’un cours de cl\u00f4ture en agr\u00e9geant, pour chaque tranche de temps \u00e9l\u00e9mentaire sp\u00e9cifi\u00e9e, un quadruplet de valeurs num\u00e9riques d\u00e9limitant le comportement de l’actif sous-jacent : le cours d’ouverture ($O$<\/span>), le cours le plus haut ($H$<\/span>), le cours le plus bas ($L$<\/span>) et le cours de cl\u00f4ture ($C$<\/span>). Cet ensemble ordonn\u00e9, canoniquement d\u00e9sign\u00e9 sous l’acronyme OHLC (Open, High, Low, Close<\/em>), forme le squelette math\u00e9matique indispensable \u00e0 la construction de la bougie.<\/p>\n

La morphologie d’un chandelier se d\u00e9compose g\u00e9om\u00e9triquement en deux composantes primordiales : le corps r\u00e9el (real body<\/em>) et les ombres ou m\u00e8ches (shadows<\/em> ou wicks<\/em>). Le corps de la bougie est constitu\u00e9 par la zone polygonale \u2014 g\u00e9n\u00e9ralement un rectangle bidimensionnel \u2014 d\u00e9limit\u00e9e sur l’axe des ordonn\u00e9es par le cours d’ouverture et le cours de cl\u00f4ture. L’amplitude verticale de ce corps, calcul\u00e9e par la valeur absolue de la diff\u00e9rence entre la cl\u00f4ture et l’ouverture, $|C – O|$<\/span>, refl\u00e8te directement l’intensit\u00e9 de la pression directionnelle dominante durant l’intervalle d’observation. Un corps \u00e9tir\u00e9 t\u00e9moigne d’un consensus unilat\u00e9ral puissant et d’un d\u00e9s\u00e9quilibre marqu\u00e9 entre les flux acheteurs et vendeurs, tandis qu’un corps compress\u00e9 ou inexistant (caract\u00e9ristique d’un doji<\/em> o\u00f9 $C \\approx O$<\/span>) traduit une phase de neutralit\u00e9, d’ind\u00e9cision syst\u00e9mique ou de transition d’\u00e9quilibre au sein du carnet d’ordres.<\/p>\n

Les m\u00e8ches, quant \u00e0 elles, se mat\u00e9rialisent sous la forme de segments lin\u00e9aires filiformes prolongeant le corps r\u00e9el vers le haut et vers le bas le long de l’axe vertical des prix. L’ombre sup\u00e9rieure (upper shadow<\/em>) s’\u00e9tend depuis le sommet du corps r\u00e9el, d\u00e9fini par $max(O, C)$<\/span>, jusqu’au niveau du plus haut de la p\u00e9riode ($H$<\/span>). Sym\u00e9triquement, l’ombre inf\u00e9rieure (lower shadow<\/em>) relie la base du corps r\u00e9el, d\u00e9finie par $min(O, C)$<\/span>, au plus bas de la p\u00e9riode ($L$<\/span>). Ces extensions lin\u00e9aires capturent la volatilit\u00e9 intra-p\u00e9riode et quantifient les ph\u00e9nom\u00e8nes de rejet de prix : une longue m\u00e8che sup\u00e9rieure r\u00e9v\u00e8le une tentative d’incursion haussi\u00e8re repouss\u00e9e agressivement par des ordres vendeurs avant la cl\u00f4ture temporelle de l’intervalle. Les standards des bourses mondiales imposent une normalisation chromatique ou g\u00e9om\u00e9trique de cette disposition, permettant de distinguer instantan\u00e9ment les s\u00e9ances haussi\u00e8res ($C > O$<\/span>, traditionnellement repr\u00e9sent\u00e9es par un corps vert, blanc ou vide) des s\u00e9ances baissi\u00e8res ($C < O$<\/span>, repr\u00e9sent\u00e9es par un corps rouge ou plein).<\/p>\n

1.2 Pertinence analytique dans l’\u00e9valuation des s\u00e9ries temporelles boursi\u00e8res<\/h3>\n

L’analyse des s\u00e9ries temporelles en micro-structure de march\u00e9 met en lumi\u00e8re une asym\u00e9trie informationnelle fondamentale entre les diff\u00e9rents modes de transcription graphique. Un graphique lin\u00e9aire classique, restreint \u00e0 la seule trajectoire continue des cours de cl\u00f4ture, souffre d’un biais d’effacement majeur : il occulte compl\u00e8tement l’amplitude des oscillations intrad\u00e9termin\u00e9es et comprime la variance locale en une simple trajectoire unidimensionnelle. \u00c0 l’inverse, bien que les graphiques \u00e0 barres traditionnels (barres OHLC occidentales) pr\u00e9servent l’int\u00e9gralit\u00e9 des quatre grandeurs critiques, leur minceur g\u00e9om\u00e9trique uniforme sollicite un effort cognitif sup\u00e9rieur pour d\u00e9chiffrer rapidement l’orientation relative de la s\u00e9ance, particuli\u00e8rement lorsque des centaines d’occurrences sont juxtapos\u00e9es sur un m\u00eame \u00e9cran.<\/p>\n

Le chandelier japonais r\u00e9sout cette contrainte ergonomique en cr\u00e9ant un contraste volum\u00e9trique marqu\u00e9 gr\u00e2ce \u00e0 la surface plane de son corps r\u00e9el. Cette condensation g\u00e9om\u00e9trique permet \u00e0 l’observateur d’op\u00e9rer une double analyse : une interpr\u00e9tation macroscopique de la tendance structurelle du sous-jacent \u00e0 travers la succession des corps, et une auscultation microscopique des dynamiques de renversement potentielles mat\u00e9rialis\u00e9es par des configurations sp\u00e9cifiques telles que les marteaux (hammers<\/em>), les \u00e9toiles filantes (shooting stars<\/em>) ou les avalements (engulfing patterns<\/em>). Chaque bougie constitue ainsi un r\u00e9sum\u00e9 statistique discret d’un processus stochastique sous-jacent mod\u00e9lisable, \u00e0 l’\u00e9chelle continue, par un mouvement brownien g\u00e9om\u00e9trique ou un processus \u00e0 sauts de Poisson.<\/p>\n

N\u00e9anmoins, la repr\u00e9sentation en chandelier pr\u00e9sente des limites structurelles intrins\u00e8ques qu’il convient de souligner d’un point de vue quantitatif. En discr\u00e9tisant le flux continu des cotations en tranches temporelles arbitraires (par exemple, 1 minute, 1 heure, 1 jour), elle efface l’ordre s\u00e9quentiel intra-p\u00e9riode dans lequel le plus haut et le plus bas ont \u00e9t\u00e9 atteints. D\u00e8s lors, deux s\u00e9ances pr\u00e9sentant rigoureusement les m\u00eames m\u00e9triques OHLC peuvent correspondre \u00e0 des micro-trajectoires totalement divergentes au sein du carnet d’ordres, l’une illustrant une d\u00e9pr\u00e9ciation brutale suivie d’une lente remont\u00e9e, l’autre une mont\u00e9e lin\u00e9aire pr\u00e9c\u00e9dant un effondrement soudain. Pour l’analyse \u00e0 tr\u00e8s haute fr\u00e9quence (high-frequency trading<\/em>), le chandelier doit donc \u00eatre compl\u00e9t\u00e9 ou supplant\u00e9 par des m\u00e9triques continues directes (cotations tick-by-tick<\/em>, profils de liquidit\u00e9 et cartographies du carnet de commandes).<\/p>\n

1.3 Justification m\u00e9thodologique de Python et Matplotlib dans la recherche quantitative<\/h3>\n

Dans l’\u00e9cosyst\u00e8me scientifique international, Python<\/a> s’est solidement \u00e9tabli comme le langage universel pour le prototypage rapide, la recherche quantitative et la mise en production de pipelines de calcul \u00e9conomique. Sa flexibilit\u00e9 syntaxique combin\u00e9e \u00e0 la v\u00e9locit\u00e9 d’impl\u00e9mentation de biblioth\u00e8ques \u00e9crites en extensions C\/C++ en fait un v\u00e9hicule id\u00e9al pour manipuler d’immenses vecteurs de s\u00e9ries temporelles financi\u00e8res. Dans cette architecture, Matplotlib assume le r\u00f4le de moteur de rendu fondamental. Con\u00e7u \u00e0 l’origine par John D. Hunter pour reproduire la logique matricielle de MATLAB au sein d’un environnement libre, Matplotlib fournit une infrastructure bas niveau d’une robustesse exceptionnelle, garantissant un contr\u00f4le d\u00e9terministe sur chaque primitive de dessin.<\/p>\n

Contrairement aux biblioth\u00e8ques de haut niveau orient\u00e9es vers le web ou l’exploration commerciale rapide, qui reposent fr\u00e9quemment sur des moteurs JavaScript encapsul\u00e9s et imposent des contraintes rigides sur l’agencement spatial, Matplotlib traite le graphique comme une v\u00e9ritable composition cart\u00e9sienne programmable. Chaque \u00e9l\u00e9ment \u2014 axe, graduation majeure, graduation mineure, \u00e9tiquette textuelle, bo\u00eete de d\u00e9limitation ou segment g\u00e9om\u00e9trique \u2014 est instanci\u00e9 sous la forme d’un objet Python manipulable directement en m\u00e9moire. Cette pr\u00e9cision g\u00e9om\u00e9trique est vitale pour la recherche quantitative : elle autorise l’exact alignement des chandeliers avec des matrices d’ordres, des histogrammes de volume d\u00e9riv\u00e9s de micro-structures complexes ou des sous-panneaux d’indicateurs probabilistes.<\/p>\n

De surcro\u00eet, l’interop\u00e9rabilit\u00e9 sans couture entre Matplotlib, NumPy et Pandas assure que les flux de calcul matriciel ne subissent aucune d\u00e9perdition de performance lors de la phase de conversion graphique. La manipulation d’objets `Series` et `DataFrame` munis d’un `DatetimeIndex` natif s’effectue avec une fluidit\u00e9 conceptuelle totale. Enfin, la dimension imp\u00e9rative de la recherche scientifique exige une reproductibilit\u00e9 absolue des visualisations : un script Python utilisant Matplotlib garantit qu’une figure boursi\u00e8re complexe g\u00e9n\u00e9r\u00e9e pour une th\u00e8se ou une revue acad\u00e9mique \u00e0 comit\u00e9 de lecture demeurera strictement identique, au pixel pr\u00e8s et \u00e0 l’\u00e9paisseur de ligne pr\u00e8s, quel que soit le syst\u00e8me d’exploitation ou le serveur distant sans interface graphique (headless server<\/em>) ex\u00e9cutant le traitement.<\/p>\n

2. Environnement de d\u00e9veloppement et pr\u00e9requis techniques<\/h2>\n

2.1 Installation et compatibilit\u00e9 des biblioth\u00e8ques fondamentales<\/h3>\n

L’\u00e9dification d’un pipeline robuste de rendu graphique financier n\u00e9cessite la mise en place d’un environnement d’ex\u00e9cution isol\u00e9 afin d’\u00e9viter toute interf\u00e9rence de d\u00e9pendances logicielles. L’utilisation d’outils de gestion d’environnements virtuels, tels que l’utilitaire standard `venv` fourni avec la distribution standard de Python ou le gestionnaire de paquets binaire `conda`, constitue une bonne pratique incontournable. L’analyste doit s’assurer de d\u00e9ployer une version moderne de l’interpr\u00e9teur Python (de pr\u00e9f\u00e9rence Python 3.9 ou une mouture sup\u00e9rieure) garantissant une prise en charge compl\u00e8te des sp\u00e9cifications typologiques r\u00e9centes et des optimisations de performances matricielles apport\u00e9es aux biblioth\u00e8ques de bas niveau.<\/p>\n

Les d\u00e9pendances fondamentales de notre pile technique se structurent autour de trois axes : le calcul matriciel avec NumPy (version $ge$<\/span> 1.20), la manipulation de donn\u00e9es tabulaires chronologiques avec Pandas (version $ge$<\/span> 1.3), et la g\u00e9n\u00e9ration visuelle avec Matplotlib (version minimale recommand\u00e9e $ge$<\/span> 3.4 afin de b\u00e9n\u00e9ficier des am\u00e9liorations notables apport\u00e9es \u00e0 la gestion des conteneurs de barres et aux localisateurs de dates). L’installation via le gestionnaire officiel de paquets de Python s’ex\u00e9cute typiquement par l’instruction de terminal suivante :<\/p>\n

pip install numpy pandas matplotlib<\/code><\/p>\n

Il est crucial de valider la compatibilit\u00e9 r\u00e9ciproque de ces biblioth\u00e8ques, particuli\u00e8rement en ce qui concerne la gestion interne des types d’horodatage. Matplotlib dispose de son propre sous-module de gestion chronologique (`matplotlib.dates`), qui convertit les dates et heures sous la forme d’un flottant repr\u00e9sentant le nombre de jours \u00e9coul\u00e9s depuis une \u00e9poque canonique d\u00e9finie (l’\u00e9poque standard \u00e9tant le 1er janvier 1970 avec l’ajustement du calendrier gr\u00e9gorien proleptique). Une synchronisation rigoureuse entre les types `datetime64[ns]` de NumPy, les instances `Timestamp` de Pandas et les formats flottants requis par Matplotlib \u00e9vite les exceptions d’incompatibilit\u00e9 de type au moment du passage des arguments aux primitives de dessin vectoriel.<\/p>\n

2.2 Architecture logicielle et paradigmes de visualisation<\/h3>\n

L’une des sources majeures de confusion chez les d\u00e9veloppeurs abordant Matplotlib r\u00e9side dans la coexistence historique de deux paradigmes d’interface distincts : l’interface fonctionnelle proc\u00e9durale (`matplotlib.pyplot`, calqu\u00e9e sur l’h\u00e9ritage historique de MATLAB) et l’interface orient\u00e9e objet (OO). L’approche proc\u00e9durale s’appuie sur une machine \u00e0 \u00e9tats sous-jacente implicite, o\u00f9 les commandes telles que `plt.plot()` ou `plt.title()` op\u00e8rent syst\u00e9matiquement sur la figure ou l’axe \u00ab\u00a0courant\u00a0\u00bb actif en m\u00e9moire. Bien que s\u00e9duisante pour des manipulations fugaces dans un carnet interactif, cette approche r\u00e9v\u00e8le rapidement ses limites d\u00e8s lors qu’il s’agit de concevoir des architectures graphiques complexes et modulaires, telles que des tableaux de bord boursiers int\u00e9grant plusieurs axes synchronis\u00e9s.<\/p>\n

Dans le cadre d’une mod\u00e9lisation financi\u00e8re avanc\u00e9e, l’adoption stricte et syst\u00e9matique du paradigme orient\u00e9 objet s’impose imp\u00e9rativement. Cette architecture repose sur la dissociation fondamentale entre l’objet `Figure` et l’objet `Axes`. La `Figure` repr\u00e9sente la surface totale du canevas, l’espace m\u00e9moire global englobant l’ensemble des \u00e9l\u00e9ments visuels, y compris les bordures ext\u00e9rieures, les titres g\u00e9n\u00e9raux et les l\u00e9gendes transversales. L’objet `Axes`, quant \u00e0 lui, incarne la r\u00e9gion math\u00e9matique r\u00e9elle de projection des donn\u00e9es : il encapsule le syst\u00e8me de coordonn\u00e9es cart\u00e9siennes, les \u00e9chelles, les limites num\u00e9riques, les lignes de grille et l’int\u00e9gralit\u00e9 des primitives graphiques (lignes, polygones, collections g\u00e9om\u00e9triques). En manipulant explicitement les r\u00e9f\u00e9rences vers les objets `Axes`, l’analyste conserve la ma\u00eetrise absolue de chaque sous-composant de la sc\u00e8ne.<\/p>\n

Par ailleurs, la s\u00e9lection du moteur de rendu (backend<\/em>) de Matplotlib rev\u00eat une dimension strat\u00e9gique selon le contexte de destination. Pour un affichage interactif dans un carnet Jupyter Notebook ou une session de d\u00e9bogage locale, des moteurs comme le module interactif `widget` ou les interfaces graphiques natives (Qt, Tk) sont sollicit\u00e9s. En revanche, pour la recherche acad\u00e9mique ou les cha\u00eenes de traitement automatis\u00e9es s’ex\u00e9cutant sur des serveurs distants de calcul, la configuration d’un moteur vectoriel passif (non-interactif) comme `Agg` (pour les formats matriciels matriciels PNG haute r\u00e9solution) ou `pdf` \/ `svg` (pour la publication vectorielle sans cr\u00e9nelage) s’av\u00e8re indispensable. Enfin, la lib\u00e9ration d\u00e9terministe des ressources m\u00e9moires via l’invocation formelle de `plt.close(fig)` constitue une exigence stricte pour \u00e9viter les fuites de m\u00e9moire (memory leaks<\/em>) lors de la g\u00e9n\u00e9ration automatis\u00e9e de plusieurs milliers de graphiques de backtesting.<\/p>\n

3. Structure et pr\u00e9paration rigoureuse des donn\u00e9es avec Pandas<\/h2>\n

3.1 Mod\u00e9lisation du DataFrame boursier canonique<\/h3>\n

L’ing\u00e9nierie financi\u00e8re computationnelle repose sur la manipulation d’entit\u00e9s tabulaires standardis\u00e9es. Dans l’\u00e9cosyst\u00e8me Python, le `DataFrame` de Pandas constitue le standard universel pour h\u00e9berger des s\u00e9ries temporelles boursi\u00e8res. Pour qu’une structure de donn\u00e9es puisse \u00eatre projet\u00e9e sous forme de chandeliers sans ambigu\u00eft\u00e9 algorithmique, elle doit obligatoirement pr\u00e9senter une organisation matricielle canonique constitu\u00e9e d’au moins quatre colonnes num\u00e9riques continues : l’ouverture (`open`), le plus-haut (`high`), le plus-bas (`low`) et la cl\u00f4ture (`close`), compl\u00e9t\u00e9es tr\u00e8s fr\u00e9quemment par la colonne de volume d’\u00e9change transactionnel (`volume`).<\/p>\n

Une attention m\u00e9ticuleuse doit \u00eatre accord\u00e9e au typage sous-jacent de ces vecteurs. Les valeurs de prix doivent imp\u00e9rativement \u00eatre transtyp\u00e9es en flottants de pr\u00e9cision double (flottants 64 bits, soit le type standard `float64` dans NumPy et Pandas), conform\u00e9ment \u00e0 la norme IEEE 754<\/a>. L’utilisation inad\u00e9quate d’entiers ou de cha\u00eenes de caract\u00e8res r\u00e9siduelles issues de l’importation de fichiers CSV ou d’appels \u00e0 des interfaces applicatives (API) corromprait instantan\u00e9ment les calculs g\u00e9om\u00e9triques de diff\u00e9rentiels d’amplitude verticale et fausserait le positionnement spatial des bo\u00eetes.<\/p>\n

Parall\u00e8lement, la dimension temporelle doit \u00eatre rigoureusement structur\u00e9e. L’index du DataFrame ne doit pas consister en une banale s\u00e9quence d’entiers arbitraires, mais doit \u00eatre formellement converti en un conteneur d’horodatage optimis\u00e9 de type `pd.DatetimeIndex`. Lors de la cr\u00e9ation de s\u00e9ries simul\u00e9es ou de la reconstruction de donn\u00e9es historiques, l’analyste s’appuie avantageusement sur la fonction `pd.date_range()`, en sp\u00e9cifiant explicitement la fr\u00e9quence de discr\u00e9tisation (par exemple `’B’` pour les jours ouvr\u00e9s bancaires, ou `’D’` pour les jours calendaires stricts). Cette configuration permet d’exploiter la puissance des m\u00e9thodes de r\u00e9\u00e9chantillonnage temporel et d’alignement chronologique intrins\u00e8ques \u00e0 Pandas avant toute tentative de projection graphique.<\/p>\n

3.2 Validation de la coh\u00e9rence math\u00e9matique des s\u00e9ries de prix<\/h3>\n

Avant d’engager le moindre calcul de rendu graphique, une phase de validation d\u00e9fensive de l’int\u00e9grit\u00e9 axiomatique des donn\u00e9es s’av\u00e8re indispensable. En vertu des principes \u00e9l\u00e9mentaires r\u00e9gissant la formation des prix au sein d’une enceinte boursi\u00e8re, chaque enregistrement OHLC doit imp\u00e9rativement satisfaire un ensemble d’in\u00e9galit\u00e9s strictes traduisant la r\u00e9alit\u00e9 physique des transactions :<\/p>\n