Analyse de marché prescriptive face à l’analyse descriptive : comment Quad-AI résout la paralysie des indicateurs en une feuille de route exploitable

1. Déphasage causal et retard de groupe des indicateurs rétrospectifs classiques

Ouvrez presque n’importe quel graphique discrétionnaire après un retournement brusque de tendance et un défaut récurrent de synchronisation saute aux yeux. Le prix teste un socle institutionnel de support établi sur plusieurs semaines, inscrit une bougie impulsive de rejet et parcourt déjà quarante pour cent de son amplitude totale de rebond pendant que les moyennes mobiles et les sous-fenêtres de momentum situées sous le graphique pointent toujours vers le bas. Ce n’est qu’une fois l’essentiel du mouvement à ratio rendement/risque asymétrique déjà consommé que ces courbes rétrospectives finissent par se croiser à la hausse, incitant à des entrées tardives en plein essoufflement de court terme.

Ce contretemps n’est nullement l’accident d’un mauvais réglage de paramètres. C’est une conséquence mathématique inéluctable de l’application de filtres causaux à temps discret sur des séries financières non stationnaires. À l’indice de bougie t, les clôtures futures P_t+1, P_t+2, ... ne se sont pas encore produites. Tout indicateur calculé uniquement à partir des clôtures passées {P_t-k}_k≥0 doit obéir à la contrainte de causalité h[k] = 0 pour tout k < 0, où h[k] désigne la réponse impulsionnelle du filtre.

Sous la transformée de Fourier à temps discret (Oppenheim et Schafer [8]), un filtre linéaire invariant dans le temps transforme une sinusoïde d’entrée de pulsation angulaire normalisée ω ∈ (-π, π] (exprimée en radians par bougie) selon la réponse fréquentielle complexe H(e^jω) = |H(e^jω)| e^jϕ(ω). Ici, |H(e^jω)| représente le gain en amplitude qui atténue l’agitation haute fréquence, et ϕ(ω) désigne le déphasage continu. Lorsqu’un paquet d’ondes de prix localisé ou une inflexion de tendance centrée au voisinage de la pulsation ω traverse ce filtre, son enveloppe est retardée dans le temps d’un nombre exact de bougies appelé retard de groupe τ_g(ω) = -dϕ(ω) / dω. L’évaluation de cette fonction de transfert pour une moyenne mobile simple de longueur N bougies (h[k] = 1/N pour 0 ≤ k ≤ N - 1) établit notre première contrainte structurelle :

Chaque terme de l’Équation (1) emporte une conséquence opérationnelle directe sur un écran de marché en direct. L’entier N mesure la longueur en bougies de la fenêtre d’observation, le noyau de Dirichlet sin(ωN / 2) / [N sin(ω / 2)] gouverne le lissage d’amplitude, et le facteur de phase linéaire e^{-jω(N - 1)/2} se dérive en un retard de groupe constant égal à exactement (N - 1) / 2 bougies sur l’intégralité des fréquences ω.

Examinons un calcul numérique concret sur un graphique 4h du marché des changes ou des cryptomonnaies. Une SMA(20) impose un retard de groupe de (20 - 1) / 2 = 9,5 bougies, ce qui équivaut à 38 heures de temps de marché réel écoulé. Une SMA(50) accuse un retard de (50 - 1) / 2 = 24,5 bougies, soit 98 heures (plus de quatre journées complètes de cotation). Une SMA(200) de référence retarde les changements structurels de régime de 99,5 bougies, soit 398 heures (plus de trois semaines de cotation Forex). Si EURUSD rebondit depuis une zone institutionnelle de support et accomplit une impulsion de 180 pips en quarante heures, un croisement SMA(20) / SMA(50) est mathématiquement incapable de confirmer ce retournement avant que plus de la moitié du mouvement ne soit déjà derrière l’opérateur.

Conscients du retard propre aux fenêtres rectangulaires, les praticiens remplacent couramment les moyennes mobiles à réponse impulsionnelle finie (FIR) par des filtres récursifs à réponse impulsionnelle infinie (IIR) tels que la moyenne mobile exponentielle, définie par y_t = α P_t + (1 - α) y_t-1 avec facteur de lissage α = 2 / (N + 1). Le passage à la transformée en z, soit H_EMA(z) = α / [1 - (1 - α)z^-1], et la dérivation de sa phase déroulée par rapport à ω révèlent pourquoi la pondération exponentielle ne franchit jamais la barrière causale :

Dans l’Équation (2), α ∈ (0, 1) représente le poids accordé à la clôture courante P_t, tandis que (1 - α) gouverne la décroissance exponentielle de la mémoire sur l’ensemble des clôtures antérieures. L’évaluation de τ_g,EMA(ω) lorsque ω → 0 (la bande basse fréquence qui porte les tendances directionnelles soutenues) ramène exactement la fraction à (1 - α) / α, ce qui, sous la paramétrisation standard α = 2 / (N + 1), produit rigoureusement le même retard de (N - 1) / 2 bougies qu’une SMA(N).

Les oscillateurs construits en cascade aggravent encore ce décalage. Une EMA(20) (α = 2/21 ≈ 0,0952) accuse 9,5 bougies de retard tendanciel basse fréquence. Le RSI(14) classique de Wilder lisse les variations haussières et baissières au moyen d’un poids récursif α = 1/14 ≈ 0,0714 ; la résolution de (1 - α) / α = 13 / 1 montre que le RSI(14) incorpore exactement le retard de groupe basse fréquence d’une EMA(27), soit 13,0 bougies. De même, le MACD(12, 26, 9) soustrait une EMA(26) retardée de 12,5 bougies d’une EMA(12) retardée de 5,5 bougies, puis fait transiter cet écart à travers un troisième étage de déclenchement EMA à 9 bougies, ajoutant 4,0 bougies supplémentaires de retard de lissage au moment précis où le momentum s’infléchit. Chaque sous-fenêtre descriptive relate ce que le prix a déjà accompli plusieurs bougies plus tôt, et jamais les zones où les carnets d’ordres institutionnels contraignent le mouvement futur.

2. Multicolinéarité, effondrement du rang effectif et fouille de données en temps réel

Lorsqu’un oscillateur rétrospectif isolé multiplie les faux déclenchements dans un marché latéral haché, les opérateurs remettent rarement en question la causalité elle-même. Ils ajoutent plutôt un deuxième indicateur chargé de « filtrer » le premier, puis un troisième destiné à confirmer le deuxième, accumulant rapidement six à dix sous-fenêtres descriptives sur un même écran : RSI(14), Stochastique(14, 3, 3), CCI(20), Williams %R(14), MACD(12, 26, 9) et Bollinger %B(20). Visuellement, six courbes de couleurs distinctes suggèrent six votes analytiques indépendants.

L’algèbre linéaire démontre que cette indépendance est une illusion. Chacun des indicateurs de cet empilement est calculé à partir de la même fenêtre glissante de cours d’ouverture, de plus haut, de plus bas et de clôture. La Figure 1 oppose la topologie de traitement numérique d’un empilement classique d’indicateurs colinéaires à la chaîne hiérarchique multimodale de 4CastMachine AI.

Pour mesurer avec exactitude la quantité d’information indépendante qui subsiste au sein d’un espace de travail réunissant M indicateurs, rassemblons les séries temporelles centrées réduites de ces M indicateurs évalués sur T bougies dans la matrice Z ∈ ℝ^{T × M} (avec T > M, chaque colonne étant centrée à moyenne nulle et normalisée à variance unitaire). Notons σ₁ ≥ σ₂ ≥ ... ≥ σ_M ≥ 0 les valeurs singulières de Z et définissons la distribution normalisée des valeurs singulières p_k = σ_k / ∑_j=1^M σ_j. Parce que les arrondis en virgule flottante et les légères non-linéarités empêchent une déficience algébrique exacte de rang, le rang matriciel entier classique renvoie presque toujours rang(Z) = M, même lorsque les colonnes sont corrélées à quatre-vingt-dix pour cent. Roy et Vetterli [11] ont résolu cette limite en définissant le rang effectif continu (erank) à partir de l’entropie spectrale de Shannon :

En détaillant l’Équation (3), chaque poids p_k ∈ [0, 1] mesure la part d’amplitude en norme nucléaire portée par la k-ième composante principale orthogonale du panel d’indicateurs, et H(p) désigne son entropie de Shannon exprimée en unités logarithmiques naturelles (nats). Prendre l’exponentielle de H(p) ramène l’entropie sur l’échelle naturelle [1, M] : si les M indicateurs sont mutuellement orthogonaux (p_k = 1/M), alors H(p) = ln M et erank(Z) = M ; si tous les M indicateurs sont de simples multiples scalaires identiques (p₁ = 1, p_k>1 = 0), alors H(p) = 0 et erank(Z) = 1.

Décomposons pas à pas un banc d’essai à six indicateurs (M = 6 : RSI(14), Stochastique(14, 3), CCI(20), Williams %R(14), MACD(12, 26, 9) et Bollinger %B(20)) présentant les valeurs singulières σ = (3,90, 1,14, 0,42, 0,24, 0,18, 0,12) de somme ∑ σ_j = 6,00. Les poids spectraux valent alors p = (0,650, 0,190, 0,070, 0,040, 0,030, 0,020). La sommation de -p_k ln p_k donne 1,094 nats, d’où erank(Z) = exp(1,094) ≈ 2,99, soit moins de la moitié des six sous-fenêtres affichées. Sur les modèles courants réunissant dix oscillateurs de momentum, erank(Z) chute à 1,8 à 2,5 dimensions, engendrant deux pièges opérationnels opposés :

• Conviction illusoire en fin d’épuisement tendanciel : À un stade avancé d’un mouvement prolongé, les cours ont parcouru une distance suffisante pour que chaque filtre ait purgé son retard de groupe τ_g,m. Les dix oscillateurs passent au vert simultanément. Interpréter dix sous-fenêtres colinéaires comme dix preuves indépendantes gonfle les log-cotes perçues d’un facteur M / erank(Z) ≈ 4× à 5,5×, incitant à surdimensionner ses positions au moment précis où la liquidité amorce son retour à la moyenne.
• Paralysie garantie par signes opposés sur les zones d’inflexion : Lorsque le prix teste un support ou une résistance institutionnelle et commence à se retourner, les indicateurs basculent séquentiellement suivant l’ordre strict τ_g,(1) < τ_g,(2) < ... < τ_g,(M). Le Stochastique rapide passe haussier à la bougie 3, le CCI franchit zéro à la bougie 10, le RSI(14) demeure neutre à la bougie 13, tandis que le MACD et l’EMA(50) restent baissiers jusqu’à la bougie 25. Tout au long de la fenêtre optimale d’entrée, l’empilement se contredit lui-même.

Multiplier M = 10 indicateurs sur K = 6 unités de temps produit 60 lectures descriptives simultanées. Sullivan, Timmermann et White [13] ont testé 7 846 règles techniques via le bootstrap Reality Check de White et démontré que les gains historiques apparents s’évaporent hors échantillon après correction pour recherche multiple. Harvey, Liu et Zhu [4] ont évalué 316 facteurs financiers sous contrôle du taux de fausses découvertes de Benjamini-Yekutieli, relevant le seuil de significativité statistique de |t| > 1,96 à |t| > 3,0. Balayer soixante cellules en direct jusqu’à en trouver trois qui confortent une intuition directionnelle revient à pratiquer une fouille de données (data snooping) non pénalisée.

3. Horizons de marché hétérogènes et réconciliation par trace minimale (MinT)

La suppression des oscillateurs redondants met à nu une difficulté plus profonde : la géométrie brute des prix pointe fréquemment dans des directions opposées selon l’horizon d’échantillonnage. Au cours d’une même séance, EURUSD peut grimper vivement sur les graphiques 15m et 1h tout en évoluant à l’intérieur d’un canal baissier actif sur D et W. Naviguer d’une unité de temps à l’autre sans réconciliation formelle provoque l’hésitation ou l’enchaînement de faux départs.

Cette tension inter-échelles découle du fait que les marchés agrègent des intervenants opérant sur des horizons distincts. Müller et al. [7] ont formalisé ce phénomène dans l’hypothèse des marchés hétérogènes : les teneurs de marché haute fréquence dominent les carnets d’ordres de 1m à 15m, les tables institutionnelles de séance gèrent leurs inventaires sur 1h et 4h, les fonds systématiques CTA rééquilibrent leurs positions en D, et les couvertures souveraines ou d’entreprises s’exécutent sur W et M. Corsi [2] a établi dans le modèle HAR-RV que les volatilités hebdomadaire et journalière conditionnent de manière asymétrique la variance intraday, tandis qu’Osler [9] a prouvé à partir des carnets d’ordres bancaires que les ordres institutionnels de prise de bénéfices et de stop-loss se concentrent dans des zones structurelles de prix précises.

Comme les rendements logarithmiques s’additionnent sur des intervalles emboîtés (un rendement D équivaut à la somme de six rendements 4h), les rendements futurs réels vérifient y_t+h = S b_t+h ∈ ℝⁿ, où b_t+h ∈ ℝ^m désigne le vecteur des rendements à l’échelle la plus fine et S ∈ {0, 1}^{n × m} la matrice hiérarchique de sommation. Des prévisions mono-unité de temps non coordonnées ŷ_h violent cette cohérence (ŷ_h ≠ S β). Wickramasuriya, Athanasopoulos et Hyndman [14] (prolongeant Hyndman et al. [5]) ont démontré que l’opérateur de trace minimale (MinT) fournit l’unique prévision réconciliée linéaire sans biais minimisant la variance totale d’erreur tr(Cov[y_t+h - ỹ_h]) sur l’ensemble des horizons :

Dans l’Équation (4), ŷ_h ∈ ℝⁿ empile les prévisions de base multi-horizons non coordonnées, S impose une cohérence exacte entre unités de temps de sorte que ỹ_h ∈ span(S), et W_h = Cov[y_t+h - ŷ_h] est la matrice définie positive de covariance des erreurs de prévision de base.

Suivons un exemple numérique à deux niveaux dans lequel une bougie D agrège six bougies 4h (S empile le vecteur ligne [1, 1, 1, 1, 1, 1] au-dessus de I₆). Supposons que six estimations 4h de base projettent chacune +6,0 pips (∑ ŷ_4h,i = +36,0 pips) avec une variance par bougie σ²_4h = 25 pips² (soit une variance de somme égale à 150 pips²), tandis que le modèle structurel journalier projette ŷ_D = -60,0 pips avec une variance plus resserrée σ²_D = 50 pips². L’écart brut d’incohérence s’élève à δ = -96,0 pips. L’Équation (4) alloue 150 / (150 + 50) = 75 % de l’ajustement (-72,0 pips, soit -12,0 pips par pas 4h) à la trajectoire intraday bruitée et 25 % (+24,0 pips) à l’estimation journalière, livrant la cible cohérente ỹ_D = -36,0 pips : un test intraday d’une zone d’offre supérieure suivi d’une reprise de la baisse.

Au sein de 4CastMachine AI, quatre moteurs spécialisés exécutent cette synthèse multimodale sur plus de 200 symboles et neuf unités de temps (de 1m à M) :

1. Forecast AI : Cartographie les canaux, biseaux, ratios harmoniques, figures de chandeliers et zones de concentration d’ordres institutionnels sur chaque horizon.
2. Sentiment AI : Analyse en temps réel les dépêches financières et déclarations des banques centrales, contournant le retard des filtres rétrospectifs sur les prix puisque le texte exogène parvient avant le retournement des moyennes glissantes.
3. Synergy AI : Pondère en continu Forecast AI et Sentiment AI selon l’intensité des chocs macroéconomiques (voir notre article dédié à Synergy AI), émettant une unique Unified Strategic Insight 𝒰_t.
4. Navigator AI : Projette 𝒰_t en zones d’entrée explicites, pivots d’invalidation, échelles d’objectifs et flèches de scénarios, ancrant le biais primaire sur D dans la méthodologie Trend Hunter tout en dotant les graphiques 4h et inférieurs de scénarios conditionnels de retournement.

4. Anatomie en direct des feuilles de route multi-horizons sur 4CM-AI Charts (EURUSD D et ETHUSD 4h)

Deux feuilles de route en direct capturées depuis 4CM-AI Charts montrent concrètement comment la prescription hiérarchique élimine l’encombrement des indicateurs. Aucun des deux espaces de travail ne comporte la moindre sous-fenêtre d’oscillateur ni le moindre ruban de moyennes mobiles, consacrant 100 % de la hauteur verticale à la structure des prix et aux frontières de risque. La Figure 2 présente EURUSD Journalier (D) au cours comptant de 1.10241 sous l’étiquette de régime Forecast: Continuation of Down Trend | Current: Down Trend.

Sur la Figure 2, le cours est descendu depuis TP1 (1.18246) jusqu’à franchir TP6 (1.11040) et se comprime à 1.10241, là où l’oblique rouge interne rejoint la borne inférieure du canal bleu. Tandis que dix oscillateurs opposeraient à 1.10241 un Stochastique survendu à une SMA(50) baissière, Navigator AI positionne deux encadrés explicites de surveillance (Repère 3) munis de Flèches vertes bifurquées : un rejet haussier sur le support du canal ouvre un rebond vers 1.14820 (TP3), tandis qu’une clôture journalière sous ce support prolonge la baisse vers TP7 (1.09555) et TP8 (1.07320). Par choix architectural délibéré, Navigator AI ne trace pas de zone ombrée Reverse Zone sur l’horizon D, gouvernant les points d’ancrage macro journaliers directement par la confirmation de franchissement ou de rejet des bornes.

Sur les unités de temps d’exécution (4h et inférieures), des chocs intraday peuvent en revanche rompre un seuil local au sein d’une même séance. La Figure 3 illustre la manière dont Navigator AI dote Ethereum (ETHUSD 4h), coté en direct à 1750.79, d’un plan de contingence complet à deux scénarios.

Après la cassure par ETHUSD de son biseau ascendant bleu fin octobre et son rejet sous 2425 le 4 novembre (Repère 1), Navigator AI a ancré l’invalidation à Pivot = 2103.97 (Bearish Below 2103.97) juste au-dessus de la Sell zone rose 2006.49 - 2103.97 (Repère 2). Le cours comptant évoluant désormais à S2 = 1750.79 à l’intérieur de la Profit zone verte (Repère 3), le graphique dissuade immédiatement toute vente impulsive tardive située 353 dollars sous le niveau d’invalidation : une exécution disciplinée attend soit un repli vers 2006.49 - 2103.97, soit accompagne le reliquat d’une position existante vers S3 = 1658.38, S4 = 1577.85 et S5 = 1514.32. À l’inverse, si une bougie 4h clôturée reconquiert 2103.97, la Reverse zone bleue (Repère 4) a déjà cartographié la trajectoire haussière alternative par Flèches en pointillés à travers R3 = 2173.22, R4 = 2255.78 et R5 = 2319.35.

5. Prescription stochastique conditionnelle et autorité de supervision humaine dans la boucle

Les modèles entraînés uniquement à minimiser une erreur quadratique moyenne symétrique (RMSE) échouent en conditions réelles parce que les marchés imposent des fonctions de perte fortement asymétriques et dépendantes de la trajectoire. Vendre à découvert ETHUSD avec un stop placé à 2103.97 subit une perte définitive de -1,0 R si une mèche touche 2108.00 avant de rechuter vers 1658.38, quand bien même l’erreur ponctuelle moyenne semblerait modeste.

Bertsimas et Kallus [1] ainsi que Lepenioti et al. [6] formalisent la frontière mathématique qui sépare l’estimation ponctuelle de l’analytique prescriptive. Étant donné l’état issu de Synergy AI X = 𝒰_t, la trajectoire future stochastique Y et le n-uplet de plan de vol z = (𝒵_entry, P_pivot, {TP_j}, z_rev) ∈ 𝒵 évalué sous une fonction de perte asymétrique de marché c(z; Y), l’optimisation prescriptive résout :

Ici, z*(x) désigne la politique oracle sachant X = x, ẑ(X) est la feuille de route prescrite par Navigator AI, z̄ représente une politique statique non conditionnelle de référence, et 𝒫 ∈ [0, 1] mesure le coefficient de prescriptivité.

Vérifions cette asymétrie numériquement sur la Figure 3 (ETHUSD 4h). Un croisement retardé EMA(20)/EMA(50) ne confirme la vente que tardivement vers S1 = 1823.88 face à une invalidation située à 2103.97 (280,09 USD de risque) pour viser S3 = 1658.38 (165,50 USD de gain potentiel), soit à peine 0,59 R, ce qui exige un taux de réussite de 62,9 % rien que pour atteindre le seuil de rentabilité. À l’opposé, la prescription de repli de Navigator AI à l’intérieur de la Sell zone vers 2040.00 n’expose que 63,97 USD jusqu’à 2103.97 tout en capturant 289,21 USD sur S2 = 1750.79 (+4,52 R) et 381,62 USD sur S3 = 1658.38 (+5,97 R), abaissant le taux de réussite d’équilibre à seulement 18,1 %.

Rapportés au cadre de Sheridan et Verplank [12] et de Parasuraman, Sheridan et Wickens [10] à travers les quatre stades de l’automatisation (Acquisition d’information, Analyse d’information, Sélection d’action et Exécution d’action), les empilements d’indicateurs bloquent l’opérateur humain en surcharge cognitive au niveau LoA 1, tandis que les robots boîtes noires basculent vers une automatisation rigide de niveau LoA 10 (voir notre livre blanc sur l’explicabilité). ForecastCity vise l’optimum aéronautique du copilote : Quad-AI automatise les Stades 1 et 2 et opère le Stade 3 aux niveaux LoA 4 à 5, tout en réservant le Stade 4 d’engagement du capital au superviseur humain via AI Strategy Studio et Virtual Accounts.

6. Empilements d’indicateurs descriptifs vs robots d’exécution opaques vs feuilles de route prescriptives Quad-AI

Questions fréquentes

Références académiques et sectorielles

1. [1]Bertsimas, D., & Kallus, N. (2020). From predictive to prescriptive analytics. Management Science, 66(3), 1025-1044. https://doi.org/10.1287/mnsc.2018.3253
2. [2]Corsi, F. (2009). A simple approximate long-memory model of realized volatility. Journal of Financial Econometrics, 7(2), 174-196. https://doi.org/10.1093/jjfinec/nbp001
3. [3]Ehlers, J. F. (2001). Rocket Science for Traders: Digital Signal Processing Applications. New York: John Wiley & Sons.
4. [4]Harvey, C. R., Liu, Y., & Zhu, H. (2016). ...and the cross-section of expected returns. The Review of Financial Studies, 29(1), 5-68. https://doi.org/10.1093/rfs/hhv059
5. [5]Hyndman, R. J., Ahmed, R. A., Athanasopoulos, G., & Shang, H. L. (2011). Optimal combination forecasts for hierarchical time series. Computational Statistics & Data Analysis, 55(9), 2579-2589. https://doi.org/10.1016/j.csda.2011.03.006
6. [6]Lepenioti, K., Bousdekis, A., Apostolou, D., & Mentzas, G. (2020). Prescriptive analytics: Literature review and research challenges. International Journal of Information Management, 50, 57-70. https://doi.org/10.1016/j.ijinfomgt.2019.04.003
7. [7]Müller, U. A., Dacorogna, M. M., Davé, R. D., Olsen, R. B., Pictet, O. V., & von Weizsäcker, J. E. (1997). Volatilities of different time resolutions - Analyzing the dynamics of market components. Journal of Empirical Finance, 4(2-3), 213-239. https://doi.org/10.1016/S0927-5398(97)00007-8
8. [8]Oppenheim, A. V., & Schafer, R. W. (2009). Discrete-Time Signal Processing (3rd ed.). Upper Saddle River, NJ: Prentice Hall.
9. [9]Osler, C. L. (2003). Currency orders and exchange rate dynamics: An explanation for the predictive success of technical analysis. The Journal of Finance, 58(5), 1791-1820. https://doi.org/10.1111/1540-6261.00588
10. [10]Parasuraman, R., Sheridan, T. B., & Wickens, C. D. (2000). A model for types and levels of human interaction with automation. IEEE Transactions on Systems, Man, and Cybernetics - Part A, 30(3), 286-297. https://doi.org/10.1109/3468.844354
11. [11]Roy, O., & Vetterli, M. (2007). The effective rank: A measure of effective dimensionality. Proceedings of the 15th European Signal Processing Conference (EUSIPCO 2007), 606-610.
12. [12]Sheridan, T. B., & Verplank, W. L. (1978). Human and Computer Control of Undersea Teleoperators. Technical Report, MIT Man-Machine Systems Laboratory, Cambridge, MA.
13. [13]Sullivan, R., Timmermann, A., & White, H. (1999). Data-snooping, technical trading rule performance, and the bootstrap. The Journal of Finance, 54(5), 1647-1691. https://doi.org/10.1111/0022-1082.00163
14. [14]Wickramasuriya, S. L., Athanasopoulos, G., & Hyndman, R. J. (2019). Optimal forecast reconciliation for hierarchical and grouped time series through trace minimization. Journal of the American Statistical Association, 114(526), 804-819. https://doi.org/10.1080/01621459.2018.1448825