Cours de finance en Python

Leçon 1 • Contrôle de flux et fonctions

Enseigne la logique if-else, les boucles et les fonctions réutilisables pour automatiser les tâches financières répétitives. Les étudiants écrivent du code modulaire qui s'adapte à différents ensembles de données.

Leçon 2 • Syntaxe Python et types de données de base

Couvre les variables, les opérateurs arithmétiques, les chaînes de caractères, les booléens et la conversion de types. Ces éléments primitifs sous-tendent tous les calculs financiers ultérieurs.

Leçon 3 • Configuration de l'environnement Python

Installez Python, Anaconda et Jupyter Notebook pour un espace de travail adapté à la finance. Établit la base technique sur laquelle reposent tous les chapitres suivants.

Leçon 4 • Structures de données Python

Présente les listes, les tuples, les dictionnaires et les ensembles comme conteneurs pour les enregistrements financiers. Choisir la bonne structure améliore l'efficacité et la clarté du code.

Leçon 1 • Opérations mathématiques vectorisées

Applique l'arithmétique élément par élément, les fonctions universelles et la diffusion aux séries de prix. Élimine les boucles Python pour des gains de vitesse considérables sur de grands ensembles de données.

Leçon 2 • Algèbre linéaire avec NumPy

Utilise la multiplication matricielle, les inverses et les valeurs propres pour les calculs de portfolio et de régression. Fournit les outils algébriques nécessaires dans les chapitres ultérieurs sur le risque et l'optimisation.

Leçon 3 • Tableaux NumPy et méthodes de création

Couvre la création de ndarray, les formes, les types de données et l'indexation pour les séries financières. Les tableaux constituent l'épine dorsale numérique de tout le travail quantitatif à venir.

Leçon 1 • Chargement et nettoyage de données financières

Lit des fichiers CSV, Excel et JSON de marché, puis traite les valeurs manquantes et les doublons. Des données propres sont un prérequis pour une analyse financière précise.

Leçon 2 • Fusion et remodelage de DataFrames

Combine plusieurs ensembles de données financières à l'aide de merge, join et concat, puis remodele avec melt et stack. Prépare les données de sources multiples pour une analyse unifiée.

Leçon 3 • Gestion des séries temporelles dans Pandas

Gère DatetimeIndex, le rééchantillonnage et les fenêtres glissantes pour les séries de prix et de rendements. Les opérations temporelles sont au cœur de tout flux de travail d'analyse financière.

Leçon 4 • Filtrage, tri et regroupement

Applique des filtres booléens, des opérations de tri et des agrégations groupby pour segmenter les données financières. Permet des comparaisons par secteur et par période sur de grands ensembles de données.

Leçon 1 • Graphiques en chandeliers et OHLC

Produit des graphiques open-high-low-close avec barres de volume à l'aide de mplfinance. Fournit le format visuel standard utilisé dans l'analyse des transactions sur actions et matières premières.

Leçon 2 • Fondamentaux de Matplotlib pour la finance

Construit des graphiques linéaires, à barres et de dispersion de données financières avec des étiquettes et un formatage appropriés. Établit la base de tracé sur laquelle repose tout le travail de visualisation ultérieur.

Leçon 3 • Techniques avancées de Matplotlib

Utilise des sous-graphiques, des axes jumeaux et des annotations pour afficher des tableaux de bord financiers à plusieurs panneaux. Permet la comparaison côte à côte de mesures financières connexes.

Leçon 1 • Ratios de rendement et évaluation comparative

Calcule les ratios de Sharpe, Sortino, Calmar et d'information pour évaluer les rendements ajustés au risque. L'évaluation comparative par rapport à un indice de marché contextualise le rendement du portefeuille.

Leçon 2 • Valeur à risque et perte attendue

Estime la VaR et la CVaR à l'aide de méthodes historiques, paramétriques et de Monte-Carlo. Ces mesures de risque de queue sont des exigences standard dans les rapports de gestion des risques.

Leçon 3 • Calcul des rendements d'actifs

Calcule les rendements simples, logarithmiques et cumulatifs à partir de séries de prix à l'aide de Pandas et NumPy. Le calcul des rendements est le point d'entrée de toute analyse de rendement et de risque.

Leçon 4 • Analyse de corrélation et de covariance

Construit des matrices de corrélation et de covariance entre les rendements d'actifs pour mesurer les co-mouvements. Ces matrices sont les entrées directes de l'optimisation de portefeuille dans le chapitre suivant.

Leçon 1 • Mise en œuvre de l'optimisation avec SciPy

Utilise scipy.optimize pour minimiser la variance du portefeuille sous réserve de contraintes de pondération. Les étudiants traduisent directement les problèmes d'optimisation mathématique en code Python exécutable.

Leçon 2 • Rééquilibrage de portefeuille et contraintes

Ajoute des plafonds sectoriels, des limites de rotation et des coûts de transaction à des problèmes d'optimisation réalistes. Fait le pont entre l'optimisation théorique et les exigences pratiques de gestion de portefeuille.

Leçon 3 • Visualisation de la frontière efficiente

Simule des milliers de portefeuilles aléatoires et trace la courbe de la frontière efficiente. La sortie visuelle confirme les résultats de l'optimiseur et communique les compromis aux parties prenantes.

Leçon 4 • Méthodes avancées de construction de portefeuille

Applique la parité des risques, le modèle Black-Litterman et la parité des risques hiérarchique comme alternatives à la moyenne-variance. Aborde les faiblesses d'erreur d'estimation et de concentration de l'optimisation classique.

Leçon 1 • Évaluation des résultats des tests rétrospectifs

Analyse les courbes de capitaux, les drawdowns, les taux de réussite et les rendements ajustés au risque issus des sorties des tests rétrospectifs. Une évaluation rigoureuse sépare les stratégies réellement rentables de celles surajustées.

Leçon 2 • Indicateurs techniques et génération de signaux

Calcule les moyennes mobiles, le RSI, le MACD et les bandes de Bollinger à partir de données OHLC. Les indicateurs transforment les données de prix brutes en signaux d'achat et de vente exploitables.

Leçon 3 • Éviter le surajustement et les biais

Applique des tests progressifs, une validation hors échantillon et des vérifications de sensibilité des paramètres. Ces techniques empêchent les stratégies d'être calibrées sur le bruit historique plutôt que sur le signal.

Leçon 4 • Logique de stratégie et dimensionnement des positions

Code les règles d'entrée et de sortie, puis dimensionne les positions à l'aide de méthodes de fraction fixe et basées sur la volatilité. Le dimensionnement des positions contrôle directement le risque pris par transaction.

Leçon 1 • Grecques et stratégies de couverture

Calcule et interprète les Grecques d'options, puis construit des couvertures delta-neutres et gamma-neutres. La couverture avec les Grecques est la pratique centrale de gestion des risques pour les portefeuilles de produits dérivés.

Leçon 2 • Fondamentaux des options et diagrammes de gain

Définit les calls, les puts, le moneyness et l'échéance, puis trace les diagrammes de gain et de profit. Une clarté conceptuelle ici est essentielle avant d'implémenter tout modèle de tarification.

Leçon 3 • Modèle Black-Scholes-Merton

Implémente la formule BSM en forme fermée pour la tarification des options européennes et les Grecques. Le BSM est la référence de l'industrie à laquelle tous les autres modèles sont comparés.

Leçon 4 • Tarification d'options par Monte-Carlo

Simule des trajectoires de mouvement brownien géométrique pour tarifer les options européennes et exotiques. Monte-Carlo étend la tarification aux gains dépendant du chemin hors de portée analytique.