Cours avancé de construction de portefeuille Python

Leçon 1 • Calcul des rendements et statistiques de base

Calculez les rendements simples et logarithmiques et résumez leurs distributions. Ces mesures sont les intrants directs de tous les modèles de risque et d'optimisation à venir.

Leçon 2 • Récupération et nettoyage des données de marché

Récupérez des données de prix historiques via des API et nettoyez-les pour l'analyse. Assurez la qualité des données avant tout calcul de rendement ou de risque.

Leçon 3 • Pandas pour les données de séries temporelles

Manipulez des DataFrames et des Series indexées par le temps pour traiter les données de prix et de rendement. Fournit la couche de données qui alimente chaque module analytique subséquent.

Leçon 4 • Configuration de l'environnement quant

Configurez Python, les environnements virtuels et les bibliothèques essentielles pour l'analyse de portefeuille. Établit l'espace de travail reproductible utilisé tout au long du cours.

Leçon 1 • Estimation de la matrice de covariance

Estimez et réduisez les matrices de covariance pour diminuer l'erreur d'estimation. Des matrices de covariance fiables sont essentielles pour une optimisation stable du portefeuille.

Leçon 2 • Techniques d'estimation de la volatilité

Estimez la volatilité historique et à pondération exponentielle à partir des séries de rendement. Des estimations précises de la volatilité sous-tendent chaque mesure de rendement ajusté au risque.

Leçon 3 • Mesures de baisse et de risque de queue

Mesurez les pertes de sommet à creux et le risque de baisse extrême à l'aide de Python. Relie l'analyse de la volatilité aux scénarios de pertes pertinents pour l'investisseur.

Leçon 4 • Attribution et rapport de risque

Attribuez la variance du portefeuille aux actifs et facteurs individuels. Traduit les chiffres bruts de risque en informations exploitables pour les gestionnaires de portefeuille.

Leçon 1 • Essentiels du cadre de Markowitz

Formalisez mathématiquement l'objectif et la structure de contrainte de moyenne-variance. Ancre tout le code d'optimisation subséquent dans une théorie rigoureuse.

Leçon 2 • Intégration de contraintes pratiques

Ajoutez des contraintes d'achat uniquement, sectorielles et de rotation à l'optimiseur. Comble l'écart entre la théorie des manuels et les mandats de portefeuille du monde réel.

Leçon 3 • Rééchantillonnage et optimisation robuste

Appliquez le rééchantillonnage de Michaud et des méthodes robustes pour stabiliser les poids optimaux. Traite de l'instabilité du MVO classique en présence d'erreur d'estimation.

Leçon 4 • Tracé de la frontière efficiente

Balayez les niveaux de rendement cibles pour tracer la courbe complète de la frontière efficiente. Visualise le compromis risque-rendement au cœur des décisions de construction de portefeuille.

Leçon 1 • Test de retour sur les stratégies d'optimisation

Effectuez des tests de retour progressifs des stratégies d'optimisation sur des données historiques. Validez si les gains théoriques survivent à des conditions réalistes hors échantillon.

Leçon 2 • Optimisation convexe avec CVXPY

Modélisez les problèmes de portefeuille comme des programmes convexes disciplinés en utilisant la syntaxe CVXPY. Débloquez une classe plus large d'objectifs et de contraintes qu'avec SciPy seul.

Leçon 3 • Construction de portefeuille à parité de risque

Construisez des portefeuilles à contribution de risque égale en égalisant les parts de risque marginales. Fournissez une alternative de diversification qui évite complètement l'estimation du rendement.

Leçon 4 • Diversification maximale et autres objectifs

Implémentez l'objectif de ratio de diversification maximum et de CVaR minimum. Élargissez la boîte à outils pour les mandats qui vont au-delà de la maximisation du ratio de Sharpe.

Leçon 1 • Optimisation sur les extrants a posteriori de BL

Alimentez les rendements et la covariance a posteriori dans les optimiseurs MVO et CVXPY. Démontrez comment BL s'intègre aux cadres d'optimisation construits précédemment.

Leçon 2 • Extensions et critique du modèle BL

Explorez les opinions basées sur les facteurs, le regroupement par entropie et les limites connues de BL. Préparez les étudiants à adapter le modèle à des mandats de portefeuille non standard.

Leçon 3 • Rendements d'équilibre et a priori de marché

Dérivez les rendements d'équilibre implicites à partir des pondérations de capitalisation boursière. Établissez le point de départ neutre que Black-Litterman ajuste avec les opinions.

Leçon 4 • Calcul du rendement a posteriori

Combinez l'a priori et les opinions à l'aide de la mise à jour bayésienne pour obtenir les rendements a posteriori. Produisez le vecteur de rendement fusionné utilisé dans l'optimiseur final.

Leçon 1 • Intégration des signaux ML dans l'optimisation

Convertissez les prévisions de rendement du ML en intrants de rendement attendu pour l'optimiseur. Fermez la boucle entre les modèles de prédiction et la génération des poids du portefeuille.

Leçon 2 • Techniques de réduction de dimensionnalité

Appliquez l'ACP et les autoencodeurs pour compresser les données de rendement de haute dimension. Réduisez le bruit et la multicollinéarité avant d'alimenter les données dans les modèles de portefeuille.

Leçon 3 • Regroupement pour le regroupement d'actifs

Utilisez les k-moyennes et le regroupement hiérarchique pour regrouper les actifs par comportement de rendement. Soutenez l'analyse de diversification et la construction hiérarchique de portefeuille.

Leçon 4 • Modèles supervisés pour la prévision des rendements

Entraînez la régression régularisée et les modèles basés sur les arbres pour prédire les rendements futurs. Évaluez la compétence du modèle à l'aide de mesures spécifiques à la finance au-delà du R-carré standard.

Leçon 1 • Exécution des ordres et simulation de dérapage

Simulez l'exécution d'ordres avec des modèles de dérapage dans le moteur de test de retour. Produit des estimations de performance réalistes qui tiennent compte de la microstructure du marché.

Leçon 2 • Modélisation des coûts de transaction

Modélisez les écarts acheteur-vendeur, l'impact sur le marché et les commissions en Python. Une modélisation précise des coûts empêche le surajustement des tests de retour sur les rendements bruts.

Leçon 3 • Gestion de portefeuille fiscalement avantageuse

Incorporez la récolte de pertes fiscales et les règles de période de détention dans la logique de rééquilibrage. Améliore les rendements après impôt sans modifier la thèse d'investissement avant impôt.

Leçon 4 • Règles et déclencheurs de rééquilibrage

Comparez les stratégies de rééquilibrage calendaire, par seuil et déclenchées par la volatilité. Le choix du bon déclencheur affecte directement la performance nette de frais du portefeuille.

Leçon 1 • Cadre de mesure de la performance

Calculez systématiquement les mesures de rendement basées sur le rendement et ajustées au risque. Fournit le vocabulaire quantitatif pour évaluer toute stratégie de portefeuille.

Leçon 2 • Tableaux de bord interactifs avec Plotly et Dash

Construisez des tableaux de bord de portefeuille interactifs à l'aide des graphiques Plotly et des mises en page Dash. Permet aux parties prenantes d'explorer les données de portefeuille sans écrire de code.

Leçon 3 • Normes de rapports réglementaires et aux clients

Alignez les extrants des rapports avec les normes de présentation et de divulgation de la performance. Garantit que les rapports répondent aux exigences de conformité institutionnelles et destinées aux clients.

Leçon 4 • Génération automatisée de fiches techniques

Générez programmatiquement des fiches techniques de style pyfolio à partir d'une série de rendements. Standardise les rapports et réduit l'effort manuel dans les cycles d'examen de la performance.