Cours de data science en finance

Leçon 1 • Rappel sur les Probabilités et les Statistiques

Passe en revue les distributions, les moments, les tests d'hypothèses et la corrélation pertinents pour la finance. Fournit les fondements statistiques nécessaires à la modélisation du risque et du rendement.

Leçon 2 • Sourcing de Données et API Financières

Examine les fournisseurs de données de marché, les API financières et les sources de données alternatives. Les étudiants apprennent à récupérer et valider par programmation des données financières réelles.

Leçon 3 • Les États Financiers comme Sources de Données

Interprète les bilans, les comptes de résultat et les tableaux de flux de trésorerie comme des ensembles de données structurées. Relie les postes comptables aux signaux quantitatifs utilisés dans l'analyse.

Leçon 4 • Marchés Financiers et Instruments de Base

Couvre les actions, les titres à revenu fixe, les produits dérivés et les marchés des changes en tant qu'objets analytiques. Établit le vocabulaire financier nécessaire à tous les travaux de modélisation ultérieurs.

Leçon 1 • Visualisation des Données Financières

Construit des graphiques statiques et interactifs pour les prix, les rendements, les métriques de risque et les portefeuilles. Une visualisation efficace communique les résultats analytiques à des publics techniques et non techniques.

Leçon 2 • Calcul et Normalisation des Rendements

Dérive les rendements simples, logarithmiques et excessifs et applique des techniques de normalisation. Les séries de rendements normalisées sont la principale entrée pour les modèles de risque et de facteurs.

Leçon 3 • Analyse Exploratoire des Données pour la Finance

Applique des techniques d'EDA pour découvrir les propriétés distributionnelles et les relations dans les données financières. Guide les décisions de sélection de caractéristiques et de conception de modèles dans les chapitres suivants.

Leçon 4 • Nettoyage et Transformation des Données Financières

Traite des valeurs manquantes, des valeurs aberrantes, du biais de survie et du biais d'anticipation dans les ensembles de données financières. Des pipelines de données propres préviennent les erreurs courantes dans la modélisation en aval.

Leçon 1 • Modèles de Séries Temporelles pour les Prix et les Rendements

Couvre les modèles AR, MA, ARMA et ARIMA pour la prévision de séries temporelles financières. Les étudiants sélectionnent et valident les modèles à l'aide de critères d'information et de diagnostics des résidus.

Leçon 2 • Régression Linéaire en Finance

Utilise la régression OLS pour modéliser les rendements des actifs par rapport aux facteurs de marché et macroéconomiques. Établit la boîte à outils de régression qui sous-tend l'analyse factorielle et la décomposition du risque.

Leçon 3 • Modèles Factoriels et Décomposition du Risque

Implémente des modèles à un et à plusieurs facteurs pour décomposer le rendement et le risque. Les expositions factorielles quantifient le risque systématique vs idiosyncratique pour la construction de portefeuille.

Leçon 4 • Régularisation et Sélection de Modèle

Applique Ridge, Lasso et Elastic Net aux problèmes de régression financière en haute dimension. La régularisation empêche le surajustement dans les modèles factoriels avec de nombreux prédicteurs candidats.

Leçon 1 • Valeur à Risque et Expected Shortfall

Dérivez la VaR et l'ES à l'aide de méthodes historiques, paramétriques et Monte Carlo. Ces métriques sont les principaux outils de reporting des risques réglementaires et internes en finance.

Leçon 2 • Capital Réglementaire et Cadres de Risque

Examinez les cadres d'adéquation des fonds propres, les exigences relatives aux modèles internes et les normes de reporting des risques. Reliez les résultats quantitatifs du risque à la conformité réglementaire et aux processus de gouvernance.

Leçon 3 • Tests de Résistance et Analyse de Scénarios

Concevez des scénarios de stress historiques et hypothétiques pour évaluer la résilience du portefeuille. L'analyse de scénarios complète la VaR en capturant les événements extrêmes au-delà des modèles statistiques.

Leçon 4 • Quantification du Risque de Crédit

Modélisez la probabilité de défaut, la perte en cas de défaut et l'exposition en cas de défaut. Les métriques de risque de crédit alimentent la tarification des prêts, l'allocation du capital et la gestion de portefeuille.

Leçon 1 • Modèles de Classification pour les Événements Financiers

Construisez des classifieurs pour prédire les défauts de crédit, les surprises sur les bénéfices et les régimes de marché. Traitez le déséquilibre de classe et la sélection de seuils spécifiques aux tâches de classification financière.

Leçon 2 • Explicabilité et Validation des Modèles

Utilisez les valeurs SHAP, l'importance par permutation et les diagrammes de dépendance partielle pour interpréter les modèles ML. L'explicabilité est nécessaire pour l'approbation réglementaire et la confiance des parties prenantes en finance.

Leçon 3 • Traitement du Langage Naturel pour la Finance

Extrayez le sentiment et les signaux des conférences téléphoniques sur les résultats, des actualités et des documents déposés à l'aide de techniques de NLP. Les caractéristiques dérivées du texte augmentent les modèles quantitatifs avec des informations qualitatives.

Leçon 4 • Apprentissage Supervisé pour la Prédiction de Rendement

Entraînez des arbres de décision, des forêts aléatoires et le gradient boosting sur des caractéristiques financières pour prédire les rendements. Couvrez l'ingénierie des caractéristiques, le réglage des hyperparamètres et la validation walk-forward.

Leçon 1 • Construction de Portefeuille Basée sur les Facteurs

Construisez des portefeuilles factoriels long-short en utilisant les signaux de valeur, de momentum, de qualité et de faible volatilité. Les inclinaisons factorielles sont combinées et neutralisées pour isoler les expositions cibles.

Leçon 2 • Optimisation Moyenne-Variance

Implémentez l'optimisation moyenne-variance de Markowitz pour construire des portefeuilles efficients. Les étudiants dérivent la frontière efficiente et comprennent la sensibilité des pondérations aux estimations d'entrée.

Leçon 3 • Risk Parity et Pondération Alternative

Implémentez les schémas de risk parity, de contribution égale au risque et de pondération par volatilité inverse. Ces approches diversifient le risque plutôt que le capital, améliorant les caractéristiques de drawdown.

Leçon 4 • Attribution de Performance de Portefeuille

Décomposez les rendements du portefeuille en contributions d'allocation, de sélection et factorielles. L'analyse d'attribution relie les résultats du portefeuille à des décisions et expositions d'investissement spécifiques.

Leçon 1 • Conception du Cadre de Backtesting

Construit un moteur de backtesting événementiel avec une gestion réaliste des ordres et une modélisation des coûts. Une conception de cadre appropriée empêche le biais d'anticipation et le surajustement aux données historiques.

Leçon 2 • Détection du Surajustement et des Biais

Identifie le data snooping, le biais de tests multiples et le surajustement dans les stratégies backtestées. Le ratio de Sharpe dégonflé et la validation croisée purgée combinatoire sont appliqués comme remèdes.

Leçon 3 • Exécution et Microstructure des Marchés

Couvre la dynamique du carnet d'ordres, les algorithmes d'exécution et l'analyse des coûts de transaction. La connaissance de la microstructure est essentielle pour traduire les signaux backtestés en trading réel.

Leçon 4 • Génération de Signaux de Trading

Construit des signaux de momentum, de mean-reversion et transversaux à partir de données de prix et fondamentales. La qualité du signal est évaluée à l'aide du coefficient d'information et de l'analyse de la décroissance.

Leçon 1 • Projet de Fin de Parcours et Déploiement

Intègre toutes les compétences du cours dans un projet complet de science des données financières. Les étudiants présentent une solution déployée et documentée démontrant un niveau de compétence professionnelle.

Leçon 2 • Deep Learning pour les Séquences Financières

Applique les architectures LSTM, GRU et Transformer aux séries temporelles financières et aux données textuelles. Le deep learning capture les modèles temporels non linéaires au-delà des modèles statistiques classiques.

Leçon 3 • Infrastructure Cloud et Big Data

Déploie des pipelines de données financières sur des plateformes cloud en utilisant des frameworks de calcul distribué. Une infrastructure scalable gère le volume et la vélocité des données financières institutionnelles.

Leçon 4 • Intégration de Données Alternatives

Traite l'imagerie satellite, l'extraction de données web, les transactions par carte de crédit et les signaux des médias sociaux. Les données alternatives fournissent des avantages informationnels lorsqu'elles sont intégrées aux données financières traditionnelles.