Cours de finance en Python

Leçon 1 • Contrôle de flux et fonctions

Enseigne la logique conditionnelle, les boucles et les fonctions réutilisables pour automatiser les tâches financières répétitives. Les étudiants écrivent un code modulaire qui passe à l'échelle sur plusieurs ensembles de données.

Leçon 2 • Syntaxe Python de base et types de données

Couvre les variables, les opérateurs arithmétiques, les chaînes de caractères, les booléens et la conversion de types. Ces primitives sous-tendent chaque calcul financier développé par la suite.

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 dont dépend chaque chapitre suivant.

Leçon 4 • Structures de données Python

Présente les listes, tuples, dictionnaires et 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 spectaculaires 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 portefeuille 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 les fichiers CSV, Excel et JSON du marché, puis gère les valeurs manquantes et les doublons. Des données propres sont la condition préalable à 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 des données multi-sources 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 chaque processus 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 au niveau sectoriel et par période sur de grands ensembles de données.

Leçon 1 • Graphiques en chandeliers et OHLC

Affiche les graphiques open-high-low-close avec des 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

Crée des graphiques en lignes, en barres et de dispersion de données financières avec un étiquetage et un formatage appropriés. Établit la base de tracé sur laquelle reposent tous les travaux de visualisation ultérieurs.

Leçon 3 • Techniques avancées de Matplotlib

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

Leçon 1 • Ratios de performance et analyse comparative

Calcule les ratios de Sharpe, Sortino, Calmar et d'information pour évaluer les rendements ajustés au risque. L'analyse comparative par rapport à un indice de référence contextualise la performance 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 cumulés à partir de séries de prix à l'aide de Pandas et NumPy. Le calcul du rendement est le point d'entrée pour toute analyse de performance et de risque.

Leçon 4 • Analyse de corrélation et de covariance

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

Leçon 1 • Implémentation de l'optimisation avec SciPy

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

Leçon 2 • Rééquilibrage et contraintes de portefeuille

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. Traite les faiblesses d'erreur d'estimation et de concentration de l'optimisation classique.

Leçon 1 • Évaluation des résultats de backtest

Analyse les courbes de capitaux, les drawdowns, les taux de réussite et les rendements ajustés au risque issus des résultats de backtest. 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 traduisent les données de prix brutes en signaux d'achat et de vente actionnables.

Leçon 3 • Éviter le surajustement et les biais

Applique les tests de marche avant, la validation hors échantillon et les 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 fractionnaires fixes et basées sur la volatilité. Le dimensionnement des positions contrôle directement le risque pris par transaction.

Leçon 1 • Grecs et stratégies de couverture

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

Leçon 2 • Fondamentaux des options et diagrammes de payoff

Définit les calls, puts, la monnaie et l'échéance, puis trace les diagrammes de payoff et de profit. La clarté conceptuelle ici est essentielle avant d'implémenter un modèle de tarification.

Leçon 3 • Modèle Black-Scholes-Merton

Implémente la formule BSM fermée pour la tarification des options européennes et les Grecs. BSM est la référence du secteur 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 payoffs dépendants du chemin hors de portée analytique.