Création d'un portefeuille d'investissement quantitatif à l'aide de Python
 |
Description
Introduction au livre
De la collecte de données pour l'investissement quantitatif à la sélection des actions et à la construction du portefeuille, l'ensemble du processus est couvert dans un seul livre ! Alors que le précédent ouvrage « Créer un portefeuille d'investissement quantitatif à l'aide de R » se concentrait uniquement sur la collecte de données boursières nationales, ce livre explique également comment collecter des données sur toutes les actions du monde. Nous avons également abordé non seulement la sélection des actions à l'aide de stratégies quantitatives, mais aussi les méthodes de trading et le backtesting à l'aide d'indicateurs techniques. Enfin, nous sommes allés au-delà du simple choix des actions dans lesquelles investir, et avons même abordé la manière d'effectuer des transactions et de rééquilibrer automatiquement un portefeuille à l'aide d'une API de courtage. |
- Vous pouvez consulter un aperçu du contenu du livre.
Aperçu
indice
Préface xi
À propos de ce livre xii
Recommandation 14
Partie I : Apprendre les bases de la programmation quantitative
CHAPITRE 1 : Apprendre les mathématiques quantitatives 3
1.1 Données : Le matériau de base de l'investissement quantitatif 4
1.2 Pourquoi la programmation est nécessaire pour l'investissement quantitatif 4
1.3 Le langage le plus populaire, Python 5
1.4 Norme de gestion des données, SQL 6
CHAPITRE 2 : Apprendre les bases de Python 8
2.1 Constantes et variables 8
2.2 Type de données 9
2.3 Déclarations de contrôle 30
2.4 Fonction 39
2.5 Utilisation des packages 41
CHAPITRE 3 Apprentissage de l'analyse des données 48
3.1 Série 48
3.2 DataFrame 52
3.3 Chargement et enregistrement des données 60
3.4 Examen des données récapitulatives, des informations et des statistiques 62
3.5 Gestion des valeurs manquantes 67
3.6 Index de manutention 72
3.7 Filtrage 74
3.8 Création d'une nouvelle colonne 78
3.9 Fusion de cadres de données 80
3.10 Restructuration des données 88
3.11 Application de fonctions aux data frames 93
3.12 Opérations du groupe 96
3.13 Traitement des données de séries temporelles 103
CHAPITRE 4 : Apprendre la visualisation des données 110
4.1 Composantes d'un graphique 110
4.2 Visualisation à l'aide du package matplotlib 111
4.3 Visualisation à l'aide du package pandas 117
4.4 Visualisation à l'aide du package seaborn 121
CHAPITRE 5 : Apprendre les bases du SQL 128
5.1 Création d'une base de données et de tables 128
5.2 Apprentissage de la syntaxe SQL de base 133
5.3 Opérateur 135
5.4 Fonctions agrégées 137
5.5 Groupement et tri 139
5.6 Vues et sous-requêtes 141
5.7 Fonctions, prédicats et expressions de cas 144
5.8 Ensembles et jointures de tables 151
5.9 Traitement SQL avancé 156
CHAPITRE 6 Connexion à SQL en Python 161
6.1 Connexion à une base de données SQL en Python 161
6.2 Lecture et écriture de données avec Pandas 163
6.3 Implémentation de la fonction upsert 165
PARTIE II Collecte de données par exploration du Web
CHAPITRE 7 Notions de base du Web pour l'exploration 173
7.1 Comprendre le codage 173
7.2 Fonctionnement du Web 175
7.3 HTML et CSS 176
CHAPITRE 8 Exercices de reptation statique 187
8.1 Comprendre les méthodes GET et POST 187
8.2 Exemple de déplacement rampant 190
CHAPITRE 9 Exploration dynamique et expressions régulières 204
9.1 Qu'est-ce que le crawling dynamique ? 204
9.2 Expressions régulières 216
CHAPITRE 10 : Collecte des données sur les stocks nationaux 223
10.1 Réception des données basées sur le dernier jour ouvrable 223
10.2 Analyse des classifications sectorielles et des indicateurs individuels de la Bourse de Corée 224
10.3 Informations sur le secteur du rampant basées sur WICS 235
10.4 Correction Stock Crawl 240
10.5 Analyse des états financiers 24h/24 et 7j/7
10.6 Calcul des indicateurs de valeur 256
CHAPITRE 11 Collecte de données boursières mondiales 264
11.1 Utilisation de fournisseurs de données payants 265
11.2 Collecte des téléscripteurs 270
11.3 Cours de l'action Télécharger 279
11.4 Télécharger les états financiers 283
CHAPITRE 12 : Collecte de données pour l'investissement Référence 288
12.1 Collecte de données à l'aide de l'API ouverte de DART 288
12.2 Télécharger les données FRED 297
12.3 Indice de peur et d'avidité 301
PARTIE III Construction de portefeuille, backtesting et trading
CHAPITRE 13 Sélection de titres à l'aide de stratégies quantitatives 307
13.1 Comprendre les facteurs 308
13.2 Comprendre la bêta 308
13.3 Stratégie de valeur 312
13.4 Stratégie de dynamique 322
13.5 Stratégie qualité 331
13.6 Formule magique 337
13.7 Portefeuille sectoriellement neutre 346
13.8 Traitement des données aberrantes et combinaison des facteurs 349
13.9 Portefeuille multifactoriel 354
CHAPITRE 14 Stratégies de construction de portefeuille 367
14.1 Calcul des rendements et vérification des corrélations 368
14.2 Portefeuille à ratio de Sharpe maximal 369
14.3 Portefeuille à variance minimale 372
14.4 Portefeuille équilibré en termes de risque 380
CHAPITRE 15 : INDICATEURS TECHNIQUES POUR LE TRADING 385
15.1 Installation du paquet TA-Lib 385
15,2 Moyenne mobile 387
15.3 Indice de force relative 389
15.4 Bandes de Bollinger 391
CHAPITRE 16 Simulation de rétrotest 393
16,1 bt paquet 394
16.2 Allocation d'actifs statique : Portefeuille tout temps 401
16.3 Allocation dynamique des actifs 403
16.4 Test rétrospectif de la stratégie de suivi de tendance 407
16.5 Stratégie de retour à la moyenne Backtest 415
Fonction 419 du paquet 16,6 bt
CHAPITRE 17 Connexion à l'API d'une société de courtage et négociation 421
17.1 Demande de services d'investissement simulé et d'API 423
17.2 Obtention d'un jeton d'accès et d'une clé de hachage 427
17.3 Vérifier les cours boursiers actuels 429
17.4 Commande de stocks 430
17.5 Consultation du solde des stocks 436
17.6 Planification 438
17.7 Rééquilibrage du portefeuille 441
ANNEXE A Téléchargement et installation de Python 460
Installation d'Anaconda 460
Utilisation de Spider 465
ANNEXE B Téléchargement et installation de SQL 467
Recherche 482
À propos de ce livre xii
Recommandation 14
Partie I : Apprendre les bases de la programmation quantitative
CHAPITRE 1 : Apprendre les mathématiques quantitatives 3
1.1 Données : Le matériau de base de l'investissement quantitatif 4
1.2 Pourquoi la programmation est nécessaire pour l'investissement quantitatif 4
1.3 Le langage le plus populaire, Python 5
1.4 Norme de gestion des données, SQL 6
CHAPITRE 2 : Apprendre les bases de Python 8
2.1 Constantes et variables 8
2.2 Type de données 9
2.3 Déclarations de contrôle 30
2.4 Fonction 39
2.5 Utilisation des packages 41
CHAPITRE 3 Apprentissage de l'analyse des données 48
3.1 Série 48
3.2 DataFrame 52
3.3 Chargement et enregistrement des données 60
3.4 Examen des données récapitulatives, des informations et des statistiques 62
3.5 Gestion des valeurs manquantes 67
3.6 Index de manutention 72
3.7 Filtrage 74
3.8 Création d'une nouvelle colonne 78
3.9 Fusion de cadres de données 80
3.10 Restructuration des données 88
3.11 Application de fonctions aux data frames 93
3.12 Opérations du groupe 96
3.13 Traitement des données de séries temporelles 103
CHAPITRE 4 : Apprendre la visualisation des données 110
4.1 Composantes d'un graphique 110
4.2 Visualisation à l'aide du package matplotlib 111
4.3 Visualisation à l'aide du package pandas 117
4.4 Visualisation à l'aide du package seaborn 121
CHAPITRE 5 : Apprendre les bases du SQL 128
5.1 Création d'une base de données et de tables 128
5.2 Apprentissage de la syntaxe SQL de base 133
5.3 Opérateur 135
5.4 Fonctions agrégées 137
5.5 Groupement et tri 139
5.6 Vues et sous-requêtes 141
5.7 Fonctions, prédicats et expressions de cas 144
5.8 Ensembles et jointures de tables 151
5.9 Traitement SQL avancé 156
CHAPITRE 6 Connexion à SQL en Python 161
6.1 Connexion à une base de données SQL en Python 161
6.2 Lecture et écriture de données avec Pandas 163
6.3 Implémentation de la fonction upsert 165
PARTIE II Collecte de données par exploration du Web
CHAPITRE 7 Notions de base du Web pour l'exploration 173
7.1 Comprendre le codage 173
7.2 Fonctionnement du Web 175
7.3 HTML et CSS 176
CHAPITRE 8 Exercices de reptation statique 187
8.1 Comprendre les méthodes GET et POST 187
8.2 Exemple de déplacement rampant 190
CHAPITRE 9 Exploration dynamique et expressions régulières 204
9.1 Qu'est-ce que le crawling dynamique ? 204
9.2 Expressions régulières 216
CHAPITRE 10 : Collecte des données sur les stocks nationaux 223
10.1 Réception des données basées sur le dernier jour ouvrable 223
10.2 Analyse des classifications sectorielles et des indicateurs individuels de la Bourse de Corée 224
10.3 Informations sur le secteur du rampant basées sur WICS 235
10.4 Correction Stock Crawl 240
10.5 Analyse des états financiers 24h/24 et 7j/7
10.6 Calcul des indicateurs de valeur 256
CHAPITRE 11 Collecte de données boursières mondiales 264
11.1 Utilisation de fournisseurs de données payants 265
11.2 Collecte des téléscripteurs 270
11.3 Cours de l'action Télécharger 279
11.4 Télécharger les états financiers 283
CHAPITRE 12 : Collecte de données pour l'investissement Référence 288
12.1 Collecte de données à l'aide de l'API ouverte de DART 288
12.2 Télécharger les données FRED 297
12.3 Indice de peur et d'avidité 301
PARTIE III Construction de portefeuille, backtesting et trading
CHAPITRE 13 Sélection de titres à l'aide de stratégies quantitatives 307
13.1 Comprendre les facteurs 308
13.2 Comprendre la bêta 308
13.3 Stratégie de valeur 312
13.4 Stratégie de dynamique 322
13.5 Stratégie qualité 331
13.6 Formule magique 337
13.7 Portefeuille sectoriellement neutre 346
13.8 Traitement des données aberrantes et combinaison des facteurs 349
13.9 Portefeuille multifactoriel 354
CHAPITRE 14 Stratégies de construction de portefeuille 367
14.1 Calcul des rendements et vérification des corrélations 368
14.2 Portefeuille à ratio de Sharpe maximal 369
14.3 Portefeuille à variance minimale 372
14.4 Portefeuille équilibré en termes de risque 380
CHAPITRE 15 : INDICATEURS TECHNIQUES POUR LE TRADING 385
15.1 Installation du paquet TA-Lib 385
15,2 Moyenne mobile 387
15.3 Indice de force relative 389
15.4 Bandes de Bollinger 391
CHAPITRE 16 Simulation de rétrotest 393
16,1 bt paquet 394
16.2 Allocation d'actifs statique : Portefeuille tout temps 401
16.3 Allocation dynamique des actifs 403
16.4 Test rétrospectif de la stratégie de suivi de tendance 407
16.5 Stratégie de retour à la moyenne Backtest 415
Fonction 419 du paquet 16,6 bt
CHAPITRE 17 Connexion à l'API d'une société de courtage et négociation 421
17.1 Demande de services d'investissement simulé et d'API 423
17.2 Obtention d'un jeton d'accès et d'une clé de hachage 427
17.3 Vérifier les cours boursiers actuels 429
17.4 Commande de stocks 430
17.5 Consultation du solde des stocks 436
17.6 Planification 438
17.7 Rééquilibrage du portefeuille 441
ANNEXE A Téléchargement et installation de Python 460
Installation d'Anaconda 460
Utilisation de Spider 465
ANNEXE B Téléchargement et installation de SQL 467
Recherche 482
Image détaillée
Dans le livre
En investissement quantitatif, un « quant » désigne une personne qui calcule le prix d'un produit financier à partir d'un modèle ou qui réalise des investissements sur la base de ce modèle.
Ce sera facile à comprendre si vous pensez que le mot « quant » est tiré des premières lettres de « quantitatif », qui signifie « quantitatif ».
Contrairement aux méthodes d'investissement qualitatives, où les investisseurs analysent généralement les secteurs et les entreprises pour déterminer leur valeur, l'investissement quantitatif désigne une méthode d'investissement quantitative qui crée des stratégies basées sur les mathématiques, les statistiques et les données, puis investit en fonction de ces stratégies.
--- p.3
Si vous n'avez besoin que de données pour le marché américain, faire appel à un fournisseur de données payant est également une bonne option.
Aux États-Unis, de nombreuses entreprises fournissent des données financières sous forme d'API. Dans le cas de Tiingo, pour seulement 10 dollars par mois, vous pouvez recevoir des données sur plus de 40 000 actions américaines et chinoises au format API.
Non seulement cela couvre les actions radiées de la cote, mais cela présente également l'avantage de pouvoir recevoir des données à une vitesse incomparable à celle du crawling grâce à l'utilisation d'une API.
Il existe également de nombreux fournisseurs de données, notamment Alpha Vantage, Quandl et Polygon.
Tiingo autorise jusqu'à 1 000 requêtes API par jour, même avec un compte gratuit, et un package est également disponible pour Python ; utilisons-le donc pour collecter des données.
--- p.265
Plutôt que d'investir en se basant sur un seul facteur, vous pouvez constituer un portefeuille bien plus performant en combinant deux facteurs ou plus. Cette méthode est dite multifactorielle.
Parmi celles-ci, la combinaison de la valeur et de la qualité est une méthode traditionnellement utilisée, et la « formule magique » de Joel Greenblatt en est un exemple représentatif.
--- p.337
Le backtesting est le processus qui consiste à tester quels résultats se produiraient si la stratégie que vous envisagez actuellement était exécutée dans le passé.
Il s'agit d'une étape clé de l'investissement quantitatif, qui consiste à mettre en œuvre des stratégies basées sur des données passées.
Les résultats des tests rétrospectifs permettent d'évaluer approximativement les profits et les pertes de la stratégie, ainsi que ses différents risques, et aident également à comprendre quelles parties de la stratégie ont bien ou mal fonctionné.
En continuant d'investir de manière quantitative en vous basant sur cette compréhension, vous pouvez développer une perspective objective sur les raisons des mauvaises performances à court terme, ce qui vous permettra de poursuivre votre stratégie en toute confiance.
Ce sera facile à comprendre si vous pensez que le mot « quant » est tiré des premières lettres de « quantitatif », qui signifie « quantitatif ».
Contrairement aux méthodes d'investissement qualitatives, où les investisseurs analysent généralement les secteurs et les entreprises pour déterminer leur valeur, l'investissement quantitatif désigne une méthode d'investissement quantitative qui crée des stratégies basées sur les mathématiques, les statistiques et les données, puis investit en fonction de ces stratégies.
--- p.3
Si vous n'avez besoin que de données pour le marché américain, faire appel à un fournisseur de données payant est également une bonne option.
Aux États-Unis, de nombreuses entreprises fournissent des données financières sous forme d'API. Dans le cas de Tiingo, pour seulement 10 dollars par mois, vous pouvez recevoir des données sur plus de 40 000 actions américaines et chinoises au format API.
Non seulement cela couvre les actions radiées de la cote, mais cela présente également l'avantage de pouvoir recevoir des données à une vitesse incomparable à celle du crawling grâce à l'utilisation d'une API.
Il existe également de nombreux fournisseurs de données, notamment Alpha Vantage, Quandl et Polygon.
Tiingo autorise jusqu'à 1 000 requêtes API par jour, même avec un compte gratuit, et un package est également disponible pour Python ; utilisons-le donc pour collecter des données.
--- p.265
Plutôt que d'investir en se basant sur un seul facteur, vous pouvez constituer un portefeuille bien plus performant en combinant deux facteurs ou plus. Cette méthode est dite multifactorielle.
Parmi celles-ci, la combinaison de la valeur et de la qualité est une méthode traditionnellement utilisée, et la « formule magique » de Joel Greenblatt en est un exemple représentatif.
--- p.337
Le backtesting est le processus qui consiste à tester quels résultats se produiraient si la stratégie que vous envisagez actuellement était exécutée dans le passé.
Il s'agit d'une étape clé de l'investissement quantitatif, qui consiste à mettre en œuvre des stratégies basées sur des données passées.
Les résultats des tests rétrospectifs permettent d'évaluer approximativement les profits et les pertes de la stratégie, ainsi que ses différents risques, et aident également à comprendre quelles parties de la stratégie ont bien ou mal fonctionné.
En continuant d'investir de manière quantitative en vous basant sur cette compréhension, vous pouvez développer une perspective objective sur les raisons des mauvaises performances à court terme, ce qui vous permettra de poursuivre votre stratégie en toute confiance.
--- p.393
Avis de l'éditeur
Le seul livre écrit par un véritable expert en finance quantitative, couvrant tout, de la collecte de données boursières à la sélection de titres à l'aide de stratégies quantitatives, en passant par le trading automatisé et le rééquilibrage via les API de courtage !
La programmation permet même à l'investisseur moyen de collecter des données financières et de constituer un portefeuille ! Cet ouvrage aborde non seulement les données boursières nationales, mais aussi les méthodes de collecte de données sur toutes les actions du monde. Il traite également de la sélection de titres à l'aide de stratégies quantitatives, ainsi que des méthodes de trading et du backtesting à l'aide d'indicateurs techniques.
Enfin, nous sommes allés au-delà du simple choix des actions dans lesquelles investir, et avons même abordé la manière d'effectuer des transactions et de rééquilibrer automatiquement un portefeuille à l'aide d'une API de courtage.
Les lecteurs pourront utiliser Python pour collecter et traiter des données financières, développer des modèles quantitatifs, analyser des portefeuilles et effectuer des transactions automatisées, y compris des techniques utilisées par les investisseurs professionnels.
La programmation permet même à l'investisseur moyen de collecter des données financières et de constituer un portefeuille ! Cet ouvrage aborde non seulement les données boursières nationales, mais aussi les méthodes de collecte de données sur toutes les actions du monde. Il traite également de la sélection de titres à l'aide de stratégies quantitatives, ainsi que des méthodes de trading et du backtesting à l'aide d'indicateurs techniques.
Enfin, nous sommes allés au-delà du simple choix des actions dans lesquelles investir, et avons même abordé la manière d'effectuer des transactions et de rééquilibrer automatiquement un portefeuille à l'aide d'une API de courtage.
Les lecteurs pourront utiliser Python pour collecter et traiter des données financières, développer des modèles quantitatifs, analyser des portefeuilles et effectuer des transactions automatisées, y compris des techniques utilisées par les investisseurs professionnels.
SPÉCIFICATIONS DES PRODUITS
- Date d'émission : 17 février 2023
- Nombre de pages, poids, dimensions : 500 pages | 994 g | 188 × 257 × 24 mm
- ISBN13 : 9791192469829
- ISBN10 : 1192469828
Vous aimerez peut-être aussi
카테고리
Langue coréenne
Langue coréenne
![ELLE 엘르 스페셜 에디션 A형 : 12월 [2025]](http://librairie.coreenne.fr/cdn/shop/files/b8e27a3de6c9538896439686c6b0e8fb.jpg?v=1766436872&width=3840)
