PARTIE 1 : Principes de base de l'analyse de données avec Python

CHAPITRE 1 Avant d'analyser les données sur les valeurs mobilières
1.1 Histoire et signification des sociétés par actions
1.2 Le marché des valeurs mobilières de notre pays
1.3 Warren Buffett et l'investissement axé sur la valeur
1.4 Combien allez-vous gagner ?
1.5 Python pour l'investissement quantitatif
1.6 Résumé des points clés

CHAPITRE 2 Programmation Python
2.1 Fonctionnalités Python
2.2 Installation de Python
2.3 Chaînes de caractères et opérations arithmétiques
2.4 Types de données répétés
2.5 Variables et fonctions
2.6 Modules et packages
2.7 Programmation orientée objet
2.8 Gestion des fichiers et bibliothèques externes
2.9 Résumé des points clés

CHAPITRE 3 Analyse de données avec Pandas
3.1 Tableaux NumPy
Série Pandas 3.2
3.3 DataFrame Pandas
3.4 Comparaison des actions
3,5 Perte maximale
3.6 Analyse de régression et corrélation
3.7 Atténuation des risques basée sur le coefficient de corrélation
3.8 Résumé des points clés

CHAPITRE 4 Analyse des données par extraction de données Web
4.1 Lecture de la liste des sociétés cotées avec Pandas
4.2 Apprendre le HTML
4.3 Trouver les prix quotidiens sur le web
4.4 Consultez les prix du jour avec Beautiful Soup
4.5 Graphiques OHLC et en chandeliers
4.6 Résumé des points clés

PARTIE 2 Applications d'analyse de données Python

CHAPITRE 5 Création d'une base de données de prix et développement d'une API de consultation de prix
5.1 Comparaison entre Yahoo Finance et Naver Finance
5.2 Vérification de la connexion après l'installation de MariaDB
5.3 Mise à jour quotidienne des cours boursiers dans la base de données
5.4 API de consultation quotidienne des prix
5.5 Résumé des points clés

CHAPITRE 6 STRATÉGIES DE NÉGOCIATION ET MISE EN ŒUVRE
6.1 Théorie moderne du portefeuille
6.2 Ratio de Sharpe et optimisation de portefeuille
Indicateur des bandes de Bollinger 6.3
6.4 Technique de trading basée sur les bandes de Bollinger
6.5 Lois psychologiques de l'investissement
6.6 Système de négociation à triple fenêtre
6.7 Investissement à double momentum
6.8 Résumé des points clés

CHAPITRE 7 Création et automatisation d'un serveur Web Django
7.1 Framework Web Django
7.2 Application Hello Django
Page d'index Django 7.3
7.4 Consulter le solde de votre compte en ligne
7.5 Envoi de messages de notification à Slack
7.6 Tests rétrospectifs avec Backtrader
7.7 Résumé des points clés

CHAPITRE 8 Stratégies de rupture de volatilité et trading automatisé
8.1 Stratégie de rupture de volatilité de Larry Williams
8.2 API Creon Plus
8.3 Vérifier les cours des actions et les informations du compte
8.4 Achat/Vente d'ETF
8.5 Enregistrement de la logique principale et du planificateur de tâches
8.6 Résumé des points clés

CHAPITRE 9 : Prédiction du cours des actions grâce à l'apprentissage profond
9.1 Intelligence artificielle
9.2 Notions de base de TensorFlow
9.3 Problème de régression linéaire
9.4 Prédiction du cours des actions à l'aide d'un RNN
9.5 Résumé des points clés
Références

Pour réussir en investissement, il faut maîtriser à la fois les stratégies de trading et la programmation !

Ce livre se compose de la partie 1, « Principes de base de l'analyse de données Python », et de la partie 2, « Applications de l'analyse de données Python ».
Dans la première partie, vous apprendrez à collecter, visualiser et analyser des données à l'aide de Python et de diverses bibliothèques.
Dans la deuxième partie, nous allons créer une base de données sur les cours boursiers et implémenter en Python des stratégies de trading utilisées par les experts en investissement.
Nous abordons également d'autres sujets intéressants tels que le backtesting à l'aide de Python et la prédiction du cours des actions à l'aide de l'apprentissage profond.
La lecture de ce livre vous permettra d'apprendre à la fois les stratégies de trading et la programmation.

[Public cible et précautions d'emploi de ce livre]
Ce livre s'adresse aux non-professionnels de la finance qui souhaitent analyser quantitativement des données boursières à l'aide de Python et les utiliser à des fins d'investissement.
La programmation, les techniques d'investissement et l'utilisation de diverses bibliothèques et outils sont expliquées en pensant aux débutants.
Cependant, le sujet est si vaste qu'il ne convient pas aux développeurs débutants.
Avant de choisir ce livre, veuillez prendre en compte les mises en garde suivantes :

_1.
Bien que cet ouvrage ait été écrit à l'intention des lecteurs débutants en Python, il est recommandé d'avoir au moins une certaine expérience du développement dans un autre langage de programmation.
_2.
Étant donné que les stratégies de trading des experts en investissement sont implémentées directement en Python, il peut être difficile de les comprendre sans connaissances en matière d'investissement en valeurs mobilières.
_3.
Les techniques d'analyse des données boursières présentées dans ce livre ne garantissent pas de profits immédiats.
_4.
Attention, car un ramassage de données excessif sur le Web peut ne pas être conforme aux politiques des sites présentés dans ce livre.
_5.
Veuillez respecter l'environnement de développement utilisé dans ce livre.
Nous nous excusons par avance pour tout problème qui pourrait survenir en raison des différentes versions.

Ce livre n'est peut-être pas facile à lire dans son intégralité, car il aborde les théories fondamentales avancées nécessaires à l'investissement en valeurs mobilières. Cependant, à la fin de votre étude, vous aurez posé les bases de votre propre approche quantitative de l'investissement.
Je souhaite au lecteur une bonne santé.

[Structure de ce livre]

Partie 1.
Principes de base de l'analyse de données avec Python

_Chapitre 1.
Avant d'analyser les données boursières
Avant d'investir dans des valeurs mobilières, renseignez-vous sur les connaissances de base relatives aux valeurs mobilières.
Nous examinons brièvement le processus d'entrée des entreprises en Corée, l'investissement axé sur la valeur, la crise des prêts hypothécaires subprimes et l'investissement quantitatif.

_Chapitre 2.
Programmation Python
Explique l'installation de Python, sa syntaxe et comment utiliser des bibliothèques externes.
Pour maîtriser Python, il faut être capable de manipuler librement le type de données liste.

_Chapitre 3.
Analyse de données avec Pandas
Explique Pandas, une bibliothèque essentielle pour l'analyse de données.
Le type de données dataframe est important car il sert de plateforme d'échange de données entre les bibliothèques.

_Chapitre 4.
analyse des données de web scraping
Ce document explique comment télécharger un fichier Excel listant les sociétés cotées en bourse, fourni par la Bourse de Corée, et comment extraire les données quotidiennes du cours des actions fournies par Naver.
Décrit la bibliothèque de web scraping Beautiful Soup.

Partie 2.
Applications d'analyse de données Python

_Chapitre 5.
Création d'une base de données sur les cours boursiers et développement d'une API de consultation des cours boursiers
Récupérez les cours boursiers Naver à partir des pages web et enregistrez-les dans MariaDB pour constituer votre propre base de données de cours boursiers.
Ensuite, nous mettons en œuvre une API de consultation des prix qui recherche les cours boursiers enregistrés.

_Chapitre 6.
Stratégies de trading et mise en œuvre
Comprendre les principes fondamentaux des stratégies de trading légendaires, notamment la théorie moderne du portefeuille, les bandes de Bollinger, le système de trading à triple fenêtre et le Dual Momentum, et les mettre en œuvre en Python.

_Chapitre 7.
Création et automatisation d'un serveur web Django
Mettre en œuvre un système web de consultation des soldes de stock en utilisant Django, un framework web basé sur Python.
Nous présentons également des méthodes de backtesting utilisant Backtrader et l'envoi de messages via Slack.

_Chapitre 8.
Stratégie de rupture de volatilité et trading automatisé
Nous mettrons en œuvre la stratégie de rupture de volatilité de Larry Williams en utilisant les API des sociétés de valeurs mobilières nationales et construirons un système qui négociera automatiquement des ETF avec une faible charge fiscale sur les transactions.

_Chapitre 9.
Prédiction du cours des actions à l'aide de l'apprentissage profond
Prédisez les cours boursiers de demain grâce à la technologie d'apprentissage profond mise en œuvre avec Google TensorFlow.
Vous apprendrez également les concepts fondamentaux de l'apprentissage profond.


Livres connexes
Analyse financière avec Python (ISBN 9788968482779)
Recettes d'ingénierie financière utilisant Python (ISBN 9791162240823)