PREMIÈRE PARTIE : Python et la finance

CHAPITRE 1 : Pourquoi utiliser Python pour l'analyse financière ?
1.1 Introduction à Python
1.2 Technologies utilisées en finance
1.3 Python pour l'ingénierie financière
1.4 Finance axée sur les données et finance privilégiant l'IA
1.5 En conclusion
1.6 Références

CHAPITRE 2 Infrastructure Python
2.1 Conda en tant que gestionnaire de paquets
2.2 Conda en tant que gestionnaire d'environnement virtuel
2.3 Comment utiliser les conteneurs Docker
2.4 Comment utiliser les instances cloud
2.5 En conclusion
2.6 Références

PARTIE II Maîtriser les bases de Python

CHAPITRE 3 TYPES DE DONNÉES ET STRUCTURES DE DONNÉES
3.1 Types de données de base
3.2 Structures de données de base
3.3 En conclusion
3.4 Références

CHAPITRE 4 Calcul numérique avec NumPy
4.1 Tableau de données
4.2 Tableaux NumPy réguliers
4.3 Tableaux NumPy structurés
4.4 Vectorisation du code
4.5 En conclusion
4.6 Références

CHAPITRE 5 Analyse de données avec Pandas
5.1 Classe DataFrame
5.2 Analyse de base
5.3 Visualisation de base
Classe de la série 5.4
5.5 Opération GroupBy
5.6 Méthodes de sélection avancées
5.7 Fusionner, joindre et fusionner
5.8 Aspects liés à la performance
5.9 En conclusion
5.10 Références

CHAPITRE 6 PROGRAMMATION ORIENTÉE OBJET
6.1 Introduction aux objets Python
6.2 Notions de base des classes Python
6.3 Modèle de données Python
6.4 Classe Vector
6.5 En conclusion
6.6 Références

PARTIE III Science des données financières

CHAPITRE 7 VISUALISATION DES DONNÉES
7.1 Graphiques statiques 2D
7.2 Graphiques 3D statiques
7.3 Graphiques 2D interactifs
7.4 En conclusion
7.5 Références

CHAPITRE 8 Séries chronologiques financières
8.1 Données financières
8.2 Statistiques de mouvement
8.3 Analyse de corrélation
8.4 Données haute fréquence
8.5 En conclusion
8.6 Références

CHAPITRE 9 Opérations d'E/S
9.1 Entrées/sorties de base en Python
9.2 Entrée/Sortie avec Pandas
9.3 Entrée/Sortie avec PyTables
9.4 Entrée/Sortie à l'aide de TsTables
9.5 En conclusion
9.6 Références

CHAPITRE 10 Améliorer les performances de Python
10.1 Boucles
10.2 Algorithme
10.3 Arbre binomial
10.4 Simulation de Monte Carlo
10.5 Algorithmes récursifs pandas
10.6 En conclusion
10.7 Références

CHAPITRE 11 Outils mathématiques
11.1 Approximation
11.2 Optimisation
11.3 Intégration
11.4 Opérations symboliques
11.5 En conclusion
11.6 Références

CHAPITRE 12 Processus stochastiques
12.1 Génération de nombres aléatoires
12.2 Simulation
12.3 Évaluation
12.4 Mesures de risque
12.5 Script Python
12.6 En conclusion
12.7 Références

CHAPITRE 13 ANALYSE STATISTIQUE
13.1 Test de normalité
13.2 Optimisation du portefeuille
13.3 Statistiques bayésiennes
13.4 Apprentissage automatique
13.5 En conclusion
13.6 Références

PARTIE IV Trading algorithmique

CHAPITRE 14 Plateforme de trading FXCM
14.1 Premiers pas
14.2 Réception des données
14.3 Gestion des API
14.4 En conclusion
14.5 Références

CHAPITRE 15 STRATÉGIES DE TRADING
15.1 Moyenne mobile simple
15.2 Hypothèse de marche aléatoire
15.3 Analyse de régression linéaire
15.4 Clustering
15.5 Méthodologie fréquentiste
15.6 Algorithmes de classification
15.7 Réseaux neuronaux profonds
15.8 En conclusion
15.9 Références
CHAPITRE 16 Automatisation du trading
16.1 Gestion de fonds
16.2 Stratégies de trading basées sur l'apprentissage automatique
16.3 Algorithmes en ligne
16.4 Infrastructure et déploiement
16.5 Journalisation et surveillance
16.6 En conclusion
16.7 Script Python
16.8 Références

PARTIE V ANALYSE DES DÉRIVÉS

CHAPITRE 17 CADRE D'ÉVALUATION
17.1 Principes fondamentaux de l'évaluation des actifs
17.2 Actualisation en adéquation avec le risque
17.3 Environnement du marché
17.4 En conclusion
17.5 Références

CHAPITRE 18 : SIMULATION DE MODÈLE FINANCIER
18.1 Génération de nombres aléatoires
18.2 Classes de simulation générale
18.3 Modèle de mouvement brownien géométrique
18.4 Modèle de diffusion par sauts
Modèle de diffusion de la racine carrée 18,5
18.6 En conclusion
18.7 Références

CHAPITRE 19 ÉVALUATION DES DÉRIVÉS
19.1 Classe d'évaluation des valeurs générales
19.2 Format d'événement européen
19.3 Style d'événement américain
19.4 En conclusion
19.5 Références

CHAPITRE 20 ÉVALUATION DE PORTEFEUILLE
20.1 Positions sur produits dérivés
20.2 Portefeuille de produits dérivés
20.3 En conclusion
20.4 Références

CHAPITRE 21 ÉVALUATION BASÉE SUR LE MARCHÉ
21.1 Données d'option
21.2 Étalonnage du modèle
21.3 Évaluation du portefeuille
21.4 Code Python
21.5 En conclusion
21.6 Références

ANNEXE A Date et heure
A.1 Python
A.2 NumPy
A.3 pandas

ANNEXE B Classe d'options Black-Scholes-Merton
B.1 Définition de classe
B.2 Utilisation de la classe

Les professionnels de la finance et les développeurs du secteur se mettent à Python.
Cela vous aidera à réaliser d'importantes tâches d'analyse financière.
Le guide des meilleures pratiques

Ce livre n'est pas un manuel spécialisé expliquant la théorie ou les algorithmes de l'ingénierie financière.
Ce livre explique comment le langage de programmation Python peut être largement utilisé dans le domaine financier. Il s'apparente donc davantage à un guide pratique, abordant tous les aspects, des bases de Python aux principales tâches d'analyse financière, jusqu'à la mise en œuvre d'un système de trading.
J'espère que ce livre offrira une expérience incroyablement agréable d'exploration des diverses capacités de Python, non seulement pour ceux qui travaillent dans le domaine financier ou qui étudient l'ingénierie financière, mais aussi pour toute personne intéressée par ce domaine et qui souhaite approfondir ses connaissances à titre personnel.

※ Contenu clé par partie

Ce livre présente le cadre technique que Python et son écosystème offrent aux entreprises et aux particuliers travaillant dans le secteur financier, divisé en cinq parties :
● Python et finance : Introduction à Python pour l’analyse financière interactive et le développement d’applications
● Maîtriser les bases de Python : types de données et structures de données, classes NumPy, pandas et DataFrame, programmation orientée objet
● Science des données financières : compétences en Python pour la visualisation des données, les données de séries temporelles financières, les opérations d’entrée/sortie de données et l’apprentissage automatique.
● Trading algorithmique : Tests de performance et déploiement automatisé de stratégies de trading algorithmique avec Python
Analyse des produits dérivés : Développement d’un package Python puissant et flexible pour la tarification et la gestion des risques liés aux options et aux produits dérivés.