Plan du cours
Introduction
Comprendre les principes fondamentaux de Python
Vue d'ensemble de l'utilisation de la technologie et de Python dans Finance
Vue d'ensemble des outils et de l'infrastructure
- Déploiement Python à l'aide de Anaconda
- Utilisation de la plate-forme Python Quant
- Utilisation de IPython
- Utilisation de Spyder
Démarrer avec des exemples financiers simples avec Python
- Calcul des volatilités implicites
- Mise en œuvre de la simulation de Monte Carlo
- Utilisation de Pure Python
- Utiliser la vectorisation avec Numpy
- Utiliser la vectorisation complète avec le schéma Log Euler
- Utilisation de l'analyse graphique
- Utilisation de l'analyse technique
Comprendre les types de données et les structures dans Python (en anglais)
- Apprendre les types de données de base
- Apprendre les structures de données de base
- Utiliser les structures de données NumPy
- Implémenter la vectorisation du code
Implémentation de Data Visualization dans Python
- Implémentation des tracés bidimensionnels
- Utiliser d'autres styles de tracés
- Implémentation des tracés Finance
- Génération d'un graphe en 3D
Utiliser des données de séries temporelles financières dans Python
- Explorer les bases de pandas
- Mise en œuvre des première et deuxième étapes avec la classe DataFrame
- Obtenir des données financières à partir du Web
- Utiliser des données financières à partir de fichiers CSV
- Implémentation de l'analyse de régression
- Gestion des données à haute fréquence
Mise en œuvre des opérations d'entrée/sortie
- Comprendre les bases des E/S avec Python
- Utiliser les E/S avec pandas
- Implémenter des E/S rapides avec PyTables
Implémentation d'applications critiques en termes de performances avec Python
- Vue d'ensemble des bibliothèques de performance dans Python
- Comprendre les paradigmes Python
- Comprendre la disposition de la mémoire
- Implémentation du calcul parallèle
- Utilisation du module multiprocessing
- Utiliser Numba pour la compilation dynamique
- Utilisation de Cython pour la compilation statique
- Utilisation de GPUs pour la génération de nombres aléatoires
Utilisation d'outils et de techniques Mathematical pour Finance avec Python
- Apprentissage des techniques d'approximation
- Régression
- Interpolation
- Mise en œuvre de l'optimisation convexe
- Mise en œuvre de techniques d'intégration
- Application du calcul symbolique
Stochastique avec Python
- Génération de nombres aléatoires
- Simulation de variables aléatoires et de processus stochastiques
- Mise en œuvre de calculs d'évaluation
- Calcul des mesures de risque
Statistics avec Python
- Mise en œuvre des tests de normalité
- Mise en œuvre de l'optimisation de portefeuille
- Réalisation d'une analyse en composantes principales (ACP)
- Mise en œuvre de la régression bayésienne à l'aide de PyMC3
Intégrer Python avec Excel
- Mise en œuvre d'une interaction de base avec une feuille de calcul
- Utiliser DataNitro pour une intégration complète de Python et Excel
Object-Oriented Programming avec Python
Construire des interfaces utilisateur graphiques avec Python
Intégration de Python avec les technologies et protocoles Web pour Finance
- Protocoles Web
- Applications Web
- Web Services
Comprendre et mettre en œuvre le cadre d'évaluation avec Python
Simulation de modèles financiers avec Python
- Génération de nombres aléatoires
- Classe de simulation générique
- Mouvement brownien géométrique
- La classe de simulation
- Implémentation d'un Use Case pour le GBM
- Diffusion par saut
- Diffusion à racine carrée
Implémentation de la valorisation des produits dérivés avec Python (en anglais)
Mise en œuvre de l'évaluation de portefeuille avec Python
Utilisation des options de volatilité dans Python (en anglais)
- Mise en œuvre de la collecte de données
- Mise en œuvre de l'étalonnage du modèle
- Mise en œuvre de l'évaluation de portefeuille
Meilleures pratiques dans Python Programming pour Finance
Résolution des problèmes
Résumé et conclusion
Remarques finales
Pré requis
- Expérience de la programmation de base