Python dans le Trading Algorithmique - page 14

[MetaQuotes]

Créer un graphique en chandelier avec Python (Notes de la bibliothèque Pandas)

Faire un graphique de bougie avec Python (Notes de la librairie Pandas)

La vidéo fournit un guide étape par étape sur la façon de créer des graphiques en chandeliers à l'aide de la bibliothèque Pandas de Python avec des données CSV. Cela commence par l'importation des données CSV et la création d'un bloc de données à utiliser pour la création de graphiques. Le tutoriel couvre également l'installation de la bibliothèque mpl finance utilisée pour les tracés financiers. La vidéo souligne l'importance de comprendre Pandas pour l'utiliser efficacement dans Python et comment modifier le type de graphique et la plage de dates pour des représentations précises des données. Ceci est utile même pour des tâches telles que la modélisation pour le trading automatisé.

• 00:00:00 Dans cette section, le YouTuber explique comment créer des graphiques en chandeliers à l'aide de la bibliothèque Pandas de Python avec des données CSV. La première étape consiste à obtenir des données historiques au format CSV, qui peuvent être téléchargées à partir de diverses sources en ligne. Une fois les données CSV importées dans le script, une trame de données est créée, qui est une collection de données pouvant être utilisées pour créer le graphique en chandeliers. Le YouTuber montre ensuite comment sélectionner des colonnes spécifiques à partir du bloc de données pour créer le graphique. Ces graphiques peuvent être utilisés conjointement avec des algorithmes d'apprentissage automatique pour le trading automatisé.
  
  
• 00:05:00 Dans cette section, la vidéo explique comment créer un graphique en chandeliers avec Python à l'aide de la bibliothèque Pandas. Le didacticiel commence par sélectionner des colonnes dans un jeu de données et inverser l'ordre d'un DataFrame, ce qui est une étape importante lorsque l'on travaille avec des données boursières. La vidéo couvre également l'installation de mpl finance, une bibliothèque utilisée pour créer des parcelles financières. Le didacticiel procède ensuite à l'importation de Pandas et de mpl finance avant de sélectionner le fichier CSV à utiliser.
  
  
• 00:10:00 Dans cette section du didacticiel, l'orateur explique comment créer des graphiques en chandeliers à l'aide de la bibliothèque Pandas de Python. En utilisant Data Frames, les valeurs de clôture des actions peuvent être affichées sur un graphique. L'orateur explique comment sélectionner différents types de graphiques à l'aide de la bibliothèque mpf et comment modifier la plage de dates pour zoomer sur des périodes spécifiques. Le didacticiel fournit un guide étape par étape et souligne l'importance de comprendre Pandas pour utiliser efficacement cette bibliothèque en Python.
  
  
• 00:15:00 Dans cette section, la vidéo montre comment créer un graphique en chandeliers à l'aide de la bibliothèque Pandas de Python. La première étape consiste à créer un DataFrame appelé "Chart" en lisant les données d'un fichier CSV. L'étape suivante consiste à utiliser le DataFrame pour créer un graphique en chandelier à l'aide de la bibliothèque "mpl_finance". La vidéo montre comment personnaliser le graphique et le transformer en graphiques linéaires ou en d'autres types de graphiques. Le code utilisé pour créer le graphique est également fourni dans la description de la vidéo. La vidéo souligne également l'importance de sélectionner la plage de dates appropriée lors de la sélection de données à partir du DataFrame, car cela peut être utile pour d'autres tâches telles que la modélisation.

[MetaQuotes]

Trading algorithmique avec Python (arbre de décision)

Trading Algorítmico con Python (Árbol de decisions)

Dans cette vidéo sur le trading algorithmique avec Python, l'orateur utilise une approche d'arbre de décision pour prédire le mouvement des prix du Bitcoin sur la base des corrélations historiques entre SP500, l'or et l'Ethereum. Le modèle est formé à l'aide des données du jour actuel, puis utilisé pour prédire les résultats du jour suivant. Bien que les arbres de décision puissent être utiles pour les prédictions, l'orateur note qu'il peut ne pas être parfait avec seulement un petit échantillon de données. Les téléspectateurs peuvent accéder à davantage de stratégies de trading algorithmique, de cours et d'articles liés à l'intelligence artificielle et à Python sur le site Web fourni dans la vidéo.

• 00:00:00 Dans cette section de la transcription, l'orateur présente le processus de prise de décision en utilisant une approche algorithmique, en mettant l'accent sur les arbres de décision. La méthodologie de l'arbre de décision est appliquée aux données des corrélations de mouvement de prix historiques entre p500, or et ethereum pour prédire le mouvement de prix Bitcoin. Le modèle d'apprentissage est basé sur les données X du jour en cours, qui sont utilisées pour prédire les données du jour suivant. L'orateur déclare qu'ils ont développé leur approche, en appliquant l'intuition et la logique au processus.
  
  
• 00:05:00 Dans cette section, la vidéo montre comment utiliser une stratégie de trading algorithmique pour prédire si le prix du Bitcoin augmentera ou baissera le jour suivant. L'algorithme utilise un modèle d'arbre de décision formé à l'aide de données existantes, puis prédit les résultats futurs en fonction des caractéristiques d'entrée. L'exemple montré dans la vidéo a un ensemble de données limité, mais la même approche pourrait être utilisée avec des ensembles de données plus importants pour améliorer la précision. De plus, la vidéo fournit un site Web où les téléspectateurs peuvent accéder à des stratégies de trading plus algorithmiques, ainsi qu'à des cours et des articles liés à l'intelligence artificielle et à Python.
  
  
• 00:10:00 Dans cette section, l'orateur explique comment utiliser les arbres de décision pour faire des prédictions de trading algorithmique avec Python. Ils démontrent l'utilisation d'arbres de décision en attribuant des valeurs numériques aux termes « haut » et « bas » pour analyser les corrélations dans les données. L'orateur suggère que si les arbres de décision peuvent être utiles pour faire des prédictions, ils peuvent ne pas être parfaits avec seulement un petit échantillon de données. Ils suggèrent également que les arbres de décision peuvent être appliqués pour prédire d'autres types de graphiques, et que pour plus d'apprentissage, les gens peuvent entrer dans l'intelligence artificielle.

[MetaQuotes]

Python pour les investissements : Comment obtenir le Dollar Index ? DXY

Python pour les inversions : ¿Cómo sacar Dollar Index ? DXY

La vidéo couvre l'extraction des données de l'indice DXY, qui mesure la force du dollar américain par rapport à d'autres devises, à l'aide des bibliothèques Beautiful Soup et Pandas de Python. Le présentateur fournit un code qui extrait les informations de pourcentage de variation des données DXY et les enregistre dans un fichier CSV à des fins d'analyse de données et d'apprentissage automatique. De plus, ils partagent leur site Web avec des cours gratuits sur Python, la finance et le trading algorithmique. Ainsi, la vidéo est un guide utile pour extraire des données financières à l'aide de Python.

• 00:00:00 Dans cette section, le conférencier présente le concept d'indice DXY, qui mesure la force du dollar américain par rapport à d'autres devises telles que l'euro, le yen, la livre, le dollar canadien, le franc suisse et la couronne suédoise. L'orateur explique que ces données peuvent être utiles pour les investissements automatisés, l'analyse des données et l'apprentissage automatique. Il fournit ensuite un code pour extraire les données DXY d'une page Web à l'aide de la bibliothèque Beautiful Soup de Python, en mettant l'accent sur l'obtention de la variation de l'index. L'orateur partage également son identifiant Instagram et la page Web à partir de laquelle il récupère les données.
  
  
• 00:05:00 Dans cette section de la vidéo, le présentateur montre comment extraire le Dollar Index (DXY) à l'aide de Python à des fins d'investissement. Le présentateur utilise un morceau de code qui enregistre les informations DXY dans un fichier CSV pour une analyse ultérieure. Le code extrait d'abord les informations de pourcentage des données DXY, puis les sépare des informations de date à l'aide des fonctions "split" et "replace". Enfin, le code enregistre les informations extraites dans un fichier CSV qui comprend deux colonnes - une avec la date et l'autre avec le pourcentage de variation. Le présentateur suggère que les données extraites peuvent être utilisées à des fins d'apprentissage automatique et d'analyse de données.
  
  
• 00:10:00 Dans cette section, l'intervenant montre comment extraire Dollar Index à l'aide de Python. Ils montrent des extraits d'un script Python et expliquent comment cela fonctionne. Le code utilise la bibliothèque pandas pour extraire les données d'un tableau HTML et les stocker dans un fichier CSV pour une analyse plus approfondie. L'orateur fournit également un lien vers son site Web avec des cours gratuits sur Python, le trading algorithmique et la finance. Dans l'ensemble, la vidéo fournit un guide utile à tous ceux qui cherchent à extraire des données financières à l'aide de Python.

[MetaQuotes]

Trading algorithmique avec Python - Cours complet

Trading algorithmique avec Python - Cours complet

00:00:00 - 01:00:00 Cette vidéo explique comment utiliser Python pour négocier des actions de manière algorithmique. Il commence par présenter les bases de la bibliothèque pandas, puis montre comment l'utiliser pour créer une trame de données. Le cours montre ensuite comment exécuter une requête HTTP pour un stock et comment utiliser les résultats de l'appel API pour remplir la trame de données. Enfin, le cours explique comment améliorer les performances du code en regroupant les requêtes API.

01:00:00 - 02:00:00 Cette vidéo explique comment utiliser Python pour négocier des actions à l'aide d'un algorithme automatisé. Il commence par créer une liste d'actions et de symboles, puis transforme ces actions en chaînes. Ensuite, la vidéo crée une URL pour lancer une requête HTTP à l'aide de cette chaîne. Enfin, la vidéo montre comment exécuter cette requête et récupérer les données.

02:00:00 - 03:00:00 Cette vidéo explique comment utiliser Python pour créer une stratégie de trading algorithmique qui utilise le ratio cours/bénéfice comme indicateur de valeur. La stratégie sélectionne les actions en fonction de cette métrique et fait des recommandations d'achat et de vente en fonction du cours actuel de l'action.

03:00:00 - 04:00:00 Ce didacticiel vidéo explique comment utiliser Python pour négocier des actions de manière algorithmique. Il explique comment calculer divers indicateurs de réussite, comment traiter les données manquantes et comment utiliser la gestion des exceptions pour remplacer les valeurs manquantes.

04:00:00 - 04:30:00 Cette vidéo explique comment calculer les scores de centiles pour différentes métriques boursières à l'aide de Python. Il explique également comment utiliser Python pour créer un fichier Excel contenant les prix des actions et les tailles de position pour les appels et les options de vente, et comment formater le fichier pour l'impression.

Partie 1:

• 00:00:00 Ce cours porte sur le trading algorithmique et Python. Le premier projet consiste à créer une version à pondération égale du populaire fonds indiciel S&P 500. Le deuxième projet est une stratégie de momentum quantitative qui sélectionne les meilleures actions en fonction d'une variété de mesures de momentum et d'investissement. Le troisième projet est un filtre quantitatif de valeur qui sélectionne les actions attrayantes en fonction d'un certain nombre de mesures de valeur.
  
  
• 00:05:00 Ce cours est conçu pour enseigner Python pour le trading algorithmique. Python est un langage populaire pour ce type de trading, mais c'est un langage lent. De nombreux praticiens ont découvert que Python est souvent utilisé comme langage de liaison pour déclencher du code qui s'exécute réellement dans d'autres langages. Dans ce cours, nous utiliserons Python pour développer trois stratégies de trading algorithmique.
  
  
• 00:10:00 Cette vidéo présente le langage de programmation Python et montre comment l'utiliser pour accéder aux données des API en ligne. Le cours se concentrera sur l'utilisation de l'API du code IRS pour collecter des données boursières.
  
  
• 00:15:00 Dans cette vidéo, l'instructeur présente les concepts du trading algorithmique et explique comment créer diverses stratégies d'investissement en Python. Le premier projet consiste à créer une version à pondération égale du fonds indiciel S&P 500.
  
  
• 00:20:00 Ce didacticiel vidéo Python explique comment utiliser les bibliothèques NumPy, pandas, requests et XLS pour créer une stratégie de trading algorithmique.
  
  
• 00:25:00 Cette vidéo est un tutoriel sur l'utilisation de Python pour négocier des actions. La première étape consiste à enregistrer une liste des 500 actions du S&P 500 dans un fichier CSV. Ensuite, nous importons dans notre Jupyter Notebook la clé d'API cloud IE x et l'utilisons pour acquérir un jeton d'API. Nous commençons par importer dans notre script le fichier secrets.py, qui stocke des informations sensibles telles que la clé API. Nous utilisons ensuite la clé API pour acquérir des données financières à partir de l'API cloud IE x. Les données sont stockées dans la trame de données d'un panda, et nous pouvons imprimer les données pour vérifier que cela fonctionne.
  
  
• 00:30:00 Cette partie du didacticiel Python explique comment utiliser l'API cloud pour interroger la capitalisation boursière et les cours des actions pour des actions individuelles.
  
  
• 00:35:00 La vidéo explique comment utiliser la bibliothèque de requêtes pour exécuter une requête HTTP et stocker les résultats dans une variable. Il montre comment créer un point de terminaison d'API à l'aide de l'outil de ligne de commande curl et comment exécuter la demande. La variable de données contient l'objet de réponse de la demande, qui contient le code d'état et d'autres informations.
  
  
• 00:40:00 Cette vidéo explique comment utiliser le langage de programmation Python pour négocier des actions à l'aide d'algorithmes. La vidéo montre comment configurer un environnement Python et comment utiliser la méthode dot JSON pour convertir les données d'une requête HTTP en un objet JSON. La variable de données dans l'environnement Python se comporte de la même manière que la variable de changement étendu dans les documents iX Cloud. La vidéo explique que les données de prix dans iX Cloud peuvent ne pas être exactes et montre comment tester l'exactitude à l'aide d'une recherche Google.
  
  
• 00:45:00 Dans cette vidéo, l'auteur explique comment analyser un appel d'API, évaluer les actions et calculer leur capitalisation boursière. Ils expliquent ensuite comment ajouter des points de données au bloc de données d'un panda et montrent comment procéder en imprimant le bloc de données sous forme de liste.
  
  
• 00: 50: 00 Cette vidéo décrit comment utiliser Python pour négocier des actions de manière algorithmique. Le cours commence par présenter les bases de pandas, une bibliothèque d'analyse de données, puis passe à la création d'un cadre de données et d'une série de pandas. Le cours montre ensuite comment exécuter une requête HTTP pour un stock et comment utiliser les résultats de l'appel API pour remplir la trame de données d'un panda. Enfin, le cours montre comment améliorer les performances du code en regroupant les requêtes API.
  
  
• 00: 55: 00 Cette vidéo donne un aperçu du sujet du trading algorithmique à l'aide de Python, en mettant l'accent sur l'utilisation de la bibliothèque de cadres de données pandas et sur l'utilisation d'appels d'API par lots pour accélérer le code. La vidéo explique comment diviser une liste d'actions en blocs de 100 et comment utiliser la fonction de blocs pour générer une liste de listes de séries de pandas, chacune étant limitée à 100 éléments. Enfin, une boucle for est utilisée pour exécuter des appels d'API par lots pour chaque stock dans la liste des stocks, et les informations de chaque stock sont ajoutées à la trame de données finale.

Partie 2:

• 01:00:00 Ce didacticiel vidéo Python montre comment utiliser le langage de programmation Python pour négocier des actions à l'aide d'un algorithme automatisé. La vidéo commence par créer une liste d'actions et de symboles, puis transforme ces actions en chaînes. Ensuite, la vidéo crée une URL pour lancer une requête HTTP à l'aide de cette chaîne. Enfin, la vidéo montre comment exécuter cette requête et récupérer les données.
  
  
• 01:05:00 Cette vidéo explique comment utiliser Python pour effectuer du trading algorithmique. Il explique comment créer une URL d'appel d'API, analyser les données de l'appel d'API et utiliser la bibliothèque de requêtes pour obtenir les données. La vidéo montre également comment ajouter un index ignoré à la classe de la série pandas et comment exécuter le code.
  
  
• 01:10:00 Ce script Python calcule rapidement le nombre d'actions à acheter pour une taille de portefeuille saisie par l'utilisateur.
  
  
• 01:15:00 Ce script Python calcule la taille de la position et achète des actions d'une action afin d'atteindre cette taille de position. Il utilise la fonction d'arrondi vers le bas du module mathématique pour arrondir le nombre d'actions à acheter.
  
  
• 01:20:00 La vidéo montre comment utiliser Python pour négocier des actions. La première section de la vidéo explique comment accéder aux données et les utiliser dans une dataframe. La deuxième section explique comment enregistrer le dataframe dans un fichier Excel.
  
  
• 01:25:00 Cette vidéo montre comment utiliser Python pour créer des algorithmes de trading. La première étape consiste à créer un fichier Excel et à transmettre la trame de données à partir d'un module pandas. Ensuite, le formatage est introduit, avec différents formats pour les cellules de chaîne, de dollar et d'entier. Enfin, le format est appliqué aux cellules du fichier Excel.
  
  
• 01:30:00 Cette vidéo explique comment utiliser Python pour négocier des actions à l'aide d'un algorithme automatisé. La première partie de la vidéo explique comment créer un format de colonne dans un dictionnaire, qui est utilisé pour formater les colonnes dans une feuille de calcul Excel. La deuxième partie de la vidéo montre comment créer deux boucles qui formatent automatiquement les colonnes de la feuille de calcul.
  
  
• 01:35:00 Cette vidéo explique comment créer une stratégie de trading algorithmique en Python à l'aide d'un environnement virtuel. Tout d'abord, l'instructeur ouvre un Jupyter Notebook pour démarrer l'environnement virtuel. Ensuite, ils activent l'environnement virtuel et créent un nouveau projet. Le projet comprend un modèle de prévision du cours des actions, un modèle de prévision de la capitalisation boursière et un certain nombre d'actions à acheter un modèle de prévision. L'instructeur montre ensuite comment parcourir les modèles et générer les prédictions dans un fichier. Enfin, ils montrent comment enregistrer le fichier et terminer la leçon.
  
  
• 01:40:00 Dans cette vidéo, un notebook explique comment utiliser Python pour négocier des actions à l'aide d'une stratégie de trading algorithmique. Le cours explique comment importer des bibliothèques, comment effectuer des appels d'API et comment créer une stratégie basée sur le momentum.
  
  
• 01:45:00 Cette vidéo explique comment utiliser Python pour le trading algorithmique. Il couvre les bases de l'utilisation du langage pour l'analyse des performances et le trading. La vidéo montre comment utiliser la bibliothèque Requests pour effectuer un appel d'API simple afin d'obtenir des données boursières.
  
  
• 01:50:00 Dans cette vidéo, l'auteur montre comment utiliser Python pour créer des appels d'API par lots pour le trading algorithmique. L'auteur divise d'abord une liste d'actions en groupes de 100, puis crée une trame de données vierge de Panda et l'instancie. Pour chaque action de la liste des chaînes de symboles, l'auteur crée une URL d'appel d'API par lots et appelle la méthode JSON dessus pour la transformer d'une demande soumise à un objet JSON.
  
  
• 01:55:00 La vidéo explique comment utiliser Python pour négocier des actions à l'aide d'algorithmes. L'instructeur montre comment boucler sur les actions, analyser les mesures pertinentes et les ajouter à une base de données.

Partie 3 :

• 02:00:00 Ce didacticiel vidéo explique comment utiliser Python pour négocier des actions à l'aide d'algorithmes. Il explique comment créer un bloc de données, boucler sur des symboles, effectuer des appels d'API et trier des données. La trame de données finale est utilisée pour déterminer les actions à acheter.
  
  
• 02:05:00 Ce didacticiel vidéo Python montre comment utiliser la bibliothèque pandas pour calculer le nombre d'actions à acheter pour une stratégie momentum. Le didacticiel trie d'abord les lignes d'un bloc de données en fonction des retours de prix sur un an, puis utilise le paramètre inplace equals true pour modifier le bloc de données d'origine, au lieu de renvoyer une copie temporaire. Ensuite, la trame de données est modifiée pour ne contenir que les 50 actions avec la dynamique de prix la plus élevée. Enfin, la fonction de calcul du nombre d'actions à acheter pour la stratégie momentum est créée et spécialisée pour n'accepter que les erreurs de valeur. La stratégie est alors lancée et réussie.
  
  
• 02:10:00 Ce cours explique comment écrire du code pour créer une stratégie de trading algorithmique simple, comment tester la stratégie et comment utiliser la stratégie pour acheter et vendre des actions. La stratégie est basée sur l'hypothèse qu'un titre est soit un titre dynamique de haute qualité, soit un titre dynamique de faible qualité. La stratégie fonctionne en achetant des actions lorsque le prix est bas et en vendant des actions lorsque le prix est élevé.
  
  
• 02:15:00 Cette vidéo Python enseigne comment créer une stratégie d'élan quantitatif à l'aide d'un cadre de données des cours des actions et des valeurs de retour sur différentes périodes. La stratégie utilise une variété de mesures de momentum pour identifier les actions de haute qualité.
  
  
• 02:20:00 L'auteur explique comment créer un algorithme pour négocier des actions à l'aide de Python. Ils créent d'abord une liste de métriques à suivre, puis utilisent la bibliothèque Sai pi pour calculer les scores de centiles pour chaque métrique. Ensuite, ils créent une boucle pour calculer les scores de centiles pour chaque colonne du bloc de données. Enfin, ils utilisent la boucle pour créer une stratégie de négociation d'actions.
  
  
• 02:25:00 Cette vidéo enseigne comment utiliser le langage de programmation Python pour négocier des actions de manière algorithmique. L'instructeur utilise la méthode LFC (linéaire des moindres carrés) pour calculer le score de centile pour chaque colonne dans une base de données.
  
  
• 02:30:00 Ce cours explique comment utiliser Python pour effectuer du trading algorithmique. Le cours commence par une introduction à la programmation Python et explique comment utiliser le module de statistiques pour calculer les scores en centiles pour différentes périodes et classes d'actifs. La fonction Moyenne est ensuite utilisée pour calculer la moyenne de ces scores. Ensuite, une boucle est utilisée pour calculer le score HTM pour chaque ligne de la trame de données HTM. Enfin, la trame de données HM est imprimée pour vérifier que les calculs ont réussi.
  
  
• 02:35:00 Dans cette vidéo, l'auteur enseigne comment utiliser Python pour calculer un "score HTM" pour chaque action dans une base de données, et pour sélectionner les 50 meilleures actions dynamiques en utilisant le score HTM comme filtre.
  
  
• 02:40:00 Cette vidéo montre comment utiliser Python pour négocier des actions à l'aide d'algorithmes. L'auteur initialise une trame de données, puis formate les données dans un document Excel pour les utilisateurs non techniques.
  
  
• 02:45:00 L'auteur de la vidéo enseigne comment utiliser Python pour créer un système de trading algorithmique. La première étape consiste à créer un dictionnaire de lettres de colonne en valeurs de colonne, puis à parcourir le dictionnaire pour appliquer le format approprié à chaque colonne. La deuxième étape consiste à utiliser l'objet écrivain pour écrire les données dans un fichier Excel. La troisième étape consiste à utiliser la méthode set column pour appliquer dynamiquement les formats à chaque colonne du bloc de données.
  
  
• 02:50:00 Dans cette vidéo, l'instructeur montre comment formater des fichiers Excel pour une utilisation dans le trading algorithmique et comment créer une stratégie d'investissement de valeur basée sur une métrique.
  
  
• 02:55:00 Cette vidéo montre comment utiliser Python pour créer une stratégie de trading algorithmique qui utilise le ratio cours/bénéfice comme indicateur de valeur. La stratégie sélectionne les actions en fonction de cette métrique et fait des recommandations d'achat et de vente en fonction du cours actuel de l'action.

Partie 4 :

• 03:00:00 La vidéo explique comment utiliser le langage de programmation Python pour créer des modèles de trading algorithmique. Il montre comment utiliser la bibliothèque de requêtes pour effectuer des requêtes HTTP et comment transformer des valeurs de données en objets JSON. La vidéo montre ensuite comment calculer les ratios de cours et de bénéfices en utilisant les cours des actions de deux bourses différentes.
  
  
• 03:05:00 Cette vidéo explique comment exécuter un appel d'API batch à l'aide de Python.
  
  
• 03:10:00 La vidéo montre comment utiliser la bibliothèque de requêtes Python pour exécuter une requête get afin d'obtenir des données du marché boursier. Ces données sont ensuite analysées et utilisées pour générer la série d'un panda.
  
  
• 03:15:00 Ce cours explique comment utiliser Python pour effectuer du trading algorithmique. Tout d'abord, l'instructeur explique comment créer une dataframe en Python. Ensuite, l'instructeur explique comment supprimer les stocks glamour d'une base de données. Enfin, l'instructeur explique comment renvoyer les 50 meilleures actions à partir d'une base de données selon un schéma de commande.
  
  
• 03:20:00 Dans cette vidéo, l'instructeur explique comment utiliser Python pour effectuer du trading algorithmique. Tout d'abord, ils ont trié la base de données pour s'assurer que les actions avec les ratios cours/bénéfice les plus bas étaient en tête. Ensuite, ils ont utilisé la méthode drop pour supprimer la nouvelle colonne d'index. Ils ont ensuite trié à nouveau le bloc de données en utilisant le paramètre en place égal à vrai pour conserver le bloc de données d'origine modifié. Ils ont ensuite calculé la taille de la position et calculé le prix par action pour chaque action. Enfin, ils ont utilisé la fonction d'entrée de portefeuille pour calculer la taille de la position pour chaque action dans la trame de données.
  
  
• 03:25:00 Cette vidéo présente le concept de trading algorithmique et comment Python peut être utilisé pour créer une stratégie de valeur. La vidéo montre ensuite comment utiliser Python pour accéder à l'API ix Cloud afin d'extraire des données pour plusieurs métriques d'évaluation. Si tout se passe bien, les données seront renvoyées sous forme de dataframe panda et la vidéo indiquera que les données fonctionnent correctement.
  
  
• 03:30:00 Dans cette vidéo, l'auteur montre comment utiliser Python pour effectuer du trading algorithmique. L'auteur montre d'abord comment obtenir le ratio cours/bénéfice, puis analyse cette valeur à partir de l'API cloud IRS. Ensuite, l'auteur montre comment attribuer une valeur à chaque métrique et comment analyser ces données à partir de l'API cloud IRS. Enfin, l'auteur montre comment utiliser le ratio prix/ventes pour trouver le ratio prix/livre.
  
  
• 03:35:00 Ce didacticiel vidéo explique comment utiliser Python pour effectuer du trading algorithmique. Le cours commence par apprendre à calculer le ratio prix/ventes d'une entreprise, en utilisant une métrique différente (prix par rapport au livre). Ensuite, le cours enseigne comment calculer la valeur de l'entreprise, le bénéfice avant intérêts, impôts, dépréciation et amortissement (EBITDA) et la valeur de l'entreprise par rapport au bénéfice brut (EV/EBIT). Enfin, le cours montre comment calculer le ratio valeur/bénéfice (EV/EBIT) de fin de période pour une entreprise.
  
  
• 03:40:00 Dans cette vidéo, l'auteur montre comment utiliser Python pour le trading algorithmique. Ils commencent par montrer comment calculer les mesures d'évaluation, puis créent une boucle pour remplir un bloc de données avec les informations calculées. Ils concluent la vidéo en imprimant les codes d'état des appels d'API.
  
  
• 03:45:00 Dans cette vidéo, l'auteur montre comment utiliser Python pour négocier des actions de manière algorithmique. Ils créent d'abord une trame de données de symboles boursiers et de valeurs de données, puis utilisent la méthode append pour ajouter des données à la trame de données pour chaque ticker. Ensuite, ils utilisent la méthode head pour analyser les points de données pour chaque ticker, puis utilisent la méthode append pour ajouter ces points de données à la trame de données pandas. Enfin, ils utilisent la méthode des centiles pour calculer les scores de centiles des actions.
  
  
• 03:50:00 Ce didacticiel vidéo d'une heure explique comment utiliser Python pour négocier des actions, en utilisant divers calculs pour générer des indicateurs de succès. Lorsque l'un des calculs échoue, l'instructeur utilise la gestion des exceptions pour remplacer la valeur par une valeur fictive.
  
  
• 03:55:00 Dans cette vidéo, l'instructeur explique comment gérer les données manquantes dans un bloc de données à l'aide de pandas. Tout d'abord, ils expliquent comment identifier les colonnes d'un bloc de données contenant des données manquantes. Ensuite, ils montrent comment utiliser la méthode fill in a pour remplacer les données manquantes par une valeur moyenne d'une colonne différente.

Partie 5 :

• 04:00:00 Cette vidéo explique comment calculer les scores de centiles pour différentes mesures de stock à l'aide de Python. Tout d'abord, l'extrait de transcription montre comment créer un dictionnaire de métriques boursières, puis comment utiliser la méthode "LLC" de la bibliothèque pandas pour accéder aux scores de centile pour chaque métrique.
  
  
• 04:05:00 La vidéo enseigne comment utiliser Python pour effectuer du trading algorithmique. La première partie du didacticiel montre comment utiliser la fonction de centile de score du module Sai pi dot stats pour accéder aux scores de centile pour un ensemble de données donné. La deuxième partie du didacticiel montre comment calculer le score RV pour une ligne donnée dans un ensemble de données à l'aide de la méthode LSC.
  
  
• 04:10:00 La vidéo explique comment utiliser Python pour calculer diverses mesures d'évaluation, notamment les ratios P/E, les ratios PB, les ratios PS, les ratios Evie/EBIT et le bénéfice brut/Eb. Une fois les métriques calculées, la vidéo montre comment imprimer les données et les comparer aux valeurs attendues.
  
  
• 04:15:00 Dans cette vidéo Python, l'auteur montre comment calculer la taille de la position d'un portefeuille à l'aide de la bibliothèque Python pandas. Tout d'abord, ils créent une base de données avec l'indice des 50 actions les moins chères de leur univers. Ensuite, ils filtrent la base de données pour n'inclure que les 50 actions et réinitialisent l'indice pour souligner. Ils transmettent ensuite le paramètre drop pour éviter de dupliquer l'index existant et créent une boucle for pour calculer la taille de la position pour chaque action. Enfin, ils impriment la taille de position pour chaque action et la comparent à la taille de position souhaitée de 50 000 $.
  
  
• 04:20:00 Cette vidéo explique comment utiliser Python pour négocier des actions de manière algorithmique. La première partie de la vidéo couvre les bases de la création d'un dataframe et de son impression. La deuxième partie de la vidéo explique comment utiliser Python pour créer un fichier Excel contenant les cours des actions et les tailles de position pour les appels et les options de vente. Enfin, la vidéo montre comment formater le fichier Excel et l'envoyer à une imprimante.
  
  
• 04:25:00 Cette vidéo montre comment utiliser Python pour effectuer du trading algorithmique. L'instructeur montre comment formater une feuille de calcul pour contenir des données à des fins commerciales et comment utiliser diverses fonctions Python pour effectuer diverses tâches dans la feuille de calcul.
  
  
• 04:30:00 Ce didacticiel présente l'utilisation de Python pour l'investissement de valeur quantitative, en utilisant une méthode pour identifier les 50 actions les moins chères du S&P 500. Le didacticiel fournit des instructions étape par étape pour le formatage et l'exécution du code, et se termine par une feuille de calcul complétée.

[MetaQuotes]

Algorithmic Trading Python 2023 - TUTORIEL COMPLET Débutant

Algorithmic Trading Python 2023 - TUTORIEL COMPLET Débutant

Dans ce didacticiel vidéo, l'auteur se penche sur le processus d'installation et d'utilisation d'un programme Python pour le trading algorithmique. Ils fournissent des instructions étape par étape sur la création d'un fichier Python 3 de base spécialement conçu pour héberger le code lié aux stratégies de trading algorithmique. De plus, ils montrent comment exécuter le code et imprimer les sorties résultantes pour analyse. Le didacticiel se concentre principalement sur l'exploitation de la puissance du langage de programmation Python à des fins de trading algorithmique. Il couvre une gamme de fonctions et de bibliothèques essentielles applicables au trading algorithmique, y compris la bibliothèque yfinance. Le didacticiel met en évidence l'importance de l'utilisation de ces fonctions et bibliothèques tout en explorant les techniques de téléchargement et de traitement des données à l'aide de feuilles de calcul.

De plus, le didacticiel vidéo présente le processus d'écriture et de lecture de fichiers CSV à l'aide de Python. Il explique les étapes nécessaires à la création d'un fichier CSV et montre comment lire et manipuler le fichier dans un environnement Python. Poursuivant sur le thème de la négociation d'actions basée sur Python, le didacticiel explique la création d'un indice boursier et montre comment la fonction Python "convertir" peut être utilisée pour modifier le format de l'indice. En outre, il explique comment la fonction Python "start.columns" facilite les modifications de la liste des colonnes spécifiquement pour les actions.

Le prochain didacticiel vidéo tourne également autour de l'utilisation de Python pour le trading d'actions. Il commence par illustrer le téléchargement et l'analyse des données de stock, puis utilise la fonction "décrire" pour analyser efficacement les données acquises. Enfin, il démontre l'utilisation de la fonction "dot lock" pour surveiller et suivre les cours des actions. Ensuite, le didacticiel vidéo suivant fournit une explication complète de l'utilisation de Python pour créer des algorithmes pour le trading d'actions. Il commence par visualiser différents points de départ pour trois actions distinctes, illustrant ensuite la normalisation des valeurs pour les représenter dans une plage uniforme de 100 points. Le didacticiel guide ensuite les téléspectateurs sur le traçage des cours de clôture normalisés d'une action et sur l'utilisation de la fonction "point" (mole) pour multiplier les valeurs par 100, améliorant ainsi la lisibilité.

De même, un autre didacticiel vidéo se concentre sur l'utilisation de Python pour créer des algorithmes de négociation d'actions. Le didacticiel décrit le processus de création d'une nouvelle colonne dans un ensemble de données pour stocker des informations concernant les stocks fermés. Il explique en outre l'utilisation de la fonction "shift" pour déplacer les données vers le bas de la colonne. De plus, il présente le calcul des variations en pourcentage des cours des actions par rapport à la veille. En changeant de vitesse, un autre didacticiel présente aux apprenants l'utilisation de Python pour les calculs statistiques liés au trading algorithmique. Il fournit des conseils sur l'utilisation de fonctions telles que "décaler", "soustraire" et "diviser" pour calculer les données liées au décalage et à la différence.

Ensuite, la vidéo se penche sur le calcul des changements de pourcentage pour les actifs financiers à l'aide de Python. Il montre comment modifier la fonction "change" pour améliorer la lisibilité en la renommant "pst". De plus, il définit la variable "périodes" sur un et multiplie le pourcentage de changement par 100 pour le représenter au format de valeur en points. La vidéo couvre également le calcul de la variation standard d'un actif, en la soustrayant de la variation en pourcentage pour éliminer l'impact du premier jour. La trame de données d'un actif spécifique est renommée "change" et la colonne "change" est créée. Le didacticiel se termine par l'exécution d'une vérification de la colonne "change" à l'aide de "aafl" et l'enregistrement de la trame de données.

De plus, l'auteur du didacticiel explique comment calculer la moyenne, l'écart type, la variation en pourcentage et les rendements pour un ensemble de données donné. Ils démontrent également le traçage d'un histogramme et la création d'un graphique de système d'accès.

Poursuivant avec les calculs statistiques, un autre didacticiel vidéo explique le calcul de la moyenne, de la variance et de l'écart type des rendements d'une action. De plus, il fournit des conseils sur la détermination du rendement annuel moyen et du rendement de la variance annuelle.

Pour aller plus loin, le didacticiel présente le calcul de l'écart type annuel des rendements d'une action à l'aide de la fonction "std" en Python. Cette approche analyse efficacement de grands ensembles de données en prenant des données à partir d'un symbole boursier au lieu de points de données individuels. Le didacticiel montre également comment créer des colonnes pour suivre la moyenne et l'écart type du rendement d'une action, ainsi que la moyenne et l'écart type de la variation en pourcentage d'une action. Il explique en outre le calcul de la moyenne et de l'écart type du rendement d'une action à l'aide de la fonction "résumé".

L'auteur couvre également la création de diagrammes de dispersion et les annote pour illustrer le rendement et le risque associés à différents stocks. Cette visualisation aide à comprendre la relation entre les rendements et les risques dans le contexte de la négociation d'actions. Ensuite, le didacticiel vidéo se penche sur l'utilisation de Python pour créer des algorithmes de négociation d'actions. Il explore l'utilisation des boucles for et des fonctions telles que la covariance et la corrélation. De plus, il présente la représentation graphique des résultats de l'algorithme, permettant aux traders de visualiser et d'analyser efficacement les performances de leurs stratégies de trading.

De plus, le didacticiel explique comment tirer parti de la bibliothèque Seaborn pour créer une carte thermique décrivant les corrélations des stocks. Il fournit un guide étape par étape ainsi qu'un téléchargement de code pour l'ensemble du projet, facilitant la mise en œuvre de l'analyse de corrélation des stocks à l'aide de Python. En changeant d'orientation, le présentateur dans un didacticiel vidéo éduque les téléspectateurs sur le calcul du potentiel de risque et de rendement d'un portefeuille d'actions à l'aide de Python. Ils discutent des limites des rendements simples et introduisent le concept de rendements logarithmiques, démontrant leur application pratique dans l'évaluation du risque et de la récompense. Cette analyse aide les traders à prendre des décisions éclairées concernant la composition de leur portefeuille et la gestion des risques.

Un autre tutoriel explique le processus de calcul d'une moyenne mobile simple à l'aide de la fonction "rolling" en Python. En appliquant cette technique, les traders peuvent lisser les fluctuations des cours des actions et identifier les tendances plus efficacement. En outre, un didacticiel illustre le calcul de la moyenne, de la médiane et de la moyenne mobile d'un ensemble de données, en soulignant leur importance dans l'analyse et la compréhension des modèles de données.

De plus, un didacticiel vidéo présente le calcul de diverses moyennes mobiles, notamment la moyenne mobile sur 50 jours, la moyenne mobile sur 200 jours et l'EMA (bénéfice par rapport au prix) d'une action. Ces moyennes mobiles sont ensuite tracées sur un graphique, aidant les traders à identifier les tendances clés et les signaux de trading potentiels. Poursuivant avec les techniques de manipulation de données, un didacticiel vidéo explique l'utilisation de la fonction de réindexation dans les pandas pour remplacer les valeurs manquantes dans une trame de données. Il couvre également l'application des fonctions de remplissage vers l'avant et vers l'arrière pour gérer les données en cas de vacances et de week-ends.

Le didacticiel vidéo montre en outre le calcul des rendements d'une action au fil du temps, englobant les rendements d'achat et de maintien, les rendements cumulés et les rendements maximaux. De plus, il explore le calcul des rendements maximaux cumulés et visualise les données grâce au traçage graphique. De plus, le didacticiel explique comment calculer les prélèvements pour une action, ainsi que le rendement cumulé maximum et le prélèvement cumulé maximum. Comprendre les prélèvements aide les traders à évaluer le risque associé aux investissements et à identifier les scénarios de perte potentiels. Dans le même ordre d'idées, un autre didacticiel vidéo traite du calcul du drawdown et du drawdown maximum pour une action. De plus, il fournit un aperçu du calcul du pourcentage de prélèvement, une mesure cruciale dans la gestion des risques.

Un tutoriel Python 2023 sur YouTube présente aux téléspectateurs la création d'une stratégie de croisement de moyenne mobile pour le trading. Cette stratégie consiste à utiliser deux moyennes mobiles, une moyenne mobile sur 50 jours et une moyenne mobile sur 100 jours, pour déterminer la tendance de l'action et générer des signaux de trading en conséquence. De plus, un didacticiel vidéo explique comment écrire du code Python pour négocier des actions. Il illustre le processus de détermination de l'opportunité d'acheter ou de vendre une action en fonction de son prix actuel et des données de prix passées. Il couvre également l'utilisation d'une bibliothèque pour suivre la position d'un titre au fil du temps, permettant aux traders de surveiller et de gérer efficacement leur portefeuille.

La vidéo du didacticiel éclaire les téléspectateurs sur le backtesting d'une stratégie de trading algorithmique utilisant les rendements et l'écart type. Il présente une stratégie qui surpasse une moyenne mobile sur 50 jours en termes de rendements, mais qui s'accompagne d'un écart type plus élevé, mettant en évidence le compromis entre risque et récompense. De plus, le didacticiel vidéo guide les utilisateurs dans la création d'une stratégie d'investissement et la compare à d'autres stratégies. Il souligne que la stratégie avec les meilleurs rendements est celle avec un biais long, indiquant une préférence pour les positions haussières.

De plus, l'auteur introduit une fonction pour créer une stratégie de test pour le trading algorithmique. Cette fonction prend des paramètres tels que le nom de l'action, les dates de début et de fin, et renvoie des indicateurs de performance clés tels que le rendement quotidien, le rendement cumulé et la SMA (moyenne mobile simple). En utilisant cette fonction, les traders peuvent évaluer l'efficacité de leurs stratégies de trading et prendre des décisions basées sur les données. Le didacticiel explique ensuite comment créer un script Python de trading algorithmique. Le script intègre une simple stratégie stop-loss et take-profit, visant à obtenir une meilleure performance globale par rapport à une approche d'investissement traditionnelle d'achat et de conservation. Ce script sert de base au développement d'algorithmes de trading plus sophistiqués.

Le présentateur présente également le processus de backtesting d'une stratégie de trading écrite en Python. La stratégie, créée par le présentateur, est testée sur des données boursières historiques de 2017, permettant aux traders d'évaluer ses performances et sa viabilité. De plus, le tutoriel explique comment coder un algorithme Python2023 pour le trading d'actions et de crypto-monnaies. Il couvre l'utilisation d'API pour accéder aux données de diverses bourses d'actions et de crypto-monnaie, permettant aux traders d'analyser les données du marché en temps réel et de mettre en œuvre des stratégies de trading en conséquence. Le didacticiel vidéo explore plus en détail l'utilisation de Python pour échanger des actions et des crypto-monnaies. Il englobe la saisie de données, l'analyse, le stockage, la manipulation et l'exécution de stratégies commerciales à l'aide de services API. En tirant parti de ces techniques, les traders peuvent automatiser leurs processus de trading et gérer efficacement leurs portefeuilles.

De plus, le didacticiel fournit des conseils complets sur l'utilisation de Python pour négocier des actions et d'autres actifs financiers. Il couvre des concepts fondamentaux tels que l'analyse des prix et le trading, ainsi que des sujets avancés tels que le backtesting et l'utilisation d'API pour l'intégration de données. Ce tutoriel fournit aux traders les connaissances et les outils nécessaires pour s'engager efficacement dans le trading algorithmique.

En conclusion, ces tutoriels et vidéos offrent une mine d'informations sur l'utilisation de Python pour le trading algorithmique. Ils couvrent un large éventail de sujets, notamment le traitement des données, l'analyse statistique, la visualisation, le développement de stratégies, le backtesting et le trading en temps réel. En suivant ces tutoriels, les traders peuvent améliorer leur compréhension des principes de trading algorithmique et tirer parti des capacités de Python pour prendre des décisions de trading éclairées.

• 00:00:00 Dans cette vidéo, l'auteur explique comment installer et utiliser un programme Python de trading algorithmique. Ensuite, ils expliquent comment créer un fichier Python 3 de base pour contenir le code d'une stratégie de trading algorithmique. Enfin, ils montrent comment exécuter le code en imprimant les résultats.
  
  
• 00:05:00 Ce didacticiel explique comment utiliser le langage de programmation Python pour effectuer du trading algorithmique. Le didacticiel couvre diverses fonctions et bibliothèques pouvant être utilisées dans le trading algorithmique, telles que la bibliothèque y finance. Le didacticiel montre également comment télécharger et traiter des données dans une feuille de calcul.
  
  
• 00:10:00 Cette vidéo YouTube montre comment écrire un fichier CSV et comment le lire en Python.
  
  
• 00:15:00 Ce didacticiel explique comment utiliser Python pour négocier des actions. La vidéo explique d'abord comment créer un indice boursier, puis montre comment utiliser la fonction Python convert pour changer le format de l'indice. Enfin, il explique comment utiliser la fonction Python start.columns pour modifier la liste des colonnes pour les stocks.
  
  
• 00:20:00 Ce didacticiel vidéo explique comment utiliser Python pour négocier des actions. La première partie du didacticiel explique comment télécharger et analyser les données boursières. Ensuite, le didacticiel explique comment utiliser la fonction describe pour analyser les données. Enfin, le didacticiel explique comment utiliser la fonction de verrouillage des points pour suivre les cours des actions.
  
  
• 00:25:00 Ce didacticiel vidéo explique comment utiliser le langage de programmation Python pour créer un algorithme permettant de négocier des actions. Le didacticiel commence par afficher les différents points de départ pour trois actions différentes, puis montre comment normaliser les valeurs afin qu'elles soient toutes représentées dans des plages de 100 points. Ensuite, le didacticiel montre comment tracer la norme du cours de clôture d'une action et comment utiliser le
  fonction point (taupe) pour multiplier les valeurs par 100 pour les rendre plus lisibles.
  
  
• 00:30:00 Ce didacticiel vidéo montre comment utiliser le langage de programmation Python pour créer des algorithmes pour négocier des actions. La première étape consiste à créer une nouvelle colonne de données pour stocker les informations sur les stocks qui ont été clôturés. Ensuite, la vidéo explique comment utiliser la fonction de décalage pour déplacer les données vers le bas de la colonne. Enfin, le didacticiel montre comment calculer la variation en pourcentage des cours des actions par rapport à la veille.
  
  
• 00:35:00 Dans ce didacticiel, vous apprendrez à utiliser le langage de programmation Python pour calculer diverses données statistiques liées au trading algorithmique. Vous apprendrez à utiliser les fonctions de décalage, de soustraction et de division par pour calculer les données liées au décalage et à la différence.
  
  
• 00:40:00 La vidéo explique comment calculer le pourcentage de variation d'un actif financier à l'aide de Python. La fonction change est remplacée par pst pour faciliter la lecture, puis la variable périodes est définie sur la valeur un. La variation en pourcentage est ensuite multipliée par cent pour être convertie en une valeur en points. La variation standard de l'actif est ensuite calculée et soustraite de la variation en pourcentage pour supprimer l'effet du premier jour. La pomme de trame de données est renommée en change et le changement de colonne est créé. Aafl est exécuté pour vérifier les changements de colonne et la trame de données est enregistrée.
  
  
• 00:45:00 Dans ce didacticiel, l'auteur montre comment calculer la moyenne et l'écart type d'un ensemble de données particulier, ainsi que la variation en pourcentage et les retours sur la variation mensuelle. Il montre également comment tracer un histogramme et frapper le graphique du système.
  
  
• 00:50:00 Cette vidéo explique comment calculer la moyenne, la variance et l'écart type des rendements d'une action. La vidéo explique également comment calculer le rendement annuel moyen et comment calculer le rendement var annuel.
  
  
• 00:55:00 Ce didacticiel vidéo explique comment calculer l'écart type annuel du rendement d'une action donnée à l'aide de la fonction std. La fonction std prend les données d'un symbole boursier, plutôt que de points de données individuels, ce qui la rend plus efficace pour l'analyse de grands ensembles de données. Le didacticiel montre également comment créer une colonne pour suivre la moyenne et l'écart type du rendement d'une action, ainsi qu'une colonne pour suivre la moyenne et l'écart type de la variation en pourcentage d'une action. Enfin, il explique comment calculer la moyenne et l'écart type du rendement d'une action à l'aide de la fonction de synthèse.
  
  
• 01:00:00 L'auteur explique comment créer un diagramme de dispersion et l'annoter pour montrer le rendement et le risque associés à divers stocks.
  
  
• 01:05:00 Ce didacticiel vidéo explique comment utiliser le langage de programmation Python pour créer des algorithmes pour négocier des actions. Le didacticiel couvre l'utilisation des boucles for et des fonctions de covariance et de corrélation, ainsi qu'une représentation graphique des résultats.
  
  
• 01:10:00 Ce didacticiel explique comment utiliser la bibliothèque Seaborn pour créer une carte thermique des corrélations de stocks. Le didacticiel comprend également un téléchargement de code pour l'ensemble du projet.
  
  
• 01:15:00 Dans cette vidéo, le présentateur enseigne comment calculer le potentiel de risque et de rendement d'un portefeuille d'actions à l'aide de Python. Il discute des limites des retours simples et des retours logarithmiques et montre comment ils fonctionnent dans la pratique.
  
  
• 01:20:00 Ce didacticiel explique comment calculer une moyenne mobile simple à l'aide de la fonction de roulement en Python.
  
  
• 01:25:00 Ce didacticiel montre comment calculer la moyenne et la médiane d'un ensemble de valeurs, ainsi que la moyenne mobile.
  
  
• 01:30:00 Cette vidéo montre comment calculer la moyenne mobile sur 50 jours, la moyenne mobile sur 200 jours et l'ema (ou "bénéfice par rapport au cours") d'une action. La vidéo montre également comment tracer ces moyennes sur un graphique.
  
  
• 01:35:00 Dans cette vidéo, dot day explique comment utiliser la fonction de réindexation dans les pandas pour remplacer les valeurs manquantes dans une trame de données. La vidéo explique également comment utiliser les fonctions de remplissage vers l'avant et vers l'arrière pour gérer les données lorsqu'il y a des jours fériés et les samedis et dimanches inclus.
  
  
• 01:40:00 Cette vidéo explique comment calculer les rendements d'une action au fil du temps, y compris les rendements d'achat et de maintien, les rendements cumulés et les rendements maximaux. Il explique également comment calculer les rendements maximaux cumulatifs et comment tracer un graphique des données.
  
  
• 01:45:00 Cette vidéo explique comment calculer les baisses d'un titre et comment calculer le rendement cumulé maximum et le maximum cumulé maximum pour un titre.
  
  
• 01:50:00 La vidéo explique comment calculer le drawdown et le drawdown maximum pour une action, et donne également un aperçu de la façon de calculer le pourcentage de drawdown.
  
  
• 01:55:00 Dans cette vidéo YouTube, un tutoriel Python 2023 explique comment créer une stratégie de croisement de moyenne mobile. La stratégie consiste à utiliser deux moyennes mobiles, un jour 50 et un jour 100, pour déterminer la tendance du stock.
  
  
• 02:00:00 Ce didacticiel vidéo explique comment utiliser Python pour écrire du code pour négocier des actions. La vidéo montre comment écrire du code pour déterminer si une action doit être achetée ou vendue, en fonction de son prix actuel et de son prix passé. La vidéo explique également comment utiliser une bibliothèque pour suivre la position d'un titre au fil du temps.
  
  
• 02:05:00 La vidéo explique comment tester une stratégie de trading algorithmique en utilisant les rendements et l'écart type. La stratégie atteint un rendement supérieur à une moyenne mobile sur 50 jours, mais présente un écart-type élevé.
  
  
• 02:10:00 Cette vidéo explique comment créer une stratégie pour un investissement donné et comment la comparer à d'autres stratégies. La stratégie avec les meilleurs rendements est la stratégie avec le biais long.
  
  
• 02:15:00 L'auteur présente une fonction pour créer une stratégie de test pour le trading algorithmique. La fonction prend un nom de stock, une date de début et de fin, et renvoie le rendement quotidien, le rendement cumulé et le sma.
  
  
• 02:20:00 Ce didacticiel montre comment créer un algorithme Python pour négocier des actions et comment l'utiliser pour faire des prédictions sur les cours boursiers futurs. Le didacticiel comprend une démonstration de la façon de calculer le rendement d'un investissement dans une action, ainsi que l'écart type de ce rendement.
  
  
• 02:25:00 La classe sma backtester est utilisée pour créer une stratégie qui calcule les rendements et l'écart type. La classe comprend également une fonction pour obtenir des données.
  
  
• 02:30:00 La vidéo montre comment utiliser la fonction getdata pour télécharger des données boursières, comment créer une fonction de résultat de test et comment calculer la performance et la surperformance d'une stratégie d'achat et de conservation à l'aide des données.
  
  
• 02:35:00 L'auteur montre comment calculer les performances et les performances d'une stratégie de trading algorithmique. L'auteur montre également comment créer une fonction pour tracer les résultats.
  
  
• 02:40:00 Dans ce didacticiel, l'auteur enseigne comment créer un script Python de trading algorithmique. Le script utilise une simple stratégie stop-loss et take-profit pour obtenir un avantage de performance global par rapport à un investissement buy-and-hold.
  
  
• 02:45:00 Cette vidéo montre comment tester une stratégie de trading écrite en Python. La stratégie a été écrite par le présentateur et a été testée en bourse en 2017.
  
  
• 02:50:00 Ce tutoriel explique comment coder un algorithme Python2023 pour négocier des actions et des crypto-monnaies. Le didacticiel explique également comment utiliser une API pour accéder aux données de diverses bourses d'actions et de crypto-monnaie.
  
  
• 02:55:00 Ce didacticiel vidéo explique comment utiliser Python pour négocier des actions et des crypto-monnaies. La vidéo explique comment saisir et analyser des données, comment stocker et manipuler des données et comment envoyer une stratégie commerciale à l'aide des services API.
  
  
• 03:00:00 Ce didacticiel explique comment utiliser Python pour négocier des actions et d'autres actifs financiers. Le cours couvre des concepts de base tels que l'analyse des prix et le trading, ainsi que des sujets plus avancés tels que le backtesting et l'utilisation des API.

[MetaQuotes]

Comment obtenir une liste d'actions en bourse || Analyse des stocks avec Python Partie 1

Comment obtenir une liste d'actions en bourse || Analyse des stocks avec Python Partie 1

Ceci est la première partie de ma série sur l'utilisation de Python pour l'analyse des stocks. La série sera divisée en trois sections. Dans la première section, nous nous concentrerons sur l'obtention et l'organisation des données pour l'analyse. La deuxième partie couvrira les titres individuels, et enfin, je montrerai comment empaqueter notre code pour une installation facile à l'aide de pip. Le code sera disponible sur GitHub (lien dans la description de la vidéo). Vous pouvez utiliser n'importe quel éditeur de texte de votre choix.

L'aspect le plus important de l'analyse des stocks est la source des données. J'utiliserai des données historiques complètes de fin de journée, qui incluent des données mondiales. Vous pouvez commencer avec un forfait gratuit, mais le nombre d'appels d'API par jour est limité. Si vous avez besoin de plus, vous pouvez vous abonner à un forfait de données avec un prix spécial (lien dans la description de la vidéo).

Commençons par importer les modules nécessaires. Nous commencerons par télécharger des métadonnées sur les titres d'une bourse spécifique. Nous devons fournir une clé API et spécifier la bourse (par défaut, la Bourse de New York). Je vais donner quelques exemples pour le marché américain, mais vous pouvez explorer les marchés internationaux en utilisant la documentation sur le site Web des données historiques de fin de journée.

Une fois la documentation configurée, nous appellerons le point de terminaison de l'API, en transmettant l'échange et la clé API. Nous utiliserons le module de requêtes pour cela. La réponse sera au format JSON, que nous transformerons en un pandas DataFrame.

Enfin, j'ajouterai quelques instructions d'impression pour montrer la progression, et nous pourrons tester le code en exécutant une fonction de point d'entrée. Assurez-vous de remplacer la clé API par la vôtre. Le résultat sera un DataFrame contenant les données récupérées. Nous pouvons filtrer davantage ces données en fonction des types de titres qui nous intéressent, ce qui sera couvert dans la prochaine vidéo.

J'espère que vous trouverez ces informations utiles et j'ai hâte de vous voir dans la prochaine partie de la série.

[MetaQuotes]

Comment télécharger les symboles boursiers S&P 500, filtrer par secteur || Analyse des stocks avec Python Partie 2

Comment télécharger les symboles boursiers S&P 500, filtrer par secteur || Analyse des stocks avec Python Partie 2

Ceci est la deuxième partie de ma série sur l'analyse des stocks avec Python. Si vous n'avez pas vu la première partie, je vous recommande de la vérifier. Dans la vidéo précédente, nous avons téléchargé les données d'une bourse spécifique et obtenu un DataFrame avec des métadonnées. Maintenant, nous voulons filtrer les symboles en fonction de leur type de titre, comme les actions ordinaires, les ETF ou les fonds. Cela nous permettra de nous concentrer sur des titres spécifiques avant de télécharger les données.

Je vais ajouter une nouvelle fonction appelée "get_security_type" qui prend les données d'échange DataFrame en entrée. Par défaut, nous filtrerons les actions ordinaires, mais vous pouvez spécifier un type différent si nécessaire. La fonction renverra une liste de symboles correspondant au type de sécurité spécifié.

De plus, j'ai remarqué que les données historiques de fin de journée n'incluent pas les symboles S&P 500. Donc, je vais écrire une autre fonction appelée "get_sp500_symbols" pour récupérer les symboles d'un fichier CSV. Cette fonction accepte un paramètre "secteur" optionnel pour filtrer les symboles en fonction des secteurs. Par défaut, il renvoie tous les symboles. La fonction renverra un DataFrame avec des colonnes de symbole, de nom et de secteur.

Pour implémenter cela, nous utiliserons la bibliothèque pandas pour lire le fichier CSV et appliquer les filtres souhaités en fonction des paramètres fournis.

Une fois implémenté, nous pouvons tester les fonctions. Par défaut, "get_security_type" renverra tous les symboles et "get_sp500_symbols" renverra également tous les symboles. Nous pouvons spécifier un secteur pour filtrer les symboles S&P 500.

Avec ces fonctions en place, nous pouvons désormais filtrer les symboles en fonction des types de titres et explorer les actions du S&P 500. Dans la prochaine partie de la série, nous nous concentrerons sur le téléchargement et la conservation des données.

J'espère que vous trouverez ces informations utiles et j'ai hâte de continuer la série avec vous.

[MetaQuotes]

Comment télécharger et enregistrer les données sur le cours des actions || Analyse des stocks avec Python Partie 3

Comment télécharger et enregistrer les données sur le cours des actions || Analyse des stocks avec Python Partie 3

Ceci est la troisième partie de ma série sur l'utilisation de Python pour l'analyse des stocks. Vous pouvez trouver les deux premières vidéos dans le lien fourni dans la description de la vidéo. Tout le code utilisé dans la série est disponible sur un référentiel GitHub, qui est également lié dans la description.

Dans les vidéos précédentes, nous avons appris comment obtenir une liste de titres sur une bourse spécifique et comment les filtrer en fonction de critères spécifiques. Nous avons également écrit une fonction pour filtrer les actions du S&P 500. Dans cette vidéo, nous allons nous concentrer sur le téléchargement et l'organisation des données qui nous intéressent.

Pour commencer, nous devons installer une bibliothèque d'assistance appelée "eod" qui simplifie l'interaction avec les données de fin de journée. Nous pouvons utiliser cette bibliothèque au lieu de faire des appels d'API traditionnels. Après l'avoir installé à l'aide de pip, nous importons la classe "EodHistoricalData" de la bibliothèque, ce qui nous permet de faire facilement des appels API. De plus, nous importons le module "datetime" pour définir des limites de temps et le module "os" pour travailler avec le système de fichiers.

Ensuite, nous définissons des dates par défaut pour la période pour laquelle nous voulons récupérer des données. Dans ce cas, nous l'avons fixé à environ un an. Nous définissons également la date actuelle comme référence si nous avons besoin à la fois des dates de début et de fin.

Maintenant, nous pouvons procéder à l'écriture de la fonction principale appelée "get_data". Cette fonction accepte une variété d'entrées, y compris un seul symbole, une liste de symboles séparés par des virgules ou une liste de symboles. Il nécessite également une clé API et un chemin où les données seront stockées. La fonction récupère les données pour les tickers spécifiés à l'aide de la classe EodHistoricalData et les enregistre sous forme de fichier CSV dans le dossier spécifié. Il garde une trace du nombre de titres téléchargés et ignorés et fournit des informations sur le processus de téléchargement.

Après avoir écrit la fonction, nous pouvons la tester en passant quelques exemples d'arguments et en vérifiant la sortie. Nous pouvons voir les titres téléchargés et tous ceux ignorés. La fonction récupère et enregistre avec succès les données dans le dossier spécifié.

Dans les prochaines vidéos, nous travaillerons avec les données téléchargées, telles que l'extraction des prix de clôture et des rendements, et explorerons les techniques de visualisation.

[MetaQuotes]

Analyse des stocks avec Python : comment extraire des données de prix à partir de fichiers || Partie 4

Analyse des stocks avec Python : comment extraire des données de prix à partir de fichiers || Partie 4

Bienvenue dans la quatrième partie de ma série Python pour l'analyse des stocks. Vous pouvez trouver des liens vers les trois premières parties dans la description de la vidéo et également accéder au code sur le référentiel GitHub.

Dans les vidéos précédentes, nous avons couvert l'obtention d'une liste de titres, le filtrage de la liste et le téléchargement de données dans des fichiers CSV. Maintenant, dans cette vidéo, nous allons nous concentrer sur l'extraction de la colonne des cours de clôture à partir des données téléchargées.

Pour ce faire, nous allons créer une fonction appelée "get_closing_prices". La fonction prend un dossier en entrée, avec une valeur par défaut définie pour les fichiers de données. Par défaut, il extrait la colonne de fermeture, mais vous pouvez choisir la colonne de fermeture ajustée si vous le souhaitez.

Tout d'abord, nous lisons tous les fichiers valides dans le dossier spécifié, à l'exclusion du fichier commençant par "zéro" pour éviter la duplication. Ensuite, nous mettons en place un DataFrame vide.

Ensuite, nous parcourons les fichiers et vérifions si la fermeture ajustée est définie sur true. Si c'est le cas, nous créons un DataFrame temporaire à l'aide de la fonction read_csv de pandas, en spécifiant le dossier et le fichier. Nous définissons la colonne d'index sur la date et sélectionnons la colonne de fermeture ajustée. Enfin, nous renommons la colonne en symbole boursier.

Si la clôture ajustée n'est pas vraie, nous suivons un processus similaire pour la colonne de clôture. Nous remplaçons le DataFrame existant par le DataFrame temporaire pour le premier fichier et concaténons le nouveau DataFrame sur celui existant pour les fichiers suivants.

Enfin, nous renvoyons le DataFrame contenant les cours de clôture. De plus, nous écrivons le DataFrame dans un fichier CSV nommé "closes.csv" si vous le souhaitez.

Vous pouvez tester la fonction en l'appelant avec le nom de dossier souhaité. La fonction renverra le DataFrame avec les cours de clôture. Dans l'exemple illustré, il a réussi à extraire la colonne de cours de clôture pour les titres spécifiés.

Dans la cinquième partie, nous calculerons les données de retour sur la base de ces cours de clôture.

[MetaQuotes]

Calculer les rendements, créer une matrice de corrélation, tracer les performances || Analyse des stocks avec Python Partie 5

Calculer les rendements, créer une matrice de corrélation, tracer les performances || Analyse des stocks avec Python Partie 5

Bienvenue dans la cinquième partie de ma série sur l'utilisation de Python pour l'analyse des stocks. Dans la description de la vidéo, vous trouverez des liens vers les quatre parties précédentes ainsi qu'un lien vers le référentiel GitHub où vous pourrez accéder au code.

Dans la quatrième partie, nous avons obtenu les cours de clôture des titres sélectionnés et les avons enregistrés dans un fichier. Maintenant, dans la cinquième partie, nous allons nous concentrer sur le calcul des rendements basés sur ces cours de clôture. Avant de continuer, nous devons importer la bibliothèque NumPy.

Nous allons créer une fonction appelée "calculate_returns" qui prend un dossier et un nom de fichier en entrée. Pour gérer les erreurs potentielles, nous utiliserons un bloc try-except. Dans la fonction, nous utiliserons pandas pour lire les données d'un fichier CSV. Nous allons définir la colonne d'index sur la date et renvoyer le DataFrame des retours.

Nous pouvons tester la fonction en imprimant le résultat, en passant le nom du dossier et le nom du fichier. Dans l'exemple illustré, il calcule avec succès les rendements des titres sélectionnés.

À partir de là, il y a plusieurs prochaines étapes possibles. Une tâche courante consiste à calculer les corrélations entre les titres. Bien que je ne plonge pas dans l'implémentation spécifique, vous pouvez utiliser le résultat de la fonction précédente pour créer une fonction de calcul des corrélations. Vous pouvez explorer différentes options, telles que la lecture des données à partir d'un fichier (par exemple, Excel ou CSV) pour améliorer la flexibilité.

Une autre fonction utile que nous pouvons écrire consiste à tracer les cours de clôture. Pour cela, nous devons importer la bibliothèque matplotlib. La fonction "plot_closes" prend les fermetures en entrée, qui peuvent être un fichier CSV ou Excel. De plus, nous pouvons choisir de tracer les prix par rapport au prix de départ.

Dans la fonction, nous lisons les données à l'aide de pandas et, sur la base du paramètre relatif, nous traçons les prix tels qu'ils sont ou traçons les performances par rapport au prix de départ. Nous pouvons personnaliser le tracé avec des options comme des lignes de grille et une ligne horizontale à zéro (ou un, selon la représentation souhaitée).

En testant la fonction, nous pouvons voir le tracé résultant pour les titres sélectionnés. En définissant le paramètre relatif sur true, nous pouvons observer la performance par rapport au prix de départ.

Dans la sixième partie, nous continuerons à travailler avec les prix de clôture et les changements, en nous concentrant sur l'enregistrement de ces données dans un fichier séparé.