Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Plan du cours
Introduction
Comprendre les fondements de Python
Aperçu de l'utilisation de la technologie et de Python en finance
Aperçu des outils et de l'infrastructure
- Déploiement de Python avec Anaconda
- Utilisation de la plateforme quantitative Python
- Utilisation d'IPython
- Utilisation de Spyder
Démarrer avec des exemples financiers simples en Python
- Calcul des volatilités implicites
- Implémentation de la simulation de Monte Carlo
- Avec du Python pur
- Avec la vectorisation avec Numpy
- Avec une vectorisation complète avec le schéma logarithmique d'Euler
- Utilisation de l'analyse graphique
- Utilisation de l'analyse technique
Comprendre les types de données et structures en Python
- Apprendre les types de données de base
- Apprendre les structures de données de base
- Utilisation des structures de données NumPy
- Implémentation de la vectorisation du code
Implémenter la visualisation de données en Python
- Implémentation de graphiques à deux dimensions
- Utilisation d'autres styles de graphiques
- Implémentation de graphiques financiers
- Génération d'un graphique en 3D
Utiliser des données séries temporelles financières en Python
- Découvrir les bases de pandas
- Implémentation des premiers et seconds pas avec la classe DataFrame
- Obtenir des données financières à partir du web
- Utilisation de données financières provenant de fichiers CSV
- Implémentation d'analyses de régression
- Gérer les données haute fréquence
Implémenter des opérations d'entrée/sortie
- Comprendre les bases de l'I/O avec Python
- Utilisation de l'I/O avec pandas
- Implémentation d'une I/O rapide avec PyTables
Implémenter des applications critiques pour la performance en Python
- Aperçu des bibliothèques de performance en Python
- Comprendre les paradigmes Python
- Comprendre la disposition mémoire
- Implémenter le calcul parallèle
- Utiliser le module multiprocessing
- Utiliser Numba pour le compilateur dynamique
- Utiliser Cython pour le compilateur statique
- Utiliser les GPU pour la génération de nombres aléatoires
Utiliser des outils et techniques mathématiques pour la finance en Python
- Apprendre des techniques d'approximation
- Régression
- Interpolation
- Implémenter l'optimisation convexe
- Implémenter des techniques d'intégration
- Appliquer le calcul symbolique
Stochastiques avec Python
- Génération de nombres aléatoires
- Simulation de variables et processus stochastiques
- Implémenter des calculs de valorisation
- Calculer des mesures de risque
Statistiques avec Python
- Implémenter des tests de normalité
- Implémenter l'optimisation de portefeuille
- Réaliser une analyse en composantes principales (ACP)
- Implémenter la régression bayésienne avec PyMC3
Intégrer Python avec Excel
- Implémenter des interactions de base de feuille de calcul
- Utiliser DataNitro pour l'intégration complète de Python et d'Excel
Programmation orientée objet avec Python
Créer des interfaces utilisateur graphiques avec Python
Intégrer Python avec les technologies et protocoles web pour la finance
- Protocoles web
- Applications web
- Services web
Comprendre et implémenter le cadre de valorisation avec Python
Simuler des modèles financiers avec Python
- Génération de nombres aléatoires
- Classe de simulation générique
- Mouvement brownien géométrique
- La classe de simulation
- Implémenter un cas d'utilisation pour le MBG
- Sauts de diffusion
- Diffusion racine carrée
Implémenter la valorisation des dérivés avec Python
Implémenter la valorisation de portefeuille avec Python
Utiliser les options de volatilité en Python
- Implémenter la collecte de données
- Implémenter le calibrage du modèle
- Implémenter la valorisation de portefeuille
Bonnes pratiques en programmation Python pour la finance
Résolution de problèmes
Synthèse et conclusion
Remarques finales
Pré requis
- Expérience de base en programmation
- Maitrise solide des mathématiques pour la finance
35 Heures
Nos clients témoignent (5)
Le fait d'avoir plus d'exercices pratiques utilisant des données plus similaires à celles que nous utilisons dans nos projets (images satellites au format raster)
Matthieu - CS Group
Formation - Scaling Data Analysis with Python and Dask
Traduction automatique
J'ai trouvé que le formateur était très compétent et a répondu aux questions avec assurance pour clarifier la compréhension.
Jenna - TCMT
Formation - Machine Learning with Python – 2 Days
Traduction automatique
Très bonne préparation et expertise de l'animateur, communication parfaite en anglais. Le cours était pratique (exercices + partage d'exemples d'usage).
Monika - Procter & Gamble Polska Sp. z o.o.
Formation - Developing APIs with Python and FastAPI
Traduction automatique
L'explication
Wei Yang Teo - Ministry of Defence, Singapore
Formation - Machine Learning with Python – 4 Days
Traduction automatique
Le formateur développe la formation en fonction du rythme des participants
Farris Chua
Formation - Data Analysis in Python using Pandas and Numpy
Traduction automatique
