Python backtesting

Python : enorme liste quant Lire https://mayerkrebs.com/best-backtesting-library-for-python/cite VectorBT: fastest backtesting library Backtesting.py: easiest backtesting library AlephNull Backtrader Bt Pybacktest PyAlgoTrade Zipline Obtenir les données Les données historiques financières peuvent être obtenues par : Optimisation de portfolio https://riskfolio-lib.readthedocs.io/en/latest/ Autres outils quant:PyfolioZipline https://www.pybroker.com/en/latest/notebooks/9.%20Rebalancing%20Positions.html https://github.com/10mohi6/portfolio-backtest-python Lesquels pour calculer une frontière efficiente ? Liste de projets https://git.tuu.cat/topics/efficient-frontier?o=desc&s=forks Numpy, Pandas https://nbviewer.org/github/rian-dolphin/Efficient-Frontier-Python/blob/main/Markowitz.ipynbhttps://www.machinelearningplus.com/machine-learning/portfolio-optimization-python-example/https://medium.com/@zeng.simonl/the-efficient-frontier-in-python-a1bc9496a0a1https://www.youtube.com/watch?v=qJ5yCvA5E3Qhttps://www.youtube.com/watch?v=f2BCmQBCwDshttps://www.youtube.com/watch?v=naYXfyKC4eMhttps://www.youtube.com/watch?v=Isutk-wqJfE Scipy https://www.kaggle.com/code/vijipai/lesson-5-mean-variance-optimization-of-portfolioshttps://amangupta16.medium.com/portfolio-optimization-using-python-part-1-2-9fd80097a606https://github.com/tthustla/efficient_frontier/blob/master/Efficient%20_Frontier_implementation.ipynbhttps://www.linkedin.com/pulse/efficient-frontier-portfolio-optimisation-inpython-ricky-kim/https://colab.research.google.com/github/MOSEK/PortfolioOptimization/blob/master/python/notebooks-colab/ch10_robust_optimization_factor.ipynb PyPortfolioOpt https://pyportfolioopt.readthedocs.io/en/latest/index.htmlhttps://nekrasovp.github.io/stock-market-portfolio-optimisation.htmlhttps://www.youtube.com/watch?v=CRt1v50UHmo Pyfolio pyfolio Cvxopt https://notebook.community/gwulfs/research_public/research/Markowitz-Quantopian-Researchhttps://github.com/psthomas/efficient-frontier/blob/master/efficient_frontier.ipynbhttps://plotly.com/python/v3/ipython-notebooks/markowitz-portfolio-optimization/ Scipy, Statsmodel et Cvxopt https://alphapowertrading.com/quantopian/CAPM_Revisited_01.html

Continuer la lecture

Outils EDA en python

https://builtin.com/data-science/EDA-python Quatre outils de rapports EDA aux fonctionnalités similaires : DataPrep pip install dataprep import pandas as pd from dataprep.eda import create_report df = pd.read_csv(« parking_violations.csv ») create_report(df) Ydata Profiling pip install ydata-profiling from ydata-profiling import ProfileReport profile = ProfileReport(df, title= »Report ») profile SweetViz pip install sweetviz import sweetviz as sv analyze_report = sv.analyze(df) analyze_report.show_html(report.html’, open_browser=False) AutoViz pip install autoviz from autoviz.AutoViz_Class import AutoViz_Class AV = AutoViz_Class() df_av = AV.AutoViz(‘parking.csv’) Et aussi https://towardsdatascience.com/comparing-five-most-popular-eda-tools-dccdef05aa4c Lux pip install lux-api jupyter nbextension install –py luxwidget jupyter nbextension enable –py luxwidget import pandas as pd import lux df = pd.read_csv(« https://raw.githubusercontent.com/plotly/datasets/master/gapminderDataFiveYear.csv », parse_dates=[« year »]) df D-Tale pip install dtale import …

Continuer la lecture

Fiabilité automobile

Recherche par modèle, par année. Pour évaluer les critères de fiabilité des voitures, il existe plusieurs sources de données fiables que vous pourriez utiliser. Voici des suggestions de sources pour chaque critère : Fréquence des pannes Quel modèle-année de voiture a le moins de pannes ?Les données sur la fréquence des pannes peuvent être obtenues à partir de rapports d’organisations telles que Consumer Reports, J.D. Power, et des bases de données de rappels de sécurité gouvernementaux.voir traitement des données des rapports ADACsi on pouvait déduire les pannes de batteries ?https://www.kaggle.com/code/guillaumegaldrat/car-reliability Durée de vie moyenne ?? Quel modèle de voiture a …

Continuer la lecture