Workflows d'analyse quantitative en Python : des données aux résultats reproductibles

L'analyse quantitative en Python devient puissante lorsque des outils individuels se combinent en workflows fiables. La manière dont vous ingérez les données, stockez les résultats intermédiaires, partagez le code avec les collaborateurs et reproduisez les résultats des mois plus tard détermine si votre travail s'accumule ou est réinitialisé silencieusement chaque semaine. Ce cours aborde ces choix de manière structurée. Vous réaliserez des exercices de conception écrits qui reflètent la manière dont une petite équipe de quantificateurs planifierait un flux d'analyse reproductible. L'accent est mis sur les compromis pratiques qui comptent lorsque les données sont mises à jour quotidiennement, que les exigences changent et que les résultats doivent être défendables. Ce que vous apprendrez : - Planifier l'ingestion de données à partir de flux de données de marché, de bases de données internes et de sources externes - Ingénierie des caractéristiques pour l'analyse des séries chronologiques, y compris les rendements, la volatilité et les statistiques roulantes - Construire des workflows de modélisation qui passent des notebooks de prototypage à des packages Python réutilisables - Appliquer le contrôle de version, la gestion de l'environnement et l'épinglage des dépendances pour des résultats reproductibles - Concevoir des frameworks de backtesting qui gèrent le biais de survie, le biais de regard vers l'avant et les coûts de transaction - Construire des rapports qui soutiennent à la fois l'examen quantitatif et la communication avec les parties prenantes Le cours progresse de l'ingestion des données à l'ingénierie des caractéristiques, la modélisation, le backtesting et la génération de rapports. Un exercice de conception écrit final vous demande de rédiger une conception de workflow d'une page pour un projet d'analyse quantitative spécifique. Ce cours est conçu pour les analystes et les développeurs ayant une certaine expérience de Python entrant dans la finance quantitative, ou pour les quants qui souhaitent renforcer leurs habitudes d'ingénierie logicielle. Aucune expérience préalable en backtesting n'est requise. Le cours traite les workflows comme un problème de conception et reste informatif ; il ne fournit pas de conseils d'investissement pour des situations spécifiques.