Maitrise des données financières avec Python

Introduction

Les données financières sont très utilisées dans la filière gestion des risques de l’ENSAI. Avoir rapidement accès est un atout pour les étudiants et les fera gagner du temps. Ces données sont utilisées dans plusieurs cours notamment le cours de séries temporelles, le cours de la théorie de gestion des risques multiples,le cours d’asset pricing, etc. C’est pourquoi j’ai décidé de partager avec vous quelques astuces pour maitriser les données financières avec Python. Nous utiliserons la librairie yfinance pour récupérer les données financières et pandas pour les manipuler et matplotlib pour les visualiser.

import pandas as pd
import numpy as np
import datetime
import matplotlib.pyplot as plt
import warnings
warnings.filterwarnings("ignore")

J’ai importé la library datetime pour manipuler les dataes. Maintenant, nous pouvons importer les données.

Importer les données

import yfinance as yf

aapl = yf.download('AAPL', 
                      start='2012-01-01', 
                      end='2024-01-01',)
aapl.head()                    

[*********************100%%**********************]  1 of 1 completed

	Open	High	Low	Close	Adj Close	Volume
Date
2012-01-03	14.621429	14.732143	14.607143	14.686786	12.433825	302220800
2012-01-04	14.642857	14.810000	14.617143	14.765714	12.500644	260022000
2012-01-05	14.819643	14.948214	14.738214	14.929643	12.639428	271269600
2012-01-06	14.991786	15.098214	14.972143	15.085714	12.771556	318292800
2012-01-09	15.196429	15.276786	15.048214	15.061786	12.751299	394024400

Le code ci-dessus utilise la fonction downloadde la librairir yfinance pour télécharger les données de la société Apple (AAPL) de 2012 à 2024. De la même manière, vous pouvez télécharger les données d’autres sociétés. Par exemple, pour accèder aux données du CAC40, vous pouvez utiliser le code suivant:

cac40 = yf.download('^FCHI', 
                      start='2012-01-01', 
                      end='2024-01-01',)
cac40.head()

[*********************100%%**********************]  1 of 1 completed

	Open	High	Low	Close	Adj Close	Volume
Date
2012-01-03	3231.429932	3246.739990	3193.629883	3245.399902	3245.399902	123415200
2012-01-04	3227.459961	3242.840088	3186.479980	3193.649902	3193.649902	114040800
2012-01-05	3197.159912	3200.149902	3136.750000	3144.909912	3144.909912	121161600
2012-01-06	3156.419922	3184.379883	3122.629883	3137.360107	3137.360107	104492800
2012-01-09	3143.949951	3157.310059	3114.449951	3127.689941	3127.689941	96976800

Nous savons que pour les données de marché, nous avons les colonnes suivantes: Open, High, Low, Close, Adj Close, Volume. Nous allons maintenant travailler avec la colonne Close qui représente le prix de clôture de l’action. Nous pouvons maintenant visualiser les données.

plt.figure(figsize=(10, 6))
plt.plot(aapl['Close'], label='AAPL')
plt.title('Prix de clôture de l\'action AAPL')
plt.xlabel('Date')
plt.ylabel('Prix de clôture')
plt.legend()
plt.show()

Ces données ne sont pas stationnaires. Généralement, pour les données financières, nous travaillons avec les rendements car ils sont stationnaires. Si \(P_t\) est le prix de l’action à la date \(t\), le rendement à la date \(t\) est donné par: \[ r_t = \frac{P_t - P_{t-1}}{P_{t-1}} \]

est équivalent à

\[ \log\left(1 + \frac{P_t - P_{t-1}}{P_{t-1}}\right) = \log\left(\frac{P_t}{P_{t-1}}\right) \]

Donc nous travaillons avec le logarithme des rendements. Nous pouvons maintenant calculer les rendements. Il existe une fonction pct_change dans la librairie pandas qui permet de calculer les rendements. Nous allons utiliser cette fonction combinée avec la fonction log de la librairie numpy pour calculer les logarithmes des rendements du prix de clôture de l’action AAPL.

daily_close = aapl[['Close']]
daily_close_returns = daily_close.pct_change().apply(lambda x: np.log(1+x))
daily_close_returns.head()

	Close
Date
2012-01-03	NaN
2012-01-04	0.005360
2012-01-05	0.011041
2012-01-06	0.010400
2012-01-09	-0.001587

Dans le code ci-dessus nous avons utilisé l’expression ci-dessous pour calculer les rendements: \[ \log\left(1 + \frac{P_t - P_{t-1}}{P_{t-1}}\right) \]

Nous pouvons plutôt utiliser la fonction log de la librairie numpy pour calculer les rendements à partir de l’expression ci-dessous: \[ \log\left(\frac{P_t}{P_{t-1}}\right) \]

daily_close_returns = np.log(daily_close / daily_close.shift(1))
daily_close_returns.head()

	Close
Date
2012-01-03	NaN
2012-01-04	0.005360
2012-01-05	0.011041
2012-01-06	0.010400
2012-01-09	-0.001587

Nous avons les mêmes résultats avec la première valeur qui est NaN. Nous pouvons supprimer cette valeur.

daily_close_returns = daily_close_returns.dropna()
daily_close_returns.head()

	Close
Date
2012-01-04	0.005360
2012-01-05	0.011041
2012-01-06	0.010400
2012-01-09	-0.001587
2012-01-10	0.003574

Nous pouvons maintenant visualiser les rendements.

daily_close_returns.plot(figsize=(10, 6))
plt.title('Logarithme des rendements du prix de clôture de l\'action AAPL')
plt.xlabel('Date')
plt.ylabel('Logarithme des rendements')
plt.show()

Si vous voulez, vous pouvez étudier les statistiques descriptives des rendements. Une fonction que j’adore qui donne les statistiques sommaire est la fonction describe de la librairie pandas.

daily_close_returns.describe()

	Close
count	3017.000000
mean	0.000853
std	0.017967
min	-0.137708
25%	-0.007562
50%	0.000765
75%	0.010275
max	0.113157

Nous pouvons aussi rééchantillonner les données pour avoir les log rendements minimums, maximums, moyens, etc. par semaine, par mois, par trimestre,etc. Par exemple pour avoir les log rendements moyens par semaine, nous pouvons utliser la fonction resample de la librairie pandas combinée avec la fonction mean pour avoir les moyennes.

weekly = daily_close_returns.resample('W').mean()
weekly.head()

	Close
Date
2012-01-08	0.008933
2012-01-15	-0.001230
2012-01-22	0.000292
2012-01-29	0.012443
2012-02-05	0.005469

Je vais terminer ce poste par vous montrer comment télécharger les données de plusieurs sociétés. Par exemple, pour télécharger les données de Apple, Microsoft, Google et Amazon, vous pouvez utiliser le code suivant:

import yfinance as yf
tickers = ['AAPL', 'MSFT', 'GOOGL', 'AMZN']

def get_data(tickers, startdate, enddate):
    def data(ticker):
        return (yf.download(ticker, start=startdate, end=enddate))
    datas = map(data, tickers)
    return(pd.concat(datas,keys= tickers, names=['Ticker', 'Date']))
all_data = get_data(tickers, '2012-01-01', '2024-01-01')
all_data.head()

[*********************100%%**********************]  1 of 1 completed
[*********************100%%**********************]  1 of 1 completed
[*********************100%%**********************]  1 of 1 completed
[*********************100%%**********************]  1 of 1 completed

		Open	High	Low	Close	Adj Close	Volume
Ticker	Date
AAPL	2012-01-03	14.621429	14.732143	14.607143	14.686786	12.433825	302220800
	2012-01-04	14.642857	14.810000	14.617143	14.765714	12.500644	260022000
	2012-01-05	14.819643	14.948214	14.738214	14.929643	12.639428	271269600
	2012-01-06	14.991786	15.098214	14.972143	15.085714	12.771556	318292800
	2012-01-09	15.196429	15.276786	15.048214	15.061786	12.751299	394024400

Conclusion

J’espère que ce poste vous sera utile. Si vous avez des questions, n’hésitez pas à me contacter si chatgpt ne peut pas vous aider.