casabourse 0.1.4

API Python pour accéder aux données de la Bourse de Casablanca (cours, indices, volumes)

Casabourse

Casabourse est une bibliothèque Python pour accéder aux données de la Bourse de Casablanca (Casablanca Stock Exchange).

Cette API légère fournit des fonctions pour récupérer :

• Les cotations en direct
• Les historiques des instruments
• Les indices
• Les volumes échangés
• Les capitalisations et résumés de marché

Les exemples d’utilisation se trouvent dans le répertoire examples/
(scripts et notebook Jupyter).

Développé et maintenu par Koffi Frederic SESSIE.

Installation

pip install casabourse

Utilisation rapide

import casabourse as cb

# Récupérer les données de marché en direct
df_live = cb.get_live_market_data()
print(df_live.head())

# Historique d'un ticker
hist = cb.get_historical_data_auto('IAM', '2024-01-01', '2024-12-31')
print(hist.head())

Afficher la liste des instruments et indices disponibles

Vous pouvez facilement obtenir la liste complète des instruments et des indices disponibles dans Casabourse :

import casabourse as cb

# Liste des instruments disponibles
df_instruments = cb.get_available_instrument()
print(df_instruments.head())

# Liste des indices disponibles
df_indices = cb.get_available_indexes()
print(df_indices.head())

Pour les utilisateurs

La méthode recommandée est d'installer depuis PyPI :

pip install casabourse

Pour les développeurs

Pour développer sur le package, clonez d'abord le dépôt :

git clone https://github.com/Fredysessie/casabourse.git
cd casabourse

Puis installez en mode développement :

pip install -e .

Les dépendances de développement incluent les outils de test et de documentation. Pour les installer :

pip install -r requirements.txt
pip install -r docs/requirements-docs.txt

Utilisation rapide

Exemples simples (extraits de examples/example_usage.py et examples/debug_live.py) :

import casabourse as cb

# récupère les données de marché en direct (DataFrame pandas)
df_live = cb.get_live_market_data()
print(df_live.head())

# recherche d'identifiant de symbole à partir d'un ticker
sid = cb.get_symbol_id_from_ticker_auto('AFM')
print('symbol id AFM:', sid)

# historique d'un ticker sur une période
hist = cb.get_historical_data_auto('IAM', '2024-01-01', '2024-12-31')
print(hist.head())

# top gainers / losers
gainers = cb.get_top_gainers(5)
losers = cb.get_top_losers(5)

# exporter les données de marché (ex: CSV)
fname = cb.export_market_data(format='csv')
print('Exporté vers :', fname)

Pour des tests plus poussés et du debugging, voir examples/debug_live.py qui montre comment inspecter les fonctions et appeler plusieurs points d'entrée de l'API.

Contenu principal

Le package expose plusieurs fonctions au niveau racine (importables via import casabourse as cb) :

• Gestion du build id et utilitaires : get_build_id, get_build_id_cached, etc.
• Marché & cotations : get_live_market_data, get_market_data, get_top_gainers, get_most_active, get_sector_performance, get_market_summary, export_market_data, ...
• Instruments : get_symbol_id_from_ticker, get_historical_data, get_technical_indicators, ...
• Volumes : get_volume_overview, get_volume_data
• Capitalisation : get_capitalization_data, get_capitalization_overview
• Indices : get_all_indices_overview, get_index_composition, get_index_quotation, etc.

(Voir casabourse/__init__.py pour la liste complète des symboles exportés.)

Exemples & Notebook

Les exemples disponibles :

• examples/example_usage.py : exemples d'appels courants et d'export.
• examples/debug_live.py : script d'inspection et debug (niveau logging détaillé possible).
• examples/example_notebook.ipynb : notebook Jupyter d'illustration.

Exemple : tracé historique

Vous pouvez utiliser le script d'exemple examples/historical_plot.py pour récupérer l'historique d'un ticker et tracer le prix de clôture. Le script sauvegarde un PNG dans le répertoire courant.

Exemple d'utilisation (PowerShell) :

pip install -e .
pip install pandas matplotlib
python .\examples\historical_plot.py IAM --start 2024-01-01 --end 2024-12-31

Le script tente d'identifier automatiquement la colonne « prix de clôture » dans le DataFrame retourné et tombe sur la première colonne numérique si aucune colonne explicite n'est trouvée.

Si vous préférez un notebook interactif, copiez le code du script dans une cellule et utilisez %matplotlib inline.

Guide du développeur

Configuration de l'environnement

1. Créez et activez un environnement virtuel Python :

   python -m venv venv
   # Sur Windows :
   .\venv\Scripts\activate
   # Sur Unix/macOS :
   source venv/bin/activate
   

2. Installez les dépendances de développement :

   pip install -e .
   pip install -r requirements.txt
   pip install -r docs/requirements-docs.txt
   

Tests

Les tests sont écrits avec pytest. Pour exécuter la suite de tests :

Les tests unitaires simples se trouvent dans tests/. Pour lancer la suite de tests :

pip install -r requirements.txt
pip install pytest
pytest -q

Déploiement

Le package est automatiquement publié sur PyPI via GitHub Actions lorsqu'une nouvelle release est créée. Le workflow de publication est défini dans .github/workflows/publish.yml.

Pour créer une nouvelle release :

1. Mettez à jour la version dans casabourse/__version__.py
2. Créez un tag Git avec la nouvelle version
3. Poussez le tag sur GitHub
4. Créez une nouvelle release sur GitHub

Le workflow se chargera automatiquement de construire et publier le package sur PyPI.

Licence

Ce projet inclut un fichier LICENSE à la racine. Consultez-le pour les conditions d'utilisation.

Contributions

Les issues et les pull requests sont bienvenues. Pour développer localement, installez en mode editable (pip install -e .) et exécutez les scripts d'exemple ou le notebook.

---

Si vous voulez que j'ajoute des exemples supplémentaires dans le README (par ex. un exemple complet de récupération historique + graphique), dites-moi lequel et je l'ajoute.

Documentation (HTML & PDF)

La documentation complète est fournie dans le répertoire docs/. Elle est générée avec Sphinx.

Dépendances recommandées pour construire la doc :

pip install -r docs/requirements-docs.txt
# pour générer le PDF via LaTeX, installez également une distribution TeX (ex: TeX Live, MiKTeX)

Pour construire la documentation (HTML + tentative de PDF) :

python .\scripts\build_docs.py

Le HTML sera dans docs/_build/html. Si pdflatex est disponible, un PDF sera généré dans docs/_build/latex.