quantfinance 0.1.4

Package Python complet pour la finance quantitative

QuantFinance

Package Python professionnel pour la finance quantitative

Documentation | PyPI | GitHub

Fonctionnalités

Pricing d'Instruments Financiers

• Options : Black-Scholes, Binomial Tree, Monte Carlo
• Grecques : Delta, Gamma, Vega, Theta, Rho
• Volatilité Implicite : Méthode de Newton-Raphson
• Options Exotiques : Asiatiques, Barrières
• Obligations : Pricing, YTM, Duration, Convexité

Gestion des Risques

• Value at Risk (VaR) : Historique, Paramétrique, EWMA, Monte Carlo
• Expected Shortfall (CVaR)
• Métriques : Sharpe, Sortino, Calmar, Omega, Information Ratio
• Drawdown : Maximum, Duration, Série temporelle
• Stress Testing : Scénarios, Analyse historique, Simulation

Optimisation de Portefeuille

• Markowitz : Variance minimale, Sharpe maximum, Frontière efficiente
• Risk Parity : Contribution égale au risque
• Black-Litterman : Intégration de vues d'investissement
• Hierarchical Risk Parity (HRP)
• Maximum Diversification
• Rééquilibrage : Périodique, Seuils, Bandes de tolérance

Backtesting

• Framework de backtesting flexible
• Stratégies prédéfinies (MA Crossover, Momentum, etc.)
• Prise en compte des coûts de transaction
• Analyse de performance détaillée

Utilitaires

• Chargement de données (CSV, Yahoo Finance, API)
• Génération de données synthétiques
• Nettoyage et préparation de données
• Indicateurs techniques (SMA, EMA, RSI, MACD, Bollinger Bands)
• Visualisations avancées

Installation

Via pip (recommandé)

pip install quantfinance

Depuis les sources

git clone https://github.com/Mafoya1er/quantfinance.git
cd quantfinance
pip install -e .

Avec dépendances optionnelles

# Pour l'analyse de données
pip install quantfinance[data]

# Pour le développement
pip install quantfinance[dev]

# Tout installer
pip install quantfinance[all]

Démarrage Rapide

Pricing d'Options

from quantfinance.pricing.options import BlackScholes

# Option call européenne
bs = BlackScholes(S=100, K=105, T=1, r=0.05, sigma=0.25, option_type='call')

print(f"Prix: {bs.price():.2f}")
print(f"Delta: {bs.delta():.4f}")
print(f"Gamma: {bs.gamma():.6f}")
print(f"Vega: {bs.vega():.4f}")

# Volatilité implicite
market_price = 8.50
implied_vol = bs.implied_volatility(market_price)
print(f"Vol implicite: {implied_vol:.2%}")

Optimisation de Portefeuille

from quantfinance.portfolio.optimization import PortfolioOptimizer, EfficientFrontier
from quantfinance.utils.data import DataLoader

# Charger des données
prices = DataLoader.generate_synthetic_prices(n_assets=5, n_days=252*3)
returns = prices.pct_change().dropna()

# Optimiser
optimizer = PortfolioOptimizer(returns, risk_free_rate=0.02)

# Sharpe maximum
max_sharpe = optimizer.maximize_sharpe()
print(f"Rendement: {max_sharpe['return']:.2%}")
print(f"Sharpe: {max_sharpe['sharpe_ratio']:.3f}")
print("\nPoids:")
print(max_sharpe['weights'])

# Frontière efficiente
frontier = EfficientFrontier(optimizer)
frontier.plot()

Analyse de Risque

from quantfinance.risk.var import VaRCalculator
from quantfinance.risk.metrics import RiskMetrics, PerformanceAnalyzer

# VaR et CVaR
var_95 = VaRCalculator.historical_var(returns.iloc[:, 0], 0.95)
es_95 = VaRCalculator.expected_shortfall(returns.iloc[:, 0], 0.95)

print(f"VaR 95%: {var_95:.2%}")
print(f"CVaR 95%: {es_95:.2%}")

# Analyse complète
analyzer = PerformanceAnalyzer(returns.iloc[:, 0], risk_free_rate=0.02)
summary = analyzer.summary_statistics()
print(summary)

Backtesting

from quantfinance.portfolio.backtesting import Backtester, MovingAverageCrossover
from quantfinance.utils.data import DataLoader

# Données OHLCV
data = DataLoader.generate_ohlcv_data(n_days=500)

# Stratégie
strategy = MovingAverageCrossover(short_window=20, long_window=50)

# Backtest
backtester = Backtester(data, strategy, initial_capital=100000)
results = backtester.run()

print(f"Rendement: {results['Total Return']:.2%}")
print(f"Sharpe: {results['Sharpe Ratio']:.3f}")
print(f"Max DD: {results['Max Drawdown']:.2%}")

# Visualisation
backtester.plot_results()

Documentation

Documentation complète disponible sur GitHub Pages.

Tests

# Lancer tous les tests
pytest

# Avec couverture
pytest --cov=quantfinance --cov-report=html

# Tests rapides seulement
pytest -m "not slow"

Contribution

Les contributions sont les bienvenues ! Consultez CONTRIBUTING.md.

1. Fork le projet
2. Créez une branche (git checkout -b feature/AmazingFeature)
3. Committez (git commit -m 'feat: Add AmazingFeature')
4. Push (git push origin feature/AmazingFeature)
5. Ouvrez une Pull Request

Licence

Ce projet est sous licence MIT. Voir LICENSE pour plus de détails.

Remerciements

• NumPy - Calculs numériques
• Pandas - Manipulation de données
• SciPy - Outils scientifiques
• Matplotlib - Visualisations

Contact

Marcel ALOEKPO - LinkedIn - [e-mail]

Projet : https://github.com/Mafoya1er/quantfinance

Support

Si vous trouvez ce projet utile, n'hésitez pas à lui donner une étoile sur GitHub !

Statistiques

---

Made with ❤️ for quantitative finance