Code
MGFE FIN 6207
Level
M2
Field
Finance
Language
Français/French
ECTS Credits
2
Class hours
24
Total student load
40
Program Manager(s)
Department
- Data analytics, Économie et Finances
Educational team
Introduction to the module
L’informatique est devenu l’outil indispensable en salle de marché. La suite Office de Microsoft est omniprésente et son langage de programmation parlé par tous. En plus d’un haut niveau de technique financière, nous mêlons des techniques de programmation pointues (VBA et surtout PYTHON) afin d’offrir aux étudiants une boite à outils réutilisable.
Learning goals/Programme objectives
- LG2 Having the ability to manage uncertainty and complexity with accuracy and rigor
- LG3 Having the foundations of responsible and sustainable management
- LG4 Having access to different cross disciplinary management approaches and tools
Learning objectives/Intended learning outcomes
- 2.1 - Identify and analyze in depth problems, causes and impacts
- 2.2 - Explore solutions, decisions, and their relative and absolute impacts
- 3.1 - Understand and employ basic concepts, knowledge and theories related to the discipline
- 3.2 - Apply discipline knowledge appropriately and effectively
- 4.2 - Understand and employ cross-disciplinary concepts, knowledge, theories
Rubrics
A travers la conception d’un algorithme de bootstrapping de la courbe de taux, nous utilisons des méthodes de développement complexes et réutilisables en salle de marché.
Content : structure and schedule
I. Introduction rapide à Python et Notebooks (3h00)
Pourquoi Python ? (1h00)
• Avantages de Python en finance.
• Introduction à Jupyter Notebooks et Google Colab pour des analyses collaboratives.
Notebooks et Markdown (2h00)
• Utilisation de Jupyter Notebooks pour structurer et documenter les analyses financières.
• Exécution de code Python pour les premières analyses simples (types de variables, opérations de base).
Matériel supplémentaire pour étudiants avancés : Exemples de projets financiers automatisés avec Notebooks.
II. Manipulation et analyse des données (6h00)
Manipulation des données avec Pandas (3h00)
• Création, manipulation et nettoyage de DataFrames.
• Traitement des séries temporelles financières et calculs d’indicateurs financiers.
• Importance éthique : éviter les erreurs dans la manipulation des données financières qui pourraient biaiser les analyses.
Visualisation et statistiques descriptives (3h00)
• Création de graphiques financiers avec Matplotlib et Seaborn.
• Utilisation des statistiques descriptives pour résumer les données financières.
• Cas pratiques : visualisation de tendances de marché.
III. Web Scraping et APIs (4h00)
Web Scraping (2h00)
• Introduction au scraping pour extraire des données en ligne et HTML parsing.
• Éthique dans le scraping et respect des conditions d’utilisation des données.
API pour la collecte de données (2h00)
• Utilisation d’API pour accéder aux données financières (Alpha Vantage, CoinGecko).
• Introduction à l’intégration de ces données dans les analyses financières.
• Implication éthique : Transparence dans la collecte des données et respect des droits d’accès.
Matériel supplémentaire pour étudiants avancés : Utilisation avancée d’APIs pour des données en temps réel.
IV. Introduction au Machine Learning en Finance (6h00)
Modèles supervisés pour la finance (3h00)
• Introduction aux modèles de régression linéaire, Random Forest, et LASSO.
• Application à la prédiction de prix d’actifs financiers.
• Évaluation des modèles : biais, overfitting, et sélection de modèles.
Machine learning et biais algorithmiques (3h00)
• Comprendre les biais dans les algorithmes et leur impact sur les prévisions financières.
• Analyse des biais potentiels dans les données financières (ex : biais de sélection).
V. Modèles spécifiques à la finance et NLP (4h00)
Modèles spécifiques à la finance (2h00)
• Introduction aux modèles financiers classiques : Value at Risk (VaR), modèle CAPM.
• Modèles de pricing des options.
NLP en finance (2h00)
• Analyse des sentiments à partir des rapports financiers et des actualités économiques.
• Cas pratique : extraction d’information à partir de communiqués de presse financiers.
• Éthique du NLP : gestion des biais dans l’analyse de textes subjectifs.
Projet final et évaluation orale 3h
• Collecte de données : Web scraping ou API pour extraire des données financières pertinentes.
• Analyse des données : Visualisations et statistiques descriptives pour interpréter les tendances des données collectées.
• Machine learning : Mise en place de modèles prédictifs (ex: régression linéaire, Random Forest, LASSO) et analyse des résultats.
• Rapport écrit : Détails du processus de collecte, d’analyse, et d’interprétation des résultats, avec un accent sur les considérations éthiques.
• Soutenance orale : Présentation du projet
Learning delivery
Mixte
Pedagogical methods
Cours, exercices, études de cas (travail individuel et en groupe)
Evaluation and grading system and catch up exams
La structure en demi-groupe permet d’avoir une idée de la capacité de développement et l’implication des élèves dans leur projet. En plus d’interrogations en début de cours, une note sur 5 évalue chaque élève.
Un projet sur 15 complète la notation.
CF2 : ajustement du projet est demandé et une soutenance sera requise afin de valider la matière.
La présence est obligatoire pour ce module. Les absences non justifiées entraîneront une pénalité de 20% de la note du module.
Module Policies
Professor-Student Communication
● The professor will contact the students through their school email address (IMT-BS/TSP) and the Moodle portal. No communication via personal email addresses will take place. It is the student responsibility to regularly check their IMT-BS/TSP mailbox.
● Students can communicate with the professor by emailing him/her to his institutional address. If necessary, it is possible to meet the professor in his office during office-hours or by appointment.
Students with accommodation needs
If a student has a disability that will prevent from completing the described work or require any kind of accommodation, he may inform the program director (with supporting documents) as soon as possible. Also, students are encouraged to discuss it with the professor.
Class behavior
● Out of courtesy for the professor and classmates, all mobile phones, electronic games or other devices that generate sound should be turned off during class.
● Students should avoid disruptive and disrespectful behavior such as: arriving late, leaving early, careless behavior (e.g. sleeping, reading a non-course material, using vulgar language, over-speaking, eating, drinking, etc.). A warning may be given on the first infraction of these rules. Repeated violators will be penalized and may face expulsion from the class and/or other disciplinary proceedings.
● The tolerated delay is 5 minutes. Attendance will be declared on Moodle during these 5 minutes via a QR code provided by the teacher at each course start.
● Student should arrive on time for exams and other assessments. No one will be allowed to enter the classroom once the first person has finished the exam and left the room. There is absolutely no exception to this rule. No student can continue to take an exam once the time is up. No student may leave the room during an examination unless he / she has finished and handed over all the documents.
● In the case of remote learning, the student must keep his camera on unless instructed otherwise by the professor.
Honor code
IMT-BS is committed to a policy of honesty in the academic community. Conduct that compromises this policy may result in academic and / or disciplinary sanctions. Students must refrain from cheating, lying, plagiarizing and stealing. This includes completing your own original work and giving credit to any other person whose ideas and printed materials (including those from the Internet) are paraphrased or quoted directly. Any student who violates or helps another student violate academic behavior standards will be penalized according to IMT-BS rules.
Textbook Required and Suggested Readings
[1] https://stackoverflow.blog/2017/09/06/incredible-growth-python/
[2] https://www.youtube.com/watch?v=_FxzEAIWvtE&t=153s
[3] http://www.sixthresearcher.com/didactic-materials/
Gayathri Rajagopalan. « A Python Data Analyst’s Toolkit. »
Vincent & Le Goff. « Apprenez à programmer en Python. »
Ben Stephenson. « The Python Workbook. »
Wes McKinney. « Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython. »
Snowden, John. « Python For Beginners: A Practical Guide For The People Who Want to Learn Python The Right and Simple Way (Computer Programming Book 1). »
Keywords
Python, Scraping, Base de données, Analyse de données, Machine Learning