Code
MGFE FIN 6207
Niveau
M2
Discipline
Finance
Langue
Français/French
Crédits ECTS
2
Heures programmées
24
Charge totale étudiant
40
Coordonnateur(s)
Département
- Data analytics, Économie et Finances
Equipe pédagogique
Introduction au 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.
Finalité d'apprentissage (Bloc de compétences)
- LG2 Avoir la capacité de gérer l'incertitude et la complexité avec précision et rigueur
- LG3 Avoir les bases d'un management responsable et durable
- LG4 Avoir accès à différents instruments transdisciplinaires de management
Objectifs d'apprentissage (compétences mères)
- 2.1 - Identifier et analyser en profondeur les problèmes, les causes et les impacts
- 2.2 - Explorer les solutions, les décisions et leurs impacts relatifs et absolus
- 3.1 - Comprendre et utiliser les concepts de base, les connaissances et les théories liées à la discipline
- 3.2 - Appliquer les connaissances de la discipline de manière appropriée et efficace
- 4.2 - Comprendre et utiliser des concepts, des connaissances et des théories interdisciplinaires
Traits de compétences
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.
Contenu : structure du module et agenda
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
Apprentissage
Mixte
Méthode pédagogique
Cours, exercices, études de cas (travail individuel et en groupe)
Système de notation et modalités de rattrapage
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.
Règlement du module
Communication Professeur-Apprenant
● Le professeur contactera les apprenants via leur adresse mail scolaire (IMT-BS/TSP) et le portail Moodle. Aucune communication via les adresses mails personnelles n’aura lieu. Il est de la responsabilité de l’étudiant de consulter régulièrement sa boîte mail IMT-BS/TSP.
● Les apprenants peuvent communiquer avec le professeur en envoyant un mail à son adresse institutionnelle. Au besoin, il est possible de le rencontrer dans son bureau durant les heures de bureau ou sur rendez-vous.
Apprenants avec des besoins d’accommodement
Si l’apprenant a un handicap qui empêche d’accomplir le travail décrit ou qui nécessite toute sorte d'accommodement, il est de sa responsabilité d’en informer le directeur des études (avec justificatifs) dès que possible. Aussi, l’apprenant ne doit pas hésiter à en discuter avec son professeur.
Comportement en classe
● En guise de courtoisie envers le professeur et les autres apprenants, tous les téléphones portables, jeux électroniques ou autres appareils générant du son doivent être désactivés pendant les cours.
● L’apprenant doit éviter out comportement perturbateur et irrespectueux tel que: arriver en retard en classe, partir tôt, comportement inconsidéré (ex. dormir, lire un document non lié au cours, utiliser un langage vulgaire, parler excessivement, manger, boire, etc.). Un avertissement peut être donné à la première infraction de ces règles. Les contrevenants seront pénalisés et pourront être expulsés de la classe et/ou subir d'autres procédures disciplinaires.
● Le retard toléré est de 5 minutes. La présence sera déclarée sur Moodle durant ces 5 minutes via un QR code fourni par le professeur à chaque démarrage de cours.
● L’apprenant doit arriver à l'heure pour les examens et autres évaluations. Personne ne sera autorisé à entrer en classe une fois que la première personne aura terminé l'examen et quitté la salle. Il n'y a absolument aucune exception à cette règle. Aucun apprenant ne peut continuer à passer un examen une fois le temps écoulé. Aucun apprenant ne peut quitter la salle pendant un examen à moins qu'il / elle ait terminé et ait remis tous les documents.
● En cas de cours à distance, l'apprenant doit maintenir sa caméra allumée sauf en cas d'indications contraires données par l'enseignant.
Code éthique
IMT-BS est engagée dans une politique d'honnêteté dans le milieu académique. Toute conduite compromettant cette politique peut entraîner des sanctions académiques et/ou disciplinaires. Les apprenants doivent s'abstenir de tricher, de mentir, de plagier et de voler. Ceci consiste à accomplir un travail original et à reconnaître toute autre personne dont les idées et les documents imprimés (y compris ceux provenant d’Internet) sont paraphrasés ou cités directement. Tout apprenant qui enfreint ou aide un autre élève à enfreindre les normes de comportement scolaire sera sanctionné conformément aux règles de l'IMT-BS.
Références obligatoires et lectures suggérées
[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). »
Mots-clés
Python, Scraping, Base de données, Analyse de données, Machine Learning