<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Backtesting on Antoine Boucher</title><link>https://antoineboucher.info/CV/blog/fr/tags/backtesting/</link><description>Recent content in Backtesting on Antoine Boucher</description><generator>Hugo</generator><language>fr</language><lastBuildDate>Thu, 30 May 2024 15:00:00 -0400</lastBuildDate><atom:link href="https://antoineboucher.info/CV/blog/fr/tags/backtesting/index.xml" rel="self" type="application/rss+xml"/><item><title>Backtest d’indicateurs techniques sur plusieurs tickers avec Python</title><link>https://antoineboucher.info/CV/blog/fr/posts/multiple-indicators-backtesting/</link><pubDate>Thu, 30 May 2024 15:00:00 -0400</pubDate><guid>https://antoineboucher.info/CV/blog/fr/posts/multiple-indicators-backtesting/</guid><description>&lt;h2 id="introduction"&gt;Introduction&lt;/h2&gt;
&lt;p&gt;Ce rapport présente une expérimentation sur les indicateurs techniques avec le projet &lt;strong&gt;BatchBacktesting&lt;/strong&gt; sur GitHub : &lt;a href="https://github.com/AlgoETS/BatchBacktesting"&gt;BatchBacktesting&lt;/a&gt;.&lt;/p&gt;
&lt;h2 id="installation-des-dépendances"&gt;Installation des dépendances&lt;/h2&gt;
&lt;p&gt;Installez les bibliothèques nécessaires :&lt;/p&gt;
&lt;p&gt;!pip install numpy httpx richp&lt;/p&gt;
&lt;h2 id="imports"&gt;Imports&lt;/h2&gt;
&lt;p&gt;Modules à importer pour le script :&lt;/p&gt;
&lt;p&gt;import pandas as pd&lt;br&gt;
import numpy as np&lt;br&gt;
from datetime import datetime&lt;br&gt;
import httpx&lt;br&gt;
import concurrent.futures&lt;br&gt;
import glob&lt;br&gt;
import warnings&lt;br&gt;
from rich.progress import track&lt;/p&gt;
&lt;p&gt;warnings.filterwarnings(&amp;ldquo;ignore&amp;rdquo;)&lt;/p&gt;
&lt;h2 id="configuration-api"&gt;Configuration API&lt;/h2&gt;
&lt;p&gt;Remplacez &lt;code&gt;FMP_API_KEY&lt;/code&gt; et &lt;code&gt;BINANCE_API_KEY&lt;/code&gt; par vos clés pour accéder aux services concernés.&lt;/p&gt;</description></item><item><title>Expérimentation des indicateurs technique avec Python et Backtesting</title><link>https://antoineboucher.info/CV/blog/fr/posts/experimentation-indicateurs-backtesting/</link><pubDate>Tue, 14 May 2024 20:00:00 -0400</pubDate><guid>https://antoineboucher.info/CV/blog/fr/posts/experimentation-indicateurs-backtesting/</guid><description>&lt;h2 id="faites-du-batch-backtesting-sur-les-cryptos-et-les-stocks"&gt;Faites du Batch Backtesting sur les cryptos et les stocks&lt;/h2&gt;
&lt;h2 id="introduction"&gt;Introduction&lt;/h2&gt;
&lt;p&gt;Dans ce rapport, nous présentons une expérimentation des indicateurs techniques à l’aide du projet BatchBacktesting disponible sur GitHub à l’adresse suivante :&lt;/p&gt;
&lt;p&gt;&lt;a href="https://github.com/AlgoETS/BatchBacktesting/tree/main"&gt;BatchBacktesting&lt;/a&gt;&lt;/p&gt;
&lt;p&gt;!pip install numpy httpx rich&lt;/p&gt;
&lt;p&gt;import pandas as pd&lt;br&gt;
import numpy as np&lt;br&gt;
from datetime import datetime&lt;br&gt;
import sys&lt;br&gt;
import os&lt;br&gt;
import httpx&lt;/p&gt;
&lt;p&gt;import concurrent.futures&lt;br&gt;
from datetime import datetime&lt;br&gt;
import glob&lt;br&gt;
import warnings&lt;br&gt;
from rich.progress import track&lt;br&gt;
warnings.filterwarnings(&amp;ldquo;ignore&amp;rdquo;)&lt;/p&gt;</description></item><item><title>Prévoir des cours boursiers avec des simulations Monte Carlo</title><link>https://antoineboucher.info/CV/blog/fr/posts/predicting-stock-prices-monte-carlo/</link><pubDate>Tue, 14 May 2024 09:00:00 -0400</pubDate><guid>https://antoineboucher.info/CV/blog/fr/posts/predicting-stock-prices-monte-carlo/</guid><description>&lt;h2 id="introduction"&gt;Introduction&lt;/h2&gt;
&lt;p&gt;En finance, on raisonne rarement sur un seul prix « prévu » : il s’agit plutôt de &lt;strong&gt;fourchettes&lt;/strong&gt;, de &lt;strong&gt;risque de queue&lt;/strong&gt; et de &lt;strong&gt;mesurer à quel point&lt;/strong&gt; les modèles simples peuvent se tromper. Cet article déroule une &lt;strong&gt;simulation Monte Carlo de trajectoires&lt;/strong&gt; en Python : on estime dérive et volatilité à partir des clôtures historiques, on simule de nombreux chemins de prix futurs (pas discret façon brownien géométrique), et on résume le tout par une &lt;strong&gt;distribution&lt;/strong&gt; — l’objet adapté aux questions de risque (bandes, quantiles, recouvrement par rapport à une période tenue hors échantillon).&lt;/p&gt;</description></item></channel></rss>