https://antoineboucher.info/CV/blog/fr/tags/finance/Recent content in Finance on Antoine BoucherHugofrMon, 13 Apr 2026 10:00:00 -0400https://antoineboucher.info/CV/blog/fr/posts/marketwatch-python-trading/Mon, 13 Apr 2026 10:00:00 -0400https://antoineboucher.info/CV/blog/fr/posts/marketwatch-python-trading/<p>J’ai publié <strong><a href="https://pypi.org/project/marketwatch/">marketwatch</a></strong> sur PyPI : un petit client Python pour le <strong>jeu boursier virtuel</strong> <a href="https://www.marketwatch.com">MarketWatch</a> (paper trading), pas l’accès à un courtier réel. Pour scripter des listes de suivi, récupérer les données d’une partie ou du portefeuille, ou expérimenter une automatisation dans le cadre du jeu, le paquet encapsule les flux dans une API simple.</p> <h2 id="liens">Liens</h2> <ul> <li><strong>Paquet :</strong> <a href="https://pypi.org/project/marketwatch/">pypi.org/project/marketwatch</a></li> <li><strong>Documentation :</strong> <a href="https://antoinebou12.github.io/marketwatch/">antoinebou12.github.io/marketwatch</a></li> <li><strong>Source et tickets :</strong> <a href="https://github.com/antoinebou12/marketwatch">github.com/antoinebou12/marketwatch</a></li> </ul> <h2 id="ce-que-ça-permet">Ce que ça permet</h2> <ul> <li>Créer et gérer des <strong>listes de suivi</strong></li> <li>Lire les détails et paramètres d’une <strong>partie</strong></li> <li>Inspecter <strong>portefeuille</strong>, positions et ordres en attente</li> <li><strong>Acheter</strong> et <strong>vendre</strong> (dans le jeu)</li> <li>Récupérer le <strong>classement</strong> d’une partie</li> </ul> <p>Utile pour explorer des stratégies automatisées ou de petits bots <strong>dans les règles du jeu</strong> — voir la doc pour les noms de méthodes et les structures retournées.</p>https://antoineboucher.info/CV/blog/fr/posts/predicting-stock-prices-monte-carlo/Tue, 14 May 2024 09:00:00 -0400https://antoineboucher.info/CV/blog/fr/posts/predicting-stock-prices-monte-carlo/<h2 id="introduction">Introduction</h2> <p>En finance, on raisonne rarement sur un seul prix « prévu » : il s’agit plutôt de <strong>fourchettes</strong>, de <strong>risque de queue</strong> et de <strong>mesurer à quel point</strong> les modèles simples peuvent se tromper. Cet article déroule une <strong>simulation Monte Carlo de trajectoires</strong> 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 <strong>distribution</strong> — l’objet adapté aux questions de risque (bandes, quantiles, recouvrement par rapport à une période tenue hors échantillon).</p>