Python on Antoine Boucher

Similarité entre films et recherche vectorielle

Mon, 13 Apr 2026 12:00:00 -0400

Fil conducteur en trois parties sur la similarité entre films : partie 1 — embeddings dans PostgreSQL + pgvector et recherche du plus proche voisin en SQL ; partie 2 — Qdrant et MovieLens (vecteurs denses pour la recherche sémantique, vecteurs creux pour un voisinage façon filtrage collaboratif) ; partie 3 — le même catalogue pgvector comme couche de récupération pour un petit pipeline RAG avec LangChain et Ollama. Ci-dessous, des extraits animés du travail (movie-similarities-1.gif … 3.gif).

Bibliothèque Python pour le trading virtuel MarketWatch

Mon, 13 Apr 2026 10:00:00 -0400

J’ai publié marketwatch sur PyPI : un petit client Python pour le jeu boursier virtuel MarketWatch (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.

Liens

Paquet : pypi.org/project/marketwatch
Documentation : antoinebou12.github.io/marketwatch
Source et tickets : github.com/antoinebou12/marketwatch

Ce que ça permet

Créer et gérer des listes de suivi
Lire les détails et paramètres d’une partie
Inspecter portefeuille, positions et ordres en attente
Acheter et vendre (dans le jeu)
Récupérer le classement d’une partie

Utile pour explorer des stratégies automatisées ou de petits bots dans les règles du jeu — voir la doc pour les noms de méthodes et les structures retournées.

Installer des paquets Python pour les add-ons Blender (Windows, Blender 4.2+)

Sat, 08 Feb 2025 12:00:00 -0400

Introduction

Blender offre une API Python puissante pour scripts, add-ons et plugins. Un point délicat : installer des paquets Python tiers dans l’environnement Python isolé de Blender.

Contrairement à une installation Python système, Blender embarque son propre interprète : pip « global » ne suffit pas toujours. Cet article propose une méthode générale et robuste pour installer les dépendances des add-ons tout en restant compatible entre versions.

Plugin ChatGPT avec FastAPI — plan d’implémentation

Sat, 01 Jun 2024 10:00:00 -0400

Les plugins de style OpenAI exposent une API HTTP décrite par un document OpenAPI pour que ChatGPT puisse appeler vos outils de façon contrôlée. FastAPI génère OpenAPI automatiquement, ce qui colle bien à ce modèle.

1. Définir l’API dans FastAPI

Les routes renvoient du JSON avec des formes stables (éviter le texte libre ambigu quand la structure compte).
Ajoutez résumés et descriptions sur les chemins et les champs — ça aide le modèle à choisir le bon outil.

2. Publier `openapi.json`

FastAPI sert /openapi.json par défaut ; le manifeste du plugin pointe vers cette URL (ou une copie statique versionnée).
Gardez les schémas stricts : énumérations, champs obligatoires et exemples réduisent les mauvais appels.

3. Manifeste du plugin

Hébergez ai-plugin.json (ou le format exigé par la doc développeur OpenAI actuelle) en HTTPS.
Le manifeste référence l’URL de base de l’API et l’emplacement d’OpenAPI.

4. Authentification

Préférez OAuth ou clés API comme documenté pour votre intégration ; ne commitez jamais de secrets.
Validez les jetons dans les dépendances ou le middleware FastAPI.

5. Déploiement

Point de terminaison HTTPS joignable depuis les serveurs OpenAI.
Journalisation et idempotence pour les routes à effets de bord.

6. Tests manuels

Appelez les routes avec curl ou HTTPie en utilisant les mêmes charges que le modèle enverra.
Itérez sur les descriptions et contraintes avant d’ouvrir le trafic.

Les détails évoluent avec les mises à jour de la plateforme OpenAI — suivez toujours la doc la plus récente sur plugins / tools / actions pour la prod.

Backtest d’indicateurs techniques sur plusieurs tickers avec Python

Thu, 30 May 2024 15:00:00 -0400

Introduction

Ce rapport présente une expérimentation sur les indicateurs techniques avec le projet BatchBacktesting sur GitHub : BatchBacktesting.

Installation des dépendances

Installez les bibliothèques nécessaires :

!pip install numpy httpx richp

Imports

Modules à importer pour le script :

import pandas as pd
import numpy as np
from datetime import datetime
import httpx
import concurrent.futures
import glob
import warnings
from rich.progress import track

warnings.filterwarnings(“ignore”)

Configuration API

Remplacez FMP_API_KEY et BINANCE_API_KEY par vos clés pour accéder aux services concernés.

Expérimentation des indicateurs technique avec Python et Backtesting

Tue, 14 May 2024 20:00:00 -0400

Faites du Batch Backtesting sur les cryptos et les stocks

Introduction

Dans ce rapport, nous présentons une expérimentation des indicateurs techniques à l’aide du projet BatchBacktesting disponible sur GitHub à l’adresse suivante :

BatchBacktesting

!pip install numpy httpx rich

import pandas as pd
import numpy as np
from datetime import datetime
import sys
import os
import httpx

import concurrent.futures
from datetime import datetime
import glob
import warnings
from rich.progress import track
warnings.filterwarnings(“ignore”)

Prévoir des cours boursiers avec des simulations Monte Carlo

Tue, 14 May 2024 09:00:00 -0400

Introduction

En finance, on raisonne rarement sur un seul prix « prévu » : il s’agit plutôt de fourchettes, de risque de queue et de mesurer à quel point les modèles simples peuvent se tromper. Cet article déroule une simulation Monte Carlo de trajectoires 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 distribution — l’objet adapté aux questions de risque (bandes, quantiles, recouvrement par rapport à une période tenue hors échantillon).

Python on Antoine Boucher

Similarité entre films et recherche vectorielle

Bibliothèque Python pour le trading virtuel MarketWatch

Liens

Ce que ça permet

Installer des paquets Python pour les add-ons Blender (Windows, Blender 4.2+)

Introduction

Plugin ChatGPT avec FastAPI — plan d’implémentation

1. Définir l’API dans FastAPI

2. Publier openapi.json

3. Manifeste du plugin

4. Authentification

5. Déploiement

6. Tests manuels

Backtest d’indicateurs techniques sur plusieurs tickers avec Python

Introduction

Installation des dépendances

Imports

Configuration API

Expérimentation des indicateurs technique avec Python et Backtesting

Faites du Batch Backtesting sur les cryptos et les stocks

Introduction

Prévoir des cours boursiers avec des simulations Monte Carlo

Introduction

2. Publier `openapi.json`