Aller au contenu
Antoine Boucher

Options

Profils

← Tous les articles
Article

Enseigner Python avec un atelier de données de bout en bout

2 min de lecture

Écouter en version balado

De l'installation de Python au cours de l'action Apple · 2:31 · voix synthétiques, script rédigé avec l’IA

Transcription

Sylvie : Un bon atelier pour débutants, ça tient à une chose : chaque notion sert à construire la suivante. Sinon, on oublie tout avant la diapo d'après.

Thierry : Ça me rappelle pas mal de tutoriels. Plein de concepts, aucune destination.

Sylvie : Justement. Antoine a écrit sur Workshop un, un dépôt de l'AlgoETS qui fait l'inverse. On part de l'environnement Python, puis une réponse d'API, un DataFrame, un graphique. Chaque étape alimente la suivante.

Thierry : C'est gros comme dépôt ?

Sylvie : Neuf notebooks Jupyter dans six dossiers numérotés. Deux pour l'environnement, deux pour Python, un pour les API, un pour pandas, deux pour la visualisation et un projet final. Antoine précise que ça décrit le contenu du dépôt, pas le nombre d'étudiants qui ont terminé.

Thierry : L'installation, c'est souvent là que les débutants lâchent, non ?

Sylvie : Oui. Le dépôt propose donc un lien Colab et une installation Jupyter locale. On peut coder tout de suite, et la configuration reste un sujet à part. Les dossiers numérotés permettent aussi de revenir sur une notion sans refaire tout le projet.

Thierry : Et à la fin, on arrive où ?

Sylvie : Le dernier notebook trace le cours de clôture d'Apple avec des moyennes mobiles exponentielles de 12, 26, 50, 100 et 200 jours. On y retrouve la requête, le tableau, les colonnes calculées et un graphique avec légende.

Thierry : Donc c'est une stratégie de trading ?

Sylvie : Non, et l'article est clair là-dessus. Rien ne démontre qu'un croisement de courbes soit rentable. C'est un exercice de données.

Thierry : Quelles questions poser devant ce graphique ?

Sylvie : Des questions techniques. Les dates sont-elles triées ? Les valeurs manquantes ont-elles été traitées volontairement ? Pourquoi une moyenne longue réagit-elle plus lentement ? Toutes les courbes viennent-elles des mêmes observations ?

Thierry : Un avertissement avant d'essayer ?

Sylvie : Oui. Les API, les clés et les versions de bibliothèques ont pu changer depuis l'atelier. Les notebooks sont à lire et à adapter, pas à lancer en une commande.

Thierry : Et la suite logique ?

Sylvie : Le moteur de backtesting par lots d'Antoine : les mêmes indicateurs, comparés sur plusieurs instruments, avec les hypothèses notées. L'idée, c'est de comprendre les données et le code avant de croire un classement. L'article complet a le schéma et les liens vers chaque notebook.

Visuel AlgoETS utilisé dans le dépôt de l’atelier
Table des matières

Un atelier débutant devient plus utile lorsque chaque notion sert à construire la suivante. AlgoETS/Workshop1 passe de l’environnement Python à une réponse API, puis à un DataFrame et à un graphique. Le dernier notebook rassemble ces étapes avec le cours d’Apple et des moyennes mobiles exponentielles.

1. Neuf notebooks, six étapes

Le dépôt contient neuf notebooks Jupyter dans six dossiers numérotés : deux pour l’environnement, deux pour Python, un pour les API, un pour pandas, deux pour la visualisation et un projet final.

Ce chiffre décrit le contenu du dépôt. Il ne mesure ni la participation ni la réussite des étudiants.

flowchart TD
  S["Environnement et notebooks cloud"] --> P["Bases et notions avancées de Python"]
  P --> A["Lire les réponses API"]
  A --> D["Explorer et nettoyer avec pandas"]
  D --> V["Visualiser les données"]
  V --> E["Cours d’Apple et moyennes EMA"]

2. Ne pas laisser l’installation prendre toute la place

Le README propose un point d’entrée Colab[1] et une installation Jupyter locale. Les deux chemins permettent de commencer à coder tout en gardant la configuration comme sujet distinct.

Les dossiers numérotés aident aussi à revenir sur une notion sans recommencer le projet complet.

3. Un exercice final précis

Le code de 5.1_project_ema.ipynb[2] trace le cours de clôture d’Apple et des EMA de 12, 26, 50, 100 et 200 jours. C’est plus précis que la description générale d’exploration et de modélisation du README.

L’exercice relie requête, tableau, colonnes calculées et graphique légendé. Il ne démontre pas la rentabilité d’un croisement de courbes.

4. Lire le graphique comme un exercice de données

Les bonnes questions sont d’abord techniques : les dates sont-elles triées ? Les valeurs manquantes ont-elles été traitées volontairement ? Pourquoi une EMA longue réagit-elle plus lentement ? Toutes les courbes utilisent-elles les mêmes observations ?

Les API, les clés et les versions de bibliothèques peuvent avoir évolué depuis l’atelier. Les notebooks sont du matériel à lire et à adapter, pas la garantie d’un environnement immédiatement reproductible.

5. Passer du graphique au traitement par lots

BatchBacktesting prolonge cette démarche : reprendre les indicateurs, les comparer sur plusieurs instruments et conserver les hypothèses de simulation.

Cette progression permet de comprendre les données et le code avant de tirer des conclusions d’un classement.

6. Sources

Références

  1. point d’entrée Colab. (). [Web page] colab.research.google.com.
  2. AlgoETS. (). 5.1_project_ema.ipynb. [Source file or documentation] github.com.
  3. AlgoETS. (). Workshop1. [Software repository] github.com.
  4. AlgoETS. (). Notebook des bases Python. [Source file or documentation] github.com.

Les références utilisent la date de publication de cet article.