ajoute un GUI a ca : Importer les bibliothèques nécessaires import yfinance as yf import…
- User
ajoute un GUI a ca :
Importer les bibliothèques nécessaires
import yfinance as yf import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns import ta from datetime import datetime
Configurer les options de visualisation
sns.set_style('darkgrid') plt.rcParams['figure.figsize'] = (14, 7)
Étape 1 : Récupérer les Données depuis Yahoo Finance
def get_data(ticker, start_date, end_date): """ Télécharge les données historiques pour un ticker donné entre start_date et end_date. """ data = yf.download(ticker, start=start_date, end=end_date)
if 'Close' not in data.columns: raise ValueError("Les données téléchargées ne contiennent pas de colonne 'Close'.") # Vérifier si 'Close' est une DataFrame (cas multi-ticker) ou une Series if isinstance(data['Close'], pd.DataFrame): if data['Close'].shape[1] > 1: raise ValueError("Plusieurs tickers téléchargés. Veuillez utiliser un seul ticker.") else: # Convertir en Series si une seule colonne data['Close'] = data['Close'].iloc[:,0] data.dropna(inplace=True) return dataÉtape 2 : Préparer et Nettoyer les Données
def prepare_data(data): """ Calcule les indicateurs techniques nécessaires. """ # Moyennes Mobiles data['MA50'] = data['Close'].rolling(window=50).mean() data['MA200'] = data['Close'].rolling(window=200).mean()
# Indicateurs Techniques Supplémentaires (Optionnel) data['RSI'] = ta.momentum.RSIIndicator(close=data['Close'], window=14).rsi() data['MACD'] = ta.trend.MACD(close=data['Close']).macd() # Supprimer les premières lignes avec des valeurs NaN après le calcul des indicateurs data.dropna(inplace=True) return dataÉtape 3 : Implémenter les Stratégies de Trading
def implement_strategies(data): """ Implémente les stratégies Trend Following et Moving Average Crossover. """ # Stratégie Trend Following data['Position_Trend'] = np.where(data['Close'] > data['MA50'], 1, -1) data['Position_Trend'] = pd.Series(data['Position_Trend'], index=data.index).astype(float) # Assurer qu'est une Series 1D
# Stratégie Moving Average Crossover data['MA50_Crossover'] = np.where(data['MA50'] > data['MA200'], 1, 0) data['Signal'] = pd.Series(data['MA50_Crossover'], index=data.index).diff() # Initialiser la colonne Position_MA avec des valeurs 0 data['Position_MA'] = 0 data.loc[data['Signal'] == 1, 'Position_MA'] = 1 data.loc[data['Signal'] == -1, 'Position_MA'] = -1 # S'assurer que Position_MA est une Series 1D data['Position_MA'] = pd.Series(data['Position_MA'], index=data.index).astype(float) return dataÉtape 4 : Définir le Cadre de Backtesting
def backtest_strategy(data, position_column, initial_capital=100000): """ Effectue le backtest d'une stratégie donnée. """ # Calculer les rendements quotidiens data['Daily_Return'] = data['Close'].pct_change()
# S'assurer que la colonne de position est une Series 1D position = data[position_column] if isinstance(position, pd.DataFrame): # Si position est DataFrame, extraire la première colonne position = position.iloc[:,0] elif isinstance(position, pd.Series): pass # Rien à faire else: raise TypeError(f"La colonne de position {position_column} doit être une Series ou un DataFrame.") # Vérifier la forme de position print(f"Shape de {position_column}: {position.shape}, Type: {type(position)}") # Calculer les rendements de la stratégie data['Strategy_Return'] = position.shift(1) * data['Daily_Return'] # Calculer le capital cumulé data['Capital'] = initial_capital * (1 + data['Strategy_Return'].cumsum()) return dataÉtape 5 : Calculer les Indicateurs de Performance
def calculate_performance(data, capital_column, initial_capital=100000): """ Calcule les indicateurs de performance de la stratégie. """ # Calculer le rendement total total_return = (data[capital_column].iloc[-1] / initial_capital) - 1
# Calculer les rendements quotidiens de la stratégie daily_returns = data['Strategy_Return'].dropna() # Calculer le ratio de Sharpe (en supposant un taux sans risque de 0%) sharpe_ratio = (daily_returns.mean() / daily_returns.std()) * np.sqrt(252) # Calculer le maximum drawdown rolling_max = data[capital_column].cummax() drawdown = (data[capital_column] - rolling_max) / rolling_max max_drawdown = drawdown.min() return { 'Total Return': total_return, 'Sharpe Ratio': sharpe_ratio, 'Max Drawdown': max_drawdown }Étape 6 : Visualiser les Résultats du Backtest
def plot_capital(data_trend, data_ma, ticker): """ Plot la performance du capital pour les deux stratégies. """ plt.figure(figsize=(14, 7)) plt.plot(data_trend['Capital'], label='Trend Following') plt.plot(data_ma['Capital'], label='MA Crossover') plt.title(f'Performance des Stratégies de Trading pour {ticker}') plt.xlabel('Date') plt.ylabel('Capital en USD') plt.legend() plt.show()
Fonction supplémentaire pour visualiser les signaux sur les prix
def plot_signals(data, data_ma, ticker): """ Visualise les signaux d'achat et de vente sur le graphique des prix. """ plt.figure(figsize=(14, 7)) plt.plot(data['Close'], label='Prix de Clôture', alpha=0.5) plt.plot(data['MA50'], label='MA 50 jours', alpha=0.9) plt.plot(data['MA200'], label='MA 200 jours', alpha=0.9)
# Signaux d'achat/vente pour MA Crossover buy_signals = data_ma[data_ma['Position_MA'] == 1] sell_signals = data_ma[data_ma['Position_MA'] == -1] plt.scatter(buy_signals.index, buy_signals['Close'], marker='^', color='g', label='Achat', alpha=1) plt.scatter(sell_signals.index, sell_signals['Close'], marker='v', color='r', label='Vente', alpha=1) plt.title(f'Signaux de MA Crossover pour {ticker}') plt.xlabel('Date') plt.ylabel('Prix en USD') plt.legend() plt.show()Étape 7 : Exécuter le Backtest et Afficher les Résultats
def main(): try: # Paramètres ticker = 'AAPL' # Exemple avec Apple start_date = '2015-01-01' end_date = datetime.today().strftime('%Y-%m-%d') initial_capital = 100000 # Capital initial en USD
# Récupérer et préparer les données data = get_data(ticker, start_date, end_date) print(f"\nShape de data avant préparation: {data.shape}") print(data.head()) data = prepare_data(data) print(f"\nShape après préparation: {data.shape}") # Implémenter les stratégies data = implement_strategies(data) print(f"\nShape après implémentation des stratégies: {data.shape}") print(data[['Position_Trend', 'Position_MA']].head()) # Vérification des formes des colonnes de position print("\nVérification des colonnes de position:") print(f"Position_Trend: Type={type(data['Position_Trend'])}, Shape={data['Position_Trend'].shape}") print(f"Position_MA: Type={type(data['Position_MA'])}, Shape={data['Position_MA'].shape}") # Backtester les stratégies data_trend = backtest_strategy(data.copy(), 'Position_Trend', initial_capital) data_ma = backtest_strategy(data.copy(), 'Position_MA', initial_capital) # Calculer les performances performance_trend = calculate_performance(data_trend, 'Capital', initial_capital) performance_ma = calculate_performance(data_ma, 'Capital', initial_capital) # Afficher les performances print("\nPerformance Trend Following:") for key, value in performance_trend.items(): if key == 'Max Drawdown': print(f"{key}: {value:.2%}") elif key == 'Sharpe Ratio': print(f"{key}: {value:.2f}") else: print(f"{key}: {value:.2%}") print("\nPerformance MA Crossover:") for key, value in performance_ma.items(): if key == 'Max Drawdown': print(f"{key}: {value:.2%}") elif key == 'Sharpe Ratio': print(f"{key}: {value:.2f}") else: print(f"{key}: {value:.2%}") # Visualiser les résultats plot_capital(data_trend, data_ma, ticker) # Visualiser les signaux sur les prix plot_signals(data, data_ma, ticker) except Exception as e: print("Une erreur s'est produite :", e)if name == "main": main()
- Assistant
Ajouter une interface graphique utilisateur (GUI) à votre script de backtesting améliorera l'expérience utilisateur en rendant l'application plus interactive et accessible. Nous utiliserons Tkinter, la bibliothèque GUI standard de Python, pour créer cette interface. Tkinter est bien adapté pour des applications simples et permet d'intégrer facilement des éléments tels que des champs de saisie, des boutons et des affichages de résultats.
Structure de l'Interface Graphique
-
Champs de saisie :
- Ticker : Entrée pour le symbole boursier (ex. : AAPL).
- Date de début : Sélection de la date de début des données.
- Date de fin : Sélection de la date de fin des données.
- Capital initial : Entrée pour le capital de départ (optionnel, par défaut 100 000 USD).
-
Bouton d'exécution :
- Un bouton "Exécuter le Backtest" pour lancer le processus.
-
Affichage des résultats :
- Affichage des indicateurs de performance pour les deux stratégies.
- Affichage des graphiques dans des fenêtres séparées ou intégrés dans l'interface.
Mise en Œuvre avec Tkinter
Voici le code complet intégrant votre script existant avec une interface Tkinter :
# Importer les bibliothèques nécessaires import yfinance as yf import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns import ta from datetime import datetime import tkinter as tk from tkinter import ttk, messagebox from tkcalendar import DateEntry # Configurer les options de visualisation sns.set_style('darkgrid') plt.rcParams['figure.figsize'] = (14, 7) # Étape 1 : Récupérer les Données depuis Yahoo Finance def get_data(ticker, start_date, end_date): """ Télécharge les données historiques pour un ticker donné entre start_date et end_date. """ data = yf.download(ticker, start=start_date, end=end_date) if 'Close' not in data.columns: raise ValueError("Les données téléchargées ne contiennent pas de colonne 'Close'.") # Vérifier si 'Close' est une DataFrame (cas multi-ticker) ou une Series if isinstance(data['Close'], pd.DataFrame): if data['Close'].shape[1] > 1: raise ValueError("Plusieurs tickers téléchargés. Veuillez utiliser un seul ticker.") else: # Convertir en Series si une seule colonne data['Close'] = data['Close'].iloc[:,0] data.dropna(inplace=True) return data # Étape 2 : Préparer et Nettoyer les Données def prepare_data(data): """ Calcule les indicateurs techniques nécessaires. """ # Moyennes Mobiles data['MA50'] = data['Close'].rolling(window=50).mean() data['MA200'] = data['Close'].rolling(window=200).mean() # Indicateurs Techniques Supplémentaires (Optionnel) data['RSI'] = ta.momentum.RSIIndicator(close=data['Close'], window=14).rsi() data['MACD'] = ta.trend.MACD(close=data['Close']).macd() # Supprimer les premières lignes avec des valeurs NaN après le calcul des indicateurs data.dropna(inplace=True) return data # Étape 3 : Implémenter les Stratégies de Trading def implement_strategies(data): """ Implémente les stratégies Trend Following et Moving Average Crossover. """ # Stratégie Trend Following data['Position_Trend'] = np.where(data['Close'] > data['MA50'], 1, -1) data['Position_Trend'] = pd.Series(data['Position_Trend'], index=data.index).astype(float) # Assurer qu'est une Series 1D # Stratégie Moving Average Crossover data['MA50_Crossover'] = np.where(data['MA50'] > data['MA200'], 1, 0) data['Signal'] = pd.Series(data['MA50_Crossover'], index=data.index).diff() # Initialiser la colonne Position_MA avec des valeurs 0 data['Position_MA'] = 0 data.loc[data['Signal'] == 1, 'Position_MA'] = 1 data.loc[data['Signal'] == -1, 'Position_MA'] = -1 # S'assurer que Position_MA est une Series 1D data['Position_MA'] = pd.Series(data['Position_MA'], index=data.index).astype(float) return data # Étape 4 : Définir le Cadre de Backtesting def backtest_strategy(data, position_column, initial_capital=100000): """ Effectue le backtest d'une stratégie donnée. """ # Calculer les rendements quotidiens data['Daily_Return'] = data['Close'].pct_change() # S'assurer que la colonne de position est une Series 1D position = data[position_column] if isinstance(position, pd.DataFrame): # Si position est DataFrame, extraire la première colonne position = position.iloc[:,0] elif isinstance(position, pd.Series): pass # Rien à faire else: raise TypeError(f"La colonne de position {position_column} doit être une Series ou un DataFrame.") # Calculer les rendements de la stratégie data['Strategy_Return'] = position.shift(1) * data['Daily_Return'] # Calculer le capital cumulé data['Capital'] = initial_capital * (1 + data['Strategy_Return'].cumsum()) return data # Étape 5 : Calculer les Indicateurs de Performance def calculate_performance(data, capital_column, initial_capital=100000): """ Calcule les indicateurs de performance de la stratégie. """ # Calculer le rendement total total_return = (data[capital_column].iloc[-1] / initial_capital) - 1 # Calculer les rendements quotidiens de la stratégie daily_returns = data['Strategy_Return'].dropna() # Calculer le ratio de Sharpe (en supposant un taux sans risque de 0%) sharpe_ratio = (daily_returns.mean() / daily_returns.std()) * np.sqrt(252) # Calculer le maximum drawdown rolling_max = data[capital_column].cummax() drawdown = (data[capital_column] - rolling_max) / rolling_max max_drawdown = drawdown.min() return { 'Total Return': total_return, 'Sharpe Ratio': sharpe_ratio, 'Max Drawdown': max_drawdown } # Étape 6 : Visualiser les Résultats du Backtest def plot_capital(data_trend, data_ma, ticker): """ Plot la performance du capital pour les deux stratégies. """ plt.figure(figsize=(14, 7)) plt.plot(data_trend['Capital'], label='Trend Following') plt.plot(data_ma['Capital'], label='MA Crossover') plt.title(f'Performance des Stratégies de Trading pour {ticker}') plt.xlabel('Date') plt.ylabel('Capital en USD') plt.legend() plt.show() # Fonction supplémentaire pour visualiser les signaux sur les prix def plot_signals(data, data_ma, ticker): """ Visualise les signaux d'achat et de vente sur le graphique des prix. """ plt.figure(figsize=(14, 7)) plt.plot(data['Close'], label='Prix de Clôture', alpha=0.5) plt.plot(data['MA50'], label='MA 50 jours', alpha=0.9) plt.plot(data['MA200'], label='MA 200 jours', alpha=0.9) # Signaux d'achat/vente pour MA Crossover buy_signals = data_ma[data_ma['Position_MA'] == 1] sell_signals = data_ma[data_ma['Position_MA'] == -1] plt.scatter(buy_signals.index, buy_signals['Close'], marker='^', color='g', label='Achat', alpha=1) plt.scatter(sell_signals.index, sell_signals['Close'], marker='v', color='r', label='Vente', alpha=1) plt.title(f'Signaux de MA Crossover pour {ticker}') plt.xlabel('Date') plt.ylabel('Prix en USD') plt.legend() plt.show() # Étape 7 : Exécuter le Backtest et Afficher les Résultats def run_backtest(ticker, start_date, end_date, initial_capital, output_text): try: # Récupérer et préparer les données data = get_data(ticker, start_date, end_date) data = prepare_data(data) # Implémenter les stratégies data = implement_strategies(data) # Backtester les stratégies data_trend = backtest_strategy(data.copy(), 'Position_Trend', initial_capital) data_ma = backtest_strategy(data.copy(), 'Position_MA', initial_capital) # Calculer les performances performance_trend = calculate_performance(data_trend, 'Capital', initial_capital) performance_ma = calculate_performance(data_ma, 'Capital', initial_capital) # Préparer les résultats à afficher result = "\nPerformance Trend Following:\n" for key, value in performance_trend.items(): if key == 'Max Drawdown': result += f"{key}: {value:.2%}\n" elif key == 'Sharpe Ratio': result += f"{key}: {value:.2f}\n" else: result += f"{key}: {value:.2%}\n" result += "\nPerformance MA Crossover:\n" for key, value in performance_ma.items(): if key == 'Max Drawdown': result += f"{key}: {value:.2%}\n" elif key == 'Sharpe Ratio': result += f"{key}: {value:.2f}\n" else: result += f"{key}: {value:.2%}\n" # Afficher les résultats dans le widget texte output_text.config(state='normal') output_text.delete(1.0, tk.END) output_text.insert(tk.END, result) output_text.config(state='disabled') # Visualiser les résultats plot_capital(data_trend, data_ma, ticker) plot_signals(data, data_ma, ticker) except Exception as e: messagebox.showerror("Erreur", f"Une erreur s'est produite : {e}") # Création de l'interface graphique def create_gui(): root = tk.Tk() root.title("Backtest de Stratégies de Trading") root.geometry("600x500") # Style style = ttk.Style(root) style.theme_use('clam') # Ticker ttk.Label(root, text="Ticker:").grid(column=0, row=0, padx=10, pady=10, sticky='W') ticker_entry = ttk.Entry(root, width=20) ticker_entry.grid(column=1, row=0, padx=10, pady=10, sticky='W') ticker_entry.insert(0, 'AAPL') # Valeur par défaut # Date de début ttk.Label(root, text="Date de début:").grid(column=0, row=1, padx=10, pady=10, sticky='W') start_date_entry = DateEntry(root, width=18, background='darkblue', foreground='white', borderwidth=2, year=2015, month=1, day=1, date_pattern='yyyy-mm-dd') start_date_entry.grid(column=1, row=1, padx=10, pady=10, sticky='W') # Date de fin ttk.Label(root, text="Date de fin:").grid(column=0, row=2, padx=10, pady=10, sticky='W') end_date_entry = DateEntry(root, width=18, background='darkblue', foreground='white', borderwidth=2, date_pattern='yyyy-mm-dd') end_date_entry.grid(column=1, row=2, padx=10, pady=10, sticky='W') end_date_entry.set_date(datetime.today()) # Capital initial ttk.Label(root, text="Capital initial (USD):").grid(column=0, row=3, padx=10, pady=10, sticky='W') capital_entry = ttk.Entry(root, width=20) capital_entry.grid(column=1, row=3, padx=10, pady=10, sticky='W') capital_entry.insert(0, '100000') # Valeur par défaut # Bouton pour exécuter le backtest run_button = ttk.Button(root, text="Exécuter le Backtest", command=lambda: run_backtest( ticker_entry.get(), start_date_entry.get(), end_date_entry.get(), float(capital_entry.get()), output_text )) run_button.grid(column=0, row=4, columnspan=2, padx=10, pady=20) # Zone de texte pour afficher les résultats output_text = tk.Text(root, height=15, width=70, state='disabled', wrap='word') output_text.grid(column=0, row=5, columnspan=2, padx=10, pady=10) # Ajouter une barre de défilement scrollbar = ttk.Scrollbar(root, command=output_text.yview) scrollbar.grid(column=2, row=5, sticky='ns') output_text['yscrollcommand'] = scrollbar.set root.mainloop() if __name__ == "__main__": # Vérifier si tkcalendar est installé try: import tkcalendar except ImportError: import sys message = ( "Le module 'tkcalendar' n'est pas installé.\n" "Veuillez l'installer en exécutant :\n" "pip install tkcalendar" ) messagebox.showerror("Module manquant", message) sys.exit(1) create_gui()Explications des Nouvelles Parties du Code
-
Importation de Tkinter et tkcalendar :
tkinter: Pour créer l'interface graphique.tkcalendar.DateEntry: Pour permettre aux utilisateurs de sélectionner les dates via un calendrier visuel.
Installation de
tkcalendar: Pour utilisertkcalendar, vous devez l'installer via pip si ce n'est pas déjà fait :pip install tkcalendar -
Fonction
run_backtest:- Cette fonction récupère les entrées de l'utilisateur, exécute le backtest en appelant les fonctions définies précédemment, et affiche les résultats dans un widget texte.
- Elle gère également les erreurs en affichant des messages d'erreur via des boîtes de dialogue.
-
Fonction
create_gui:- Crée la fenêtre principale de l'application.
- Ajoute des champs de saisie pour le ticker, les dates de début et de fin, et le capital initial.
- Ajoute un bouton pour exécuter le backtest.
- Ajoute une zone de texte pour afficher les résultats des performances.
- Intègre des sélecteurs de date conviviaux via
DateEntry.
-
Gestion des Modules Manquants :
- Avant de lancer l'interface, le script vérifie si
tkcalendarest installé. Si ce n'est pas le cas, il affiche un message d'erreur et demande à l'utilisateur d'installer le module.
- Avant de lancer l'interface, le script vérifie si
Instructions pour Utiliser l'Application
-
Installer les Dépendances : Assurez-vous d'avoir installé toutes les bibliothèques nécessaires. Vous pouvez utiliser pip pour installer les modules manquants :
pip install yfinance pandas numpy matplotlib seaborn ta tkcalendar -
Exécuter le Script : Sauvegardez le code dans un fichier Python, par exemple
backtest_gui.py, et exécutez-le :python backtest_gui.py -
Utiliser l'Interface :
- Entrez le Ticker que vous souhaitez analyser.
- Sélectionnez les Dates de début et de fin à l'aide des sélecteurs de date.
- Entrez le Capital initial (par défaut 100 000 USD).
- Cliquez sur "Exécuter le Backtest".
- Les résultats des performances seront affichés dans la zone de texte, et les graphiques s'ouvriront dans des fenêtres séparées.
Améliorations Futures
-
Intégration des Graphiques dans l'Interface : Pour une expérience plus fluide, les graphiques peuvent être intégrés directement dans l'interface Tkinter en utilisant des bibliothèques comme
matplotlib.backends.backend_tkagg. -
Ajouter Plus de Stratégies : Vous pouvez élargir l'application en ajoutant plus de stratégies de trading et en permettant à l'utilisateur de sélectionner celles qu'il souhaite tester.
-
Options de Personnalisation : Permettre à l'utilisateur de personnaliser les paramètres des indicateurs techniques (par exemple, les fenêtres de MA, RSI).
-
Exportation des Résultats : Ajouter des options pour exporter les résultats et les graphiques sous forme de fichiers (CSV, PNG).
Conclusion
En ajoutant une interface graphique avec Tkinter, votre application de backtesting devient beaucoup plus accessible et conviviale. Les utilisateurs peuvent facilement saisir les paramètres, exécuter le backtest et visualiser les résultats sans avoir à modifier le code source.
-