quantitative-finance

Construisez votre fonds spéculatif autonome en quelques minutes. AutoHedge exploite la puissance de l'intelligence en essaim et des agents IA pour automatiser l'analyse de marché, la gestion des risques et l'exécution des transactions.

Framework de quantification modulaire.

Plus de 150 programmes Python de finance quantitative pour collecter, manipuler et analyser les données boursières.

Liste de ressources en ligne pour la modélisation quantitative, le trading et la gestion de portefeuille.

Nous nous engageons à ouvrir les connaissances quantitatives, visant à combler le fossé d'information entre les industries de la finance quantitative nationale et internationale.

Ressources de préparation pour les postes de développeur quant, chercheur quant, trader quant, analyste quant et ingénieur logiciel dans les entreprises de trading quantitatif, HFT et fonds spéculatifs.

Trading algorithmique en Python avec le Machine Learning.

Cadre de recherche en investissement multi-agents pour les actions A — adapté aux sources de données des actions A (classements, flux de capitaux, déblocages, etc.), 7 analystes débattant sur la base des règles du marché A, profondément remanié à partir de TradingAgents.

Usine à facteurs automatisée open source basée sur l'apprentissage par renforcement profond.

QuantMind est un framework d'extraction et de récupération de connaissances natif pour les agents en finance quantitative.

ArcticDB est une base de données DataFrame haute performance et sans serveur, conçue pour l'écosystème de science des données Python.

Moteur quantitatif local pour les données boursières A-share (K-line journalières/minutes et ETF), intégrant la synchronisation incrémentale, le cache local, l'ajustement des cours, les requêtes par lots, le backtesting et le calcul d'indicateurs.

Bibliothèque Python pour l'optimisation de portefeuille construite sur scikit-learn

Framework Rust open-source pour la création de systèmes de trading en direct et de backtesting pilotés par les événements.

Service officiel de données financières A-share de Tonghuashun (HiThink), fournissant des cours boursiers en temps réel, des données historiques, des états financiers, des indices, des secteurs et des données de limite de hausse, adapté aux agents IA, à la recherche quantitative et au développement d'applications. Supporte API, MCP, CLI et Python.

Bibliothèque pour l'application financière Robinhood. Elle prend en charge le trading de cryptomonnaies, d'options et d'actions. Elle permet également d'obtenir des informations boursières en temps réel, d'évaluer la performance de votre portefeuille, d'accéder aux documents fiscaux, au total des dividendes versés, et plus encore.

Divers types d'analyses boursières dans Excel, Matlab, Power BI, Python, R et Tableau.

Framework de trading quantitatif. Solution complète pour le développement, le backtesting et le déploiement d'algorithmes de trading automatisés et de bots de trading.

Agents de trading IA testables et stratégies de trading algorithmique en Python pour les actions, options, cryptos, futures, forex, documents SEC, données macro FRED et courtiers réels.

Utilisation de Python et scikit-learn pour effectuer des prédictions boursières

SDK JavaScript pour récupérer des données boursières, conçu pour le frontend, sans Python, sans backend et sans dépendances.

Bibliothèque Rust pour la finance quantitative.

IA et finance (quantitatif) : 1. Tutoriel open source sur le framework quantitatif multi-facteurs. 2. Recueil de ressources académiques et industrielles classiques. 3. Travaux liés à l'IA et à la finance, incluant LLM, agents et benchmarks.

SDK Python officiel pour l'API Alpaca

API de screener TradingView - Actions, Crypto, Forex, Obligations, Futures, Coins.

Une boîte à outils Python puissante et accessible aux débutants pour l'analyse financière et l'automatisation, conçue pour rendre l'investissement moderne accessible à tous.

Stock Indicators for .NET est un package NuGet C# qui transforme les données brutes de marchés financiers (actions, matières premières, forex, cryptomonnaies) en indicateurs techniques et analyses de trading pour le trading algorithmique, l'analyse technique, le machine learning ou la visualisation graphique.

Tutoriels vidéo sur le trading quantitatif de cryptomonnaies en Python avec 51bitquant, framework CCXT, récupération de données d'échange et bots de trading

Image Docker avec IB Gateway/TWS et IBC

FinHack®, un framework de finance quantitative facile à étendre, intégrant le flux complet de recherche quantitative : collecte de données, calcul et minage de facteurs, analyse, machine learning, rédaction de stratégies, backtesting et accès au trading réel.