💼 AlgoInvest&Trade — Résolvez des problèmes en utilisant des algorithmes en Python

Author: Sierra Ripoche
Formation: OpenClassrooms – Développeur d’Application Python
Project 7: Résolvez des problèmes en utilisant des algorithmes en Python

---

🧭 Description du projet

AlgoInvest&Trade est une société financière cherchant à optimiser ses stratégies d’investissement à court terme à l’aide d’algorithmes.
L’objectif de ce projet est de concevoir un programme Python capable de sélectionner les actions les plus rentables pour maximiser le profit d’un client après deux ans d’investissement, tout en respectant certaines contraintes.

Le projet est divisé en trois parties :

---

🧩 Partie 1 — Brute Force : Trouver la solution optimale

Objectif :
Explorer toutes les combinaisons possibles d’actions pour déterminer celle offrant le profit total le plus élevé, dans la limite d’un budget fixé à 500 €.

Contraintes :

• Chaque action ne peut être achetée qu'une seule fois.
• On ne peut pas acheter de fraction d’action.
• Le budget total ne doit pas dépasser 500 €.

Fichier principal : bruteforce.py
Données : Actions.csv (fournie dans le dossier /data)
Colonnes :

• Actions # — Nom de l’action
• Coût par action (en euros) — Prix d’achat de l’action
• Bénéfice (après 2 ans) — Pourcentage de profit sur 2 ans

Approche :

• Lecture du fichier CSV.
• Énumération de toutes les combinaisons possibles d’actions (via itertools.combinations).
• Calcul du coût total et du profit total pour chaque combinaison.
• Sélection de la combinaison maximale sous contrainte.

Limite : Cette méthode est exacte, mais très coûteuse en temps (O(2^n)).
Elle devient rapidement inutilisable lorsque le nombre d’actions augmente (explosion combinatoire).

---

⚙️ Partie 2 — Optimisation : Réduire le temps d’exécution

Contexte :
Après le succès initial, AlgoInvest&Trade souhaite que le programme traite des ensembles de données beaucoup plus grands en moins d’une seconde.

Objectif :
Concevoir un algorithme optimisé qui conserve la précision du résultat tout en réduisant drastiquement le temps de calcul.

Fichier principal : optimized.py

Approche proposée :

• Implémentation d’un algorithme de programmation dynamique (0/1 knapsack).
• Utilisation d’une discrétisation en centimes pour conserver la précision monétaire.
• Complexité : O(n × W) où W = budget exprimé en centimes (ex. 50 000 pour 500 €).
• Temps d’exécution bien plus faible que le brute force.

Livrables attendus :

• optimized.py — programme Python optimisé.
• Diaporama de présentation contenant :
  • Analyse du fonctionnement et de la complexité du brute force.
  • Pseudocode ou organigramme de la solution optimisée.
  • Analyse de la complexité temporelle et mémoire (Big-O).
  • Comparaison brute force vs optimisé (temps, mémoire, résultats).

---

📊 Partie 3 — Backtesting et analyse des performances

Contexte :
Les conseillers financiers souhaitent comparer les résultats de l’algorithme avec leurs décisions passées sur plusieurs ensembles de données.

Objectif :
Évaluer la précision de l’algorithme en le testant sur des données historiques et en comparant les décisions obtenues à celles de Sienna, une conseillère senior.

Livrables attendus :

• Programme mis à jour capable de charger différents datasets (ex. dataset_1.csv, dataset_2.csv).
• Rapport d’exploration et de validation des données.
• Comparaison côte à côte entre :
  • Résultats de l’algorithme.
  • Décisions d’investissement réelles de Sienna.
• Section supplémentaire dans le diaporama avec :
  • Taux de concordance entre les décisions.
  • Analyse des écarts (erreurs, données manquantes, valeurs aberrantes).

---

🧠 Objectifs pédagogiques

Ce projet vise à démontrer la capacité à :

1. Analyser un problème algorithmique et en extraire les contraintes métiers.
2. Concevoir et comparer plusieurs approches algorithmiques (brute force, programmation dynamique).
3. Optimiser un programme Python en termes de performance et de complexité.
4. Documenter et présenter clairement une démarche de résolution algorithmique.
5. Tester et valider les résultats à l’aide de jeux de données réels et simulés.

---

🗂️ Structure du projet

AlgoInvestAndTrade/
├─ data/
│  └─ Actions.csv
├─ bruteforce.py
├─ optimized.py
├─ README.md
└─ requirements.txt

🧰 Installation et exécution

1. Cloner le projet

git clone https://github.com/SiRipo92/AlgoInvestAndTrade.git
cd AlgoInvestAndTrade

2. Créer un environnement virtuel

python -m venv .venv
source .venv/bin/activate     # macOS / Linux
source .venv\Scripts\activate  # Windows PowerShell

3. Installer les dépendances (si nécessaires)

pip install -r requirements.txt

4. Exécuter le programme

- Version brute force :

python bruteforce.py

- Version optimisée :

python optimized.py

📈 Sortie attendue

Le programme affiche :

• Le profit total maximal après 2 ans.

• Le coût total du portefeuille sélectionné.

• La liste des actions à acheter.

Un fichier best_investment.csv est généré dans le répertoire racine pour archivage.