Awesome GitHub RepositoriesDataframe Structures

statsforecast est une bibliothèque de prévision de séries temporelles statistiques haute performance conçue pour générer des prévisions ponctuelles et des intervalles de prédiction. Elle fonctionne comme un framework de séries temporelles distribué qui utilise un moteur de prévision basé sur C et un sélecteur de modèle automatisé pour identifier et ajuster le modèle statistique optimal pour chaque série unique dans un jeu de données. Le système inclut également un détecteur d'anomalies de séries temporelles pour identifier les points de données inhabituels en comparant les valeurs observées aux intervalles de prévision probabilistes. Le projet se distingue par sa capacité à gérer la prévision parallèle à très grande échelle pour des millions de séries individuelles. Il y parvient grâce à un framework de calcul distribué, une exécution parallèle multi-cœur et des noyaux C compilés qui accélèrent la logique de base ARIMA et de lissage exponentiel. Le système optimise davantage le traitement à grande échelle en utilisant une disposition de données au format long et un pipeline de données à évaluation paresseuse (lazy-evaluation) pour réduire la surcharge mémoire. La bibliothèque fournit une suite complète de modèles, notamment AutoARIMA, diverses méthodes de lissage exponentiel pour la demande intermittente ou saisonnière, la décomposition Theta et la modélisation de volatilité GARCH pour le risque financier. Elle couvre des domaines de capacités plus larges tels que la prévision multivariée avec des variables exogènes, la décomposition de séries temporelles et l'évaluation de modèles via la validation croisée historique et l'analyse par fenêtre glissante. La bibliothèque s'intègre avec des structures de données haute performance comme Polars et fournit des utilitaires pour servir les modèles enregistrés en tant qu'endpoints REST pour des prédictions accessibles par réseau.

tqsdk-python est un SDK et framework de trading quantitatif conçu pour développer des stratégies automatisées pour les contrats à terme, les options et les actions en utilisant Python. Il fonctionne comme un moteur de trading algorithmique et une API de données de marché financier, fournissant les outils nécessaires pour backtester des stratégies, analyser des données historiques et exécuter des trades en direct à travers plusieurs comptes de courtage. Le projet se distingue par une bibliothèque d'analyse d'options spécialisée qui calcule les Grecs, la volatilité implicite et les surfaces de volatilité en utilisant le modèle Black-Scholes. Il prend en outre en charge des modèles d'exécution d'ordres complexes, tels que TWAP, Iceberg et POV, pour minimiser l'impact sur le marché lors de l'entrée et de la sortie de position. Le SDK couvre une large surface de capacités, y compris la récupération de données de marché en temps réel et historiques, la gestion des risques quantitatifs et le suivi de portefeuille. Il intègre un modèle d'exécution asynchrone pour le streaming de données et la planification de tâches, parallèlement à des outils pour la simulation de trading multi-actifs et l'analyse de performance. La bibliothèque fournit une interface graphique basée sur le web pour le suivi de stratégie et la visualisation de données.

This repository serves as an educational collection of Python implementations for fundamental machine learning algorithms and statistical models. It provides a structured environment for learning core concepts through interactive computational documents that combine live code, narrative text, and data visualizations. The codebase focuses on predictive modeling development, offering instructional examples for building and evaluating regression, classification, and neural network models. It utilizes standardized data science library interfaces to demonstrate how to implement and execute these a