Awesome GitHub RepositoriesTime Series Resampling

Pandas is a high-performance data analysis library that provides a comprehensive framework for manipulating, cleaning, and transforming structured datasets. It centers on labeled one-dimensional and two-dimensional data structures, allowing users to construct, filter, and reshape tabular information while performing complex arithmetic and logical operations. The library distinguishes itself through a sophisticated indexing engine that enables automatic data alignment during calculations and relational merges. By utilizing a block-based memory layout, it optimizes cache locality for vectorized

AutoGluon is an automated machine learning framework and multimodal library designed to automate the end-to-end pipeline from data preprocessing to high-accuracy model training and validation. It functions as an automated model trainer for tabular, image, text, and time series data, as well as a tool for time series forecasting and foundation model finetuning. The project is distinguished by its ability to jointly process and fuse different data types, allowing for the construction of multimodal neural networks that integrate images, text, and structured tables. It supports zero-shot inferenc

Quantaxis is a quantitative trading framework designed for building, backtesting, and executing automated strategies across global equities, futures, and cryptocurrencies. It integrates an event-driven backtesting engine, a multi-market execution gateway for order routing, and a quantitative data pipeline for ingesting and storing multi-asset market data. The system features a Rust-accelerated financial library that utilizes Apache Arrow for high-performance technical indicator calculation and zero-copy data processing. It provides a containerized infrastructure model designed for orchestrati

This project is an educational resource and a collection of instructional materials for performing data manipulation and statistical analysis using Python. It provides a comprehensive set of guides and code examples for using the Pandas, NumPy, and Matplotlib libraries to analyze structured data. The resource includes a dedicated guide for reshaping, cleaning, and aggregating tabular data and time series via Pandas, alongside a reference for high-performance vectorized operations and linear algebra using NumPy. It also features tutorials for creating publication-quality charts, distribution p

Ce projet est un tutoriel complet d'analyse de données pandas et un guide pédagogique conçu pour apprendre la manipulation et l'analyse de données. Il sert de guide de traitement de données tabulaires et de manuel pour l'analyse de séries temporelles, fournissant une approche structurée pour nettoyer, fusionner et transformer les jeux de données. Le dépôt fonctionne comme un cours d'ingénierie de caractéristiques de données, fournissant des tutoriels sur la construction et la sélection de caractéristiques de jeu de données pour améliorer les performances des modèles d'apprentissage automatique. Il inclut également un guide d'opérations de données vectorisées pour effectuer des calculs mathématiques élément par élément et des manipulations de matrices. Le matériel couvre un large éventail de capacités, notamment les flux de travail de nettoyage de données, les tâches d'intégration de données et l'analyse de données tabulaires. Il fournit des conseils sur le traitement des informations textuelles, la gestion des données catégorielles et l'optimisation de la vitesse d'exécution pour les grands jeux de données. Le projet est livré sous forme d'une série de Jupyter Notebooks contenant des exercices pratiques et des problèmes d'entraînement ciblés.

pyalgotrade est une bibliothèque Python de trading algorithmique conçue pour développer, backtester et exécuter des stratégies de trading automatisées. Elle fournit un framework complet pour le backtesting de stratégies financières, une bibliothèque d'analyse technique pour calculer des indicateurs mathématiques, et des connecteurs pour l'intégration d'échanges de cryptomonnaies. Le projet se distingue par sa prise en charge du trading basé sur le sentiment grâce à l'intégration de flux de réseaux sociaux en temps réel et de flux de mots-clés. Il propose un outil de visualisation de trading quantitatif pour tracer l'évolution des prix et les courbes d'équité du portefeuille, ainsi qu'une optimisation parallèle des paramètres pour identifier les réglages de stratégie les plus efficaces. La bibliothèque couvre un large éventail de capacités, incluant la construction de pipelines de données financières pour l'ingestion et le rééchantillonnage des données de marché, la gestion du cycle de vie des ordres pour le trading réel et simulé (paper trading), et l'analyse de performance quantitative pour calculer les rendements ajustés au risque et les drawdowns. Elle inclut également des outils d'analyse technique, tels que les bandes de volatilité et les indicateurs de momentum, ainsi que des simulations prenant en compte le slippage des ordres et les commissions de transaction.

This is a containerized algorithmic trading system that connects to Interactive Brokers to execute high-frequency pairs trading strategies on forex instruments. The project implements a mean-reversion model that maintains long-short position pairs, continuously recalculating a beta hedge ratio to profit from temporary divergences in correlated price spreads. The system processes each incoming market tick through a signal pipeline that immediately evaluates indicators and triggers market orders without batching or aggregation. It includes an irregular tick resampling engine that converts inhom

This project is a Python quantitative trading framework and library designed for developing, backtesting, and deploying automated financial strategies. It serves as both an algorithmic trading backtester for evaluating historical performance and an event-driven trading engine for executing trades based on quantitative rules. The framework functions as an educational toolkit, providing guided lessons and resources for quantitative finance learning and the application of mathematical models to market data. The system provides capabilities for algorithmic trading automation and financial strate

Bar chart race is a Python data visualization library that transforms ordered tabular time-series data into animated bar and line chart races. It operates as an extension for rendering dynamic charts that illustrate how rankings and values change over time. The library interpolates wide-format chronological tables into densely sampled frame sequences, calculating intermediate numeric values to produce fluid motion animations. It orchestrates iterative canvas redraws through a plotting backend while supporting external multimedia encoders to export compressed standard video files. Generated a