Cas d'usage concrets — Outils intégrés : Web, X, Code

Code Execution en production

Cette dernière leçon présente des cas d’usage concrets de Code Execution pour vous donner une vision claire de ce que vous pouvez construire. Chaque exemple illustre un domaine d’application avec le prompt et la logique associée.

Analyse financière

Optimisation de portefeuille

Code Execution est particulièrement adapté à la modélisation financière. Le sandbox dispose de NumPy et SciPy, qui permettent les calculs d’optimisation nécessaires :

input_text = """
Portefeuille de 5 actifs avec les rendements mensuels suivants (12 mois) :

Actif A : [2.1, -0.5, 1.8, 3.2, -1.1, 2.5, 0.8, 1.2, -0.3, 2.8, 1.5, 0.9]
Actif B : [1.5, 0.2, 2.1, 1.8, 0.5, 1.2, 2.3, -0.1, 1.6, 0.8, 1.9, 2.2]
Actif C : [-0.3, 3.5, -1.2, 4.1, -0.8, 2.9, -0.5, 3.2, -1.0, 3.8, -0.2, 2.7]
Actif D : [0.8, 0.9, 0.7, 1.1, 0.6, 0.8, 1.0, 0.5, 0.9, 0.7, 1.2, 0.8]
Actif E : [3.5, -2.1, 4.2, -1.5, 3.8, -0.9, 2.7, -1.8, 3.1, -0.5, 4.5, -1.2]

Calcule :
1. La matrice de corrélation entre les actifs
2. Le portefeuille à variance minimale
3. Le portefeuille optimal (ratio de Sharpe maximal, taux sans risque = 4% annuel)
4. La frontière efficiente (10 points)

Présente les allocations en pourcentage.
"""

Le modèle écrira du code utilisant NumPy pour la matrice de corrélation et SciPy pour l’optimisation sous contraintes.

Ratio de Sharpe et indicateurs de risque

input_text = """
Rendements quotidiens d'un fonds sur 20 jours :
[0.12, -0.05, 0.08, 0.15, -0.03, 0.22, -0.11, 0.06, 0.09, -0.07,
 0.14, 0.03, -0.08, 0.18, 0.01, -0.04, 0.11, 0.07, -0.02, 0.13]

Calcule le ratio de Sharpe, le ratio de Sortino, la Value at Risk (95%),
et le maximum drawdown. Taux sans risque annuel = 4%.
"""

Analyse statistique

Tests d’hypothèses

SciPy permet d’effectuer des tests statistiques rigoureux :

input_text = """
Groupe A (traitement) : [85, 88, 91, 87, 93, 89, 86, 92, 90, 88]
Groupe B (contrôle) : [78, 82, 80, 85, 79, 83, 81, 77, 84, 80]

Effectue un test t de Student pour déterminer si la différence entre
les deux groupes est statistiquement significative (alpha = 0.05).
Inclus les hypothèses, la statistique de test, la p-value et la conclusion.
"""

Régression et prédiction

input_text = """
Données de ventes mensuelles (en milliers d'euros) :
Mois (x) : [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12]
Ventes (y) : [45, 52, 48, 61, 55, 67, 72, 68, 75, 80, 78, 85]

1. Effectue une régression linéaire
2. Calcule le R² et l'erreur standard
3. Prédis les ventes pour les mois 13, 14, 15
4. Teste si la tendance est significative
"""

Calcul scientifique

Résolution d’équations différentielles

input_text = """
Résous l'équation différentielle du second ordre :
y'' + 2y' + 5y = 0
Conditions initiales : y(0) = 1, y'(0) = 0
Intervalle : t de 0 à 10

Trace la solution et identifie le comportement (oscillant amorti,
critique, surcritique).
"""

Simulations Monte Carlo

input_text = """
Simulation Monte Carlo pour estimer la probabilité qu'un projet
soit rentable.

Paramètres (distributions normales) :
- Revenu mensuel : moyenne = 50 000 €, écart-type = 10 000 €
- Coûts fixes mensuels : 30 000 €
- Coûts variables : 15% à 25% du revenu (uniforme)
- Durée du projet : 12 mois

Effectue 10 000 simulations. Calcule la probabilité de rentabilité
et la distribution du bénéfice net. Présente les percentiles 5%, 50%, 95%.
"""

Traitement et nettoyage de données

input_text = """
Données brutes (CSV avec problèmes courants) :

nom,age,salaire,ville
Alice,32,45000,Paris
Bob,,52000,Lyon
Charlie,28,NA,Marseille
Diana,45,62000,paris
Eve,33,48000,LYON
Frank,-5,55000,Toulouse
Grace,29,999999,Bordeaux

1. Identifie et traite les valeurs manquantes
2. Corrige les incohérences (âge négatif, salaire aberrant)
3. Normalise les noms de villes (casse cohérente)
4. Calcule les statistiques descriptives sur les données nettoyées
5. Documente chaque transformation effectuée
"""

Architecture d’un workflow complet

Pour les applications en production, combinez les outils dans un workflow structuré :

Web Search récupère les données actualisées (prix, indicateurs, actualités)
Code Execution analyse les données récupérées (calculs, statistiques, graphiques)
Votre application formate et présente les résultats à l’utilisateur

Ce pattern est applicable à de nombreux domaines : finance, veille commerciale, analyse de marché, reporting automatisé.

Points clés à retenir

Code Execution excelle en analyse financière (Sharpe, optimisation de portefeuille, VaR)
Les tests statistiques et régressions sont un cas d’usage naturel avec SciPy
Les simulations Monte Carlo fonctionnent bien dans les limites de mémoire du sandbox
Le nettoyage de données avec Pandas est un usage quotidien pratique
Combinez Web Search + Code Execution pour des workflows automatisés complets
Fournissez des données structurées et des instructions précises pour de meilleurs résultats