Analyse de données financières sous R

Découvrez comment construire un workflow complet d’analyse de données boursières sous R, de l’import Yahoo Finance jusqu’aux tableaux de bord interactifs. Un point d’entrée idéal pour les analystes, data scientists et investisseurs quantitatifs.

Publié le 23 avril 2026

Pourquoi utiliser R pour la finance de marché ?

R s’est imposé comme un standard pour l’analyse quantitative : riche écosystème de packages, forte communauté, intégration naturelle avec le tidyverse et de nombreux outils de dataviz. Pour la finance, il permet de couvrir tout le cycle de vie des données : récupération, nettoyage, modélisation, backtesting et visualisation.

En pratique, cela signifie :

automatiser l’import de séries de prix (actions, indices, FX, cryptos) ;
calculer rapidement des indicateurs techniques et statistiques ;
modéliser des scénarios de marché et des prévisions ;
partager des tableaux de bord interactifs avec les équipes métier.

Récupérer des données boursières avec quantmod et tidyquant

quantmod : le standard historique

Le package quantmod fournit une interface directe avec Yahoo Finance via la fonction getSymbols(). Quelques points clés :

téléchargement de séries OHLCV (Open, High, Low, Close, Volume) sur de longues périodes ;
gestion automatique des symboles multiples (portefeuilles d’actions, indices, ETF) ;
objets de type xts/zoo adaptés aux séries temporelles financières.

Cette approche est idéale pour monter rapidement un environnement de travail quantitatif, tester des idées de trading ou construire des historiques de prix pour la recherche.

tidyquant : la puissance du tidyverse

Pour aller plus loin, tidyquant apporte une interface « tidyverse-friendly » :

récupération de données Yahoo Finance directement dans des data frames « longs » ;
chaînage fluide avec dplyr et tidyr pour filtrer, agréger, pivoter ;
intégration naturelle avec ggplot2 pour la visualisation.

Un workflow typique :

Importer les prix journaliers de plusieurs actions avec tidyquant.
Transformer les données en format tidy (une ligne par actif, date, variable).
Calculer des rendements, volatilités, corrélations et indicateurs techniques.
Alimenter des modèles de prévision ou des backtests.

Construire des indicateurs techniques et des métriques de risque

Une fois les données importées, R offre un large éventail d’outils pour enrichir vos séries :

Tendances : moyennes mobiles simples et exponentielles, MACD.
Momentum : RSI, stochastiques, taux de variation.
Volatilité : volatilité historique, volatilité glissante, mesures annualisées.
Risque de portefeuille : Value-at-Risk (VaR), Expected Shortfall, corrélations croisées.

Ces indicateurs peuvent être calculés soit via les fonctions de quantmod et d’autres packages de finance quanti, soit via des opérations vectorisées classiques (dplyr, slide, etc.). Ils servent ensuite de base à :

des screeners d’actions (filtrer les titres par tendance, volatilité, momentum) ;
des signaux de trading (croisements de moyennes mobiles, cassures de volatilité) ;
des tableaux de bord de suivi de portefeuille.

Prévision financière avec Prophet et modèles économétriques

Prophet pour les séries de prix et indicateurs de marché

Prophet est particulièrement adapté aux séries temporelles financières présentant :

des tendances non linéaires ;
des saisonnalités multiples (hebdomadaire, mensuelle, annuelle) ;
des effets de calendrier (jours fériés, événements spécifiques).

Son intérêt pour la finance :

mise en œuvre simple pour des analystes non spécialistes des séries temporelles ;
paramétrage explicite des ruptures de tendance (changepoints) ;
reproductibilité des workflows de prévision.

On peut par exemple :

projeter l’évolution d’un indice boursier à moyen terme ;
anticiper la trajectoire d’un indicateur de risque (volatilité implicite, spread de crédit) ;
simuler des scénarios de revenus ou de cash-flows liés à des variables de marché.

Outils R pour la prévision macroéconomique

Au-delà des prix d’actions, R est largement utilisé pour :

la modélisation macroéconomique (croissance, inflation, chômage) ;
la construction de scénarios de stress pour les portefeuilles ;
l’analyse de sensibilité à des chocs de taux, de change ou de matières premières.

Des packages dédiés permettent de gérer des modèles structurels, des VAR, ou des systèmes d’équations, ce qui ouvre la voie à une vision intégrée « macro + marchés » dans vos analyses.

Visualisation dynamique avec plotly et highcharter

De ggplot2 à l’interactivité

Les graphiques statiques produits avec ggplot2 peuvent être transformés en visualisations interactives grâce à plotly :

zoom sur des périodes spécifiques ;
survol pour afficher les valeurs exactes ;
sélection de séries à afficher/masquer.

Cette interactivité est particulièrement utile pour explorer des historiques longs ou des données de haute fréquence, où la lecture d’un simple graphique statique devient vite limitée.

highcharter pour les graphiques financiers

highcharter propose des composants prêts à l’emploi pour la finance :

chandeliers et barres OHLC ;
superposition de volumes ;
ajout d’indicateurs techniques (moyennes mobiles, bandes de Bollinger) ;
comparaison de plusieurs actifs sur la même échelle ou en pourcentage.

Cela permet de construire des tableaux de bord où un utilisateur métier peut :

naviguer dans l’historique d’un titre ;
comparer plusieurs actions ou indices ;
visualiser en un coup d’œil tendance, volatilité et volumes.

Intégrer vos analyses dans Shiny et Quarto

Les applications Shiny et les documents Quarto permettent de transformer vos scripts R en produits analytiques utilisables au quotidien :

tableaux de bord web pour le suivi de portefeuilles ;
interfaces de backtesting avec paramètres ajustables ;
rapports interactifs mêlant texte, code, graphiques et scénarios.

En combinant quantmod/tidyquant, Prophet, plotly/highcharter et Shiny ou Quarto, vous obtenez une chaîne complète allant de la donnée brute à la décision.

Aller plus loin avec un workflow clé en main

Pour gagner du temps, il peut être utile de partir d’un exemple structuré qui montre comment enchaîner import Yahoo Finance, calcul d’indicateurs, prévision et dataviz interactive ; c’est précisément ce que propose un Spark dédié aux prévisions et visualisations financières dynamiques sous R, que vous pouvez adapter à vos propres univers d’actifs et contraintes métier.

Sources

R for Quantitative Finance in 2026: A Complete Guide — rguides.dev — 2026-03-13
Quantitative Financial Modelling Framework (quantmod poster) — quantmod.com
tidyquant Tutorial — quantdev.ssri.psu.edu
Prophet as a Reproducible Forecasting Framework: A Methodological Guide for Business and Financial Analytics — arxiv.org — 2026-01-12
tresthor – Package R pour la prévision économique (guide utilisateur) — tresor.economie.gouv.fr
Interactive Data Visualization with R — blog.tidy-intelligence.com — 2024-02-01
Visualisation interactive de données en R — datanovia.com — 2025-03-01
Science des données : Analyse des Données Boursières avec R — zanderous.quarto.pub — 2024-06-01

Découvrir le Spark lié : Prévisions et Visualisations Financières Dynamiques sous R