FinTrack-DB : Conception & Analyse de Base de Données (PostgreSQL)

Contexte du Projet

Ce projet personnel a été réalisé pour démontrer mes compétences en ingénierie des données et en conception de systèmes d'information. Il s'agit de la modélisation et de l'exploitation relationnelle d'une plateforme de gestion de portefeuilles boursiers (type eToro / Boursorama).

Ce projet allie mon intérêt pour les marchés financiers et le Back-End / Data Engineering, s'inscrivant parfaitement dans mon projet d'intégrer un Master MIAGE.

Technologies Utilisées

• SGBD : PostgreSQL
• Modélisation : DBML / dbdiagram.io
• Concepts SQL : DDL/DML, Contraintes (CHECK, FK), CTE (Common Table Expressions), Window Functions, Agrégations conditionnelles.

Modélisation Conceptuelle (Schéma Relationnel)

Justification des choix de cardinalités :

• Un Utilisateur peut avoir plusieurs Portefeuilles (1:N), permettant de séparer PEA et Compte-Titres.
• Une Transaction est liée à un seul Portefeuille et un seul Actif (N:1).
• L'Historique_Prix utilise une clé primaire composite (actif_id, date_cotation) pour garantir une seule valeur de clôture par jour et par action.

Extraits de requêtes analytiques avancées

L'objectif de cette base n'est pas seulement de stocker, mais d'analyser. Voici quelques requêtes clés tirées de mon fichier analytics_queries.sql.

1. Valorisation en temps réel des portefeuilles (CTE & Agrégation conditionnelle)

Cette requête calcule la position nette de chaque utilisateur (Achats - Ventes) et la croise avec le dernier cours de clôture connu pour donner la valeur totale de son portefeuille.

WITH PositionsActuelles AS (
    SELECT p.utilisateur_id, t.actif_id,
        SUM(CASE WHEN t.type_ordre = 'ACHAT' THEN t.quantite ELSE -t.quantite END) AS qte
    FROM Transactions t JOIN Portefeuilles p ON t.portefeuille_id = p.id
    GROUP BY p.utilisateur_id, t.actif_id
),
DerniersPrix AS (
    SELECT actif_id, prix_cloture FROM Historique_Prix hp1
    WHERE date_cotation = (SELECT MAX(date_cotation) FROM Historique_Prix hp2 WHERE hp1.actif_id = hp2.actif_id)
)
SELECT u.nom, SUM(pa.qte * dp.prix_cloture) AS valorisation_totale
FROM PositionsActuelles pa
JOIN DerniersPrix dp ON pa.actif_id = dp.actif_id
JOIN Utilisateurs u ON pa.utilisateur_id = u.id
GROUP BY u.nom;

2. Analyse technique : Moyenne mobile sur 7 jours (Window Functions)

Utilisation de OVER PARTITION BY pour le traitement de séries temporelles (Time Series), très utilisé en finance de marché.

SELECT 
    a.ticker_symbol, hp.date_cotation, hp.prix_cloture,
    ROUND(AVG(hp.prix_cloture) OVER (
        PARTITION BY hp.actif_id 
        ORDER BY hp.date_cotation 
        ROWS BETWEEN 6 PRECEDING AND CURRENT ROW
    ), 2) AS moyenne_mobile_7j
FROM Historique_Prix hp
JOIN Actifs a ON hp.actif_id = a.id
WHERE a.ticker_symbol = 'AAPL';

Comment tester le projet ?

1. Cloner le repository.
2. Exécuter le script schema_and_data.sql sur une instance PostgreSQL.
3. Lancer les requêtes du fichier analytics_queries.sql pour observer les résultats.