File scalping et day trading du vendredi 19 septembre 25

[Esus]

Mais j'ai déja réussi a aspirer les 38 640 msg TREVE, passés sous excel CSV.
+ les 1880 blavivi + les 14560 Claude (parti?) + les 4920 PLIM + 10080 Shady.
Me reste plus qu'a purger et trier pour chaque item de la méthode

[Esus]

Le bonsoir Lola
Treve, Plim,
Avez vous des nouvelles de Claude ?

[lskr]

C'est sur que la méthode Treve il y a plusieurs branches et possibilités !!

en attendant voilà la code cadeau a adapter a sa config et a améliorer ! ya plus qu'à !

[Par contre ça prend pas l'indexation le copier coller => un peu de boulot mais ça se fait et permet de rentrer dedans !]

Spoiler:

# 1. IMPORTS & CONFIG


import os
import time
import random
import threading
import csv
import pyautogui
from datetime import datetime, timedelta

import pandas as (mot censuré merci de rester poli)
import numpy as np
import tkinter as tk
from tkinter import ttk, font

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.chrome.options import Options

import matplotlib
import matplotlib.pyplot as plt
import matplotlib.dates as mdates
from matplotlib.backends.backend_tkagg import FigureCanvasTkAgg
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC

matplotlib.use("TkAgg")

NOM_SCRIPT = os.path.basename(__file__)

UPDATE_EXTRA_MARGIN = 5 # secondes de marge pour la mise à jour affichage

instances_live_figures = []

# 2. OUTILS & UTILITAIRes

DOSSIER_LOG = "c:/POURCENT_LIVE/01_data"
NOMS_FICHIERS = {
"Total": "Total",
"Séance": "Séance",
"%B30": "%B30"
}
DIMENSIONS_CM = {
"Total": (15, 8.2),
"Séance": (15, 16.5),
"%B30": (15, 4.5)
}
INDICES = {
"US Tech 100": "nq_pct",
"US 500": "es_pct",
"US 30": "dj_pct",
"DAX": "dax_pct"
}
EN_TETE = [
"date_heure", "nq_pct", "es_pct", "dj_pct", "dax_pct",
"nq_es", "nq_dj", "es_dj"
]


def forcer_valeur_1530_si_manque(chemin_csv):
"""Ajoute la valeur 15h30 si absente mais 15h31-15h33 présente."""
try:
if not os.path.exists(chemin_csv):
return
df = (mot censuré merci de rester poli).read_csv(chemin_csv)
if df.empty or 'date_heure' not in df.columns:
return
df['date_heure'] = (mot censuré merci de rester poli).to_datetime(df['date_heure'], errors='coerce')
if df.empty or df['date_heure'].isna().all():
return
jour = df['date_heure'].dt.normalize().iloc[0]
heure_cible = jour.replace(hour=15, minute=30)

heure_col = df['date_heure'].dt.hour
minute_col = df['date_heure'].dt.minute
existe_1530 = (heure_col == 15) & (minute_col == 30)
if existe_1530.any():
return # La ligne 15h30 existe déjà
# On cherche la 1re valeur après 15h30 (ex : 15h31, 15h32, 15h33)
mask_apres_1530 = df['date_heure'] > heure_cible
premiere = df[mask_apres_1530].sort_values(
'date_heure'
).head(1)
if premiere.empty:
return
new_row = premiere.iloc[0].copy()
new_row['date_heure'] = heure_cible
df = (mot censuré merci de rester poli).concat([(mot censuré merci de rester poli).DataFrame([new_row]), df], ignore_index=True)
df = df.sort_values('date_heure')
df.to_csv(chemin_csv, index=False)
print("Valeur 15h30 forcée dans :", chemin_csv)

except Exception as e:
print("Erreur dans forcer_valeur_1530_si_manque:", e)

def date_fr_longue(dt):
mois = [
"janvier", "février", "mars", "avril", "mai", "juin",
"juillet", "août", "septembre", "octobre", "novembre", "décembre"
]
jours = [
"Lundi", "Mardi", "Mercredi", "Jeudi",
"Vendredi", "Samedi", "Dimanche"
]
return f"{jours[dt.weekday()]} {dt.day} {mois[dt.month - 1]} {dt.year}"


def quart_heure_precedent(dt):
minute = (dt.minute // 15) * 15
return dt.replace(minute=minute, second=0, microsecond=0)


def cm_to_px(cm):
return int(cm * 37.8)


def date_fr(dt):
return dt.strftime('%d/%m/%Y')


def get_csv_path(nom_fig):
AUJOURDHUI = datetime.now().strftime("%y%m%d")
return os.path.join(DOSSIER_LOG, f"{AUJOURDHUI}_{nom_fig}.csv")


def get_png_path(nom_fig):
AUJOURDHUI = datetime.now().strftime("%y%m%d")
return os.path.join(DOSSIER_LOG, f"{AUJOURDHUI}_{nom_fig}.png")


def prochain_quart_heure(dt):
q = 15 - dt.minute % 15
return dt + timedelta(minutes=q)


def init_log(chemin):
dossier = os.path.dirname(chemin)
if not os.path.exists(dossier):
os.makedirs(dossier)
if not os.path.exists(chemin) or os.path.getsize(chemin) == 0:
with open(chemin, "w", newline="", encoding="utf-8") as f:
writer = csv.writer(f)
writer.writerow(EN_TETE)

def reset_daily():
global date_jour_courant, instances_live_figures
date_jour_courant = datetime.now().strftime("%y%m%d")
for nom in ["Total", "Séance", "%B30"]:
init_log(get_csv_path(nom))

date_jour_courant = datetime.now().strftime("%y%m%d")


def extraire_une_fois():
print(f"\nExtraction UNIQUE à {datetime.now().strftime('%H:%M:%S')}")
try:
options = Options()
options.add_argument('--headless=new')
driver = webdriver.Chrome(options=options)
driver.get("https://fr.investing.com/indices/indices-futures")

try:
rgpd = WebDriverWait(driver, 10).until(
EC.element_to_be_clickable(
(By.CSS_SELECTOR, "button#onetrust-accept-btn-handler")
)
)
rgpd.click()
print("RGPD : 'J’accepte' cliqué")
except Exception:
print("Aucun RGPD détecté ou déjà accepté")

try:
WebDriverWait(driver, 15).until(
EC.presence_of_element_located((By.CSS_SELECTOR, "table"))
)
except Exception:
print("Le tableau des indices n'a pas chargé dans le temps imparti")
driver.quit()
return None

time.sleep(5)
lignes = driver.find_elements(By.CSS_SELECTOR, "table tr")
data = {k: None for k in INDICES.values()}
INDICES_deja_trouves = set()

for ligne in lignes:
cols = ligne.find_elements(By.TAG_NAME, "td")
if len(cols) >= 8:
try:
nom = cols[1].text.strip()
variation = cols[7].text.strip()
except Exception:
print("Erreur lors de l'accès à .text sur une cellule")
continue
print(f"Ligne détectée : nom='{nom}', variation='{variation}'")
for ref, key in INDICES.items():
if nom.startswith(ref) and key not in INDICES_deja_trouves:
try:
data[key] = float(
variation.replace("%", "").replace(",", ".")
)
print(f"Match trouvé pour {ref} : {data[key]}%")
INDICES_deja_trouves.add(key)
except Exception:
print(f"Erreur conversion {ref} : {variation}")

driver.quit()

if None not in data.values():
data['date_heure'] = datetime.now().strftime('%Y-%m-%d %H:%M:%S')
data['nq_es'] = round((data['nq_pct'] - data['es_pct']) * 100, 2)
data['nq_dj'] = round((data['nq_pct'] - data['dj_pct']) * 100, 2)
data['es_dj'] = round((data['es_pct'] - data['dj_pct']) * 100, 2)
print("Données extraites :", data)
return data
else:
print("Données incomplètes :", data)
return None

except Exception as e:
print(" ERREUR FATALE DANS SELENIUM :", e)
return None



tableau5min_instance = None


def dispatcher_et_log(data):
if data is None:
print("Pas de donnée à dispatcher.")
return
now = datetime.now()
fichiers = [get_csv_path("Total")]
heure = now.time()
if heure < datetime.strptime("15:30", "%H:%M").time():
fichiers.append(get_csv_path("Pre_Market"))
elif heure < datetime.strptime("22:00", "%H:%M").time():
fichiers.append(get_csv_path("Séance"))
ligne = [data.get(k, "") for k in EN_TETE]
for chemin in fichiers:
with open(chemin, "a", newline="", encoding="utf-8") as f:
writer = csv.writer(f)
writer.writerow(ligne)
print(f"Données enregistrées dans : {chemin}")


def charger_donnees(chemin, heure_deb, heure_fin):
if not os.path.exists(chemin):
return (mot censuré merci de rester poli).DataFrame(columns=EN_TETE)
try:
df = (mot censuré merci de rester poli).read_csv(chemin)
# si le CSV n'a pas d'en-tête mais contient les colonnes en ordre
if 'date_heure' not in df.columns and len(df.columns) >= len(EN_TETE):
df.columns = EN_TETE
except Exception as e:
print(f"Erreur lecture CSV : {e}")
return (mot censuré merci de rester poli).DataFrame(columns=EN_TETE)
for col in EN_TETE:
if col not in df.columns:
df[col] = np.nan
df['date_heure'] = (mot censuré merci de rester poli).to_datetime(df['date_heure'], errors='coerce')
mask = (
(df['date_heure'] >= heure_deb) &
(df['date_heure'] <= heure_fin)
)
return df[mask].copy()


def INDICES_proches_quarts_heures(df, heure_deb, heure_fin, tol=5):
if df.empty:
return []
minute = (
(heure_deb.minute // 15) +
(1 if heure_deb.minute % 15 else 0)
) * 15
if minute == 60:
premier_quart = heure_deb.replace(
hour=heure_deb.hour + 1,
minute=0, second=0, microsecond=0
)
else:
premier_quart = heure_deb.replace(
minute=minute, second=0, microsecond=0
)
if premier_quart < heure_deb:
premier_quart += timedelta(minutes=15)
quarts_heure_cibles = (mot censuré merci de rester poli).date_range(
start=premier_quart, end=heure_fin, freq='15min'
)
quarts_heures_pos = []
positions_already = set()
if len(df) > 0:
quarts_heures_pos.append(0)
positions_already.add(0)
for quart in quarts_heure_cibles:
if df.empty:
continue
idx_real = (df['date_heure'] - quart).abs().idxmin()
try:
pos = df.index.get_loc(idx_real)
except KeyError:
continue
if (
pos not in positions_already and 0 <= pos < len(df)
):
if abs(
(df.loc[idx_real, 'date_heure'] - quart).total_seconds()
) <= tol * 60:
quarts_heures_pos.append(pos)
positions_already.add(pos)
return sorted(quarts_heures_pos)
def tableau_5_minutes(df):
today = datetime.now().replace(hour=0, minute=0, second=0, microsecond=0)
debut = today.replace(hour=15, minute=30)
fin = today.replace(hour=22, minute=0)
intervalles_5min = (mot censuré merci de rester poli).date_range(start=debut, end=fin, freq='5min')
colonnes = [h.strftime('%H:%M') for h in intervalles_5min]
tableau = (mot censuré merci de rester poli).DataFrame(
index=['nq', 'es', 'dj', 'nq/es', 'nq/dj', 'es/dj'],
columns=colonnes
)
for h in intervalles_5min:
if not df.empty:
idx = (df['date_heure'] - h).abs().idxmin()
if abs((df.loc[idx, 'date_heure'] - h).total_seconds()) <= 3 * 60:
k = h.strftime('%H:%M')
tableau.AT['nq', k] = round(df.loc[idx, 'nq_pct'], 2)
tableau.AT['es', k] = round(df.loc[idx, 'es_pct'], 2)
tableau.AT['dj', k] = round(df.loc[idx, 'dj_pct'], 2)
tableau.AT['nq/es', k] = int(df.loc[idx, 'nq_es'])
tableau.AT['nq/dj', k] = int(df.loc[idx, 'nq_dj'])
tableau.AT['es/dj', k] = int(df.loc[idx, 'es_dj'])
return tableau



class Tableau5MinApp:
def __init__(self, root, csv_path):
self.root = root
self.csv_path = csv_path
self.lancement_datetime = datetime.now()
self.win = tk.Toplevel(self.root)
jour = date_fr_longue(self.lancement_datetime)
heure = self.lancement_datetime.strftime('%Hh%M')
self.win.title(f"{jour} [{heure}] %B30")
largeur_cm, hauteur_cm = DIMENSIONS_CM.get("%B30", (15, 4.5))
largeur_px = cm_to_px(largeur_cm)
hauteur_px = cm_to_px(hauteur_cm)
self.win.geometry(f"{largeur_px}x{hauteur_px}")
self.canvas = tk.Canvas(self.win)
self.scrollbar_x = tk.Scrollbar(
self.win,
orient="horizontal",
command=self.canvas.xview
)
self.canvas.configure(xscrollcommand=self.scrollbar_x.set)
self.scrollbar_x.pack(side="bottom", fill="x")
self.canvas.pack(side="top", fill="both", expand=True)
self.frame = tk.Frame(self.canvas)
self.canvas.create_window((0, 0), window=self.frame, anchor="nw")
self.indices_lignes = ['nq', 'es', 'dj', 'nq/es', 'nq/dj', 'es/dj']
self.labels = {}
self.frame.bind("<Configure>", self._on_frame_configure)
self._verrou_update = False
self._dernier_tableau_hash = None
self.update_table()

def _on_frame_configure(self, event):
self.canvas.configure(scrollregion=self.canvas.bbox("all"))

def update_table(self):
if self._verrou_update:
return
self._verrou_update = True
try:
today_str = datetime.now().strftime("%y%m%d")
current_csv_path = os.path.join(DOSSIER_LOG, f"{today_str}_Séance.csv")
if current_csv_path != self.csv_path:
self.csv_path = current_csv_path

df = charger_donnees(self.csv_path, datetime.min, datetime.max)
tableau = tableau_5_minutes(df)
nouveau_hash = hash(tableau.to_csv(index=True))
if nouveau_hash == self._dernier_tableau_hash:
self._verrou_update = False
return
self._dernier_tableau_hash = nouveau_hash

# Interpolation des colonnes vides (1 à 4 consécutives)
colonnes = list(tableau.columns)
nb_col = len(colonnes)
i = 0
while i < nb_col:
bloc = []
while i < nb_col and tableau[colonnes].isnull().all():
bloc.append(colonnes)
i += 1
if 1 <= len(bloc) <= 4:
i_g = colonnes.index(bloc[0]) - 1
i_d = i
if 0 <= i_g < nb_col and i_d < nb_col:
col_g = colonnes[i_g]
col_d = colonnes[i_d]
for idx in tableau.index:
v_g = tableau.AT[idx, col_g]
v_d = tableau.AT[idx, col_d]
if (mot censuré merci de rester poli).notna(v_g) and (mot censuré merci de rester poli).notna(v_d):
for j, col in enumerate(bloc, start=1):
poids_g = (len(bloc) + 1 - j) / (len(bloc) + 1)
poids_d = j / (len(bloc) + 1)
tableau.AT[idx, col] = round(v_g * poids_g + v_d * poids_d, 2)
else:
i += 1

if not df.empty and 'date_heure' in df.columns:
derniere = df['date_heure'].max()
jour = date_fr_longue(derniere)
heure = derniere.strftime('%Hh%M')
else:
jour = date_fr(self.lancement_datetime)
heure = self.lancement_datetime.strftime('%Hh%M')
self.win.title(f"{jour} [{heure}] %B30")
colonnes = list(tableau.columns)
self.win.withdraw()
for widget in self.frame.winfo_children():
widget.destroy()
self.labels.clear()
tk.Label(self.frame, text="Indice", borderwidth=1, relief="solid",
anchor="center", font=("Arial", 6, "bold"), padx=0).grid(
row=0, column=0, sticky="nsew")
for c, col in enumerate(colonnes, start=1):
minute = int(col.split(':')[1])
est_demih = (minute % 30 == 0)
bg_entete = "#d9d9d9" if est_demih else "white"
tk.Label(self.frame, text=col.replace(":", "\n"), borderwidth=1, relief="solid",
anchor="center", font=("Arial", 8, "bold"),
padx=0, bg=bg_entete).grid(
row=0, column=c, sticky="nsew")
for c, col in enumerate(colonnes, start=1):
valeurs = []
for idx in self.indices_lignes[:3]:
val = tableau.AT[idx, col]
if (mot censuré merci de rester poli).isnull(val):
val = None
valeurs.append(val)
valid_vals = [
(i, v) for i, v in enumerate(valeurs)
if v is not None
]
sorted_vals = sorted(valid_vals, key=lambda x: x[1], reverse=True)
couleur_par_pos = {}
for pos, (i, _) in enumerate(sorted_vals):
if pos == 0:
couleur_par_pos = "light green"
elif pos == len(sorted_vals) - 1:
couleur_par_pos = "#f08080"
else:
couleur_par_pos = "orange"
minute = int(col.split(":")[1])
est_demih = (minute % 30 == 0)
for r, idx in enumerate(self.indices_lignes, start=1):
val = tableau.AT[idx, col]
if (mot censuré merci de rester poli).isnull(val):
txt = ""
elif idx in ['nq', 'es', 'dj']:
txt_str = f"{val:.2f}".replace(".", ",")
if "," in txt_str:
haut, bas = txt_str.split(",")
txt = f"{haut},\n{bas}"
else:
txt = txt_str
else:
txt = str(int(val))
if idx in ['nq', 'es', 'dj']:
bg = couleur_par_pos.get(self.indices_lignes.index(idx), "white")
else:
bg = "white"
if est_demih and bg == "white":
bg = "#d9d9d9"
lbl = tk.Label(self.frame, text=txt, bg=bg, borderwidth=1,
relief="solid", anchor="center",
font=("Arial", 8), padx=0)
lbl.grid(row=r, column=c, sticky="nsew")
self.labels[(r, c)] = lbl
for r, idx in enumerate(self.indices_lignes, start=1):
lbl = tk.Label(self.frame, text=idx, borderwidth=1,
relief="solid", anchor="w",
font=("Arial", 8, "bold"), padx=0)
lbl.grid(row=r, column=0, sticky="nsew")
for c in range(len(colonnes) + 1):
self.frame.grid_columnconfigure(c, weight=0)
self.win.deiconify()
self.win.after(int(DELAI_UPDATE_SEC * 1000), self.update_table)

# Capture d'écran de la fenêtre %B30
self.win.update_idletasks()
x = self.win.winfo_rootx()
y = self.win.winfo_rooty()
w = self.win.winfo_width()
h = self.win.winfo_height()
pyautogui.screenshot(region=(x, y, w, h)).save(self.csv_path.replace(".csv", ".png"))
finally:
self._verrou_update = False


class LiveFigureApp:
def __init__(
self, root, csv_path, heure_deb, heure_fin, fig_type, fig_name
):
self.root = root
self.csv_path = csv_path
self.heure_deb = heure_deb
self.heure_fin = heure_fin
self.fig_type = fig_type
self.fig_name = fig_name
self.date_jour = datetime.now().date()
if fig_type == 3:
self.fig, self.axs = plt.subplots(
6, 1, figsize=(18, 18), sharex=True
)
else:
self.fig, self.axs = plt.subplots(
2, 1, figsize=(18, 6), sharex=True
)
self.canvas = FigureCanvasTkAgg(self.fig, master=self.root)
self.canvas.get_tk_widget().pack(fill=tk.BOTH, expand=1)
self.derniere = None
self._verrou_update = False
self.update_graph()

def update_graph(self):
if self._verrou_update:
return
self._verrou_update = True
try:
now_date = datetime.now().date()
if now_date != self.date_jour:
reset_daily()
self.date_jour = now_date
self.csv_path = get_csv_path(self.fig_name)

if self.fig_name == "Total":
self.heure_deb = datetime.combine(self.date_jour, datetime.min.time()).replace(second=1)
self.heure_fin = datetime.combine(self.date_jour, datetime.min.time()).replace(hour=23, minute=0)
elif self.fig_name == "Pre_Market":
self.heure_deb = datetime.combine(self.date_jour, datetime.min.time())
self.heure_fin = datetime.combine(self.date_jour, datetime.min.time()).replace(hour=15, minute=30)
elif self.fig_name == "Séance":
self.heure_deb = datetime.combine(self.date_jour, datetime.min.time()).replace(hour=15, minute=30)
self.heure_fin = datetime.combine(self.date_jour, datetime.min.time()).replace(hour=22, minute=0)

df = charger_donnees(self.csv_path, self.heure_deb, self.heure_fin)
for ax in self.axs:
ax.clear()

afficher_graphique(
self.axs, df, self.heure_deb, self.heure_fin,
df['date_heure'].max() if not df.empty else None,
fig_type=self.fig_type, nom_fig=self.fig_name
)

self.fig.savefig(self.csv_path.replace('.csv', '.png'))

self.derniere = None
bandeau = ""
heure = "--h--"

if not df.empty:
self.derniere = df['date_heure'].max()
heure = self.derniere.strftime('%Hh%M')
last_row = df.loc[df['date_heure'] == self.derniere]
if not last_row.empty:
nq = last_row.iloc[0].get('nq_pct')
es = last_row.iloc[0].get('es_pct')
dj = last_row.iloc[0].get('dj_pct')
dax = last_row.iloc[0].get('dax_pct')

if nq is not None and not (mot censuré merci de rester poli).isna(nq):
bandeau += f" nq {nq:.2f}".replace('.', ',')
if es is not None and not (mot censuré merci de rester poli).isna(es):
bandeau += f" es {es:.2f}".replace('.', ',')
if dj is not None and not (mot censuré merci de rester poli).isna(dj):
bandeau += f" dj {dj:.2f}".replace('.', ',')
if dax is not None and not (mot censuré merci de rester poli).isna(dax):
bandeau += f" dax {dax:.2f}".replace('.', ',')

try:
if self.root.winfo_exists():
date_str = date_fr_longue(self.derniere or datetime.combine(self.date_jour, datetime.min.time()))
heure_str = heure if self.derniere else "--h--"
titre = f"{self.fig_name.replace('_', ' ')} – {date_str} [{heure_str}] {bandeau.strip()}"
self.root.title(titre)
except tk.TclError:
pass
try:
self.canvas.draw_idle()
except tk.TclError:
pass
finally:
self._verrou_update = False


def afficher_graphique(
axs, df, heure_deb, heure_fin,
derniere_extraction, fig_type=4, nom_fig=None
):
if fig_type in [1, 2]:
INDICES = ['nq_pct', 'es_pct', 'dj_pct', 'dax_pct']
couleurs = ['blue', 'green', 'orange', 'purple']
labels = ['nq %', 'es %', 'dj %', 'DAX %']
else:
INDICES = ['nq_pct', 'es_pct', 'dj_pct']
couleurs = ['blue', 'green', 'orange']
labels = ['nq %', 'es %', 'dj %']
quarts_heures_idx = INDICES_proches_quarts_heures(
df, heure_deb, heure_fin, tol=5
)

# AXE 1 : courbes principales (%)
if not df.empty and all([col in df.columns for col in INDICES]):
for idx, col in enumerate(INDICES):
axs[0].plot(df['date_heure'], df[col], color=couleurs[idx],
alpha=0.8, linewidth=1.2, label=labels[idx])
if len(quarts_heures_idx) > 0:
axs[0].scatter(df['date_heure'].iloc[quarts_heures_idx],
df[col].iloc[quarts_heures_idx],
color=couleurs[idx], s=20, zorder=5,
edgecolor=couleurs[idx], label="_nolegend_")
# Régression linéaire sur séance (15h30–22h00) + 2h
mask_seance = (
(df['date_heure'] >= heure_deb)
& (df['date_heure'] <= heure_fin)
)
if mask_seance.sum() > 3:
x = mdates.date2num(df.loc[mask_seance, 'date_heure'])
y = df.loc[mask_seance, col]
if len(x) > 0 and len(y) > 0:
coeffs = np.polyfit(x, y, 1)
slope = coeffs[0]
date_deb = df.loc[mask_seance, 'date_heure'].iloc[0]
date_fin = df.loc[mask_seance, 'date_heure'].iloc[-1]
date_fin_proj = date_fin + timedelta(hours=2)
x_proj = mdates.date2num(
(mot censuré merci de rester poli).date_range(date_deb, date_fin_proj, freq="5min")
)
y_proj = np.polyval(coeffs, x_proj)
axs[0].plot(
mdates.num2date(x_proj), y_proj,
color=couleurs[idx], linestyle="--", linewidth=1
)
axs[0].axhline(0, color='k', lw=0.7, ls=':', alpha=0.6)
axs[0].set_ylabel("")
axs[0].legend(loc='upper left', fontsize=7, ncol=3)
else:
axs[0].text(0.5, 0.5, "Pas de données", Heikin Ashi='center', va='center',
fontsize=12, color='gray', transform=axs[0].transAxes)
axs[0].set_ylabel("")
axs[0].tick_params(axis='both', labelsize=6)

# AXE 2 : écarts (15h30–22h00)
ecarts = ['nq_es', 'nq_dj', 'es_dj']
cols = ['blue', 'green', 'orange']
labels_ec = ['nq/es', 'nq/dj', 'es/dj']
if not df.empty and all([col in df.columns for col in ecarts]):
for idx, col in enumerate(ecarts):
axs[1].plot(df['date_heure'], df[col], color=cols[idx],
alpha=0.8, linewidth=1.2, label=labels_ec[idx])
if len(quarts_heures_idx) > 0:
axs[1].scatter(df['date_heure'].iloc[quarts_heures_idx],
df[col].iloc[quarts_heures_idx],
color=cols[idx], s=20, zorder=5,
edgecolor=cols[idx], label="_nolegend_")
# Régression linéaire séance (15h30–22h00) + 2h
mask_seance = (
(df['date_heure'] >= heure_deb)
& (df['date_heure'] <= heure_fin)
)
if mask_seance.sum() > 3:
x = mdates.date2num(df.loc[mask_seance, 'date_heure'])
y = df.loc[mask_seance, col]
coeffs = np.polyfit(x, y, 1)
slope = coeffs[0]

# tracé de la droite projetée
date0 = df.loc[mask_seance, 'date_heure'].iloc[0]
date1 = df.loc[mask_seance, 'date_heure'].iloc[-1]
date1p = date1 + timedelta(hours=2)
x_proj = mdates.date2num(
(mot censuré merci de rester poli).date_range(date0, date1p, freq="5min")
)
y_proj = np.polyval(coeffs, x_proj)
axs[1].plot(
mdates.num2date(x_proj), y_proj,
color=cols[idx], linestyle="--", linewidth=1
)

axs[1].axhline(0, color='k', lw=0.7, ls=':', alpha=0.6)
axs[1].set_ylabel("")
axs[1].legend(loc='upper left', fontsize=7, ncol=3)
else:
axs[1].text(0.5, 0.5, "Pas de données", Heikin Ashi='center', va='center',
fontsize=12, color='gray', transform=axs[1].transAxes)
axs[1].set_ylabel("")
axs[1].tick_params(axis='both', labelsize=6)

# AXE 3 : Pourcentages sur P1 (15h30–18h30)
if fig_type == 3:
if not df.empty and all([col in df.columns for col in INDICES]):
heure_fin_p1 = heure_deb.replace(hour=18, minute=30)
mask_p1 = (df['date_heure'] >= heure_deb) & (df['date_heure'] <= heure_fin_p1)
for idx, col in enumerate(INDICES):
axs[2].plot(df.loc[mask_p1, 'date_heure'], df.loc[mask_p1, col],
color=couleurs[idx], alpha=0.8, linewidth=1.2, label=labels[idx])
if len(quarts_heures_idx) > 0:
mask_dates = df.loc[mask_p1, 'date_heure'].ISIN(
df['date_heure'].iloc[quarts_heures_idx])
axs[2].scatter(df.loc[mask_p1, 'date_heure'][mask_dates],
df.loc[mask_p1, col][mask_dates],
color=couleurs[idx], s=20, zorder=5,
edgecolor=couleurs[idx], label="_nolegend_")
if mask_p1.sum() > 3:
x = mdates.date2num(df.loc[mask_p1, 'date_heure'])
y = df.loc[mask_p1, col]
coeffs = np.polyfit(x, y, 1)
x_proj = mdates.date2num(
(mot censuré merci de rester poli).date_range(df.loc[mask_p1, 'date_heure'].iloc[0],
df.loc[mask_p1, 'date_heure'].iloc[-1] + timedelta(hours=2),
freq="5min"))
y_proj = np.polyval(coeffs, x_proj)
axs[2].plot(mdates.num2date(x_proj), y_proj,
color=couleurs[idx], linestyle="--", linewidth=1)
axs[2].axhline(0, color='k', lw=0.7, ls=':', alpha=0.6)
axs[2].set_ylabel("")
axs[2].legend(loc='upper left', fontsize=7, ncol=3)
else:
axs[2].text(0.5, 0.5, "Pas de données", Heikin Ashi='center', va='center',
fontsize=12, color='gray', transform=axs[2].transAxes)
axs[2].set_ylabel("")
axs[2].tick_params(axis='both', labelsize=6)


# AXE 4 : écarts (15h30–18h30)
if fig_type == 3:
if hasattr(axs, "__len__") and len(axs) > 3:
heure_fin_p1 = heure_deb.replace(hour=18, minute=30)
mask_p1 = ((df['date_heure'] >= heure_deb) &
(df['date_heure'] <= heure_fin_p1))
if not df.empty and all([col in df.columns for col in ecarts]):
for idx, col in enumerate(ecarts):
axs[3].plot(
df.loc[mask_p1, 'date_heure'],
df.loc[mask_p1, col],
color=cols[idx],
alpha=0.8,
linewidth=1.2,
label=labels_ec[idx]
)
if len(quarts_heures_idx) > 0:
mask_dates = df.loc[mask_p1, 'date_heure'].ISIN(
df['date_heure'].iloc[quarts_heures_idx]
)
axs[3].scatter(
df.loc[mask_p1, 'date_heure'][mask_dates],
df.loc[mask_p1, col][mask_dates],
color=cols[idx],
s=20,
zorder=5,
edgecolor=cols[idx],
label="_nolegend_"
)
if mask_p1.sum() > 3:
x = mdates.date2num(df.loc[mask_p1, 'date_heure'])
y = df.loc[mask_p1, col]
coeffs = np.polyfit(x, y, 1)
date0 = df.loc[mask_p1, 'date_heure'].iloc[0]
date1 = df.loc[mask_p1, 'date_heure'].iloc[-1]
date1p = date1 + timedelta(hours=2)
x_proj = mdates.date2num(
(mot censuré merci de rester poli).date_range(date0, date1p, freq="5min")
)
y_proj = np.polyval(coeffs, x_proj)
axs[3].plot(
mdates.num2date(x_proj), y_proj,
color=cols[idx], linestyle="--", linewidth=1
)
axs[3].axhline(0, color='k', lw=0.7, ls=':', alpha=0.6)
axs[3].set_ylabel("")
axs[3].legend(loc='upper left', fontsize=7, ncol=3)
else:
axs[3].text(0.5, 0.5, "Pas de données", Heikin Ashi='center', va='center',
fontsize=12, color='gray', transform=axs[3].transAxes)
axs[3].set_ylabel("")
axs[3].tick_params(axis='both', labelsize=6)

# AXE 5 : Pourcentages sur P2 (18h30–22h00)
if fig_type == 3:
if not df.empty and all([col in df.columns for col in INDICES]):
heure_debut_p2 = heure_deb.replace(hour=18, minute=30)
mask_p2 = (df['date_heure'] >= heure_debut_p2) & (df['date_heure'] <= heure_fin)
for idx, col in enumerate(INDICES):
axs[4].plot(df.loc[mask_p2, 'date_heure'], df.loc[mask_p2, col],
color=couleurs[idx], alpha=0.8, linewidth=1.2, label=labels[idx])
if len(quarts_heures_idx) > 0:
mask_dates = df.loc[mask_p2, 'date_heure'].ISIN(
df['date_heure'].iloc[quarts_heures_idx])
axs[4].scatter(df.loc[mask_p2, 'date_heure'][mask_dates],
df.loc[mask_p2, col][mask_dates],
color=couleurs[idx], s=20, zorder=5,
edgecolor=couleurs[idx], label="_nolegend_")
if mask_p2.sum() > 3:
x = mdates.date2num(df.loc[mask_p2, 'date_heure'])
y = df.loc[mask_p2, col]
coeffs = np.polyfit(x, y, 1)
x_proj = mdates.date2num(
(mot censuré merci de rester poli).date_range(df.loc[mask_p2, 'date_heure'].iloc[0],
df.loc[mask_p2, 'date_heure'].iloc[-1] + timedelta(hours=2),
freq="5min"))
y_proj = np.polyval(coeffs, x_proj)
axs[4].plot(mdates.num2date(x_proj), y_proj,
color=couleurs[idx], linestyle="--", linewidth=1)
axs[4].axhline(0, color='k', lw=0.7, ls=':', alpha=0.6)
axs[4].set_ylabel("")
axs[4].legend(loc='upper left', fontsize=7, ncol=3)
else:
axs[4].text(0.5, 0.5, "Pas de données", Heikin Ashi='center', va='center',
fontsize=12, color='gray', transform=axs[4].transAxes)
axs[4].set_ylabel("")
axs[4].tick_params(axis='both', labelsize=6)

# AXE 6 : écarts (18h30–22h00)
if fig_type == 3:
if hasattr(axs, "__len__") and len(axs) > 5:
heure_debut_p2 = heure_deb.replace(hour=18, minute=30)
mask_p2 = (
(df['date_heure'] >= heure_debut_p2) &
(df['date_heure'] <= heure_fin)
)
if not df.empty and all([col in df.columns for col in ecarts]):
for idx, col in enumerate(ecarts):
axs[5].plot(
df.loc[mask_p2, 'date_heure'],
df.loc[mask_p2, col],
color=cols[idx],
alpha=0.8,
linewidth=1.2,
label=labels_ec[idx]
)
if len(quarts_heures_idx) > 0:
mask_dates = df.loc[mask_p2, 'date_heure'].ISIN(
df['date_heure'].iloc[quarts_heures_idx]
)
axs[5].scatter(df.loc[mask_p2, 'date_heure'][mask_dates],
df.loc[mask_p2, col][mask_dates],
color=cols[idx], s=20, zorder=5,
edgecolor=cols[idx], label="_nolegend_")
if mask_p2.sum() > 3:
x = mdates.date2num(df.loc[mask_p2, 'date_heure'])
y = df.loc[mask_p2, col]
coeffs = np.polyfit(x, y, 1)
date0 = df.loc[mask_p2, 'date_heure'].iloc[0]
date1 = df.loc[mask_p2, 'date_heure'].iloc[-1]
date1p = date1 + timedelta(hours=2)
x_proj = mdates.date2num(
(mot censuré merci de rester poli).date_range(date0, date1p, freq="5min")
)
y_proj = np.polyval(coeffs, x_proj)
axs[5].plot(
mdates.num2date(x_proj), y_proj,
color=cols[idx], linestyle="--", linewidth=1
)
axs[5].axhline(0, color='k', lw=0.7, ls=':', alpha=0.6)
axs[5].set_ylabel("")
axs[5].legend(loc='upper left', fontsize=7, ncol=3)
else:
axs[5].text(0.5, 0.5, "Pas de données", Heikin Ashi='center', va='center',
fontsize=12, color='gray', transform=axs[5].transAxes)
axs[5].set_ylabel("")
axs[5].tick_params(axis='both', labelsize=6)

ticks_xticks = (mot censuré merci de rester poli).date_range(
start=heure_deb.replace(minute=(heure_deb.minute // 15) * 15,
second=0, microsecond=0),
end=heure_fin,
freq='15min'
)
for ax in axs:
ax.set_xticks(ticks_xticks)
ax.set_xticklabels([x.strftime('%H:%M') for x in ticks_xticks],
rotation=45, fontsize=6)
if len(ticks_xticks) > 0:
ax.set_xlim([ticks_xticks[0], ticks_xticks[-1]])
ax.tick_params(axis='x', labelbottom=True)
plt.subplots_adjust(top=0.98, bottom=0.06, left=0.08, right=0.98, hspace=0.32)
try:
axs[-1].text(0.99, 0.01, NOM_SCRIPT, color='lightgray', fontsize=8,
Heikin Ashi='right', va='bottom', transform=axs[-1].transAxes, zorder=1000)
except Exception:
pass


def lancer_figure(parent, nom_fig, heure_deb, heure_fin, fig_type):
win = tk.Toplevel(parent)
if nom_fig in DIMENSIONS_CM:
largeur_cm, hauteur_cm = DIMENSIONS_CM[nom_fig]
largeur_px = cm_to_px(largeur_cm)
hauteur_px = cm_to_px(hauteur_cm)
win.geometry(f"{largeur_px}x{hauteur_px}")
maintenant = datetime.now()
jour = date_fr(maintenant)
heure = maintenant.strftime('%Hh%M')
win.title(f"{jour} [{heure}] {nom_fig}")
global instances_live_figures
instance = LiveFigureApp(
win, get_csv_path(nom_fig), heure_deb, heure_fin,
fig_type, nom_fig
)
instances_live_figures.append(instance)


def extraction_unique_loop(intervalle_min):
global tableau5min_instance

while True:
maintenant = datetime.now()
prochaine = maintenant.replace(second=0, microsecond=0)
prochaine += timedelta(
minutes=(intervalle_min - (prochaine.minute % intervalle_min))
)
attente = (prochaine - maintenant).total_seconds()
heure_cible = prochaine.strftime('%Hh%M')

print(f"Prochaine extraction à {heure_cible} soit dans {int(attente)} SEC :")
for i in range(int(attente), 0, -1):
print(f" ... prochaine extraction à {heure_cible} (dans {i:3d} SEC) ", end='\r')
time.sleep(1)
print(f"Extraction en cours à {heure_cible}".ljust(60))

data = extraire_une_fois()
dispatcher_et_log(data)
forcer_valeur_1530_si_manque(get_csv_path("Séance"))

for instance in instances_live_figures:
if hasattr(instance, "update_graph"):
instance.update_graph()
elif hasattr(instance, "update_table"):
instance.update_table()

if 'tableau5min_instance' in globals():
tableau5min_instance.update_table()


# 2. Extraction régulière toutes les X minutes AVANT le 1er quart d’heure plein
while True:
maintenant = datetime.now()
minute = maintenant.minute
if minute % 15 == 0:
print(f"Atteint un quart d’heure pile : "
f"{maintenant.strftime('%H:%M:%S')}")
break

data = extraire_une_fois()
dispatcher_et_log(data)
forcer_valeur_1530_si_manque(get_csv_path("Séance"))

for instance in instances_live_figures:
if hasattr(instance, "update_graph"):
instance.update_graph()
elif hasattr(instance, "update_table"):
instance.update_table()

if 'tableau5min_instance' in globals():
tableau5min_instance.update_table()

maintenant = datetime.now()
minute = (maintenant.minute // intervalle_min + 1) * intervalle_min
heure_suivante = maintenant.replace(minute=0, second=0, microsecond=0)
prochaine = heure_suivante + timedelta(minutes=minute)
attente = (prochaine - maintenant).total_seconds()
heure_cible = prochaine.strftime('%Hh%M')

print(f"Prochaine extraction à {heure_cible} soit dans {int(attente)} SEC :")
for i in range(int(attente), 0, -1):
print(f" ... prochaine extraction à {heure_cible} (dans {i:3d} SEC) ", end='\r')
time.sleep(1)
print(f"Extraction en cours à {heure_cible}".ljust(60))

# 3. Boucle régulière calée
while True:
global date_jour_courant
nouvelle_date = datetime.now().strftime("%y%m%d")
if nouvelle_date != date_jour_courant:
print(f"Changement de jour : {date_jour_courant} → {nouvelle_date}")
date_jour_courant = nouvelle_date

now = datetime.now()
heure = now.time()

if (heure >= datetime.strptime("23:00", "%H:%M").time() or
heure < datetime.strptime("00:00", "%H:%M").time()):
if heure >= datetime.strptime("23:00", "%H:%M").time():
demain = (now + timedelta(days=1)).replace(
hour=0, minute=0, second=5, microsecond=0
)
attente = (demain - now).total_seconds()
else:
attente = max(0, 5 - now.second)
print(f"Marché futures fermé, en pause jusqu'à 00:00:05 "
f"({attente:.1f} SEC)")
time.sleep(attente)
continue

data = extraire_une_fois()
dispatcher_et_log(data)
forcer_valeur_1530_si_manque(get_csv_path("Séance"))

for instance in instances_live_figures:
if hasattr(instance, "update_graph"):
instance.update_graph()
elif hasattr(instance, "update_table"):
instance.update_table()

if 'tableau5min_instance' in globals():
tableau5min_instance.update_table()

if datetime.now().minute % 15 == 0:
maintenant = datetime.now()
prochaine = maintenant.replace(second=0, microsecond=0)
attente = (prochaine - maintenant).total_seconds()
print(f" Recalage forcé à {prochaine.strftime('%Hh%M')} dans {int(attente)} SEC")
time.sleep(max(0, attente))
random_wait = random.uniform(2, 7)
total_wait = intervalle_min * 60 + random_wait
next_extraction_time = datetime.now() + timedelta(seconds=total_wait)
heure_cible = next_extraction_time.strftime('%Hh%M')
print(f"Prochaine extraction à {heure_cible} "
f"soit dans {int(total_wait)} SEC :")
for i in range(int(total_wait), 0, -1):
print(f" ... prochaine extraction à {heure_cible} "
f"(dans {i:3d} SEC) ", end='\r')
time.sleep(1)
print(f"Extraction en cours à {heure_cible}".ljust(60))


if __name__ == "__main__":
for nom_fig in [
"Total", "Séance",
"%B30"
]:
init_log(get_csv_path(nom_fig))
intervalle_min = int(
input("Intervalle d'extraction (en minutes) ? ")
)
DELAI_UPDATE_SEC = (
intervalle_min * 60 + UPDATE_EXTRA_MARGIN
)
heure_start_str = input(
"Heure de démarrage différée (HH:MM, vide = maintenant) ? "
).strip()
if heure_start_str:
cible = datetime.strptime(
datetime.now().strftime('%Y-%m-%d') +
" " + heure_start_str, "%Y-%m-%d %H:%M"
)
attente = (cible - datetime.now()).total_seconds()
if attente > 0:
print(f"Attente jusqu'à {heure_start_str}...")
time.sleep(attente)
now = datetime.now().replace(second=0, microsecond=0)
csv_total = get_csv_path("Total")
if os.path.exists(csv_total):
df_total = (mot censuré merci de rester poli).read_csv(csv_total)
if 'date_heure' in df_total.columns and not df_total.empty:
df_total['date_heure'] = (mot censuré merci de rester poli).to_datetime(
df_total['date_heure'], errors='coerce'
)
debut_total = df_total['date_heure'].min()
fin_total = df_total.loc[
df_total['date_heure'] < df_total['date_heure'].dt.normalize()
+ (mot censuré merci de rester poli).Timedelta(hours=23), 'date_heure'
].max()
if (mot censuré merci de rester poli).isnull(fin_total):
fin_total = df_total['date_heure'].max()
else:
debut_total = now.replace(hour=0, minute=0)
fin_total = now.replace(hour=23, minute=0)
else:
debut_total = now.replace(hour=0, minute=0)
fin_total = now.replace(hour=23, minute=0)

today = now.date()
heure_debut_jour = datetime.combine(today, datetime.min.time()).replace(second=1)
heure_fin_total = datetime.combine(today, datetime.min.time()).replace(
hour=23, minute=0, second=0
)
heure_fin_premarket = datetime.combine(today, datetime.min.time()).replace(
hour=15, minute=30, second=0
)
heure_debut_seance = datetime.combine(today, datetime.min.time()).replace(
hour=15, minute=30, second=0
)
heure_fin_seance = datetime.combine(today, datetime.min.time()).replace(
hour=22, minute=0, second=0
)
root = tk.Tk()
root.title("Dashboard LIVE")
root.withdraw()
lancer_figure(root, "Total", heure_debut_jour, heure_fin_total, fig_type=1)
lancer_figure(root, "Séance", heure_debut_seance, heure_fin_seance, fig_type=3)
tableau5min_instance = Tableau5MinApp(root, get_csv_path("Séance"))
for instance in instances_live_figures:
if hasattr(instance, "update_graph"):
instance.update_graph()
elif hasattr(instance, "update_table"):
instance.update_table()
tableau5min_instance.update_table()
root.update_idletasks()
root.update()
threading.Thread(
target=extraction_unique_loop,
args=(intervalle_min,),
daemon=True
).start()
root.mainloop()

[Esus]

Merci beaucoup Lskr
Je regarde demain

[TREVE T-1000]

Esus


je pense que Claude est partie malheureusement

[Saidfed]

Autant il est en vacance dans des contrées lointaines

[Amarantine]

Je ne sais rien pour Claude.

[Esus]

TREVE,

J'ai lu que tu disais qu'il avait le "Bougon", je lui souhaite que cela soit passager.

Et Comme tu dis :

Jusqu'ou... êtes prêt à yaller

Depuis 2019 qd même soit 6 ans

[lskr]

ya que snake plissken qui peut faire tomber le nq

[Saidfed]

Les grosses mains délaissent le nasdaq hors grosses annonces !

[Saidfed]

Même les algorithmes se sont mis en veilles !

[Plim]

le chiffre du sp revient à un niveau correct par rapport au chiffre du nq. Lolll

[TREVE T-1000]

l heure des crime

[Plim]

Le tx empêche de prendre les chiffres. Il va tirer le bout jusqu'au bout... Lolll

[TREVE T-1000]

Capture1.PNG (104.52 Kio) Vu 204 fois

Lundi 22 septembre
Aucun indicateur économique notable

Mardi 23 septembre
09h45 HE
US S&P Manufacturing & Services PMI septembre préliminaire
Les enquêtes S&P Global Purchasing Managers' Index (PMI) mesurent l'activité économique mensuelle à travers les réponses des entreprises du Secteur privé.
Le PMI manufacturier suit les conditions dans les industries productrices de biens, y compris la production, les nouvelles commandes, l'emploi et les stocks.
Le PMI des services mesure l'activité dans les industries de services, comme l'activité commerciale, les nouvelles affaires, l'emploi et les coûts des intrants.
Un indice supérieur à 50 signale une expansion, tandis qu'un indice inférieur à 50 indique une contraction. La publication finale reflète les données complètes de l'enquête, mettant à jour l'estimation Flash.

Résumé du dernier rapport (final d'août)
L'enquête PMI finale d'août a montré une forte vigueur générale de l'activité du Secteur privé américain. L'indice PMI manufacturier a progressé à 53,0, poursuivant son expansion et confirmant une forte demande de biens, soutenue par la hausse des nouvelles commandes et la croissance des exportations. L'indice PMI des services s'est inscrit à 54,5, se maintenant en territoire d'expansion solide, bien que légèrement en baisse par rapport à juillet.

Les détails de l'enquête ont indiqué une demande soutenue dans les deux secteurs, les fabricants signalant des retards de travail importants et une accumulation de stocks dans un contexte de préoccupations tarifaires et d'ajustements de la chaîne d'approvisionnement. Les coûts des intrants ont augmenté de manière significative pour les biens et les services, renforçant les inquiétudes quant à la persistance des pressions inflationnistes. Globalement, les données d'août suggèrent que l'activité économique américaine reste dynamique, même si la hausse des coûts pourrait mettre à rude épreuve les marges dans les mois à venir.

Français À quoi s'attendre
Actions américaines
Des chiffres PMI plus forts que prévu pourraient soutenir les actions, en particulier les valeurs industrielles et axées sur la consommation, reflétant la dynamique de croissance continue.
Des résultats plus faibles que prévu pourraient mettre les actions sous pression, les investisseurs intégrant une activité économique plus faible.
Dollar américain
Un résultat PMI plus fort pourrait soutenir le dollar, soulignant la résilience de l'économie américaine.
Des données plus faibles pourraient affaiblir le dollar, signalant une dynamique de croissance réduite.
Obligations d'État
Des PMI plus forts, associés à des signes de coûts des intrants plus élevés, pourraient faire grimper les rendements en raison des craintes d'Inflation.
Des PMI plus faibles pourraient entraîner une baisse des rendements, les investisseurs anticipant une FED plus accommodante.
Politique de la Réserve fédérale
Des chiffres d'activité robustes pourraient encourager la FED à reporter toute baisse agressive des taux, soulignant la prudence face aux risques d'Inflation.
Des chiffres plus faibles renforceraient probablement les attentes de baisses de taux, s'alignant sur une position plus accommodante.

Mercredi 24 septembre
10h30 HE
Stocks hebdomadaires de pétrole brut (EIA) aux États-Unis.
Le rapport hebdomadaire de l'EIA sur la situation pétrolière suit l'évolution hebdomadaire des stocks commerciaux de pétrole brut aux États-Unis (hors Réserve pétrolière stratégique), ainsi que les intrants des raffineries, les importations, les exportations et les stocks de produits pétroliers. Il s'agit d'un indicateur clé de l'offre sur le marché pétrolier et influence fortement les anticipations de prix du brut et des actions du secteur énergétique.

Français À quoi s'attendre
concernant le prix du pétrole
L'accumulation imprévue des stocks de brut est susceptible d'exercer une pression à la baisse sur les prix du pétrole, en particulier si elle signale un affaiblissement de la demande ou une offre excédentaire.
Si les futurs rapports sur les stocks indiquent des prélèvements plus importants, les prix du pétrole pourraient rebondir fortement, car une dynamique d'offre plus serrée dominerait le sentiment. Actions énergétiques Les actions
du secteur de
l'énergie (par exemple, les producteurs, les raffineurs) pourraient être sous pression si la hausse des stocks persiste, car les attentes en matière de marge pourraient s'affaiblir.
À l'inverse, si les prélèvements sur les stocks réapparaissent (en particulier pour des produits clés comme les distillats ou l'essence), cela pourrait stimuler les actions énergétiques en améliorant les perspectives de demande et de prix.

Jeudi 25 septembre
08h30 HE
pib américain T/T 3e estimation et composantes de l'inflation
Le Produit intérieur brut (pib) mesure la valeur totale de tous les biens et services finaux produits dans un pays sur une période donnée, ajustée de l'inflation. Les composantes de l'inflation comprennent :
l'indice des prix des achats intérieurs bruts (biens et services achetés par les résidents américains),
l'indice des prix des dépenses de consommation personnelle (PCE) (Inflation globale) et
l'indice des prix PCE de base, qui exclut les produits alimentaires et l'énergie pour se concentrer sur les tendances sous-jacentes de l'inflation.
Ces mesures permettent de distinguer la croissance réelle des variations induites par l'inflation, ce qui est crucial pour évaluer la dynamique économique et la politique de la FED.

Résumé du dernier rapport (deuxième estimation du T2)
Le pib réel a augmenté de 3,3 % en rythme annualisé au T2 2025, contre une contraction de 0,5 % au T1.
Cette révision à la hausse par rapport à l'estimation préliminaire du T2 (qui tablait sur un pib réel de 3,0 %) est principalement due à des dépenses de consommation plus fortes et à des révisions à la baisse des importations, partiellement compensées par des exportations et des investissements plus faibles.
Côté Inflation :
L'indice des prix des achats intérieurs bruts (tous les biens et services achetés par les résidents des États-Unis) a augmenté de 1,8 % en rythme annualisé au T2, en légère baisse par rapport aux estimations précédentes.
L'indice des prix PCE global a augmenté de 2,0 % (en glissement annuel annualisé) au T2.
l'inflation de base PCE (hors alimentation et énergie) s'est également établie à 2,5 %, soit le même niveau que les estimations précédentes.

Français À quoi s'attendre
Actions américaines
Si les prochains indicateurs du pib ou de l'inflation dépassent les attentes (par exemple, des ventes finales réelles plus fortes, une Inflation sous-jacente persistante), les actions, en particulier dans les secteurs de la consommation, de l'industrie et de la croissance, pourraient se redresser sur des signes de résilience économique. Si l'inflation semble plus rigide que souhaité sans une vigueur correspondante de la demande sous-jacente, les actions pourraient sous-performer en raison des craintes d'un resserrement de la politique ou de pressions sur les marges.
Dollar américain
Une croissance plus forte du pib associée à une Inflation sous-jacente stable ou en hausse pourrait renforcer le dollar, car les marchés peuvent anticiper moins de baisses de taux ou une politique plus agressive de la part de la FED. Si l'inflation est plus faible, ou si la demande faiblit, cela pourrait exercer une pression à la baisse sur l'USD.
Obligations d'État
Une croissance/Inflation plus élevée que prévu pousse généralement les rendements à la hausse (les prix des obligations baissent), car les marchés obligataires ajustent les attentes en matière de politique. À l'inverse, si l'inflation faiblit ou si la croissance semble fragile, les rendements peuvent baisser, car les investisseurs intègrent un assouplissement potentiel.
Politique de la Réserve fédérale
La croissance révisée plus forte du pib au deuxième trimestre, combinée à une Inflation de l'ordre de 2,0 à 2,5 %, renforce une position plus neutre ou prudente de la FED. Cela suggère que la FED pourrait reporter les baisses de taux, surtout si l'inflation reste égale ou supérieure à l'objectif. Cependant, la cohérence est importante : si une croissance vigoureuse n'est pas soutenue par des ventes finales ou des salaires élevés, ou si l'inflation recule, l'assouplissement monétaire reste envisageable.

08h30 HE
Demandes hebdomadaires initiales et continues d'allocations chômage aux États-Unis. Les
demandes initiales d'allocations chômage suivent le nombre de personnes demandant des allocations chômage pour la première fois chaque semaine. Les demandes continues suivent les personnes qui perçoivent encore des allocations. Ces indicateurs sont des indicateurs opportuns de la santé du marché du travail et sont surveillés de près pour détecter des signaux concernant la croissance économique, la performance des marchés boursiers et la politique de la Réserve fédérale.

Français À quoi s'attendre
Actions américaines
Des demandes d'indemnisation plus élevées que prévu pourraient peser sur les actions, en particulier dans les secteurs axés sur la consommation et les secteurs cycliques, signalant un ralentissement de la croissance de l'emploi.
Des demandes d'indemnisation inférieures aux prévisions pourraient soutenir les actions, indiquant une vigueur continue du marché du travail.
Dollar américain
La hausse des demandes d'indemnisation pourrait affaiblir le dollar américain, car la dégradation des conditions de travail réduit les attentes d'un resserrement à court terme de la FED.
La baisse des demandes d'indemnisation pourrait renforcer le dollar américain, reflétant une économie résiliente.
Obligations d'État
Une hausse des demandes d'indemnisation pourrait entraîner une baisse des rendements (hausse des prix des obligations), car les marchés anticipent un ralentissement de la croissance et un éventuel assouplissement de la FED.
Une baisse des demandes d'indemnisation pourrait faire grimper les rendements (baisse des prix des obligations), signalant une croissance soutenue et des risques d'Inflation.
Politique de la Réserve fédérale
Des données plus solides sur le marché du travail (demandes d'indemnisation inférieures aux attentes) pourraient réduire la probabilité de baisses de taux à court terme.
Des données plus faibles (demandes d'indemnisation supérieures aux attentes) pourraient accroître les attentes d'un assouplissement de la FED pour soutenir l'économie.

Vendredi 26 septembre
08h30 HE
Indice des prix PCE (US PCE) d'août.
L'indice des prix PCE mesure l'évolution moyenne des prix payés par les consommateurs pour les biens et services. Il s'agit d'un indicateur clé de l'inflation utilisé par la Réserve fédérale pour évaluer la stabilité des prix et éclairer les décisions de Politique monétaire. L'indice des prix PCE de base exclut les prix des denrées alimentaires et de l'énergie afin de mieux comprendre les tendances sous-jacentes de l'inflation.

Résumé du dernier rapport (juillet)
Indice des prix PCE principal (en glissement annuel) : A augmenté de 2,6 % en juillet 2025, inchangé par rapport à juin 2025.
Bureau of Economic Analysis
Indice des prix PCE de base (en glissement annuel) : A augmenté de 2,9 % en juillet 2025, contre 2,8 % en juin 2025.
Bureau of Economic Analysis

Français À quoi s'attendre
Actions américaines
Une Inflation plus élevée que prévu pourrait entraîner une volatilité accrue sur les marchés boursiers, en particulier dans les secteurs sensibles aux taux d'intérêt.
Une Inflation plus faible que prévu pourrait soutenir des cours boursiers plus élevés, car elle pourrait réduire la probabilité de hausses de taux agressives de la Réserve fédérale.
Dollar américain
Une Inflation croissante peut renforcer le dollar américain, car les investisseurs anticipent un resserrement de la Politique monétaire.
Une baisse de l'inflation pourrait affaiblir le dollar, ce qui pourrait conduire à des attentes de baisses de taux.
Obligations d'État
Une Inflation plus élevée se traduit généralement par des rendements plus élevés (des prix des obligations plus bas), car les investisseurs exigent un rendement plus élevé pour compenser le risque d'Inflation.
Une Inflation plus faible peut entraîner des rendements plus faibles, car les attentes de hausses de taux diminuent.
Politique de la Réserve fédérale
Une Inflation persistante au-dessus de l'objectif de la FED peut inciter à des hausses de taux d'intérêt pour contrôler les niveaux de prix.
Une Inflation modérée pourrait amener la FED à suspendre ou à réduire ses taux d'intérêt, dans le but de stimuler l'activité économique.

10h00 HE
Sentiment et attentes d'Inflation de l'Université du Michigan, Finale de septembre.
L'indice de confiance des consommateurs de l'Université du Michigan mesure la confiance des consommateurs dans l'économie américaine en évaluant leurs attitudes envers la conjoncture économique actuelle et leurs attentes futures. Il s'agit d'un indicateur avancé des dépenses de consommation et de l'activité économique. L'enquête mesure également les attentes d'Inflation, qui reflètent le taux d'Inflation anticipé par les consommateurs pour l'année à venir et les cinq à dix prochaines années.

Résumé du dernier rapport (préliminaire de septembre)
: Indice de confiance des consommateurs : En baisse à 55,4, contre 58,2 en août, son plus bas niveau depuis mai. Cette baisse reflète les inquiétudes croissantes concernant l’Inflation, la sécurité de l’emploi et la conjoncture économique.
Conjoncture économique : En baisse à 61,2, en légère baisse par rapport à 61,7 en août, ce qui indique une légère baisse de la perception de la situation économique actuelle.
Attentes des consommateurs : En baisse à 51,8, en forte baisse par rapport à 55,9 en août, ce qui suggère un pessimisme accru quant aux perspectives économiques.
Prévisions d’Inflation à 1 an : Stables à 4,8 %, inchangées par rapport à août, les consommateurs anticipant une Inflation persistante à court terme.
Prévisions d’Inflation à 5 ans : En hausse à 3,9 %, contre 3,5 % en août, ce qui suggère une inquiétude croissante concernant l’Inflation à long terme.
Reuters

Français À quoi s'attendre
Actions américaines
Hausse des attentes d'Inflation : Pourrait conduire à une volatilité accrue sur les marchés boursiers, en particulier dans les secteurs sensibles aux taux d'intérêt.
Baisse de la confiance des consommateurs : Pourrait atténuer le sentiment des investisseurs, ce qui pourrait entraîner une baisse des cours des actions.
Dollar américain
Hausse des attentes d'Inflation : Pourrait renforcer le dollar américain, les investisseurs anticipant un resserrement de la Politique monétaire.
Baisse de la confiance des consommateurs : Pourrait affaiblir le dollar si cela conduit à une réduction de l'activité économique et à une baisse des taux d'intérêt.
Obligations d'État
Hausse des attentes d'Inflation : Pourrait pousser les rendements obligataires à la hausse (les prix à la baisse), les investisseurs exigeant un rendement plus élevé pour compenser le risque d'Inflation.
Baisse de la confiance des consommateurs : Pourrait conduire à une baisse des rendements (des prix des obligations plus élevés) si cela augmente les attentes de ralentissement économique et de baisses de taux potentielles.
Politique de la Réserve fédérale
Inquiétudes persistantes concernant l'inflation : Pourrait inciter la Réserve fédérale à envisager un resserrement de la Politique monétaire pour contrôler l'inflation.
Baisse de la confiance des consommateurs : Pourrait inciter la FED à adopter une position plus accommodante pour soutenir la croissance économique.




Lundi 22 septembre
Aucun indicateur économique notable

Mardi 23 septembre
09h45 HE
US S&P Manufacturing & Services PMI septembre préliminaire
Les enquêtes S&P Global Purchasing Managers' Index (PMI) mesurent l'activité économique mensuelle à travers les réponses des entreprises du Secteur privé.
Le PMI manufacturier suit les conditions dans les industries productrices de biens, y compris la production, les nouvelles commandes, l'emploi et les stocks.
Le PMI des services mesure l'activité dans les industries de services, comme l'activité commerciale, les nouvelles affaires, l'emploi et les coûts des intrants.
Un indice supérieur à 50 signale une expansion, tandis qu'un indice inférieur à 50 indique une contraction. La publication finale reflète les données complètes de l'enquête, mettant à jour l'estimation Flash.

Résumé du dernier rapport (final d'août)
L'enquête PMI finale d'août a montré une forte vigueur générale de l'activité du Secteur privé américain. L'indice PMI manufacturier a progressé à 53,0, poursuivant son expansion et confirmant une forte demande de biens, soutenue par la hausse des nouvelles commandes et la croissance des exportations. L'indice PMI des services s'est inscrit à 54,5, se maintenant en territoire d'expansion solide, bien que légèrement en baisse par rapport à juillet.

Les détails de l'enquête ont indiqué une demande soutenue dans les deux secteurs, les fabricants signalant des retards de travail importants et une accumulation de stocks dans un contexte de préoccupations tarifaires et d'ajustements de la chaîne d'approvisionnement. Les coûts des intrants ont augmenté de manière significative pour les biens et les services, renforçant les inquiétudes quant à la persistance des pressions inflationnistes. Globalement, les données d'août suggèrent que l'activité économique américaine reste dynamique, même si la hausse des coûts pourrait mettre à rude épreuve les marges dans les mois à venir.

Français À quoi s'attendre
Actions américaines
Des chiffres PMI plus forts que prévu pourraient soutenir les actions, en particulier les valeurs industrielles et axées sur la consommation, reflétant la dynamique de croissance continue.
Des résultats plus faibles que prévu pourraient mettre les actions sous pression, les investisseurs intégrant une activité économique plus faible.
Dollar américain
Un résultat PMI plus fort pourrait soutenir le dollar, soulignant la résilience de l'économie américaine.
Des données plus faibles pourraient affaiblir le dollar, signalant une dynamique de croissance réduite.
Obligations d'État
Des PMI plus forts, associés à des signes de coûts des intrants plus élevés, pourraient faire grimper les rendements en raison des craintes d'Inflation.
Des PMI plus faibles pourraient entraîner une baisse des rendements, les investisseurs anticipant une FED plus accommodante.
Politique de la Réserve fédérale
Des chiffres d'activité robustes pourraient encourager la FED à reporter toute baisse agressive des taux, soulignant la prudence face aux risques d'Inflation.
Des chiffres plus faibles renforceraient probablement les attentes de baisses de taux, s'alignant sur une position plus accommodante.

Mercredi 24 septembre
10h30 HE
Stocks hebdomadaires de pétrole brut (EIA) aux États-Unis.
Le rapport hebdomadaire de l'EIA sur la situation pétrolière suit l'évolution hebdomadaire des stocks commerciaux de pétrole brut aux États-Unis (hors Réserve pétrolière stratégique), ainsi que les intrants des raffineries, les importations, les exportations et les stocks de produits pétroliers. Il s'agit d'un indicateur clé de l'offre sur le marché pétrolier et influence fortement les anticipations de prix du brut et des actions du secteur énergétique.

Français À quoi s'attendre
concernant le prix du pétrole
L'accumulation imprévue des stocks de brut est susceptible d'exercer une pression à la baisse sur les prix du pétrole, en particulier si elle signale un affaiblissement de la demande ou une offre excédentaire.
Si les futurs rapports sur les stocks indiquent des prélèvements plus importants, les prix du pétrole pourraient rebondir fortement, car une dynamique d'offre plus serrée dominerait le sentiment. Actions énergétiques Les actions
du secteur de
l'énergie (par exemple, les producteurs, les raffineurs) pourraient être sous pression si la hausse des stocks persiste, car les attentes en matière de marge pourraient s'affaiblir.
À l'inverse, si les prélèvements sur les stocks réapparaissent (en particulier pour des produits clés comme les distillats ou l'essence), cela pourrait stimuler les actions énergétiques en améliorant les perspectives de demande et de prix.

Jeudi 25 septembre
08h30 HE
pib américain T/T 3e estimation et composantes de l'inflation
Le Produit intérieur brut (pib) mesure la valeur totale de tous les biens et services finaux produits dans un pays sur une période donnée, ajustée de l'inflation. Les composantes de l'inflation comprennent :
l'indice des prix des achats intérieurs bruts (biens et services achetés par les résidents américains),
l'indice des prix des dépenses de consommation personnelle (PCE) (Inflation globale) et
l'indice des prix PCE de base, qui exclut les produits alimentaires et l'énergie pour se concentrer sur les tendances sous-jacentes de l'inflation.
Ces mesures permettent de distinguer la croissance réelle des variations induites par l'inflation, ce qui est crucial pour évaluer la dynamique économique et la politique de la FED.

Résumé du dernier rapport (deuxième estimation du T2)
Le pib réel a augmenté de 3,3 % en rythme annualisé au T2 2025, contre une contraction de 0,5 % au T1.
Cette révision à la hausse par rapport à l'estimation préliminaire du T2 (qui tablait sur un pib réel de 3,0 %) est principalement due à des dépenses de consommation plus fortes et à des révisions à la baisse des importations, partiellement compensées par des exportations et des investissements plus faibles.
Côté Inflation :
L'indice des prix des achats intérieurs bruts (tous les biens et services achetés par les résidents des États-Unis) a augmenté de 1,8 % en rythme annualisé au T2, en légère baisse par rapport aux estimations précédentes.
L'indice des prix PCE global a augmenté de 2,0 % (en glissement annuel annualisé) au T2.
l'inflation de base PCE (hors alimentation et énergie) s'est également établie à 2,5 %, soit le même niveau que les estimations précédentes.

Français À quoi s'attendre
Actions américaines
Si les prochains indicateurs du pib ou de l'inflation dépassent les attentes (par exemple, des ventes finales réelles plus fortes, une Inflation sous-jacente persistante), les actions, en particulier dans les secteurs de la consommation, de l'industrie et de la croissance, pourraient se redresser sur des signes de résilience économique. Si l'inflation semble plus rigide que souhaité sans une vigueur correspondante de la demande sous-jacente, les actions pourraient sous-performer en raison des craintes d'un resserrement de la politique ou de pressions sur les marges.
Dollar américain
Une croissance plus forte du pib associée à une Inflation sous-jacente stable ou en hausse pourrait renforcer le dollar, car les marchés peuvent anticiper moins de baisses de taux ou une politique plus agressive de la part de la FED. Si l'inflation est plus faible, ou si la demande faiblit, cela pourrait exercer une pression à la baisse sur l'USD.
Obligations d'État
Une croissance/Inflation plus élevée que prévu pousse généralement les rendements à la hausse (les prix des obligations baissent), car les marchés obligataires ajustent les attentes en matière de politique. À l'inverse, si l'inflation faiblit ou si la croissance semble fragile, les rendements peuvent baisser, car les investisseurs intègrent un assouplissement potentiel.
Politique de la Réserve fédérale
La croissance révisée plus forte du pib au deuxième trimestre, combinée à une Inflation de l'ordre de 2,0 à 2,5 %, renforce une position plus neutre ou prudente de la FED. Cela suggère que la FED pourrait reporter les baisses de taux, surtout si l'inflation reste égale ou supérieure à l'objectif. Cependant, la cohérence est importante : si une croissance vigoureuse n'est pas soutenue par des ventes finales ou des salaires élevés, ou si l'inflation recule, l'assouplissement monétaire reste envisageable.

08h30 HE
Demandes hebdomadaires initiales et continues d'allocations chômage aux États-Unis. Les
demandes initiales d'allocations chômage suivent le nombre de personnes demandant des allocations chômage pour la première fois chaque semaine. Les demandes continues suivent les personnes qui perçoivent encore des allocations. Ces indicateurs sont des indicateurs opportuns de la santé du marché du travail et sont surveillés de près pour détecter des signaux concernant la croissance économique, la performance des marchés boursiers et la politique de la Réserve fédérale.

Français À quoi s'attendre
Actions américaines
Des demandes d'indemnisation plus élevées que prévu pourraient peser sur les actions, en particulier dans les secteurs axés sur la consommation et les secteurs cycliques, signalant un ralentissement de la croissance de l'emploi.
Des demandes d'indemnisation inférieures aux prévisions pourraient soutenir les actions, indiquant une vigueur continue du marché du travail.
Dollar américain
La hausse des demandes d'indemnisation pourrait affaiblir le dollar américain, car la dégradation des conditions de travail réduit les attentes d'un resserrement à court terme de la FED.
La baisse des demandes d'indemnisation pourrait renforcer le dollar américain, reflétant une économie résiliente.
Obligations d'État
Une hausse des demandes d'indemnisation pourrait entraîner une baisse des rendements (hausse des prix des obligations), car les marchés anticipent un ralentissement de la croissance et un éventuel assouplissement de la FED.
Une baisse des demandes d'indemnisation pourrait faire grimper les rendements (baisse des prix des obligations), signalant une croissance soutenue et des risques d'Inflation.
Politique de la Réserve fédérale
Des données plus solides sur le marché du travail (demandes d'indemnisation inférieures aux attentes) pourraient réduire la probabilité de baisses de taux à court terme.
Des données plus faibles (demandes d'indemnisation supérieures aux attentes) pourraient accroître les attentes d'un assouplissement de la FED pour soutenir l'économie.

Vendredi 26 septembre
08h30 HE
Indice des prix PCE (US PCE) d'août.
L'indice des prix PCE mesure l'évolution moyenne des prix payés par les consommateurs pour les biens et services. Il s'agit d'un indicateur clé de l'inflation utilisé par la Réserve fédérale pour évaluer la stabilité des prix et éclairer les décisions de Politique monétaire. L'indice des prix PCE de base exclut les prix des denrées alimentaires et de l'énergie afin de mieux comprendre les tendances sous-jacentes de l'inflation.

Résumé du dernier rapport (juillet)
Indice des prix PCE principal (en glissement annuel) : A augmenté de 2,6 % en juillet 2025, inchangé par rapport à juin 2025.
Bureau of Economic Analysis
Indice des prix PCE de base (en glissement annuel) : A augmenté de 2,9 % en juillet 2025, contre 2,8 % en juin 2025.
Bureau of Economic Analysis

Français À quoi s'attendre
Actions américaines
Une Inflation plus élevée que prévu pourrait entraîner une volatilité accrue sur les marchés boursiers, en particulier dans les secteurs sensibles aux taux d'intérêt.
Une Inflation plus faible que prévu pourrait soutenir des cours boursiers plus élevés, car elle pourrait réduire la probabilité de hausses de taux agressives de la Réserve fédérale.
Dollar américain
Une Inflation croissante peut renforcer le dollar américain, car les investisseurs anticipent un resserrement de la Politique monétaire.
Une baisse de l'inflation pourrait affaiblir le dollar, ce qui pourrait conduire à des attentes de baisses de taux.
Obligations d'État
Une Inflation plus élevée se traduit généralement par des rendements plus élevés (des prix des obligations plus bas), car les investisseurs exigent un rendement plus élevé pour compenser le risque d'Inflation.
Une Inflation plus faible peut entraîner des rendements plus faibles, car les attentes de hausses de taux diminuent.
Politique de la Réserve fédérale
Une Inflation persistante au-dessus de l'objectif de la FED peut inciter à des hausses de taux d'intérêt pour contrôler les niveaux de prix.
Une Inflation modérée pourrait amener la FED à suspendre ou à réduire ses taux d'intérêt, dans le but de stimuler l'activité économique.

10h00 HE
Sentiment et attentes d'Inflation de l'Université du Michigan, Finale de septembre.
L'indice de confiance des consommateurs de l'Université du Michigan mesure la confiance des consommateurs dans l'économie américaine en évaluant leurs attitudes envers la conjoncture économique actuelle et leurs attentes futures. Il s'agit d'un indicateur avancé des dépenses de consommation et de l'activité économique. L'enquête mesure également les attentes d'Inflation, qui reflètent le taux d'Inflation anticipé par les consommateurs pour l'année à venir et les cinq à dix prochaines années.

Résumé du dernier rapport (préliminaire de septembre)
: Indice de confiance des consommateurs : En baisse à 55,4, contre 58,2 en août, son plus bas niveau depuis mai. Cette baisse reflète les inquiétudes croissantes concernant l’Inflation, la sécurité de l’emploi et la conjoncture économique.
Conjoncture économique : En baisse à 61,2, en légère baisse par rapport à 61,7 en août, ce qui indique une légère baisse de la perception de la situation économique actuelle.
Attentes des consommateurs : En baisse à 51,8, en forte baisse par rapport à 55,9 en août, ce qui suggère un pessimisme accru quant aux perspectives économiques.
Prévisions d’Inflation à 1 an : Stables à 4,8 %, inchangées par rapport à août, les consommateurs anticipant une Inflation persistante à court terme.
Prévisions d’Inflation à 5 ans : En hausse à 3,9 %, contre 3,5 % en août, ce qui suggère une inquiétude croissante concernant l’Inflation à long terme.
Reuters

Français À quoi s'attendre
Actions américaines
Hausse des attentes d'Inflation : Pourrait conduire à une volatilité accrue sur les marchés boursiers, en particulier dans les secteurs sensibles aux taux d'intérêt.
Baisse de la confiance des consommateurs : Pourrait atténuer le sentiment des investisseurs, ce qui pourrait entraîner une baisse des cours des actions.
Dollar américain
Hausse des attentes d'Inflation : Pourrait renforcer le dollar américain, les investisseurs anticipant un resserrement de la Politique monétaire.
Baisse de la confiance des consommateurs : Pourrait affaiblir le dollar si cela conduit à une réduction de l'activité économique et à une baisse des taux d'intérêt.
Obligations d'État
Hausse des attentes d'Inflation : Pourrait pousser les rendements obligataires à la hausse (les prix à la baisse), les investisseurs exigeant un rendement plus élevé pour compenser le risque d'Inflation.
Baisse de la confiance des consommateurs : Pourrait conduire à une baisse des rendements (des prix des obligations plus élevés) si cela augmente les attentes de ralentissement économique et de baisses de taux potentielles.
Politique de la Réserve fédérale
Inquiétudes persistantes concernant l'inflation : Pourrait inciter la Réserve fédérale à envisager un resserrement de la Politique monétaire pour contrôler l'inflation.
Baisse de la confiance des consommateurs : Pourrait inciter la FED à adopter une position plus accommodante pour soutenir la croissance économique.

[TREVE T-1000]

earning la semaine prochaine

d autre restant de chaudron

Capture11.PNG (256.89 Kio) Vu 202 fois

[TREVE T-1000]

le russell 2000 a faite sont break out historique auj

[Plim]

Y'a la 1ere weekly par le haut sur le sp dérivé pas très loin. 3pts au-dessus du top du jour.

[TREVE T-1000]

Capture111.PNG (6.6 Kio) Vu 200 fois

[Plim]

1ere weekly sp