Datasets en finance

Indicateurs macroéconomiques officiels français : PIB, inflation, emploi, démographie.

Usage

Téléchargement direct en CSV/Excel via l'explorateur de données, ou requêtage via l'API Insee (BDM) pour de l'intégration automatisée.

Limites

Nomenclatures spécifiques à la France peu comparables à l'international ; délais de publication de plusieurs semaines à mois selon l'indicateur.

Base statistique officielle de l'UE : macroéconomie, commerce, social, environnement, par pays membre.

Usage

Navigation par thème sur l'interface web, export CSV/TSV, ou API REST (JSON-stat) pour intégration programmatique.

Limites

Volume de données très dense, navigation parfois complexe ; certains indicateurs nationaux ne remontent pas encore au niveau européen.

Plus de 800 000 séries macroéconomiques et financières, maintenues par la Fed de Saint-Louis.

Usage

Interface de graphes interactive, export CSV/Excel, API REST et client Python (fredapi) pour automatiser la récupération.

Limites

Certaines séries internationales sont des rediffusions d'autres organismes avec un décalage de publication ; couverture plus riche côté US.

Statistiques monétaires, financières et prudentielles publiées par la Banque de France.

Usage

Recherche par thème sur le portail Webstat, export CSV, ou API SDMX pour intégration technique.

Limites

Interface SDMX plus technique que les autres portails ; certaines séries changent de méthodologie sans avertissement clair.

API gratuite pour cours boursiers en temps différé, forex, cryptomonnaies et indicateurs techniques.

Usage

Clé API gratuite en quelques secondes, requêtes REST documentées, wrappers officiels Python/JS.

Limites

Quota gratuit limité (typiquement 25 requêtes/jour) ; latence des données temps réel non garantie sur le plan gratuit.

Marketplace de datasets financiers et économiques, avec un socle de tables gratuites.

Usage

API REST et client officiel (nasdaq-data-link pour Python), clé API gratuite à l'inscription.

Limites

Beaucoup de tables intéressantes sont passées payantes depuis le rachat par Nasdaq ; bien vérifier le badge « Free » avant intégration.

284 807 transactions par carte bancaire réelles, dont 492 fraudes, issues de porteurs européens en septembre 2013.

Usage

Référence mondiale pour la détection de fraude en classification très déséquilibrée : rééchantillonnage (SMOTE, sous-échantillonnage), gradient boosting, détection d'anomalies. Évaluer avec l'aire sous la courbe précision-rappel (AUPRC) plutôt qu'avec l'accuracy. Un CSV d'environ 150 Mo, licence ODbL.

Limites

Les variables d'origine sont masquées par l'ACP : aucune interprétation métier possible (marchand, pays, type de carte). Deux jours seulement, donc pas de saisonnalité, et des données de 2013 qui ne reflètent plus les schémas de fraude actuels.

Jeu bancaire relationnel complet : transactions des années 2010, cartes, clients, codes marchands (MCC) et labels de fraude.

Usage

Idéal pour s'entraîner sur un vrai modèle relationnel : jointures SQL, feature engineering au niveau client, détection de fraude supervisée, segmentation, prévision de dépenses. Licence Apache 2.0.

Limites

Données synthétiques, et non de vraies opérations bancaires. Le volume (plus de 1,4 Go) demande un traitement par morceaux (chunks) ou un outil comme DuckDB/Polars. Les labels de fraude ne couvrent que la partie entraînement.

Campagnes de télémarketing d'une banque portugaise (2008-2010) : prédire si un client souscrira un dépôt à terme.

Usage

Cas d'école du scoring marketing bancaire : classification binaire, ciblage des clients à appeler, courbes de lift et analyse coût/bénéfice d'une campagne. Version Kaggle du jeu « Bank Marketing » de l'UCI. Licence CC0.

Limites

La variable duration (durée de l'appel) n'est connue qu'après l'appel : l'utiliser comme prédicteur crée une fuite de données. test.csv est un échantillon de train.csv, pas un vrai jeu hors échantillon. Classes déséquilibrées (environ 12 % de « oui »).

Transactions et profils clients d'une banque fictive dans un seul CSV, prêt à charger pour l'analyse ou le SQL.

Usage

Bon terrain d'entraînement pour débuter : requêtes SQL, tableaux de bord, segmentation client et analyse des tendances de solde. Licence MIT, téléchargement direct depuis GitHub.

Limites

Données fictives issues d'une banque hypothétique : aucune valeur pour des conclusions réelles. Pas de label de fraude, et une documentation limitée au README.

Échantillon d'un journal de transactions bancaires (opérations, retraits, dépôts) avec le détail agence et compte.

Usage

Utile pour découvrir la structure type d'un journal de transactions bancaires et maquetter un schéma de base ou un pipeline d'ingestion. Licence CC0.

Limites

Simple échantillon de quelques kilo-octets : trop petit pour du machine learning. Le jeu complet est commercialisé par Demo Data, pas gratuit. Données de démonstration, et non réelles.

677 991 contrats d'assurance auto responsabilité civile en France, avec le nombre de sinistres observé sur un an.

Usage

Jeu de référence de la tarification actuarielle : modélisation de fréquence de sinistres par GLM Poisson avec offset log(Exposure), puis comparaison avec GBM et réseaux de neurones. Base des tutoriels data science de l'Association Suisse des Actuaires. Licence GPL-2.

Limites

Fréquence seulement : les montants de sinistres sont dans le jeu séparé freMTPL2sev. Période et assureur non documentés, et certaines valeurs d'exposition ou de ClaimNb sont aberrantes et doivent être plafonnées avant modélisation.

1 338 assurés santé américains : prédire les frais médicaux facturés à partir de l'âge, de l'IMC, du tabagisme et de la région.

Usage

Le classique pour apprendre la régression en tarification santé : régression linéaire, interactions (tabac × IMC), transformation log de la cible, arbres de décision. Tient en mémoire et se prête aux démonstrations pédagogiques. Licence ODbL.

Limites

Très petit échantillon, construit à partir de statistiques publiques américaines et non d'un portefeuille réel. Système de santé américain, donc non transposable tel quel au marché français. Peu de variables explicatives.

100 000 individus avec profil socio-économique, santé, mode de vie, contrat d'assurance, historique de sinistres et coût médical annuel.

Usage

Prédiction de coût (régression), classification par niveau de risque, clustering de profils assurés. La séparation temporelle entre prédicteurs et cible est documentée, ce qui aide à éviter les fuites de données. Licence CC0.

Limites

L'origine n'est pas documentée : les données sont très probablement synthétiques, donc les relations entre variables peuvent être trop simples par rapport à la réalité. Utiliser seulement les variables disponibles avant la période de prédiction.