Deepvest/ProfilingAI

1import pandas as pd2import numpy as np3from typing import List, Dict4import random5 6class InvestmentDataGenerator:7    """Générateur de données pour l'entraînement du modèle d'investissement"""8    9    def __init__(self, num_samples: int = 1000):10        self.num_samples = num_samples11        12        # Définition des valeurs possibles13        self.risk_levels = ["Prudent", "Modéré", "Dynamique"]14        self.goals = [15            "Retraite", 16            "Achat immobilier", 17            "Études des enfants",18            "Épargne de précaution",19            "Création d'entreprise",20            "Voyage",21            "Patrimoine"22        ]23        24    def generate_data(self) -> pd.DataFrame:25        """Génère un DataFrame avec des profils et recommandations"""26        data = []27        28        for _ in range(self.num_samples):29            # Générer un profil30            age = random.randint(18, 70)31            income = random.randint(20, 200) * 100  # 2000€ à 20000€32            savings = random.randint(5, 50) * 100   # 500€ à 5000€33            34            # Sélectionner 1-3 objectifs aléatoires35            num_goals = random.randint(1, 3)36            selected_goals = ", ".join(random.sample(self.goals, num_goals))37            38            # Déterminer le niveau de risque en fonction de l'âge39            risk_tolerance = self._determine_risk_tolerance(age)40            41            # Calculer l'allocation recommandée42            allocation = self._calculate_allocation(age, risk_tolerance)43            44            # Calculer l'investissement mensuel recommandé45            monthly_investment = self._calculate_monthly_investment(income, age)46            47            # Générer l'explication de la stratégie48            strategy = self._generate_strategy_explanation(49                age, risk_tolerance, selected_goals, allocation50            )51            52            data.append({53                "age": age,54                "income": income,55                "savings": savings,56                "goals": selected_goals,57                "risk_tolerance": risk_tolerance,58                "stocks_allocation": allocation["stocks"],59                "bonds_allocation": allocation["bonds"],60                "cash_allocation": allocation["cash"],61                "monthly_investment": monthly_investment,62                "strategy_explanation": strategy63            })64        65        return pd.DataFrame(data)66    67    def _determine_risk_tolerance(self, age: int) -> str:68        """Détermine le niveau de risque en fonction de l'âge"""69        if age < 30:70            weights = [0.1, 0.3, 0.6]  # Plus de chance d'être dynamique71        elif age < 50:72            weights = [0.2, 0.5, 0.3]  # Plus de chance d'être modéré73        else:74            weights = [0.6, 0.3, 0.1]  # Plus de chance d'être prudent75            76        return random.choices(self.risk_levels, weights=weights)[0]77    78    def _calculate_allocation(self, age: int, risk_tolerance: str) -> Dict[str, int]:79        """Calcule l'allocation d'actifs recommandée"""80        # Base d'allocation selon le risque81        base_allocations = {82            "Prudent": {"stocks": 30, "bonds": 60, "cash": 10},83            "Modéré": {"stocks": 60, "bonds": 30, "cash": 10},84            "Dynamique": {"stocks": 80, "bonds": 15, "cash": 5}85        }86        87        # Ajustement selon l'âge88        allocation = base_allocations[risk_tolerance].copy()89        90        if age > 50:91            # Réduire l'exposition aux actions avec l'âge92            reduction = (age - 50) * 1  # 1% de réduction par année après 50 ans93            allocation["stocks"] = max(20, allocation["stocks"] - reduction)94            allocation["bonds"] += reduction95            96        return allocation97    98    def _calculate_monthly_investment(self, income: int, age: int) -> int:99        """Calcule l'investissement mensuel recommandé"""100        # Base: 20% du revenu101        base_investment = income * 0.2102        103        # Ajustement selon l'âge104        if age < 30:105            # Les jeunes ont plus de temps mais moins de moyens106            multiplier = 0.8107        elif age < 50:108            # Phase d'accumulation principale109            multiplier = 1.2110        else:111            # Phase de préparation à la retraite112            multiplier = 1.5113            114        return int(base_investment * multiplier)115    116    def _generate_strategy_explanation(self, 117                                    age: int, 118                                    risk_tolerance: str,119                                    goals: str,120                                    allocation: Dict[str, int]) -> str:121        """Génère une explication personnalisée de la stratégie"""122        # Templates d'explications123        age_context = {124            "young": "Votre jeune âge vous permet d'adopter une vision long terme et de privilégier la croissance.",125            "mid": "Vous êtes dans une phase idéale pour équilibrer croissance et sécurité.",126            "senior": "La préservation du capital devient prioritaire à l'approche de la retraite."127        }128        129        risk_context = {130            "Prudent": "Une approche prudente qui privilégie la sécurité",131            "Modéré": "Une stratégie équilibrée entre rendement et sécurité",132            "Dynamique": "Une stratégie orientée vers la croissance"133        }134        135        # Construire l'explication136        if age < 35:137            age_text = age_context["young"]138        elif age < 55:139            age_text = age_context["mid"]140        else:141            age_text = age_context["senior"]142            143        explanation = f"""144        {age_text} Compte tenu de votre profil {risk_context[risk_tolerance].lower()}, 145        nous recommandons une allocation de {allocation['stocks']}% en actions pour la croissance, 146        {allocation['bonds']}% en obligations pour la stabilité, et {allocation['cash']}% en liquidités 147        pour les opportunités. Vos objectifs de {goals} seront servis par cette répartition qui 148        {self._get_strategy_benefit(risk_tolerance)}.149        """150        151        return explanation.strip()152    153    def _get_strategy_benefit(self, risk_tolerance: str) -> str:154        """Retourne les avantages de la stratégie selon le profil"""155        benefits = {156            "Prudent": "minimise les fluctuations tout en maintenant un potentiel de croissance modéré",157            "Modéré": "offre un bon équilibre entre potentiel de croissance et maîtrise du risque",158            "Dynamique": "maximise le potentiel de croissance à long terme en acceptant plus de volatilité"159        }160        return benefits[risk_tolerance]161 162def main():163    # Créer le générateur164    generator = InvestmentDataGenerator(num_samples=1000)165    166    # Générer les données167    df = generator.generate_data()168    169    # Sauvegarder en CSV170    df.to_csv("investment_data.csv", index=False)171    print(f"Données générées et sauvegardées dans investment_data.csv")172    173    # Afficher quelques statistiques174    print("\nAperçu des données générées:")175    print(f"Nombre d'entrées: {len(df)}")176    print("\nDistribution des niveaux de risque:")177    print(df['risk_tolerance'].value_counts())178    print("\nStatistiques d'âge:")179    print(df['age'].describe())180    print("\nStatistiques de revenu:")181    print(df['income'].describe())182    183    # Afficher quelques exemples184    print("\nExemples de données générées:")185    print(df.head())186 187if __name__ == "__main__":188    main()