AccueilHome Épargne enregistréeRegistered savings

Projet en serviceProject in use Python · PostgreSQL · Power BI

Vos conseillers connaissent leurs fonds.
Mais qui connaît votre patrimoine ?
Your advisors know their funds.
But who knows your wealth as a whole?

Trois institutions, trois stratégies qui s'ignorent. Une vision globale pour briser les silos, comparer les risques et permettre à chaque conseiller de construire une stratégie qui complète les autres. Données fictives. Méthode réelle. Three institutions, three strategies unaware of one another. One overall view to break down the silos, compare risks and let each advisor build a strategy that complements the others. Fictitious data. Real method.

Rapport Power BI — Épargne enregistréePower BI report — Registered savings
Données entièrement fictives, cours compris. Épargnant, institutions, comptes, fonds et versements sortent d'un générateur à graine fixe ; aucun ne décrit une personne, un compte ou une institution réels. Fully fictitious data, prices included. Saver, institutions, accounts, funds and contributions come from a fixed-seed generator; none of them describes a real person, account or institution.
Pages du rapportReport pages
5
Mesures DAXDAX measures
66
Tests automatisésAutomated tests
261
Données réellesReal data
0

Quatre questions, chaque mois Four questions, every month

Combien reste-t-il de droits CELI, CELIAPP et REER cette année, et qui y verse quoi ? Les droits sont reconstruits depuis l'ouverture des comptes. How much contribution room is left this year in the TFSA, FHSA and RRSP, and who is paying in what? Room is rebuilt from the day each account was opened.

Quelle part des versements mensuels va dans chaque compte, versements programmés et ponctuels distingués ? What share of monthly contributions goes to each account, pre-authorised and one-off contributions kept apart?

Quel compte fait mieux ou moins bien que son repère ? Rendement pondéré par le temps, volatilité et pire baisse, compte par compte. Which account beats or lags its benchmark? Time-weighted return, volatility and maximum drawdown, account by account.

Les stratégies des trois institutions se recouvrent-elles, mêmes classes d'actif et mêmes styles dans des comptes différents ? Do the three institutions' strategies overlap, with the same asset classes and styles in different accounts?

Méthodologie Methodology

1

LectureIngestion

Python. Au premier écart, rien n'est écrit. Python. At the first gap, nothing is written.

2

Base de donnéesDatabase

PostgreSQL local et sécurisé : sauvegarde chiffrée AES-256. Local, secured PostgreSQL: AES-256 encrypted backup.

3

RecetteVerification

Chaque vue SQL recalculée par un témoin pandas indépendant. Each SQL view recomputed by an independent pandas check.

4

Données fictivesFictitious data

Générateur Python à graine fixe : aucun cours, fonds ni compte réel. Fixed-seed Python generator: no real price, fund or account.

5

RestitutionReporting

Power BI. 21 tables figées : le rapport s'ouvre sans base. Power BI. 21 frozen tables: the report opens without a database.

Schéma du pipeline d'exploitation : exports, références, PDF publics et cours alimentent une ingestion Python à contrôles bloquants, qui écrit dans PostgreSQL local ; la base est recettée par pandas et sauvegardée en archive chiffrée AES-256 ; Power BI Desktop lit la base, publie dans Power BI Service, qui produit le PDF remis aux conseillers.

D'où viennent les chiffres de cette page Where the figures on this page come from

  • 5 pages, 21 tables, 66 mesures DAX — le rapport Power BI du dépôt GitHub registered-savings-dashboard, au format Power BI Project (PBIP) : la liste des pages du rapport et les fichiers du modèle sémantique, comptés le 13 novembre 2026. 5 pages, 21 tables, 66 DAX measures — the Power BI report in the registered-savings-dashboard GitHub repository, in Power BI Project (PBIP) format: the report's page list and the semantic model files, counted on 13 November 2026.
  • 261 tests automatisés — les tests pytest du générateur de données fictives, dans le même dépôt, comptés par pytest le 13 novembre 2026. 261 automated tests — the pytest suite of the fictitious-data generator, in the same repository, counted by pytest on 13 November 2026.
  • 0 donnée réelle — le README du même dépôt : épargnant, institutions, comptes, fonds, cours, repères et versements sortent du générateur, à partir d'une graine fixe. Les montants du rapport ne décrivent personne. 0 real data — the README of the same repository: saver, institutions, accounts, funds, prices, benchmarks and contributions come from the generator, from a fixed seed. The amounts in the report describe no one.