Skip to main content

2 posts tagged with "algorithmic trading"

View All Tags

Hệ Thống Phân Tích Định Lượng Trong Giao Dịch Tự Động

· 3 min read

1. Xử Lý Dữ Liệu Tài Chính​

Trước khi phân tích hoặc xây dựng mô hình, ta cần làm sạch và chuẩn hóa dữ liệu:

  • Loại bỏ dữ liệu trùng lặp, thiếu, hoặc ngoại lệ.
  • Tính toán các chỉ số như đường trung bình động (MA), RSI, Bollinger Bands.
  • Chuyển đổi dữ liệu thời gian về dạng chuẩn.

Ví dụ xử lý dữ liệu với pandas:

import pandas as pd

# Đọc dữ liệu từ CSV
df = pd.read_csv("stock_data.csv")

# Xử lý giá trị thiếu
df.fillna(method='ffill', inplace=True)

# Tính đường trung bình động 20 ngày
df['MA20'] = df['Close'].rolling(window=20).mean()

print(df.head())

2. Tích Hợp API Tài Chính​

Chúng ta có thể sử dụng yfinance, Alpha Vantage, hoặc Binance API để lấy dữ liệu.

Ví dụ với yfinance:

import yfinance as yf

# Tải dữ liệu cổ phiếu Apple
data = yf.download("AAPL", start="2023-01-01", end="2024-01-01")

print(data.head())

3. Các Chiến Lược Giao Dịch Phổ Biến​

3.1. Mean Reversion​

Dựa trên giả thuyết rằng giá sẽ quay về giá trị trung bình.

df['Signal'] = 0
df.loc[df['Close'] < df['MA20'], 'Signal'] = 1  # Mua khi giá thấp hơn MA20
df.loc[df['Close'] > df['MA20'], 'Signal'] = -1  # Bán khi giá cao hơn MA20

3.2. Momentum Trading​

Mua khi xu hướng mạnh lên, bán khi xu hướng yếu đi.

df['Momentum'] = df['Close'].pct_change(periods=5)
df['Signal'] = df['Momentum'].apply(lambda x: 1 if x > 0 else -1)

4. Tối Ưu Hóa Chiến Lược Giao Dịch​

  • Backtesting: Kiểm tra hiệu suất chiến lược dựa trên dữ liệu quá khứ.
  • Walk-forward optimization: Tối ưu tham số qua từng giai đoạn.
  • Risk Management: Sử dụng Stop-Loss, Take-Profit hợp lý.

Ví dụ backtest đơn giản:

initial_capital = 10000
df['Returns'] = df['Signal'].shift(1) * df['Close'].pct_change()
df['Equity'] = initial_capital * (1 + df['Returns']).cumprod()

print(df[['Close', 'Equity']].tail())

5. Triển Khai Mô Hình Machine Learning​

5.1. Dự Đoán Giá với Hồi Quy Tuyến Tính​

from sklearn.linear_model import LinearRegression
import numpy as np

df['Future_Close'] = df['Close'].shift(-5)  # Dự đoán giá sau 5 ngày
X = np.array(df[['Open', 'High', 'Low', 'Close']].dropna())
y = np.array(df['Future_Close'].dropna())

model = LinearRegression()
model.fit(X[:-5], y[:-5])  # Loại bỏ 5 ngày cuối

predicted_price = model.predict(X[-5:])
print(predicted_price)

5.2. Sử Dụng LSTM Để Dự Đoán Giá​

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense

model = Sequential([
    LSTM(50, return_sequences=True, input_shape=(X.shape[1], 1)),
    LSTM(50),
    Dense(1)
])

model.compile(optimizer='adam', loss='mse')

Kết Luận​

Bài viết này đã giới thiệu các bước cơ bản để xây dựng hệ thống phân tích định lượng cho giao dịch tự động. Bạn có thể mở rộng bằng cách kết hợp thêm AI, tối ưu hóa chiến lược, và tích hợp hệ thống thực chiến. 🚀

Xây dựng Module Chung Cho Phân Tích Định Lượng

· 3 min read

📌 Giới thiệu​

Trong giao dịch định lượng (quantitative trading), việc có một module chung giúp tái sử dụng code, giảm lỗi và tăng hiệu suất là rất quan trọng. Module này có thể bao gồm các chức năng như:

  • Lấy dữ liệu tài chính từ nhiều nguồn (Yahoo Finance, Binance API, Alpha Vantage, etc.)
  • Tiền xử lý dữ liệu (Xử lý thiếu dữ liệu, chuẩn hóa, tạo đặc trưng)
  • Tính toán chỉ báo kỹ thuật (SMA, EMA, RSI, MACD, Bollinger Bands)
  • Thực hiện backtesting chiến lược giao dịch
  • Tối ưu và đánh giá mô hình giao dịch

🏗️ Thiết Kế Module​

1️⃣ Cấu trúc thư mục dự án​

Một dự án phân tích định lượng thường có cấu trúc như sau:

quant_trading_project/
│── data/                  # Chứa dữ liệu tài chính  
│── common/                # Module chung  
│   ├── data_loader.py     # Lấy dữ liệu từ API  
│   ├── indicators.py      # Tính toán các chỉ báo kỹ thuật  
│   ├── utils.py           # Các hàm tiện ích (helpers)  
│── strategies/            # Chiến lược giao dịch  
│── backtesting/           # Kiểm tra hiệu suất giao dịch  
│── main.py                # Chương trình chính  
│── requirements.txt       # Danh sách thư viện

2️⃣ Module data_loader.py – Lấy dữ liệu tài chính​

import yfinance as yf
import pandas as pd

def get_stock_data(symbol, start="2023-01-01", end="2024-01-01"):
    """Lấy dữ liệu giá cổ phiếu từ Yahoo Finance"""
    data = yf.download(symbol, start=start, end=end)
    return data

# Ví dụ sử dụng
if __name__ == "__main__":
    df = get_stock_data("AAPL")
    print(df.head())

3️⃣ Module indicators.py – Tính toán các chỉ báo kỹ thuật​

import pandas as pd

def calculate_sma(data, window=20):
    """Tính đường trung bình động SMA"""
    return data["Close"].rolling(window=window).mean()

def calculate_rsi(data, window=14):
    """Tính RSI (Relative Strength Index)"""
    delta = data["Close"].diff(1)
    gain = (delta.where(delta > 0, 0)).rolling(window=window).mean()
    loss = (-delta.where(delta < 0, 0)).rolling(window=window).mean()
    rs = gain / loss
    return 100 - (100 / (1 + rs))

# Ví dụ sử dụng
if __name__ == "__main__":
    df = get_stock_data("AAPL")
    df["SMA20"] = calculate_sma(df, window=20)
    df["RSI14"] = calculate_rsi(df, window=14)
    print(df.tail())

4️⃣ Module utils.py – Các hàm tiện ích chung​

import numpy as np

def normalize_data(series):
    """Chuẩn hóa dữ liệu về khoảng [0, 1]"""
    return (series - series.min()) / (series.max() - series.min())

def log_return(series):
    """Tính log return của giá đóng cửa"""
    return np.log(series / series.shift(1))

# Ví dụ sử dụng
if __name__ == "__main__":
    df = get_stock_data("AAPL")
    df["Normalized Close"] = normalize_data(df["Close"])
    df["Log Return"] = log_return(df["Close"])
    print(df.head())

✅ Kết Luận​

Module chung giúp tối ưu hóa quá trình phân tích định lượng bằng cách:
✔ Tự động hóa việc lấy dữ liệu
✔ Tính toán các chỉ báo kỹ thuật một cách hiệu quả
✔ Cung cấp các hàm tiện ích giúp tiền xử lý dữ liệu nhanh chóng

Module này có thể dễ dàng mở rộng bằng cách thêm các chỉ báo khác, hoặc tích hợp vào hệ thống giao dịch tự động. 🚀