Lập trình mô hình phân tích kỹ thuật cơ bản bằng Python

# Lập trình mô hình phân tích kỹ thuật cơ bản bằng Python Phân tích kỹ thuật là một phương pháp quan trọng trong giao dịch tài chính, giúp các nhà đầu tư đưa ra quyết định dựa trên các mẫu hình và chỉ báo kỹ thuật. Bài viết này sẽ hướng dẫn bạn cách xây dựng các mô hình phân tích kỹ thuật cơ bản bằng Python.  ## Tổng quan về NumPy và phân tích kỹ thuật NumPy là thư viện nền tảng cho tính toán số học trong Python, đặc biệt mạnh mẽ khi xử lý dữ liệu tài chính dạng mảng (array). Các chỉ báo kỹ thuật như MA, RSI, MACD đều dựa trên các phép toán với mảng số liệu giá.  ### Mảng NumPy và phép toán cơ bản Ví dụ, cộng một số vào toàn bộ mảng giá:  ## 1. Cài đặt thư viện cần thiết Đầu tiên, chúng ta cần cài đặt các thư viện cần thiết: ```python pip install pandas numpy matplotlib yfinance ta-lib ``` ## 2. Lấy dữ liệu giá Sử dụng thư viện yfinance để lấy dữ liệu giá cổ phiếu: ```python import yfinance as yf import pandas as pd import numpy as np import matplotlib.pyplot as plt # Lấy dữ liệu giá cổ phiếu symbol = "AAPL" # Apple Inc. start_date = "2023-01-01" end_date = "2024-01-01" df = yf.download(symbol, start=start_date, end=end_date) ```  ## 3. Tính toán các chỉ báo kỹ thuật cơ bản ### 3.1. Moving Average (MA) MA (Trung bình động) là chỉ báo làm mượt giá, giúp nhận diện xu hướng. Có nhiều loại MA, phổ biến nhất là SMA (Simple Moving Average).  ```python def calculate_ma(data, window): return data.rolling(window=window).mean() # Tính toán MA 20 và MA 50 df['MA20'] = calculate_ma(df['Close'], 20) df['MA50'] = calculate_ma(df['Close'], 50) ```  ### 3.2. Relative Strength Index (RSI) RSI đo sức mạnh tương đối của giá, dao động từ 0-100. RSI > 70: Quá mua, RSI < 30: Quá bán.  ```python def calculate_rsi(data, window=14): delta = data.diff() 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)) # Tính toán RSI df['RSI'] = calculate_rsi(df['Close']) ```  ### 3.3. MACD (Moving Average Convergence Divergence) ```python def calculate_macd(data, fast=12, slow=26, signal=9): exp1 = data.ewm(span=fast, adjust=False).mean() exp2 = data.ewm(span=slow, adjust=False).mean() macd = exp1 - exp2 signal_line = macd.ewm(span=signal, adjust=False).mean() return macd, signal_line # Tính toán MACD df['MACD'], df['Signal'] = calculate_macd(df['Close']) ```  ## 4. Xây dựng chiến lược giao dịch đơn giản ### 4.1. Chiến lược giao cắt MA ```python def ma_crossover_strategy(df): df['Signal'] = 0 df.loc[df['MA20'] > df['MA50'], 'Signal'] = 1 # Tín hiệu mua df.loc[df['MA20'] < df['MA50'], 'Signal'] = -1 # Tín hiệu bán return df # Áp dụng chiến lược df = ma_crossover_strategy(df) ```  ### 4.2. Chiến lược RSI ```python def rsi_strategy(df, overbought=70, oversold=30): df['RSI_Signal'] = 0 df.loc[df['RSI'] < oversold, 'RSI_Signal'] = 1 # Tín hiệu mua df.loc[df['RSI'] > overbought, 'RSI_Signal'] = -1 # Tín hiệu bán return df # Áp dụng chiến lược df = rsi_strategy(df) ```  ## 5. Trực quan hóa kết quả ```python def plot_technical_analysis(df): # Tạo subplot fig, (ax1, ax2, ax3) = plt.subplots(3, 1, figsize=(15, 12), gridspec_kw={'height_ratios': [3, 1, 1]}) # Plot giá và MA ax1.plot(df.index, df['Close'], label='Giá đóng cửa') ax1.plot(df.index, df['MA20'], label='MA20') ax1.plot(df.index, df['MA50'], label='MA50') ax1.set_title('Giá và Moving Average') ax1.legend() # Plot RSI ax2.plot(df.index, df['RSI'], label='RSI') ax2.axhline(y=70, color='r', linestyle='--') ax2.axhline(y=30, color='g', linestyle='--') ax2.set_title('RSI') ax2.legend() # Plot MACD ax3.plot(df.index, df['MACD'], label='MACD') ax3.plot(df.index, df['Signal'], label='Signal') ax3.set_title('MACD') ax3.legend() plt.tight_layout() plt.show() ```  ## 6. Đánh giá hiệu suất ```python def calculate_returns(df): # Tính toán lợi nhuận df['Returns'] = df['Close'].pct_change() # Tính toán lợi nhuận của chiến lược df['Strategy_Returns'] = df['Returns'] * df['Signal'].shift(1) # Tính toán lợi nhuận tích lũy df['Cumulative_Returns'] = (1 + df['Returns']).cumprod() df['Strategy_Cumulative_Returns'] = (1 + df['Strategy_Returns']).cumprod() return df # Tính toán và hiển thị kết quả df = calculate_returns(df) print(f"Lợi nhuận của chiến lược: {df['Strategy_Cumulative_Returns'].iloc[-1]:.2%}") ```  ## 7. Tối ưu hóa tham số ```python def optimize_parameters(df): best_sharpe = 0 best_params = None # Thử nghiệm các tham số khác nhau for ma_short in range(5, 30, 5): for ma_long in range(30, 100, 10): if ma_short >= ma_long: continue # Tính toán MA df['MA_Short'] = calculate_ma(df['Close'], ma_short) df['MA_Long'] = calculate_ma(df['Close'], ma_long) # Tạo tín hiệu df['Signal'] = 0 df.loc[df['MA_Short'] > df['MA_Long'], 'Signal'] = 1 df.loc[df['MA_Short'] < df['MA_Long'], 'Signal'] = -1 # Tính toán lợi nhuận df['Strategy_Returns'] = df['Returns'] * df['Signal'].shift(1) # Tính toán Sharpe Ratio sharpe = np.sqrt(252) * df['Strategy_Returns'].mean() / df['Strategy_Returns'].std() if sharpe > best_sharpe: best_sharpe = sharpe best_params = (ma_short, ma_long) return best_params, best_sharpe # Tối ưu hóa tham số best_params, best_sharpe = optimize_parameters(df) print(f"Tham số tối ưu: MA{best_params[0]}, MA{best_params[1]}") print(f"Sharpe Ratio tối ưu: {best_sharpe:.2f}") ```  ## Kết luận Trong bài viết này, chúng ta đã học cách: 1. Lấy dữ liệu giá cổ phiếu sử dụng yfinance 2. Tính toán các chỉ báo kỹ thuật cơ bản (MA, RSI, MACD) 3. Xây dựng chiến lược giao dịch đơn giản 4. Trực quan hóa kết quả phân tích 5. Đánh giá hiệu suất chiến lược 6. Tối ưu hóa tham số Đây là nền tảng cơ bản để bạn có thể phát triển thêm các chiến lược giao dịch phức tạp hơn. Hãy nhớ rằng phân tích kỹ thuật chỉ là một công cụ hỗ trợ quyết định, và bạn nên kết hợp với các phương pháp phân tích khác để có cái nhìn toàn diện hơn. ## Tài liệu tham khảo - [Pandas Documentation](https://pandas.pydata.org/docs/) - [yfinance Documentation](https://pypi.org/project/yfinance/) - [TA-Lib Documentation](https://ta-lib.org/documentation.html) - [Matplotlib Documentation](https://matplotlib.org/stable/contents.html)