| Chiến Lược Giao Dịch Đảo Chiều

Được viết bởi thanhdt vào ngày 13/11/2025 lúc 06:11 | 6 lượt xem

Chiến Lược Giao Dịch Đảo Chiều

📊 Phân tích danh mục đầu tư

Chiến Lược Giao Dịch Đảo Chiều

Trong bài viết này, chúng ta sẽ tìm hiểu về các chiến lược giao dịch đảo chiều và cách áp dụng chúng hiệu quả.

Chiến lược giao dịch đảo chiều

Mô Hình Đảo Chiều

1. Double Top/Bottom

class DoubleTopBottom:
    def __init__(self, window=20, threshold=0.02):
        self.window = window
        self.threshold = threshold

    def identify(self, df):
        # Tìm các đỉnh và đáy
        peaks = df['high'].rolling(window=self.window, center=True).max()
        troughs = df['low'].rolling(window=self.window, center=True).min()

        # Xác định Double Top
        double_top = (
            (abs(peaks.shift(1) - peaks) / peaks.shift(1) < self.threshold) &  # Hai đỉnh gần bằng nhau
            (df['close'] < peaks.shift(1)) &  # Giá đóng cửa dưới đỉnh
            (df['volume'] > df['volume'].rolling(window=20).mean())  # Khối lượng tăng
        )

        # Xác định Double Bottom
        double_bottom = (
            (abs(troughs.shift(1) - troughs) / troughs.shift(1) < self.threshold) &  # Hai đáy gần bằng nhau
            (df['close'] > troughs.shift(1)) &  # Giá đóng cửa trên đáy
            (df['volume'] > df['volume'].rolling(window=20).mean())  # Khối lượng tăng
        )

        return pd.DataFrame({
            'Double_Top': double_top,
            'Double_Bottom': double_bottom
        })

2. Head and Shoulders

class HeadAndShoulders:
    def __init__(self, window=20, threshold=0.02):
        self.window = window
        self.threshold = threshold

    def identify(self, df):
        # Tìm các đỉnh
        peaks = df['high'].rolling(window=self.window, center=True).max()

        # Xác định mô hình Head and Shoulders
        left_shoulder = peaks.shift(2)
        head = peaks.shift(1)
        right_shoulder = peaks

        # Kiểm tra điều kiện
        pattern = (
            (abs(left_shoulder - right_shoulder) / left_shoulder < self.threshold) &  # Hai vai cân đối
            (head > left_shoulder) &  # Đỉnh đầu cao hơn vai
            (head > right_shoulder) &  # Đỉnh đầu cao hơn vai
            (df['close'] < right_shoulder) &  # Giá đóng cửa dưới vai phải
            (df['volume'] > df['volume'].rolling(window=20).mean())  # Khối lượng tăng
        )

        return pattern

Phân Kỳ

1. RSI Divergence

class RSIDivergence:
    def __init__(self, period=14, lookback=10):
        self.period = period
        self.lookback = lookback

    def identify(self, df):
        # Tính toán RSI
        rsi = self.calculate_rsi(df)

        # Tìm các đỉnh và đáy của giá và RSI
        price_peaks = df['high'].rolling(window=self.lookback, center=True).max()
        price_troughs = df['low'].rolling(window=self.lookback, center=True).min()
        rsi_peaks = rsi.rolling(window=self.lookback, center=True).max()
        rsi_troughs = rsi.rolling(window=self.lookback, center=True).min()

        # Xác định phân kỳ
        bearish_divergence = (
            (price_peaks > price_peaks.shift(1)) &  # Giá tạo đỉnh cao hơn
            (rsi_peaks < rsi_peaks.shift(1))  # RSI tạo đỉnh thấp hơn
        )

        bullish_divergence = (
            (price_troughs < price_troughs.shift(1)) &  # Giá tạo đáy thấp hơn
            (rsi_troughs > rsi_troughs.shift(1))  # RSI tạo đáy cao hơn
        )

        return pd.DataFrame({
            'Bearish_Divergence': bearish_divergence,
            'Bullish_Divergence': bullish_divergence
        })

    def calculate_rsi(self, df):
        delta = df['close'].diff()
        gain = (delta.where(delta > 0, 0)).rolling(window=self.period).mean()
        loss = (-delta.where(delta < 0, 0)).rolling(window=self.period).mean()
        rs = gain / loss
        return 100 - (100 / (1 + rs))

2. MACD Divergence

class MACDDivergence:
    def __init__(self, fast_period=12, slow_period=26, signal_period=9, lookback=10):
        self.fast_period = fast_period
        self.slow_period = slow_period
        self.signal_period = signal_period
        self.lookback = lookback

    def identify(self, df):
        # Tính toán MACD
        macd = self.calculate_macd(df)

        # Tìm các đỉnh và đáy của giá và MACD
        price_peaks = df['high'].rolling(window=self.lookback, center=True).max()
        price_troughs = df['low'].rolling(window=self.lookback, center=True).min()
        macd_peaks = macd['MACD'].rolling(window=self.lookback, center=True).max()
        macd_troughs = macd['MACD'].rolling(window=self.lookback, center=True).min()

        # Xác định phân kỳ
        bearish_divergence = (
            (price_peaks > price_peaks.shift(1)) &  # Giá tạo đỉnh cao hơn
            (macd_peaks < macd_peaks.shift(1))  # MACD tạo đỉnh thấp hơn
        )

        bullish_divergence = (
            (price_troughs < price_troughs.shift(1)) &  # Giá tạo đáy thấp hơn
            (macd_troughs > macd_troughs.shift(1))  # MACD tạo đáy cao hơn
        )

        return pd.DataFrame({
            'Bearish_Divergence': bearish_divergence,
            'Bullish_Divergence': bullish_divergence
        })

    def calculate_macd(self, df):
        exp1 = df['close'].ewm(span=self.fast_period, adjust=False).mean()
        exp2 = df['close'].ewm(span=self.slow_period, adjust=False).mean()
        macd = exp1 - exp2
        signal = macd.ewm(span=self.signal_period, adjust=False).mean()
        histogram = macd - signal

        return pd.DataFrame({
            'MACD': macd,
            'Signal': signal,
            'Histogram': histogram
        })

Quá Mua/Quá Bán

1. RSI Strategy

class RSIStrategy:
    def __init__(self, period=14, overbought=70, oversold=30):
        self.period = period
        self.overbought = overbought
        self.oversold = oversold

    def identify_signals(self, df):
        # Tính toán RSI
        rsi = self.calculate_rsi(df)

        # Xác định tín hiệu
        sell_signal = (
            (rsi > self.overbought) &  # RSI quá mua
            (rsi.shift(1) <= self.overbought)  # RSI vừa vượt ngưỡng quá mua
        )

        buy_signal = (
            (rsi < self.oversold) &  # RSI quá bán
            (rsi.shift(1) >= self.oversold)  # RSI vừa vượt ngưỡng quá bán
        )

        return pd.DataFrame({
            'Sell_Signal': sell_signal,
            'Buy_Signal': buy_signal
        })

    def calculate_rsi(self, df):
        delta = df['close'].diff()
        gain = (delta.where(delta > 0, 0)).rolling(window=self.period).mean()
        loss = (-delta.where(delta < 0, 0)).rolling(window=self.period).mean()
        rs = gain / loss
        return 100 - (100 / (1 + rs))

2. Stochastic Strategy

class StochasticStrategy:
    def __init__(self, k_period=14, d_period=3, overbought=80, oversold=20):
        self.k_period = k_period
        self.d_period = d_period
        self.overbought = overbought
        self.oversold = oversold

    def identify_signals(self, df):
        # Tính toán Stochastic
        k, d = self.calculate_stochastic(df)

        # Xác định tín hiệu
        sell_signal = (
            (k > self.overbought) &  # %K quá mua
            (d > self.overbought) &  # %D quá mua
            (k < d) &  # %K cắt xuống %D
            (k.shift(1) >= d.shift(1))  # Xác nhận cắt
        )

        buy_signal = (
            (k < self.oversold) &  # %K quá bán
            (d < self.oversold) &  # %D quá bán
            (k > d) &  # %K cắt lên %D
            (k.shift(1) <= d.shift(1))  # Xác nhận cắt
        )

        return pd.DataFrame({
            'Sell_Signal': sell_signal,
            'Buy_Signal': buy_signal
        })

    def calculate_stochastic(self, df):
        low_min = df['low'].rolling(window=self.k_period).min()
        high_max = df['high'].rolling(window=self.k_period).max()

        k = 100 * ((df['close'] - low_min) / (high_max - low_min))
        d = k.rolling(window=self.d_period).mean()

        return k, d

Xác Nhận

1. Volume Confirmation

class VolumeConfirmation:
    def __init__(self, volume_ma_period=20, volume_threshold=1.5):
        self.volume_ma_period = volume_ma_period
        self.volume_threshold = volume_threshold

    def confirm(self, df, signal):
        # Tính toán trung bình khối lượng
        volume_ma = df['volume'].rolling(window=self.volume_ma_period).mean()

        # Xác nhận tín hiệu với khối lượng
        confirmed_signal = (
            signal &  # Có tín hiệu
            (df['volume'] > volume_ma * self.volume_threshold)  # Khối lượng tăng mạnh
        )

        return confirmed_signal

2. Multiple Timeframe Confirmation

class MultiTimeframeConfirmation:
    def __init__(self, higher_tf_period=4):
        self.higher_tf_period = higher_tf_period

    def confirm(self, df, signal):
        # Tính toán giá trung bình cho khung thời gian cao hơn
        higher_tf_close = df['close'].rolling(window=self.higher_tf_period).mean()

        # Xác nhận tín hiệu với khung thời gian cao hơn
        confirmed_signal = (
            signal &  # Có tín hiệu
            (df['close'] > higher_tf_close)  # Giá trên trung bình khung cao hơn
        )

        return confirmed_signal

Best Practices

Kết hợp nhiều chỉ báo
Xác nhận tín hiệu với khối lượng
Sử dụng nhiều khung thời gian
Đặt mức cắt lỗ phù hợp
Quản lý rủi ro chặt chẽ

Kết luận

Giao dịch đảo chiều là một chiến lược phức tạp nhưng có thể mang lại lợi nhuận cao nếu được thực hiện đúng cách. Điều quan trọng là phải có sự kiên nhẫn và kỷ luật trong việc chờ đợi các tín hiệu xác nhận.

Bài viết gần đây

Cấu trúc thư mục của một dự án Flutter

So sánh Flutter và React Native

So sánh Flutter và React Native

Chiến lược RSI 30–70 trong Bot Auto Trading Python

Chiến Lược Giao Dịch News Filter sử dụng API Python

Chiến Lược Giao Dịch Đảo Chiều

Chiến Lược Giao Dịch Đảo Chiều

Mô Hình Đảo Chiều

1. Double Top/Bottom

2. Head and Shoulders

Phân Kỳ

1. RSI Divergence

2. MACD Divergence

Quá Mua/Quá Bán

1. RSI Strategy

2. Stochastic Strategy

Xác Nhận

1. Volume Confirmation

2. Multiple Timeframe Confirmation

Best Practices

Kết luận