NumPy Được Sử Dụng Trong Phân Tích Dữ Liệu Tài Chính

NumPy (Numerical Python) là thư viện cơ bản và quan trọng nhất trong phân tích dữ liệu tài chính với Python. Bài viết này sẽ hướng dẫn bạn cách sử dụng NumPy để phân tích dữ liệu tài chính một cách hiệu quả.

import numpy as np

Tại Sao Sử Dụng NumPy?

NumPy cung cấp:

• Hiệu suất cao: Tính toán nhanh hơn Python thuần 10-100 lần
• Mảng đa chiều: Xử lý dữ liệu tài chính dễ dàng
• Hàm toán học phong phú: Từ cơ bản đến nâng cao
• Tích hợp tốt: Làm nền tảng cho Pandas, SciPy, Matplotlib
• Tối ưu bộ nhớ: Xử lý dữ liệu lớn hiệu quả

1. Tạo và Xử Lý Mảng Dữ Liệu Giá

Tạo Mảng Giá Từ Dữ Liệu

import numpy as np

# Dữ liệu giá đóng cửa (Close prices)
prices = np.array([100, 102, 101, 105, 103, 107, 106, 108, 110, 109])
print("Giá đóng cửa:", prices)
print("Kiểu dữ liệu:", prices.dtype)
print("Kích thước:", prices.shape)

# Tạo mảng 2D cho OHLC (Open, High, Low, Close)
ohlc_data = np.array([
    [100, 103, 99, 102],   # Ngày 1
    [102, 104, 101, 101],  # Ngày 2
    [101, 105, 100, 105],  # Ngày 3
    [105, 107, 104, 103],  # Ngày 4
    [103, 108, 102, 107]   # Ngày 5
])

print("\nDữ liệu OHLC:")
print(ohlc_data)
print("Kích thước:", ohlc_data.shape)

Truy Cập Dữ Liệu

# Lấy cột giá đóng cửa
close_prices = ohlc_data[:, -1]
print("Giá đóng cửa:", close_prices)

# Lấy giá cao nhất
high_prices = ohlc_data[:, 1]
print("Giá cao nhất:", high_prices)

# Lấy giá thấp nhất
low_prices = ohlc_data[:, 2]
print("Giá thấp nhất:", low_prices)

2. Tính Toán Thay Đổi Giá

Tính Phần Trăm Thay Đổi

price_changes = np.diff(prices) / prices[:-1] * 100
print("Thay đổi giá (%):", price_changes)

log_returns = np.diff(np.log(prices)) * 100
print("Log returns (%):", log_returns)

cumulative_returns = np.cumsum(log_returns)
print("Lợi nhuận tích lũy (%):", cumulative_returns)

Tính Giá Trung Bình và Độ Lệch

mean_price = np.mean(prices)
print(f"Giá trung bình: ${mean_price:.2f}")

median_price = np.median(prices)
print(f"Giá trung vị: ${median_price:.2f}")

std_price = np.std(prices)
print(f"Độ lệch chuẩn: ${std_price:.2f}")

variance = np.var(prices)
print(f"Phương sai: ${variance:.2f}")

3. Tính Toán Chỉ Báo Kỹ Thuật

Moving Average (Trung Bình Động)

def moving_average(prices, window):
    return np.convolve(prices, np.ones(window)/window, mode='valid')

sma_5 = moving_average(prices, 5)
print("SMA 5 ngày:", sma_5)

sma_10 = moving_average(prices, 10)
print("SMA 10 ngày:", sma_10)

Exponential Moving Average (EMA)

def exponential_moving_average(prices, alpha):
    ema = np.zeros_like(prices)
    ema[0] = prices[0]
    for i in range(1, len(prices)):
        ema[i] = alpha * prices[i] + (1 - alpha) * ema[i-1]
    return ema

ema_9 = exponential_moving_average(prices, 0.2)
print("EMA 9 ngày:", ema_9)

RSI

def calculate_rsi(prices, period=14):
    deltas = np.diff(prices)
    gains = np.where(deltas > 0, deltas, 0)
    losses = np.where(deltas < 0, -deltas, 0)
  
    avg_gains = moving_average_cumsum(gains, period)
    avg_losses = moving_average_cumsum(losses, period)
  
    rs = np.where(avg_losses != 0, avg_gains / avg_losses, 0)
    rsi = 100 - (100 / (1 + rs))
  
    return rsi

rsi = calculate_rsi(prices, 14)
print("RSI:", rsi)

MACD

def calculate_macd(prices, fast_period=12, slow_period=26, signal_period=9):
    fast_alpha = 2 / (fast_period + 1)
    slow_alpha = 2 / (slow_period + 1)
    signal_alpha = 2 / (signal_period + 1)
  
    ema_fast = exponential_moving_average(prices, fast_alpha)
    ema_slow = exponential_moving_average(prices, slow_alpha)
  
    macd_line = ema_fast - ema_slow
    signal_line = exponential_moving_average(macd_line, signal_alpha)
    histogram = macd_line - signal_line
  
    return macd_line, signal_line, histogram

macd, signal, hist = calculate_macd(prices)
print("MACD line:", macd[-5:])
print("Signal line:", signal[-5:])
print("Histogram:", hist[-5:])

Bollinger Bands

def bollinger_bands(prices, window=20, num_std=2):
    sma = moving_average_cumsum(prices, window)
    std = np.zeros(len(sma))
    for i in range(len(sma)):
        std[i] = np.std(prices[i:i+window])
  
    upper_band = sma + (num_std * std)
    lower_band = sma - (num_std * std)
  
    return sma, upper_band, lower_band

4. Phân Tích Rủi Ro

Tính Volatility

log_returns = np.diff(np.log(prices))
volatility = np.std(log_returns) * np.sqrt(252)
print(f"Volatility hàng năm: {volatility * 100:.2f}%")

VaR

def calculate_var(returns, confidence_level=0.05):
    return np.percentile(returns, confidence_level * 100)

returns = np.diff(prices) / prices[:-1]
var_5 = calculate_var(returns)
print(f"VaR 5%: {var_5 * 100:.2f}%")

Maximum Drawdown

def maximum_drawdown(prices):
    cumulative = np.cumprod(1 + np.diff(prices) / prices[:-1])
    running_max = np.maximum.accumulate(cumulative)
    drawdown = (cumulative - running_max) / running_max
    max_dd = np.min(drawdown)
  
    return max_dd, drawdown

📉 5. Phân Tích Tương Quan

returns_matrix = np.column_stack([
    returns1, returns2, returns3
])

correlation_matrix = np.corrcoef(returns_matrix.T)
print(correlation_matrix)

6. Tối Ưu Hóa Danh Mục

optimal_weights = (1 / risk_aversion) * inv_cov @ expected_returns
optimal_weights /= np.sum(optimal_weights)
print(optimal_weights)

7. Xử Lý Dữ Liệu Thiếu và Ngoại Lai

prices_filled = np.where(np.isnan(prices_with_nan), mean_price, prices_with_nan)

8. Tính Hiệu Suất

metrics = calculate_performance_metrics(prices)
print(metrics)

9. Tối Ưu Hóa Hiệu Suất

result_vectorized = np.diff(large_prices)

10. Ví Dụ Thực Tế: Crypto

print("=== Phân Tích BTC ===")

Kết Luận

NumPy là công cụ không thể thiếu trong phân tích dữ liệu tài chính.

• Tính toán nhanh
• Hàm toán học phong phú
• Phân tích rủi ro mạnh
• Tối ưu hóa danh mục

---

Bài viết được biên soạn bởi CoinGetMarket