Cấu Trúc Dữ Liệu và Xử Lý Dữ Liệu Tài Chính với Python
· 7 min read
Trong phân tích dữ liệu tài chính, việc hiểu và sử dụng hiệu quả các cấu trúc dữ liệu là vô cùng quan trọng. Python cung cấp nhiều cấu trúc dữ liệu mạnh mẽ giúp chúng ta xử lý và phân tích dữ liệu tài chính một cách hiệu quả.
1. Các Cấu Trúc Dữ Liệu Cơ Bản
1.1. List (Danh sách)
List là cấu trúc dữ liệu linh hoạt nhất trong Python, cho phép lưu trữ nhiều phần tử có thể thay đổi.
# Tạo list giá cổ phiếu
stock_prices = [100.5, 102.3, 98.7, 105.2, 103.8]
# Thêm giá mới
stock_prices.append(107.5)
# Truy cập phần tử
first_price = stock_prices[0] # 100.5
last_price = stock_prices[-1] # 107.5
# Tính toán
average_price = sum(stock_prices) / len(stock_prices)
max_price = max(stock_prices)
min_price = min(stock_prices)
print(f"Giá trung bình: ${average_price:.2f}")
print(f"Giá cao nhất: ${max_price:.2f}")
print(f"Giá thấp nhất: ${min_price:.2f}")
1.2. Tuple (Bộ)
Tuple tương tự như list nhưng không thể thay đổi sau khi tạo.
# Tạo tuple thông tin cổ phiếu
stock_info = ("AAPL", "Apple Inc.", 150.25, 1000000)
# Truy cập thông tin
symbol = stock_info[0] # "AAPL"
company = stock_info[1] # "Apple Inc."
price = stock_info[2] # 150.25
volume = stock_info[3] # 1000000
# Tuple không thể thay đổi
# stock_info[2] = 155.50 # Lỗi!
1.3. Dictionary (Từ điển)
Dictionary lưu trữ dữ liệu dưới dạng cặp key-value, rất hữu ích cho việc lưu trữ thông tin có cấu trúc.
# Tạo dictionary thông tin danh mục đầu tư
portfolio = {
"AAPL": {
"name": "Apple Inc.",
"shares": 100,
"price": 150.25
},
"GOOGL": {
"name": "Alphabet Inc.",
"shares": 50,
"price": 2800.75
}
}
# Truy cập thông tin
apple_info = portfolio["AAPL"]
google_info = portfolio["GOOGL"]
# Tính tổng giá trị danh mục
total_value = sum(stock["shares"] * stock["price"]
for stock in portfolio.values())
print(f"Tổng giá trị danh mục: ${total_value:,.2f}")
1.4. Set (Tập hợp)
Set lưu trữ các phần tử duy nhất, hữu ích cho việc loại bỏ trùng lặp và thực hiện các phép toán tập hợp.
# Tạo set các mã cổ phiếu
tech_stocks = {"AAPL", "GOOGL", "MSFT", "AMZN"}
finance_stocks = {"JPM", "BAC", "GS", "MSFT"}
# Phép toán tập hợp
all_stocks = tech_stocks | finance_stocks # Hợp
common_stocks = tech_stocks & finance_stocks # Giao
only_tech = tech_stocks - finance_stocks # Hiệu
print(f"Tất cả cổ phiếu: {all_stocks}")
print(f"Cổ phiếu chung: {common_stocks}")
print(f"Chỉ cổ phiếu công nghệ: {only_tech}")
2. Vòng Lặp và Điều Kiện
2.1. Vòng lặp for
# Duyệt qua danh sách giá cổ phiếu
prices = [100.5, 102.3, 98.7, 105.2, 103.8]
for price in prices:
print(f"Giá: ${price:.2f}")
# Duyệt qua dictionary
portfolio = {
"AAPL": {"shares": 100, "price": 150.25},
"GOOGL": {"shares": 50, "price": 2800.75}
}
for symbol, info in portfolio.items():
value = info["shares"] * info["price"]
print(f"{symbol}: {info['shares']} cổ phiếu, giá trị ${value:,.2f}")
2.2. Vòng lặp while
# Mô phỏng theo dõi giá cổ phiếu
current_price = 100.0
target_price = 110.0
days = 0
while current_price < target_price:
# Giả lập biến động giá
change = np.random.normal(0, 2)
current_price += change
days += 1
print(f"Ngày {days}: ${current_price:.2f}")
print(f"Đạt mục tiêu sau {days} ngày")
2.3. Điều kiện
# Phân tích giá cổ phiếu
def analyze_price(price, ma20, ma50):
if price > ma20 and price > ma50:
return "Xu hướng tăng mạnh"
elif price > ma20:
return "Xu hướng tăng"
elif price < ma20 and price < ma50:
return "Xu hướng giảm mạnh"
else:
return "Xu hướng giảm"
# Sử dụng
current_price = 150.25
ma20 = 145.50
ma50 = 140.75
trend = analyze_price(current_price, ma20, ma50)
print(f"Phân tích: {trend}")
3. Hàm và Module
3.1. Định nghĩa và sử dụng hàm
def calculate_returns(prices):
"""Tính toán tỷ suất lợi nhuận từ chuỗi giá"""
returns = []
for i in range(1, len(prices)):
daily_return = (prices[i] - prices[i-1]) / prices[i-1]
returns.append(daily_return)
return returns
def calculate_volatility(returns, window=20):
"""Tính toán độ biến động"""
return np.std(returns[-window:]) * np.sqrt(252)
# Sử dụng
prices = [100, 102, 98, 105, 103]
returns = calculate_returns(prices)
volatility = calculate_volatility(returns)
print(f"Tỷ suất lợi nhuận: {[f'{r:.2%}' for r in returns]}")
print(f"Độ biến động: {volatility:.2%}")
3.2. Tổ chức code với module
# financial_analysis.py
import numpy as np
import pandas as pd
def calculate_technical_indicators(prices):
"""Tính toán các chỉ báo kỹ thuật"""
df = pd.DataFrame(prices, columns=['Close'])
df['MA20'] = df['Close'].rolling(window=20).mean()
df['MA50'] = df['Close'].rolling(window=50).mean()
df['RSI'] = calculate_rsi(df['Close'])
return df
def calculate_rsi(prices, period=14):
"""Tính toán chỉ số RSI"""
delta = prices.diff()
gain = (delta.where(delta > 0, 0)).rolling(window=period).mean()
loss = (-delta.where(delta < 0, 0)).rolling(window=period).mean()
rs = gain / loss
return 100 - (100 / (1 + rs))
# main.py
from financial_analysis import calculate_technical_indicators
# Sử dụng module
prices = [100, 102, 98, 105, 103, 107, 104, 108]
indicators = calculate_technical_indicators(prices)
print(indicators)
4. Bài Tập Thực Hành: Xử Lý Dữ Liệu Giá Cổ Phiếu
4.1. Phân tích dữ liệu giá cổ phiếu
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
def analyze_stock_data(symbol, start_date, end_date):
"""Phân tích dữ liệu cổ phiếu"""
# Tạo dữ liệu mẫu
dates = pd.date_range(start=start_date, end=end_date)
np.random.seed(42)
prices = np.random.normal(100, 5, len(dates)).cumsum() + 1000
# Tạo DataFrame
df = pd.DataFrame({
'Close': prices,
'Volume': np.random.randint(1000000, 5000000, len(dates))
}, index=dates)
# Tính toán các chỉ số
df['MA20'] = df['Close'].rolling(window=20).mean()
df['MA50'] = df['Close'].rolling(window=50).mean()
df['Returns'] = df['Close'].pct_change()
df['Volatility'] = df['Returns'].rolling(window=20).std() * np.sqrt(252)
return df
def plot_stock_analysis(df, symbol):
"""Vẽ biểu đồ phân tích"""
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(12, 8))
# Biểu đồ 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(f'Phân tích giá cổ phiếu {symbol}')
ax1.set_ylabel('Giá')
ax1.legend()
# Biểu đồ độ biến động
ax2.plot(df.index, df['Volatility'], label='Độ biến động')
ax2.set_xlabel('Ngày')
ax2.set_ylabel('Độ biến động')
ax2.legend()
plt.tight_layout()
plt.show()
# Sử dụng
df = analyze_stock_data('AAPL', '2023-01-01', '2023-12-31')
plot_stock_analysis(df, 'AAPL')
# In thống kê
print("\nThống kê cơ bản:")
print(f"Giá trung bình: ${df['Close'].mean():.2f}")
print(f"Độ biến động trung bình: {df['Volatility'].mean():.2%}")
print(f"Tỷ suất lợi nhuận: {df['Returns'].mean():.2%}")
4.2. Phân tích danh mục đầu tư
def analyze_portfolio(portfolio_data):
"""Phân tích danh mục đầu tư"""
# Tính toán giá trị và tỷ trọng
total_value = sum(stock['shares'] * stock['price']
for stock in portfolio_data.values())
portfolio_analysis = {}
for symbol, data in portfolio_data.items():
value = data['shares'] * data['price']
weight = value / total_value
portfolio_analysis[symbol] = {
'value': value,
'weight': weight
}
return portfolio_analysis
# Sử dụng
portfolio = {
"AAPL": {"shares": 100, "price": 150.25},
"GOOGL": {"shares": 50, "price": 2800.75},
"MSFT": {"shares": 75, "price": 300.50}
}
analysis = analyze_portfolio(portfolio)
print("\nPhân tích danh mục đầu tư:")
for symbol, data in analysis.items():
print(f"{symbol}:")
print(f" Giá trị: ${data['value']:,.2f}")
print(f" Tỷ trọng: {data['weight']:.2%}")
5. Tổng Kết
Trong bài viết này, chúng ta đã tìm hiểu:
- Các cấu trúc dữ liệu cơ bản trong Python và cách sử dụng chúng
- Vòng lặp và điều kiện trong xử lý dữ liệu tài chính
- Cách tổ chức code với hàm và module
- Bài tập thực hành phân tích dữ liệu giá cổ phiếu
Các cấu trúc dữ liệu và kỹ thuật xử lý này là nền tảng quan trọng cho việc phân tích dữ liệu tài chính. Trong các bài tiếp theo, chúng ta sẽ đi sâu vào:
- Phân tích dữ liệu với pandas
- Trực quan hóa dữ liệu với matplotlib
- Xây dựng chiến lược giao dịch
- Và nhiều chủ đề thú vị khác!