# 5.2.2. Beta
Mục đích: Dùng để tính **rolling beta** giữa một chuỗi giá (hoặc lợi suất) và một chỉ số tham chiếu (benchmark), thường dùng để đo **mức độ nhạy cảm (rủi ro hệ thống)** của một cổ phiếu so với thị trường chung.
Cấu trúc hàm: beta(x, b, w=, prices=True)
Tham số:
Tham số
Kiểu dữ liệu
Ý nghĩa
x
Series
Chuỗi giá hoặc lợi suất của tài sản cần phân tích (ví dụ: cổ phiếu)
b
Series
Chuỗi giá hoặc lợi suất của benchmark (ví dụ: VNINDEX)
Nếu True, x và b là chuỗi giá, sẽ được nội suy thành lợi suất; nếu False, bạn đã đưa vào lợi suất sẵn
Kiểu dữ liệu trả về: Trả về `Series` với chỉ số thời gian chứa giá trị beta được tính theo từng rolling window.
Công thức:
* Giả sử:
* $$X\_t$$ và $$b\_t$$ là giá tài sản và benchmark tại thời điểm t
* Tính lợi suất đơn giản:
$$
R\_t = \frac{X\_t}{X\_t - 1} - 1
$$
$$
S\_t = \frac{b\_t}{b\_t - 1} - 1
$$
* Thì:
$$
\beta\_{t} = \frac{Cov(R\_t, S\_t)}{Var(S\_t)}
$$
* Với mỗi cửa sổ `w`, beta được tính bằng **covariance giữa R và S chia cho variance của S**.
Hàm này thường được dùng để:
* Phân tích độ nhạy của cổ phiếu so với chỉ số thị trường (ví dụ: HPG so với VNINDEX)
* Phục vụ mô hình hóa rủi ro, CAPM, Alpha/Beta analysis
Lưu ý:
* Nếu bạn truyền vào chuỗi giá thì nhớ để `prices=True` để FiinQuant tự tính return.
* Nếu bạn đã tự tính return trước, hãy để `prices=False` để tránh tính toán sai.
* Đảm bảo `x` và `b` phải khớp thời gian (`index` phải trùng).
Ví dụ mẫu tính rolling beta trong vòng 22 ngày gần nhất từ 03/06/2025 - 25/06/2025 của HPG so với VNINDEX trên tập dữ liệu 1 năm từ 25/05/2024 - 25/06/2025:
```python
import pandas as pd
from FiinQuantX import FiinSession
from FiinQuantX.timeseries.econometrics import beta
from FiinQuantX.timeseries.helper import Window
from datetime import datetime
from dateutil.relativedelta import relativedelta
username = "REPLACE_WITH_YOUR_USERNAME"
password = "REPLACE_WITH_YOUR_PASSWORD"
client = FiinSession(
username=username,
password=password
).login()
# Lấy dữ liệu giá đóng cửa 1 năm EOD của HPG và VNINDEX
data = client.Fetch_Trading_Data(
realtime=False,
tickers=["HPG","VNINDEX"],
fields=["close"],
adjusted=True,
by="1d",
from_date=(datetime.now() - relativedelta(years=1)).strftime("%Y-%m-%d")
).get_data()
# Pivot theo ticker để tách riêng từng mã
data_pivot = data.pivot(index="timestamp", columns="ticker", values="close")
# Lấy Series
hpg_series = data_pivot["HPG"]
vnindex_series = data_pivot["VNINDEX"]
# Tính rolling beta 22 ngày
rolling_beta = beta(hpg_series, vnindex_series, w=Window(22), prices=True)
# Ghép 3 series vào thành 1 dataframe
df_hpg = hpg_series.rename("HPG").reset_index().rename(columns={"index": "timestamp"})
df_hsg = vnindex_series.rename("VNINDEX").reset_index().rename(columns={"index": "timestamp"})
df_corr = rolling_beta.rename("rolling_beta").reset_index().rename(columns={"index": "timestamp"})
df_merged = pd.merge(df_hpg, df_hsg, on="timestamp", how="outer")
df_merged = pd.merge(df_merged, df_corr, on="timestamp", how="outer")
df_merged = df_merged.sort_values("timestamp").reset_index(drop=True)
print(df_merged)
```
Kết quả trả ra (code chạy tại ngày 25/06/2025)
