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)
w	Window, int hoặc str	Kích thước cửa sổ rolling, ví dụ Window(22, 10) hoặc '1m', '1d'
prices	bool	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:

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)

     timestamp         HPG      VNINDEX  rolling_beta
0    2024-06-25 00:00  28700.0  1256.56           NaN
1    2024-06-26 00:00  28900.0  1261.24           NaN
2    2024-06-27 00:00  28850.0  1259.09           NaN
3    2024-06-28 00:00  28300.0  1245.32           NaN
4    2024-07-01 00:00  28350.0  1254.56           NaN
..                ...      ...      ...           ...
244  2025-06-18 00:00  27150.0  1346.83      0.189324
245  2025-06-19 00:00  26900.0  1352.04      0.220260
246  2025-06-20 00:00  27000.0  1349.35      0.211598
247  2025-06-23 00:00  26850.0  1358.18      0.136014
248  2025-06-24 00:00  27000.0  1366.77      0.142753

Biểu đồ minh họa (tuỳ chọn)

import matplotlib.pyplot as plt
import matplotlib.dates as mdates

# Chuẩn hóa giá trị
df_merged['timestamp'] = pd.to_datetime(df_merged['timestamp'])
df_merged['HPG_norm'] = (df_merged['HPG'] - df_merged['HPG'].min()) / (df_merged['HPG'].max() - df_merged['HPG'].min())
df_merged['VNINDEX_norm'] = (df_merged['VNINDEX'] - df_merged['VNINDEX'].min()) / (df_merged['VNINDEX'].max() - df_merged['VNINDEX'].min())

fig, ax1 = plt.subplots(figsize=(14, 6))

# Trục y bên trái: giá HPG và VNINDEX
ax1.plot(df_merged['timestamp'], df_merged['HPG_norm'], label='HPG (normalized)', color='blue')
ax1.plot(df_merged['timestamp'], df_merged['VNINDEX_norm'], label='VNINDEX (normalized)', color='green', linestyle='--')
ax1.set_ylabel('Normalized Price', color='black')
ax1.legend(loc='upper left')
ax1.grid(True)

# Format x-axis
ax1.xaxis.set_major_locator(mdates.AutoDateLocator())
ax1.xaxis.set_major_formatter(mdates.DateFormatter('%Y-%m-%d'))
fig.autofmt_xdate(rotation=45)  # Rotate labels for readability

# Trục y bên phải: rolling beta
ax2 = ax1.twinx()
ax2.plot(df_merged['timestamp'], df_merged['rolling_beta'], label='Rolling Beta', color='red', alpha=0.6)
ax2.set_ylabel('Rolling Beta', color='red')
ax2.legend(loc='upper right')

plt.title('Diễn biến HPG, VNINDEX và Rolling Beta theo thời gian')
plt.tight_layout()
plt.show()