8.3. Volatility Indicators (Chỉ báo biến động)

8.3.1. Bollinger Bands

Bollinger Bands (Dải Bollinger) là một công cụ phân tích kỹ thuật được phát triển bởi John Bollinger vào những năm 1980. Bollinger Bands giúp đo lường sự biến động (volatility) của giá và xác định mức giá cao/thấp tiềm năng trong một xu hướng.

Cấu tạo:

• Dải trung tâm (Centerline): Đường trung bình động (thường là đường SMA 20 ngày) của giá.

• Dải trên (Upper Band): Số lần chênh lệch chuẩn nhất định (thường là 2) tính trên đường trung tâm, được cộng thêm vào giá trị của đường trung tâm.

• Dải dưới (Lower Band): Số lần chênh lệch chuẩn nhất định (thường là 2) tính trên đường trung tâm, được trừ đi khỏi giá trị của đường trung tâm.

Các tính năng thêm:

• Độ rộng dải (Bollinger Band Width): Chỉ số đo lường độ biến động (volatility) của giá, được tính từ khoảng cách giữa dải trên và dải dưới của Bollinger Bands và chia cho dải trung tâm.

• Tín hiệu "nén" giá (Bollinger Squeeze): Chỉ báo cho biết khi độ rộng của dải Bollinger Bands (Bollinger Band Width) thu hẹp đáng kể, cho thấy biến động thị trường giảm mạnh, và một cú bứt phá (breakout) sắp xảy ra.

def bollinger_mband(column: pandas.core.series.Series, window: int = 20)
def bollinger_hband(column: pandas.core.series.Series, window: int = 20, window_dev: int = 2)
def bollinger_lband(column: pandas.core.series.Series, window: int = 20, window_dev: int = 2)
def bollinger_wband(column: pandas.core.series.Series, window: int = 20, window_dev: int = 2)
def bollinger_squeeze(column: pandas.core.series.Series, window: int = 20, window_dev: int = 2, squeeze_mode: Literal['dynamic', 'percentile'] = "dynamic", dynamic_thresold: float = 0.9, percentile_thresold: int = 10)

Tham số

Tên tham số	Mô tả	Kiểu dữ liệu	Giá trị mặc định
column	Cột dữ liệu chứa các giá trị để tính toán Bollinger Bands.	pandas.Series
window	Số lượng điểm dữ liệu sử dụng trong phép tính Bollinger Bands.	int	20
window_dev	Số lượng độ lệch chuẩn sử dụng để tính toán khoảng cách các dải của Bollinger Bands.	int	2
squeeze_mode	Kiểu "nén giá": percentile (Thị trường đang ở trạng thái squeeze khi BBW rơi xuống nhỏ hơn ngưỡng percentile nhất định trong lịch sử (ví dụ: 10%, 15%)) hoặc dynamic (ngưỡng nén được điều chỉnh linh hoạt theo mức trung bình động của BB Width thay vì cố định bằng percentile)	str	'dynamic'
dynamic_thresold	Hệ số kiểu "nén giá" linh động	float	0.9
percentile_thresold	Hệ số kiểu "nén giá" percentile	int	10

Ví dụ

fi = client.FiinIndicator()
df['bollinger_mband'] = fi.bollinger_mband(df['close'], window=20)
df['bollinger_hband'] = fi.bollinger_hband(df['close'], window=20, window_dev=2)
df['bollinger_lband'] = fi.bollinger_lband(df['close'], window=20, window_dev=2)
df['bollinger_wband'] = fi.bollinger_wband(df['close'], window=20, window_dev=2)
df['bollinger_squeeze'] = fi.bollinger_squeeze(df['close'], window=20, window_dev=2, squeeze_mode='dynamic', dynamic_thresold=0.9)
print(df)

8.3.2. Supertrend

Supertrend (siêu xu hướng) là một công cụ phân tích kỹ thuật được phát triển bởi nhà đầu tư Olivier Seban vào năm 2010. Supertrend sử dụng kết hợp các yếu tố như giá cả ATR (Average True Range - Biên độ dao động trung bình thực) và xu hướng hiện tại để xác định xu hướng chính của thị trường và các điểm đảo chiều tiềm năng.

def supertrend(high: pandas.core.series.Series, low: pandas.core.series.Series, close: pandas.core.series.Series, window: int = 14, multiplier: float = 3.0)


def supertrend_hband(high: pandas.core.series.Series, low: pandas.core.series.Series, close: pandas.core.series.Series, window: int = 14, multiplier: float = 3.0)


def supertrend_lband(high: pandas.core.series.Series, low: pandas.core.series.Series, close: pandas.core.series.Series, window: int = 14, multiplier: float = 3.0)

Tham số:

Tên tham số	Mô tả	Kiểu dữ liệu	Giá trị mặc định
high	Cột dữ liệu chứa các giá trị cột giá cao nhất để tính toán Supertrend.	pandas.Series
low	Cột dữ liệu chứa các giá trị cột giá thấp nhất để tính toán Supertrend.	pandas.Series
close	Cột dữ liệu chứa các giá trị cột giá đóng cửa để tính toán Supertrend.	pandas.Series
window	Số lượng điểm dữ liệu sử dụng trong phép tính Supertrend.	int	14
multiplier	Hệ số nhân dùng để điều chỉnh độ rộng của chỉ báo Supertrend so với mức giá.	float	3.0

Ví dụ:

fi = client.FiinIndicator()
df['supertrend'] = fi.supertrend(df['high'], df['low'], df['close'], window=14)
df['supertrend_hband'] = fi.supertrend_hband(df['high'], df['low'], df['close'], window=14)
df['supertrend_lband'] = fi.supertrend_lband(df['high'], df['low'], df['close'], window=14)
print(df)

8.3.3. ATR (AverageTrueRange)

ATR là khoảng dao động trung bình thực tế. Đây là chỉ báo để đo lường những biến động của giá trong một khoảng thời gian nhất định.

Chỉ báo được giới thiệu trong cuốn sách “Tư tưởng mới trong Hệ thống kỹ thuật Giao dịch” của J. Welles Wilder Jr vào năm 1978. Thông qua chỉ báo, nhà đầu tư có thể dự đoán mức giá dao động trong tương lai. Nhờ đó, nhà đầu tư có cơ sở để đặt điểm cắt lỗ và chốt lời hợp lý.

def atr(high: pandas.core.series.Series, low: pandas.core.series.Series, close: pandas.core.series.Series, window: int = 14)

Tham số:

Tên tham số	Mô tả	Kiểu dữ liệu	Giá trị mặc định
high	Cột dữ liệu chứa các giá trị cột giá cao nhất để tính toán ATR.	pandas.Series
low	Cột dữ liệu chứa các giá trị cột giá thấp nhất để tính toán ATR.	pandas.Series
close	Cột dữ liệu chứa các giá trị cột giá đóng cửa để tính toán ATR.	pandas.Series
window	Số lượng điểm dữ liệu sử dụng trong phép tính ATR.	int	14

Ví dụ:

fi = client.FiinIndicator()
df['atr'] = fi.atr(df['high'], df['low'], df['close'], window=14)
print(df)

8.3.4. Realized Volatility

Realized Volatility (annualized) là chỉ báo đo lường mức độ biến động thực tế của giá dựa trên lợi suất logarit trong một khoảng thời gian nhất định.

Chỉ báo này thường được annualize (quy đổi theo năm) để phản ánh biến động trung bình năm, giúp nhà đầu tư đánh giá mức rủi ro hoặc độ ổn định của tài sản.

def realized_volatility(close: pandas.Series, window: int = 14, trading_days: int = 252)

Tham số:

Tên tham số	Mô tả	Kiểu dữ liệu	Giá trị mặc định
close	Cột dữ liệu chứa các giá trị cột giá đóng cửa để tính toán realized volatility.	pandas.Series
window	Số phiên (ngày) được dùng để tính trung bình phương sai (rolling window).	int	14
trading_days	Số ngày giao dịch trong năm, dùng để annualize biến động.	int	252

Ví dụ:

fi = client.FiinIndicator()
df['rv'] = fi.realized_volatility(df["close"], window=14, trading_days=252)
print(df)

8.3.5. Keltner Channels

Kênh Keltner (Keltner Channels) là các đường bao xung quanh dựa trên biến động giá có thể ở trên hoặc dưới đường trung bình động lũy thừa (EMA). Chỉ báo Keltner sử dụng chỉ báo Khoảng dao động trung bình thực tế (ATR) để đặt khoảng cách kênh. Thông thường, chỉ báo kênh Keltner sẽ sử dụng 2 đường ATR ở trên và dưới đường EMA 20 ngày. Đường này sẽ điều khiển hướng trong khi đường ATR sẽ điều khiển độ rộng của kênh.

Chỉ báo kênh Keltner là chỉ báo theo sau xu hướng thường được dùng để tìm tín hiệu đảo chiều xu hướng thông qua việc phá kênh hay dựa vào hướng của kênh. Chỉ báo này cũng được sử dụng để xác định vùng quá mua và quá bán khi thị trường không có xu hướng.

def kc_midline(close: pandas.Series, high: pandas.Series, low: pandas.Series, ema_window: int = 20, atr_window: int = 10, atr_mult: float = 2)
def kc_upper(close: pandas.Series, high: pandas.Series, low: pandas.Series, ema_window: int = 20, atr_window: int = 10, atr_mult: float = 2, band_style: Literal['avg_true_range', 'true_range', 'range'] = "avg_true_range")
def kc_lower(close: pandas.Series, high: pandas.Series, low: pandas.Series, ema_window: int = 20, atr_window: int = 10, atr_mult: float = 2, band_style: Literal['avg_true_range', 'true_range', 'range'] = "avg_true_range")

Tham số:

Tên tham số	Mô tả	Kiểu dữ liệu	Giá trị mặc định
close	Cột dữ liệu chứa các giá trị cột giá đóng cửa để tính toán các kênh Keltner.	pandas.Series
high	Cột dữ liệu chứa các giá trị cột giá cao nhất để tính toán các kênh Keltner.	pandas.Series
low	Cột dữ liệu chứa các giá trị cột giá thấp nhất để tính toán các kênh Keltner.	pandas.Series
ema_window	Số phiên (ngày) được dùng để tính đường trung bình động lũy thừa (EMA).	int	20
atr_window	Số phiên (ngày) được dùng để tính khoảng dao động trung bình thực tế (ATR).	int	10
atr_mult	Số nhân với khoảng dao động trung bình thực tế (ATR) để tính kênh trên và kênh dưới.	float	2.0
band_style	Kiểu dải là 1 trong 3 giá trị 'avg_true_range': Khoảng dao động thực tế trung bình, 'true_range': Phạm vi thực thế, 'range': Phạm vi	str	'avg_true_range'

Ví dụ:

fi = client.FiinIndicator()
df["kc_midline"] = fi.kc_midline(df["close"], df["high"], df["low"], ema_window = 20, atr_window = 10, atr_mult = 2)
df["kc_upper"] = fi.kc_upper(df["close"], df["high"], df["low"], ema_window = 20, atr_window = 10, atr_mult = 2, band_style = 'avg_true_range')
df["kc_lower"] = fi.kc_lower(df["close"], df["high"], df["low"], band_style = 'avg_true_range')
print(df)

Trực quan bằng biểu đồ

Keltner Channels với kiểu dải Khoảng dao động thực tế trung bình

Keltner Channels với kiểu dải Phạm vi thực tế

Keltner Channels với kiểu dải Phạm vi

Source code:

import pandas as pd
import matplotlib.pyplot as plt
import mplfinance as mpf

from FiinQuantX import FiinSession

username = "REPLACE_WITH_YOUR_USERNAME"
password = "REPLACE_WITH_YOUR_PASSWORD"

client = FiinSession(username=username, password=password).login()

df = client.Fetch_Trading_Data(
    realtime=False,
    tickers=["MWG"],
    fields=["open","high","low","close"],
    adjusted=True,
    by="1d",
    from_date="2024-10-20",
    lasted=True
).get_data()

fi = client.FiinIndicator()
df["kc_midline"] = fi.kc_midline(df["close"], df["high"], df["low"])
df["kc_upper"] = fi.kc_upper(df["close"], df["high"], df["low"])
df["kc_lower"] = fi.kc_lower(df["close"], df["high"], df["low"])

# ----- 1️⃣ Chuyển đổi timestamp sang datetime -----
df['timestamp'] = pd.to_datetime(df['timestamp'], format='%Y-%m-%d %H:%M')

# Đặt timestamp làm index để phù hợp với mplfinance
df = df.set_index('timestamp')

# ----- 3️⃣ Vẽ biểu đồ -----
# Tạo đối tượng “additional plot” cho đường trend line
add_plots = [
    mpf.make_addplot(df["kc_midline"], color='blue', width=1.5, label='Basis'),
    mpf.make_addplot(df["kc_upper"], color='blue', width=1.5, label='Upper'),
    mpf.make_addplot(df["kc_lower"], color='blue', width=1.5, label='Lower')
]

mpf.plot(
    df,
    type='candle',
    style='yahoo',
    addplot=add_plots,
    title='Candlestick Chart with Keltner Channels',
    ylabel='Price',
    ylabel_lower='Volume',
    datetime_format='%Y-%m-%d',
    tight_layout=True,
    figratio=(16, 8)
)

plt.show()