Ví dụ thực chiến — 17 notebook Python

Kho ví dụ finlens-python-examples gồm 17 Jupyter notebook đi từ lời gọi API đầu tiên tới bốn sản phẩm dùng được hằng ngày. Mọi notebook chạy trên dữ liệu thật, đã thực thi từ đầu tới cuối và commit kèm kết quả — không có số bịa, không có file .csv mẫu.

Chạy thử trong ba phút

git clone https://github.com/manhhung0221/finlens-python-examples.git
cd finlens-python-examples
python -m venv venv
venv\Scripts\activate
pip install -r requirements.txt

set FINLENS_API_KEY=flk_...

jupyter lab notebooks/

Bốn sản phẩm hoàn chỉnh

Đây là những notebook chạy được hằng ngày, không phải bài tập minh hoạ.

Năm nhóm notebook

Notebook chia thành năm thư mục theo chủ đề, mỗi thư mục có mục lục riêng.

Track 0 — Bắt đầu

00_bat_dau — khoá API, whoami() và limits(), lời gọi đầu tiên, đơn vị dữ liệu và df.attrs, cây ngoại lệ FinLensError, tham số on_error, cache. Đây là điều kiện tiên quyết cho 16 notebook còn lại.

Track 1 — Thị trường và dòng tiền

OHLCV nhiều mã trong một request · interval · giá điều chỉnh so với giá thô · cây ngành ICB · sức mạnh 19 ngành · độ rộng thị trường · khối ngoại và tự doanh · dòng tiền theo ngành. Kết thúc bằng dashboard thị trường.

Track 2 — Phân tích cơ bản và định giá

statement() dạng long và cây chỉ tiêu · common-size · 181 chỉ tiêu tính sẵn với formula và higher_is_better · DuPont ba và năm tầng · screener định giá · deep-dive 28 ngân hàng niêm yết (NIM, nợ xấu, bao phủ, CIR, LDR).

Track 3 — Phân tích kỹ thuật và backtest

Hai tầng chỉ báo df.finlens.* và finlens.ta.* · warm-up và NaN lan · 61 mẫu nến · screener tín hiệu toàn sàn · backtest vectorised tránh look-ahead với CAGR/MDD/Sharpe.

Track 4 — Intraday, phái sinh, vĩ mô

Dữ liệu tick và ba giá trị của side · VWAP · basis VN30F1M · chứng quyền và bẫy đơn vị · 3.348 chuỗi vĩ mô đặt cạnh VNINDEX.

Năm cạm bẫy được đo bằng số

Các notebook không kể lại cạm bẫy — chúng chạy cả cách sai lẫn cách đúng rồi in ra độ lệch. Đây là những con số đo được trên dữ liệu thật:

2. Chỉ báo kỹ thuật trên frame nhiều mã. talib.RSI(df["close"]) lấy 13 giá cuối của mã trước để tính cửa sổ đầu của mã sau. Đo trên frame HPG + VCB 500 dòng: mã đầu đúng hoàn toàn, mã thứ hai sai 174/250 dòng, lệch tới 18 điểm RSI — và mọi giá trị sai đều nằm trong khoảng 0–100 hợp lệ. Dùng df.finlens.rsi(14), nó tự tách nhóm theo symbol.

3. Kỳ của chỉ số tài chính khác nhau theo loại hình doanh nghiệp. Trong period="quarterly", pe và eps luôn tính trên 4 quý gần nhất, còn roe và roa thì tuỳ loại hình: CT phi tài chính cho giá trị riêng quý đó (Q4 ÷ năm ≈ 0,27), NH/CK/BH cho giá trị đã quy về năm (≈ 1,00). Hệ quả: xếp hạng ROE quý đặt VCB ở 18,0% và FPT ở 6,3%, trong khi ROE năm của FPT là 21,4% — cao hơn VCB. Dùng period="annual" cho mọi phép so cắt ngang.

4. Bốn nhóm nhà đầu tư chi tiết cộng lại bằng 0. Mua ròng của nhóm này chính là bán ròng của nhóm kia. Đo trên 114 phiên HPG: tổng bốn nhóm lệch tối đa 2 VND. Cộng chúng với nhóm foreign là đếm hai lần.

5. Backtest không đo giả định của chính nó. Cùng một chiến lược đà tăng cho CAGR −5,70% khi đo đúng và +3,04% khi mắc ba lỗi phổ biến: nhìn trước ở bộ lọc vũ trụ, khớp lệnh cùng phiên tín hiệu, và bỏ qua chi phí giao dịch. Khoảng cách 8,7 điểm phần trăm đó là phương pháp, không phải chiến lược.

Môi trường đã kiểm chứng

Toàn bộ 17 notebook đã chạy sạch từ đầu tới cuối bằng jupyter nbconvert --to notebook --execute, không lỗi nào.