Trang chủ
/ Kiến thức chung
/ Cách lấy dữ liệu bằng thư viện VNQuant

Cách lấy dữ liệu bằng thư viện VNQuant

20/03/2024

18,007 lượt đọc

Cách lấy dữ liệu bằng thư viện VNQuant

VNQuant là một thư viện được tạo ra bởi tác giả Phạm Đình Khánh, giúp mọi người truy cập và phân tích dữ liệu thị trường tài chính của Việt Nam. Thư viện này cung cấp các công cụ và chức năng để tải xuống dữ liệu về báo cáo tài chính và các chỉ số cơ bản của doanh nghiệp, đồng thời hỗ trợ phân tích kỹ thuật bằng cách cung cấp các biểu đồ nến, chỉ báo kỹ thuật và nhiều tính năng khác.

1. Các tính năng chính của VNQuant:

VNQuant cho phép người dùng tải xuống dữ liệu liên quan đến báo cáo tài chính của các doanh nghiệp.

Hình 1.1. Dữ liệu lịch sử giá của mã MBB

Hình 1.2. Dữ liệu các chỉ số tài chính cơ bản

Hình 1.3. Biểu đồ nến và khối lượng của MBB trong giai đoạn 2011 - 2022

VNQuant cung cấp dữ liệu về VNINDEX với cột volume đã được điều chỉnh, giúp người dùng phân tích thị trường một cách chính xác hơn.
Thích hợp cho việc phân tích kỹ thuật: Thư viện này cung cấp các công cụ và tính năng thích hợp cho việc phân tích kỹ thuật, bao gồm biểu đồ nến, các chỉ báo kỹ thuật, và các tính năng khác giúp người dùng hiểu rõ hơn về xu hướng thị trường và điểm vào/ra khỏi thị trường.

2. Một số hạn chế của thư viện VnQuant

Phụ thuộc vào cơ sở dữ liệu và API của Vndirect: VNQuant phụ thuộc vào cơ sở dữ liệu và API của Vndirect để tải xuống dữ liệu, do đó nếu có bất kỳ thay đổi nào trong cơ sở dữ liệu hoặc gián đoạn dịch vụ từ Vndirect có thể ảnh hưởng đến việc tải dữ liệu của VNQuant.
VNQuant không có tính năng tích hợp thông báo qua các kênh như Telegram và Slack khiến cho việc tự động hóa các quy trình giao dịch bị giảm.
VNQuant không hỗ trợ dữ liệu từ các sàn giao dịch quốc tế khác nhau hoặc các loại sản phẩm khác như tiền điện tử, hàng hóa, chỉ số.
VNQuant bị hạn chế về phạm vi dữ liệu lịch sử giá, không lấy được dữ liệu theo giờ hoặc phút

Dưới đây là Link Google Colab hướng dẫn chi tiết:

Phương pháp 1: Download bằng thư viện VNQuant

Trên đây là một số ưu, nhược điểm của thư viện VNQuant mà QM Capital đã tổng hợp, hẹn mọi người trong bài viết sau về thư viện Vnstock.

#dữ liệu lịch sử

Chia sẻ bài viết

Đánh giá

(0)

0 Đánh giá

0 / 5

0 nhận xét

Hãy là người đầu tiên nhận xét bài viết này!

Đăng ký nhận tin

Nhập Email để nhận được bản tin mới nhất từ QM Capital.

Bài viết liên quan

Mô hình Không gian Trạng thái & Bộ lọc Kalman: Tại sao chúng cực kỳ quan trọng trong trading?

12/04/2026

33 lượt đọc

Mô hình Không gian Trạng thái & Bộ lọc Kalman: Tại sao chúng cực kỳ quan trọng trong trading? C

Trong lĩnh vực quantitative finance, có một số công cụ mạnh mẽ nhưng ít được chú ý đến so với những mô hình phổ biến như Deep Learning hay SMA crossover. Một trong những công cụ mạnh mẽ đó chính là Mô hình Không gian Trạng thái (State-space models) và Bộ lọc Kalman (Kalman filter). Mặc dù có vẻ phức tạp, nhưng những công cụ này lại cực kỳ hữu ích và mạnh mẽ khi áp dụng vào việc phân tích và dự đoán thị trường tài chính. Mặc dù nghe có vẻ như là những mô hình nguyên thủy, thực tế chúng là những công cụ cực kỳ mạnh mẽ và bền bỉ (robust), đặc biệt trong môi trường thay đổi nhanh chóng của các thị trường tài chính.

Khả năng giải thích trong trading: Tại sao lại quan trọng?

11/04/2026

45 lượt đọc

Khả năng giải thích trong trading: Tại sao lại quan trọng? C

Khi thực hiện bất kỳ chiến lược giao dịch nào trên thị trường tài chính, một yếu tố không thể thiếu chính là khả năng giải thích (interpretability) của mô hình giao dịch. Điều này đặc biệt quan trọng trong bối cảnh môi trường biến động và khi quản lý rủi ro là yếu tố sống còn đối với các quỹ đầu tư và các trader chuyên nghiệp. Mỗi chiến lược giao dịch không chỉ cần phải hiệu quả mà còn phải dễ hiểu, có thể giải thích một cách rõ ràng tại sao tín hiệu mua/bán lại được đưa ra trong một tình huống cụ thể.

Vectorized backtesting có ích gì trong thực tế?

06/04/2026

108 lượt đọc

Vectorized backtesting có ích gì trong thực tế? C

Trong thực tế, rất nhiều ý tưởng giao dịch nghe qua đều có vẻ hợp lý. Ví dụ như mua khi giá vượt MA dài hạn, mua khi cổ phiếu breakout kèm thanh khoản tăng, hoặc đứng ngoài khi thị trường chung nằm dưới đường trung bình dài hạn. Nếu chỉ nhìn chart bằng mắt, rất dễ cảm thấy những ý tưởng như vậy “có vẻ đúng”. Vấn đề là cảm giác đó không đủ để dùng tiền thật. Với QM Capital, giá trị đầu tiên và lớn nhất của vectorized backtesting không phải là để khoe một equity curve đẹp, mà là để biến một ý tưởng mơ hồ thành một bộ quy tắc kiểm tra được.

Vì sao thực thi quan trọng hơn dự báo trong quant trading

05/04/2026

96 lượt đọc

Vì sao thực thi quan trọng hơn dự báo trong quant trading C

Khi mới học quant trading, nhiều người thường tập trung gần như toàn bộ vào phần mô hình. Họ nghĩ rằng nếu dự báo đúng hơn một chút, hoặc nếu tìm được một tín hiệu chính xác hơn phần còn lại của thị trường, thì kết quả giao dịch chắc chắn sẽ tốt. Cách nghĩ này không sai hoàn toàn, nhưng mới đúng một nửa. Trong giao dịch thực tế, dự báo chỉ là điểm bắt đầu. Sau đó còn một bước quan trọng hơn nhiều: biến tín hiệu đó thành vị thế thật, giao dịch thật, lợi nhuận thật.

Overfitting là “kẻ thù số 1” trong quant trading

02/04/2026

162 lượt đọc

Overfitting là “kẻ thù số 1” trong quant trading C

Nếu phải chọn một rủi ro làm hỏng nhiều chiến lược định lượng nhất, thì đó thường không phải là thiếu mô hình hiện đại, mà là overfitting. Nói đơn giản, overfitting xảy ra khi mô hình học quá kỹ dữ liệu quá khứ đến mức nó không chỉ học tín hiệu thật, mà còn học luôn cả nhiễu. Khi nhìn lại lịch sử, mọi thứ trông rất đẹp: độ chính xác cao, equity curve mượt, drawdown dễ chịu, Sharpe ratio hấp dẫn. Nhưng đến khi đem sang giai đoạn mới, hoặc live trading, mô hình bắt đầu hỏng rất nhanh.

Vì sao các quỹ quant lớn vẫn kiếm tiền bằng những mô hình rất đơn giản?

31/03/2026

294 lượt đọc

Vì sao các quỹ quant lớn vẫn kiếm tiền bằng những mô hình rất đơn giản? C

Có một hiểu lầm rất phổ biến khi mới bước vào quant trading: cứ nghe đến “quant” là nghĩ ngay đến deep learning, transformers, reinforcement learning, foundation models, hay ít nhất cũng phải có một thứ gì đó đủ phức tạp để nghe giống phòng lab hơn là bàn giao dịch. Nhưng nếu nhìn vào cách nhiều tổ chức thật đang vận hành, bức tranh lại bớt hào nhoáng hơn nhiều.