Trang chủ
/ Kiến thức chung
/ Vì sao matplotlib quan trọng trong quant trading (không phải để “đẹp”)

Vì sao matplotlib quan trọng trong quant trading (không phải để “đẹp”)

23/02/2026

879 lượt đọc

Trong quant trading, đọc dữ liệu bằng bảng số thường làm người ta… tự lừa mình. Một backtest nhìn “đẹp” có thể chỉ là do bạn chưa nhìn thấy những thứ quan trọng: vùng sideway kéo dài, cú gap, giai đoạn thanh khoản yếu, hoặc drawdown âm ỉ nhưng rất dai. Chart là cách nhanh nhất để bóc lớp “ảo giác” đó.

Chương về matplotlib trong sách có một ý rất thực tế: trước khi nghĩ đến chiến lược, hãy vẽ chart. Vì chiến lược nào cũng cần “đúng môi trường”. Trend-following không hợp tài sản đi ngang; mean-reversion dễ chết trong giai đoạn breakout; intraday thì cực nhạy với biến động/khối lượng. Và chart là cách bạn nhìn thấy “regime” của thị trường trong vài giây.

Tư duy “figure + subplots” để đánh giá chiến lược như một hệ thống

Nhiều người mới làm quant hay mắc lỗi: chỉ vẽ price hoặc chỉ vẽ equity curve. Nhưng một hệ thống giao dịch phải được nhìn tối thiểu qua 3–4 góc: giá, tín hiệu, equity, drawdown, thậm chí thêm rolling volatility. Điểm hay của matplotlib là bạn tạo một “canvas” (figure) rồi chia nó thành nhiều cửa sổ (subplot) để nhìn được toàn cảnh cùng lúc.

Ví dụ workflow thực tế:

Subplot 1: giá + tín hiệu (entry/exit)
Subplot 2: equity curve (giá trị tài khoản theo thời gian)
Subplot 3: drawdown (đo mức đau thật sự)
Subplot 4: rolling volatility hoặc rolling Sharpe (để biết regime đổi chưa)

Nếu chỉ nhìn equity curve, bạn có thể bị “đánh lừa” bởi vài trade thắng lớn. Nhưng khi thêm drawdown, bạn sẽ thấy ngay chiến lược có đoạn “hấp hối” dài hay không. Đây là chỗ mà chương sách nói rất đúng: không có gì thay thế được một chart được thiết kế tử tế.

Dưới đây là khung code tối giản nhưng đúng tinh thần “xây hệ thống” (không chỉ vẽ cho vui). Bạn có thể thay dữ liệu giả bằng dữ liệu thật của VN30/VNINDEX/1 cổ phiếu bất kỳ.

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

# giả lập price (thay bằng dữ liệu thật của bạn)

np.random.seed(42)

n = 500

price = 100 + np.cumsum(np.random.randn(n)) # random walk

df = pd.DataFrame({"price": price})

df["ret"] = df["price"].pct_change().fillna(0)

# tín hiệu ví dụ: moving average crossover

fast = 10

slow = 30

df["ma_fast"] = df["price"].rolling(fast).mean()

df["ma_slow"] = df["price"].rolling(slow).mean()

df["signal"] = (df["ma_fast"] > df["ma_slow"]).astype(int) # 1 khi fast > slow

df["pos"] = df["signal"].shift(1).fillna(0)

# equity curve (giả sử không tính phí/slippage ở đây để minh họa)

df["strategy_ret"] = df["pos"] * df["ret"]

df["equity"] = (1 + df["strategy_ret"]).cumprod()

# drawdown

df["peak"] = df["equity"].cummax()

df["dd"] = df["equity"]/df["peak"] - 1

# vẽ 3 subplot chia sẻ trục x

fig, axes = plt.subplots(3, 1, figsize=(12, 10), sharex=True)

# 1) price + MA

axes[0].plot(df["price"], label="price")

axes[0].plot(df["ma_fast"], label=f"MA{fast}")

axes[0].plot(df["ma_slow"], label=f"MA{slow}")

axes[0].legend(loc="best")

axes[0].set_title("price và tín hiệu (moving average)")

# 2) equity curve

axes[1].plot(df["equity"], label="equity")

axes[1].legend(loc="best")

axes[1].set_title("equity curve")

# 3) drawdown

axes[2].plot(df["dd"], label="drawdown")

axes[2].legend(loc="best")

axes[2].set_title("drawdown")

plt.tight_layout()

plt.show()

Điểm quan trọng không phải “MA crossover” (cái này chỉ là ví dụ), mà là cách bạn đóng gói chiến lược thành một hệ thống có thể nhìn và kiểm tra. Khi bạn nhìn 3 biểu đồ cùng lúc, bạn trả lời được ngay những câu cực thực tế:

equity tăng nhờ đều hay nhờ vài cú ăn may?
drawdown sâu nhất là bao nhiêu? kéo dài bao lâu?
giai đoạn sideway thì hệ thống bị bào mòn không?
khi regime đổi (volatility tăng/giảm) thì performance có đổi không?

Đó mới là “giá trị” của matplotlib trong quant.

Trong thực tế, equity curve nên vẽ log nếu bạn nhìn dài hạn hoặc muốn so tăng trưởng theo % thay vì theo điểm. Vì tăng từ 1 lên 2 là +100%, tăng từ 100 lên 101 chỉ +1%. Nếu bạn không dùng log trong một số trường hợp, mắt bạn sẽ bị đánh lừa.

fig, ax = plt.subplots(figsize=(12, 4))

ax.plot(df["equity"])

ax.set_yscale("log")

ax.set_title("equity curve (log scale)")

plt.show()

Còn annotate thì cực hợp để “đóng đinh” các điểm quan trọng: cú rơi mạnh nhất, ngày equity lập đỉnh, hoặc điểm tín hiệu đảo chiều. Ví dụ bạn đánh dấu đáy drawdown:

dd_min_idx = df["dd"].idxmin()

fig, ax = plt.subplots(figsize=(12, 4))

ax.plot(df["dd"])

ax.annotate("max drawdown",

xy=(dd_min_idx, df.loc[dd_min_idx, "dd"]),

xytext=(dd_min_idx + 20, df["dd"].min()/2),

arrowprops=dict(facecolor="black", shrink=0.05))

ax.set_title("đánh dấu max drawdown")

plt.show()

fig.savefig("strategy_report.png", dpi=200)

Kết luận

Một chiến lược có thể có Sharpe đẹp, winrate cao, nhưng equity đi kiểu “leo dốc rồi rơi thẳng đứng” thì đó là chiến lược có tail risk. Ngược lại, một chiến lược return không quá ấn tượng nhưng drawdown kiểm soát tốt lại là thứ sống lâu. Matplotlib không tạo ra edge, nhưng nó giúp bạn nhìn thấy sự thật của hệ thống: nó kiếm tiền như thế nào, đau ở đâu, và có chịu nổi thị trường xấu không.

Nếu muốn làm bài post này “đúng vibe facebook” hơn nữa (ngắn hơn nhưng vẫn chất), nói mình sẽ rút lại thành 8–10 câu, giữ nguyên insight và ví dụ code quan trọng nhất.

Chia sẻ bài viết