23 posts tagged with "Python"

import numpy as np
import pandas as pd
from binance.client import Client

# Khởi tạo client
client = Client(api_key, api_secret)

# Lấy dữ liệu
klines = client.get_historical_klines("BTCUSDT", Client.KLINE_INTERVAL_1DAY, "1 year ago UTC")

# Chuyển đổi sang DataFrame
df = pd.DataFrame(klines, columns=['timestamp', 'open', 'high', 'low', 'close', 'volume', 'close_time', 
                                  'quote_asset_volume', 'number_of_trades', 'taker_buy_base_asset_volume', 
                                  'taker_buy_quote_asset_volume', 'ignore'])

# Xử lý dữ liệu
df['timestamp'] = pd.to_datetime(df['timestamp'], unit='ms')
df['close'] = pd.to_numeric(df['close'])
df.set_index('timestamp', inplace=True)

# Tính toán trung bình động
df['MA20'] = df['close'].rolling(window=20).mean()
df['MA50'] = df['close'].rolling(window=50).mean()

# Tạo tín hiệu giao dịch
df['signal'] = 0
df['signal'] = np.where(df['MA20'] > df['MA50'], 1, 0)
df['position'] = df['signal'].diff()

# Hiển thị các điểm mua và bán
buy_signals = df[df['position'] == 1]
sell_signals = df[df['position'] == -1]

print("Điểm mua:")
print(buy_signals[['close', 'MA20', 'MA50']])
print("\nĐiểm bán:")
print(sell_signals[['close', 'MA20', 'MA50']])

import pandas as pd
import numpy as np
from binance.client import Client
import talib

# Khởi tạo client
client = Client(api_key, api_secret)

# Lấy dữ liệu
klines = client.get_historical_klines("BTCUSDT", Client.KLINE_INTERVAL_4HOUR, "3 months ago UTC")

# Chuyển đổi sang DataFrame
df = pd.DataFrame(klines, columns=['timestamp', 'open', 'high', 'low', 'close', 'volume', 'close_time', 
                                  'quote_asset_volume', 'number_of_trades', 'taker_buy_base_asset_volume', 
                                  'taker_buy_quote_asset_volume', 'ignore'])

# Xử lý dữ liệu
df['timestamp'] = pd.to_datetime(df['timestamp'], unit='ms')
df['close'] = pd.to_numeric(df['close'])
df.set_index('timestamp', inplace=True)

# Tính toán RSI
df['RSI'] = talib.RSI(df['close'].values, timeperiod=14)

# Tạo tín hiệu giao dịch
df['signal'] = 0
df['signal'] = np.where(df['RSI'] < 30, 1, 0)  # Mua khi RSI < 30
df['signal'] = np.where(df['RSI'] > 70, -1, df['signal'])  # Bán khi RSI > 70

# Lọc tín hiệu để tránh nhiều tín hiệu liên tiếp
df['position'] = df['signal'].diff().fillna(0)

# Hiển thị kết quả
buy_signals = df[df['position'] == 1]
sell_signals = df[df['position'] == -1]

print("Tín hiệu mua (RSI quá bán):")
print(buy_signals[['close', 'RSI']])
print("\nTín hiệu bán (RSI quá mua):")
print(sell_signals[['close', 'RSI']])

import numpy as np
import pandas as pd
from binance.client import Client
from binance.enums import *

# Khởi tạo client
client = Client(api_key, api_secret)

# Cấu hình grid trading
symbol = "BTCUSDT"
lower_price = 40000  # Giá dưới của grid
upper_price = 50000  # Giá trên của grid
grid_number = 10     # Số lượng grid
investment = 10000   # Tổng số tiền đầu tư (USDT)

# Tính toán khoảng cách giữa các grid
grid_size = (upper_price - lower_price) / grid_number
grid_investment = investment / grid_number

# Tạo các grid
grids = []
for i in range(grid_number + 1):
    price = lower_price + i * grid_size
    grids.append({
        "price": price,
        "buy_order": None,
        "sell_order": None
    })

# Hàm mô phỏng tạo lệnh mua
def place_buy_order(symbol, price, quantity):
    # Trong thực tế, bạn sẽ sử dụng client.create_order() để tạo lệnh thực tế
    print(f"Đặt lệnh MUA {quantity:.5f} {symbol} tại giá {price:.2f}")
    return {"symbol": symbol, "side": "BUY", "price": price, "quantity": quantity}

# Hàm mô phỏng tạo lệnh bán
def place_sell_order(symbol, price, quantity):
    # Trong thực tế, bạn sẽ sử dụng client.create_order() để tạo lệnh thực tế
    print(f"Đặt lệnh BÁN {quantity:.5f} {symbol} tại giá {price:.2f}")
    return {"symbol": symbol, "side": "SELL", "price": price, "quantity": quantity}

# Thiết lập grid bằng cách đặt các lệnh mua tại các mức giá
for i in range(grid_number):
    price = grids[i]["price"]
    quantity = grid_investment / price
    grids[i]["buy_order"] = place_buy_order(symbol, price, quantity)
    
    # Nếu lệnh mua được khớp, đặt lệnh bán ở mức giá cao hơn
    if i < grid_number:
        sell_price = grids[i+1]["price"]
        grids[i]["sell_order"] = place_sell_order(symbol, sell_price, quantity)

print("\nThiết lập Grid Trading hoàn tất!")
print(f"Phạm vi giao dịch: {lower_price:.2f} - {upper_price:.2f} USDT")
print(f"Kích thước grid: {grid_size:.2f} USDT")
print(f"Đầu tư mỗi grid: {grid_investment:.2f} USDT")

import time
import pandas as pd
from binance.client import Client
from datetime import datetime, timedelta

# Khởi tạo client
client = Client(api_key, api_secret)

# Cấu hình DCA
symbol = "BTCUSDT"
investment_amount = 100  # USD mỗi lần đầu tư
interval_days = 7        # Đầu tư mỗi 7 ngày
total_periods = 10       # Tổng số lần đầu tư

# Lấy thông tin giá hiện tại
def get_current_price(symbol):
    ticker = client.get_symbol_ticker(symbol=symbol)
    return float(ticker['price'])

# Mô phỏng chiến lược DCA
def simulate_dca():
    total_investment = 0
    total_coins = 0
    dca_results = []
    
    # Ngày bắt đầu (giả định từ 70 ngày trước)
    start_date = datetime.now() - timedelta(days=70)
    
    for i in range(total_periods):
        # Ngày đầu tư
        investment_date = start_date + timedelta(days=i * interval_days)
        
        # Lấy dữ liệu giá từ ngày đầu tư
        klines = client.get_historical_klines(
            symbol, 
            Client.KLINE_INTERVAL_1DAY,
            investment_date.strftime("%d %b, %Y 00:00:00"),
            (investment_date + timedelta(days=1)).strftime("%d %b, %Y 00:00:00")
        )
        
        if not klines:
            print(f"Không có dữ liệu cho ngày {investment_date.strftime('%Y-%m-%d')}")
            continue
            
        # Lấy giá đóng cửa
        price = float(klines[0][4])
        
        # Tính lượng tiền điện tử mua được
        coins_bought = investment_amount / price
        
        # Cập nhật tổng
        total_investment += investment_amount
        total_coins += coins_bought
        
        # Ghi nhận kết quả
        dca_results.append({
            "date": investment_date.strftime("%Y-%m-%d"),
            "price": price,
            "investment": investment_amount,
            "coins_bought": coins_bought,
            "total_investment": total_investment,
            "total_coins": total_coins,
            "current_value": total_coins * price,
            "roi": (total_coins * price / total_investment - 1) * 100
        })
    
    # Chuyển kết quả thành DataFrame
    return pd.DataFrame(dca_results)

# Thực hiện mô phỏng
results = simulate_dca()
print(results[["date", "price", "coins_bought", "total_coins", "roi"]])

# Tính toán ROI cuối cùng
current_price = get_current_price(symbol)
final_value = results.iloc[-1]["total_coins"] * current_price
final_roi = (final_value / results.iloc[-1]["total_investment"] - 1) * 100

print(f"\nKết quả cuối cùng tại giá hiện tại ({current_price:.2f} USD):")
print(f"Tổng đầu tư: {results.iloc[-1]['total_investment']:.2f} USD")
print(f"Tổng số coin: {results.iloc[-1]['total_coins']:.8f}")
print(f"Giá trị hiện tại: {final_value:.2f} USD")
print(f"ROI: {final_roi:.2f}%")

import pandas as pd
import numpy as np
from binance.client import Client
from datetime import datetime, timedelta

# Khởi tạo client
client = Client(api_key, api_secret)

# Cấu hình danh mục đầu tư
portfolio = {
    "BTC": 0.5,  # 50% Bitcoin
    "ETH": 0.3,  # 30% Ethereum
    "BNB": 0.2   # 20% Binance Coin
}

initial_investment = 10000  # USD
rebalance_frequency = 30    # Rebalance mỗi 30 ngày

# Lấy giá hiện tại
def get_current_prices(symbols):
    prices = {}
    for symbol in symbols:
        ticker = client.get_symbol_ticker(symbol=symbol+"USDT")
        prices[symbol] = float(ticker['price'])
    return prices

# Mô phỏng chiến lược rebalancing
def simulate_rebalancing():
    # Giả định bắt đầu từ 180 ngày trước
    start_date = datetime.now() - timedelta(days=180)
    current_date = start_date
    end_date = datetime.now()
    
    # Dữ liệu ban đầu
    current_prices = {}
    for symbol in portfolio:
        klines = client.get_historical_klines(
            symbol+"USDT", 
            Client.KLINE_INTERVAL_1DAY,
            start_date.strftime("%d %b, %Y 00:00:00"),
            (start_date + timedelta(days=1)).strftime("%d %b, %Y 00:00:00")
        )
        if klines:
            current_prices[symbol] = float(klines[0][4])
    
    # Tính toán số lượng coin ban đầu
    holdings = {}
    for symbol, allocation in portfolio.items():
        investment_amount = initial_investment * allocation
        holdings[symbol] = investment_amount / current_prices[symbol]
    
    rebalance_results = []
    
    # Ghi nhận trạng thái ban đầu
    initial_holdings_value = sum(holdings[s] * current_prices[s] for s in portfolio)
    rebalance_results.append({
        "date": start_date.strftime("%Y-%m-%d"),
        "action": "Initial",
        "portfolio_value": initial_holdings_value,
        "holdings": holdings.copy(),
        "prices": current_prices.copy()
    })
    
    # Mô phỏng qua thời gian
    while current_date < end_date:
        current_date += timedelta(days=rebalance_frequency)
        
        # Lấy giá mới
        for symbol in portfolio:
            klines = client.get_historical_klines(
                symbol+"USDT", 
                Client.KLINE_INTERVAL_1DAY,
                current_date.strftime("%d %b, %Y 00:00:00"),
                (current_date + timedelta(days=1)).strftime("%d %b, %Y 00:00:00")
            )
            if klines:
                current_prices[symbol] = float(klines[0][4])
        
        # Tính giá trị danh mục hiện tại
        current_value = sum(holdings[s] * current_prices[s] for s in portfolio)
        
        # Tính toán cân bằng lại
        new_holdings = {}
        for symbol, target_allocation in portfolio.items():
            # Giá trị mục tiêu
            target_value = current_value * target_allocation
            # Số lượng coin mới
            new_holdings[symbol] = target_value / current_prices[symbol]
        
        # Ghi nhận kết quả rebalance
        rebalance_results.append({
            "date": current_date.strftime("%Y-%m-%d"),
            "action": "Rebalance",
            "portfolio_value": current_value,
            "holdings": new_holdings.copy(),
            "prices": current_prices.copy()
        })
        
        # Cập nhật holdings
        holdings = new_holdings
    
    # Chuyển kết quả thành DataFrame
    return pd.DataFrame(rebalance_results)

# Thực hiện mô phỏng
results = simulate_rebalancing()

# Hiển thị kết quả
for i, row in results.iterrows():
    print(f"\n--- {row['date']} ({row['action']}) ---")
    print(f"Giá trị danh mục: ${row['portfolio_value']:.2f}")
    
    for symbol in portfolio:
        coin_value = row['holdings'][symbol] * row['prices'][symbol]
        allocation = coin_value / row['portfolio_value'] * 100
        print(f"{symbol}: {row['holdings'][symbol]:.6f} (${coin_value:.2f}, {allocation:.2f}%)")

# Tính ROI
initial_value = results.iloc[0]["portfolio_value"]
final_value = results.iloc[-1]["portfolio_value"]
roi = (final_value / initial_value - 1) * 100

print(f"\nKết quả cuối cùng:")
print(f"Giá trị ban đầu: ${initial_value:.2f}")
print(f"Giá trị cuối cùng: ${final_value:.2f}")
print(f"ROI: {roi:.2f}%")

import yfinance as yf
import pandas as pd

# Tải dữ liệu VN30
vn30 = yf.download('^VN30', start='2020-01-01', end='2024-03-21')

# Tính toán các chỉ báo kỹ thuật
vn30['SMA20'] = vn30['Close'].rolling(window=20).mean()
vn30['SMA50'] = vn30['Close'].rolling(window=50).mean()
vn30['RSI'] = calculate_rsi(vn30['Close'])

def generate_signals(df):
    signals = pd.DataFrame(index=df.index)
    signals['signal'] = 0
    
    # Tín hiệu mua khi SMA20 cắt lên SMA50
    signals['signal'][df['SMA20'] > df['SMA50']] = 1
    
    # Tín hiệu bán khi SMA20 cắt xuống SMA50
    signals['signal'][df['SMA20'] < df['SMA50']] = -1
    
    return signals

def backtest_strategy(signals, prices):
    positions = signals['signal'].diff()
    portfolio = pd.DataFrame(index=signals.index)
    portfolio['positions'] = positions
    portfolio['holdings'] = positions.cumsum() * prices['Close']
    portfolio['cash'] = 100000 - (positions * prices['Close']).cumsum()
    portfolio['total'] = portfolio['cash'] + portfolio['holdings']
    portfolio['returns'] = portfolio['total'].pct_change()
    
    return portfolio

import ccxt

exchange = ccxt.binance({
    'apiKey': 'YOUR_API_KEY',
    'secret': 'YOUR_SECRET_KEY'
})

# Đặt lệnh
order = exchange.create_market_buy_order('BTC/USDT', 0.1)

def monitor_performance(portfolio):
    daily_returns = portfolio['returns']
    sharpe_ratio = calculate_sharpe_ratio(daily_returns)
    max_drawdown = calculate_max_drawdown(portfolio['total'])
    
    return {
        'sharpe_ratio': sharpe_ratio,
        'max_drawdown': max_drawdown,
        'total_return': portfolio['total'][-1] / portfolio['total'][0] - 1
    }

import backtrader as bt

class SmaCrossStrategy(bt.Strategy):
    def __init__(self):
        self.sma = bt.indicators.SimpleMovingAverage(self.datas[0], period=20)

    def next(self):
        if self.data.close[0] > self.sma[0]:
            self.buy()
        elif self.data.close[0] < self.sma[0]:
            self.sell()

cerebro = bt.Cerebro()
data = bt.feeds.YahooFinanceData(dataname='AAPL', fromdate=datetime(2020,1,1), todate=datetime(2021,1,1))
cerebro.adddata(data)
cerebro.addstrategy(SmaCrossStrategy)
cerebro.run()
cerebro.plot()

with open('data.txt', 'r', encoding='utf-8') as f:
    content = f.read()
    print(content)

with open('output.txt', 'w', encoding='utf-8') as f:
    f.write("Hello, Python!\nDữ liệu tài chính...")

import csv

with open('prices.csv', 'r', encoding='utf-8') as f:
    reader = csv.reader(f)
    for row in reader:
        print(row)

try:
    with open('data.txt', 'r') as f:
        content = f.read()
except FileNotFoundError:
    print("Không tìm thấy file!")
except Exception as e:
    print("Lỗi khác:", e)

import requests

symbol = "AAPL"
api_key = "YOUR_API_KEY"  # Đăng ký miễn phí tại https://finnhub.io/
url = f"https://finnhub.io/api/v1/quote?symbol={symbol}&token={api_key}"

try:
    response = requests.get(url)
    data = response.json()
    print(f"Giá hiện tại của {symbol}: {data['c']}")
except Exception as e:
    print("Lỗi khi lấy dữ liệu:", e)

with open('aapl_price.txt', 'w') as f:
    f.write(str(data))

import numpy as np

# Tính toán lợi nhuận từ giá
prices = np.array([100, 102, 104, 103, 105])
returns = np.diff(prices) / prices[:-1]
print(f"Lợi nhuận hàng ngày: {returns}")
print(f"Lợi nhuận trung bình: {np.mean(returns)}")
print(f"Độ lệch chuẩn: {np.std(returns)}")

import pandas as pd

# Đọc dữ liệu chuỗi thời gian
df = pd.read_csv('stock_data.csv', parse_dates=['Date'], index_col='Date')

# Tính các chỉ số tài chính cơ bản
df['Returns'] = df['Close'].pct_change()
df['SMA_20'] = df['Close'].rolling(window=20).mean()
df['Volatility'] = df['Returns'].rolling(window=20).std() * np.sqrt(252)  # Volatility hàng năm

print(df.head())

from scipy import stats
from scipy import optimize

# Kiểm định tính chuẩn của lợi nhuận
returns = df['Returns'].dropna().values
k2, p = stats.normaltest(returns)
print(f"p-value cho kiểm định tính chuẩn: {p}")

# Tối ưu hóa danh mục đầu tư
def negative_sharpe(weights, returns, risk_free_rate=0.02):
    portfolio_return = np.sum(returns.mean() * weights) * 252
    portfolio_volatility = np.sqrt(np.dot(weights.T, np.dot(returns.cov() * 252, weights)))
    sharpe = (portfolio_return - risk_free_rate) / portfolio_volatility
    return -sharpe  # Tối thiểu hóa âm của Sharpe ratio

# Ví dụ tối ưu hóa danh mục 3 cổ phiếu
stock_returns = pd.DataFrame()  # Giả sử đã có dữ liệu
constraints = ({'type': 'eq', 'fun': lambda x: np.sum(x) - 1})  # Tổng trọng số = 1
bounds = tuple((0, 1) for _ in range(3))  # Trọng số từ 0 đến 1
result = optimize.minimize(negative_sharpe, np.array([1/3, 1/3, 1/3]), 
                         args=(stock_returns,), bounds=bounds, constraints=constraints)

import statsmodels.api as sm
from statsmodels.tsa.arima.model import ARIMA

# Mô hình hồi quy tuyến tính đa biến
X = df[['Feature1', 'Feature2', 'Feature3']]
X = sm.add_constant(X)  # Thêm hằng số
y = df['Returns']
model = sm.OLS(y, X).fit()
print(model.summary())

# Mô hình ARIMA cho dự báo giá
arima_model = ARIMA(df['Close'], order=(5, 1, 0))
arima_result = arima_model.fit()
forecast = arima_result.forecast(steps=30)  # Dự báo 30 ngày

import tables

# Tạo file HDF5 để lưu trữ dữ liệu lớn
class StockData(tables.IsDescription):
    date = tables.StringCol(10)
    symbol = tables.StringCol(10)
    open = tables.Float64Col()
    high = tables.Float64Col()
    low = tables.Float64Col()
    close = tables.Float64Col()
    volume = tables.Int64Col()

h5file = tables.open_file("market_data.h5", mode="w")
table = h5file.create_table("/", 'stocks', StockData)

# Thêm dữ liệu
row = table.row
for data in stock_data:  # Giả sử có dữ liệu sẵn
    row['date'] = data['date']
    row['symbol'] = data['symbol']
    row['open'] = data['open']
    row['high'] = data['high']
    row['low'] = data['low']
    row['close'] = data['close']
    row['volume'] = data['volume']
    row.append()
table.flush()

import bottleneck as bn

# Các phép toán nhanh hơn cho mảng lớn
rolling_mean = bn.move_mean(df['Close'].values, window=20)
rolling_max = bn.move_max(df['Close'].values, window=50)
rolling_median = bn.move_median(df['Close'].values, window=20)

# Tìm kiếm nhanh phần tử lớn nhất, nhỏ nhất
max_idx = bn.argmax(df['Volume'].values)
max_volume_date = df.index[max_idx]

import yfinance as yf

# Tải dữ liệu một cổ phiếu
msft = yf.Ticker("MSFT")
hist = msft.history(period="1y")  # Dữ liệu 1 năm
print(hist.head())

# Tải dữ liệu nhiều cổ phiếu
data = yf.download(["AAPL", "MSFT", "GOOG"], start="2020-01-01", end="2023-01-01")
print(data['Close'].head())

# Lấy thông tin tài chính
info = msft.info
financials = msft.financials

import pandas_datareader.data as web
from datetime import datetime

# Lấy dữ liệu từ Fred (Federal Reserve Economic Data)
fed_data = web.DataReader('GDP', 'fred', start=datetime(2010, 1, 1), end=datetime.now())
print(fed_data.head())

# Lấy dữ liệu từ World Bank
wb_data = web.DataReader('NY.GDP.MKTP.CD', 'wb', start=2010, end=2020)
print(wb_data.head())

from alpha_vantage.timeseries import TimeSeries
from alpha_vantage.techindicators import TechIndicators

# Lấy dữ liệu chuỗi thời gian
ts = TimeSeries(key='YOUR_API_KEY')
data, meta_data = ts.get_daily(symbol='AAPL', outputsize='full')
print(data.head())

# Lấy chỉ báo kỹ thuật
ti = TechIndicators(key='YOUR_API_KEY')
rsi, meta_data = ti.get_rsi(symbol='AAPL', interval='daily', time_period=14, series_type='close')
print(rsi.head())

import quandl

# Đặt API key
quandl.ApiConfig.api_key = 'YOUR_API_KEY'

# Lấy dữ liệu
oil_data = quandl.get('EIA/PET_RWTC_D')  # Giá dầu WTI
print(oil_data.head())

# Lấy dữ liệu với các tùy chọn
data = quandl.get("WIKI/AAPL", start_date="2010-01-01", end_date="2018-12-31")
print(data.head())

import ccxt

# Khởi tạo exchange
binance = ccxt.binance({
    'apiKey': 'YOUR_API_KEY',
    'secret': 'YOUR_SECRET_KEY',
})

# Lấy dữ liệu ticker
ticker = binance.fetch_ticker('BTC/USDT')
print(ticker)

# Lấy dữ liệu OHLCV
ohlcv = binance.fetch_ohlcv('ETH/USDT', '1h')
df = pd.DataFrame(ohlcv, columns=['timestamp', 'open', 'high', 'low', 'close', 'volume'])
df['timestamp'] = pd.to_datetime(df['timestamp'], unit='ms')
print(df.head())

import pyEX as p

# Khởi tạo client
c = p.Client(api_token='YOUR_API_TOKEN')

# Lấy dữ liệu giá
df = c.chartDF('AAPL')
print(df.head())

# Lấy thông tin công ty
company = c.company('TSLA')
print(company)

import backtrader as bt

class SMACrossStrategy(bt.Strategy):
    params = (
        ('fast_length', 10),
        ('slow_length', 30),
    )
    
    def __init__(self):
        self.fast_ma = bt.indicators.SMA(self.data.close, period=self.params.fast_length)
        self.slow_ma = bt.indicators.SMA(self.data.close, period=self.params.slow_length)
        self.crossover = bt.indicators.CrossOver(self.fast_ma, self.slow_ma)
        
    def next(self):
        if not self.position:  # Không có vị thế
            if self.crossover > 0:  # fast crosses above slow
                self.buy()
        elif self.crossover < 0:  # fast crosses below slow
            self.sell()

# Khởi tạo cerebro
cerebro = bt.Cerebro()
cerebro.addstrategy(SMACrossStrategy)

# Thêm dữ liệu
data = bt.feeds.PandasData(dataname=df)  # Giả sử df là DataFrame pandas với dữ liệu OHLCV
cerebro.adddata(data)

# Thêm vốn ban đầu và chạy backtest
cerebro.broker.setcash(100000)
cerebro.addsizer(bt.sizers.PercentSizer, percents=10)
print(f'Vốn ban đầu: {cerebro.broker.getvalue():.2f}')
cerebro.run()
print(f'Vốn cuối: {cerebro.broker.getvalue():.2f}')

# Vẽ biểu đồ
cerebro.plot()

from pyalgotrade import strategy
from pyalgotrade.barfeed import quandlfeed
from pyalgotrade.technical import ma

class MyStrategy(strategy.BacktestingStrategy):
    def __init__(self, feed, instrument, smaPeriod):
        super(MyStrategy, self).__init__(feed, 100000)
        self.__position = None
        self.__instrument = instrument
        self.__sma = ma.SMA(feed[instrument].getCloseDataSeries(), smaPeriod)
        
    def onBars(self, bars):
        bar = bars[self.__instrument]
        
        if self.__sma[-1] is None:
            return
            
        if self.__position is None:
            if bar.getClose() > self.__sma[-1]:
                self.__position = self.enterLong(self.__instrument, 10)
        elif bar.getClose() < self.__sma[-1] and not self.__position.exitActive():
            self.__position.exitMarket()

# Tạo feed dữ liệu từ Quandl
feed = quandlfeed.Feed()
feed.addBarsFromCSV("orcl", "WIKI-ORCL-2000-quandl.csv")

# Chạy chiến lược
myStrategy = MyStrategy(feed, "orcl", 15)
myStrategy.run()
print("Final portfolio value: $%.2f" % myStrategy.getBroker().getEquity())

from zipline.api import order, record, symbol
from zipline.finance import commission, slippage
import matplotlib.pyplot as plt

def initialize(context):
    context.asset = symbol('AAPL')
    context.sma_fast = 10
    context.sma_slow = 30
    
    # Thiết lập mô hình hoa hồng và trượt giá
    context.set_commission(commission.PerShare(cost=0.001, min_trade_cost=1.0))
    context.set_slippage(slippage.FixedSlippage(spread=0.00))

def handle_data(context, data):
    # Tính SMA
    fast_sma = data.history(context.asset, 'close', context.sma_fast, '1d').mean()
    slow_sma = data.history(context.asset, 'close', context.sma_slow, '1d').mean()
    
    # Chiến lược giao cắt trung bình động
    if fast_sma > slow_sma and context.portfolio.positions[context.asset].amount == 0:
        # Mua 100 cổ phiếu
        order(context.asset, 100)
    elif fast_sma < slow_sma and context.portfolio.positions[context.asset].amount > 0:
        # Bán tất cả
        order(context.asset, -context.portfolio.positions[context.asset].amount)
    
    # Ghi lại các biến cho biểu đồ
    record(fast=fast_sma, slow=slow_sma, price=data.current(context.asset, 'close'))

# Chạy backtest
result = run_algorithm(
    start=pd.Timestamp('2014-01-01', tz='utc'),
    end=pd.Timestamp('2018-01-01', tz='utc'),
    initialize=initialize,
    handle_data=handle_data,
    capital_base=100000,
    data_frequency='daily',
    bundle='quandl'
)

# Vẽ kết quả
plt.figure(figsize=(12, 8))
plt.plot(result.portfolio_value)
plt.title('Portfolio Value')
plt.show()