R語言分位數(shù)回歸預(yù)測篩選有上升潛力的股票|附代碼數(shù)據(jù)
原文鏈接：http://tecdat.cn/?p=18984?
最近我們被客戶要求撰寫關(guān)于分位數(shù)回歸的研究報告，包括一些圖形和統(tǒng)計輸出。
現(xiàn)在，分位數(shù)回歸已被確立為重要的計量經(jīng)濟學工具。與均值回歸（OLS）不同，目標不是給定x的均值，而是給定x的一些分位數(shù)?（?點擊文末“閱讀原文”獲取完整代碼數(shù)據(jù)********?）。
您可以使用它來查找具有良好上升潛力的股票。您可能會認為這與股票的beta有關(guān)，但是beta與OLS相關(guān)，并且是對稱的。如果市場出現(xiàn)上漲，高beta股票將獲得上行波動的收益，但對稱地，當市場下跌時，您可能會遭受巨額虧損。
使用下圖最好地理解分位數(shù)回歸的用法：
繪制的是股票收益。藍線是OLS擬合值，紅線是分位數(shù)（80％和20％）擬合值。
點擊標題查閱往期內(nèi)容
貝葉斯分位數(shù)回歸、lasso和自適應(yīng)lasso貝葉斯分位數(shù)回歸分析免疫球蛋白、前列腺癌數(shù)據(jù)
左右滑動查看更多
01
02
03
04
在上部面板中，您可以看到，當市場上漲時（X軸上的正值很高），Y軸上的分散很大。當市場下跌時，相對的分散程度而言較大。在底部面板中，情況相反。當市場上漲時，您“非常了解”股票會發(fā)生什么，但是當市場處于下跌時，股票收益的不確定性就會降低。考慮到其他因素，您希望投資組合中包含高位股票。當市場上漲時，它們收益很好，但同時在下跌的過程中提供相對的確定性。
以下代碼讀取股票行情，并找到最佳比率，即：上行時分散度高，而下行時分散度低：
dat0?=?getSymbols(sy[1],?src="yahoo",?from=start,?to=end,??auto.assign?=?F,?warnings?=?FALSE,symbol.lookup?=?F)#查詢最近365天：dat?<-?gtint(sym?=?c(tickers,"SPY"),365)?#?將樣品劃分成兩部分ins?<-?n/2#?在0.2和0.8之間查找斜率?Tau?=?c(.2,.8)for?(j?in?1:(l-1)for?(i?in?1:length(Tau)??qslope[i,j]?=?rq(dat$ret[2:ins,j~dat$ret[2:ins,l,?tau?=?Tau[i])$coef[2]?#?確定哪些股票有用：dat$ret?<-?dat$ret[,rat0<2?&?rat0>(-2)]?##?畫圖plot(dat$ret[1:ins,which.max(rat)]~dat$ret[1:ins,l]?plot(dat$ret[1:n,which.min(rat)]~dat$ret[1:n,l],title(nam)
我們使用樣本的前半部分來選擇我們要使用的股票。假設(shè)我們以最差的比率做空股票，并以最佳的比率做多股票。
dat$p?<-?dat$p[,rat0<2?&?rat0>(-2)]plot(dat$p[1:ins,l]/dat$p[1,l],?ty?=?"l",?ylim?=?c(.8,1.5),plot(dat$p[ins:n,l]/dat$p[ins,l],?ty?=?"l",?ylim?=?c(.8,1.5),?xlab?=?"樣本外時期",)
從結(jié)果可以看到模型有較好的表現(xiàn)。
點擊文末?“閱讀原文”
獲取全文完整資料。
本文選自《R語言分位數(shù)回歸預(yù)測篩選有上升潛力的股票》。
點擊標題查閱往期內(nèi)容
matlab使用分位數(shù)隨機森林（QRF）回歸樹檢測異常值
貝葉斯分位數(shù)回歸、lasso和自適應(yīng)lasso貝葉斯分位數(shù)回歸分析免疫球蛋白、前列腺癌數(shù)據(jù)
分位數(shù)自回歸QAR分析痛苦指數(shù)：失業(yè)率與通貨膨脹率時間序列|數(shù)據(jù)分享
分位數(shù)回歸、GAM樣條曲線、指數(shù)平滑和SARIMA對電力負荷時間序列預(yù)測
用綜合信息準則比較隨機波動率（SV）模型對股票價格時間序列建模
結(jié)合新冠疫情COVID-19股票價格預(yù)測：ARIMA，KNN和神經(jīng)網(wǎng)絡(luò)時間序列分析
Fama French (FF) 三因子模型和CAPM模型分析股票市場投資組合風險/收益可視化
配對交易策略統(tǒng)計套利量化交易分析股票市場
Copula 算法建模相依性分析股票收益率時間序列案例
用COPULA模型進行蒙特卡洛(MONTE CARLO)模擬和擬合股票收益數(shù)據(jù)分析
R使用LASSO回歸預(yù)測股票收益
金融時間序列模型ARIMA 和GARCH 在股票市場預(yù)測應(yīng)用
時間序列分析模型：ARIMA-ARCH / GARCH模型分析股票價格
自然語言處理NLP：主題LDA、情感分析疫情下的新聞文本數(shù)據(jù)
在R語言中使用航空公司復(fù)雜網(wǎng)絡(luò)對疫情進行建模
matlab用高斯曲線擬合模型分析疫情數(shù)據(jù)
R語言ARIMA-GARCH波動率模型預(yù)測股票市場蘋果公司日收益率時間序列
R語言中的時間序列分析模型：ARIMA-ARCH / GARCH模型分析股票價格
R語言用綜合信息準則比較隨機波動率（SV）模型對股票價格時間序列建模
R語言回測交易：根據(jù)歷史信號/交易創(chuàng)建股票收益曲線
Python中TensorFlow的長短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)、指數(shù)移動平均法預(yù)測股票市場和可視化
R語言k-Shape時間序列聚類方法對股票價格時間序列聚類
R語言邏輯回歸Logistic回歸分析預(yù)測股票漲跌
R語言時變波動率和ARCH，GARCH，GARCH-in-mean模型分析股市收益率時間序列
R語言中的copula GARCH模型擬合時間序列并模擬分析R語言乘法GARCH模型對高頻交易數(shù)據(jù)進行波動性預(yù)測
R語言GARCH-DCC模型和DCC（MVT）建模估計
Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模擬進行股價預(yù)測
R語言時間序列GARCH模型分析股市波動率
R語言ARMA-EGARCH模型、集成預(yù)測算法對SPX實際波動率進行預(yù)測
matlab實現(xiàn)MCMC的馬爾可夫轉(zhuǎn)換ARMA - GARCH模型估計
Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模擬進行股價預(yù)測
使用R語言對S＆P500股票指數(shù)進行ARIMA + GARCH交易策略
R語言用多元ARMA,GARCH ,EWMA, ETS,隨機波動率SV模型對金融時間序列數(shù)據(jù)建模
R語言股票市場指數(shù)：ARMA-GARCH模型和對數(shù)收益率數(shù)據(jù)探索性分析
R語言多元Copula GARCH 模型時間序列預(yù)測
R語言使用多元AR-GARCH模型衡量市場風險
R語言中的時間序列分析模型：ARIMA-ARCH / GARCH模型分析股票價格
R語言用Garch模型和回歸模型對股票價格分析
GARCH（1,1），MA以及歷史模擬法的VaR比較
matlab估計arma garch 條件均值和方差模型
R語言ARMA-GARCH-COPULA模型和金融時間序列案例
