原文鏈接：http://tecdat.cn/?p=16453?

原文出處：拓端數(shù)據(jù)部落公眾號

?

金融市場上最重要的任務之一就是分析各種投資的歷史收益。要執(zhí)行此分析，我們需要資產(chǎn)的歷史數(shù)據(jù)。數(shù)據(jù)提供者很多，有些是免費的，大多數(shù)是付費的。在本文中，我們將使用Yahoo金融網(wǎng)站上的數(shù)據(jù)。

在這篇文章中，我們將：

1. 下載收盤價

2. 計算收益率

3. 計算收益的均值和標準差

讓我們先加載庫。

1. library(tidyquant)

2. library(timetk)

我們將獲得Netflix價格的收盤價。

1. netflix <- tq_get("NFLX",

2. from = '2009-01-01',

3. to = "2018-03-01",

4. get = "stock.prices")

接下來，我們將繪制Netflix的調(diào)整后收盤價。

1. netflix %>%

2. ggplot(aes(x = date, y = adjusted)) +

3. geom_line() +

4. ggtitle("Netflix since 2009") +

5. labs(x = "Date", "Price") +

6. scale_x_date(date_breaks = "years", date_labels = "%Y") +

7. labs(x = "Date", y = "Adjusted Price") +

8. theme_bw()

?

計算單個股票的每日和每月收益率

一旦我們從Yahoo Finance下載了收盤價，下一步便是計算收益。我們將再次使用tidyquant包進行計算。我們已經(jīng)在上面下載了Netflix的價格數(shù)據(jù)，如果您還沒有下載，請參見上面的部分。

1. # 計算每日收益

2. 


3. netflix_daily_returns <- netflix %>%

4. tq_transmute(select = adjusted, ? ? ? ? ?這指定要選擇的列

5. mutate_fun = periodReturn, ? # 這指定如何處理該列

6. period = "daily", ? ? ?# 此參數(shù)計算每日收益

7. col_rename = "nflx_returns") # 重命名列

8. 


9. #計算每月收益

10. netflix_monthly_returns <- netflix %>%

11. tq_transmute(select = adjusted,

12. mutate_fun = periodReturn,

13. period = "monthly", ? ? ?# 此參數(shù)計算每月收益

14. col_rename = "nflx_returns")

繪制Netflix的每日和每月收益圖表

1. # 我們將使用折線圖獲取每日收益

2. 


3. 


4. ggplot(aes(x = date, y = nflx_returns)) +

5. geom_line() +

6. theme_classic() +

查看Netflix的每日收益圖表后，我們可以得出結論，收益波動很大，并且股票在任何一天都可以波動+/- 5％。為了了解收益率的分布，我們可以繪制直方圖。

1. netflix_daily_returns %>%

2. ggplot(aes(x = nflx_returns)) +

3. geom_histogram(binwidth = 0.015) +

4. theme_classic() +

接下來，我們可以繪制自2009年以來Netflix的月度收益率。我們使用條形圖來繪制數(shù)據(jù)。

1. # 繪制Netflix的月度收益圖表。 使用條形圖

2. 


3. 


4. ggplot(aes(x = date, y = nflx_returns)) +

5. geom_bar(stat = "identity") +

6. theme_classic() +

?

計算Netflix股票的累計收益

繪制每日和每月收益對了解投資的每日和每月波動很有用。要計算投資的增長，換句話說，計算投資的總收益，我們需要計算該投資的累積收益。要計算累積收益，我們將使用??cumprod（）??函數(shù)。

1. 


2. mutate(cr = cumprod(1 + nflx_returns)) %>% ? ? ?# 使用cumprod函數(shù)

1. 
   

2. ggplot(aes(x = date, y = cumulative_returns)) +

3. geom_line() +

4. theme_classic() +

該圖表顯示了自2009年以來Netflix的累計收益。有了事后分析的力量，?自2009年以來，可以用1美元的投資賺取85美元。但據(jù)我們所知，說起來容易做起來難。在10年左右的時間里，在Qwickster慘敗期間投資損失了其價值的50％。在這段時期內(nèi)，很少有投資者能夠堅持投資。

1. ggplot(aes(x = date, y = cumulative_returns)) +

2. geom_line() +

3. theme_classic() +

我們可以直觀地看到，月收益表比日圖表要平滑得多。

多只股票

下載多只股票的股票市場數(shù)據(jù)。

1. #將我們的股票代碼設置為變量

2. 


3. tickers <- c("FB", "AMZN", "AAPL", "NFLX", "GOOG")

4. 


5. # 下載股價數(shù)據(jù)

6. 


7. multpl_stocks <- tq_get(tickers,

繪制多只股票的股價圖

接下來，我們將繪制多只股票的價格圖表

1. multpl_stocks %>%

2. ggplot(aes(x = date, y = adjusted,

?

這不是我們預期的結果。由于這些股票具有巨大的價格差異（FB低于165，AMZN高于1950），因此它們的規(guī)模不同。我們可以通過按各自的y比例繪制股票來克服此問題。

1. 


2. facet_wrap(~symbol, scales = "free_y") + ?# facet_wrap用于制作不同的頁面

3. theme_classic() +

計算多只股票的收益

計算多只股票的收益與單只股票一樣容易。這里只需要傳遞一個附加的參數(shù)。我們需要使用參數(shù)??group_by（symbol）??來計算單個股票的收益。

1. #計算多只股票的每日收益

2. 


3. tq_transmute(select = adjusted,

4. mutate_fun = periodReturn,

5. period = 'daily',

6. col_rename = 'returns')

7. 


8. #計算多只股票的月收益

9. 


10. 


11. tq_transmute(select = adjusted,

12. mutate_fun = periodReturn,

13. period = 'monthly',

14. col_rename = 'returns')

繪制多只股票的收益圖表

一旦有了收益計算，就可以在圖表上繪制收益。

1. multpl_stock_daily_returns %>%

2. ggplot(aes(x = date, y = returns)) +

3. geom_line() +

4. geom_hline(yintercept = 0) +

?

1. multpl_stock_monthly_returns %>%

2. ggplot(aes(x = date, y = return

3. scale_fill_brewer(palette = "Set1", ? # 我們會給他們不同的顏色，而不是黑色

在FAANG股票中，蘋果的波動最小，而Facebook和Netflix的波動最大。對于他們從事的業(yè)務而言，這是顯而易見的。Apple是一家穩(wěn)定的公司，擁有穩(wěn)定的現(xiàn)金流量。它的產(chǎn)品受到數(shù)百萬人的喜愛和使用，他們對Apple擁有極大的忠誠度。Netflix和Facebook也是令人難以置信的業(yè)務，但它們處于高增長階段，任何問題（收益或用戶增長下降）都可能對股票產(chǎn)生重大影響。

計算多只股票的累計收益

通常，我們希望看到過去哪種投資產(chǎn)生了最佳效果。為此，我們可以計算累積結果。下面我們比較自2013年以來所有FAANG股票的投資結果。哪項是自2013年以來最好的投資？

1. multpl_stock_monthly_returns %>%

2. mutate(returns e_returns = cr - 1) %>%

3. ggplot(aes(x = date, y = cumulative_returns, color = symbol)) +

4. geom_line() +

5. labs(x = "Date"

?

毫不奇怪，Netflix自2013年以來獲得了最高的收益。亞馬遜和Facebook位居第二和第三。

統(tǒng)計數(shù)據(jù)

計算單個股票的均值，標準差

我們已經(jīng)有了Netflix的每日和每月收益數(shù)據(jù)。現(xiàn)在我們將計算收益的每日和每月平均數(shù)和標準差。?為此，我們將使用??mean（）??和??sd（）函數(shù)。

1. # 計算平均值

2. 


3. .[[1]] %>%

4. mean(na.rm = TRUE)

5. 


6. nflx_monthly_mean_ret <- netfl turns) %>%

7. .[[1]] %>%

8. mean(na.rm = TRUE)

9. 


10. # 計算標準差

11. 


12. nflx_daily_sd_ret <- netflirns) %>%

13. .[[1]] %>%

14. sd()

15. 


16. nflx_monthly_sd_ret <- netflix_rns) %>%

17. .[[1]] %>%

18. sd()

19. nflx_stat

1. ## # A tibble: 2 x 3

2. ## ? period ? ? mean ? ? sd

3. ## ? <chr> ? ? <dbl> ?<dbl>

4. ## 1 Daily ? 0.00240 0.0337

5. ## 2 Monthly 0.0535 ?0.176

我們可以看到Netflix的平均每日收益為0.2％，標準差為3.3％。它的月平均回報率是5.2％和17％標準差。該數(shù)據(jù)是自2009年以來的整個時期。如果我們要計算每年的均值和標準差，該怎么辦。我們可以通過按年份對Netflix收益數(shù)據(jù)進行分組并執(zhí)行計算來進行計算。

1. netflix ?%>%

2. summarise(Monthly_Mean_Returns = mean(nflx_returns),

3. MOnthly_Standard_Deviation = sd(nflx_returns)

1. ## # A tibble: 10 x 3

2. ## ? ? year Monthly_Mean_Returns MOnthly_Standard_Deviation

3. ## ? ?<dbl> ? ? ? ? ? ? ? ?<dbl> ? ? ? ? ? ? ? ? ? ? ?<dbl>

4. ## ?1 ?2009 ? ? ? ? ? ? ?0.0566 ? ? ? ? ? ? ? ? ? ? ?0.0987

5. ## ?2 ?2010 ? ? ? ? ? ? ?0.110 ? ? ? ? ? ? ? ? ? ? ? 0.142

6. ## ?3 ?2011 ? ? ? ? ? ? -0.0492 ? ? ? ? ? ? ? ? ? ? ?0.209

7. ## ?4 ?2012 ? ? ? ? ? ? ?0.0562 ? ? ? ? ? ? ? ? ? ? ?0.289

8. ## ?5 ?2013 ? ? ? ? ? ? ?0.137 ? ? ? ? ? ? ? ? ? ? ? 0.216

9. ## ?6 ?2014 ? ? ? ? ? ? ?0.00248 ? ? ? ? ? ? ? ? ? ? 0.140

10. ## ?7 ?2015 ? ? ? ? ? ? ?0.0827 ? ? ? ? ? ? ? ? ? ? ?0.148

11. ## ?8 ?2016 ? ? ? ? ? ? ?0.0138 ? ? ? ? ? ? ? ? ? ? ?0.126

12. ## ?9 ?2017 ? ? ? ? ? ? ?0.0401 ? ? ? ? ? ? ? ? ? ? ?0.0815

13. ## 10 ?2018 ? ? ? ? ? ? ?0.243 ? ? ? ? ? ? ? ? ? ? ? 0.233

我們還可以繪制結果更好地理解。

1. netflix_monthly_returns %>%

2. mutate(year = rns, Standard_Deviation, keyistic)) +

3. geom_bar(stat = "identity", position = "dodge") +

4. scale_y_continuous(b ) +

5. theme_bw() +

?

我們可以看到，自2009年以來，每月收益和標準差波動很大。2011年，平均每月收益為-5％。

計算多只股票的均值，標準差

接下來，我們可以計算多只股票的均值和標準差。

1. 


2. group_by(symbol) %>%

3. summarise(mean = mean(returns),

4. sd = sd(returns))

1. ## # A tibble: 5 x 3

2. ## ? symbol ? ? mean ? ? sd

3. ## ? <chr> ? ? <dbl> ?<dbl>

4. ## 1 AAPL ? 0.00100 ?0.0153

5. ## 2 AMZN ? 0.00153 ?0.0183

6. ## 3 FB ? ? 0.00162 ?0.0202

7. ## 4 GOOG ? 0.000962 0.0141

8. ## 5 NFLX ? 0.00282 ?0.0300

1. group_by(symbol) %>%

2. summarise(mean = mean(returns),

3. sd = sd(returns))

1. ## # A tibble: 5 x 3

2. ## ? symbol ? mean ? ? sd

3. ## ? <chr> ? <dbl> ?<dbl>

4. ## 1 AAPL ? 0.0213 0.0725

5. ## 2 AMZN ? 0.0320 0.0800

6. ## 3 FB ? ? 0.0339 0.0900

7. ## 4 GOOG ? 0.0198 0.0568

8. ## 5 NFLX ? 0.0614 0.157

計算收益的年均值和標準差。

1. %>%

2. group_by(symbol, year) %>%

3. summarise(mean = mean(returns),

4. sd = sd(returns))

1. ## # A tibble: 30 x 4

2. ## # Groups: ? symbol [?]

3. ## ? ?symbol ?year ? ? ?mean ? ? sd

4. ## ? ?<chr> ?<dbl> ? ? <dbl> ?<dbl>

5. ## ?1 AAPL ? ?2013 ?0.0210 ? 0.0954

6. ## ?2 AAPL ? ?2014 ?0.0373 ? 0.0723

7. ## ?3 AAPL ? ?2015 -0.000736 0.0629

8. ## ?4 AAPL ? ?2016 ?0.0125 ? 0.0752

9. ## ?5 AAPL ? ?2017 ?0.0352 ? 0.0616

10. ## ?6 AAPL ? ?2018 ?0.0288 ? 0.0557

11. ## ?7 AMZN ? ?2013 ?0.0391 ? 0.0660

12. ## ?8 AMZN ? ?2014 -0.0184 ? 0.0706

13. ## ?9 AMZN ? ?2015 ?0.0706 ? 0.0931

14. ## 10 AMZN ? ?2016 ?0.0114 ? 0.0761

15. ## # ... with 20 more rows

我們還可以繪制此統(tǒng)計數(shù)據(jù)。

1. multpl_stock_monthly_returns %>%

2. mutate(year = year(date)) %>%

3. group_by(symbol, yea s = seq(-0.1,0.4,0.02),

4. labels = scales::percent) +

5. scale_x_continuous(breaks = seq(2009,2018,1)) +

6. labs(x = "Year", y = Stocks") +

7. ggtitle

?

1. multpl_stock_monthly_returns %>%

2. mutate(year = year(date)) %>%

3. ggplot(aes(x = year, y = sd, fill = symbol)) +

4. geom_bar(stat = "identity", position = "dodge", width = 0.7) +

5. scale_y_continuous(breaks = seq(-0.1,0.4,0.02),

6. labels = scales::p

7. scale_fill_brewer(palette = "Set1",

?

計算多只股票的協(xié)方差和相關性

另一個重要的統(tǒng)計計算是股票的相關性和協(xié)方差。為了計算這些統(tǒng)計數(shù)據(jù)，我們需要修改數(shù)據(jù)。我們將其轉換為xts對象。

協(xié)方差表

1. #計算協(xié)方差

2. 


3. tk_xts(silent = TRUE) %>%

4. cov()

1. ## ? ? ? ? ? ? ? AAPL ? ? ? ?AMZN ? ? ? ? ?FB ? ? ? ? GOOG ? ? ? ? ?NFLX

2. ## AAPL ?5.254736e-03 0.001488462 0.000699818 0.0007420307 -1.528193e-05

3. ## AMZN ?1.488462e-03 0.006399439 0.001418561 0.0028531565 ?4.754894e-03

4. ## FB ? ?6.998180e-04 0.001418561 0.008091594 0.0013566480 ?3.458228e-03

5. ## GOOG ?7.420307e-04 0.002853157 0.001356648 0.0032287790 ?3.529245e-03

6. ## NFLX -1.528193e-05 0.004754894 0.003458228 0.0035292451 ?2.464202e-02

相關表

1. # 計算相關系數(shù)

2. 


3. %>%

4. tk_xts(silent = TRUE) %>%

5. cor()

1. ## ? ? ? ? ? ? ?AAPL ? ? ?AMZN ? ? ? ?FB ? ? ?GOOG ? ? ? ? NFLX

2. ## AAPL ?1.000000000 0.2566795 0.1073230 0.1801471 -0.001342964

3. ## AMZN ?0.256679539 1.0000000 0.1971334 0.6276759 ?0.378644485

4. ## FB ? ?0.107322952 0.1971334 1.0000000 0.2654184 ?0.244905437

5. ## GOOG ?0.180147089 0.6276759 0.2654184 1.0000000 ?0.395662114

6. ## NFLX -0.001342964 0.3786445 0.2449054 0.3956621 ?1.000000000

?

我們可以使用corrplot()?包來繪制相關矩陣圖。

## corrplot 0.84 loaded

1. 


2. cor() %>%

3. corrplot()

最受歡迎的見解

1.用機器學習識別不斷變化的股市狀況—隱馬爾科夫模型(HMM)的應用

2.R語言GARCH-DCC模型和DCC（MVT）建模估計

3.R語言實現(xiàn) Copula 算法建模依賴性案例分析報告

4.R語言COPULAS和金融時間序列數(shù)據(jù)VaR分析

5.R語言多元COPULA GARCH 模型時間序列預測

6.用R語言實現(xiàn)神經(jīng)網(wǎng)絡預測股票實例

7.r語言預測波動率的實現(xiàn)：ARCH模型與HAR-RV模型

8.R語言如何做馬爾科夫轉換模型markov switching model

9.matlab使用Copula仿真優(yōu)化市場風險