原文鏈接：http://tecdat.cn/?p=17835

最近我們被客戶要求撰寫關(guān)于股市可視化的研究報告，包括一些圖形和統(tǒng)計輸出。

本文在股市可視化中可視化相關(guān)矩陣?：最小生成樹

在本文示例中，我將使用日數(shù)據(jù)和1分鐘數(shù)據(jù)來可視化股票數(shù)據(jù) 。

我發(fā)現(xiàn)以下概念定義非常有用：

?

• 連通圖：在無向圖中，若任意兩個頂點vivi與vjvj都有路徑相通，則稱該無向圖為連通圖。

• 強連通圖：在有向圖中，若任意兩個頂點vivi與vjvj都有路徑相通，則稱該有向圖為強連通圖。

• 連通網(wǎng)：在連通圖中，若圖的邊具有一定的意義，每一條邊都對應(yīng)著一個數(shù)，稱為權(quán)；權(quán)代表著連接連個頂點的代價，稱這種連通圖叫做連通網(wǎng)。

• 生成樹：一個連通圖的生成樹是指一個連通子圖，它含有圖中全部n個頂點，但只有足以構(gòu)成一棵樹的n-1條邊。一顆有n個頂點的生成樹有且僅有n-1條邊，如果生成樹中再添加一條邊，則必定成環(huán)。

• 最小生成樹：在連通網(wǎng)的所有生成樹中，所有邊的代價和最小的生成樹，稱為最小生成樹。?
  

#***************************************************************** # 加載歷史數(shù)據(jù) #*****************************************************************getSymbols(tickers, src = 'yahoo', from = '1970-01-01', env = data, auto.assign = for(i in ls(data)) data[[i]] = adjustOHLC(data[[i]# 刪除歷史數(shù)據(jù)很少的樣本remove.min.history(data)# 顯示已刪除的print(setdiff(tickers,names(data$prices)))

?

#***************************************************************** # 可視化關(guān)聯(lián)矩陣 #*****************************************************************prices = data$prices ret = diff(log(prices)) ret = last(ret, 252)

?

plt(ret, 0.5)

點擊標題查閱往期內(nèi)容

【視頻】量化交易陷阱和R語言改進股票配對交易策略分析中國股市投資組合

左右滑動查看更多

01

02

03

04

?

接下來，讓我們獲取1分鐘的收盤價數(shù)據(jù)，并基于最近5天可視化相關(guān)性：

#***************************************************************** # 加載歷史數(shù)據(jù) #*****************************************************************if(!file.exists(filename)) { data1[[ticker]] = getSymbol.intraday.google(ticker,#***************************************************************** # 可視化關(guān)聯(lián)矩陣 #***************************************************************** ?print(join(c( ,format(range(index(ret)), '%d-%b-%Y %H-%M')), ' '))

?

plot.cor(ret, 0.5)

?

輔助函數(shù)：

#***************************************************************** #函數(shù)創(chuàng)建相關(guān)矩陣 #*****************************************************************clncor = function(ret, threshold = 0.5) { ?cor(coredata(ret), use='complete.obs',method='pearson') cor_mat[ abs(cor_mat) < threshold] = 0#***************************************************************** # 繪制最小生成樹 #*****************************************************************plco = function(ho = 0.5) { cor_mat = clean.cor(ret, threshold

?

點擊文末?“閱讀原文”

獲取全文完整代碼數(shù)據(jù)資料。

本文選自《R語言股市可視化相關(guān)矩陣：最小生成樹》。

點擊標題查閱往期內(nèi)容

【視頻】Copula算法原理和R語言股市收益率相依性可視化分析
R語言時間序列GARCH模型分析股市波動率
【視頻】量化交易陷阱和R語言改進股票配對交易策略分析中國股市投資組合
使用R語言對S＆P500股票指數(shù)進行ARIMA + GARCH交易策略
R語言量化交易RSI策略：使用支持向量機SVM
R語言資產(chǎn)配置: 季度戰(zhàn)術(shù)資產(chǎn)配置策略研究
R語言動量交易策略分析調(diào)整后的數(shù)據(jù)
TMA三均線股票期貨高頻交易策略的R語言實現(xiàn)
R語言時間序列：ARIMA / GARCH模型的交易策略在外匯市場預(yù)測應(yīng)用
R語言基于Garch波動率預(yù)測的區(qū)制轉(zhuǎn)移交易策略
r語言多均線股票價格量化策略回測
使用R語言對S＆P500股票指數(shù)進行ARIMA + GARCH交易策略
Python基于粒子群優(yōu)化的投資組合優(yōu)化研究
R語言Fama-French三因子模型實際應(yīng)用：優(yōu)化投資組合
R語言動量和馬科維茨Markowitz投資組合(Portfolio)模型實現(xiàn)
Python計算股票投資組合的風(fēng)險價值（VaR）
R語言Markowitz馬克維茨投資組合理論分析和可視化
R語言中的廣義線性模型（GLM）和廣義相加模型（GAM）：多元（平滑）回歸分PYTHON用RNN神經(jīng)網(wǎng)絡(luò)LSTM優(yōu)化EMD經(jīng)驗?zāi)B(tài)分解交易策略分析股票價格MACD
R語言深度學(xué)習(xí)：用keras神經(jīng)網(wǎng)絡(luò)回歸模型預(yù)測時間序列數(shù)據(jù)
【視頻】CNN（卷積神經(jīng)網(wǎng)絡(luò)）模型以及R語言實現(xiàn)回歸數(shù)據(jù)分析
Python TensorFlow循環(huán)神經(jīng)網(wǎng)絡(luò)RNN-LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測股票市場價格時間序列和MSE評估準確性
數(shù)據(jù)分享|PYTHON用KERAS的LSTM神經(jīng)網(wǎng)絡(luò)進行時間序列預(yù)測天然氣價格例子
Python對商店數(shù)據(jù)進行l(wèi)stm和xgboost銷售量時間序列建模預(yù)測分析
Matlab用深度學(xué)習(xí)長短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)對文本數(shù)據(jù)進行分類
RNN循環(huán)神經(jīng)網(wǎng)絡(luò) 、LSTM長短期記憶網(wǎng)絡(luò)實現(xiàn)時間序列長期利率預(yù)測
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
深度學(xué)習(xí)：Keras使用神經(jīng)網(wǎng)絡(luò)進行簡單文本分類分析新聞組數(shù)據(jù)
用PyTorch機器學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)分類預(yù)測銀行客戶流失模型
PYTHON用LSTM長短期記憶神經(jīng)網(wǎng)絡(luò)的參數(shù)優(yōu)化方法預(yù)測時間序列洗發(fā)水銷售數(shù)據(jù)
Python用Keras神經(jīng)網(wǎng)絡(luò)序列模型回歸擬合預(yù)測、準確度檢查和結(jié)果可視化
Python用LSTM長短期記憶神經(jīng)網(wǎng)絡(luò)對不穩(wěn)定降雨量時間序列進行預(yù)測分析
R語言中的神經(jīng)網(wǎng)絡(luò)預(yù)測時間序列：多層感知器（MLP）和極限學(xué)習(xí)機（ELM）數(shù)據(jù)分析報告
R語言深度學(xué)習(xí)：用keras神經(jīng)網(wǎng)絡(luò)回歸模型預(yù)測時間序列數(shù)據(jù)
Matlab用深度學(xué)習(xí)長短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)對文本數(shù)據(jù)進行分類
R語言KERAS深度學(xué)習(xí)CNN卷積神經(jīng)網(wǎng)絡(luò)分類識別手寫數(shù)字圖像數(shù)據(jù)（MNIST）
MATLAB中用BP神經(jīng)網(wǎng)絡(luò)預(yù)測人體脂肪百分比數(shù)據(jù)
Python中用PyTorch機器學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)分類預(yù)測銀行客戶流失模型
R語言實現(xiàn)CNN（卷積神經(jīng)網(wǎng)絡(luò)）模型進行回歸數(shù)據(jù)分析
SAS使用鳶尾花(iris)數(shù)據(jù)集訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)(ANN)模型
【視頻】R語言實現(xiàn)CNN（卷積神經(jīng)網(wǎng)絡(luò)）模型進行回歸數(shù)據(jù)分析
Python使用神經(jīng)網(wǎng)絡(luò)進行簡單文本分類
R語言用神經(jīng)網(wǎng)絡(luò)改進Nelson-Siegel模型擬合收益率曲線分析
R語言基于遞歸神經(jīng)網(wǎng)絡(luò)RNN的溫度時間序列預(yù)測
R語言神經(jīng)網(wǎng)絡(luò)模型預(yù)測車輛數(shù)量時間序列
R語言中的BP神經(jīng)網(wǎng)絡(luò)模型分析學(xué)生成績
matlab使用長短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)對序列數(shù)據(jù)進行分類
R語言實現(xiàn)擬合神經(jīng)網(wǎng)絡(luò)預(yù)測和結(jié)果可視化
用R語言實現(xiàn)神經(jīng)網(wǎng)絡(luò)預(yù)測股票實例
使用PYTHON中KERAS的LSTM遞歸神經(jīng)網(wǎng)絡(luò)進行時間序列預(yù)測
python用于NLP的seq2seq模型實例:用Keras實現(xiàn)神經(jīng)網(wǎng)絡(luò)機器翻譯
用于NLP的Python：使用Keras的多標簽文本LSTM神經(jīng)網(wǎng)絡(luò)分類