乐趣区

关于数据挖掘:基于R语言股票市场收益的统计可视化分析附代码数据

全文链接:http://tecdat.cn/?p=16453 

最近咱们被客户要求撰写对于股票市场的钻研报告,包含一些图形和统计输入。

金融市场上最重要的工作之一就是剖析各种投资的历史收益

要执行此剖析,咱们须要资产的历史数据。数据提供者很多,有些是收费的,大多数是付费的。在本文中,咱们将应用 Yahoo 金融网站上的数据。

在这篇文章中,咱们将:

  1. 下载收盘价
  2. 计算收益率
  3. 计算收益的均值和标准差

让咱们先加载库。

library(tidyquant)library(timetk)

咱们将取得 Netflix 价格的收盘价。

netflix <- tq_get("NFLX",                    

                  from = '2009-01-01',

                  to = "2018-03-01",

                  get = "stock.prices")

接下来,咱们将绘制 Netflix 的调整后收盘价。

netflix %>%

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

  geom_line() +

  ggtitle("Netflix since 2009") +

  labs(x = "Date", "Price") +

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

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

  theme_bw()

计算单个股票的每日和每月收益率

一旦咱们从 Yahoo Finance 下载了收盘价,下一步便是计算收益。咱们将再次应用 tidyquant 包进行计算。咱们曾经在下面下载了 Netflix 的价格数据,如果您还没有下载,请参见下面的局部。

# 计算每日收益 netflix_daily_returns <- netflix %>%

  tq_transmute(select = adjusted,          这指定要抉择的列

               mutate_fun = periodReturn,   # 这指定如何解决该列               period = "daily",      # 此参数计算每日收益               col_rename = "nflx_returns") # 重命名列 #计算每月收益 netflix_monthly_returns <- netflix %>%

  tq_transmute(select = adjusted,

               mutate_fun = periodReturn,

               period = "monthly",      # 此参数计算每月收益               col_rename = "nflx_returns")

绘制 Netflix 的每日和每月收益图表

# 咱们将应用折线图获取每日收益



 

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

  geom_line() +

  theme_classic() +

查看 Netflix 的每日收益图表后,咱们能够得出结论,收益稳定很大,并且股票在任何一天都能够稳定 +/- 5%。为了理解收益率的散布,咱们能够绘制直方图。

netflix_daily_returns %>%

  ggplot(aes(x = nflx_returns)) +

  geom_histogram(binwidth = 0.015) +

  theme_classic() +

接下来,咱们能够绘制自 2009 年以来 Netflix 的月度收益率。咱们应用条形图来绘制数据。

# 绘制 Netflix 的月度收益图表。应用条形图





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

  geom_bar(stat = "identity") +

  theme_classic() +

计算 Netflix 股票的累计收益

绘制每日和每月收益对理解投资的每日和每月稳定很有用。要计算投资的增长,换句话说,计算投资的总收益,咱们须要计算该投资的累积收益。要计算累积收益,咱们将应用  cumprod()  函数。

 

  mutate(cr = cumprod(1 + nflx_returns)) %>%      # 应用 cumprod 函数 
 

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

  geom_line() +

  theme_classic() +

点击题目查阅往期内容

R 语言 ARMA GARCH COPULA 模型拟合股票收益率工夫序列和模仿可视化

左右滑动查看更多

01

02

03

04

该图表显示了自 2009 年以来 Netflix 的累计收益。有了预先剖析的力量,自 2009 年以来,_能够_用 1 美元的投资赚取 85 美元。但据咱们所知,说起来容易做起来难。在 10 年左右的工夫里,在 Qwickster 惨败期间投资损失了其价值的 50%。在这段期间内,很少有投资者可能保持投资。

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

  geom_line() +

  theme_classic() +

咱们能够直观地看到,月收益表比日图表要平滑得多。

多只股票

下载多只股票的股票市场数据。

# 将咱们的股票代码设置为变量



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



# 下载股价数据



multpl_stocks <- tq_get(tickers,

绘制多只股票的股价图

接下来,咱们将绘制多只股票的价格图表

multpl_stocks %>%  ggplot(aes(x = date, y = adjusted,

这不是咱们预期的后果。因为这些股票具备微小的价格差别(FB 低于 165,AMZN 高于 1950),因而它们的规模不同。咱们能够通过按各自的 y 比例绘制股票来克服此问题。

 

  facet_wrap(~symbol, scales = "free_y") +  # facet_wrap 用于制作不同的页面

  theme_classic() +

计算多只股票的收益

计算多只股票的收益与单只股票一样容易。这里只须要传递一个附加的参数。咱们须要应用参数  group_by(symbol)  来计算单个股票的收益。

# 计算多只股票的每日收益                          

  tq_transmute(select = adjusted,

               mutate_fun = periodReturn,

               period = 'daily',

               col_rename = 'returns')# 计算多只股票的月收益                            

  tq_transmute(select = adjusted,

               mutate_fun = periodReturn,

               period = 'monthly',

               col_rename = 'returns')

绘制多只股票的收益图表

一旦有了收益计算,就能够在图表上绘制收益。

multpl_stock_daily_returns %>%

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

  geom_line() +

  geom_hline(yintercept = 0) +
multpl_stock_monthly_returns %>%

  ggplot(aes(x = date, y = return 

  scale_fill_brewer(palette = "Set1",   # 咱们会给他们不同的色彩,而不是彩色 

在 FAANG 股票中,苹果的稳定最小,而 Facebook 和 Netflix 的稳定最大。对于他们从事的业务而言,这是不言而喻的。Apple 是一家稳固的公司,领有稳固的现金流量。它的产品受到数百万人的青睐和应用,他们对 Apple 领有极大的忠诚度。Netflix 和 Facebook 也是令人难以置信的业务,但它们处于高增长阶段,任何问题(收益或用户增长降落)都可能对股票产生重大影响。

计算多只股票的累计收益

通常,咱们心愿看到过来哪种投资产生了最佳成果。为此,咱们能够计算累积后果。上面咱们比拟自 2013 年以来所有 FAANG 股票的投资后果。哪项是自 2013 年以来最好的投资?

multpl_stock_monthly_returns %>%

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

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

  geom_line() +

  labs(x = "Date"

毫不奇怪,Netflix 自 2013 年以来取得了最高的收益。亚马逊和 Facebook 位居第二和第三。

统计数据

计算单个股票的均值,标准差

咱们曾经有了 Netflix 的每日和每月收益数据。当初咱们将计算收益的每日和每月平均数和标准差。为此,咱们将应用  mean()  和  sd() 函数。

# 计算平均值

 

  .[[1]] %>%  mean(na.rm = TRUE)



nflx_monthly_mean_ret <- netfl turns) %>%  .[[1]] %>%  mean(na.rm = TRUE)



# 计算标准差



nflx_daily_sd_ret <- netflirns) %>%  .[[1]] %>%  sd()



nflx_monthly_sd_ret <- netflix_rns) %>%  .[[1]] %>%  sd()

 nflx_stat
## # A tibble: 2 x 3##   period     mean     sd

##   <chr>     <dbl>  <dbl>

## 1 Daily   0.00240 0.0337## 2 Monthly 0.0535  0.176

咱们能够看到 Netflix 的均匀每日收益为 0.2%,标准差为 3.3%。它的月均匀回报率是 5.2%和 17%标准差。该数据是自 2009 年以来的整个期间。如果咱们要计算每年的均值和标准差,该怎么办。咱们能够通过按年份对 Netflix 收益数据进行分组并执行计算来进行计算。

netflix  %>%

  summarise(Monthly_Mean_Returns = mean(nflx_returns),

            MOnthly_Standard_Deviation = sd(nflx_returns)
## # A tibble: 10 x 3##     year Monthly_Mean_Returns MOnthly_Standard_Deviation

##    <dbl>                <dbl>                      <dbl>

##  1  2009              0.0566                      0.0987##  2  2010              0.110                       0.142 

##  3  2011             -0.0492                      0.209 

##  4  2012              0.0562                      0.289 

##  5  2013              0.137                       0.216 

##  6  2014              0.00248                     0.140 

##  7  2015              0.0827                      0.148 

##  8  2016              0.0138                      0.126 

##  9  2017              0.0401                      0.0815## 10  2018              0.243                       0.233

咱们还能够绘制后果更好地了解。

netflix_monthly_returns %>%

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

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

  scale_y_continuous(b) +

  theme_bw() +

咱们能够看到,自 2009 年以来,每月收益和标准差稳定很大。2011 年,均匀每月收益为 -5%。

计算多只股票的均值,标准差

接下来,咱们能够计算多只股票的均值和标准差。

  group_by(symbol) %>%  summarise(mean = mean(returns),

            sd = sd(returns))
## # A tibble: 5 x 3##   symbol     mean     sd

##   <chr>     <dbl>  <dbl>

## 1 AAPL   0.00100  0.0153## 2 AMZN   0.00153  0.0183## 3 FB     0.00162  0.0202## 4 GOOG   0.000962 0.0141## 5 NFLX   0.00282  0.0300
group_by(symbol) %>%  summarise(mean = mean(returns),

            sd = sd(returns))
## # A tibble: 5 x 3##   symbol   mean     sd

##   <chr>   <dbl>  <dbl>

## 1 AAPL   0.0213 0.0725## 2 AMZN   0.0320 0.0800## 3 FB     0.0339 0.0900## 4 GOOG   0.0198 0.0568## 5 NFLX   0.0614 0.157

计算收益的年均值和标准差。

   %>%  group_by(symbol, year) %>%  summarise(mean = mean(returns),

            sd = sd(returns))
## # A tibble: 30 x 4## # Groups:   symbol [?]

##    symbol  year      mean     sd

##    <chr>  <dbl>     <dbl>  <dbl>

##  1 AAPL    2013  0.0210   0.0954##  2 AAPL    2014  0.0373   0.0723##  3 AAPL    2015 -0.000736 0.0629##  4 AAPL    2016  0.0125   0.0752##  5 AAPL    2017  0.0352   0.0616##  6 AAPL    2018  0.0288   0.0557##  7 AMZN    2013  0.0391   0.0660##  8 AMZN    2014 -0.0184   0.0706##  9 AMZN    2015  0.0706   0.0931## 10 AMZN    2016  0.0114   0.0761## # ... with 20 more rows

咱们还能够绘制此统计数据。

multpl_stock_monthly_returns %>%

  mutate(year = year(date)) %>%

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

                     labels = scales::percent) +

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

  labs(x = "Year", y = Stocks") +

  ggtitle
multpl_stock_monthly_returns %>%

  mutate(year = year(date)) %>% 

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

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

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

                     labels = scales::p 

  scale_fill_brewer(palette = "Set1",

计算多只股票的协方差和相关性

另一个重要的统计计算是股票的相关性和协方差。为了计算这些统计数据,咱们须要批改数据。咱们将其转换为 xts 对象。

协方差表

# 计算协方差



  tk_xts(silent = TRUE) %>%

  cov()
##               AAPL        AMZN          FB         GOOG          NFLX

## AAPL  5.254736e-03 0.001488462 0.000699818 0.0007420307 -1.528193e-05## AMZN  1.488462e-03 0.006399439 0.001418561 0.0028531565  4.754894e-03## FB    6.998180e-04 0.001418561 0.008091594 0.0013566480  3.458228e-03## GOOG  7.420307e-04 0.002853157 0.001356648 0.0032287790  3.529245e-03## NFLX -1.528193e-05 0.004754894 0.003458228 0.0035292451  2.464202e-02

相干表

# 计算相关系数



 %>%

  tk_xts(silent = TRUE) %>%

  cor()
##              AAPL      AMZN        FB      GOOG         NFLX

## AAPL  1.000000000 0.2566795 0.1073230 0.1801471 -0.001342964## AMZN  0.256679539 1.0000000 0.1971334 0.6276759  0.378644485## FB    0.107322952 0.1971334 1.0000000 0.2654184  0.244905437## GOOG  0.180147089 0.6276759 0.2654184 1.0000000  0.395662114## NFLX -0.001342964 0.3786445 0.2449054 0.3956621  1.000000000

咱们能够应用 corrplot() 包来绘制相关矩阵图。

## corrplot 0.84 loaded
  cor() %>%  corrplot()


点击文末 “浏览原文”

获取全文残缺材料。

本文选自《基于 R 语言股票市场收益的统计可视化剖析》。

点击题目查阅往期内容

ARMA-GARCH-COPULA 模型和金融工夫序列案例
工夫序列剖析:ARIMA GARCH 模型剖析股票价格数据
GJR-GARCH 和 GARCH 稳定率预测普尔指数工夫序列和 Mincer Zarnowitz 回归、DM 测验、JB 测验
【视频】工夫序列剖析:ARIMA-ARCH / GARCH 模型剖析股票价格
工夫序列 GARCH 模型剖析股市稳定率
PYTHON 用 GARCH、离散随机稳定率模型 DSV 模仿预计股票收益工夫序列与蒙特卡洛可视化
极值实践 EVT、POT 超阈值、GARCH 模型剖析股票指数 VaR、条件 CVaR:多元化投资组合预测危险测度剖析
Garch 稳定率预测的区制转移交易策略
金融工夫序列模型 ARIMA 和 GARCH 在股票市场预测利用
工夫序列分析模型:ARIMA-ARCH / GARCH 模型剖析股票价格
R 语言危险价值:ARIMA,GARCH,Delta-normal 法滚动预计 VaR(Value at Risk)和回测剖析股票数据
R 语言 GARCH 建模罕用软件包比拟、拟合规范普尔 SP 500 指数稳定率工夫序列和预测可视化
Python 金融工夫序列模型 ARIMA 和 GARCH 在股票市场预测利用
MATLAB 用 GARCH 模型对股票市场收益率工夫序列稳定的拟合与预测 R 语言 GARCH-DCC 模型和 DCC(MVT)建模预计
Python 用 ARIMA、GARCH 模型预测剖析股票市场收益率工夫序列
R 语言中的工夫序列分析模型:ARIMA-ARCH / GARCH 模型剖析股票价格
R 语言 ARIMA-GARCH 稳定率模型预测股票市场苹果公司日收益率工夫序列
Python 应用 GARCH,EGARCH,GJR-GARCH 模型和蒙特卡洛模仿进行股价预测
R 语言工夫序列 GARCH 模型剖析股市稳定率
R 语言 ARMA-EGARCH 模型、集成预测算法对 SPX 理论稳定率进行预测
matlab 实现 MCMC 的马尔可夫转换 ARMA – GARCH 模型预计
Python 应用 GARCH,EGARCH,GJR-GARCH 模型和蒙特卡洛模仿进行股价预测
应用 R 语言对 S&P500 股票指数进行 ARIMA + GARCH 交易策略
R 语言用多元 ARMA,GARCH ,EWMA, ETS, 随机稳定率 SV 模型对金融工夫序列数据建模
R 语言股票市场指数:ARMA-GARCH 模型和对数收益率数据探索性剖析
R 语言多元 Copula GARCH 模型工夫序列预测
R 语言应用多元 AR-GARCH 模型掂量市场危险
R 语言中的工夫序列分析模型:ARIMA-ARCH / GARCH 模型剖析股票价格
R 语言用 Garch 模型和回归模型对股票价格剖析
GARCH(1,1),MA 以及历史模拟法的 VaR 比拟
matlab 预计 arma garch 条件均值和方差模型 R 语言 POT 超阈值模型和极值实践 EVT 剖析

退出移动版