共计 3613 个字符，预计需要花费 10 分钟才能阅读完成。
原文链接：http://tecdat.cn/?p=17835
最近咱们被客户要求撰写对于最小生成树的钻研报告，包含一些图形和统计输入。
本文在股市可视化中可视化相关矩阵：最小生成树
在本文示例中，我将应用日数据和 1 分钟数据来可视化股票数据。
我发现以下概念定义十分有用：
- 连通图：在无向图中，若任意两个顶点 vivi 与 vjvj 都有门路相通，则称该无向图为连通图。
- 强连通图：在有向图中，若任意两个顶点 vivi 与 vjvj 都有门路相通，则称该有向图为强连通图。
- 连通网：在连通图中，若图的边具备肯定的意义，每一条边都对应着一个数，称为权；权代表着连贯连个顶点的代价，称这种连通图叫做连通网。
- 生成树：一个连通图的生成树是指一个连通子图，它含有图中全副 n 个顶点，但只有足以形成一棵树的 n - 1 条边。一颗有 n 个顶点的生成树有且仅有 n - 1 条边，如果生成树中再增加一条边，则必然成环。
- 最小生成树：在连通网的所有生成树中，所有边的代价和最小的生成树，称为最小生成树。
#*****************************************************************
# 加载历史数据
#*****************************************************************
getSymbols(tickers, src = 'yahoo', from = '1970-01-01', env = data, auto.assign =
for(i in ls(data)) data[[i]] = adjustOHLC(data[[i]
# 删除历史数据很少的样本
remove.min.history(data)
# 显示已删除的
print(setdiff(tickers,names(data$prices)))
#*****************************************************************
# 可视化关联矩阵
#*****************************************************************
prices = data$prices
ret = diff(log(prices))
ret = last(ret, 252)
plt(ret, 0.5)点击题目查阅往期内容
【视频】量化交易陷阱和 R 语言改良股票配对交易策略剖析中国股市投资组合
左右滑动查看更多
01
02
03
04
接下来，让咱们获取 1 分钟的收盘价数据，并基于最近 5 天可视化相关性：
#*****************************************************************
# 加载历史数据
#*****************************************************************
if(!file.exists(filename)) {data1[[ticker]] = getSymbol.intraday.google(ticker,
#*****************************************************************
# 可视化关联矩阵
#*****************************************************************
print(join(c(,format(range(index(ret)), '%d-%b-%Y %H-%M')), ' '))
plot.cor(ret, 0.5)
辅助函数：
#*****************************************************************
#函数创立相关矩阵
#*****************************************************************
clncor = function(ret, threshold = 0.5) {cor(coredata(ret), use='complete.obs',method='pearson')
cor_mat[abs(cor_mat) < threshold] = 0
#*****************************************************************
# 绘制最小生成树
#*****************************************************************
plco = function(ho = 0.5) {cor_mat = clean.cor(ret, threshold
点击文末 “浏览原文”
获取全文残缺代码数据资料。
本文选自《R 语言股市可视化相关矩阵：最小生成树》。
点击题目查阅往期内容
【视频】Copula 算法原理和 R 语言股市收益率相依性可视化剖析
R 语言工夫序列 GARCH 模型剖析股市稳定率
【视频】量化交易陷阱和 R 语言改良股票配对交易策略剖析中国股市投资组合
应用 R 语言对 S&P500 股票指数进行 ARIMA + GARCH 交易策略
R 语言量化交易 RSI 策略：应用反对向量机 SVM
R 语言资产配置: 季度战术资产配置策略钻研
R 语言动量交易策略剖析调整后的数据
TMA 三均线股票期货高频交易策略的 R 语言实现
R 语言工夫序列：ARIMA / GARCH 模型的交易策略在外汇市场预测利用
R 语言基于 Garch 稳定率预测的区制转移交易策略
r 语言多均线股票价格量化策略回测
应用 R 语言对 S&P500 股票指数进行 ARIMA + GARCH 交易策略
Python 基于粒子群优化的投资组合优化钻研
R 语言 Fama-French 三因子模型理论利用：优化投资组合
R 语言动量和马科维茨 Markowitz 投资组合 (Portfolio) 模型实现
Python 计算股票投资组合的危险价值（VaR）
R 语言 Markowitz 马克维茨投资组合实践剖析和可视化
R 语言中的狭义线性模型（GLM）和狭义相加模型（GAM）：多元（平滑）回归分 PYTHON 用 RNN 神经网络 LSTM 优化 EMD 教训模态合成交易策略剖析股票价格 MACD
R 语言深度学习：用 keras 神经网络回归模型预测工夫序列数据
【视频】CNN（卷积神经网络）模型以及 R 语言实现回归数据分析
Python TensorFlow 循环神经网络 RNN-LSTM 神经网络预测股票市场价格工夫序列和 MSE 评估准确性
数据分享 |PYTHON 用 KERAS 的 LSTM 神经网络进行工夫序列预测天然气价格例子
Python 对商店数据进行 lstm 和 xgboost 销售量工夫序列建模预测剖析
Matlab 用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类
RNN 循环神经网络、LSTM 长短期记忆网络实现工夫序列长期利率预测
联合新冠疫情 COVID-19 股票价格预测：ARIMA，KNN 和神经网络工夫序列剖析
深度学习：Keras 应用神经网络进行简略文本分类剖析新闻组数据
用 PyTorch 机器学习神经网络分类预测银行客户散失模型
PYTHON 用 LSTM 长短期记忆神经网络的参数优化办法预测工夫序列洗发水销售数据
Python 用 Keras 神经网络序列模型回归拟合预测、准确度检查和后果可视化
Python 用 LSTM 长短期记忆神经网络对不稳固降雨量工夫序列进行预测剖析
R 语言中的神经网络预测工夫序列：多层感知器（MLP）和极限学习机（ELM）数据分析报告
R 语言深度学习：用 keras 神经网络回归模型预测工夫序列数据
Matlab 用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类
R 语言 KERAS 深度学习 CNN 卷积神经网络分类辨认手写数字图像数据（MNIST）
MATLAB 中用 BP 神经网络预测人体脂肪百分比数据
Python 中用 PyTorch 机器学习神经网络分类预测银行客户散失模型
R 语言实现 CNN（卷积神经网络）模型进行回归数据分析
SAS 应用鸢尾花 (iris) 数据集训练人工神经网络 (ANN) 模型
【视频】R 语言实现 CNN（卷积神经网络）模型进行回归数据分析
Python 应用神经网络进行简略文本分类
R 语言用神经网络改良 Nelson-Siegel 模型拟合收益率曲线剖析
R 语言基于递归神经网络 RNN 的温度工夫序列预测
R 语言神经网络模型预测车辆数量工夫序列
R 语言中的 BP 神经网络模型剖析学生问题
matlab 应用长短期记忆（LSTM）神经网络对序列数据进行分类
R 语言实现拟合神经网络预测和后果可视化
用 R 语言实现神经网络预测股票实例
应用 PYTHON 中 KERAS 的 LSTM 递归神经网络进行工夫序列预测
python 用于 NLP 的 seq2seq 模型实例: 用 Keras 实现神经网络机器翻译
用于 NLP 的 Python：应用 Keras 的多标签文本 LSTM 神经网络分类
