共计 3669 个字符，预计需要花费 10 分钟才能阅读完成。
全文下载链接：http://tecdat.cn/?p=29581
最近咱们被客户要求撰写对于模仿股票价格的钻研报告，包含一些图形和统计输入。
在本工作表中，咱们将钻研价格、收益率和波动性。波动性通常用收益率的均方差来掂量，例如夏普比率的分母，它被用作危险的衡量标准。
咱们将应用股票价格的均匀对数收益率和波动性（对数回报的均方差）来模仿股票价格。
价格和收益率
library(quantmod)
getSymbols("AAPL")
price_AAPL <- Ad(AAPL)
plot(price_AAPL, main = "AAPL prices")
咱们留神到的第一件事是，这个价格序列仿佛不是安稳的，也就是说，没有显著的平均价格（因而议论价格的均方差实际上没有意义）。应用这种非安稳工夫序列是十分有问题的——工夫序列剖析的大部分集中在安稳工夫序列上；在虚词工夫序列中应用工夫序列的第一步通常是导出安稳工夫序列，也就是说，一个随工夫变动具备恒定均值和均方差的工夫序列。因为价格不是安稳的，咱们将注意力转向股票的收益率。
returns_AAPL <- diff(log(price_AAPL))
plot(returns_AAPL, main = "AAPL % returns")
请留神，在收益率图中有一些聚类，不是在收益率的符号中（这对交易 AAPL 股票间接有用），而是在收益率的幅度中，也就是说，今天的收益率可能在幅度上与明天的收益率类似（无论是正的还是负的）。除此之外，收益率比价格稳固得多。让咱们看看它们的柱状图。
hist(returns_AAPL, breaks = 100, col="brown")
点击题目查阅往期内容
[](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==\&mid=2247523891\&idx=3\&sn=40db89b81ec5e6e2817ad650eb3eded9\&chksm=fd92a038cae5292e47f5861e19e1239c340e57ba59f29892eb8f1cf73d19694f7690fd0a7692\&scene=21#wechat_redirect)R 语言单变量和多变量（多元）动静条件相关系数 DCC-GARCH 模型剖析股票收益率金融工夫序列数据稳定率
左右滑动查看更多
01
02
03
04
练习
查看当咱们应用简略收益率而不是对数收益率时，咱们方才看到的两个数字是否十分类似
解答
library(TTR)
dev.off()
请留神，简略的收益率直方图十分类似，但不完全相同。
收益率的散布仿佛有点像正态（高斯）散布。像布莱克 - 斯科尔斯期权定价公式这样的模型是基于收益率实际上是对数正态分布的假如。事实上，这只是对事实的近似——理论股价收益率比正态分布所暗示的更有可能呈现极值（也就是说，理论回报散布有肥尾）。
独立性怎么样？
这些收益率在工夫上是互相独立的吗？这里有一个疾速的办法来局部答复这个问题：
acf(returns_AAPL[-1], main = "Autocorrelation of returns")
该自相关检查给定周期与将来周期之间的相关性。
请留神，间断收益率之间仿佛没有任何自相干。然而，咱们曾经留神到收益率幅度的一些聚类，这通常被称为稳定率聚类。应用 acf 反复下面的图表，但应用收益率的绝对值（应用函数 abs（）取得）。你当初将察看到自相干。
解答
acf(abs(returns_AAPL[-1]), main = "Autocorrelation of absolute returns")
dev.off()
请留神上面新图中的自相干。
这些回报的平均值和均方差是多少？
> mu
[1] 0.001369495
> sigma
[1] 0.02572958
什么是波动性？
定义
稳定率是收益率的年化均方差。20 的稳定率意味着一年后资产价格从现值上涨或上涨超过 20% 的可能性约为三分之一。这是基于收益率是对数正态分布的假如，这不是真的，但它依然是一个有用的建模假如，至多作为终点。在 R 中，给定一系列每日价格，对数回报的年化均方差的计算如下：
sqrt(252) * sd(diff(log(priceSeriesDaily))) * 100
应用收益率模仿股票价格
仿佛对数收益率有一个稳固的均值和均方差。让咱们假如它们实际上是正态分布的，所以模仿股票价格的目标。假如对数收益率正态分布为均方差 μ 和均方差 sigma。那么咱们如何模仿价格？回忆一下对数收益率的定义：
因而，咱们将应用以下办法来模仿股票价格：
1. 设置一个初始化价格（在上面的代码中是 100）。2. 从正态分布中绘制一个随机数，均匀 μ 和均方差 sigma 是模仿的参数。这个数字将代表日志返回。3. 对日志返回进行指数运算，并将其与之前的价格相乘以取得新的价格。4. 反复步骤 2. 和 3. 进行许多模仿步骤。
练习
执行上述步骤以模仿价格过程并生成单个模仿价格轨迹，并绘制它以生成如下图的图形：
解答
plot(p, type = "l"
dev.off()
练习
将上一个练习中的模仿代码包装在一个函数中，并应用它来产生 6 种不同的模仿价格轨迹。应用
par(mfrow=c(3,3))
将它们放在 3×3 的网格中，以便能够直观地比拟。它们可能会产生如下内容：
解答
par(mfrow=c(3,3))
for (i in 1:6) dotion(simNumber=i)
dev.off()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 语言收益率和波动性模仿股票价格 COMP226 带自测题》。
点击题目查阅往期内容
【视频】K 近邻 KNN 算法原理与 R 语言联合新冠疫情对股票价格预测 | 数据分享 \
R 语言单变量和多变量（多元）动静条件相关系数 DCC-GARCH 模型剖析股票收益率金融工夫序列数据稳定率 \
R 语言多元动静条件相干 DCC-MVGARCH、常相干 CCC-MVGARCH 模型进行多变量稳定率预测 \
R 语言用 Garch 模型和回归模型对股票价格剖析 \
R 语言对 S&P500 股票指数进行 ARIMA + GARCH 交易策略 \
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 \
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
