原文链接：http://tecdat.cn/?p=16453
原文出处：拓端数据部落公众号
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：
下载收盘价
计算收益率
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() +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 0.0300group_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") + ggtitlemultpl\_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()最受欢迎的见解
1.用机器学习辨认一直变动的股市情况—隐马尔科夫模型(HMM)的利用的利用")
2.R语言GARCH-DCC模型和DCC（MVT）建模预计
3.R语言实现 Copula 算法建模依赖性案例剖析报告
4.R语言COPULAS和金融工夫序列数据VaR剖析
5.R语言多元COPULA GARCH 模型工夫序列预测
6.用R语言实现神经网络预测股票实例
7.r语言预测稳定率的实现：ARCH模型与HAR-RV模型
8.R语言如何做马尔科夫转换模型markov switching model
9.matlab应用Copula仿真优化市场危险