关于数据挖掘:R语言股市可视化相关矩阵最小生成树附代码数据

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$pricesret = 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

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