全文链接：
比来我们被客户要求撰写关于股票市场的研究陈述，包罗一些图形和统计输出。
金融市场上最重要的使命之一就是阐发各类投资的汗青收益
要施行此阐发，我们需要资产的汗青数据。数据供给者良多，有些是免费的，大大都是付费的。在本文中，我们将利用Yahoo金融网站上的数据。
在那篇文章中，我们将：
让我们先加载库。
library(tidyquant)library(timetk)
我们将获得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，我们将绘造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()
展开全文
计算单个股票的每日和每月收益率
一旦我们从Yahoo Finance下载了收盘价，下一步即是计算收益。我们将再次利用tidyquant包停止计算。我们已经在上面下载了Netflix的价格数据，假设您还没有下载，请拜见上面的部门。
# 计算每日收益netflix_daily_returns - netflix %%
tq_transmute(select = adjusted, 那指定要抉择的列
mutate_fun = periodReturn, # 那指定若何处置该列 period = "daily", # 此参数计算每日收益 col_rename = "nflx_returns") # 重定名列#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")
绘造Netflix的每日和每月收益图表
# 我们将利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，我们能够得出结论，收益颠簸很大，而且股票在任何一天都能够颠簸+/- 5％。为了领会收益率的散布，我们能够绘造曲方图。
netflix_daily_returns %%
ggplot(aes(x = nflx_returns)) +
geom_histogram(binwidth = 0.015) +
theme_classic() +
接下来，我们能够绘造自2009年以来Netflix的月度收益率。我们利用条形图来绘造数据。
# 绘造Netflix的月度收益图表。 利用条形图
ggplot(aes(x = date, y = nflx_returns)) +
geom_bar(stat = "identity") +
theme_classic() +
计算Netflix股票的累计收益
绘造每日和每月收益对领会投资的每日和每月颠簸很有用。要计算投资的增长，换句话说，计算投资的总收益，我们需要计算该投资的累积收益。要计算累积收益，我们将利用 cumprod（） 函数。
mutate(cr = cumprod(1 + nflx_returns)) %% # 利用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模子拟合股票收益率时间序列和模仿可视化
摆布滑动查看更多
01
02
03
04
该图表展现了自2009年以来Netflix的累计收益。有了过后阐发的力量， 自2009年以来，_能够_用1美圆的投资赚取85美圆。但据我们所知，说起来随便做起来难。在10年摆布的时间里，在Qwickster惨败期间投资缺失了其价值的50％。在那段期间内，很少有投资者可以对峙投资。
ggplot(aes(x = date, y = cumulative_returns)) +
geom_line() +
theme_classic() +
我们能够曲看地看到，月收益表比日图表要光滑得多。
多只股票
下载多只股票的股票市场数据。
#将我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,
绘造多只股票的股价图
接下来，我们将绘造多只股票的价格图表
multpl_stocks %% ggplot(aes(x = date, y = adjusted,
那不是我们预期的成果。因为那些股票具有浩荡的价格差别（FB低于165，AMZN高于1950），因而它们的规模差别。我们能够通过按各自的y比例绘造股票来征服此问题。
facet_wrap(~symbol, scales = "free_y") + # facet_wrap用于造造差别的页面
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随便。那里只需要传递一个附加的参数。我们需要利用参数 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')
绘造多只股票的收益图表
一旦有了收益计算，就能够在图表上绘造收益。
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", # 我们会给他们差别的颜色，而不是黑色
在FAANG股票中，苹果的颠簸最小，而Facebook和Netflix的颠簸更大。关于他们处置的营业而言，那是显而易见的。Apple是一家不变的公司，拥有不变的现金流量。它的产物遭到数百万人的喜欢和利用，他们对Apple拥有极大的忠实度。Netflix和Facebook也是令人难以置信的营业，但它们处于高增长阶段，任何问题（收益或用户增长下降）都可能对股票产生严重影响。
计算多只股票的累计收益
凡是，我们期看看到过往哪种投资产生了更佳效果。为此，我们能够计算累积成果。下面我们比力自2013年以来所有FAANG股票的投资成果。哪项是自2013年以来更好的投资？
multpl_stock_monthly_returns %%
mutate(returns e_returns = cr - 1) %%
ggplot(aes(x = date, y = cumulative_returns, color = symbol)) +
geom_line() +
labs(x = "Date"
毫不希罕，Netflix自2013年以来获得了更高的收益。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，原则差
我们已经有了Netflix的每日和每月收益数据。如今我们将计算收益的每日和每月均匀数和原则差。 为此，我们将利用 mean（） 和 sd（） 函数。
# 计算均匀值
.[[1]] %% mean(na.rm = TRUE)
nflx_monthly_mean_ret - netfl turns) %% .[[1]] %% mean(na.rm = TRUE)
# 计算原则差
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
我们能够看到Netflix的均匀每日收益为0.2％，原则差为3.3％。它的月均匀回报率是5.2％和17％原则差。该数据是自2009年以来的整个期间。假设我们要计算每年的均值和原则差，该怎么办。我们能够通过按年份对Netflix收益数据停止分组并施行计算来停止计算。
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
我们还能够绘造成果更好天文解。
netflix_monthly_returns %%
mutate(year = rns, Standard_Deviation, keyistic)) +
geom_bar(stat = "identity", position = "dodge") +
scale_y_continuous(b ) +
theme_bw() +
我们能够看到，自2009年以来，每月收益和原则差颠簸很大。2011年，均匀每月收益为-5％。
计算多只股票的均值，原则差
接下来，我们能够计算多只股票的均值和原则差。
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原则差。
%% 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
我们还能够绘造此统计数据。
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。为了计算那些统计数据，我们需要修改数据。我们将其转换为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
相关表
# 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
我们能够利用corrplot() 包来绘造相关矩阵图。
## corrplot 0.84 loaded
cor() %% corrplot()
点击文末 “阅读原文”
获取全文完全材料。
本文选自《基于R语言股票市场收益的统计可视化阐发》。
点击题目查阅往期内容
ARMA-GARCH-COPULA模子和金融时间序列案例
时间序列阐发：ARIMA GARCH模子阐发股票价格数据
GJR-GARCH和GARCH颠簸率揣测普尔指数时间序列和Mincer Zarnowitz回回、DM查验、JB查验
【视频】时间序列阐发：ARIMA-ARCH / GARCH模子阐发股票价格
时间序列GARCH模子阐发股市颠簸率
PYTHON用GARCH、离散随机颠簸率模子DSV模仿估量股票收益时间序列与蒙特卡洛可视化
极值理论 EVT、POT超阈值、GARCH 模子阐发股票指数VaR、前提CVaR：多元化投资组合揣测风险测度阐发
Garch颠簸率揣测的区造转移交易战略
金融时间序列模子ARIMA 和GARCH 在股票市场揣测利用
时间序列阐发模子：ARIMA-ARCH / GARCH模子阐发股票价格
R语言风险价值：ARIMA，GARCH，Delta-normal法滚动估量VaR（Value at Risk）和回测阐发股票数据
R语言GARCH建模常用软件包比力、拟合原则普尔SP 500指数颠簸率时间序列和揣测可视化
Python金融时间序列模子ARIMA 和GARCH 在股票市场揣测利用
MATLAB用GARCH模子对股票市场收益率时间序列颠簸的拟合与揣测R语言GARCH-DCC模子和DCC（MVT）建模估量
Python 用ARIMA、GARCH模子揣测阐发股票市场收益率时间序列
R语言中的时间序列阐发模子：ARIMA-ARCH / GARCH模子阐发股票价格
R语言ARIMA-GARCH颠簸率模子揣测股票市场苹果公司日收益率时间序列
Python利用GARCH，EGARCH，GJR-GARCH模子和蒙特卡洛模仿停止股价揣测
R语言时间序列GARCH模子阐发股市颠簸率
R语言ARMA-EGARCH模子、集成揣测算法对SPX现实颠簸率停止揣测
matlab实现MCMC的马尔可夫转换ARMA - GARCH模子估量
Python利用GARCH，EGARCH，GJR-GARCH模子和蒙特卡洛模仿停止股价揣测
利用R语言对S＆P500股票指数停止ARIMA + GARCH交易战略
R语言用多元ARMA,GARCH ,EWMA, ETS,随机颠簸率SV模子对金融时间序列数据建模
R语言股票市场指数：ARMA-GARCH模子和对数收益率数据探痛快阐发
R语言多元Copula GARCH 模子时间序列揣测
R语言利用多元AR-GARCH模子权衡市场风险
R语言中的时间序列阐发模子：ARIMA-ARCH / GARCH模子阐发股票价格
R语言用Garch模子和回回模子对股票价格阐发
GARCH（1,1），MA以及汗青模仿法的VaR比力
matlab估量arma garch 前提均值和方差模子R语言POT超阈值模子和极值理论EVT阐发