原文連結:http://tecdat.cn/?p=16453
原文出處:拓端資料部落公衆号
金融市場上最重要的任務之一就是分析各種投資的曆史收益。要執行此分析,我們需要資産的曆史資料。資料提供者很多,有些是免費的,大多數是付費的。在本文中,我們将使用Yahoo金融網站上的資料。
在這篇文章中,我們将:
- 下載下傳收盤價
- 計算收益率
- 計算收益的均值和标準差
讓我們先加載庫。
library(tidyquant)
library(timetk)
我們将獲得Netflix價格的收盤價。
netflix <- tq_get("NFLX",
from = '2009-01-01',
to = "2018-03-01",
get = "stock.prices")
接下來,我們将繪制Netflix的調整後收盤價。
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()
![](https://img.laitimes.com/img/9ZDMuAjOiMmIsIjOiQnIsICM38FdsYkRGZkRG9lcvx2bjxiNx8VZ6l2csg3aq10dBpmT1UkeYhnRzwEMW1mY1RzRapnTtxkb5ckYplTeMZTTINGMShUYfRHelRHLwEzX39GZhh2css2RkBnVHFmb1clWvB3MaVnRtp1XlBXe0xyayFWbyVGdhd3LcV2Zh1Wa9M3clN2byBXLzN3btg3Pn5GcukDNwITMxcTM1ADNwAjMwIzLc52YucWbp5GZzNmLn9Gbi1yZtl2Lc9CX6MHc0RHaiojIsJye.png)
計算單個股票的每日和每月收益率
一旦我們從Yahoo Finance下載下傳了收盤價,下一步便是計算收益。我們将再次使用tidyquant包進行計算。我們已經在上面下載下傳了Netflix的價格資料,如果您還沒有下載下傳,請參見上面的部分。
# 計算每日收益
netflix_daily_returns <- netflix %>%
tq_transmute(select = adjusted, 這指定要選擇的列
mutate_fun = periodReturn, # 這指定如何處理該列
period = "daily", # 此參數計算每日收益
col_rename = "nflx_returns") # 重命名列
#計算每月收益
netflix_monthly_returns <- netflix %>%
tq_transmute(select = adjusted,
mutate_fun = periodReturn,
period = "monthly", # 此參數計算每月收益
col_rename = "nflx_returns")
繪制Netflix的每日和每月收益圖表
# 我們将使用折線圖擷取每日收益
ggplot(aes(x = date, y = nflx_returns)) +
geom_line() +
theme_classic() +
檢視Netflix的每日收益圖表後,我們可以得出結論,收益波動很大,并且股票在任何一天都可以波動+/- 5%。為了了解收益率的分布,我們可以繪制直方圖。
netflix_daily_returns %>%
ggplot(aes(x = nflx_returns)) +
geom_histogram(binwidth = 0.015) +
theme_classic() +
接下來,我們可以繪制自2009年以來Netflix的月度收益率。我們使用條形圖來繪制資料。
# 繪制Netflix的月度收益圖表。 使用條形圖
ggplot(aes(x = date, y = nflx_returns)) +
geom_bar(stat = "identity") +
theme_classic() +
計算Netflix股票的累計收益
繪制每日和每月收益對了解投資的每日和每月波動很有用。要計算投資的增長,換句話說,計算投資的總收益,我們需要計算該投資的累積收益。要計算累積收益,我們将使用 cumprod() 函數。
mutate(cr = cumprod(1 + nflx_returns)) %>% # 使用cumprod函數
ggplot(aes(x = date, y = cumulative_returns)) +
geom_line() +
theme_classic() +
該圖表顯示了自2009年以來Netflix的累計收益。有了事後分析的力量, 自2009年以來,可以用1美元的投資賺取85美元。但據我們所知,說起來容易做起來難。在10年左右的時間裡,在Qwickster慘敗期間投資損失了其價值的50%。在這段時期内,很少有投資者能夠堅持投資。
ggplot(aes(x = date, y = cumulative_returns)) +
geom_line() +
theme_classic() +
我們可以直覺地看到,月收益表比日圖表要平滑得多。
多隻股票
下載下傳多隻股票的股票市場資料。
#将我們的股票代碼設定為變量
tickers <- c("FB", "AMZN", "AAPL", "NFLX", "GOOG")
# 下載下傳股價資料
multpl_stocks <- tq_get(tickers,
繪制多隻股票的股價圖
接下來,我們将繪制多隻股票的價格圖表
multpl_stocks %>%
ggplot(aes(x = date, y = adjusted,
這不是我們預期的結果。由于這些股票具有巨大的價格差異(FB低于165,AMZN高于1950),是以它們的規模不同。我們可以通過按各自的y比例繪制股票來克服此問題。
facet_wrap(~symbol, scales = "free_y") + # facet_wrap用于制作不同的頁面
theme_classic() +
計算多隻股票的收益
計算多隻股票的收益與單隻股票一樣容易。這裡隻需要傳遞一個附加的參數。我們需要使用參數 group_by(symbol) 來計算單個股票的收益。
#計算多隻股票的每日收益
tq_transmute(select = adjusted,
mutate_fun = periodReturn,
period = 'daily',
col_rename = 'returns')
#計算多隻股票的月收益
tq_transmute(select = adjusted,
mutate_fun = periodReturn,
period = 'monthly',
col_rename = 'returns')
繪制多隻股票的收益圖表
一旦有了收益計算,就可以在圖表上繪制收益。
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", # 我們會給他們不同的顔色,而不是黑色
在FAANG股票中,蘋果的波動最小,而Facebook和Netflix的波動最大。對于他們從事的業務而言,這是顯而易見的。Apple是一家穩定的公司,擁有穩定的現金流量。它的産品受到數百萬人的喜愛和使用,他們對Apple擁有極大的忠誠度。Netflix和Facebook也是令人難以置信的業務,但它們處于高增長階段,任何問題(收益或使用者增長下降)都可能對股票産生重大影響。
計算多隻股票的累計收益
通常,我們希望看到過去哪種投資産生了最佳效果。為此,我們可以計算累積結果。下面我們比較自2013年以來所有FAANG股票的投資結果。哪項是自2013年以來最好的投資?
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年以來獲得了最高的收益。亞馬遜和Facebook位居第二和第三。
統計資料
計算單個股票的均值,标準差
我們已經有了Netflix的每日和每月收益資料。現在我們将計算收益的每日和每月平均數和标準差。 為此,我們将使用 mean() 和 sd()函數。
# 計算平均值
.[[1]] %>%
mean(na.rm = TRUE)
nflx_monthly_mean_ret <- netfl turns) %>%
.[[1]] %>%
mean(na.rm = TRUE)
# 計算标準差
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
我們可以看到Netflix的平均每日收益為0.2%,标準差為3.3%。它的月平均回報率是5.2%和17%标準差。該資料是自2009年以來的整個時期。如果我們要計算每年的均值和标準差,該怎麼辦。我們可以通過按年份對Netflix收益資料進行分組并執行計算來進行計算。
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
我們還可以繪制結果更好地了解。
netflix_monthly_returns %>%
mutate(year = rns, Standard_Deviation, keyistic)) +
geom_bar(stat = "identity", position = "dodge") +
scale_y_continuous(b ) +
theme_bw() +
我們可以看到,自2009年以來,每月收益和标準差波動很大。2011年,平均每月收益為-5%。
計算多隻股票的均值,标準差
接下來,我們可以計算多隻股票的均值和标準差。
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
計算收益的年均值和标準差。
%>%
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
我們還可以繪制此統計資料。
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",
計算多隻股票的協方差和相關性
另一個重要的統計計算是股票的相關性和協方差。為了計算這些統計資料,我們需要修改資料。我們将其轉換為xts對象。
協方差表
#計算協方差
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
相關表
# 計算相關系數
%>%
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
我們可以使用
corrplot()
包來繪制相關矩陣圖。
## corrplot 0.84 loaded
cor() %>%
corrplot()
最受歡迎的見解
1.用機器學習識别不斷變化的股市狀況—隐馬爾科夫模型(HMM)的應用
2.R語言GARCH-DCC模型和DCC(MVT)模組化估計
3.R語言實作 Copula 算法模組化依賴性案例分析報告
4.R語言COPULAS和金融時間序列資料VaR分析
5.R語言多元COPULA GARCH 模型時間序列預測
6.用R語言實作神經網絡預測股票執行個體
7.r語言預測波動率的實作:ARCH模型與HAR-RV模型
8.R語言如何做馬爾科夫轉換模型markov switching model
9.matlab使用Copula仿真優化市場風險