拓端tecdat|基于R语言股票市场收益的统计可视化分析

2023-10-07 12:20

本文主要是介绍拓端tecdat|基于R语言股票市场收益的统计可视化分析,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

最近我们被要求撰写关于股票市场收益的研究报告,包括一些图形和统计输出。

金融市场上最重要的任务之一就是分析各种投资的历史收益。要执行此分析,我们需要资产的历史数据。数据提供者很多,有些是免费的,大多数是付费的。在本文中,我们将使用Yahoo金融网站上的数据。

在这篇文章中,我们将:

  1. 下载收盘价
  2. 计算收益率
  3. 计算收益的均值和标准差

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

一旦我们从Yahoo Finance下载了收盘价,下一步便是计算收益。我们将再次使用tidyquant包进行计算。我们已经在上面下载了Netflix的价格数据,如果您还没有下载,请参见上面的部分。

# 计算每日收益netflix_daily_returns <- netflix %>%tq_transmute(select = adjusted,          这指定要选择的列mutate_fun = periodReturn,   # 这指定如何处理该列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

# 我们将使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,我们可以得出结论,收益波动很大,并且股票在任何一天都可以波动+/- 5%。为了了解收益率的分布,我们可以绘制直方图。

netflix_daily_returns %>%ggplot(aes(x = nflx_returns)) +geom_histogram(binwidth = 0.015) +theme_classic() +

接下来,我们可以绘制自2009年以来Netflix的月度收益率。我们使用条形图来绘制数据。

# 绘制Netflix的月度收益图表。 使用条形图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了解投资的每日和每月波动很有用。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,我们将使用  cumprod()  函数。

 mutate(cr = cumprod(1 + nflx_returns)) %>%      # 使用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。有了事后分析的力量, 自2009年以来,可以用1美元的投资赚取85美元。但据我们所知,说起来容易做起来难。在10年左右的时间里,在Qwickster惨败期间投资损失了其价值的50%。在这段时期内,很少有投资者能够坚持投资。

  ggplot(aes(x = date, y = cumulative_returns)) +geom_line() +theme_classic() + 

我们可以直观地看到,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, 

绘制多只股票的股价图

接下来,我们将绘制多只股票的价格图表

multpl_stocks %>%ggplot(aes(x = date, y = adjusted,  

这不是我们预期的结果。由于这些股票具有巨大的价格差异(FB低于165,AMZN高于1950),因此它们的规模不同。我们可以通过按各自的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。这里只需要传递一个附加的参数。我们需要使用参数  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,就可以在图表上绘制收益。

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",   # 我们会给他们不同的颜色,而不是黑色

在FAANG股票中,苹果的波动最小,而Facebook和Netflix的波动最大。对于他们从事的业务而言,这是显而易见的。Apple是一家稳定的公司,拥有稳定的现金流量。它的产品受到数百万人的喜爱和使用,他们对Apple拥有极大的忠诚度。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(收益或用户增长下降)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,我们希望看到过去哪种投资产生了最佳效果。为此,我们可以计算累积结果。下面我们比较自2013年以来所有FAANG股票的投资结果。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年以来获得了最高的收益。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

我们已经有了Netflix的每日和每月收益数据。现在我们将计算收益的每日和每月平均数和标准差。 为此,我们将使用  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

我们可以看到Netflix的平均每日收益为0.2%,标准差为3.3%。它的月平均回报率是5.2%和17%标准差。该数据是自2009年以来的整个时期。如果我们要计算每年的均值和标准差,该怎么办。我们可以通过按年份对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

我们还可以绘制结果更好地理解。

netflix_monthly_returns %>%mutate(year = rns, Standard_Deviation, keyistic)) +geom_bar(stat = "identity", position = "dodge") +scale_y_continuous(b ) +theme_bw() +

我们可以看到,自2009年以来,每月收益和标准差波动很大。2011年,平均每月收益为-5%。

计算多只股票的均值,标准差

接下来,我们可以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  0.0300
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

我们还可以绘制此统计数据。

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") +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。为了计算这些统计数据,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

我们可以使用corrplot() 包来绘制相关矩阵图。

## corrplot 0.84 loaded
cor() %>%corrplot()


最受欢迎的见解

1.用机器学习识别不断变化的股市状况—隐马尔科夫模型(HMM)的应用

2.R语言GARCH-DCC模型和DCC(MVT)建模估计

3.R语言实现 Copula 算法建模依赖性案例分析报告

4.R语言COPULAS和金融时间序列数据VaR分析

5.R语言多元COPULA GARCH 模型时间序列预测

6.用R语言实现神经网络预测股票实例

7.r语言预测波动率的实现: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使用Copula仿真优化市场风险

这篇关于拓端tecdat|基于R语言股票市场收益的统计可视化分析的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/157761

相关文章

Go标准库常见错误分析和解决办法

《Go标准库常见错误分析和解决办法》Go语言的标准库为开发者提供了丰富且高效的工具,涵盖了从网络编程到文件操作等各个方面,然而,标准库虽好,使用不当却可能适得其反,正所谓工欲善其事,必先利其器,本文将... 目录1. 使用了错误的time.Duration2. time.After导致的内存泄漏3. jsO

Spring事务中@Transactional注解不生效的原因分析与解决

《Spring事务中@Transactional注解不生效的原因分析与解决》在Spring框架中,@Transactional注解是管理数据库事务的核心方式,本文将深入分析事务自调用的底层原理,解释为... 目录1. 引言2. 事务自调用问题重现2.1 示例代码2.2 问题现象3. 为什么事务自调用会失效3

Python Dash框架在数据可视化仪表板中的应用与实践记录

《PythonDash框架在数据可视化仪表板中的应用与实践记录》Python的PlotlyDash库提供了一种简便且强大的方式来构建和展示互动式数据仪表板,本篇文章将深入探讨如何使用Dash设计一... 目录python Dash框架在数据可视化仪表板中的应用与实践1. 什么是Plotly Dash?1.1

找不到Anaconda prompt终端的原因分析及解决方案

《找不到Anacondaprompt终端的原因分析及解决方案》因为anaconda还没有初始化,在安装anaconda的过程中,有一行是否要添加anaconda到菜单目录中,由于没有勾选,导致没有菜... 目录问题原因问http://www.chinasem.cn题解决安装了 Anaconda 却找不到 An

Spring定时任务只执行一次的原因分析与解决方案

《Spring定时任务只执行一次的原因分析与解决方案》在使用Spring的@Scheduled定时任务时,你是否遇到过任务只执行一次,后续不再触发的情况?这种情况可能由多种原因导致,如未启用调度、线程... 目录1. 问题背景2. Spring定时任务的基本用法3. 为什么定时任务只执行一次?3.1 未启用

C语言中的数据类型强制转换

《C语言中的数据类型强制转换》:本文主要介绍C语言中的数据类型强制转换方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录C语言数据类型强制转换自动转换强制转换类型总结C语言数据类型强制转换强制类型转换:是通过类型转换运算来实现的,主要的数据类型转换分为自动转换

利用Go语言开发文件操作工具轻松处理所有文件

《利用Go语言开发文件操作工具轻松处理所有文件》在后端开发中,文件操作是一个非常常见但又容易出错的场景,本文小编要向大家介绍一个强大的Go语言文件操作工具库,它能帮你轻松处理各种文件操作场景... 目录为什么需要这个工具?核心功能详解1. 文件/目录存javascript在性检查2. 批量创建目录3. 文件

C语言实现两个变量值交换的三种方式

《C语言实现两个变量值交换的三种方式》两个变量值的交换是编程中最常见的问题之一,以下将介绍三种变量的交换方式,其中第一种方式是最常用也是最实用的,后两种方式一般只在特殊限制下使用,需要的朋友可以参考下... 目录1.使用临时变量(推荐)2.相加和相减的方式(值较大时可能丢失数据)3.按位异或运算1.使用临时

使用C语言实现交换整数的奇数位和偶数位

《使用C语言实现交换整数的奇数位和偶数位》在C语言中,要交换一个整数的二进制位中的奇数位和偶数位,重点需要理解位操作,当我们谈论二进制位的奇数位和偶数位时,我们是指从右到左数的位置,本文给大家介绍了使... 目录一、问题描述二、解决思路三、函数实现四、宏实现五、总结一、问题描述使用C语言代码实现:将一个整

C++ 各种map特点对比分析

《C++各种map特点对比分析》文章比较了C++中不同类型的map(如std::map,std::unordered_map,std::multimap,std::unordered_multima... 目录特点比较C++ 示例代码 ​​​​​​代码解释特点比较1. std::map底层实现:基于红黑