利用R語言中的quantmod包和fBasics對股票數據的獲取和簡要的分析，
通過獲取的數據進行典型圖像繪制，使用JB正態性檢驗來檢驗是否服從於正態分布。
前提概要：
quantmod 包默認是訪問 yahoo finance 的數據，其中包括上證和深證的股票數據，還有港股數據。
上證代碼是 ss，深證代碼是 sz，港股代碼是 hk
比如茅台：6000519.ss，萬科 000002.sz，長江實業 0001.hk
在R的控制台里使用如下命令：
> library(quantmod)
> setSymbolLookup(WK=list(name="000002.sz",src="yahoo"))
> getSymbols("WK")
[1] "WK"
> chartSeries(WK)
head(WK)#查看頭部數據
tail(WK)#查看尾部數據
dim(WK)#查看數據的規模
實例：利用公司BSOFT的股票數據分析
> install.packages("quantmod",destdir = "D:/soft/R/R_download")#載入quantmod包
> library(quantmod)
> library(zoo)
> library(xts)
> library(TTR)
> setSymbolLookup(BSOFT=list(name="300451.sz",src="yahoo"))#查詢某股票數據
> getSymbols("BSOFT")
[1] "BSOFT"
> chartSeries(BSOFT)
> View(BSOFT)
> tail(BSOFT,10)
> dim(BSOFT)
> getSymbols("BSOFT",from="2019-01-01",to="2019-07-01")#獲取1-7月份的股票數據
> chartSeries(BSOFT)
#計算股票收益率通常需要用到 log(求對數) diff（求差分） 函數
> BSOFT.Profit= diff(log(BSOFT$`300451.SZ.Adjusted`))
> chartSeries(BSOFT.Profit,theme = "white") #時序圖（K線）
#股票收益率的密度函數圖
> install.packages("fBasics")
> install.packages("fBasics",destdir = "D:/soft/R/R_download")
> library(fBasics)
> library(timeDate)
> library(timeSeries)
#由於 BSOFT.Profit 是通過一階差分得來的數據， 在第一行有一個空值（NA），需要先刪除掉第一行才能繼續畫圖。
> BSOFT.Pro=na.omit(BSOFT.Profit)
> de=density(BSOFT.Pro) #獲取密度函數
> range(BSOFT.Pro) #查看數據的取值范圍，相當於 c(min(x),max(x))
[1] -0.11568179 0.06698923
> x=seq(-.12,.07,.001) #生成一個下界是 -0.12，上界是 .07，時間間隔是 0.001 的數據，取值范圍主要由 range 的結果決定
> plot(de$x,de$y,xlab="x",ylab="density",type="l") #畫密度函數圖
> ys=dnorm(x,mean(BSOFT.Pro),stdev(BSOFT.Pro)) #新建一個與 BSOFT.Pro 均值和標准差一致的正態分布函數
> lines(x,ys,lty=2) #在密度函數圖上增加正態分布曲線（圖中虛線）
結論：可以看到某公司股票數據的密度函數有明顯的高峰厚尾現象，
與正態分布有明顯的差別，因此用JB檢驗來檢驗SINA股票是否符合正態分布的假設。
---正態性檢驗----
（1）股票收益率的基本統計量
> basicStats(BSOFT.Pro)
X300451.SZ.Adjusted
nobs 114.000000
NAs 0.000000
Minimum -0.115682
Maximum 0.066989
1. Quartile -0.016940
3. Quartile 0.017947
Mean 0.001556
Median 0.000541
Sum 0.177419
SE Mean 0.002750
LCL Mean -0.003891
UCL Mean 0.007004
Variance 0.000862
Stdev 0.029357
Skewness -0.356699
Kurtosis 1.350244
mean=0.001556,接近於0，也就是說新浪股票收益率具有比較明顯的向0集中的趨勢。
Variance=0.000862，接近於0，也就是說新浪股票收益率的離散程度較小，不分散。
Skewness=0.166731, 明顯不等於0，也就是說新浪股票收益率是非對稱分布的。
Kurtosis=1.350244，
（2）股票收益率的正態性檢驗
> normalTest(BSOFT.Pro,method = "jb")
Title:
Jarque - Bera Normalality Test
Test Results:
STATISTIC:
X-squared: 12.1626
P VALUE:
Asymptotic p Value: 0.002285
檢驗統計量 JB=12.1626，p<0.002285<0.05，
也就是說在5%的顯著性水平上拒絕該公司股票收益率服
從正態分布函數的原假設，即改公司股票收益率不服從正態分布。
結合 ：
R 語言的 quantmod 和 fBasics 軟件包下載股票數據，實現數據的可視化，包括直觀的 K 線圖、收益率的時序圖，以及密度函數圖，最終從圖形、統計結果以及 JB 檢驗三個方面來證明了該股票收益數據程非正態分布。
從數據獲取，包的選用和圖像繪制，實踐中想通過列表來批量獲取所有數據失敗了，所以做了單股票的分析，面對批量獲取數據還需要進一步來實踐，檢驗方法的話借用現成的分析方法，在統計學和金融知識方面還有很大的欠缺。