拓端tecdat|基於R語言股票市場收益的統計可視化分析

原文鏈接：http://tecdat.cn/?p=16453 

金融市場上最重要的任務之一就是分析各種投資的歷史收益。要執行此分析，我們需要資產的歷史數據。數據提供者很多，有些是免費的，大多數是付費的。在本文中，我們將使用Yahoo金融網站上的數據。

在這篇文章中，我們將：

1. 下載收盤價
2. 計算收益率
3. 計算收益的均值和標准差

讓我們先加載庫。

1.  
   library(tidyquant)
2.  
   library(timetk)

我們將獲得Netflix價格的收盤價。

1.  
   netflix <- tq_get("NFLX",
2.  
   from = '2009-01-01',
3.  
   to = "2018-03-01",
4.  
   get = "stock.prices")

接下來，我們將繪制Netflix的調整后收盤價。

1.  
   netflix %>%
2.  
   ggplot(aes(x = date, y = adjusted)) +
3.  
   geom_line() +
4.  
   ggtitle("Netflix since 2009") +
5.  
   labs(x = "Date", "Price") +
6.  
   scale_x_date(date_breaks = "years", date_labels = "%Y") +
7.  
   labs(x = "Date", y = "Adjusted Price") +
8.  
   theme_bw()

 

計算單個股票的每日和每月收益率

一旦我們從Yahoo Finance下載了收盤價，下一步便是計算收益。我們將再次使用tidyquant包進行計算。我們已經在上面下載了Netflix的價格數據，如果您還沒有下載，請參見上面的部分。

1.  
   # 計算每日收益
2.  
    
3.  
   netflix_daily_returns <- netflix %>%
4.  
   tq_transmute(select = adjusted, 這指定要選擇的列
5.  
   mutate_fun = periodReturn, # 這指定如何處理該列
6.  
   period = "daily", # 此參數計算每日收益
7.  
   col_rename = "nflx_returns") # 重命名列
8.  
    
9.  
   #計算每月收益
10.  
    netflix_monthly_returns <- netflix %>%
11.  
    tq_transmute(select = adjusted,
12.  
    mutate_fun = periodReturn,
13.  
    period = "monthly", # 此參數計算每月收益
14.  
    col_rename = "nflx_returns")

繪制Netflix的每日和每月收益圖表

1.  
   # 我們將使用折線圖獲取每日收益
2.  
    
3.  
    
4.  
   ggplot(aes(x = date, y = nflx_returns)) +
5.  
   geom_line() +
6.  
   theme_classic() +

查看Netflix的每日收益圖表后，我們可以得出結論，收益波動很大，並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。

1.  
   netflix_daily_returns %>%
2.  
   ggplot(aes(x = nflx_returns)) +
3.  
   geom_histogram(binwidth = 0.015) +
4.  
   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數據。

1.  
   # 繪制Netflix的月度收益圖表。 使用條形圖
2.  
    
3.  
    
4.  
   ggplot(aes(x = date, y = nflx_returns)) +
5.  
   geom_bar(stat = "identity") +
6.  
   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，我們將使用  cumprod（）  函數。

1.  
    
2.  
   mutate(cr = cumprod(1 + nflx_returns)) %>% # 使用cumprod函數

1.  
    
2.  
   ggplot(aes(x = date, y = cumulative_returns)) +
3.  
   geom_line() +
4.  
   theme_classic() +

該圖表顯示了自2009年以來Netflix的累計收益。有了事后分析的力量， 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年左右的時間里，在Qwickster慘敗期間投資損失了其價值的50％。在這段時期內，很少有投資者能夠堅持投資。

1.  
   ggplot(aes(x = date, y = cumulative_returns)) +
2.  
   geom_line() +
3.  
   theme_classic() +

我們可以直觀地看到，月收益表比日圖表要平滑得多。

多只股票

下載多只股票的股票市場數據。

1.  
   #將我們的股票代碼設置為變量
2.  
    
3.  
   tickers <- c("FB", "AMZN", "AAPL", "NFLX", "GOOG")
4.  
    
5.  
   # 下載股價數據
6.  
    
7.  
   multpl_stocks <- tq_get(tickers,

繪制多只股票的股價圖

接下來，我們將繪制多只股票的價格圖表

1.  
   multpl_stocks %>%
2.  
   ggplot(aes(x = date, y = adjusted,

 

這不是我們預期的結果。由於這些股票具有巨大的價格差異（FB低於165，AMZN高於1950），因此它們的規模不同。我們可以通過按各自的y比例繪制股票來克服此問題。

1.  
    
2.  
   facet_wrap(~symbol, scales = "free_y") + # facet_wrap用於制作不同的頁面
3.  
   theme_classic() +

計算多只股票的收益

計算多只股票的收益與單只股票一樣容易。這里只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。

1.  
   #計算多只股票的每日收益
2.  
    
3.  
   tq_transmute(select = adjusted,
4.  
   mutate_fun = periodReturn,
5.  
   period = 'daily',
6.  
   col_rename = 'returns')
7.  
    
8.  
   #計算多只股票的月收益
9.  
    
10.  
     
11.  
    tq_transmute(select = adjusted,
12.  
    mutate_fun = periodReturn,
13.  
    period = 'monthly',
14.  
    col_rename = 'returns')

繪制多只股票的收益圖表

一旦有了收益計算，就可以在圖表上繪制收益。

1.  
   multpl_stock_daily_returns %>%
2.  
   ggplot(aes(x = date, y = returns)) +
3.  
   geom_line() +
4.  
   geom_hline(yintercept = 0) +

 

1.  
   multpl_stock_monthly_returns %>%
2.  
   ggplot(aes(x = date, y = return
3.  
   scale_fill_brewer(palette = "Set1", # 我們會給他們不同的顏色，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。對於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。它的產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，但它們處於高增長階段，任何問題（收益或用戶增長下降）都可能對股票產生重大影響。

計算多只股票的累計收益

通常，我們希望看到過去哪種投資產生了最佳效果。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？

1.  
   multpl_stock_monthly_returns %>%
2.  
   mutate(returns e_returns = cr - 1) %>%
3.  
   ggplot(aes(x = date, y = cumulative_returns, color = symbol)) +
4.  
   geom_line() +
5.  
   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。

統計數據

計算單個股票的均值，標准差

我們已經有了Netflix的每日和每月收益數據。現在我們將計算收益的每日和每月平均數和標准差。 為此，我們將使用  mean（）  和  sd（）函數。

1.  
   # 計算平均值
2.  
    
3.  
   .[[1]] %>%
4.  
   mean(na.rm = TRUE)
5.  
    
6.  
   nflx_monthly_mean_ret <- netfl turns) %>%
7.  
   .[[1]] %>%
8.  
   mean(na.rm = TRUE)
9.  
    
10.  
    # 計算標准差
11.  
     
12.  
    nflx_daily_sd_ret <- netflirns) %>%
13.  
    .[[1]] %>%
14.  
    sd()
15.  
     
16.  
    nflx_monthly_sd_ret <- netflix_rns) %>%
17.  
    .[[1]] %>%
18.  
    sd()
19.  
    nflx_stat

1.  
   ## # A tibble: 2 x 3
2.  
   ## period mean sd
3.  
   ## <chr> <dbl> <dbl>
4.  
   ## 1 Daily 0.00240 0.0337
5.  
   ## 2 Monthly 0.0535 0.176

我們可以看到Netflix的平均每日收益為0.2％，標准差為3.3％。它的月平均回報率是5.2％和17％標准差。該數據是自2009年以來的整個時期。如果我們要計算每年的均值和標准差，該怎么辦。我們可以通過按年份對Netflix收益數據進行分組並執行計算來進行計算。

1.  
   netflix %>%
2.  
   summarise(Monthly_Mean_Returns = mean(nflx_returns),
3.  
   MOnthly_Standard_Deviation = sd(nflx_returns)

1.  
   ## # A tibble: 10 x 3
2.  
   ## year Monthly_Mean_Returns MOnthly_Standard_Deviation
3.  
   ## <dbl> <dbl> <dbl>
4.  
   ## 1 2009 0.0566 0.0987
5.  
   ## 2 2010 0.110 0.142
6.  
   ## 3 2011 -0.0492 0.209
7.  
   ## 4 2012 0.0562 0.289
8.  
   ## 5 2013 0.137 0.216
9.  
   ## 6 2014 0.00248 0.140
10.  
    ## 7 2015 0.0827 0.148
11.  
    ## 8 2016 0.0138 0.126
12.  
    ## 9 2017 0.0401 0.0815
13.  
    ## 10 2018 0.243 0.233

我們還可以繪制結果更好地理解。

1.  
   netflix_monthly_returns %>%
2.  
   mutate(year = rns, Standard_Deviation, keyistic)) +
3.  
   geom_bar(stat = "identity", position = "dodge") +
4.  
   scale_y_continuous(b ) +
5.  
   theme_bw() +

 

我們可以看到，自2009年以來，每月收益和標准差波動很大。2011年，平均每月收益為-5％。

計算多只股票的均值，標准差

接下來，我們可以計算多只股票的均值和標准差。

1.  
    
2.  
   group_by(symbol) %>%
3.  
   summarise(mean = mean(returns),
4.  
   sd = sd(returns))

1.  
   ## # A tibble: 5 x 3
2.  
   ## symbol mean sd
3.  
   ## <chr> <dbl> <dbl>
4.  
   ## 1 AAPL 0.00100 0.0153
5.  
   ## 2 AMZN 0.00153 0.0183
6.  
   ## 3 FB 0.00162 0.0202
7.  
   ## 4 GOOG 0.000962 0.0141
8.  
   ## 5 NFLX 0.00282 0.0300

1.  
   group_by(symbol) %>%
2.  
   summarise(mean = mean(returns),
3.  
   sd = sd(returns))

1.  
   ## # A tibble: 5 x 3
2.  
   ## symbol mean sd
3.  
   ## <chr> <dbl> <dbl>
4.  
   ## 1 AAPL 0.0213 0.0725
5.  
   ## 2 AMZN 0.0320 0.0800
6.  
   ## 3 FB 0.0339 0.0900
7.  
   ## 4 GOOG 0.0198 0.0568
8.  
   ## 5 NFLX 0.0614 0.157

計算收益的年均值和標准差。

1.  
   %>%
2.  
   group_by(symbol, year) %>%
3.  
   summarise(mean = mean(returns),
4.  
   sd = sd(returns))

1.  
   ## # A tibble: 30 x 4
2.  
   ## # Groups: symbol [?]
3.  
   ## symbol year mean sd
4.  
   ## <chr> <dbl> <dbl> <dbl>
5.  
   ## 1 AAPL 2013 0.0210 0.0954
6.  
   ## 2 AAPL 2014 0.0373 0.0723
7.  
   ## 3 AAPL 2015 -0.000736 0.0629
8.  
   ## 4 AAPL 2016 0.0125 0.0752
9.  
   ## 5 AAPL 2017 0.0352 0.0616
10.  
    ## 6 AAPL 2018 0.0288 0.0557
11.  
    ## 7 AMZN 2013 0.0391 0.0660
12.  
    ## 8 AMZN 2014 -0.0184 0.0706
13.  
    ## 9 AMZN 2015 0.0706 0.0931
14.  
    ## 10 AMZN 2016 0.0114 0.0761
15.  
    ## # ... with 20 more rows

我們還可以繪制此統計數據。

1.  
   multpl_stock_monthly_returns %>%
2.  
   mutate(year = year(date)) %>%
3.  
   group_by(symbol, yea s = seq(-0.1,0.4,0.02),
4.  
   labels = scales::percent) +
5.  
   scale_x_continuous(breaks = seq(2009,2018,1)) +
6.  
   labs(x = "Year", y = Stocks") +
7.  
   ggtitle

 

1.  
   multpl_stock_monthly_returns %>%
2.  
   mutate(year = year(date)) %>%
3.  
   ggplot(aes(x = year, y = sd, fill = symbol)) +
4.  
   geom_bar(stat = "identity", position = "dodge", width = 0.7) +
5.  
   scale_y_continuous(breaks = seq(-0.1,0.4,0.02),
6.  
   labels = scales::p
7.  
   scale_fill_brewer(palette = "Set1",

 

計算多只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。為了計算這些統計數據，我們需要修改數據。我們將其轉換為xts對象。

協方差表

1.  
   #計算協方差
2.  
    
3.  
   tk_xts(silent = TRUE) %>%
4.  
   cov()

1.  
   ## AAPL AMZN FB GOOG NFLX
2.  
   ## AAPL 5.254736e-03 0.001488462 0.000699818 0.0007420307 -1.528193e-05
3.  
   ## AMZN 1.488462e-03 0.006399439 0.001418561 0.0028531565 4.754894e-03
4.  
   ## FB 6.998180e-04 0.001418561 0.008091594 0.0013566480 3.458228e-03
5.  
   ## GOOG 7.420307e-04 0.002853157 0.001356648 0.0032287790 3.529245e-03
6.  
   ## NFLX -1.528193e-05 0.004754894 0.003458228 0.0035292451 2.464202e-02

相關表

1.  
   # 計算相關系數
2.  
    
3.  
   %>%
4.  
   tk_xts(silent = TRUE) %>%
5.  
   cor()

1.  
   ## AAPL AMZN FB GOOG NFLX
2.  
   ## AAPL 1.000000000 0.2566795 0.1073230 0.1801471 -0.001342964
3.  
   ## AMZN 0.256679539 1.0000000 0.1971334 0.6276759 0.378644485
4.  
   ## FB 0.107322952 0.1971334 1.0000000 0.2654184 0.244905437
5.  
   ## GOOG 0.180147089 0.6276759 0.2654184 1.0000000 0.395662114
6.  
   ## 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

1.  
    
2.  
   cor() %>%
3.  
   corrplot()

---

最受歡迎的見解

1.用機器學習識別不斷變化的股市狀況—隱馬爾科夫模型(HMM)的應用

2.R語言GARCH-DCC模型和DCC（MVT）建模估計

3.R語言實現 Copula 算法建模依賴性案例分析報告

4.R語言COPULAS和金融時間序列數據VaR分析

5.R語言多元COPULA GARCH 模型時間序列預測

6.用R語言實現神經網絡預測股票實例

7.r語言預測波動率的實現：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