欢迎光临散文网 会员登陆 & 注册

基于R语言股票市场收益的统计可视化分析

2021-06-02 17:27 作者:拓端tecdat  | 我要投稿

原文链接：http://tecdat.cn/?p=16453 

原文出处：拓端数据部落公众号

 

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。

  1. library(tidyquant)

  2. library(timetk)

我们将获得Netflix价格的收盘价。

  1. netflix <- tq_get("NFLX",

  2. from = '2009-01-01',

  3. to = "2018-03-01",

  4. get = "stock.prices")

接下来，我们将绘制Netflix的调整后收盘价。

  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()

 

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。

  1. # 计算每日收益


  3. netflix_daily_returns <- netflix %>%

  4. tq_transmute(select = adjusted,          这指定要选择的列

  5. mutate_fun = periodReturn,   # 这指定如何处理该列

  6. period = "daily",      # 此参数计算每日收益

  7. col_rename = "nflx_returns") # 重命名列


  9. #计算每月收益

  10. netflix_monthly_returns <- netflix %>%

  11. tq_transmute(select = adjusted,

  12. mutate_fun = periodReturn,

  13. period = "monthly",      # 此参数计算每月收益

  14. col_rename = "nflx_returns")

绘制Netflix的每日和每月收益图表

  1. # 我们将使用折线图获取每日收益



  4. ggplot(aes(x = date, y = nflx_returns)) +

  5. geom_line() +

  6. 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。

  1. netflix_daily_returns %>%

  2. ggplot(aes(x = nflx_returns)) +

  3. geom_histogram(binwidth = 0.015) +

  4. 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。

  1. # 绘制Netflix的月度收益图表。 使用条形图



  4. ggplot(aes(x = date, y = nflx_returns)) +

  5. geom_bar(stat = "identity") +

  6. 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。


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


  2. ggplot(aes(x = date, y = cumulative_returns)) +

  3. geom_line() +

  4. 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。

  1. ggplot(aes(x = date, y = cumulative_returns)) +

  2. geom_line() +

  3. 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。

  1. #将我们的股票代码设置为变量


  3. tickers <- c("FB", "AMZN", "AAPL", "NFLX", "GOOG")


  5. # 下载股价数据


  7. 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

  1. multpl_stocks %>%

  2. 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。


  2. facet_wrap(~symbol, scales = "free_y") +  # facet_wrap用于制作不同的页面

  3. 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。

  1. #计算多只股票的每日收益


  3. tq_transmute(select = adjusted,

  4. mutate_fun = periodReturn,

  5. period = 'daily',

  6. col_rename = 'returns')


  8. #计算多只股票的月收益



  11. tq_transmute(select = adjusted,

  12. mutate_fun = periodReturn,

  13. period = 'monthly',

  14. 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。

  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？

  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。

  1. # 计算平均值


  3. .[[1]] %>%

  4. mean(na.rm = TRUE)


  6. nflx_monthly_mean_ret <- netfl turns) %>%

  7. .[[1]] %>%

  8. mean(na.rm = TRUE)


  10. # 计算标准差


  12. nflx_daily_sd_ret <- netflirns) %>%

  13. .[[1]] %>%

  14. sd()


  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。

  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

我们还可以绘制结果更好地理解。

  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。


  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

计算收益的年均值和标准差。

  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

我们还可以绘制此统计数据。

  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",

 

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

  1. #计算协方差


  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

相关表

  1. # 计算相关系数


  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

 

我们可以使用corrplot() 包来绘制相关矩阵图。

## corrplot 0.84 loaded


  2. cor() %>%

  3. 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


标签：

基于R语言股票市场收益的统计可视化分析的评论 (共 条)

分享到微博请遵守国家法律