原文链接：http://tecdat.cn/?p=23808

原文出处：拓端数据部落公众号 

本文介绍如何根据历史信号/交易制作股票曲线。

让我们以MARKET TIMING与DECISION MOOSE的历史信号为例，为该策略创建股票曲线。 

1. #*****************************************************************

2. # 加载信号

3. #*****************************************************************

4. 


5. 


6. # 提取交易历史

7. temp = extract.table.from.webpage(txt, 'Transaction History', has.header = F)

8. temp = trim(temp[-1,2:5])

9. colnames(temp) = spl('id,date,name,equity')

10. 


12. tickers = toupper(trim(gsub('\\)','', sapply(temp[,'name'], spl, '\\('))))[2,]

13. 


14. 


15. load(file=filename)

16. 


17. 


18. #plota(make.xts(info$equity, info$date), type='l')

19. 


20. #*****************************************************************

21. # 加载历史数据

22. #*****************************************************************

23. tickers = unique(info$tickers)

24. 


25. # 加载保存的代理原始数据

26. load('data/data.proxy.raw.Rdata')

27. 


28. #  定义现金

29. tickers = gsub('3MOT','3MOT=BIL+TB3M', tickers)

30. 


31. #飞毛腿新亚洲基金（SAF），并入DWS新兴市场股票基金

32. tickers = gsub('SAF','SAF=SEKCX', tickers)

33. 


34. 


35. #添加虚拟股票，以保持交易日期，如果它们与数据不一致的话

36. dummy = make.stock.xts(make.xts(info$equity, info$date))

37. 


38. getSymbols.extra(tickers, src = 'yahoo', from = '1970-01-01', env = data, raw.data = data.proxy.raw, auto.assign = T)

39. 


40. # 可选择未被Adjusted捕获的分叉点

41. #data.clean(data, min.ratio=3)

43. for(i in ls(data)) data[[i]] = adjustOHLC(data[[i]], use.Adjusted=T)

44. 


45. #print(bt.start.dates(data))

46. 


47. data$dummy = dummy

48. 


49. 


50. 


51. 


52. #*****************************************************************

53. # 设置

54. #*****************************************************************

55. prices = data$prices

56. 


57. models = list()

58. 


59. #*****************************************************************

60. #代码策略，SPY - 买入和持有

61. #*****************************************************************

62. data$weight[] = NA

63. data$weight$SPY = 1

64. models$SPY = bt.run.share(data, clean.signal=T, silent=T)

66. #*****************************************************************

67. # 创建权重

68. #*****************************************************************

69. weight = NA * prices

71. for(t in 1:nrow(info)) {

72. weight[info$date[t],] = 0

73. weight[info$date[t], info$ticker[t]] = 1

74. }

79. #*****************************************************************

80. #创建报告

81. #******************************************************************

82. plota.matplot(scale.one(data$prices),main='Asset Perfromance')

plot(models, plotX = T)

print(plotbt))

1. m = 'decisionmoose'

2. plotbmap(models[[m]]$weight, name=m)

最受欢迎的见解

1.R语言对S＆P500股票指数进行ARIMA + GARCH交易策略

2.R语言改进的股票配对交易策略分析SPY—TLT组合和中国股市投资组合

3.R语言时间序列：ARIMA GARCH模型的交易策略在外汇市场预测应用

4.TMA三均线期指高频交易策略的R语言实现

5.r语言多均线量化策略回测比较

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