基于R语言股票市场收益的统计可视化分析|附代码数据
原创基于R语言股票市场收益的统计可视化分析|附代码数据
原创
全文链接：http://tecdat.cn/?p=16453?
最近我们被客户要求撰写关于股票市场的研究报告，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：
- 下载收盘价
- 计算收益率
- 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()?+
点击标题查阅往期内容
R语言ARMA GARCH COPULA模型拟合股票收益率时间序列和模拟可视化
左右滑动查看更多
01
02
03
04
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??0.0300group_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()
点击文末 “阅读原文”
获取全文完整资料。
本文选自《基于R语言股票市场收益的统计可视化分析》。
点击标题查阅往期内容
ARMA-GARCH-COPULA模型和金融时间序列案例 时间序列分析：ARIMA GARCH模型分析股票价格数据 GJR-GARCH和GARCH波动率预测普尔指数时间序列和Mincer Zarnowitz回归、DM检验、JB检验 【视频】时间序列分析：ARIMA-ARCH / GARCH模型分析股票价格 时间序列GARCH模型分析股市波动率 PYTHON用GARCH、离散随机波动率模型DSV模拟估计股票收益时间序列与蒙特卡洛可视化 极值理论 EVT、POT超阈值、GARCH 模型分析股票指数VaR、条件CVaR：多元化投资组合预测风险测度分析 Garch波动率预测的区制转移交易策略 金融时间序列模型ARIMA 和GARCH 在股票市场预测应用 时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格 R语言风险价值：ARIMA，GARCH，Delta-normal法滚动估计VaR（Value at Risk）和回测分析股票数据 R语言GARCH建模常用软件包比较、拟合标准普尔SP 500指数波动率时间序列和预测可视化 Python金融时间序列模型ARIMA 和GARCH 在股票市场预测应用 MATLAB用GARCH模型对股票市场收益率时间序列波动的拟合与预测R语言GARCH-DCC模型和DCC（MVT）建模估计 Python 用ARIMA、GARCH模型预测分析股票市场收益率时间序列 R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格 R语言ARIMA-GARCH波动率模型预测股票市场苹果公司日收益率时间序列 Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模拟进行股价预测 R语言时间序列GARCH模型分析股市波动率 R语言ARMA-EGARCH模型、集成预测算法对SPX实际波动率进行预测 matlab实现MCMC的马尔可夫转换ARMA - GARCH模型估计 Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模拟进行股价预测 使用R语言对S＆P500股票指数进行ARIMA + GARCH交易策略 R语言用多元ARMA,GARCH ,EWMA, ETS,随机波动率SV模型对金融时间序列数据建模 R语言股票市场指数：ARMA-GARCH模型和对数收益率数据探索性分析 R语言多元Copula GARCH 模型时间序列预测 R语言使用多元AR-GARCH模型衡量市场风险 R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格 R语言用Garch模型和回归模型对股票价格分析 GARCH（1,1），MA以及历史模拟法的VaR比较 matlab估计arma garch 条件均值和方差模型R语言POT超阈值模型和极值理论EVT分析
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。