首页 > 其他分享 >基于R语言股票市场收益的统计可视化分析|附代码数据

基于R语言股票市场收益的统计可视化分析|附代码数据

时间：2023-07-21 12:22:31浏览次数：39  
标签：计算 ## 代码 returns 可视化 GARCH 股票市场 收益 sd

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：

  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。

  
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()

图片

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() +

图片

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() +

图片

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() +

图片

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() +

图片

点击标题查阅往期内容

图片

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

图片

左右滑动查看更多

图片

01

图片

02

图片

03

图片

04

图片

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() +

图片

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,

图片

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() +

图片

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) +

图片

  
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

图片

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"

图片

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() +

图片

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  0.0300
  
group_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

图片

  
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",

图片

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()

图片

图片

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

标签：计算,##,代码,returns,可视化,GARCH,股票市场,收益,sd
From： https://www.cnblogs.com/tecdat/p/17570970.html

相关文章

  • PHP代码练习Demo02
    <!DOCTYPEhtml><html><body><?phpecho"<h2>PHPisfun!</h2>";echo"helloworld"; echo"I'mabouttolearnPHP!<br>";echo"This","string","was&qu......
  • WINUI 后台代码绑定
    以image为例 前端进行绑定时哪下，注意下述代码中用的是x:Bind,用它进行绑定时需要标明其绑定ViewModel的key值；用Bingding时则不需要。<Imagex:Name="CTCoronalCImage"Width="1010"Height="442"HorizontalAlignment="Stretch"VerticalAlignm......
  • vscode python代码提示
    VSCodePython代码提示简介VSCode（VisualStudioCode）是一款轻量级的代码编辑器，具有丰富的扩展功能。通过安装Python扩展，可以在VSCode中进行Python开发，并享受强大的代码提示功能。本文将介绍如何在VSCode中使用Python代码提示。安装Python插件在开始使用Python代码提示之前，......
  • Ui2Code+ChatGPT助力低代码搭建
    前言低代码开发平台（LCDP），是低代码或无代码通过快速搭建配置的方式完成一个应用程序的开发与上线，可视化低代码就是可视化的DSL，它的优点更多的是来源可视化，相对的，它的局限性也还是来源于可视化，复杂的业务逻辑用低代码可能会更加复杂。低代码应该是特定领域问题的简化和抽象，如果只是......
  • python可视化库seaborn
    1，它也是一个可视化库，对matplotlib进行了二次封装。比起pyplot它的接口更加集成，对numpy\pandas支持良好。可以设置图片风格style。seaborn与matplotlib的关系是互为补充而非替代：多数场合中seaborn是绘图首选，而在某些特定场景下则仍需用matplotlib进行更为细致的个性化定制。2，sns的风......
  • css旋转木马代码示例
    <!DOCTYPEhtml><htmllang="en"><head><metacharset="UTF-8"><title>Title</title><style>/*透视*/body{perspective:1000px;}.box{......
  • 【STM32】使用STM32提供的DSP库进行FFT（附详细代码）
    最近，因为项目需要在STM32F103系列处理器上，对采集的音频信号进行FFT运算，然而STM32F103毕竟不是STM32F4系列的处理器，对于一般的FFT运算程序还是比较缓慢的。幸亏官方提供了针对FFT的官方库，但是去官网找了半天居然找不到那个库的下载，好像官方早就把那个库下架了，估计是为了给带D......
  • 三方系统多渠道多场景的思考及代码分享
    一背景我们的业务中，经常会遇到多渠道+多场景的的需求。多渠道我们可以理解为，多个服务商同时为我们某一个功能提供服务，多场景就是同一个服务商下面的多种服务，我们通过几个例子来具体看下：我们有个电商平台，系统在付款时候弹出选项，让用户自主选择支付宝/微信/京东白条等支付，那么这......
  • 对这段代码class OrderView(GenericViewSet): serializer_class = PaySerializer
    classOrderView(GenericViewSet):serializer_class=PaySerializerqueryset=Order.objects.all()OrderView继承自GenericViewSet类，GenericViewSet是DRF提供的一个通用的视图集类，它集成了常见的CRUD（创建、检索、更新、删除）操作以及其他常用操作。serial......
  • 手动实现java分页的代码
    手动实现Java分页的代码分页是在Web开发中常见的需求之一，它可以将大量数据分割成多个页面进行显示，提高用户体验和系统性能。在Java中，我们可以通过手动实现分页来实现这一功能。本文将介绍如何使用Java代码手动实现分页功能，并提供代码示例。第一步：获取数据总数在进行分页之前，我们......

赞助商

阅读排行

网站主页关于我们联系我们网站地图

本网站内容转载自其他媒体，侵权联系[admin##ips99.com]。

Copyright © 2020-2023 IPS99 版权所有 IPS99