原文链接：http://tecdat.cn/?p=17835
最近我们被客户要求撰写关于股市可视化的研究报告，包括一些图形和统计输出。
本文在股市可视化中可视化相关矩阵 ：最小生成树
在本文示例中，我将使用日数据和1分钟数据来可视化股票数据 。
我发现以下概念定义非常有用：
- 连通图：在无向图中，若任意两个顶点vivi与vjvj都有路径相通，则称该无向图为连通图。
- 强连通图：在有向图中，若任意两个顶点vivi与vjvj都有路径相通，则称该有向图为强连通图。
- 连通网：在连通图中，若图的边具有一定的意义，每一条边都对应着一个数，称为权；权代表着连接连个顶点的代价，称这种连通图叫做连通网。
- 生成树：一个连通图的生成树是指一个连通子图，它含有图中全部n个顶点，但只有足以构成一棵树的n-1条边。一颗有n个顶点的生成树有且仅有n-1条边，如果生成树中再添加一条边，则必定成环。
- 最小生成树：在连通网的所有生成树中，所有边的代价和最小的生成树，称为最小生成树。
#*****************************************************************
# 加载历史数据
#*****************************************************************
getSymbols(tickers, src = 'yahoo', from = '1970-01-01', env = data, auto.assign =
for(i in ls(data)) data[[i]] = adjustOHLC(data[[i]
# 删除历史数据很少的样本
remove.min.history(data)
# 显示已删除的
print(setdiff(tickers,names(data$prices)))
#*****************************************************************
# 可视化关联矩阵
#*****************************************************************
prices = data$prices
ret = diff(log(prices))
ret = last(ret, 252)
plt(ret, 0.5)点击标题查阅往期内容
【视频】量化交易陷阱和R语言改进股票配对交易策略分析中国股市投资组合
左右滑动查看更多
01
02
03
04
接下来，让我们获取1分钟的收盘价数据，并基于最近5天可视化相关性：
#*****************************************************************
# 加载历史数据
#*****************************************************************
if(!file.exists(filename)) {
data1[[ticker]] = getSymbol.intraday.google(ticker,
#*****************************************************************
# 可视化关联矩阵
#*****************************************************************
print(join(c(
,format(range(index(ret)), '%d-%b-%Y %H-%M')), ' '))
plot.cor(ret, 0.5)
辅助函数：
#*****************************************************************
#函数创建相关矩阵
#*****************************************************************
clncor = function(ret, threshold = 0.5) {
cor(coredata(ret), use='complete.obs',method='pearson')
cor_mat[ abs(cor_mat) < threshold] = 0
#*****************************************************************
# 绘制最小生成树
#*****************************************************************
plco = function(ho = 0.5) {
cor_mat = clean.cor(ret, threshold
点击文末 “阅读原文”
获取全文完整代码数据资料。
本文选自《R语言股市可视化相关矩阵：最小生成树》。
点击标题查阅往期内容
【视频】Copula算法原理和R语言股市收益率相依性可视化分析
R语言时间序列GARCH模型分析股市波动率
【视频】量化交易陷阱和R语言改进股票配对交易策略分析中国股市投资组合
使用R语言对S＆P500股票指数进行ARIMA + GARCH交易策略
R语言量化交易RSI策略：使用支持向量机SVM
R语言资产配置: 季度战术资产配置策略研究
R语言动量交易策略分析调整后的数据
TMA三均线股票期货高频交易策略的R语言实现
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
R语言基于Garch波动率预测的区制转移交易策略
r语言多均线股票价格量化策略回测
使用R语言对S＆P500股票指数进行ARIMA + GARCH交易策略
Python基于粒子群优化的投资组合优化研究
R语言Fama-French三因子模型实际应用：优化投资组合
R语言动量和马科维茨Markowitz投资组合(Portfolio)模型实现
Python计算股票投资组合的风险价值（VaR）
R语言Markowitz马克维茨投资组合理论分析和可视化
R语言中的广义线性模型（GLM）和广义相加模型（GAM）：多元（平滑）回归分PYTHON用RNN神经网络LSTM优化EMD经验模态分解交易策略分析股票价格MACD
R语言深度学习：用keras神经网络回归模型预测时间序列数据
【视频】CNN（卷积神经网络）模型以及R语言实现回归数据分析
Python TensorFlow循环神经网络RNN-LSTM神经网络预测股票市场价格时间序列和MSE评估准确性
数据分享|PYTHON用KERAS的LSTM神经网络进行时间序列预测天然气价格例子
Python对商店数据进行lstm和xgboost销售量时间序列建模预测分析
Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类
RNN循环神经网络 、LSTM长短期记忆网络实现时间序列长期利率预测
结合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络时间序列分析
深度学习：Keras使用神经网络进行简单文本分类分析新闻组数据
用PyTorch机器学习神经网络分类预测银行客户流失模型
PYTHON用LSTM长短期记忆神经网络的参数优化方法预测时间序列洗发水销售数据
Python用Keras神经网络序列模型回归拟合预测、准确度检查和结果可视化
Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析
R语言中的神经网络预测时间序列：多层感知器（MLP）和极限学习机（ELM）数据分析报告
R语言深度学习：用keras神经网络回归模型预测时间序列数据
Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类
R语言KERAS深度学习CNN卷积神经网络分类识别手写数字图像数据（MNIST）
MATLAB中用BP神经网络预测人体脂肪百分比数据
Python中用PyTorch机器学习神经网络分类预测银行客户流失模型
R语言实现CNN（卷积神经网络）模型进行回归数据分析
SAS使用鸢尾花(iris)数据集训练人工神经网络(ANN)模型
【视频】R语言实现CNN（卷积神经网络）模型进行回归数据分析
Python使用神经网络进行简单文本分类
R语言用神经网络改进Nelson-Siegel模型拟合收益率曲线分析
R语言基于递归神经网络RNN的温度时间序列预测
R语言神经网络模型预测车辆数量时间序列
R语言中的BP神经网络模型分析学生成绩
matlab使用长短期记忆（LSTM）神经网络对序列数据进行分类
R语言实现拟合神经网络预测和结果可视化
用R语言实现神经网络预测股票实例
使用PYTHON中KERAS的LSTM递归神经网络进行时间序列预测
python用于NLP的seq2seq模型实例:用Keras实现神经网络机器翻译
用于NLP的Python：使用Keras的多标签文本LSTM神经网络分类