基于R语言股票市场收益的统计可视化分析|附代码数据

Connor 币安交易所app下载 2023-05-08 122 0

全文链接：

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股票市场分析。

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股票市场分析。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。

在这篇文章中股票市场分析，我们将：

让我们先加载库股票市场分析。

library(tidyquant)library(timetk)

我们将获得Netflix价格的收盘价股票市场分析。

netflix <- tq_get("NFLX",

from = '2009-01-01',

to = "2018-03-01",

get = "stock.prices")

接下来，我们将绘制Netflix的调整后收盘价股票市场分析。

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()

基于R语言股票市场收益的统计可视化分析|附代码数据

展开全文

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股票市场分析。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

# 股票市场分析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() +

基于R语言股票市场收益的统计可视化分析|附代码数据

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％股票市场分析。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() +

基于R语言股票市场收益的统计可视化分析|附代码数据

接下来，我们可以绘制自2009年以来Netflix的月度收益率股票市场分析。我们使用条形图来绘制数据。

# 绘制Netflix的月度收益图表股票市场分析。使用条形图

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

geom_bar(stat = "identity") +

theme_classic() +

基于R语言股票市场收益的统计可视化分析|附代码数据

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股票市场分析。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() +

基于R语言股票市场收益的统计可视化分析|附代码数据

点击标题查阅往期内容

基于R语言股票市场收益的统计可视化分析|附代码数据

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

基于R语言股票市场收益的统计可视化分析|附代码数据

左右滑动查看更多

基于R语言股票市场收益的统计可视化分析|附代码数据

该图表显示了自2009年以来Netflix的累计收益股票市场分析。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() +

基于R语言股票市场收益的统计可视化分析|附代码数据

我们可以直观地看到，月收益表比日图表要平滑得多股票市场分析。

多只股票

下载多只股票的股票市场数据股票市场分析。

#将股票市场分析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

接下来股票市场分析，我们将绘制多只股票的价格图表

multpl_stocks %>% ggplot(aes(x = date, y = adjusted,

基于R语言股票市场收益的统计可视化分析|附代码数据

这不是我们预期的结果股票市场分析。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() +

基于R语言股票市场收益的统计可视化分析|附代码数据

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股票市场分析。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股票市场分析。

multpl_stock_daily_returns %>%

ggplot(aes(x = date, y = returns)) +

geom_line() +

geom_hline(yintercept = 0) +

基于R语言股票市场收益的统计可视化分析|附代码数据

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股票市场分析，而不是黑色

基于R语言股票市场收益的统计可视化分析|附代码数据

在FAANG股票中，苹果的波动最小，而Facebook和Netflix的波动最大股票市场分析。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股票市场分析。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"

基于R语言股票市场收益的统计可视化分析|附代码数据

毫不奇怪，Netflix自2013年以来获得了最高的收益股票市场分析。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股票市场分析，标准差

我们已经有了Netflix的每日和每月收益数据股票市场分析。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％股票市场分析。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股票市场分析。

netflix_monthly_returns %>%

mutate(year = rns, Standard_Deviation, keyistic)) +

geom_bar(stat = "identity", position = "dodge") +

scale_y_continuous(b ) +

theme_bw() +

基于R语言股票市场收益的统计可视化分析|附代码数据

我们可以看到，自2009年以来，每月收益和标准差波动很大股票市场分析。2011年，平均每月收益为-5％。

计算多只股票的均值股票市场分析，标准差

接下来，我们可以计算多只股票的均值和标准差股票市场分析。

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股票市场分析。

%>% 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股票市场分析。

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

基于R语言股票市场收益的统计可视化分析|附代码数据

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",

基于R语言股票市场收益的统计可视化分析|附代码数据

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股票市场分析。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