【金融统计】

数据获取并计算收益

检索股票数据的一种方法是可以使用quantmod包中的getSymbols命令。这种方式下主要受到网络条件的影响，偶尔也可能不能成功获取。

#设置浏览目录
setwd("/Users/zz/Desktop/金融统计学/第一次上机作业")

library(quantmod)
#数据获取
data.AMZN<-getSymbols("AMZN",from="2015-12-31",to="2022-6-30",auto.assign=FALSE)
#判断数据类型
class(data.AMZN)

[1] "xts" "zoo"

#画图
plot(data.AMZN$AMZN.Close)

上图为AMZN从2015年12月31日到2022年6月19日的收盘价的折线图，可以看出从2015年到2021年基本处于上升状态，在2022年有下降趋势。

dim(data.AMZN)#获取维度

[1] 1635    6

summary(data.AMZN)#查看

     Index              AMZN.Open        AMZN.High         AMZN.Low        AMZN.Close      AMZN.Volume        AMZN.Adjusted   Min.   :2015-12-31   Min.   : 23.90   Min.   : 24.68   Min.   : 23.70   Min.   : 24.10   Min.   : 17626000   Min.   : 24.10  1st Qu.:2017-08-15   1st Qu.: 49.49   1st Qu.: 49.76   1st Qu.: 49.01   1st Qu.: 49.34   1st Qu.: 57445000   1st Qu.: 49.34  Median :2019-04-02   Median : 89.39   Median : 89.94   Median : 88.36   Median : 89.29   Median : 73414000   Median : 89.29  Mean   :2019-03-31   Mean   : 96.34   Mean   : 97.40   Mean   : 95.15   Mean   : 96.28   Mean   : 84781961   Mean   : 96.28  3rd Qu.:2020-11-11   3rd Qu.:151.89   3rd Qu.:154.11   3rd Qu.:149.66   3rd Qu.:151.67   3rd Qu.:100235000   3rd Qu.:151.67  Max.   :2022-06-29   Max.   :187.20   Max.   :188.65   Max.   :184.84   Max.   :186.57   Max.   :331300000   Max.   :186.57

wk<-data.AMZN
data.weekly<-to.weekly(wk)#周数据
data.weekly[c(1:3,nrow(data.weekly)),]#选取查看数据

            wk.Open  wk.High   wk.Low wk.Close wk.Volume wk.Adjusted
2015-12-31  34.3040  34.3875  33.7945  33.7945  74992000     33.7945
2016-01-08  32.8145  32.8860  30.2605  30.3525 661082000     30.3525
2016-01-15  30.6240  31.2995  28.2650  28.5090 645868000     28.5090
2022-06-29 117.0900 117.9800 106.9100 108.9200 203451400    108.9200

mo<-data.AMZN
data.monthly<-to.monthly(mo)
data.monthly[c(1:3,nrow(data.monthly)),]

         mo.Open  mo.High   mo.Low mo.Close  mo.Volume mo.Adjusted
12 2015  34.3040  34.3875  33.7945  33.7945   74992000     33.79451 2016  32.8145  32.8860  27.3590  29.3500 2604018000     29.35002 2016  28.9075  29.0900  23.7000  27.6260 2482896000     27.62606 2022 122.2560 128.9900 101.4300 108.9200 1669921700    108.9200

ls()#显示内存中的对象
rm(list=ls())

[1] "all_graph"    "AMZN"         "AVG"          "Close.Prices" "data.AMZN"    "data.GSPC"    "data.IBM"     "data.monthly"[9] "data.weekly"  "date"         "df"           "df1"          "df2"          "df3"          "df4"          "df5"
[17] "df6"          "f"            "FF"           "FF.raw"       "mo"           "multi.df"     "p3"           "process"
[25] "process2"     "s_"           "s380"         "stocks"       "symbols"      "title1"       "title2"       "wk"
[33] "y"            "y.range"

#数据包导入
library(dplyr)
library(pedquant)
library(purrr)
library(ggplot2)
library(gridExtra)

#数据获取
symbols <- c("300244.SZ", '600987.SH', "600766.SH", "601857.SH", "300089.SZ", "002616.SZ")
# %>%为管道符号，作用是将%>%左边的对象传递给右边的函数
stocks <- md_stock(symbols,from = "2015-12-31",to = "2022-6-30",source = "163")
process2 <- function(tbl){tbl %>% as_tibble() %>% select(date, close, unit) %>% mutate(lag1 = lag(close),sr = (close - lag1) / lag1, lr = log(close) - log(lag1))
}
stocks %>%map(process2)
#编写一个绘制date与close以及date与log Return图像，并上下对齐在一张图像上的函数，并绘图
all_graph <- function(tbl){p1 <- tbl %>% ggplot(aes(date, close)) +geom_line()p2 <- tbl %>% ggplot(aes(date, lr)) + geom_line() + labs(x = "",y = "log Return") +scale_y_continuous(labels = scales::percent_format())grid.arrange(p1, p2)
}
par(mfrow=c(1,1))#设置画布排版
stocks %>%map(process2) %>% map(all_graph)################################################

以上为数据获取的收盘价可视化结果，可以看出对数收益率波动率的总体还是比较大的。

#数据获取
#构造一个获取股票数据并计算收益率和对数收益率的函数，并获得数据
process <- function(symbol, from = "2020-12-31", to = "2022-06-30", source = "yahoo") {md_stock(symbol = symbol, from = from, to = to, source = source)[[1]] %>%as_tibble() %>% select(date, close, unit) %>% mutate(lag1 = lag(close), sr = (close - lag1) / lag1, lr = log(close) - log(lag1))
}
s380<- process("000009.SH",source = "163")
s_ = stocks %>% map(process2)

#建立数据，重组矩阵
df1<-s_[[1]]$lr
df1 <- df1[1:1579]
df2<-s_[[2]]$lr
df2 <- df2[1:1579]
df3<-s_[[3]]$lr
df3 <- df3[1:1579]
df4<-s_[[4]]$lr
df4 <- df4[1:1579]
df5<-s_[[5]]$lr
df5 <- df5[1:1579]
df6<-s_[[6]]$lr
df6 <- df6[1:1579]
df <- cbind(df1,df2,df3,df4,df5,df6)

df <- cbind(df,rowSums(df[, 1:6]/6))
#生成date和组合对数收益率的新数据
AVG <- stocks[[4]] %>% as_tibble() %>% select(date) %>%mutate(fin_r = df[,7])
#可视化处理
#将组合对数收益率与红色代表的s380的对数收益率进行比较
p3 <-ggplot(AVG,aes(date, fin_r)) +geom_line() +geom_line(data = s380,aes(date, lr,color = 'red')) +labs(x = "",y = "log Return") +scale_y_continuous(labels = scales::percent_format())
p3#输出结果

根据以上结果可以看出组合对数的回报率波动更大。

【金融统计】R语言数据获取并计算收益相关推荐

R语言sd函数计算数值标准差实战（Standard Deviation）
R语言sd函数计算数值标准差实战(Standard Deviation) 目录 R语言sd函数计算数值标准差实战(Standard Deviation) #基本语法 #sd
R语言自定义函数计算dataframe每列中的缺失值NA的个数、缺失值问题及其填充示例
R语言自定义函数计算dataframe每列中的缺失值NA的个数.缺失值问题及其填充示例目录
R语言Eta squared计算实战：Eta squared表示可以用模型中给定的变量解释的方差的比例、拟合方差分析模型(two-way ANOVA)、计算Eta Squared
R语言Eta squared计算实战:Eta squared表示可以用模型中给定的变量解释的方差的比例.拟合方差分析模型(two-way ANOVA).计算Eta Squared 目录
R语言IQR函数计算四分位数范围IQR（Interquartile Range）实战
R语言IQR函数计算四分位数范围IQR(Interquartile Range)实战目录 R语言IQR函数计算四分位数范围IQR(Interquartile Range)实战 #基本语法
R语言length函数计算向量、列表、字符串长度实战
R语言length函数计算向量.列表.字符串长度实战目录 R语言length函数计算向量.列表.字符串长度实战 #基本语法
R语言mode函数计算众数实战
R语言mode函数计算众数实战目录 R语言mode函数计算众数实战 #手动编写众数函数 #存在多个众数的情况
R语言distVincentyEllipsoid函数计算大圆距离实战（Great Circle Distance）
R语言distVincentyEllipsoid函数计算大圆距离实战(Great Circle Distance) 目录 R语言distVincentyEllipsoid函数计算大圆距离实战(Grea ...
R语言distVincentySphere函数计算大圆距离实战（Great Circle Distance）
R语言distVincentySphere函数计算大圆距离实战(Great Circle Distance) 目录 R语言distVincentySphere函数计算大圆距离实战(Great Circ ...
R语言distMeeus函数计算大圆距离实战（Great Circle Distance）
R语言distMeeus函数计算大圆距离实战(Great Circle Distance) 目录 R语言distMeeus函数计算大圆距离实战(Great Circle Distance) #导入ge ...

【金融统计】R语言数据获取并计算收益

【金融统计】

数据获取并计算收益

【金融统计】R语言数据获取并计算收益相关推荐

最新文章

热门文章