时间序列分析工具箱—

作者：徐瑞龙，量化分析师

博客专栏：

https://www.cnblogs.com/xuruilong100

前文推送：

时间序列分析工具箱——timetk

基于 Keras 用深度学习预测时间序列

基于 Keras 用 LSTM 网络做时间序列预测

本文翻译自《Demo Week: class(Monday) <- tidyquant》

原文链接：

http://www.business-science.io/code-tools/2017/10/23/demo_week_tidyquant.html

`tidyquant` 的用途

使用 tidyquant 的六大理由：

直接从 Yahoo! Finance、FRED Database、Quandl 等数据源获得网络数据
简化 xts、zoo、quantmod、TTR 和 PerformanceAnalytics 中金融及时间序列函数的调用
可视化: 漂亮的主题以及针对金融的 geom（例如 geom_ma）
构建投资组合
财务分析以及投资组合归因方法
为金融与时间序列分析提供坚实的基础：tidyquant 会自动加载 tidyverse 和各种金融、时间序列分析包，这使得它成为任何金融或时间序列分析的理想起点。

该教程将会介绍前两个主题。

加载包

请先安装 tidyquant：

# Install libraries install.packages("tidyquant")

加载 tidyquant。

# Load libraries library(tidyquant) # Loads tidyverse, financial pkgs, used to get and manipulate data

`tq_get`：获得数据

使用 tq_get() 获得网络数据。tidyquant 提供了大量 API 用于连接包括 Yahoo! Finance、FRED Economic Database、Quandl 等等在内的数据源。

从 Yahoo! Finance 获得股票数据

将一列股票代码传入 tq_get()，同时设置 get = "stock.prices"。可以添加 from 和 to 参数设置数据的起始和结束日期。

# Get Stock Prices from Yahoo! Finance # Create a vector of stock symbols FANG_symbols <- c("FB", "AMZN", "NFLX", "GOOG") # Pass symbols to tq_get to get daily prices FANG_data_d <- FANG_symbols %>% tq_get( get = "stock.prices", from = "2014-01-01", to = "2016-12-31") # Show the result FANG_data_d

## # A tibble: 3,024 x 8 ## symbol date open high low close volume adjusted ## <chr> <date> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> ## 1 FB 2014-01-02 54.83 55.22 54.19 54.71 43195500 54.71 ## 2 FB 2014-01-03 55.02 55.65 54.53 54.56 38246200 54.56 ## 3 FB 2014-01-06 54.42 57.26 54.05 57.20 68852600 57.20 ## 4 FB 2014-01-07 57.70 58.55 57.22 57.92 77207400 57.92 ## 5 FB 2014-01-08 57.60 58.41 57.23 58.23 56682400 58.23 ## 6 FB 2014-01-09 58.65 58.96 56.65 57.22 92253300 57.22 ## 7 FB 2014-01-10 57.13 58.30 57.06 57.94 42449500 57.94 ## 8 FB 2014-01-13 57.91 58.25 55.38 55.91 63010900 55.91 ## 9 FB 2014-01-14 56.46 57.78 56.10 57.74 37503600 57.74 ## 10 FB 2014-01-15 57.98 58.57 57.27 57.60 33663400 57.60 ## # ... with 3,014 more rows

可以使用 ggplot2 画出上述结果。使用 tidyquant 提供的主题（调用 theme_tq() 和 scale_color_tq()）实现金融、商务风格的可视化效果。

# Plot data FANG_data_d %>% ggplot(aes(x = date, y = adjusted, color = symbol)) + geom_line() + facet_wrap(~ symbol, ncol = 2, scales = "free_y") + theme_tq() + scale_color_tq() + labs(title = "Visualize Financial Data")

从 FRED 获得经济数据

下面的例子来自房地美副首席经济学家 Leonard Kieffer 近期的文章——《A (TIDYQUANT)UM OF SOLACE》。我们将使用 tq_get() 并设置参数 get = "economic.data" 来从 FRED 经济数据库获取数据。

将一列 FRED 代码传递到 tq_get()。

# Economic Data from the FRED # Create a vector of FRED symbols FRED_symbols <- c('ETOTALUSQ176N', # All housing units 'EVACANTUSQ176N', # Vacant 'EYRVACUSQ176N', # Year-round vacant 'ERENTUSQ176N') # Vacant for rent # Pass symbols to tq_get to get economic data FRED_data_m <- FRED_symbols %>% tq_get(get="economic.data", from = "2001-04-01") # Show results FRED_data_m

## # A tibble: 260 x 3 ## symbol date price ## <chr> <date> <int> ## 1 ETOTALUSQ176N 2001-04-01 117786 ## 2 ETOTALUSQ176N 2001-07-01 118216 ## 3 ETOTALUSQ176N 2001-10-01 118635 ## 4 ETOTALUSQ176N 2002-01-01 119061 ## 5 ETOTALUSQ176N 2002-04-01 119483 ## 6 ETOTALUSQ176N 2002-07-01 119909 ## 7 ETOTALUSQ176N 2002-10-01 120350 ## 8 ETOTALUSQ176N 2003-01-01 120792 ## 9 ETOTALUSQ176N 2003-04-01 121233 ## 10 ETOTALUSQ176N 2003-07-01 121682 ## # ... with 250 more rows

和金融数据一样，使用 ggplot2 画图，使用 tidyquant 提供的主题（调用 theme_tq() 和 scale_color_tq()）实现金融、商务风格的可视化效果。

# Plot data FRED_data_m %>% ggplot(aes(x = date, y = price, color = symbol)) + geom_line() + facet_wrap(~ symbol, ncol = 2, scales = "free_y") + theme_tq() + scale_color_tq() + labs(title = "Visualize Economic Data")

使用 `tq_transmute` 和 `tq_mutate` 转换数据

函数 tq_transmute() 和 tq_mutate() 可以使 xts、zoo 和 quantmod 中的函数调用更“tidy”。这里直接介绍使用，“可用函数”一节罗列了已经整合进 tidyquant 的若干其他函数。

`tq_transmute`

tq_transmute() 与 tq_mutate() 之间的区别在于 tq_transmute() 将返回一个新的数据框对象，而 tq_mutate() 则在原有数据框的基础上横向添加数据（例如，增加一列）。当数据因为改变周期而改变行数时，tq_transmute() 特别有用。

改变周期与 `tq_transmute`

下面的例子将改变数据的周期，从每日数据变为月度数据。这时，你需要使用 tq_transmute() 来完成这一操作，因为数据的行数改变了。

# Change periodicity from daily to monthly using to.period from xts FANG_data_m <- FANG_data_d %>% group_by(symbol) %>% tq_transmute( select = adjusted, mutate_fun = to.period, period = "months") FANG_data_m

## # A tibble: 144 x 3 ## # Groups: symbol [4] ## symbol date adjusted ## <chr> <date> <dbl> ## 1 FB 2014-01-31 62.57 ## 2 FB 2014-02-28 68.46 ## 3 FB 2014-03-31 60.24 ## 4 FB 2014-04-30 59.78 ## 5 FB 2014-05-30 63.30 ## 6 FB 2014-06-30 67.29 ## 7 FB 2014-07-31 72.65 ## 8 FB 2014-08-29 74.82 ## 9 FB 2014-09-30 79.04 ## 10 FB 2014-10-31 74.99 ## # ... with 134 more rows

改变数据周期可以缩减数据量。一些注意事项项：

theme_tq() 和 scale_color_tq() 用来绘制商务风格的图。
如果要改变数据的周期或者进行其他基于时间的操作，请留意后续关于 tibbletime 包的教程，tibbletime 以另外一种标准处理基于时间的操作。

周期改变前，数据太多

# Daily data FANG_data_d %>% ggplot(aes(date, adjusted, color = symbol)) + geom_point() + geom_line() + facet_wrap(~ symbol, ncol = 2, scales = "free_y") + scale_color_tq() + theme_tq() + labs(title = "Before transformation: Too Much Data")

周期改变后，容易理解

用 tq_transmute() 转变成月度数据后容易理解多了。

# Monthly dataFANG_data_m %>% ggplot(aes(date, adjusted, color = symbol)) + geom_point() + geom_line() + facet_wrap(~ symbol, ncol = 2, scales = "free_y") + scale_color_tq() + theme_tq() + labs(title = "After transformation: Easier to Understand")

`tq_mutate`

tq_mutate() 函数基于 xts 包为数据添加新的列。正因为这样，当返回数据不止一列时，tq_mutate() 显得特别有用（dplyr::mutate() 就没有这样的功能）。

`tq_mutate` 与滞后数据

一个关于 lag.xts 的例子。通常我们需要不只一列滞后数据，这正是 tq_mutate() 擅长的。下面，为原数据添加五列滞后数据。

# Lags - Get first 5 lags # Pro Tip: Make the new column names first, then add to the `col_rename` arg column_names <- paste0("lag", 1:5) # First five lags are output for each group of symbols FANG_data_d %>% select(symbol, date, adjusted) %>% group_by(symbol) %>% tq_mutate( select = adjusted, mutate_fun = lag.xts, k = 1:5, col_rename = column_names)

## # A tibble: 3,024 x 8 ## # Groups: symbol [4] ## symbol date adjusted lag1 lag2 lag3 lag4 lag5 ## <chr> <date> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> ## 1 FB 2014-01-02 54.71 NA NA NA NA NA ## 2 FB 2014-01-03 54.56 54.71 NA NA NA NA ## 3 FB 2014-01-06 57.20 54.56 54.71 NA NA NA ## 4 FB 2014-01-07 57.92 57.20 54.56 54.71 NA NA ## 5 FB 2014-01-08 58.23 57.92 57.20 54.56 54.71 NA ## 6 FB 2014-01-09 57.22 58.23 57.92 57.20 54.56 54.71 ## 7 FB 2014-01-10 57.94 57.22 58.23 57.92 57.20 54.56 ## 8 FB 2014-01-13 55.91 57.94 57.22 58.23 57.92 57.20 ## 9 FB 2014-01-14 57.74 55.91 57.94 57.22 58.23 57.92 ## 10 FB 2014-01-15 57.60 57.74 55.91 57.94 57.22 58.23 ## # ... with 3,014 more rows

`tq_mutate` 与滚动函数

另一个例子，应用 xts 中的滚动函数 roll.apply()。让我们借助函数 quantile() 得到滚动分位数。下面是每个函数的参数：

tq_mutate 的参数：

select = adjusted，只选择复权修正过的数据列。该参数也可以不填，或选择其他不同的列。
mutate_fun = rollapply，这是一个 xts 函数，将会以 “tidy” 的方式（分组）调用。

rollapply 的参数：

width = 5，告诉 rollapply 计算窗口的周期（长度）是多少。
by.column = FALSE，rollapply() 函数默认对每一列分别操作，然而我们要把所有列放在一起操作。
FUN = quantile，quantile() 正是要被滚动调用的函数。

quantile 的参数：

probs = c(0, 0.025, ...)，计算这些概率的分位数。
na.rm = TRUE，quantile 会去掉遇到的 NA 值。

# Rolling quantile FANG_data_d %>% select(symbol, date, adjusted) %>% group_by(symbol) %>% tq_mutate( select = adjusted, mutate_fun = rollapply, width = 5, by.column = FALSE, FUN = quantile, probs = c(0, 0.025, 0.25, 0.5, 0.75, 0.975, 1), na.rm = TRUE)

## # A tibble: 3,024 x 10 ## # Groups: symbol [4] ## symbol date adjusted X0. X2.5. X25. X50. X75. X97.5. ## <chr> <date> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> ## 1 FB 2014-01-02 54.71 NA NA NA NA NA NA ## 2 FB 2014-01-03 54.56 NA NA NA NA NA NA ## 3 FB 2014-01-06 57.20 NA NA NA NA NA NA ## 4 FB 2014-01-07 57.92 NA NA NA NA NA NA ## 5 FB 2014-01-08 58.23 54.56 54.575 54.71 57.20 57.92 58.199 ## 6 FB 2014-01-09 57.22 54.56 54.824 57.20 57.22 57.92 58.199 ## 7 FB 2014-01-10 57.94 57.20 57.202 57.22 57.92 57.94 58.201 ## 8 FB 2014-01-13 55.91 55.91 56.041 57.22 57.92 57.94 58.201 ## 9 FB 2014-01-14 57.74 55.91 56.041 57.22 57.74 57.94 58.201 ## 10 FB 2014-01-15 57.60 55.91 56.041 57.22 57.60 57.74 57.920 ## # ... with 3,014 more rows, and 1 more variables: X100. <dbl>

可用函数

已经介绍了如何将 xts 函数和 tq_transmute 与 tq_mutate 联合使用。还有许多 xts 函数可以以 “tidy” 的方式使用！用 tq_transmute_fun_options() 查看其他可用函数。

# Available functions # mutate_fun = tq_transmute_fun_options()

## $zoo ## [1] "rollapply" "rollapplyr" "rollmax" ## [4] "rollmax.default" "rollmaxr" "rollmean" ## [7] "rollmean.default" "rollmeanr" "rollmedian" ## [10] "rollmedian.default" "rollmedianr" "rollsum" ## [13] "rollsum.default" "rollsumr" ## ## $xts ## [1] "apply.daily" "apply.monthly" "apply.quarterly" ## [4] "apply.weekly" "apply.yearly" "diff.xts" ## [7] "lag.xts" "period.apply" "period.max" ## [10] "period.min" "period.prod" "period.sum" ## [13] "periodicity" "to.daily" "to.hourly" ## [16] "to.minutes" "to.minutes10" "to.minutes15" ## [19] "to.minutes3" "to.minutes30" "to.minutes5" ## [22] "to.monthly" "to.period" "to.quarterly" ## [25] "to.weekly" "to.yearly" "to_period" ## ## $quantmod ## [1] "allReturns" "annualReturn" "ClCl" ## [4] "dailyReturn" "Delt" "HiCl" ## [7] "Lag" "LoCl" "LoHi" ## [10] "monthlyReturn" "Next" "OpCl" ## [13] "OpHi" "OpLo" "OpOp" ## [16] "periodReturn" "quarterlyReturn" "seriesAccel" ## [19] "seriesDecel" "seriesDecr" "seriesHi" ## [22] "seriesIncr" "seriesLo" "weeklyReturn" ## [25] "yearlyReturn" ## ## $TTR ## [1] "adjRatios" "ADX" "ALMA" ## [4] "aroon" "ATR" "BBands" ## [7] "CCI" "chaikinAD" "chaikinVolatility" ## [10] "CLV" "CMF" "CMO" ## [13] "DEMA" "DonchianChannel" "DPO" ## [16] "DVI" "EMA" "EMV" ## [19] "EVWMA" "GMMA" "growth" ## [22] "HMA" "KST" "lags" ## [25] "MACD" "MFI" "momentum" ## [28] "OBV" "PBands" "ROC" ## [31] "rollSFM" "RSI" "runCor" ## [34] "runCov" "runMAD" "runMax" ## [37] "runMean" "runMedian" "runMin" ## [40] "runPercentRank" "runSD" "runSum" ## [43] "runVar" "SAR" "SMA" ## [46] "SMI" "SNR" "stoch" ## [49] "TDI" "TRIX" "ultimateOscillator" ## [52] "VHF" "VMA" "volatility" ## [55] "VWAP" "VWMA" "wilderSum" ## [58] "williamsAD" "WMA" "WPR" ## [61] "ZigZag" "ZLEMA" ## ## $PerformanceAnalytics ## [1] "Return.annualized" "Return.annualized.excess" ## [3] "Return.clean" "Return.cumulative" ## [5] "Return.excess" "Return.Geltner" ## [7] "zerofill"

时间序列分析工具箱——tidyquant相关推荐

r软件时间序列分析论文_高度比较的时间序列分析-一篇论文评论
r软件时间序列分析论文数据科学 , 机器学习 (Data Science, Machine Learning) In machine learning with time series, using ...
matlab在时间序列分...,matlab在时间序列分析
ATLAB的时间序列建模与预测韩路跃 ,杜行检 (西安交通大学电子与信息工程学院 ,陕西西安 710049) 摘要 : 该文介绍了 MATLAB 系统辨识工具箱在时间序列方面的应用...... 分析 ...
【组队学习】【30期】时间序列分析
时间序列分析航路开辟者:李岳昆.易远哲领航员:王洲烽航海士:李岳昆.易远哲基本信息开源内容:https://github.com/datawhalechina/team-learning-d ...
Genome Biology：人体各部位微生物组时间序列分析Moving Pictures
人体各部位微生物组初探 Moving pictures of the human microbiome Genome Biology, [14.028] 2011-05-30 Articles DO ...
Genome Biology：人体各部位微生物组时间序列分析
文章目录人体各部位微生物组初探摘要背景结果结论点评主要结果图1. 基于无权重UniFrac距离的PCoA 图2. 时间上的核心微生物组图3. 群落中的成员关联猜你喜欢写在后面人 ...
水稻微生物组时间序列分析4-随机森林回归
写在前面哪些菌可以作为生育时间的biomarkers? 回归分析读取文件随机森林回归交叉验证 feature重要性美化feature贡献度柱状图图4.2. 绘制时间序列热图猜你喜欢写在 ...
水稻微生物组时间序列分析3-冲击图展示时间序序列变化
写在前面图3. 哪些菌门随时间呈现规律变化呢? 绘图实战清空工作环境和加载包读入实验设计.OTU表和物种注释筛选高丰度门用于展示数据交叉筛选按样品绘图按组绘图绘制冲击图alluvium ...
水稻微生物组时间序列分析2b-散点图拟合
写在前面图2. 微生物组随时间变化的规律图2. E-F散点图拟合展示距离变化猜你喜欢写在后面写在前面之前分享了3月底发表的的 <水稻微生物组时间序列分析>的文章,大家对其中图绘 ...
水稻微生物组时间序列分析2a-相关分析
写在前面图2. 微生物组随时间变化的规律图2A-D. 相关性corrplot 猜你喜欢写在后面写在前面之前分享了3月底发表的的 <水稻微生物组时间序列分析>的文章,大家对其中图绘 ...
水稻微生物组时间序列分析精讲1-模式图与主坐标轴分析
写在前面上周五我们分享了3月底发表的的 <水稻微生物组时间序列分析>的文章,大家对其中图绘制过程比较感兴趣.一上午收到了超30条留言,累计收到41个小伙伴的留言求精讲. 我们也争取花时间 ...

时间序列分析工具箱——tidyquant

`tidyquant` 的用途

加载包