?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：

下载收盘价
计算收益率
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()

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() +

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() +

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() +

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() +

点击标题查阅往期内容

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

左右滑动查看更多

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() +

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,

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() +

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) +

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

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"

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() +

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

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",

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。