用r語言分析股票數據分析

⑴ r語言如何數據分析

r語言數據分析是查看數據的結構、類型，數據處理。根據查詢相關資料信息顯示：R語言是一個開源、跨平台的科學計算和統計分析軟體包，具有豐富多樣、強大的的統計功能和數據分析功能，數據可視化可以繪制直方圖、箱型圖、小提琴圖等展示分數的分布情況可以通過散點圖和線性擬合來展示分數和年齡之間的關系。

⑵ 用r語言做數據分析好學嗎

非常好學。輸入幾行代碼，即可得到結果。
R不但數據分析好用，而且作圖能力極好，推薦你用。

下面是R數據分析的一些代碼，包括數據導入、方差分析、卡方測驗、線性模型及其誤差分析。希望可以幫到你：
1.1導入數據
install.packages('xslx')
library(xlsx)
Sys.setlocale("LC_ALL", "zh_cn.utf-8")
a=read.xlsx2('d:/1.xlsx',1,header=F)
head(a)顯示前六行
class(a$y)/str(a)查看列/全集數據類型
a$y=as.numeric(a$y)轉換數據類型
1.2方差分析(F test)
with(a,tapply(liqi,tan,shapiro.test))正態性檢驗
library(car)leveneTest(liqi~tan,a)方差齊性檢驗
q=aov(liqi~tan*chong,a)方差分析(正態型)
summary(q)
TukeyHSD(q)多重比較
1.3卡方測驗(Pearson Chisq)
a1=summarySE(a,measurevar='y', groupvars=c('x1','x2'))卡方檢驗(邏輯型/計數型)
aa=a1$y
aaa=matrix(a2,ncol=2)
aaa= as.table(rbind(c(56,44), c(36,64), c(48,52),c(58,42)))
dimnames(aaa)= list(group=c("不添加抗性","不添加敏感","添加抗性","添加敏感"),effect=c("存活","死亡"))
aaa=xtabs(data=a,~x+y)
chisq.test(a)誤差分析(卡方測驗，Pearson法)
install.packages("rcompanion")
library(rcompanion)
pairwiseNominalIndependence(a)多重比較
1.4線性模型及其誤差分析(Wald Chisq)
q=lm(data=a,y~x1*x2)一般線性模型(正態性)
summary(q)
q=glm(data=a,y~x1*x2,family = gaussian(link='identity'))廣義線性模型(正態性)
summary(q)
q=glm(data=a,y~x1*x2,family = binomial(link='logit'))廣義線性模型(邏輯型，二項分布)
summary(q)
q=glm(data=a,y~x1*x2,family = poisson(link='log'))廣義線性模型(計數型，泊松分布)
summary(q)
install.packages('lmerTest')一般線性混合效應模型(正態性)
library(lmerTest)
install packages(『lme4』)
library(lme4)
q=lmer(data=a,y~x1*(1|x2))
q=lmer(data=a,y~x1*(1|x2),family = gaussian(link='identity'))廣義線性混合效應模型(正態性)
q=glmer(data=a,y~x1*(1|x2),family = binomial(link='logit'))廣義線性混合效應模型(邏輯型，二項分布)
q=glmer(data=a,y~x1*(1|x2),family = poisson(link='log'))廣義線性混合效應模型(計數型，泊松分布)
summary(q)
install.packages('car')
install.packages('openxlsx')
library(car)
install.packages('nlme')
library(nlme)
Anova(q,test='Chisq')線性模型的誤差分析(似然比卡方測驗,Wald法)
lsmeans(q,pairwise~chuli,adjust = "tukey")線性模型的多重比較(tukey法)

⑶ 學習R 語言對金融分析人士有何意義

學習 R 語言對金融分析人士有何意義？

總之，多學一點東西總是沒錯的。至於，學了之後會有哪些好處呢，我們就來看看專業人士有什麼看法。

總之，學習了還是有很多好處的，學到的東西是你的了，不是嗎？

⑷ 用r語言做數據分析好學嗎

分析數據，好學

認識的真理性只有在實踐中才能得到檢驗和發展理論是否正確，在從感性認識到理性認識的第一次飛躍，終是沒有得到正視，也不可能得到證實的，只有將已經獲得的理論運用到實踐中去，通過實踐檢驗正確的理論才能得到證實錯誤的理論才能被發現，糾正或者推翻，憋在指導實踐，實現自身的過程中得到完善和發展，這就是檢驗理論和發展理論的過程，是整個認識過程的繼續

⑸ 基於r語言的dea分析的分析結果怎麼看

方法/步驟

1.錄入原始數據。如圖所示，原始數據一般採用excel表格來錄入，第一列為決策單元序列，比如公司、行業等；後續各列依次是產出和投入變數，切忌產出變數一定要在投入變數前面。

2.分析效率情況。如圖所示，將原始數據的格式進行統一調整之後，導入deap分析軟體中，設定好相應的程序和命令後，即可運行出數據分析的結果。其中firm是公司序號，crste是技術效率，vrste是純技術效率，scale是規模效率，最後一列是規模報酬的狀態，irs是規模報酬遞增，drs是規模報酬遞減，-是規模報酬不變。

3
2.分析冗餘情況。如圖所示，DEA數據分析結果會分別給出投入、產出的冗餘量，其中產出冗餘數值是表示產出少了多少，而投入冗餘則是表示投入多了多少。

4
4.分析參考單元。如圖所示，peers表示的是可以作為效率改進參照的公司序號。由結果可見，5和13的決策單元的效率值為一，這樣其他公司以此作為參照，對投入產出量進行調整，便可實現DEA有效。

⑹ R語言怎麼把股票日收盤價轉換成對數收益率

知道一系列收盤價向量X,length=1000,求對數收益率的R語言代碼
acf(int[,2], lag.max = 15,type = "correlation", plot = TRUE,main='int monthly

acf(int.l[,2], lag.max = 15,type = "correlation", plot = TRUE,main='int monthly
log return')

Box.test(int[,2], lag = 5, type = "Ljung-Box")
Box.test(int[,2], lag = 10, type = "Ljung-Box")
Box.test(int.l[,2], lag = 5, type = "Ljung-Box")
Box.test(int.l[,2], lag = 10, type = "Ljung-Box")

運行結錯誤辦

> int <- read.table("d-intc7208.txt", head=T)
錯誤於file(file, "rt") : 打鏈結
外: 警告信息：
In file(file, "rt") :
打文件'd-intc7208.txt': No such file or directory

+ acf(int.l[,2], lag.max = 15,type = "correlation", plot = TRUE,main='int monthly
錯誤: 意外符號 in:
"
acf(int.l[,2], lag.max = 15,type = "correlation", plot = TRUE,main='int"
> log return')
錯誤: 意外符號 in "log return"

⑺ 如何用R 語言 建立 股票價格的時間序列

在下想用R語言對股票價格進行時間序列分析。
問題出在第一步，如何將股票價格轉換為時間序列。
我想用的語句是 pri <- ts (data, start=(), frequency= )
但是我不知道frequency 項該如何填？
因為股票的交易日是一周五天的。 那麼這個frequency 該如何設置呢？
我知道通常frequency= 12 為月度數據，frequency= 4 為季度數據，frequency= 1 為年度數據 但日數據怎麼寫我就不知道了

初學R語言，還望各位大俠多多幫助。

⑻ 金融時間序列分析用R語言畫簡單收益率和對數收益率的ACF圖！

acf(int[,2], lag.max = 15,type = "correlation", plot = TRUE,main='int monthly

acf(int.l[,2], lag.max = 15,type = "correlation", plot = TRUE,main='int monthly
log return')

Box.test(int[,2], lag = 5, type = "Ljung-Box")
Box.test(int[,2], lag = 10, type = "Ljung-Box")
Box.test(int.l[,2], lag = 5, type = "Ljung-Box")
Box.test(int.l[,2], lag = 10, type = "Ljung-Box")

運行結果有以下錯誤，怎麼辦？

> int <- read.table("d-intc7208.txt", head=T)
錯誤於file(file, "rt") : 無法打開鏈結
此外: 警告信息：
In file(file, "rt") :
無法打開文件'd-intc7208.txt': No such file or directory

+ acf(int.l[,2], lag.max = 15,type = "correlation", plot = TRUE,main='int monthly
錯誤: 意外的符號 in:
"
acf(int.l[,2], lag.max = 15,type = "correlation", plot = TRUE,main='int"
> log return')
錯誤: 意外的符號 in "log return"

⑼ 如何在r語言中抓取股票數據並分析論文

用quantomd包
然後getsymbols函數

分析論文 要看你研究方向
如果是看影響因素 一般回歸就行
如果看股票波動和預測 可能需要時間序列

⑽ R語言基本數據分析

R語言基本數據分析
本文基於R語言進行基本數據統計分析，包括基本作圖，線性擬合，邏輯回歸，bootstrap采樣和Anova方差分析的實現及應用。
不多說，直接上代碼，代碼中有注釋。
1. 基本作圖（盒圖，qq圖）
#basic plot
boxplot(x)
qqplot(x,y)
2. 線性擬合
#linear regression
n = 10
x1 = rnorm(n)#variable 1
x2 = rnorm(n)#variable 2
y = rnorm(n)*3
mod = lm(y~x1+x2)
model.matrix(mod) #erect the matrix of mod
plot(mod) #plot resial and fitted of the solution, Q-Q plot and cook distance
summary(mod) #get the statistic information of the model
hatvalues(mod) #very important, for abnormal sample detection
3. 邏輯回歸

#logistic regression
x <- c(0, 1, 2, 3, 4, 5)
y <- c(0, 9, 21, 47, 60, 63) # the number of successes
n <- 70 #the number of trails
z <- n - y #the number of failures
b <- cbind(y, z) # column bind
fitx <- glm(b~x,family = binomial) # a particular type of generalized linear model
print(fitx)

plot(x,y,xlim=c(0,5),ylim=c(0,65)) #plot the points (x,y)

beta0 <- fitx$coef[1]
beta1 <- fitx$coef[2]
fn <- function(x) n*exp(beta0+beta1*x)/(1+exp(beta0+beta1*x))
par(new=T)
curve(fn,0,5,ylim=c(0,60)) # plot the logistic regression curve
3. Bootstrap采樣

# bootstrap
# Application: 隨機采樣，獲取最大eigenvalue占所有eigenvalue和之比，並畫圖顯示distribution
dat = matrix(rnorm(100*5),100,5)
no.samples = 200 #sample 200 times
# theta = matrix(rep(0,no.samples*5),no.samples,5)
theta =rep(0,no.samples*5);
for (i in 1:no.samples)
{
j = sample(1:100,100,replace = TRUE)#get 100 samples each time
datrnd = dat[j,]; #select one row each time
lambda = princomp(datrnd)$sdev^2; #get eigenvalues
# theta[i,] = lambda;
theta[i] = lambda[1]/sum(lambda); #plot the ratio of the biggest eigenvalue
}

# hist(theta[1,]) #plot the histogram of the first(biggest) eigenvalue
hist(theta); #plot the percentage distribution of the biggest eigenvalue
sd(theta)#standard deviation of theta

#上面注釋掉的語句，可以全部去掉注釋並將其下一條語句注釋掉，完成畫最大eigenvalue分布的功能
4. ANOVA方差分析

#Application：判斷一個自變數是否有影響 (假設我們喂3種維他命給3頭豬，想看喂維他命有沒有用)
#
y = rnorm(9); #weight gain by pig(Yij, i is the treatment, j is the pig_id), 一般由用戶自行輸入
#y = matrix(c(1,10,1,2,10,2,1,9,1),9,1)
Treatment <- factor(c(1,2,3,1,2,3,1,2,3)) #each {1,2,3} is a group
mod = lm(y~Treatment) #linear regression
print(anova(mod))
#解釋：Df（degree of freedom）
#Sum Sq: deviance (within groups, and resials) 總偏差和
# Mean Sq: variance (within groups, and resials) 平均方差和
# compare the contribution given by Treatment and Resial
#F value: Mean Sq(Treatment)/Mean Sq(Resials)
#Pr(>F): p-value. 根據p-value決定是否接受Hypothesis H0：多個樣本總體均數相等(檢驗水準為0.05)
qqnorm(mod$resial) #plot the resial approximated by mod
#如果qqnorm of resial像一條直線，說明resial符合正態分布，也就是說Treatment帶來的contribution很小，也就是說Treatment無法帶來收益（多喂維他命少喂維他命沒區別）
如下面兩圖分別是
（左）用 y = matrix(c(1,10,1,2,10,2,1,9,1),9,1)和
（右）y = rnorm(9);
的結果。可見如果給定豬吃維他命2後體重特別突出的數據結果後，qq圖種resial不在是一條直線，換句話說resial不再符合正態分布，i.e., 維他命對豬的體重有影響。