❶ 拓端tecdat|R語言股票收益分布一致性檢驗KS檢驗Kolmogorov-Smirnov、置換檢驗Permutation Test可視化
今年的收益是否真的與典型年份的預期不同？這是一個常見的問題，可以通過均值相等或方差相等的測試來回答。然而，問題進一步深化時，我們開始關注收益密度之間的差異，這涉及所有時刻和尾部行為的比較。這個問題的答案往往不那麼直觀。
在正式檢驗收益密度之間差異的方法中，Kolmogorov-Smirnov檢驗和置換檢驗（Permutation Test）是兩種常用手段。Kolmogorov-Smirnov檢驗基於經典的統計理論，通過比較兩個分布的累積分布函數（CDF）來評估它們的相似性。置換檢驗則是一種現代方法，它通過模擬來評估兩個樣本是否來自相同的分布。
首先，我們從價格數據中提取每日收益。通過計算均值和標准差，我們可以觀察到2018年與其它年份的收益存在輕微差異。為了更直觀地理解這些差異，我們可以估算收益密度。
接下來，我們通過Kolmogorov-Smirnov檢驗來評估2018年收益分布與其它年份收益分布之間的差異。這一檢驗通過計算累積分布函數之間的最大差異來量化分布的相似性。最大差異的分布已知，且作為檢驗統計量，如果該值在理論分布的尾部顯著，則可以推斷分布存在差異。
在R語言中，我們能夠輕松執行Kolmogorov-Smirnov檢驗，得到最大差異為0.067和P值為0.3891，表明沒有證據表明2018年的分布與其他年份的分布存在顯著差異。
置換檢驗作為另一種方法，同樣能夠用於比較兩個密度或分布的相似性。相比於Kolmogorov-Smirnov檢驗依賴於極限分布，置換檢驗通過模擬提供了一種不依賴於漸進性的方法。通過在假設下排列數據，我們可以估計實際差異是否顯著大於預期差異，從而得出分布是否相同的結論。
在R語言中，執行置換檢驗後，我們得到的P值與Kolmogorov-Smirnov檢驗結果相當，進一步驗證了我們的假設，即2018年的每日收益分布與其它年份的分布沒有顯著差異。
此外，我們還介紹了兩種方法的R語言代碼實現，以便讀者能夠直接在自己的環境中進行操作和驗證。
最後，提及了關於Matlab、R語言在疾病制圖、隨機波動率模型、貝葉斯估計、生存分析等領域應用的其他文章，旨在提供更廣泛的統計分析工具和方法。
❷ 資產組合理論 選擇最佳的股票投資比例 R語言 量化投資
本文探討如何使用R語言實現計算馬科維茨模型的有效邊界及夏普比率，以便找出基於歷史數據的最佳資產投資比例方案。首先，簡要介紹馬科維茨模型和效率邊界，強調在投資組合中考慮風險和預期收益的重要性。接著，解析計算投資組合預期收益和風險的公式。通過示例展示如何構建有效邊界，並解釋其在投資決策中的意義。
本文以R語言為基礎，利用Rmarkdown進行編程分析，利用Tushare平台獲取股票日線數據。選擇ROE在20%以上的股票作為研究對象，並分析近3年的數據。通過計算日收益率序列、數據清洗及蒙特卡洛方法繪制有效邊界，最終得出投資組合的有效性。在代碼實現部分，介紹如何使用R語言和Portfolio庫繪制有效邊界，並提供數據清洗函數。
通過繪制不同倉位比例下的收益和風險圖，識別出風險最小和夏普比率最大的投資組合。分析結果顯示，基於最小風險的倉位方案在風險與收益之間提供了最佳平衡。最後，強調本文結論不構成投資建議，旨在提供理論框架與方法論參考。重要的是，投資者在實際投資時應考慮更多因素，包括市場變化、經濟狀況和個人風險偏好。
總結，本文旨在通過實證分析，為投資者提供一種利用歷史數據優化資產組合的方法。通過計算馬科維茨模型的有效邊界和夏普比率，幫助投資者找到風險與收益之間的最佳平衡點，進而做出更明智的投資決策。在實際應用中，投資者應結合市場動態和個人投資目標，靈活調整策略，以實現長期穩定收益。
❸ CAPM 在 R語言中實現
通過CAPM模型在R語言中實現計算貝塔系數，我們以三支股票的每日收盤價和上證指數每月收益，以及無風險利率Rf為輸入數據，旨在計算出每隻股票的收益R。隨後，我們用R與Rm-Rf進行回歸，從而得出貝塔系數。
步驟如下：
1. **計算股票收益**：首先，我們需要計算三隻股票的收益。這一操作直接關繫到後續CAPM模型的准確性。
2. **處理SSE指數的超額收益**：由於數據為每月的上證指數收盤價，我們需要將其轉化為每日收益，並計算超額收益，即上證指數收益與無風險利率的差值。
3. **合並數據**：將股票收益與上證指數超額收益合並為同一表格，為後續的回歸分析做好准備。
4. **回歸分析**：使用R語言的lm函數進行回歸分析，得到的輸出結果包含截距和貝塔值。我們關注的是貝塔值，它代表了股票相對於市場組合的價格波動情況。
具體操作中，我們以單個資產為例，利用lm函數進行回歸分析，通過summary(lm(a~b))得到的回歸結果，我們可以用特定代碼提取出貝塔值。在數據處理時，我們使用group_by(issue_id,yymm)對數據進行分組，計算每隻股票每月的貝塔值。
整個過程不僅涉及數據的預處理、模型的構建與回歸分析，還涵蓋了對CAPM模型原理的理解與應用。個人筆記中的步驟和代碼示例僅供參考，歡迎在實際操作中進行修正與優化。
❹ R語言中的時間序列分析模型：ARIMA-ARCH / GARCH模型分析股票價格
在金融時間序列分析中，時域方法如ARIMA和ARCH / GARCH模型對於股票價格預測至關重要。這些模型幫助我們理解數據特徵並預測未來值，尤其在非平穩序列處理和波動性分析上。
首先，確保時間序列的平穩性是建模的前提。通過差分或對數轉換將非平穩序列轉換為平穩序列，如蘋果股票價格示例所示，對數價格的差分更利於穩定方差。
ARIMA模型（自回歸整合移動平均模型）通過觀察自相關和偏自相關來識別，如在Apple股票的ACF和PACF圖中所示。識別規則包括觀察ACF和PACF的截斷點，例如ARIMA(1,0,0)可能是Log Apple股票的模型。
在選擇模型時，使用AICc來權衡模型復雜度與擬合度，如ARIMA(2,1,2)可能是合適的。檢查殘差的ACF和PACF以確認模型的有效性，例如Apple股票的ARIMA模型的殘差顯示為無明顯滯後。
當ARIMA模型的殘差顯示波動性時，引入ARCH / GARCH模型。通過觀察殘差平方和ACF/PACF，判斷是否需要建模序列的條件方差。例如，對於Apple，選擇的ARCH 8模型反映了價格的波動性。
混合模型如ARIMA(2,1,2) - ARCH(8)結合了ARIMA的線性預測和ARCH的波動性分析，能更准確地預測價格變化，如Apple股票在2012年7月的預測。
時域分析在金融時間序列預測中不可或缺，ARIMA和ARCH / GARCH模型組合提供了更精確的預測。理解序列的平穩性，選擇合適的模型，以及利用新信息更新模型，都是有效應用這些模型的關鍵。
❺ 散戶想做量化交易，看這篇就夠了
大家好，我是喵醬，一枚滬漂轉行學量化的女漢紙，酷愛rap。
量化交易不等同於高頻交易，盡管高頻交易在量化中占重要位置，但它的門檻極高，需要極高的硬體成本和人工成本，延遲、性能和穩定性要求也非常高。因此，對於普通散戶來說，高頻交易可能難以觸及。
從交易頻率來看，量化交易可分為高頻、中低頻和超低頻。其中高頻交易適合專業人士，而中低頻和超低頻則更加適合普通散戶。搭建一套自己的策略環境，通常包括四個步驟：開發環境搭建、數據准備、交易策略開發和回歸測試。
在開發環境搭建上，目前主流的兩種平台是Python和R語言，它們提供了回測框架、時間序列分析、統計分析等庫，如開源回測框架BackTrader，在AQF量化金融分析師課程中有詳細教學。
數據准備階段，需要收集與交易策略相關的數據，包括歷史價格、成交量、財務數據等。數據來源包括金融數據供應商、證券交易所、財務報表等，其中tushare提供成熟介面獲取數據。
交易策略開發階段，每個股民都有自己的選股理論，如市盈率、換手率等。程序可以簡化這些篩選工作，解決從數千股票中篩選的難題。
回歸測試階段，幫助交易者了解策略在過去的表現，為未來的實盤交易提供參考。如果回測效果不錯，各項指標如收益率、最大回撤率、Sharp值等在可接受范圍內，即可進入下一步。
模擬交易階段，實盤交易前的模擬交易（paper trading）是常見的做法。回測使用歷史數據，通過不斷調整參數優化指標，但需注意避免過度擬合，市場總是變化無常。模擬交易效果通常取決於程序的靈活性以及良好的風險和資金管理演算法。
個人從事量化交易是可行的，但能否賺錢則取決於個人修養和能力。總結而言，量化交易為普通散戶提供了新的投資途徑，但需要深入了解和實踐。
❻ R語言，estudy2包，事件分析法
estudy2包的安裝需從GitHub下載，完成安裝後，可以使用R中內置的install_github()函數。
事件分析法的實施包括以下幾個步驟：首先准備兩家公司的收盤價格和選定指數的收盤數據，然後利用線性模型估計股票回報率與市場回報率之間的關系。具體公式如下：
公式1：股票回報率 = 市場回報率 * 回歸系數 + 常數項
接下來，使用窗口期的市場回報率預測窗口期的股票回報率，計算異常回報率（AR）和累計異常回報率（CAR）。異常回報率（AR）計算公式如下：
公式2：AR = 實際股票回報率 - 預測股票回報率
累計異常回報率（CAR）的計算公式為：
公式3：CAR = ∑AR（從事件開始到結束）
若事件窗口期實際的股票回報率與預測的股票回報率無顯著差異，則表明股票回報率的變化遵循原有的趨勢，事件影響不顯著。
estudy2包中涉及的主要函數包括：
get_rates_from_prices()：從收盤價直接計算回報率。
apply_market_model()：使用特定市場模型對股票回報率進行預測，例如單一指數模型（SIM）。
parametric_tests()：對窗口期的每一天進行參數檢驗，獲取統計顯著性。
car_lamb()：檢驗累計異常回報率是否顯著區別於零。
上述函數的具體使用方法和幫助文檔可查閱estudy2包的官方文檔。
在使用時需注意，使用parametric_tests()和car_lamb()檢驗異常回報率和累計異常回報率時，樣本需要包含兩家公司的收盤價。若只有一家公司的收盤價，可能會出現錯誤。
如果文章對您有幫助，請給予贊同和喜歡。這將對文章的影響力和質量提升至關重要。
最後，感謝您閱讀此內容。