如何制作自己的R包_光环大数据培训

https://www.360docs.net/doc/df10343249.html,

如何制作自己的R包_光环大数据培训

选取一股票，利用R语言进行分析，同时构建通道突破，双均线交叉和MACD策略，进行回测。

library(xts)library(xtsExtra)library(quantmod)library(FinTS)library(f orecast)library(TSA)library(TTR)library(fGarch)library(rugarch)librar y(tseries)setSymbolLookup(MHXX=list(name=’0696.hk’,src=’yahoo’))getSymbols(“MHXX”,from=”2013-01-01″,to=”2015-09-30″)#显示K线图，如图明显发现股价呈现递增趋势，价格序列是非平稳的。chartSeries(MHXX)#考虑对数收益率#获取收盘价cp =

MHXX[,4]lgcp=log(MHXX[,4])#tdx =c(1:456)/365+2014#计算日收益率

ret=dailyReturn(MHXX)chartSeries(ret,theme=”

white”,TA=NULL)#plot(tdx,cp,xlab=”year”,ylab=”close price”,type=’l’)#计算对数收益率，如图课件，股价在15年左右有一个跳跃，15年第二季度的股价增长导致#之后股价有较大的下降，这些特征给后续的分析带来一些较大的异常值lgret = log(ret+1)chartSeries(lgret,theme=”white”,TA=NULL)#由ACF和PACF图可以看出,该股1股价的日收益率序列即使存在某种相关性，该自相关性也#很小par(mfcol=c(2,1))acf(lgret,lag=30)pacf(lgret,lag=30)#为了验证该收益率序列有没有序列相关性，使用Ljung-Box检验，结果对应的P 值0.024，#在1%的显著水平下，拒绝该股票日收益率没有显著前后相关性的这一原假设。#但在5%的显著水平下，无法拒绝该股票日收益率没有显著前后相关性的这一原假设。Box.test(lgret,lag=20,type=’

Ljung’)############################################################# #################m1 <-

auto.arima(lgret,stationary=TRUE,seasonal=FALSE,ic=”aic”)#鉴于该股票对数收益率序列的自相关性并不强，所以建立的ARIMA模型可能适用性不高。#对于对数收益率序列，单样本的t检验结果的t比为1.0625，p值为0.2884，表明该序列不是#显著异于零的，同时此处根据ACF图所示，在4阶有轻微的超越标准差线，#因此取用AR(5)模型拟合，aic=-2987.43m2 <-

arima(x=lgret,order=c(4,0,0),include.mean=F)tratio=m2$coef/sqrt(diag( m2$var.coef))tratiomeacf=eacf(lgret,6,12)print(meacf$eacf,digits=2)#残差检验并表示改模型可能不是充分的tsdiag(m2,gof=20)m3

<-auto.arima(ret,stationary = TRUE,seasonal = FALSE,ic=”

aic”)m3############################################################# ####################由上述可知，对于价格变化的分析，纯ARMA模型是不充分的，一方面ARMA模型不能处理#波动率聚集，另一方面，ARMA-GARCH模型能充分处理这些数据的复杂性，#并能提高样本外预测

price=ts(cp)dp=ts(diff(cp))par(mfcol=c(2,1))plot(price,xlab=’year’,ylab=’price’)plot(dp,xlab=’year’,ylab=’

https://www.360docs.net/doc/df10343249.html,

aic=-0.37m.garch1<-garchFit(~1+garch(1,1),data=cprice,trace=F)summary (m.garch1)#aic=-0.62m.garch2<-garchFit(~arma(6,0)+garch(1,1),data=cpr ice,trace=F,ininclude.mean = F, cond.dist =

“std”)summary(m.garch2)#aic=-0.60m.garch3<-garchFit(~arma(2,0)+garc

h(1,1),data=cprice,trace=F,ininclude.mean = F, cond.dist = “std”)summary(m.garch3)#aic=-0.596m.garch4<-garchFit(~arma(1,0)+gar

ch(1,1),data=cprice,trace=F,ininclude.mean = F, cond.dist = “std”)summary(m.garch4)#回测检验

source(“backtestGarch.R”)M2F=backtestGarch(cprice,714,2,inc.mean=F, cdist=”

sstd”)source(“backtest.R”)M2AF=backtest(m2,cprice,714,2,inc.mean=F

)#ArchTest(coredata(ret))############################################

#####################################计算

VaRmgarch1<-ugarchspec(variance.model=list(garchOrder=c(1,1)), mean.model=list(armaOrder=c(0,0)))mgarch1_fit<-ugarchfit(spec=mgarch1

,data=cprice)mgarch1_fitmgarch1_roll<-ugarchroll(mgarch1,cprice,n.sta

rt=120,refit.every=1, refit.window =

“moving”,solver=”hybrid”, calculate.VaR =

TRUE,VaR.alpha = 0.01,keep.coef = TRUE)report(mgarch1_roll,type=”VaR”,VaR.alpha=0.01,conf.level=0.99)#生成

PLOTcprice_var<-zoo(mgarch1_roll@forecast$VaR[,1])index(cprice_var)<-as.yearmon(rownames(mgarch1_roll@forecast$VaR))cprice_actual<-zoo(mga rch1_roll@forecast$VaR[,2])index(cprice_var)<-as.yearmon(rownames(mga rch1_roll@forecast$VaR))plot(cprice_actual,type=”b”,main=”99% day Var backtesting”,xlab=”Date”, ylab=”Return /VaR in

percent”)lines(cprice_var,col=”red”)legend(“t opright”,inset=.05,

c(“MHXX return”,”VaR”),col=c(“black”,”red”),lty=c(1,1))mgarch1_fcst <- ugarchforecast(mgarch1_fit, n.ahead = 6)mgarch1_fcstret.fcst <- –qnorm(0.95) * mgarch1_fcst

@forecast$sigmaForret.fcstchartSeries(MHXX,name=”中国民航信

息”,TA=NULL)addBBands()#addMACD()################################量化

投资策略########################################## 通道突破 #######通

道突破函数

==================================================================bba nd.bk.sim <- function(stk.prc.xts, k=20, p=1.65, q=0.8){ #q是交

易倍数，表示资金的q分用于交易 stk.prc <- coredata(stk.prc.xts) #把主要数据取出 Timeline <- index(stk.prc.xts) End <-

length(stk.prc.xts) MA <- c( rep(0, k), 0) std <-

c( rep(0, k), 0) u.bound <- c( rep(0, k), 0) signal <-

c( rep(0, k), 0) #交易信号 trd.state <- c( rep(0, k), 0) #

记录买卖状态 share <- c( rep(0, k), 0) #记录持股份数 cash

https://www.360docs.net/doc/df10343249.html,

资产价值=股票市值+现金部位 # Sim —- for( t in

k:End ){ stk.prc.pre <- stk.prc[(t-k):t]

MA[t] <- mean( stk.prc.pre ) std[t] <- sd( stk.prc.pre )

u.bound[t] <- MA[t] + p * std[t] #布林带上界 signal[t]

<- 0 #默认不交易 if( stk.prc[t] > u.bound[t] ) signal[t] = 1

#当股票价格超出布林上界时，buy if( stk.prc[t-1] > MA[t-1] &

stk.prc[t] <= MA[t] ) signal[t] = -1 if( stk.prc[t-1] < MA[t-1]

& stk.prc[t] >= MA[t] ) signal[t] = -1 #卖的情况

trd.state[t] <- trd.state[t-1] cash[t] <- cash[t-1]

share[t] <- share[t-1] value[t] <- value[t-1] #

更新交易状态、持股数目、现金金额 if( trd.state[t-1] == 0 &

signal[t] == 1 ){ trd.state[t] <- 1 share[t]

<- ( q * cash[t-1] ) / stk.prc[t] cash[t] <- cash[t-1] –

share[t]*stk.prc[t] } if( trd.state[t-1] == 1 &

signal[t] == -1 ){ trd.state[t] <- 0 share[t] <-

0 cash[t] <- cash[t-1] + share[t-1]*stk.prc[t] } value[t] <- cash[t] + share[t]*stk.prc[t] } res <-

cbind(stk.prc, signal, trd.state, share, cash, value) names(res) <-

c(“prc”, “signal”, “trd.state”, “share”, “cash”, “value”) return(res)}#通道突破函数

END================================================================re

s <- bband.bk.sim(cp)head(res)tail(res)plot(res[,6],type=’l’,col=’

darkred’,lty=1,lwd=2)## 通道(end)############################### 均线

系统策略 ##################################### 双均线交叉策略

mov.avg.sim <- function(stk.prc.xts, k=50, n=7, p=1.05, q=1.10,

m=0.8){ stk.prc <- coredata(stk.prc.xts) Timeline <-

index(stk.prc.xts) End <- length(stk.prc) MA.5 <-

SMA(stk.prc, 5) #计算5日均线 MA.20 <- SMA(stk.prc, 20) #计算20

日均线 signal <- c( rep(0, k), 0) trd.state <- c( rep(0, k),

0) share <- c( rep(0, k), 0) cash <- c( rep(1e4, k), 0)

value <- c( rep(1e4, k), 0) # Sim —– for( t in

k:End ){ signal[t] <- 0

if( sum(MA.5[(t-n):(t-1)] > MA.20[(t-n):(t-1)]) == n &

stk.prc[t-1]/MA.20[t-1] > p) signal[t] <- 1

if( MA.5[t-1] >= MA.20[t-1] & MA.5[t] <= MA.20[t]) signal[t] <- -1

if( stk.prc[t-1]/MA.20[t-1] > q ) signal[t] <- -1

trd.state[t] <- trd.state[t-1] cash[t] <- cash[t-1]

share[t] <- share[t-1] value[t] <- value[t-1]

if( trd.state[t-1] == 0 & signal[t] == 1 ){ trd.state[t]

<- 1 share[t] <- ( m * cash[t-1] ) / stk.prc[t]

cash[t] <- cash[t-1] – share[t]*stk.prc[t] }

https://www.360docs.net/doc/df10343249.html,

0 share[t] <- 0 cash[t] <- cash[t-1] +

share[t-1]*stk.prc[t] } value[t] <- cash[t] +

share[t]*stk.prc[t] } res <- xts( cbind(stk.prc, MA.5, MA.20,

signal, trd.state, share, cash, value), order.by=Timeline)

names(res) <- c(“prc”, “MA.5”, “MA.20″,”signal”, “trd.state”, “share”, “cash”, “value”) head(res) return(res)}#双均

线交叉策略

END==============================================================res.

mov <- mov.avg.sim(cp)head(res.mov)tail(res.mov)plot(res.mov[,6],type=’

l’,lty=1,lwd=2)## MACD(begin)MACD.sim <- function(stk.prc.xts, k=50,

m=0.8){ stk.prc <- coredata(stk.prc.xts) Timeline <-

index(stk.prc.xts) End <- length(stk.prc) macd.line <-

MACD(stk.prc, nFast=12, nSlow=26, nSig=9)[, 1] signal.line <-

MACD(stk.prc, nFast=12, nSlow=26, nSig=9)[, 2] signal <-

c( rep(0, k), 0) trd.state <- c( rep(0, k), 0) share <- c( rep(0,

k), 0) cash <- c( rep(1e4, k), 0) value <- c( rep(1e4, k),

0) # Sim —– for( t in

(k+1):End ){ signal[t] <- 0

if( macd.line[t-1] <= signal.line[t-1] & macd.line[t] > signal.line[t])

signal[t] <- 1 if( macd.line[t-1] >= signal.line[t-1] &

macd.line[t] < signal.line[t]) signal[t] <- -1

trd.state[t] <- trd.state[t-1] cash[t] <- cash[t-1]

share[t] <- share[t-1] value[t] <- value[t-1]

if( trd.state[t-1] == 0 & signal[t] == 1 ){ trd.state[t]

<- 1 share[t] <- ( m * cash[t-1] ) / stk.prc[t]

cash[t] <- cash[t-1] – share[t]*stk.prc[t] }

if( trd.state[t-1] == 1 & signal[t] == -1 ){ trd.state[t] <-

0 share[t] <- 0 cash[t] <- cash[t-1] +

share[t-1]*stk.prc[t] } value[t] <- cash[t] +

share[t]*stk.prc[t] } res <- cbind(stk.prc, macd.line,

signal.line, signal, trd.state, share, cash, value)

names(res) <- c(“prc”, “MACD.line”, “signal.line”,

“signal”, “trd.state”, “share”, “cash”, “value”) head(res) return(res)}#MACD策略

END==============================================================res.

macd <-

MACD.sim(cp)head(res.macd)tail(res.macd)plot(res.macd[,8],type=’

l’,lty=1,lwd=2)#收益率ret.macd<-diff(res.macd[,8])plot(ret.macd,type=’

l’,col=’red’,lty=1,lwd=2)#总收益

ret.macd.sum<-sum(ret.macd)ret.macd.sum.ratio<-ret.macd.sum/(res.macd

[1,8])## MACD(end)

https://www.360docs.net/doc/df10343249.html,

为什么大家选择光环大数据！

大数据培训、人工智能培训、Python培训、大数据培训机构、大数据培训班、数据分析培训、大数据可视化培训，就选光环大数据！光环大数据，聘请大数据领域具有多年经验的讲师，提高教学的整体质量与教学水准。讲师团及时掌握时代的技术，将时新的技能融入教学中，让学生所学知识顺应时代所需。通过深入浅出、通俗易懂的教学方式，指导学生较快的掌握技能知识，帮助莘莘学子实现就业梦想。

光环大数据启动了推进人工智能人才发展的“AI智客计划”。光环大数据专注国内大数据和人工智能培训，将在人工智能和大数据领域深度合作。未来三年，光环大数据将联合国内百所大学，通过“AI智客计划”，共同推动人工智能产业人才生态建设，培养和认证5-10万名AI大数据领域的人才。

参加“AI智客计划”，享2000元助学金！

【报名方式、详情咨询】

光环大数据网站报名：https://www.360docs.net/doc/df10343249.html,

手机报名链接：http:// https://www.360docs.net/doc/df10343249.html, /mobile/