当前位置 博文首页 > 苍林翠竹的博客：R语言金融分析作业（三）
下载、安装quantmod 、fBasics程序包。在线下载新浪股份近三年的交易数据
1）查看它的维数及前、后各三个观测
2）计算股票收盘价的对数收益率
3）画出其密度函数图，在密度函数图上增加一条均值、方差相同的正态分布曲线（虚线）
4）获得股票收益数据的基本统计量，加以说明。
5）检验股票收益率的正态性
install.packages("quantmod")
调用 quantmod 软件包 在导入数据之前需要调用已下载的 quantmod 软件包，需要用到 library() 函数。载入依赖的包
library(zoo)
library(xts)
library(TTR)
library(quantmod)
我们需要使用 getSymbols 命令来访问网络上的数据，对于金融数据我们可以直接从 Yahoo、google 等网站上直接下载。（ SINA 是新浪股票的代码，如果要读取其他股票，需要先查询相应股票的代码）
P.S. 2018年之后Google不再提供此项服务，因此现在只能使用yahoo
stock<-data.frame(getSymbols("SINA",src="yahoo",from='2017-04-03',to='2020-04-03',auto.assign=FALSE))
查看数据
由于数据量太大，不便查看全部数据，但可以查看该股票数据前后一小部分数据。这需要用到 head (默认查看前 6 行数据) tail (默认查看后 6 行数据)函数。
也可以运用 dim 函数来查看数据的规模。 其中，第一列 756 表示变量中包含的数据的行数，第二列 6 表示变量的维数。
#1）查看它的维数及前、后各三个观测
dim(stock)
head(stock,3)
tail(stock,3)
我们下载的股票数据的 6 个维度包含:开盘价、最高价、最低价、收盘价、成交量、调整的收盘价。研究股票收益率是股票投资分析最基本的操作，股票收益率通常简化为股票价格对数变化来表示，股票价格使用调整后的收盘价。
计算股票收益率通常需要用到 log(求对数) diff（求差分） 函数。
#2）计算股票收盘价的对数收益率
close<-stock[,6]
rate<-diff(log(close))
head(rate,3)
股票收益率的密度函数图 在画密度函数图之前我们要先下载载入 fBasics 软件包。操作同下载 quantmod 软件包一致。
install.packages("fBasics")
library(fBasics)
然后，开始画密度函数图。
#3）画出其密度函数图，在密度函数图上增加一条均值、方差相同的正态分布曲线（虚线）
den<-density(rate)
range(rate)#查看对数收益率的范围
x<-seq(-0.081,0.084,0.001)#根据对数收益率的范围决定上下界和间隔
plot(den$x,den$y,xlab='x',ylab='density',type='l')#画密度函数图
y<-dnorm(x,mean(rate),stdev(rate))#作均值和标准差与对数收益率相同的正态分布曲线
lines(x,y,lty=2,col='red')#设定曲线类型为虚线，颜色为红色，并添加到密度函数图上
我们可以看到新浪股票数据的密度函数有明显的高峰厚尾现象，与正态分布有明显的差别，显然不是正态分布的。
股票收益率的正态性检验 要获得股票收益数据的基本统计量的值，我们需要使用 fBasics 软件包中的 basicStats 函数。
#4）获得股票收益数据的基本统计量，加以说明。
basicStats(rate)
根据上图结果，我们可以得到新浪股票收益率的各种基本统计结果：
nobs(数据个数)、Mean（均值）、Median（中位数）、Sum（总和）、Variance（方差）、Stdev（标准差）、Skewness（偏度）、Kurtosis（峰度）。
mean=-0.0011,接近于0，也就是说新浪股票收益率具有比较明显的向0集中的趋势。
Variance=0.0008，接近于0，也就是说新浪股票收益率的离散程度较小，不分散。
Skewness=-0.2658, 明显不等于0，也就是说新浪股票收益率是非对称分布的。
Kurtosis=7.3253 ，明显大于3，也就是说新浪股票收益率存在明显的高峰厚尾现象。
股票收益率的正态性检验
正态性检验原理
#5）检验股票收益率的正态性
normalTest(rate,method='jb') #'jb'代表JB整体性检验
在此处所用的检验为 JB 正态性检验，是 Jarque 和 Bera 两个人将单独的偏度 t 检验和峰度 t 检验融合在一起而建立的正态性检验原理。
检验结果
p值在规定的显著性水平下（通常为 5% ），拒绝原假设，即不满足正态分布。
