如何搭建量化投资研究系统？（工具篇之quantmod）

最新推荐文章于 2024-04-12 09:51:32 发布

I天辉I

最新推荐文章于 2024-04-12 09:51:32 发布

阅读量2.3k

点赞数 1

分类专栏： Python_量化投资

Python_量化投资专栏收录该内容

75 篇文章 65 订阅

订阅专栏

“工欲善其事，必先利其器”。

在如何搭建量化投资研究系统？（数据篇）中，作者介绍了如何依靠网络爬虫收集整理交易数据，搭建一个金融数据库。在数据的问题基本解决之后，量化投资的研究工作就要正式启动了。根据人类思维的一般规律，一项复杂的研究工作，通常以“个别、感性、直观”的方式开始，在获得了基本的认识和灵感之后，再逐步上升到“整体、理性、抽象”的认知。所以，量化投资研究的第一步就是——“看盘”，下面介绍如何在R中利用quantmod包“优雅、高效”的看盘。

一、quantmod简介

quantmod的全称是Quantitative Financial Modelling & Trading Framework for R，quantmod的设计目标是在R中为量化交易者开发、测试和评估交易策略提供一个统一的计算框架。设想可以说是雄心勃勃，但是在仔细浏览quantmod的官方网站（quantmod: Quantitative Financial Modelling Framework）之后可以感觉到，目前quantmod还不能说是一个“完成品”，特别是和交易策略相关的部分，完成度不高。不过就已经完成的部分来看，quantmod在数据的获取、操作和可视化方面做得相当好。

二、数据获取

在quantmod中获取数据非常方便，quantmod提供了一系列“包装器函数”（“包装器”是一种常用的设计模式）从若干数据源获得金融数据，包括股票和指数数据、汇率数据和期权数据等等。

quantmod中获取股票和指数交易数据的函数是getSymbols，以平安银行和上证指数为例，运行

 
  
  PAB <- getSymbols("000001.SZ",
                   from = "2014-01-01",
                   to = "2015-07-01",
                   src = "yahoo",
                   auto.assign = FALSE)
SSI <- getSymbols("000001.SS",
                   from = "2014-01-01",
                   to = "2015-07-01",
                   src = "yahoo",
                   auto.assign = FALSE)
 
  

就轻松获得了平安银行和上证指数的数据。还可以采用另外一种方式，先配置要参数

 
  
  setDefaults(getSymbols,
            auto.assign = FALSE)
setSymbolLookup(PAB = list(name = "000001.SZ",
                           from =
                           "2014-01-01",
                           to =
                           "2015-07-01"),
                SSI = list(name = "000001.SS",
                           from = "2014-01-01",
                           to = "2015-07-01"))
                           PAB <- getSymbols("PAB")
                           SSI <- getSymbols("SSI")
 
  

需要解释一下，上交所和深交所的后缀分别是“.SS”和“.SZ”；from和to分别代表起始时间；src表示数据源（默认以雅虎财经为数据源）；auto.assign表示是否自动声明变量（这里取消了自动声明）；setDefaults为函数设置默认参数；setSymbolLookup为要取的数据设置参数。

如果不想用网络数据源，getSymbols也可以读取本地csv文件。假设PAB.csv保存有交易数据，文件内容分别是时间、开高低收、成交量和复权价，运行

 
  setSymbolLookup(PAB = list(src="csv",
                           format = "%Y-%m-%d"))
PAB <- getSymbols("PAB")

就可以读取csv中的数据。

getSymbols函数返回的对象的类型是xts，事实上xts类型的对象只要包含“开高低收”和“成交量”的标签，就可以使用quantmod中的大部分函数。如果已经按照《数据篇》的方法建立了数据库，运行

 
  
  col.names <- c("Open", "High", "Low", "Close", "Volume", "Adjusted")
P <- dbGetQuery(con,
               "select
                date, open, high, low, close, voturnover
                from iQI.equity_trading
                where
                code = '000001'
                order by date asc;")
P.xts <- xts(P[,-1],
            order.by = as.Date(P[,1]))
names(P.xts) <- col.names[1:5]
 
  

P.xts和PAB一样可以使用quantmod中的函数。

quantmod中获取股票分红和配股数据的函数是getSymbols和getSplits，运行

 
  
  setDefaults(getDividends,
            src = "yahoo")
setDefaults(getSplits,
            src = "yahoo")
PAB.div <- getDividends("000001.SZ")
PAB.spl <- getSplits("000001.SZ")
 
  

分别可以获得平安银行的分红数据和配股数据。

既然用quantmod获取数据如此简单，为什么还要用《数据篇》里的方法自己搭建数据库呢？（在不能翻墙的前提下）雅虎财经是最常用到的数据源，但是雅虎的业务重点并不包括中国，所以中国财经数据的质量难免要打一个折扣。举个例子，平安银行在2015-04-10的收盘价是19.80，而qantmod得到的数据却是16.50；上证指数只有收盘数据，成交量数据是0。

三、数据可视化

金融数据的可视化可以说是quantmod的一大亮点，有大量的作图函数可供选择，而且使用方式非常简便灵活。quantmod中作图的主函数是chartSeries，运行

chartSeries(PAB)

就能画出平安银行的K线图。

平安银行K线图

quantmod默认的绘图风格是美式的，如果想要调整风格或其他参数，需要调用reChart函数，运行

 
  
  cn.theme <- chartTheme(up.col = "red",
                       dn.col = "green")
reChart(name = "平安银行",
        subset = "2015",
        theme = cn.theme,
type = "candlesticks")
 
  

平安银行K线图

chartTheme函数用来产生一个控制绘图风格的对象；name用来修改图片标题；subset用来对数据对象做“切片”操作（quantmod通常处理xts类型的对象，xts的切片操作非常灵活和人性化，具体用法请查阅xts包的文档）；theme用来设置风格；type用来设置绘图类型（这里设置成“蜡烛图”）。

四、技术指标

quantmod在K线图中添加技术指标的操作非常灵活方便，有两种方式，分别是调用内置函数和自定义指标。常用的技术指标大多都可以在quantmod的内置函数中找到，比如在上图中添加MACD和布林带，可以运行

addMACD()

addBBands()

MACD&布林带

每个指标函数都可以调整具体的参数设置（具体的用法请阅读文档）。

添加自定义指标分为两种方式，一种是调用addTA函数直接添加；另一种是调用newTA函数生成技术指标对象。

如果把收盘价对数值及其指数移动平均作为一种技术指标，运行

 
  addTA(cbind(EMA(log(Cl(PAB))), log(Cl(PAB))),
      col = c("red", "green"),
      type = c("o", "o"),
      pch = c(20, 20),
      legend = "LogClEMA")

自定义指标（方法一）

另一种方式

 
  
  LogClEMA <- function(x)
{
  return (cbind(log(Cl(x)),EMA(log(Cl(x)))))
}

addLogClEMA <- newTA(FUN = LogClEMA,
               col = c("red", "green"),
               type = c("o", "o"),
               pch = c(20, 20),
               legend.name = "LogClEMA")

addLogClEMA()
 
  

自定义指标（方法二）

如果要去掉某个指标，需要调用dropTA函数，函数的参数是要去掉指标对应的函数名，比如去掉成交量

dropTA("addVo")

去掉“成交量”

有些金融数据并不包含“开高低收”和成交量信息，只是单纯的一列或几列数据，这时如果用chartSeries绘图应该设置图形的类型为“线图”，以基金“华夏成长”的累计净值为例

 
  
  par(pch = 20)
chartSeries(HXCZ$anv,
            col="green",
            subset = "2015",
            type = "line",
            line.type = "o",
            name = "华夏成长")
 
  

“华夏成长”累计净值

如果要添加技术分析指标，方法和前面讲的一样。

五、数据计算函数

quantmod提供了一系列函数对数据对象做基本的操作和计算，这些函数和前面讲的数据可视化功能结合起来，对研究工作带来的帮助可谓如虎添翼，也许束缚人的只剩下想象力。

1.提取型函数

函数Op、Hi、Lo、Cl、Vo和Ad分别用来提取交易数据中的开盘价、最高价、最低价、收盘价、成交量和复权价；HLC、OHLC和OHLCV分别提取高低收、开高低收和开高低收成交量；seriesHi和seriesLo分别提取每一列数据中的最高值和最低值。

2.标记型函数

seriesAccel、seriesDecel、seriesIncr和seriesDecr分别标记序列中的节点是否处在加速、减速、增长和下降的状态；findPeaks和findValleys分别标记出局部最高和局部最低点。以seriesIncr为例

 
  
  par(pch = 20)
chartSeries(Cl(PAB),
            col="green",
            subset = "2015-05::",
            type = "line",
            line.type = "o",
            name = "平安银行")
addTA(seriesIncr(Cl(PAB)),
col="red",
legend = "incr")
peak <- Cl(PAB)[findPeaks(Cl(PAB))-1]
addTA(peak,
       col = "red",
type = "p",
on = 1,
legend = "peak")
valley <- Cl(PAB)[findValleys(Cl(PAB))-1]
addTA(valley,
       col = "yellow",
type = "p",
on = 1,
legend = "valley")
 
  

平安银行收盘价

其中红色的时间段内收盘价在持续增长，红色和黄色的点分别对应局部最高和局部最低点。

3.平移函数

Lag和Next用来向后和向前平移数据

4.对比型函数

函数OpCl、ClCl、HiCl、LoCl、LoHi、OpHi、OpLo和OpOp 分别计算开高低收四种价格的相对变化程度；Delt计算前后不同时期数据的相对变化程度。

5.收益率计算函数

quantmod中计算收益率的主函数是periodReturn，在参数中设置周期就可以计算出不同周期对应的收益率；dailyReturn、weeklyReturn、monthlyReturn、quarterlyReturn、yearlyReturn和allReturns分别计算每日、每周、每月、每季度、每年和所有的收益率。

以华夏成长为例，计算累计净值的收益率，并画出收益率直方图和密度曲线

 
  
  hist(dailyReturn(HXCZ$anv)*100,
breaks = 50,
probability = TRUE,
main = "华夏成长",
xlab = "returns")
lines(density(dailyReturn(HXCZ$anv)*100),
lwd = 2,
col = "red")
lines(density(weeklyReturn(HXCZ$anv)*100),
lwd = 2,
col = "green")
lines(density(monthlyReturn(HXCZ$anv)*100),
lwd = 2,
col = "blue")
legend(x = -4, y=0.8,
       legend = c("daily","weekly","monthly"),
       lty = c(1,1,1),
lwd = c(2,2,2),
       col = c("red", "green", "blue"))
 
  