預測股票市場收益r語言

A. 股票前加R是什麼意思

你好，股票代碼旁邊的R是代表這個股票是融資融券標的意思。R是融資融券股票的標志，股票代碼前面帶有「R」，即是說該股可以進行融資融券，是融資融券的標的股票。這些股票代碼前面有「R」的股票標的可參與融資融券！融資融券開戶條件開戶是：交易滿半年，前20個交易日日均資產在50萬以上即可。
融資融券是指證券公司向投資者出借資金供其買入證券，或出借證券供其賣出的經營活動。投資者向證券公司借入資金買入證券、借入證券賣出的交易活動，則稱為融資融券交易，又稱信用交易。
融資融券交易分為融資交易和融券交易兩類。投資者向證券公司借入資金買入證券，為融資交易；投資者向證券公司借入證券賣出，為融券交易。
風險揭示：本信息不構成任何投資建議，投資者不應以該等信息取代其獨立判斷或僅根據該等信息作出決策，不構成任何買賣操作，不保證任何收益。如自行操作，請注意倉位控制和風險控制。

B. 股票預期收益率怎麼計算

股票的預期收益率e(ri)=rf+β[e(rm)-rf]
其中:
rf:
無風險收益率----------一般用國債收益率來衡量
e(rm)：市場投資組合的預期收益率
βi:
投資的β值--------------
市場投資組合的β值永遠等於1，風險大於平均資產的投資β值大於1，反之小於1，無風險投資β值等於0

C. 機器學習有哪些演算法

樸素貝葉斯分類器演算法是最受歡迎的學習方法之一，按照相似性分類，用流行的貝葉斯概率定理來建立機器學習模型，特別是用於疾病預測和文檔分類。 它是基於貝葉斯概率定理的單詞的內容的主觀分析的簡單分類。

什麼時候使用機器學習演算法 - 樸素貝葉斯分類器？

（1）如果您有一個中等或大的訓練數據集。

（2）如果實例具有幾個屬性。

（3）給定分類參數，描述實例的屬性應該是條件獨立的。

A．樸素貝葉斯分類器的應用

（1）這些機器學習演算法有助於在不確定性下作出決策，並幫助您改善溝通，因為他們提供了決策情況的可視化表示。

（2）決策樹機器學習演算法幫助數據科學家捕獲這樣的想法：如果採取了不同的決策，那麼情境或模型的操作性質將如何劇烈變化。

（3）決策樹演算法通過允許數據科學家遍歷前向和後向計算路徑來幫助做出最佳決策。

C．何時使用決策樹機器學習演算法

（1）決策樹對錯誤是魯棒的，並且如果訓練數據包含錯誤，則決策樹演算法將最適合於解決這樣的問題。

（2）決策樹最適合於實例由屬性值對表示的問題。

（3）如果訓練數據具有缺失值，則可以使用決策樹，因為它們可以通過查看其他列中的數據來很好地處理丟失的值。

（4）當目標函數具有離散輸出值時，決策樹是最適合的。

D.決策樹的優點

（1）決策樹是非常本能的，可以向任何人輕松解釋。來自非技術背景的人，也可以解釋從決策樹繪制的假設，因為他們是不言自明的。

（2）當使用決策樹機器學習演算法時，數據類型不是約束，因為它們可以處理分類和數值變數。

（3）決策樹機器學習演算法不需要對數據中的線性進行任何假設，因此可以在參數非線性相關的情況下使用。這些機器學習演算法不對分類器結構和空間分布做出任何假設。

（4）這些演算法在數據探索中是有用的。決策樹隱式執行特徵選擇，這在預測分析中非常重要。當決策樹適合於訓練數據集時，在其上分割決策樹的頂部的節點被認為是給定數據集內的重要變數，並且默認情況下完成特徵選擇。

（5）決策樹有助於節省數據准備時間，因為它們對缺失值和異常值不敏感。缺少值不會阻止您拆分構建決策樹的數據。離群值也不會影響決策樹，因為基於分裂范圍內的一些樣本而不是准確的絕對值發生數據分裂。

E.決策樹的缺點

（1）樹中決策的數量越多，任何預期結果的准確性越小。

（2）決策樹機器學習演算法的主要缺點是結果可能基於預期。當實時做出決策時，收益和產生的結果可能與預期或計劃不同。有機會，這可能導致不現實的決策樹導致錯誤的決策。任何不合理的期望可能導致決策樹分析中的重大錯誤和缺陷，因為並不總是可能計劃從決策可能產生的所有可能性。

（3）決策樹不適合連續變數，並導致不穩定性和分類高原。

（4）與其他決策模型相比，決策樹很容易使用，但是創建包含幾個分支的大決策樹是一個復雜和耗時的任務。

（5）決策樹機器學習演算法一次只考慮一個屬性，並且可能不是最適合於決策空間中的實際數據。

（6）具有多個分支的大尺寸決策樹是不可理解的，並且造成若干呈現困難。

F.決策樹機器學習演算法的應用

（1）決策樹是流行的機器學習演算法之一，它在財務中對期權定價有很大的用處。

（2）遙感是基於決策樹的模式識別的應用領域。

（3）銀行使用決策樹演算法按貸款申請人違約付款的概率對其進行分類。

（4）Gerber產品公司，一個流行的嬰兒產品公司，使用決策樹機器學習演算法來決定他們是否應繼續使用塑料PVC（聚氯乙烯）在他們的產品。

（5）Rush大學醫學中心開發了一個名為Guardian的工具，它使用決策樹機器學習演算法來識別有風險的患者和疾病趨勢。

Python語言中的數據科學庫實現決策樹機器學習演算法是 - SciPy和Sci-Kit學習。

R語言中的數據科學庫實現決策樹機器學習演算法是插入符號。

3.7 隨機森林機器學習演算法

讓我們繼續我們在決策樹中使用的同樣的例子，來解釋隨機森林機器學習演算法如何工作。提利昂是您的餐廳偏好的決策樹。然而，提利昂作為一個人並不總是准確地推廣你的餐廳偏好。要獲得更准確的餐廳推薦，你問一對夫婦的朋友，並決定訪問餐廳R，如果大多數人說你會喜歡它。而不是只是問Tyrion，你想問問Jon Snow，Sandor，Bronn和Bran誰投票決定你是否喜歡餐廳R或不。這意味著您已經構建了決策樹的合奏分類器 - 也稱為森林。

你不想讓所有的朋友給你相同的答案 - 所以你提供每個朋友略有不同的數據。你也不確定你的餐廳偏好，是在一個困境。你告訴提利昂你喜歡開頂屋頂餐廳，但也許，只是因為它是在夏天，當你訪問的餐廳，你可能已經喜歡它。在寒冷的冬天，你可能不是餐廳的粉絲。因此，所有的朋友不應該利用你喜歡打開的屋頂餐廳的數據點，以提出他們的建議您的餐廳偏好。

通過為您的朋友提供略微不同的餐廳偏好數據，您可以讓您的朋友在不同時間向您詢問不同的問題。在這種情況下，只是稍微改變你的餐廳偏好，你是注入隨機性在模型級別（不同於決策樹情況下的數據級別的隨機性）。您的朋友群現在形成了您的餐廳偏好的隨機森林。

隨機森林是一種機器學習演算法，它使用裝袋方法來創建一堆隨機數據子集的決策樹。模型在數據集的隨機樣本上進行多次訓練，以從隨機森林演算法中獲得良好的預測性能。在該整體學習方法中，將隨機森林中所有決策樹的輸出結合起來進行最終預測。隨機森林演算法的最終預測通過輪詢每個決策樹的結果或者僅僅通過使用在決策樹中出現最多次的預測來導出。

例如，在上面的例子 - 如果5個朋友決定你會喜歡餐廳R，但只有2個朋友決定你不會喜歡的餐廳，然後最後的預測是，你會喜歡餐廳R多數總是勝利。

A.為什麼使用隨機森林機器學習演算法？

（1）有很多好的開源，在Python和R中可用的演算法的自由實現。

（2）它在缺少數據時保持准確性，並且還能抵抗異常值。

（3）簡單的使用作為基本的隨機森林演算法可以實現只用幾行代碼。

（4）隨機森林機器學習演算法幫助數據科學家節省數據准備時間，因為它們不需要任何輸入准備，並且能夠處理數字，二進制和分類特徵，而無需縮放，變換或修改。

（5）隱式特徵選擇，因為它給出了什麼變數在分類中是重要的估計。

B.使用隨機森林機器學習演算法的優點

（1）與決策樹機器學習演算法不同，過擬合對隨機森林不是一個問題。沒有必要修剪隨機森林。

（2）這些演算法很快，但不是在所有情況下。隨機森林演算法當在具有100個變數的數據集的800MHz機器上運行時，並且50,000個案例在11分鍾內產生100個決策樹。

（3）隨機森林是用於各種分類和回歸任務的最有效和通用的機器學習演算法之一，因為它們對雜訊更加魯棒。

（4）很難建立一個壞的隨機森林。在隨機森林機器學習演算法的實現中，容易確定使用哪些參數，因為它們對用於運行演算法的參數不敏感。一個人可以輕松地建立一個體面的模型沒有太多的調整

（5）隨機森林機器學習演算法可以並行生長。

（6）此演算法在大型資料庫上高效運行。

（7）具有較高的分類精度。

C.使用隨機森林機器學習演算法的缺點

他們可能很容易使用，但從理論上分析它們是很困難的。

隨機森林中大量的決策樹可以減慢演算法進行實時預測。

如果數據由具有不同級別數量的分類變數組成，則演算法會偏好具有更多級別的那些屬性。 在這種情況下，可變重要性分數似乎不可靠。

當使用RandomForest演算法進行回歸任務時，它不會超出訓練數據中響應值的范圍。

D.隨機森林機器學習演算法的應用

（1）隨機森林演算法被銀行用來預測貸款申請人是否可能是高風險。

（2）它們用於汽車工業中以預測機械部件的故障或故障。

（3）這些演算法用於醫療保健行業以預測患者是否可能發展成慢性疾病。

（4）它們還可用於回歸任務，如預測社交媒體份額和績效分數的平均數。

（5）最近，該演算法也已經被用於預測語音識別軟體中的模式並對圖像和文本進行分類。

Python語言中的數據科學庫實現隨機森林機器學習演算法是Sci-Kit學習。

R語言的數據科學庫實現隨機森林機器學習演算法randomForest。

D. 如何預測未來一年的股票收益

如果能預計的話你只用想盡一切方法去搞到錢然後投資進去就是了。
沒有任何辦法能夠准確預測出未來的收益率，但是可以根據基本面的分析來得出大概的范圍和相應的操作手法，而這些不只是年報可以得出的，需要做的功課相當的多

E. 什麼是波動率指數

1987的全球股災後，為穩定股市與保護投資者，紐約證券交易所(NYSE)於1990年引進了斷路器機制(Circuit-breakers)，當股價發生異常變動時，暫時停止交易，試圖降低市場的波動性來恢復投資者的信心。但斷路器機制引進不久，對於如何衡量市場波動性市場產生了許多新的認識，漸漸產生了動態顯示市場波動性的需求。因此，在NYSE採用斷路器來解決市場過度波動問題不久，芝加哥期權交易所從1993年開始編制市場波動率指數(Market Volatility Index，VIX)，以衡量市場的波動率。
CBOE 在1973年4月開始股票期權交易後，就一直有通過期權價格來構造波動率指數的設想，以反映市場對於的未來波動程度的預期。其間有學者陸續提出各種計算方法，Whaley(1993)[1] 提出了編制市場波動率指數作為衡量未來股票市場價格波動程度的方法。同年，CBOE開始編制VIX 指數，選擇S&P100 指數期權的隱含波動率為編制基礎，同時計算買權與賣權的隱含波動率，以考慮交易者使用買權或賣權的偏好。
VIX表達了期權投資者對未來股票市場波動性的預期，當指數越高時，顯示投資者預期未來股價指數的波動性越劇烈；當VIX指數越低時，代表投資者認為未來的股價波動將趨於緩和。由於該指數可反應投資者對未來股價波動的預期，並且可以觀察期權參與者的心理表現，也被稱為「投資者情緒指標」(The investor fear gauge )。經過十多年的發展和完善，VIX指數逐漸得到市場認同，CBOE於2001年推出以NASDAQ 100指數為標的的波動性指標 (NASDAQ Volatility Index ,VXN)； CBOE2003年以S&P500指數為標的計算VIX指數，使指數更貼近市場實際。2004年推出了第一個波動性期貨（Volatility Index Futures）VIX Futures， 2004年推出第二個將波動性商品化的期貨，即方差期貨 (Variance Futures)，標的為三個月期的S&P500指數的現實方差(Realized Variance)。2006年，VIX指數的期權開始在芝加哥期權交易所開始交易
計算波動率指數（VIX）需要的核心數據是隱含波動率，隱含波動率由期權市場上最新的交易價格算出，可以反映市場投資者對於未來行情的預期。其概念類似於債券的到期收益率(Yield To Maturity)：隨著市場價格變動，利用適當的利率將債券的本金和票息貼現，當債券現值等於市場價格時的貼現率即為債券的到期收益率，也就是債券的隱含報酬率。在計算過程中利用債券評價模型，通過使用市場價格可反推出到期收益率，這一收益率即為隱含的到期收益率。

F. 如何用R語言提取股票行情數據

你好，關於股票價格有關的開盤價格，當日最高價格，當日最低價格，收盤價格，股票交易量；和調整後的價格；

DIA.Open 當日開盤價格

DIA.High 當日最高價格

DIA.Low 當日最低價格

DIA.Close 當日收盤價格

DIA.Volume 當日股票交易量

DIA.Adjusted 當日調整後的價格

G. 關於股票的預期收益率

在衡量市場風險和收益模型中，使用最久，也是至今大多數公司採用的是資本資產定價模型(CAPM)，其假設是盡管分散投資對降低公司的特有風險有好處，但大部分投資者仍然將他們的資產集中在有限的幾項資產上。

比較流行的還有後來興起的套利定價模型(APM)，它的假設是投資者會利用套利的機會獲利，既如果兩個投資組合面臨同樣的風險但提供不同的預期收益率，投資者會選擇擁有較高預期收益率的投資組合，並不會調整收益至均衡。

我們主要以資本資產定價模型為基礎，結合套利定價模型來計算。

首先一個概念是β值。它表明一項投資的風險程度：

資產i的β值=資產i與市場投資組合的協方差/市場投資組合的方差

市場投資組合與其自身的協方差就是市場投資組合的方差，因此市場投資組合的β值永遠等於1，風險大於平均資產的投資β值大於1，反之小於1，無風險投資β值等於0。

需要說明的是，在投資組合中，可能會有個別資產的收益率小於0，這說明，這項資產的投資回報率會小於無風險利率。一般來講，要避免這樣的投資項目，除非你已經很好到做到分散化。

下面一個問題是單個資產的收益率：

一項資產的預期收益率與其β值線形相關：

資產i的預期收益率E(Ri)=Rf+βi[E(Rm)-Rf]

其中: Rf: 無風險收益率
E(Rm)：市場投資組合的預期收益率
βi: 投資i的β值。
E(Rm)-Rf為投資組合的風險溢酬。

整個投資組合的β值是投資組合中各資產β值的加權平均數，在不存在套利的情況下，資產收益率。

對於多要素的情況：

E(R)=Rf+∑βi[E(Ri)-Rf]

其中，E(Ri): 要素i的β值為1而其它要素的β均為0的投資組合的預期收益率。

首先確定一個可接受的收益率，即風險溢酬。風險溢酬衡量了一個投資者將其資產從無風險投資轉移到一個平均的風險投資時所需要的額外收益。風險溢酬是你投資組合的預期收益率減去無風險投資的收益率的差額。這個數字一般情況下要大於1才有意義，否則說明你的投資組合選擇是有問題的。

風險越高，所期望的風險溢酬就應該越大。

對於無風險收益率，一般是以政府長期債券的年利率為基礎的。在美國等發達市場，有完善的股票市場作為參考依據。就目前我國的情況，從股票市場尚難得出一個合適的結論，結合國民生產總值的增長率來估計風險溢酬未嘗不是一個好的選擇。

H. 數據挖掘與R語言的目錄

出版者的話
推薦序
中文版序
譯者序
前言
致謝
第1章簡介
1.1如何閱讀本書
1.2R簡介
1.2.1R起步
1.2.2R對象
1.2.3向量
1.2.4向量化
1.2.5因子
1.2.6生成序列
1.2.7數據子集
1.2.8矩陣和數組
1.2.9列表
1.2.10數據框
1.2.11構建新函數
1.2.12對象、類和方法
1.2.13管理R會話
1.3MySQL簡介
第2章預測海藻數量
2.1問題描述與目標
2.2數據說明
2.3數據載入到R
2.4數據可視化和摘要
2.5數據缺失
2.5.1將缺失部分剔除
2.5.2用最高頻率值來填補缺失值
2.5.3通過變數的相關關系來填補缺失值
2.5.4通過探索案例之間的相似性來填補缺失值
2.6獲取預測模型
2.6.1多元線性回歸
2.6.2回歸樹
2.7模型的評價和選擇
2.8預測7類海藻的頻率
2.9小結
第3章預測股票市場收益
3.1問題描述與目標
3.2可用的數據
3.2.1在R中處理與時間有關的數據
3.2.2從CSV文件讀取數據
3.2.3從網站上獲取數據
3.2.4從MySQL資料庫讀取數據
3.3定義預測任務
3.3.1預測什麼
3.3.2預測變數是什麼
3.3.3預測任務
3.3.4模型評價准則
3.4預測模型
3.4.1如何應用訓練集數據來建模
3.4.2建模工具
3.5從預測到實踐
3.5.1如何應用預測模型
3.5.2與交易相關的評價准則
3.5.3模型集成：模擬交易
3.6模型評價和選擇
3.6.1蒙特卡羅估計
3.6.2實驗比較
3.6.3結果分析
3.7交易系統
3.7.1評估最終測試數據
3.7.2在線交易系統
3.8小結
第4章偵測欺詐交易
4.1問題描述與目標
4.2可用的數據
4.2.1載入數據至R
4.2.2探索數據集
4.2.3數據問題
4.3定義數據挖掘任務
4.3.1問題的不同解決方法
4.3.2評價准則
4.3.3實驗方法
4.4計算離群值的排序
4.4.1無監督方法
4.4.2有監督方法
4.4.3半監督方法
4.5小結
第5章微陣列樣本分類
5.1問題描述與目標
5.1.1微陣列實驗背景簡介
5.1.2數據集ALL
5.2可用的數據
5.3基因（特徵）選擇
5.3.1基於分布特徵的簡單過濾方法
5.3.2ANOVA過濾
5.3.3用隨機森林進行過濾
5.3.4用特徵聚類的組合進行過濾
5.4遺傳學異常的預測
5.4.1定義預測任務
5.4.2模型評價標准
5.4.3實驗過程
5.4.4建模技術
5.4.5模型比較
5.5小結
參考文獻
主題索引
數據挖掘術語索引
R函數索引

I. 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"