收益率和方差

将三只股票日数据整理合并成一个数据集：

这里使用rbind，进行所谓的行合并，类似于stata中的append，把表格变长

df <- rbind(pingan,zgrs,zgtb)

df <- df %>%
  select(ts_code, trade_date,close) %>% 
  mutate(trade_date = as.Date(trade_date,format="%Y%m%d"),close = as.numeric(close))
  
df %>% datatable()

日收益率

df_day_r <- df %>% drop_na() %>%
  group_by(ts_code) %>%
  tq_transmute (
    select = close,
    mutate_fun = periodReturn,
     period = 'daily',
    col_rename = 'd_returns'
  ) %>% arrange(trade_date)
df_day_r %>% datatable()

月收益率

df_month_r <- df %>% drop_na() %>%
  group_by(ts_code) %>%
  tq_transmute (
    select = close,
    mutate_fun = periodReturn,
     period = 'monthly',
    col_rename = 'm_returns'
  ) %>% arrange(trade_date)
df_month_r %>% datatable()

日收益率的均值

df_daily_return_mean <- df_day_r %>%
  group_by(ts_code) %>%
  summarise(mean_return = mean(d_returns))
df_daily_return_mean %>% datatable()

我们可以看到不同股票的在我们选择的这个时间段内，平均收益率情况。

日收益率的标准差

df_daily_return_sd <- df_day_r %>%
  group_by(ts_code) %>%
  summarise(sd_return = sd(d_returns))
df_daily_return_sd %>% datatable()

所谓的累计收益率也可以等同于持有期收益率，其通俗含义为期初投入1块钱，持有到期末能变成多少钱？

在我们这里可以去计算一下2014年年初投入对这三只保险股票分别投入1块钱，到2020年4月这1块钱变成了多少钱

我们利用日回报率来计算

$$1\times \prod _{t=1}^T(1+r_t)$$

相关R代码

df_cum_returns <- df_day_r %>%
  group_by(ts_code) %>%
  mutate(cr = cumprod(1 + d_returns)) %>%
  mutate(cumulative_returns = cr - 1)

# 作图
ggplot(df_cum_returns,aes(x=trade_date,y=cumulative_returns,color=ts_code))+
  geom_line()+ theme_tq() + scale_color_tq() +
  xlab("年份")+ ylab('累计收益率') +
  ggtitle("三只保险股累计收益率2014-2020年" , subtitle = "2014年初投入1元钱，现在的金额")+
  geom_hline(yintercept = 1,color="red")

可以看出来601318从这个角度来看，表现要更好一些,2014年投入的1块钱，到昨天变成了2.8元

计算方差协方差矩阵，我们就是用月度收益率为基础来进行计算

df_month_r  %>%
  pivot_wider( names_from = ts_code,values_from = m_returns) %>%
  timetk::tk_xts(silent = TRUE) %>%   # 这一步是强制转换为时间序列数据，同时把ts_code这一列删除掉，
  #只保留三个股票的月度收益率，用以方便计算方差协方差矩阵
  cov()

##             601318.SH   601628.SH   601601.SH
## 601318.SH 0.008827850 0.008104833 0.006648175
## 601628.SH 0.008104833 0.012003932 0.007539195
## 601601.SH 0.006648175 0.007539195 0.007356625

# 这一步的作用是使得数据变成宽数据，便于计算不同股票的协方差,
# 使用pivot_wider进行转换，其对立命令是pivot_longer
j <-df_month_r  %>%
  pivot_wider( names_from = ts_code,values_from = m_returns)
j %>% datatable()

df_month_r  %>%
  pivot_wider( names_from = ts_code,values_from = m_returns) %>%
  timetk::tk_xts(silent = TRUE) %>% 
  cor()

##           601318.SH 601628.SH 601601.SH
## 601318.SH 1.0000000 0.7873264 0.8249652
## 601628.SH 0.7873264 1.0000000 0.8022762
## 601601.SH 0.8249652 0.8022762 1.0000000

pacman::p_load(corrplot)
df_month_r  %>%
  pivot_wider( names_from = ts_code,values_from = m_returns) %>%
  timetk::tk_xts(silent = TRUE) %>% 
  cor() %>% corrplot()

可以看出，这几只股票的收益率呈现高度相关