Tidyquant套件介紹
指導教授: 中山大學財務管理學系 王昭文 教授
文章撰寫: 中山大學財務管理學系 蘇彥庭 研究助理
2018年6月7日
前言
R語言在財務領域中，常用到的套件大概有下列幾個：
- xts/zoo: 處理時間序列之套件。
- TTR: 計算金融資產技術指標之套件。
- quantmod: 金融資產技術分析回測套件，可至Yahoo Finance或Google Finance下載歷史股價數據或其他金融相關數據。並且整合
TTR套件，繪製出漂亮的技術分析圖析。 - PerformanceAnalytics: 計算金融資產報酬績效指標之套件。
現在的R語言在資料科學的浪潮之下，資料數據格式已走向tidy data形式。tidyverse套件已是每位R使用者必學的套件，使用此套件讓資料整理的程式碼簡潔又快速，讓R語言的方便性邁向更高一層。然而在財務領域的套件，目前皆是以時間序列資料格式(xts)為基礎建構而成。意即要使用這些套件的函數時，需要先將資料先轉為xts格式，才能做財務分析。若要在tidyverse套件中使用這些財務領域套件的函數，會有許多限制，需要做額外的整理才能使用，非常不方便。
針對這個痛點，R語言有人站出來解決這個問題，Matt Dancho和Davis Vaughan開發出tidyquant套件，為財務領域套件與tidyverse套件搭起一座橋梁，讓tidyverse套件能夠很輕易地使用財務領域套件。
tidyquant套件的作者Matt Dancho寫出許多詳盡的說明範例檔案，可參考以下連結:
- Introduction to tidyquant
- Core Functions in tidyquant
- R Quantitative Analysis Package Integrations in tidyquant
- Scaling and Modeling with tidyquant
- Charting with tidyquant
- Performance Analysis with tidyquant
當然，本篇文章的說明也都是從以上的說明範例檔案來學習並寫出來的！差別在於我們是用中文說明及臺灣的股市價格資料來做範例，並只擷取重要部分，讓大家可以快速地掌握脈絡。
數據下載
做股市分析的第一步就是要取得股價資料，tidyquant套件的tq_get()函數整合quantmod套件的getSymbols()函數。透過tq_get()函數可以從網路上一次下載多檔股票資料，並且以tibble格式儲存資料，讓後續的資料處理更加方便。此處示範如何下載2017/06/01至2018/05/31，鴻海、台積電、中華電信及臺灣加權指數的歷史價格資料。在tq_get()函數內的引數為:
- x: 金融資產的代碼，需配合資料源。
- get: 資料下載來源，此處我們設定參數為
stock.price，從Yahoo Finance下載歷史股價資料。 - from: 資料下載起始日。
- to: 資料下載結束日。
tq_get()函數可下載的資料來源相當多，除了股價資料外，也有財務比率指標(Morningstar)、股利股息資料(Yahoo Finance)及總經資料(FRED)等，只要修改函數內的get參數即可取得。詳細內容可參考原作者的說明文件：Core Functions in tidyquant。
我們在Yahoo Finance要下載的股票代碼為：鴻海(2317.TW)、台積電(2330.TW)及中華電信(2412.TW)及臺灣加權指數(^TWII)，程式碼寫法如下:
# 載入套件
library(tidyquant)
# 下載資料
stockData <- c("^TWII", "2317.TW", "2330.TW", "2412.TW") %>%
tq_get(get = "stock.price", from = "2017-06-01", to = "2018-05-31")
# 觀看資料
stockData## # A tibble: 988 x 8
## symbol date open high low close volume adjusted
## <chr> <date> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 ^TWII 2017-06-01 10064.44 10100.37 10059.93 10087.42 1923600 10087.42
## 2 ^TWII 2017-06-02 10117.76 10152.53 10117.06 10152.53 2037600 10152.53
## 3 ^TWII 2017-06-03 NA NA NA NA NA NA
## 4 ^TWII 2017-06-05 10164.89 10226.84 10164.89 10226.84 2141900 10226.84
## 5 ^TWII 2017-06-06 10213.17 10221.64 10190.39 10206.18 2016200 10206.18
## 6 ^TWII 2017-06-07 10216.14 10242.39 10183.15 10209.99 2172700 10209.99
## 7 ^TWII 2017-06-08 10215.93 10235.70 10211.00 10225.78 1703500 10225.78
## 8 ^TWII 2017-06-09 10238.55 10268.37 10198.80 10199.65 2139100 10199.65
## 9 ^TWII 2017-06-12 10137.04 10158.64 10109.96 10109.96 1746300 10109.96
## 10 ^TWII 2017-06-13 10109.70 10146.67 10109.70 10128.15 1586300 10128.15
## # ... with 978 more rows簡單的兩行程式碼就可以下載多檔股票歷史數據，並整理成tibble資料格式，與quantmod套件的getSymbols()函數相比真的是方便很多。然而有一個問題是，Yahoo Finance在台灣股市的資料維護其實並不太好。從上面下載的股價資料中，可以發現2017-06-03是以缺值資料紀錄，當日台股為端午節連假周六補交易日，Yahoo Finance的資料庫卻沒有記錄到，這明顯是有問題的。所以我們在做台灣股市的量化資料分析時，並不會直接從網路上下載資料，會直接從財務資料庫來取得資料，確保資料品質。下一小節將說明如何讀入外部資料，並整理成tidyquant套件能使用的格式。
範例資料來源
除了透過tq_get()函數自Yahoo Finance下載資料外，也可以從外部資料庫讀入數據，整理成tidyquant所需要的資料格式。此處以臺灣大專院校財金系最常使用的台灣經濟新報資料庫(TEJ)為例，透過特殊轉檔功能自TEJ下載資料輸出成txt檔案，然後再用R軟體讀入數據。資料期間為2017/06/01至2018/05/31之日頻調整後股價資料。分析資產標的分別為鴻海、台積電、中華電信股票及臺灣加權指數。
# 讀取數據
stockData <- read.table("tej_data.txt", header = T, sep = "\t", stringsAsFactors = F) %>%
as_data_frame()
# 整理資料欄位(依序為股票代碼、名稱、日期、開盤價、最高價、最低價、收盤價、成交量及成交金額)
colnames(stockData) <- c("code", "name", "date", "open", "high", "low", "close", "volume", "tradeValue")
# 將股票代碼及名稱空白格刪除
stockData <- stockData %>%
mutate(code = gsub("\\s+","", code),
name = gsub("\\s+","", name))
# 觀看資料
stockData## # A tibble: 996 x 9
## code name date open high low close volume
## <chr> <chr> <int> <dbl> <dbl> <dbl> <dbl> <int>
## 1 2317 鴻海 20170601 99.57 100.53 99.09 100.53 27441
## 2 2330 台積電 20170601 198.39 200.32 197.90 200.32 29623
## 3 2412 中華電 20170601 103.13 103.60 102.65 103.13 10351
## 4 Y9999 加權指數 20170601 10064.44 10100.37 10059.93 10087.42 3935374
## 5 2317 鴻海 20170602 101.01 101.49 100.53 101.49 38194
## 6 2330 台積電 20170602 201.77 202.26 200.81 202.26 23265
## 7 2412 中華電 20170602 103.13 103.60 102.17 103.13 7341
## 8 Y9999 加權指數 20170602 10117.76 10152.53 10117.06 10152.53 4262071
## 9 2317 鴻海 20170603 101.01 101.49 100.53 101.01 9968
## 10 2330 台積電 20170603 202.26 202.26 201.29 202.26 1535
## # ... with 986 more rows, and 1 more variables: tradeValue <int>由於TEJ資料庫我們採用特殊轉檔功能輸出，因此日期是以8碼數字格式儲存。為了讓tidyquant套件能夠運作，需將日期欄位由數字格式轉為日期格式。
# 將8碼數字日期格式轉為日期格式
DateConvert <- function(date){
date <- as.Date(as.character(date), "%Y%m%d")
return(date)
}
stockData <- stockData %>% mutate(date = DateConvert(date))
# 觀看資料
stockData## # A tibble: 996 x 9
## code name date open high low close volume
## <chr> <chr> <date> <dbl> <dbl> <dbl> <dbl> <int>
## 1 2317 鴻海 2017-06-01 99.57 100.53 99.09 100.53 27441
## 2 2330 台積電 2017-06-01 198.39 200.32 197.90 200.32 29623
## 3 2412 中華電 2017-06-01 103.13 103.60 102.65 103.13 10351
## 4 Y9999 加權指數 2017-06-01 10064.44 10100.37 10059.93 10087.42 3935374
## 5 2317 鴻海 2017-06-02 101.01 101.49 100.53 101.49 38194
## 6 2330 台積電 2017-06-02 201.77 202.26 200.81 202.26 23265
## 7 2412 中華電 2017-06-02 103.13 103.60 102.17 103.13 7341
## 8 Y9999 加權指數 2017-06-02 10117.76 10152.53 10117.06 10152.53 4262071
## 9 2317 鴻海 2017-06-03 101.01 101.49 100.53 101.01 9968
## 10 2330 台積電 2017-06-03 202.26 202.26 201.29 202.26 1535
## # ... with 986 more rows, and 1 more variables: tradeValue <int>接下來我們將以此範例資料，來介紹tidyquant套件的函數用法。
計算技術指標寫法示範
此小節示範如何撰寫技術指標，主要是利用tq_mutate()函數，其引數依序為:
- data: 資料集。
- select: 選擇計算技術指標函數會使用到的資料欄位。
- mutate_fun: 選擇要用的技術指標函數(
TTR套件)。 - 技術指標函數之參數設定。
透過group_by()函數搭配tq_mutate()函數以及TTR套件的技術指標函數，即可用簡潔的程式碼快速地計算出各支股票的技術指標值。以下為計算5日簡單移動平均線範例：
# 計算簡單移動平均線參數
stockData <- stockData %>%
arrange(code, date) %>% # 資料排序
group_by(code) %>% # 以股票代碼為群組目標
tq_mutate(select = c(close), # 選擇收盤價
mutate_fun = SMA, # 選擇簡單移動平均線
n = 5) %>% # 5日簡單移動平均線參數
rename(ma5 = SMA) # 重新命名欄位
# 觀看資料
stockData %>%
select(code, date, close, ma5) %>%
arrange(code, date) %>%
na.omit()## # A tibble: 980 x 4
## # Groups: code [4]
## code date close ma5
## <chr> <date> <dbl> <dbl>
## 1 2317 2017-06-06 101.01 101.106
## 2 2317 2017-06-07 101.01 101.202
## 3 2317 2017-06-08 101.01 101.106
## 4 2317 2017-06-09 101.01 101.106
## 5 2317 2017-06-12 98.13 100.434
## 6 2317 2017-06-13 98.13 99.858
## 7 2317 2017-06-14 98.13 99.282
## 8 2317 2017-06-15 98.61 98.802
## 9 2317 2017-06-16 101.01 98.802
## 10 2317 2017-06-19 105.34 100.244
## # ... with 970 more rows如果要再算10日及20日簡單移動平均線，則繼續向後新增tq_mutate():
stockData <- stockData %>%
# 計算10日簡單移動平均線參數
tq_mutate(select = c(close),
mutate_fun = SMA,
n = 10) %>%
rename(ma10 = SMA) %>%
# 計算20日簡單移動平均線參數
tq_mutate(select = c(close),
mutate_fun = SMA,
n = 20) %>%
rename(ma20 = SMA)
# 觀看資料
stockData %>%
select(code, date, close, ma10:ma20) %>%
arrange(code, date) %>%
na.omit()## # A tibble: 920 x 5
## # Groups: code [4]
## code date close ma10 ma20
## <chr> <date> <dbl> <dbl> <dbl>
## 1 2317 2017-06-27 116.89 107.074 103.7780
## 2 2317 2017-06-28 113.52 108.613 104.4275
## 3 2317 2017-06-29 114.48 110.200 105.0770
## 4 2317 2017-06-30 112.56 111.355 105.6545
## 5 2317 2017-07-03 112.08 112.029 106.1840
## 6 2317 2017-07-04 108.71 111.885 106.5690
## 7 2317 2017-07-05 111.59 112.173 107.0980
## 8 2317 2017-07-06 111.11 112.461 107.6030
## 9 2317 2017-07-07 110.15 112.653 108.0600
## 10 2317 2017-07-10 111.11 112.220 108.7090
## # ... with 910 more rows若要計算隨機指標，寫法為:
stockData <- stockData %>%
# 計算隨機指標
tq_mutate(select = c(high, low, close),
mutate_fun = stoch,
nFastK = 14,
nFastD = 3,
nSlowD = 3)
# 觀看資料
stockData %>%
select(code, date, fastK:stoch) %>%
arrange(code, date) %>%
na.omit()## # A tibble: 928 x 5
## # Groups: code [4]
## code date fastK fastD stoch
## <chr> <date> <dbl> <dbl> <dbl>
## 1 2317 2017-06-23 0.8218263 0.8337045 0.8790184
## 2 2317 2017-06-26 0.9496104 0.8644210 0.8597810
## 3 2317 2017-06-27 0.9536008 0.9083458 0.8688238
## 4 2317 2017-06-28 0.7907202 0.8979771 0.8902480
## 5 2317 2017-06-29 0.8371194 0.8604801 0.8889343
## 6 2317 2017-06-30 0.7443209 0.7907202 0.8497258
## 7 2317 2017-07-03 0.7211213 0.7675205 0.8062403
## 8 2317 2017-07-04 0.5365112 0.6673178 0.7418528
## 9 2317 2017-07-05 0.6746362 0.6440895 0.6929760
## 10 2317 2017-07-06 0.5755668 0.5955714 0.6356596
## # ... with 918 more rowstq_mutate()函數內的nFastK、nFastD及nSlowD引數即為原TTR套件stoch()的引數。從上面的資料表可以發現，透過tq_mutate()函數，可將TTR套件stoch()函數跑出的3個欄位結果(fastK、fastD及stoch)全部新增在stockData資料表內。若沒有tq_mutate()這個函數，用mutate()函數計算隨機指標會是件很麻煩的事情。
若要計算MACD指標，寫法為:
stockData <- stockData %>%
# 計算MACD指標
tq_mutate(select = close,
mutate_fun = MACD,
nFast = 12,
nSlow = 26,
nSig = 9)
# 觀看資料
stockData %>%
select(code, date, macd:signal) %>%
arrange(code, date) %>%
na.omit()## # A tibble: 864 x 4
## # Groups: code [4]
## code date macd signal
## <chr> <date> <dbl> <dbl>
## 1 2317 2017-07-17 3.399607 3.703507
## 2 2317 2017-07-18 3.414634 3.645732
## 3 2317 2017-07-19 3.385078 3.593601
## 4 2317 2017-07-20 3.286600 3.532201
## 5 2317 2017-07-21 3.066426 3.439046
## 6 2317 2017-07-24 2.928384 3.336914
## 7 2317 2017-07-25 2.855695 3.240670
## 8 2317 2017-07-26 2.661369 3.124810
## 9 2317 2017-07-27 2.617056 3.023259
## 10 2317 2017-07-28 2.551553 2.928918
## # ... with 854 more rows和隨機指標寫法架構一樣，tq_mutate()函數內的nFast、nSlow及nSig引數即為原TTR套件MACD()的引數。
計算績效指標寫法示範
有時我們會想要計算每個股票的績效指標，進行一些財務分析(例如建構投資組合及股票評價等)。tidyquant套件完美地整合PerformanceAnalytics套件，讓我們很方便地去計算績效指標。在計算績效指標時，我們需先將各檔股票股價資料整理成報酬率資料，並額外整理出臺灣加權指數報酬率做為市場報酬率，資料整理範例如下：
# 計算各資產報酬率
stockRet <- stockData %>%
select(code:date, close) %>%
group_by(code) %>%
arrange(code, date) %>%
mutate(ret = close/lag(close)-1) %>%
ungroup() %>%
na.omit()
# 整理市場報酬率
mktRet <- stockRet %>%
filter(code == "Y9999") %>%
select(date, ret) %>%
rename(mktRet = ret)
# 整理各資產報酬率並且併入各交易日對應的市場報酬率
stockRet <- stockRet %>%
select(code:date, ret) %>%
filter(code != "Y9999") %>%
left_join(mktRet, by = c("date" = "date"))整理完後的資料，每個資產在每個交易日都有日報酬率和當日對應的市場報酬率，如下所示：
stockRet## # A tibble: 744 x 5
## code name date ret mktRet
## <chr> <chr> <date> <dbl> <dbl>
## 1 2317 鴻海 2017-06-02 0.009549388 0.0064545741
## 2 2317 鴻海 2017-06-03 -0.004729530 0.0005535566
## 3 2317 鴻海 2017-06-05 0.004752005 0.0067620581
## 4 2317 鴻海 2017-06-06 -0.004729530 -0.0020201744
## 5 2317 鴻海 2017-06-07 0.000000000 0.0003733032
## 6 2317 鴻海 2017-06-08 0.000000000 0.0015465245
## 7 2317 鴻海 2017-06-09 0.000000000 -0.0025553063
## 8 2317 鴻海 2017-06-12 -0.028512029 -0.0087934390
## 9 2317 鴻海 2017-06-13 0.000000000 0.0017992158
## 10 2317 鴻海 2017-06-14 0.000000000 -0.0054985363
## # ... with 734 more rows接下來示範如何計算績效指標，主要是透過tq_performance()函數，其引數依序為:
- data: 資料集。
- Ra: 資產報酬率。
- Rb: 市場基準報酬率。
- performance_fun: 績效指標函數(
PerformanceAnalytics套件)。 - 績效指標函數之參數設定。
以計算常用的夏普比率為例，此處假設無風險年利率為1%，程式寫法如下。需注意的地方是，計算夏普比率時不需要用到市場報酬率，因此Rb的參數我們給NULL值。
sharpeRatio <- stockRet %>%
group_by(code) %>%
tq_performance(Ra = ret,
Rb = NULL,
performance_fun = SharpeRatio,
Rf = 0.01/252)
# 觀看資料
sharpeRatio## # A tibble: 3 x 4
## # Groups: code [3]
## code `ESSharpe(Rf=0%,p=95%)` `StdDevSharpe(Rf=0%,p=95%)`
## <chr> <dbl> <dbl>
## 1 2317 -0.02012416 -0.03741787
## 2 2330 0.01323757 0.03772705
## 3 2412 0.01668980 0.03367462
## # ... with 1 more variables: `VaRSharpe(Rf=0%,p=95%)` <dbl>和tq_mutate()函數架構一樣，tq_performance()函數內的Rf引數為原PerformanceAnalytics套件SharpeRatio()的引數。
若要跑資本資產定價模型(CAPM)，則寫法為:
capmTable <- stockRet %>%
group_by(code) %>%
tq_performance(Ra = ret,
Rb = mktRet,
performance_fun = table.CAPM,
Rf = 0.01/252)
# 觀看資料
capmTable## # A tibble: 3 x 13
## # Groups: code [3]
## code ActivePremium Alpha AnnualizedAlpha Beta `Beta-` `Beta+`
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 2317 -0.2291 -1e-03 -0.2167 1.3815 1.1093 1.5340
## 2 2330 0.0408 1e-04 0.0161 1.5010 1.3020 1.6403
## 3 2412 -0.0215 1e-04 0.0248 0.3600 0.3675 0.4613
## # ... with 6 more variables: Correlation <dbl>,
## # `Correlationp-value` <dbl>, InformationRatio <dbl>, `R-squared` <dbl>,
## # TrackingError <dbl>, TreynorRatio <dbl>資料頻率轉換
上述計算績效指標時皆採用日頻資料，但一般常見的作法是用月頻資料來計算績效指標。在tidyquant套件中，使用tq_transmute()函數搭配原本quantmod套件內的periodReturn()函數，可以很輕易地對資料做頻率轉換。tq_transmute()的引數依序為:
- data: 資料集。
- select: 選擇資料欄位。
- mutate_fun: 套件函數。
- col_rename: 新增的欄位名稱。
- 套件函數之參數設定。
# 轉換成月頻資料
stockMonthRet <- stockData %>%
group_by(code) %>%
tq_transmute(select = close,
mutate_fun = periodReturn,
col_rename = "monthRet",
period = "monthly")
# 觀看資料
stockMonthRet## # A tibble: 48 x 3
## # Groups: code [4]
## code date monthRet
## <chr> <date> <dbl>
## 1 2317 2017-06-30 0.119665771
## 2 2317 2017-07-31 0.043887704
## 3 2317 2017-08-31 0.000000000
## 4 2317 2017-09-30 -0.089361702
## 5 2317 2017-10-31 0.046728972
## 6 2317 2017-11-30 -0.107142857
## 7 2317 2017-12-29 -0.048000000
## 8 2317 2018-01-31 -0.031512605
## 9 2317 2018-02-27 -0.044468547
## 10 2317 2018-03-31 0.004540295
## # ... with 38 more rows如果想要計算季頻或年頻，只要在period參數改成quarterly或yearly即可：
# 轉換成季頻資料
stockQuarterRet <- stockData %>%
group_by(code) %>%
tq_transmute(select = close,
mutate_fun = periodReturn,
col_rename = "monthRet",
period = "quarterly")
# 觀看資料
stockQuarterRet## # A tibble: 20 x 3
## # Groups: code [4]
## code date monthRet
## <chr> <date> <dbl>
## 1 2317 2017-06-30 0.119665771
## 2 2317 2017-09-30 -0.049395878
## 3 2317 2017-12-29 -0.110280374
## 4 2317 2018-03-31 -0.070378151
## 5 2317 2018-05-31 -0.031638418
## 6 2330 2017-06-30 0.040834665
## 7 2330 2017-09-30 0.038369305
## 8 2330 2017-12-29 0.060046189
## 9 2330 2018-03-31 0.078431373
## 10 2330 2018-05-31 -0.094949495
## 11 2412 2017-06-30 0.000000000
## 12 2412 2017-09-30 0.013284204
## 13 2412 2017-12-29 0.014354067
## 14 2412 2018-03-31 0.066037736
## 15 2412 2018-05-31 -0.035398230
## 16 Y9999 2017-06-30 0.030498383
## 17 Y9999 2017-09-30 -0.001070700
## 18 Y9999 2017-12-29 0.024934659
## 19 Y9999 2018-03-31 0.025992074
## 20 Y9999 2018-05-31 -0.004078029# 轉換成年頻資料
stockYearRet <- stockData %>%
group_by(code) %>%
tq_transmute(select = close,
mutate_fun = periodReturn,
col_rename = "monthRet",
period = "yearly")
# 觀看資料
stockYearRet## # A tibble: 8 x 3
## # Groups: code [4]
## code date monthRet
## <chr> <date> <dbl>
## 1 2317 2017-12-29 -0.05301900
## 2 2317 2018-05-31 -0.09978992
## 3 2330 2017-12-29 0.14566693
## 4 2330 2018-05-31 -0.02396514
## 5 2412 2017-12-29 0.02782895
## 6 2412 2018-05-31 0.02830189
## 7 Y9999 2017-12-29 0.05506264
## 8 Y9999 2018-05-31 0.02180805繪製圖形
tidyquant除了將財務領域套件與dplyr套件做結合外，與ggplot2繪圖套件也整合得相當好，接下來將會展現幾個範例。
- 繪製股價日頻走勢圖
stockData %>%
ggplot(aes(x = date, y = close, color = code)) +
geom_line(size = 1) +
labs(title = "Daily Stock Prices",
x = "", y = "Close Prices", color = "") +
facet_wrap(~ code, ncol = 2, scales = "free_y") +
scale_y_continuous(labels = scales::dollar) +
theme_tq() +
scale_color_tq()
- 繪製技術分析圖形(以台積電為例)
stockData %>%
filter(code == "2330") %>%
ggplot(aes(x = date, y = close)) +
geom_candlestick(aes(open = open, high = high, low = low, close = close),
color_up = "firebrick3", color_down = "chartreuse3",
fill_up = "firebrick3", fill_down = "chartreuse3") +
labs(title = "2330 Candlestick Chart", y = "Closing Price", x = "") +
theme_tq() +
scale_x_date(expand = c(0, 0))
- 繪製技術分析圖形(以台積電為例)及5日、10日及20日均線
stockData %>%
filter(code == "2330") %>%
ggplot(aes(x = date, y = close)) +
geom_candlestick(aes(open = open, high = high, low = low, close = close),
color_up = "firebrick3", color_down = "chartreuse3",
fill_up = "firebrick3", fill_down = "chartreuse3") +
geom_ma(ma_fun = SMA, n = 5, color = "blue", linetype = 7,size = 1) +
geom_ma(ma_fun = SMA, n = 10, color = "orange", linetype = 7, size = 1) +
geom_ma(ma_fun = SMA, n = 20, color = "green", linetype = 7, size = 1) +
labs(title = "2330 Candlestick Chart", y = "Closing Price", x = "") +
theme_tq() +
scale_x_date(expand = c(0, 0))
- 繪製技術分析圖形(以台積電為例)及布林通道
stockData %>%
filter(code == "2330") %>%
ggplot(aes(x = date, y = close, open = open, high = high, low = low, close = close)) +
geom_candlestick(color_up = "firebrick3", color_down = "chartreuse3",
fill_up = "firebrick3", fill_down = "chartreuse3") +
geom_bbands(ma_fun = SMA, sd = 2, n = 20,
linetype = 7, size = 1, alpha = 0.2,
fill = palette_light()[[1]],
color_bands = palette_light()[[1]],
color_ma = palette_light()[[2]]) +
labs(title = "2330 Candlestick Chart", y = "Closing Price", x = "") +
theme_tq() +
scale_x_date(expand = c(0, 0))
結語
從上述的範例中，可以看到tidyquant套件很棒地將財務套件與tidyverse套件完美地結合。不用再寫太多複雜的程式和迴圈，繞來繞去地去計算每支股票的技術指標和績效指標。這個套件的整合，對於用R語言做財務分析的使用者來說真是一大福音！本篇文章僅擷取tidyquant套件最重要的部分，但原作者撰寫的說明文章還有更多細節及應用，對於此套件有興趣的讀者，建議可去點閱來看。