R语言股市可视化相关矩阵：最小生成树
原文链接：http://tecdat.cn/?p=17835
本文在股市可视化中可视化相关矩阵 ：最小生成树
在本文示例中，我将使用日数据和1分钟数据来可视化股票数据 。
我发现以下概念定义非常有用：
- 连通图：在无向图中，若任意两个顶点vivi与vjvj都有路径相通，则称该无向图为连通图。
- 强连通图：在有向图中，若任意两个顶点vivi与vjvj都有路径相通，则称该有向图为强连通图。
- 连通网：在连通图中，若图的边具有一定的意义，每一条边都对应着一个数，称为权；权代表着连接连个顶点的代价，称这种连通图叫做连通网。
- 生成树：一个连通图的生成树是指一个连通子图，它含有图中全部n个顶点，但只有足以构成一棵树的n-1条边。一颗有n个顶点的生成树有且仅有n-1条边，如果生成树中再添加一条边，则必定成环。
- 最小生成树：在连通网的所有生成树中，所有边的代价和最小的生成树，称为最小生成树。
#*****************************************************************
# 加载历史数据
#*****************************************************************
getSymbols(tickers, src = 'yahoo', from = '1970-01-01', env = data, auto.assign =
for(i in ls(data)) data[[i]] = adjustOHLC(data[[i]
# 删除历史数据很少的样本
remove.min.history(data)
# 显示已删除的
print(setdiff(tickers,names(data$prices)))
#*****************************************************************
# 可视化关联矩阵
#*****************************************************************
prices = data$prices
ret = diff(log(prices))
ret = last(ret, 252)
plt(ret, 0.5)
接下来，让我们获取1分钟的收盘价数据，并基于最近5天可视化相关性：
#*****************************************************************
# 加载历史数据
#*****************************************************************
if(!file.exists(filename)) {
data1[[ticker]] = getSymbol.intraday.google(ticker,
#*****************************************************************
# 可视化关联矩阵
#*****************************************************************
print(join(c(
,format(range(index(ret)), '%d-%b-%Y %H-%M')), ' '))
plot.cor(ret, 0.5)
辅助函数：
#*****************************************************************
#函数创建相关矩阵
#*****************************************************************
clncor = function(ret, threshold = 0.5) {
cor(coredata(ret), use='complete.obs',method='pearson')
cor_mat[ abs(cor_mat) < threshold] = 0
#*****************************************************************
# 绘制最小生成树
#*****************************************************************
plco = function(ho = 0.5) {
cor_mat = clean.cor(ret, threshold
本文参与 腾讯云自媒体分享计划，分享自微信公众号。
原始发表：2020-11-18，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录