Hinzufügen von Spalten zu jedem Quantmod Symbol

Question

Lernen von R, nicht sicher, wie man das löst.

library(quantmod) 
library(xts) 

# get market data 
Nasdaq100_Symbols <- c("AAPL", "AAL") 
getSymbols(Nasdaq100_Symbols) 

# merge them together 
nasdaq100 <- data.frame(as.xts(merge(AAPL, AAL))) 
#tail(nasdaq100[,1:12],2) 

#make percent difference column 
nasdaq100$PD <- (((nasdaq100$AAPL.High - nasdaq100$AAPL.Open)/nasdaq100$AAPL.Open) * 100) 

Ich versuche, eine prozentuale Differenz Spalte hinzuzufügen, aber der obige Code wird für das AAPL-Symbol (oder welcher auch immer Symbol Sie verwenden) und nicht erstellen PD Spalt für jedes Symbol nur dann funktionieren.

Haben Sie diese Spalte irgendwie hinzufügen müssen, bevor sie mit xts Verschmelzung oder kann ich sagen R in dem neuen fusionierten Rahmen für jedes Symbol zu schaffen?

Edit: ich Daten Ausbildung mache, so brauche ich alle Symbole Header zu sein, wie:

  AAPL.Ope AAPL.High AAPL.Volume AAL.Open AAL.High 

1/3/2007 86.29 86.58  309579900 53.89 56.92 
1/4/2007 84.05 85.95  211815100 56.3 59.15 
1/5/2007 85.77 86.2  208685400 58.83 59.15 

Answer 1

Nach meiner Erfahrung ist es Ihre Finanzdaten in der Regel viel mehr Sinn macht als xts Objekte zu halten, für die zukünftige Manipulation mit anderen technischen Indikatoren usw., es sei denn, Sie ein Vorhersagemodell ausführen möchten in sagen caret in diesem Fall kann die Umwandlung in eine data.frame sinnvoll sein.

Betrachten Sie Ihre Symbole von Daten als Elemente eines Behälters, wie

update_sym_md <- function(sym, env = .GlobalEnv) { 
    x <- get(sym, env) 
    pd <- setNames((Hi(x) - Op(x))/Op(x), "PD") 
    merge(x, pd) 
} 

# Adjust env for location of xts symbol data 
l.syms <- lapply(Nasdaq100_Symbols, update_sym_md, env = .GlobalEnv) 

lapply(l.syms, head) 
# [[1]] 
# AAPL.Open AAPL.High AAPL.Low AAPL.Close AAPL.Volume AAPL.Adjusted   PD 
# 2007-01-03  86.29  86.58 81.90  83.80 309579900  10.85709 0.003360760 
# 2007-01-04  84.05  85.95 83.82  85.66 211815100  11.09807 0.022605556 
# 2007-01-05  85.77  86.20 84.40  85.05 208685400  11.01904 0.005013373 
# 2007-01-08  85.96  86.53 85.28  85.47 199276700  11.07345 0.006630991 
# 2007-01-09  86.45  92.98 85.15  92.57 837324600  11.99333 0.075534942 
# 2007-01-10  94.75  97.80 93.45  97.00 738220000  12.56728 0.032190006 
# 
# [[2]] 
# AAL.Open AAL.High AAL.Low AAL.Close AAL.Volume AAL.Adjusted   PD 
# 2007-01-03 53.89 56.92 53.89  56.30 2955600  54.80361 0.0562256273 
# 2007-01-04 56.30 59.15 53.65  58.84 2614500  57.27610 0.0506217238 
# 2007-01-05 58.83 59.15 57.90  58.29 1656300  56.74072 0.0054394015 
# 2007-01-08 57.30 60.48 57.04  57.93 2163200  56.39028 0.0554974006 
# 2007-01-09 59.44 60.20 57.56  57.90 2098600  56.36108 0.0127860366 
# 2007-01-10 60.03 60.04 57.34  58.93 3892200  57.36371 0.0001666167 

auch halten, wenn Sie Preis Erträge/raw Preise für Symbole in einer xts Objekt, anstatt in einem Daten vergleichen wollen .frame, könnte das qmao Paket nützlich sein.

Zum Beispiel:

install.packages("qmao", repos="http://R-Forge.R-project.org", type = "source") 
library(qmao) 

pf <- makePriceFrame(Nasdaq100_Symbols) 
head(pf, 3) 
#    AAPL  AAL 
# 2007-01-03 10.85709 54.80361 
# 2007-01-04 11.09807 57.27610 
# 2007-01-05 11.01904 56.74072 
rf <- makeReturnFrame(Nasdaq100_Symbols) 
head(rf) 

#     AAPL   AAL 
# 2007-01-03   NA   NA 
# 2007-01-04 0.021952895 0.0441273684 
# 2007-01-05 -0.007146715 -0.0093913155 
# 2007-01-08 0.004926208 -0.0061951917 
# 2007-01-09 0.079799692 -0.0005179716 
# 2007-01-10 0.046745798 0.0176329011 

-Update in Antwort von OP Kommentar:

Um alle Daten in einer Reihe zu verbinden, versuchen Sie dies:

(abgesehen: Wenn Sie‘ Verwenden Sie nichtlineare Vorhersagemodelle in diesem data.frame, stellen Sie sicher, dass Sie in Betracht ziehen, zuerst Ihre Datenpunkte über die Wertpapiere in jeder Zeile zu skalieren.)

x.cbind <- do.call(cbind, l.syms) 
head(x.cbind) 
# AAPL.Open AAPL.High AAPL.Low AAPL.Close AAPL.Volume AAPL.Adjusted   PD AAL.Open AAL.High AAL.Low AAL.Close AAL.Volume AAL.Adjusted   PD.1 
# 2007-01-03  86.29  86.58 81.90  83.80 309579900  10.85709 0.003360760 53.89 56.92 53.89  56.30 2955600  54.80361 0.0562256273 
# 2007-01-04  84.05  85.95 83.82  85.66 211815100  11.09807 0.022605556 56.30 59.15 53.65  58.84 2614500  57.27610 0.0506217238 
# 2007-01-05  85.77  86.20 84.40  85.05 208685400  11.01904 0.005013373 58.83 59.15 57.90  58.29 1656300  56.74072 0.0054394015 
# 2007-01-08  85.96  86.53 85.28  85.47 199276700  11.07345 0.006630991 57.30 60.48 57.04  57.93 2163200  56.39028 0.0554974006 
# 2007-01-09  86.45  92.98 85.15  92.57 837324600  11.99333 0.075534942 59.44 60.20 57.56  57.90 2098600  56.36108 0.0127860366 
# 2007-01-10  94.75  97.80 93.45  97.00 738220000  12.56728 0.032190006 60.03 60.04 57.34  58.93 3892200  57.36371 0.0001666167 

df.cbind <- data.frame("time" = index(x.cbind), coredata(x.cbind)) 
head(df.cbind) 
# time AAPL.Open AAPL.High AAPL.Low AAPL.Close AAPL.Volume AAPL.Adjusted   PD AAL.Open AAL.High AAL.Low AAL.Close AAL.Volume AAL.Adjusted   PD.1 
# 1 2007-01-03  86.29  86.58 81.90  83.80 309579900  10.85709 0.003360760 53.89 56.92 53.89  56.30 2955600  54.80361 0.0562256273 
# 2 2007-01-04  84.05  85.95 83.82  85.66 211815100  11.09807 0.022605556 56.30 59.15 53.65  58.84 2614500  57.27610 0.0506217238 
# 3 2007-01-05  85.77  86.20 84.40  85.05 208685400  11.01904 0.005013373 58.83 59.15 57.90  58.29 1656300  56.74072 0.0054394015 
# 4 2007-01-08  85.96  86.53 85.28  85.47 199276700  11.07345 0.006630991 57.30 60.48 57.04  57.93 2163200  56.39028 0.0554974006 
# 5 2007-01-09  86.45  92.98 85.15  92.57 837324600  11.99333 0.075534942 59.44 60.20 57.56  57.90 2098600  56.36108 0.0127860366 
# 6 2007-01-10  94.75  97.80 93.45  97.00 738220000  12.56728 0.032190006 60.03 60.04 57.34  58.93 3892200  57.36371 0.0001666167 

besser zu verstehen, wie qmao Funktionen arbeiten, warum bei den Beispielen in der Dokumentation suchen nicht und gehen von dort aus? ?makeReturnFrame Blick auf der Quellcode versteht wirklich, was los ist (und einen besseren R-Programmierer zur gleichen Zeit wird durch eine gute Codierung Lernstile)

Answer 2

Was ich in der Regel tun, wenn ich quantmod s getSymbols Funktion zu nutzen, ist meine eigene kleine zu schreiben Wrapper-Funktion, etwas entlang dieser:

library(quantmod) 
# 1. write the wrapper function 
my_wrapper <- function(tickers, from, to) { 
    result_list <- lapply(tickers, function(ticker) { 
    tmp <- getSymbols(ticker, from = from, to = to, auto.assign = F) 
    tmp_df <- data.frame(date = index(tmp), 
         ticker = ticker, 
         open = as.numeric(Op(tmp)), 
         high = as.numeric(Hi(tmp)), 
         close = as.numeric(Cl(tmp)), 
         adj = as.numeric(Ad(tmp))) 
    }) 

    result_df <- do.call(rbind, result_list) 
    return(result_df) 
} 

# 2. download and inspect the data 
my_df <- my_wrapper(c("AAPL", "AAL"), from = "2010-01-01", to = "2016-12-31") 
summary(my_df) 
# date    ticker   open    high   close    adj   
# Min. :2010-01-04 AAPL:1762 Min. : 3.99 Min. : 4.06 Min. : 4.00 Min. : 3.894 
# 1st Qu.:2011-09-30 AAL :1762 1st Qu.: 17.16 1st Qu.: 17.46 1st Qu.: 17.23 1st Qu.: 16.770 
# Median :2013-07-04    Median : 72.94 Median : 73.45 Median : 73.02 Median : 41.920 
# Mean :2013-07-02    Mean :168.48 Mean :170.10 Mean :168.40 Mean : 49.208 
# 3rd Qu.:2015-04-06    3rd Qu.:318.11 3rd Qu.:320.39 3rd Qu.:318.23 3rd Qu.: 72.969 
# Max. :2016-12-30    Max. :702.41 Max. :705.07 Max. :702.10 Max. :127.966 

, dann die Unterschiede berechnen ich dplyr oder data.table oder einen anderen Daten-Frame manipulat vorschlagen würde, mit Ionenpaket. Hier verwende ich dplyr.

# 3. Calculate the difference using dplyr 
library(dplyr) 

my_rets <- my_df %>% group_by(ticker) %>% mutate(pd = (high - open)/open) 

my_rets 
# Source: local data frame [3,524 x 7] 
# Groups: ticker [2] 
# 
#   date ticker open high close  adj   pd 
#  <date> <fctr> <dbl> <dbl> <dbl> <dbl>  <dbl> 
# 1 2010-01-04 AAPL 213.43 214.50 214.01 27.72704 0.0050133440 
# 2 2010-01-05 AAPL 214.60 215.59 214.38 27.77498 0.0046132153 
# 3 2010-01-06 AAPL 214.38 215.23 210.97 27.33318 0.0039649549 
# 4 2010-01-07 AAPL 211.75 212.00 210.58 27.28265 0.0011806659 
# 5 2010-01-08 AAPL 210.30 212.00 211.98 27.46403 0.0080837473 
# 6 2010-01-11 AAPL 212.80 213.00 210.11 27.22176 0.0009398731 
# 7 2010-01-12 AAPL 209.19 209.77 207.72 26.91211 0.0027725991 
# 8 2010-01-13 AAPL 207.87 210.93 210.65 27.29172 0.0147206905 
# 9 2010-01-14 AAPL 210.11 210.46 209.43 27.13366 0.0016657655 
# 10 2010-01-15 AAPL 210.93 211.60 205.93 26.68020 0.0031764188 
# # ... with 3,514 more rows 

Ps.s. finden Sie eine gute dplyr Einführung hier: https://cran.rstudio.com/web/packages/dplyr/vignettes/introduction.html

Answer 3

Ich mag eine Lösung geben mit dem ganz neuen und interessantem Paket tidyquant der ist ideal für solche Aufgaben.Sie können all die Dinge von Ordinary verwenden und obendrein nutzt es die quantitative Macht von Xts, Quantmod und TTR! Werfen Sie einen Blick auf die vignette mit vielen Beispielen.

library(tidyquant) 
c("AAPL", "AAL") %>% 
    tq_get(get = "stock.prices") %>% 
    group_by(symbol.x) %>% 
    tq_mutate(ohlc_fun = OHLCV, mutate_fun = OpCl,col_rename='diff') %>% 
    select(- c(low,volume)) # I deselect low and volume to show the added colum ‘diff' 

Source: local data frame [5,110 x 7] 
Groups: symbol.x [2] 

    symbol.x  date open high close adjusted   diff 
     <chr>  <date> <dbl> <dbl> <dbl> <dbl>  <dbl> 
1  AAPL 2007-01-03 86.29 86.58 83.80 10.85709 0.0033607603 
2  AAPL 2007-01-04 84.05 85.95 85.66 11.09807 0.0226055559 
3  AAPL 2007-01-05 85.77 86.20 85.05 11.01904 0.0050133730 
4  AAPL 2007-01-08 85.96 86.53 85.47 11.07345 0.0066309913 
5  AAPL 2007-01-09 86.45 92.98 92.57 11.99333 0.0755349424 

UPDATE: wurde Frage gestellt Symbole in Spaltennamen hinzufügen

Vorausgesetzt, dass Sie die oben genannten Datenrahmen in variable stocks gespeichert:

lapply(unique(stocks$symbol.x), function(x) stocks[stocks$symbol.x == x,]) %>% 
lapply(function(x) { 
    names(x) <- paste0(x$symbol.x[1],'.',colnames(x)) 
    x 
}) 
[[1]] 
Source: local data frame [2,555 x 7] 
Groups: symbol.x [1] 

    AAPL.symbol.x AAPL.date AAPL.open AAPL.high AAPL.close 
      <chr>  <date>  <dbl>  <dbl>  <dbl> 
1   AAPL 2007-01-03  86.29  86.58  83.80 
2   AAPL 2007-01-04  84.05  85.95  85.66 
3   AAPL 2007-01-05  85.77  86.20  85.05 
4   AAPL 2007-01-08  85.96  86.53  85.47 
5   AAPL 2007-01-09  86.45  92.98  92.57 
6   AAPL 2007-01-10  94.75  97.80  97.00 
7   AAPL 2007-01-11  95.94  96.78  95.80 
8   AAPL 2007-01-12  94.59  95.06  94.62 
9   AAPL 2007-01-16  95.68  97.25  97.10 
10   AAPL 2007-01-17  97.56  97.60  94.95 
# ... with 2,545 more rows, and 2 more variables: 
# AAPL.adjusted <dbl>, AAPL.diff <dbl> 

[[2]] 
Source: local data frame [2,555 x 7] 
Groups: symbol.x [1] 

    AAL.symbol.x AAL.date AAL.open AAL.high AAL.close 
      <chr>  <date> <dbl> <dbl>  <dbl> 
1   AAL 2007-01-03 53.89 56.92  56.30 
2   AAL 2007-01-04 56.30 59.15  58.84 
3   AAL 2007-01-05 58.83 59.15  58.29 
4   AAL 2007-01-08 57.30 60.48  57.93 
5   AAL 2007-01-09 59.44 60.20  57.90 
6   AAL 2007-01-10 60.03 60.04  58.93 
7   AAL 2007-01-11 59.18 61.20  61.20 
8   AAL 2007-01-12 61.20 62.50  60.81 
9   AAL 2007-01-16 60.81 62.10  61.96 
10   AAL 2007-01-17 60.96 61.89  58.65 
# ... with 2,545 more rows, and 2 more variables: 
# AAL.adjusted <dbl>, AAL.diff <dbl>