财经数据分析之pedquant包

---

# 1/4  简介

---
## 如何开始

.pull-left[
首先从 [CRAN](https://cran.r-project.org/web/packages/pedquant/index.html) 安装 **pedquant** (**P**ublic **E**conomic **D**ata and **Quant**itative Analysis) 包：
```r
install.packages('pedquant')
```

或者从 [GitHub](https://github.com/ShichenXie/pedquant) 安装最新版：
```r
devtools::install_github('shichenxie/pedquant')
```

**pedquant** 包的帮助文档参见 http://pedquant.com ， 
或查看R中相应的文档：
```r
help(package = 'pedquant')
```

]
.pull-right[
**pedquant** 包提供的函数主要分为三大类：

1. **ed_** (**e**conomic **d**ata 的缩写) 开头的函数，获取来自 [美联储经济数据 FRED](https://research.stlouisfed.org/)、 [中国人民银行 PBC](http://www.pbc.gov.cn/) (进行中)、 [国家统计局 NBS](http://data.stats.gov.cn/) 等机构的经济社会统计数据；

2. **md_** (**m**arket **d**ata 的缩写)开头的函数，获取来自 [雅虎财经 yahoo](https://finance.yahoo.com/) 的全球股票价格数据、 [网易财经 163](http://quotes.money.163.com/) 的上证与深证股票价格与财报数据、 [新浪财经 sina](https://finance.sina.com.cn/futuremarket/) 的国内期货价格数据等；

3. **pq_** (**p**ed**q**uant 的缩写)开头的函数，主要提供了一些数据预处理与可视化等相关功能。
]

---
## 相关R包

![](imgs/pkg_list.png)
]

- 但以 data.frame (数据框) 为基础的数据处理工具包，例如 [tidyverse](http://tidyverse.org)、 [data.table](http://r-datatable.com)，更为大家所熟悉。[tidyquant](https://github.com/business-science/tidyquant) 将量化分析常用功能与 [tidyverse](http://tidyverse.org) 很好的结合起来。

- [pedquant](https://github.com/shichenxie/pedquant) 提供了类似于 [quantmod](https://github.com/joshuaulrich/quantmod) 的功能，但是基于 [data.table](http://r-datatable.com) 包开发，而且提供了我国所特有的财经数据。

]

.footnote[[*] 参考 [Guy Yollin. Introduction to Trading Systems](http://www.r-programming.org/papers)。]

---

# 2/4 获取数据

---
## 经济社会统计数据

加载包并查看版本，后面将展示部分主要函数的功能。

```r
library(data.table)
library(pedquant)
packageVersion('pedquant')
```

```
## [1] '0.2.2.999'
```

.pull-left[
- `ed_nbs` 函数可查询国家统计局 NBS 数据（以 `ed_` 开头的函数可以不用输入参数，而通过交互的方式设定）。
- 其中，`symbol` 与 `subregion` 两个参数可分别通过 `ed_nbs_symbol` 与 `ed_nbs_subregion` 函数获得。
]
.pull-right[
- `ed_fred` 函数可获取美联储经济数据 FRED。目前该数据库覆盖了87个数据源，拥有53万个美国或国际的数据指标。
- 其中，`symbol` 参数可以通过 `ed_fred_symbol` 函数获取，或者到 FRED 网站上查询。
]

---
class: clear

```r
# cpi of China
dt_cpicn = ed_nbs(
  symbol = c('A01010101','A01010201'), 
  freq = 'monthly', geo_type = 'nation', 
  date_range = 'max', na_rm = TRUE)
# data sturcture
str(head(dt_cpicn[[1]],1))
```

```
## Classes 'data.table' and 'data.frame':	1 obs. of  6 variables:
##  $ symbol: chr "A01010101"
##  $ name  : chr "居民消费价格指数(上年同月=100)"
##  $ date  : Date, format: "2016-01-01"
##  $ value : num 102
##  $ geo   : chr "china"
##  $ unit  : chr ""
##  - attr(*, ".internal.selfref")=<externalptr>
```
]

```r
# cpi of US
dt_cpius = ed_fred(
  symbol = 'FLEXCPIM159SFRBATL', 
  date_range = 'max', print_step=0)

# data sturcture 
str(head(dt_cpius[[1]],1))
```

```
## Classes 'data.table' and 'data.frame':	1 obs. of  6 variables:
##  $ symbol: chr "FLEXCPIM159SFRBATL"
##  $ name  : chr "Flexible Price Consumer Price Index"
##  $ date  : Date, format: "1967-12-01"
##  $ value : num 2.81
##  $ geo   : chr "usa"
##  $ unit  : chr "Percent Change from Year Ago"
##  - attr(*, ".internal.selfref")=<externalptr> 
##  - attr(*, "sorted")= chr "date"
```
]

---
## 市场数据

- `md_stock` 函数获取股价历史与实时数据，支持上证、深证、港股、美股。

```r
dt_pingan = md_stock('000001', date_range = 'max', forward=FALSE, print_step=0)
str(dt_pingan[[1]][.N])
```

```
## Classes 'data.table' and 'data.frame':	1 obs. of  11 variables:
##  $ symbol   : chr "000001.SZ"
##  $ name     : chr "平安银行"
##  $ date     : Date, format: "2023-05-15"
##  $ open     : num 12.7
##  $ high     : num 12.8
##  $ low      : num 12.4
##  $ close    : num 12.8
##  $ volume   : num 928326
##  $ amount   : num 1.17e+09
##  $ turnover : num 0.48
##  $ close_adj: num 2291
##  - attr(*, ".internal.selfref")=<externalptr>
```
]
.pull-right[

```r
dt_apple = md_stock('aapl', date_range = 'max', forward=FALSE, print_step=0)
str(dt_apple[[1]][.N])
```

```
## Classes 'data.table' and 'data.frame':	1 obs. of  11 variables:
##  $ symbol   : chr "AAPL"
##  $ name     : chr "苹果"
##  $ date     : Date, format: "2023-05-15"
##  $ open     : num 173
##  $ high     : num 173
##  $ low      : num 172
##  $ close    : num 172
##  $ volume   : num 5542117
##  $ amount   : num 9.57e+08
##  $ turnover : num 0.04
##  $ close_adj: num 40146
##  - attr(*, ".internal.selfref")=<externalptr>
```
]

---
class: clear

- `md_stock_financials` 函数获取A股上市公司财报，包括摘要、利润表、资产负债表、现金流量表

```r
dt_fs = md_stock_financials(type='fs0_summary', to = '2022-12-31', colnam_chn = TRUE)
```

```
## 1/1 fs0_summary
```

```r
str(dt_fs[[1]][1:2])
```

```
## Classes 'data.table' and 'data.frame':	2 obs. of  34 variables:
##  $ SECURITY_CODE        : chr  "301310" "835152"
##  $ 股票简称             : chr  "鑫宏业" "未来国际"
##  $ TRADE_MARKET_CODE    : chr  "069001002002" "069001004001"
##  $ TRADE_MARKET         : chr  "深交所创业板" "新三板"
##  $ SECURITY_TYPE_CODE   : chr  "058001001" "058001005"
##  $ SECURITY_TYPE        : chr  "A股" "三板股"
##  $ 公告日期             : chr  "2023-05-16 00:00:00" "2023-05-15 00:00:00"
##  $ 财报日期             : chr  "2022-12-31 00:00:00" "2022-12-31 00:00:00"
##  $ 每股收益             : num  1.988 -0.0003
##  $ 每股收益-扣除        : num  NA -0.05
##  $ 营业收入-营业收入    : num  1.81e+09 3.25e+08
##  $ 净利润-净利润        : num  144765128 -33402
##  $ 净资产收益率         : num  25.98 -0.01
##  $ 营业收入-同比增长    : num  48.4 -12.6
##  $ 净利润-同比增长      : num  35.2 99.7
##  $ 每股净资产           : num  8.69 3.96
##  $ 每股经营现金流量     : num  2.968 -0.0331
##  $ 销售毛利率           : num  14.4 24.9
##  $ 营业收入-季度环比增长: num  NA NA
##  $ 净利润-季度环比增长  : num  NA NA
##  $ 利润分配             : chr  NA "不分配不转增"
##  $ PAYYEAR              : chr  NA "2022"
##  $ 所处行业             : chr  NA NA
##  $ 股息率               : num  NA NA
##  $ date_notice          : chr  "2023-05-16 00:00:00" "2023-05-15 00:00:00"
##  $ ORG_CODE             : chr  "10000206080" "10181972"
##  $ TRADE_MARKET_ZJG     : chr  "0202" "0400"
##  $ ISNEW                : chr  "0" "1"
##  $ QDATE                : chr  "2022Q4" "2022Q4"
##  $ DATATYPE             : chr  "2022年 年报" "2022年 年报"
##  $ DATAYEAR             : chr  "2022" "2022"
##  $ DATEMMDD             : chr  "年报" "年报"
##  $ EITIME               : chr  "2023-05-15 20:48:12" "2023-05-15 15:44:33"
##  $ 股票代码             : chr  "301310.SZ" "835152.NQ"
##  - attr(*, ".internal.selfref")=<externalptr>
```

---
class: inverse, center, middle

# 3/4 数据预处理与可视化

---
## 技术分析指标

```r
dt_ti = pq_addti(dt_pingan, sma = list(n=20), sma = list(n=50), 
                 macd = list(), col_kp = FALSE)

tail(dt_ti[[1]],2)
```

```
##     sma_20  sma_50  macd_macd macd_signal
## 1: 12.6750 12.8886 0.02935538  -0.3680586
## 2: 12.6925 12.8696 0.07095750  -0.2802553
```
]

.pull-right[
- 指标类别：
  - 根据指标功能可分为移动平均/趋势检测或强度指标/震荡指标/波动率指标/成交量指标/其它
  - 根据指标值类型分为overlays/indicators。
  
- TTR函数参数：
  - 价格/成交量/权重：
      - 不可修改参数，包括OHLC, HLC, HL and volume；
      - 可修改参数，包括price, prices, x。 均默认设为close或value；
      - 需要单独设置参数，包括y, w；
  - 数值参数：例如n, sd, v, nFast, nSlow, nSig, accel，均有默认值，但可以根据需要修改。
]

---
## 可视化
- `pq_plot` 函数使用了 `echarts4r` 包实现数据的动态可视化。

```r
# line chart
p1 = pq_plot(rbindlist(dt_cpicn)[, symbol := symbol[.N]], y='value',
    from = '2000-1-1', chart_type = 'step')
```
![](imgs/p1.png)
]
.pull-right[

```r
# candlestick chart
p2 = pq_plot(dt_pingan, date_range = '3y', 
             chart_type = 'candle')
```
![](imgs/p2.png)
]

---
class: clear
.pull-left[

```r
# addti
p3 = pq_plot(dt_pingan, date_range = '3y', 
    chart_type = 'line', 
    addti = list(sma=list(n=20), sma=list(n=50)))
```
![](imgs/p3.png)
]
.pull-right[

```r
# linear_trend 
p4 = pq_plot(dt_pingan, date_range = 'max', 
    chart_type = 'line',
    linear_trend = c(-0.8, 0, 0.8))
```
![](imgs/p4.png)
]

---
class: inverse, center, middle

# 4/4 策略开发

---
## 双均线策略

```r
# load data
ssec = md_stock('^000001', date_range = 'max', print_step = 0)

# technical indicators
ssecti = pq_addti(ssec, x='close_adj', 
         sma=list(n=200), sma=list(n=50))

# crossover signals
dtorders = copy(ssecti[[1]])[
   sma_50 %x>% sma_200, `:=`(
     type = 'buy',  prices = close_adj)
 ][sma_50 %x<% sma_200, `:=`(
   type = 'sell', prices = close_adj)
 ][order(date)
 ][, (c('type', 'prices')) := lapply(.SD, shift), 
   .SDcols = c('type', 'prices')
 ][,.(symbol, name, date, close_adj, type, prices)]
```

]

```r
# charting
pbt = pq_plot(ssec,  y='close_adj', 
      addti = list(sma=list(n=200), sma=list(n=50)), 
      orders = dtorders[!is.na(type)])
```

![](imgs/pbt.png)
]

---
class: inverse, center, middle

![](imgs/WechatIMG36.jpeg)