引言

技术分析是金融市场中常用的分析方法，其中MACD指标是一种重要的趋势跟踪指标，能够反映价格波动的趋势和动量。本研究旨在通过R语言实现基于MACD指标的股票择时交易策略，并通过历史数据回测寻找最佳参数组合。

研究方法

数据获取与处理

我们将使用quantmod包获取股票数据，并使用quantstrat包进行策略回测。首先加载所需的包：

# 加载必要的包
library(quantmod)
library(quantstrat)
library(eTTR)
library(PerformanceAnalytics)
library(ggplot2)
library(dplyr)
library(tibble)
library(scales)
library(gridExtra)
library(showtext)
font_add("SimHei", regular = "SimHei.ttf")
showtext_auto()

接下来，我们获取TSLA的历史数据作为研究对象：

# 设置获取数据的起始和结束日期
startdate.st <- as.Date("2018-01-01")
enddate.st <- as.Date("2023-06-01")

# 获取上证指数数据
getSymbols("TSLA", 
           src = "yahoo", 
           from = startdate.st, 
           to = enddate.st)

## [1] "TSLA"

colnames(TSLA) <- c("Open", "High", "Low", 
                    "Close", "Volume", "Adjusted")

# 查看数据结构
head(TSLA)

##                Open     High      Low    Close    Volume Adjusted
## 2018-01-02 20.80000 21.47400 20.73333 21.36867  65283000 21.36867
## 2018-01-03 21.40000 21.68333 21.03667 21.15000  67822500 21.15000
## 2018-01-04 20.85800 21.23667 20.37867 20.97467 149194500 20.97467
## 2018-01-05 21.10800 21.14933 20.80000 21.10533  68868000 21.10533
## 2018-01-08 21.06667 22.46800 21.03333 22.42733 147891000 22.42733
## 2018-01-09 22.34400 22.58667 21.82667 22.24600 107199000 22.24600

summary(TSLA)

##      Index                 Open             High             Low        
##  Min.   :2018-01-02   Min.   : 12.07   Min.   : 12.45   Min.   : 11.80  
##  1st Qu.:2019-05-10   1st Qu.: 21.42   1st Qu.: 21.82   1st Qu.: 21.04  
##  Median :2020-09-15   Median :126.48   Median :130.84   Median :122.50  
##  Mean   :2020-09-14   Mean   :135.13   Mean   :138.26   Mean   :131.71  
##  3rd Qu.:2022-01-20   3rd Qu.:230.08   3rd Qu.:235.64   3rd Qu.:224.40  
##  Max.   :2023-05-31   Max.   :411.47   Max.   :414.50   Max.   :405.67  
##      Close            Volume             Adjusted     
##  Min.   : 11.93   Min.   : 29401800   Min.   : 11.93  
##  1st Qu.: 21.50   1st Qu.: 77479900   1st Qu.: 21.50  
##  Median :125.58   Median :105881850   Median :125.58  
##  Mean   :135.07   Mean   :134180816   Mean   :135.07  
##  3rd Qu.:231.07   3rd Qu.:159549600   3rd Qu.:231.07  
##  Max.   :409.97   Max.   :914082000   Max.   :409.97

MACD指标计算原理

MACD指标由三条曲线组成：DIF线、DEA线和MACD柱状图。其计算基于以下步骤：

前言

在量化投资建模过程之前，有时候，我们需要对多只股票的价格走势、收益率序列、波动率等进行分析。下面给出使用 R 语言比较多只股票价格走势的完整解决方案。方案涵盖数据获取、清洗、可视化及基础分析全流程：

数据获取

安装与加载工具包

# 安装必要包（首次运行需取消注释）
# install.packages(c("quantmod", 
#                    "tidyverse", 
#                    "ggplot2", 
#                    "zoo", 
#                    "corrplot"))

library(quantmod)   # 获取金融数据
library(tidyverse)  # 数据处理
library(ggplot2)    # 可视化
library(zoo)        # 时间序列处理

定义股票代码与时间范围

# 股票代码列表（支持多市场，如A股需加 .SS/.SZ）
# 苹果、谷歌、微软、英伟达
stocks <- c("AAPL", "GOOGL", "MSFT", "NVDA")  
# 时间范围
start_date <- "2023-01-01"
end_date <- Sys.Date()  # 获取当前日期

批量获取股票数据

# 获取数据
getSymbols(stocks, 
           src = "yahoo", 
           from = start_date, 
           to = end_date)

## [1] "AAPL"  "GOOGL" "MSFT"  "NVDA"

# 处理数据
stock_data <- lapply(stocks, function(x) {
  data <- as_tibble(get(x)) %>%
    mutate(Date = index(get(x))) %>%
    rename_with(~ gsub(paste0("^", x, "\\."), "", .x)) %>%
    select(Date, Close) %>%
    mutate(symbol = x) %>%  # 添加股票代码列
    rename(price = Close)   # 重命名收盘价列
}) %>%
  bind_rows()

# 查看结果
head(stock_data)

## # A tibble: 6 × 3
##   Date       price symbol
##   <date>     <dbl> <chr> 
## 1 2023-01-03  125. AAPL  
## 2 2023-01-04  126. AAPL  
## 3 2023-01-05  125. AAPL  
## 4 2023-01-06  130. AAPL  
## 5 2023-01-09  130. AAPL  
## 6 2023-01-10  131. AAPL

数据清洗

处理缺失值

library(dplyr)
# 检查缺失值
missing_values <- stock_data %>%
  group_by(symbol) %>%
  summarise(missing = sum(is.na(price)))

# 填充缺失值（使用前向填充）
stock_data <- stock_data %>%
  group_by(symbol) %>%
  mutate(price = na.locf(price))

对齐时间序列

library(dplyr)
# 生成完整日期序列
full_dates <- tibble(Date = seq(as.Date(start_date), 
                                as.Date(end_date), 
                                by = "day"))

# 左连接填充所有日期
stock_data <- full_dates %>%
  left_join(stock_data, by = "Date") %>%
  group_by(symbol) %>%
  fill(price, .direction = "downup") %>%
  na.omit()

价格走势可视化

基础折线图

library(dplyr)
ggplot(stock_data, aes(x = Date, y = price, color = symbol)) +
  geom_line(linewidth = 0.8) +
  labs(title = "多只股票价格走势对比",
       x = "日期",
       y = "收盘价",
       color = "股票代码") +
  theme_minimal() +
  theme(legend.position = "top") +  
  scale_color_manual(values = c("AAPL" = "red", 
                                "GOOGL" = "blue", 
                                "MSFT" = "green", 
                                "NVDA" = "purple")
                     )

对数收益率对比

library(dplyr)
# 计算对数收益率
return_data <- stock_data %>%
  group_by(symbol) %>%
  mutate(log_return = log(price) - log(lag(price))) %>%
  na.omit()

# 绘制收益率曲线
ggplot(return_data, 
       aes(x = Date, y = log_return, color = symbol)) +
  geom_line(alpha = 0.7) +
  labs(title = "对数收益率对比",
       x = "日期",
       y = "对数收益率",
       color = "股票代码") +
  theme_minimal() + 
  theme(legend.position = "top") # 图例放底部

绘制对数收益率密度图：

有效性

MACD指标择时交易策略分析

引言