跳到主要內容

由Yahoo Finance 連續抓取資料

廚師在做菜，沒有食材，就沒有可口料理；但如何快速與新鮮獲取食材，這就必須透過物流處理。相同的，金融計算與分析的過程，如何快速抓取資料是一件非常重要的事情，沒有大量的資料，就無法分析。

教學的過程，都必須特別強調在資訊與科技的進步下，如何確實執行"資料不落地"，所謂的資料不落地，就是不手動抓取資料。

在學術教學或者是學生的論文研究，基本上都是要求需要透過TEJ 的API來獲取即時資料。TEJ 的API需要額外購買，通常都是業界機構或者學術機構才有本錢購買。

就外部教學上，都是透過R語言的"qauntmod"套件進行示範。換句話說，就一般業餘的使用者而言，通常都是建議透過Yahoo Finance來取得盤後資料。這裡必須提醒，Yahoo Finance所取得盤後資料，難免會有些錯誤，但基於免費的精神下，也就不太強求了！

以下，就透過套件與迴圈來連續抓取資料。

rm(list=ls()) 

Sys.setlocale("LC_TIME","english")

#***********************************************

#                 Load Packages                    

#***********************************************

packages=c("xts","quantmod")

for(i in packages){

  if(!require(i,character.only = TRUE)) install.packages(i)

  library(i,character.only = TRUE)

}

#********************************************************

#                   Parms Setting    

#********************************************************

SD  <-  "2020-01-03"

ED  <-  as.character(Sys.Date())

#***********************************************

#                 Download Data                    

#***********************************************

Tickers <- c("2330.TW","2454.TW","2317.TW")

Tickers <- sort(unique(c(Tickers)))

Names <- paste0(Tickers)

NoF = length(Tickers)

pb = winProgressBar(title = "progress bar", min = 0,

                    max = NoF, width = 300)

RawSTK <- list()

for (i in seq(1,length(Tickers))){

  tem = loadSymbols(Tickers[i], from =  as.Date(SD), to =as.Date(ED),

                    auto.assign = FALSE, return.class = 'xts')

  RawSTK[[i]] <-  adjustOHLC(tem,use.Adjusted=TRUE)

  rm(tem)

  Sys.sleep(0.01)

  setWinProgressBar(pb, i, title=paste( round(i/NoF*100, 0),

                                        "% Download Data from Yahoo by hcLee"))

}

close(pb)

names(RawSTK) <- Names

save(RawSTK, file="RawSTK.RData")

透過以上的程式，就可以把資料下載後，存到RawSTK這個串列變數。
後續如果需要用到相關的資料，就可以在串列變數進行提取。在金融計量分析過程，抓取資料後，如何進行迴歸分析，快速估計迴歸係數 (例如每一個月或者每一個季度估計變數)，那又是另一個議題，後續再利用專章說明。



標籤：

留言

張貼留言

這個網誌中的熱門文章

迴歸估計需要滾動嗎？

在金融計算中，迴歸的參數估計是基本而且重要的。舉凡市場模型的系統風險參數估計、市場流動性的Kyle值等等，我們都必須透過迴歸來估計參數；參數的估計，一次也不可能只估計一檔股票，也不可能假定參數沒有結構性轉變，用全部的樣本估計一個參數，然後就草草結束工作。 因此，這裡提出一個假設性的問題，迴歸參數估計用於投資交易時，需要滾動逐季估計嗎？以下，抓取5檔股票來每季計算系統風險Beta值。資料抓取的期間為"2002-01-01"~"2021-12-31"，所有的資料抓取自Yahoo Finance。每季度計算Beta值的重點是讓程式如何判斷每一季的區間。R套件"xts"裡面有endpoints可以使用。不過，通常建議學習者儘量不要使用套件函數，而是自己根據邏輯寫出每個季度的區間。以下是我處理季度的方法 (當然每個人有自己的處理方式)。 處理完季度的判讀後，後續就是寫迴圈逐季估計參數。此處，乃透過雙迴圈執行，雙迴圈包含季度迴圈與公司迴圈。估計完畢，可以得到的參數估計如下： 透過數字，粗略可以看到每檔股票的Beta每季的變動幅度不算小。接續，來看一下圖形會更清楚。 圖形清楚畫出了5檔股票"2002-01-01"~"2021-12-31"的每一個季度Beta。這個圖形給了計量交易者很大的啟示：就算大股票，其Beta的變異每季還是相當大，因此如果想要透過Beta進行投資時，如果即時估計出每檔股票相對均衡的Beta值就很重要了。
張貼留言
閱讀完整內容

百年複利

 定期定額首先要有的觀念就是複利效果。複利效果最常被提及的就是72法則，該法則是將72/報酬率，就能算出原始投資翻倍的時間。這樣的概念非常好，但這裡談到的是更大的視野，我們想知道翻百倍、千倍，甚至萬倍的時間。 百年複利，可以很清楚的看本金翻百倍、千倍，甚至萬倍的時間到。以下附上百年複利圖，後續再清楚的說明。 透過百年複利圖，可以清楚看到，今天投入1塊錢，每年報酬10%，100年後，1塊錢將會變成1,3780.61元。9%的百年複利效果為5529.04。這結果清楚看到：(1) 10%的複利效果大於9%的複利效果2倍以上，記得2者只差1%，100年後的投資績效結果可以差到2倍以上，因此千萬不要忽略1%的差距；(2) 根據複利效果，要清楚看到複利的強大效果，估計是在60年以上。 有了上述的結果，投資人就不用羨慕巴爺爺了，他在市場的時間夠長了，長到已經開始享受無敵的複利效果了！ 最後的問題在於，如何能挑到好的資產，可以享受到10%的複利效果？老實話，這是個不容易的問題。首先，第一件事情是必須要找到一個資產，確保100年後它還市場；其次是它的報酬要接近10%；最後，他的投資邏輯必須要很簡單，每一個人都能容易執行。能這符合這些條件，歷史資料觀察大概只有美國的股價指數能夠有這樣的效果。因此，透過追蹤美國被動指數的ETF是最有可能達到這個效果的，例如SPY、DIA、QQQ、SOXX。記得，這裡提到的只有美國...。 最後，要記得的一點，美國指數被動ETF有一個觀念：“現在的高點是未來的低點，現在的低點是絕佳買點”，之所如此乃與美國是世界主宰者有關 (有興趣可以再用專章討論這個議題)。雖然這句話講得很斬釘截鐵，也有點太過肯定，但是先把這句話記下來，往後有足夠的時間讓我們來看看這句話的對與錯。
張貼留言
閱讀完整內容