[R] Tidyquant 的練習－利用200天平均線的測試

最初大約是3-4月，當時參加了一個 R User group的 Machine Learning Beginner 的課堂，接觸到 "tidyverse" library。Tidyverse" 中的 "dplyr" 在數據整理上十分方便，不過課堂中處理的都是一些非時間序列的數據，好奇在時間序列的股票方面有什麼好工具可以使用呢？那時候開始留意到有一個叫 "tidyquant" 的 R Library，就一直想找時候來學習一下。例如，好不好把之前的股價研究換成用 Tidyquant再試一次？終於，上星期在 Feedly 看到一篇評論信報某專欄的blog post，就正好用這研究來作為練習，有興趣的話建議先看以下兩篇原文：

分析數據還是以數據「作」分析呢？
https://htmichael.blogspot.hk/2017/08/blog-post.html

【EJFQ信析】港股未脫超買 不離三種下場
http://www2.hkej.com/instantnews/market/article/1636469

[JS] 用 NodeJS 和 Socket.IO 製作實時更新的自家股價指標查詢網頁

繼續Node.JS 的學習，這篇是要記錄另一個嘗試，在後台的Server不斷更新股價資料和自設的指標，做一個網頁可以讓自己在屋企以外也可以查詢這些後台的資訊。

之前的星期看完了Coursera的那個Node 的課程，內容是充實的，繼之前的內容後，還有HTTP 的session , https, authorise token。 不過未有用到的想法，看完也像過眼雲煙。能夠上心的反而只有自己試的Socket.IO。會這樣做是因為看到一篇Socket.IO 的文章，可以讓客戶端的瀏覽器和伺服器端作實時雙向溝通，不必客戶端去不斷刷新。

[R] 閱後測試－R語言與股票市場的預測

原來上水圖書館的電腦類書有不少我想要的題目，打算去找點數學的書，結果卻捧了一堆電腦程序的書回來。
《巨量資料的第一步－R語言與商業應用》
《實戰Java－9個別具特色的實作經驗》
《Arduino錦囊妙計》
《Raspberry Pi 機器人自造專案》

這本學習R的書，算是我看過的R中文書當中很好的一本，特別是案例的部份的學習價值就很高。基本內容都有提及一些我不熟悉的。例如時間和時間序列的類型、資料連接SQL資料庫、處理遺留數據等。

上月初，周末加班時就帶著電腦和書，在坐車時跟著書去嘗試。誰知把書放在椅背休息一下，落車時就忘了帶走。好在一星期後發現有人已經代為把書還了圖書館，感謝這個好心人。

首先跟著這本書試的是這一章「股票市場的預測」。 它是用quandmod套件中的getSymbols()功能獲得xts時間序列類型的股價資訊。建立一個自行定義的回報觀察值去衡量價格變動，再用常見的技術分析指標作變數，建立決策樹Decision Tree的模型。最後評價模型的預測誤準確度。

[R] 複製－市盈率與後市關係之統計

最近好像少了Coding上的主題。上星期看到這篇文章：《以市盈率和股息率看後市統計》，正好想把這個作為R的練習。它統計在不同市盈率（P/E）之下，恆指在1個月以至1年之後是升還是跌。結論是：雖然恆指無論在高或低市盈率的短期(一個月)後，表現未見有特別；但當看一年或兩年後的話，則明顯升多跌少。而且市盈率越低，一年後及二年後上升的機會越大。

過程

想重複這個統計，需要的兩項資料分別是恆指收市價和恆指市盈率。在練習R時，收市價當然是用它的Library： "quantmod" 。背後的數據來源是Yahoo財經；因為今次需要的是月度資料（之後提到的恆指PE，要方便的話也是拿按月的資料），所以用compression="m"；再用"zoo"格式的as.yearmon(index( )) 紀錄這類月度的時間序列。

Prices = get.hist.quote(instrument="^hsi", start="1986-01-01",end="2016-05-31", 
  quote=c("Close","AdjClose"),provider="yahoo", 
  origin="1970-01-01",compression="m", retclass="zoo")

另一方面的市盈率資料，之前為了自己弄的Excel模型就有找過。可以用恆指公司網頁上的.xls檔案。因為在MacOS上沒有再找處理excel格式的套件，所以下載回來後，我先刪去了合併儲存格的大標題、改了日期格式、和另存成我熟悉的csv檔案。

這兩項數據有不同的日期表示方式，Yahoo用的是每月首個交易日，恆指公司用的卻是每月最後一日。所以先將兩項資料都用"zoo"格式的as.yearmon(index( )) 去轉換成配合這類月度資料的時間序列。將兩個數據合併，然後在所有數據中，再抽出所想要的時間片段。而與他的例子不同的是，我選擇了1987年1月至2016年5月的資料。

一開始只是計算某一個市盈率範圍在某個時間後的表現，這個可以比較簡單可以做到。然後就想要引伸到不同情況（5種市盈率範圍、5種觀察時期），還有要把每個結果整合到一個表格中來呈現，就只想到用nested-loop的方式去計算每一個數值，然後逐步組合成用於表達的Matrix。不過，其實這方法在R的世界中好像因為執行效率的考慮而儘量避免的，會比較推崇的是Vectorization，把數據一開始便弄成更多維度的矩陣去運算。

整個結果如下圖。

Edx - TW3421x Credit Risk Management

Edx 上看到一個Credit Risk Management的課堂，報了打算讓自己溫習一下從前上課所學。最近這快要完成了，來總結這課堂所學的內容。

這課堂由Delft University of Technology的Dr. Pasquale Cirillo 講授。說話速度像是刻意放慢了，講解不會沉悶之餘，初時還有用RSA動畫的方式去解釋事情之間關係。內容方面，沒有涉及複雜的數學證明，某些公式出現時就重申：推導過程不在課程以內，然後直接使用。這令課程變得簡單之餘，也清晰了這是集中在讓初學者理解概念。

The computation of WCDR is performed using the formula you see on your screen. I do agree with you if you think that this formula has somehow fallen from the sky.
That's true: in this course this formula has fallen from the sky. The point is that, in order to derive this formula completely and formally, we would need - all - a big probabilistic apparatus that we do not have, such as for example the copula model. So, that's it: just take this formula for granted.

課程把信用風險放在從巴塞爾協定中開始講起。巴塞爾協定是對銀行業的其中一項重要條約。從巴塞爾協定二起，基本定立出三條支柱。
1) Minimum Capital Requirement (Credit Risk, Market Risk, Operational Risk)
2) Supervisory Review Process
3) Market Discipline

更仔細的在：http://www.bis.org/bcbs/basel3/b3summarytable.pdf