R中股票biWeekly收益率标准差的计算

Question

多年来，我有一个非常长的大量股票数据集，类似于这个数据：

one_ticker = tq_get("AAPL", from = "2021-06-01")
one_ticker <- one_ticker %>%
                mutate(day = day(date),
                month = month(date),
                year = year(date))


 symbol date        open  high   low close   volume adjusted   day month  year
   <chr>  <date>     <dbl> <dbl> <dbl> <dbl>    <dbl>    <dbl> <int> <dbl> <dbl>
 1 AAPL   2021-06-01  125.  125.  124.  124. 67637100     124.     1     6  2021
 2 AAPL   2021-06-02  124.  125.  124.  125. 59278900     125.     2     6  2021
 3 AAPL   2021-06-03  125.  125.  123.  124. 76229200     123.     3     6  2021
 4 AAPL   2021-06-04  124.  126.  124.  126. 75169300     126.     4     6  2021
 5 AAPL   2021-06-07  126.  126.  125.  126. 71057600     126.     7     6  2021
 6 AAPL   2021-06-08  127.  128.  126.  127. 74403800     126.     8     6  2021
 7 AAPL   2021-06-09  127.  128.  127.  127. 56877900     127.     9     6  2021
 8 AAPL   2021-06-10  127.  128.  126.  126. 71186400     126.    10     6  2021
 9 AAPL   2021-06-11  127.  127.  126.  127. 53522400     127.    11     6  2021
10 AAPL   2021-06-14  128.  131.  127.  130. 96906500     130.    14     6  2021

1. ，我想首先计算每月biWeekly调整后的价格回报：

-first biWeekly interval: days 1-15 -second biWeekly interval: days 16-30

计算每个quarter.内调整后的返回标准偏差的

以下是苹果过去6个月的业绩：

    1. Adjusted_biWeekly_Returns
    
[1]  0.043128324
[2]  0.052324355
[3]  0.081663817
[4] -0.003620508
[5]  0.026136504
[6]  0.004698278
[7] -0.022818187
[8] -0.048995111
[9]  0.0153523
[10] 0.022176775

解释：

1 129.257401/123.913231-1 = 0.043128324 (2021年调整价格/ 01/06/2021调整价格)

5 148.882721/145.090561-1 = 0.026136504 (13/08/2021和02/08/2021) -因为在15日和1日没有交易。

     2. Quarterly Standard Deviation: 

1/06/2021 - 1/09/2021 0.028944365 ([1]-[6] standard deviation) 
1/09/2021 - 1/01/2022 Not available yet. 

我如何在R中计算它？*有一个tq_transmute函数，它对于每周计算非常有用，但不适用于biWeekly计算。

Answer 1

您可以单独执行每个步骤，并使用to.weekly和apply.quarterly函数，如下代码所示：

library(tidyverse)
library(tidyquant)
library(xts)
library(PerformanceAnalytics)
library(TTR)

one_ticker = tq_get("AAPL", from = "2021-06-01")
one_ticker <- one_ticker %>%
  mutate(day = day(date),
         month = month(date),
         year = year(date))

aapl_adj <- xts(x = one_ticker$adjusted,
                order.by = one_ticker$date)

aapl_adj_weekly <- to.weekly(aapl_adj, OHLC = F) # convert to weekly

idx <- seq_along(aapl_adj_weekly) %% 2 > 0 # create index for bi-weekly dates
 
aapl_adj_biweekly <- aapl_adj_weekly[idx, ] # extract bi-weekly values

aapl_adj_biweekly_returns <- TTR::ROC(aapl_adj_biweekly, type = "discrete", na.pad = F)

aapl_adj_biweekly_returns

# compute quarterly standard deviation
xts::apply.quarterly(aapl_adj_biweekly_returns, sd)
                   e1
2021-06-18         NA
2021-09-24 0.03159961
2021-11-16 0.02900001

如果你不需要降低到双周的频率，你可以只运行一次，对每个滴答。这也具有更好地估计返回标准偏差的优点，因为您使用了所有可用的数据点，而不仅仅是每两周的数据：

# fast version without downsampling and annualized standard deviation
aapl_adj |> TTR::ROC(type = "discrete", na.pad = F) |> xts::apply.quarterly(FUN = PerformanceAnalytics::sd.annualized)

                  e1
2021-06-30 0.1551537
2021-09-30 0.2063587
2021-11-16 0.1701798