❶ 如何用R语言提取股票行情数据
最上边一行菜单栏倒数第二个“高级”-“关联任务定义”-选取最右边从上到下第二个按钮，找到2009年决算任务安装路径-确定。 然后 最上边一行菜单栏正数第二个“录入”-“上年数据提取”即可 提取完了，注意修改与去年不同的科目代码！
❷ 如何用R语言的quantmod包获取一系列股票的历史日线数据
我举个例子供你参考：
> install.packages('quantmod') # 安装安装quantmod包
> require(quantmod)#引用quantmod包
> getSymbols("GOOG",src="yahoo",from="2013-01-01", to='2013-04-24') #从雅虎财经获取google的股票数据
> chartSeries(GOOG,up.col='red',dn.col='green') #显示K线图
❸ R语言怎么把股票日收盘价转换成对数收益率
知道一系列收盘价向量X,length=1000,求对数收益率的R语言代码
acf(int[,2], lag.max = 15,type = "correlation", plot = TRUE,main='int monthly
acf(int.l[,2], lag.max = 15,type = "correlation", plot = TRUE,main='int monthly
log return')
Box.test(int[,2], lag = 5, type = "Ljung-Box")
Box.test(int[,2], lag = 10, type = "Ljung-Box")
Box.test(int.l[,2], lag = 5, type = "Ljung-Box")
Box.test(int.l[,2], lag = 10, type = "Ljung-Box")
运行结错误办
> int <- read.table("d-intc7208.txt", head=T)
错误于file(file, "rt") : 打链结
外: 警告信息：
In file(file, "rt") :
打文件'd-intc7208.txt': No such file or directory
+ acf(int.l[,2], lag.max = 15,type = "correlation", plot = TRUE,main='int monthly
错误: 意外符号 in:
"
acf(int.l[,2], lag.max = 15,type = "correlation", plot = TRUE,main='int"
> log return')
错误: 意外符号 in "log return"
❹ 怎样从基本面和技术面对股票进行分析最好有一个典型案例。。急。。
技术分析就是利用股票的各种数值如K、D、J、MACD等，而基本分析就是一个公司的基本财务状况分析、价值分析。政策分析等比如中国石化，他每年的利润都是几百亿，而他现在的股价是20多，你觉得他的价值应该更高，所以预期会涨，这就是基本分析。
❺ 有哪些关于 R 语言的书值得推荐
数据挖掘与R语言
本书首先简要介绍了R软件的基础知识（安装、R数据结构、R编程、R的输入和输出等）。然后通过四个数据挖掘的实际案例 （藻类频率的预测、证券趋势预测和交易系统仿真、交易欺诈预测、微阵列数据分类）介绍数据挖掘技术。这四个案例基本覆盖了常见的数据挖掘技术，从无监督的 数据挖掘技术、有监督的数据挖掘技术到半监督的数据挖掘技术。全书以实际问题、解决方案和对解决方案的讨论为主线来组织内容，脉络清晰，并且各章自成体 系。读者可以从头至尾逐章学习，也可以根据自己的需要进行学习，找到自己实际问题的解决方案。
本书不需要读者具备R和数据挖掘的基础知识。不管是R初学者，还是熟练的R用户都能从书中找到对自己有用的内容。读者既可以把本书作为学习如何应用R的一本优秀教材，也可以作为数据挖掘的工具书。
机器学习：实用案例解析
机器学习是计算机科学和人工智能中非常重要的一个研究领域，近年来，机器学习不但在计算机科学的众多领域中大显身手，而且成为一些交叉学科的重要支撑技 术。本书比较全面系统地介绍了机器学习的方法和技术，不仅详细阐述了许多经典的学习方法，还讨论了一些有生命力的新理论、新方法。
全书案例既有分类问题，也有回归问题；既包 含监督学习，也涵盖无监督学习。本书讨论的案例从分类讲到回归，然后讨论了聚类、降维、最优化问题等。这些案例包括分类：垃圾邮件识别，排序：智能收件 箱，回归模型：预测网页访问量，正则化：文本回归，最优化：密码破解，无监督学习：构建股票市场指数，空间相似度：用投票记录对美国参议员聚类，推荐系 统：给用户推荐R语言包，社交网络分析：在Twitter上感兴趣的人，模型比较：给你的问题找到最佳算法。各章对原理的叙述力求概念清晰、表达准确，突 出理论联系实际，富有启发性，易于理解。在探索这些案例的过程中用到的基本工具就是R统计编程语言。R语言非常适合用于机器学习的案例研究，因为它是一种 用于数据分析的高水平、功能性脚本语言。
R语言经典实例
本书涵盖200多个R语言实用方法，可以帮助读者快速而有效地使用R进行数据分析。R语言给我们提供了统计分析酣一切工具，但是R本身的结 构可能有些难于掌握。本书提供的这些面向任务、简明的R语言方法包含了从基本的分析任务到输入和输出、常用统计分析、绘图、线性回归等内容，它们可以让你 马上应用R高效地工作。
每一个R语言方法都专注于一个特定的问题，随后的讨论则对问题的解决方案给出解释，并阐释该方法的工作机理。对于R的初级用户，《R语言经典实例》将帮助 你步入R的殿堂；对于R的资深用户，本书将加深你对R的理解并拓展你的视野。通过本书，你可以使你的分析工作顺利完成并学习更多R语言知识。本书由蒂特 著。
R语言编程艺术
R语言是世界上最流行的用于数据处理和统 计分析的脚本语言。考古学家用它来跟踪古代文明的传播，医药公司用它来探索哪种药物更安全、更有效，精算师用它评估金融风险以保证市场的平稳运行。总之， 在大数据时代，统计数据、分析数据都离不开计算机软件的支持，在这方面R语言尤其出色。
本书将带领你踏上R语言软件开发之旅，从最 基本的数据类型和数据结构开始，到闭包、递归和匿名函数等高级主题，由浅入深，讲解细腻，读者完全不需要统计学的知识，甚至不需要编程基础。而书中提到的 很多高级编程技巧，都是作者多年编程经验的总结，对有经验的开发者也大有裨益。本书精选了44个扩展案例，这些案例都源自于作者亲身参与过的咨询项目，都 是与数据分析相关的，生动展示了R语言在统计学中的高效应用。
金融数据分析导论：基于R语言
本书由统计学领域著名专家Ruey S. Tsay（蔡瑞胸）所著，从基本的金融数据出发，讨论了这些数据的汇总统计和相关的可视化方法，之后分别介绍了商业、金融和经济领域中的基本时间序列分析和计量经济模型。
时间序列分析及应用:R语言(原书第2版)
本书以易于理解的方式讲述了时间序列模型及其应用，主要内容包括：趋势、平稳时间序列模型、非平稳时间序列模 型、模型识别、参数估计、模型诊断、预测、季节模型、时间序列回归模型、异方差时间序列模型、谱分析入门、谱估计、门限模型.对所有的思想和方法，都用真 实数据集和模拟数据集进行了说明。
本书可作为高等院校统计、经济、商科、工程及定量社会科学等专业学生的教材或教学参考书，同时也可供相关技术人员使用。
❻ 正在学习用R语言编写股票自动交易软件，但是对股票以及R语言都知之甚少。求高手指点。
我和你一样，也在学，大智慧新一代，通达信，和飞狐这几个你任选一个先学，以后慢慢的都会了。飞狐相对要复杂一些，要想编出功能更强大的公式，飞狐里还会用到VBS和JS脚本，还会用到C语言，别的公式不会用到这些。
❼ 老师有没有 R语言与数据挖掘最佳实践和经典案例 的电子版
不知不觉我跟R已经认识1年了，在这一周年的日子里，写篇纪念文章。
以前我并未对统计软件有特殊的偏好，spss、sas、eviews都在用，三个中稍倾向于spss，主要因为它比较简单，sas的学习难度和应用条件（模块很多，文件太大）是我所难以接受的，eviews只在时间序列里用。那时更关注于具体的理论学习，不过在往深了学的时候，会有一个疑问，如果我在现实中要实现这些比较新的内容该怎么办？（商业软件一般没那么新的前沿的内容），这些复杂的公式对于没什么编程基础的我来说要实现起来真是难上加难。也是去年这时候，有一个曾经在学院任教的老师（现在是加拿大英属哥伦比亚大学终身教授）回来给我们上了一个月的课，在这一个月的时间里，我接触了R语言。
接下来的一年里（现在依然如此），我始终处在自学R的阶段，虽然辛苦也受益良多，一方面是终于可以摆脱傻瓜软件的束缚（用了R之后，我基本不用spss了），另一方面也是最重要的是R镜像站的文档让我学了太多以前没接触的前沿知识并通过R语言进行了实践，这一切在以前都是不可想象的。
说实在的我的R水平还是处于基础阶段（虽然我已掌握了几乎所有传统统计学方法和数据挖掘算法的R语言实现），目前在文本挖掘，高级编程上与专业人士还存在很大的差距，不过我会继续努力。
R语言在中国的普及程度与国外简直是没法比，据我所知，目前高校用R作分析少之又少，企业普及率也低。不过，R的影响正在不断扩大，统计之都举办的R语言会议已经到第5届了，而且去年的参会阵容已经相当豪华了（谢邦昌都去了），我相信R的前景会越来越好，当然也希望我的R能力能更快的提高。
下面是转的数据挖掘研究院的一篇文章（是篇翻译文章），是讲facebook和google的研究人员如何用R的。
在R用户组织的主题为“R与预测分析科学”的panel会议上，有来自工业界的四位代表发表了讲话，介绍各自在工业界是如何应用R进行数据挖掘。他们分别是：
Bo Cowgill, Google
Itamar Rosenn, Facebook
David Smith, Revolution Computing
Jim Porzak, The Generations Network
他们分别介绍了在各个公司是如何使用R进行预测分析，R作为分析工具的优势和劣势，并且提供了学习案例，以下是对他们的介绍的相关总结。
Panel介绍
R作为一门编程语言在以下三个方面具有很强的优势：数据处理，统计和数据可视化。和其他数据分析工具不同的是，它是由统计学家开发的，它是免费的软件，并且可以通过用户开发的包进行扩展，目前大约有2000多个包在CRAN中。
很多包可以应用在预测分析中。Jim重点介绍了 Max Kuhn 的caret包，它提供了大量的分类和回归模型，包括神经网络和朴素贝叶斯模型。
Bo Cowgill, Google
根据Bo Cowgill 的介绍，R是google最流行的统计分析包，事实上，google也是R基础的捐助者。他讲述道：R最好的事情是，它是统计学家发明的。它最糟糕的事情是，它是统计学家发明的。无论如何，他很乐观地看待R开发者社区的发展，R文档也逐步在改进，它的性能也在逐步提高。
Google主要使用R进行数据探索和构建模型原型，它并不是应用在生产系统，在Bo的团队中，R主要运行在桌面环境中。Bo主要根据以下的流程使用R：（1）使用其他的工具提取数据；（2）将数据加载到R中；（3）使用R建模分析；（4）在生产环境中使用c 或者python实现结果模型。
Itamar Rosenn, Facebook
Itamar介绍了facebook数据团队使用R的情况，他回答了新用户提数的两个问题：预测用户是否保持在某个数据点，如果他们停留，如何预测他们在三个月之后是否还会停留。
对于第一个问题，Itamar的团队使用递归划分推断出仅仅两个数据点被预测出来用户是否保留在facebook上:(1)新用户拥有多个会话；（2）输入用户基本信息时。
对于第二个问题，他们使用最小角度回归方法建立逻辑回归模型（lars包），根据三个类别的行为发现用户三个月的活动：(1)用户被其他用户访问的频率；（2）第三方应用程序使用的频率；（3）即将访问该站点的用户。
David Smith, Revolution Computing
David的公司，R改革计算，不仅仅使用R，而且R是他们的核心业务。David描述道：他们对R的贡献类似于redhat对linux 的贡献。他的公司处理使用R遇到的一些问题，例如，（1）支持老版本软件，即向下兼容；（2）通过他们的ParallelR套件可以支持并行计算。
David展示了他们的生命科学客户是如何使用R通过randomForest包对基因组数据集进行分类处理，以及如何使用他们的foreach包对分类树分析进行并行处理。
他还提到他们和其他公司合作将R应用在生产环境中，将特定的脚本放在服务器上，用户通过客户端调用该脚本进行数据处理。
Jim Porzak, The Generations Network
Jim简单介绍了如何使用R进行市场分析。尤其是，Jim还使用flexclust为sun公司的客户数据进行聚类分析，并且应用该结果数据识别高价值销售的主导业务。
在Q&A环节，还有很多提问，并且进行了回答。
1在使用R的过程中，如何解决内存限制问题？
R工作区是在RAM上，因此他的大小是受到限制的。
办法：
（1） 使用R的数据库连接功能（例如RMySQL），对数据进行切片处理
（2） 抽样处理
（3） 在独立的服务器或者在amazon的云计算环境中运行脚本
2R如何与其他工具和语言进行交互？
CRAN里面有一些包提供了和matlab，splus，SAS，excel的交互接口，另外，还提供了与python和java的接口包（Rpy和RJava）。
❽ 如何在r语言中抓取股票数据并分析论文
用quantomd包
然后getsymbols函数
分析论文 要看你研究方向
如果是看影响因素 一般回归就行
如果看股票波动和预测 可能需要时间序列