作者：黄天元，复旦大学博士在读，热爱数据科学与开源工具（R/Python），致力于利用数据科学迅速积累行业经验优势和科学知识发现，涉猎内容包括但不限于信息计量、机器学习、数据可视化、应用统计建模、知识图谱等。知乎专栏：R语言数据挖掘邮箱：huang.tian-yuan@qq.com.欢迎合作交流。
前文：
HopeR：R语言金融基础：tidyquant获取数据（标普500与纳斯达克）
HopeR：R语言金融基础：tidyquant获取数据（股票每日行情）
HopeR：R语言金融基础：tidyquant获取数据（宏观经济数据）
根据已有的数据进行新的计算，然后得到新的具有启发性的数据，这是数据分析中很基本的操作。tidyquant包给这个操作带来了便利，下面举几个官网了例子进行学习，具体的官网网址如下：
Core Functions in tidyquant首先展示的，是对于股市行情时间尺度的调整：通过下载的每日股市行情，整合为以月为尺度的数据。开始我们需要搞点数据：
library(tidyquant)
data(FANG)
FANG
# A tibble: 4,032 x 8
symbol date open high low close volume adjusted
<chr> <date> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 FB 2013-01-02 27.4 28.2 27.4 28 69846400 28
2 FB 2013-01-03 27.9 28.5 27.6 27.8 63140600 27.8
3 FB 2013-01-04 28.0 28.9 27.8 28.8 72715400 28.8
4 FB 2013-01-07 28.7 29.8 28.6 29.4 83781800 29.4
5 FB 2013-01-08 29.5 29.6 28.9 29.1 45871300 29.1
6 FB 2013-01-09 29.7 30.6 29.5 30.6 104787700 30.6
7 FB 2013-01-10 30.6 31.5 30.3 31.3 95316400 31.3
8 FB 2013-01-11 31.3 32.0 31.1 31.7 89598000 31.7
9 FB 2013-01-14 32.1 32.2 30.6 31.0 98892800 31.0
10 FB 2013-01-15 30.6 31.7 29.9 30.1 173242600 30.1
# ... with 4,022 more rows可以看到，这是很典型的OHLC数据。这份数据包含了4支股票2013年到2016年的每日行情。
现在我们要看看这些股票的每月行情：
FANG %>%
group_by(symbol) %>%
tq_transmute(select = adjusted, mutate_fun = to.monthly, indexAt = "lastof")
# A tibble: 192 x 3
# Groups: symbol [4]
symbol date adjusted
<chr> <date> <dbl>
1 FB 2013-01-31 31.0
2 FB 2013-02-28 27.2
3 FB 2013-03-31 25.6
4 FB 2013-04-30 27.8
5 FB 2013-05-31 24.4
6 FB 2013-06-30 24.9
7 FB 2013-07-31 36.8
8 FB 2013-08-31 41.3
9 FB 2013-09-30 50.2
10 FB 2013-10-31 50.2
# ... with 182 more rows这里首先对股票代号（symbol）进行分组，然后针对矫正后的收盘股价（select = adjusted），从日数据整合为月数据（mutate_fun = to.monthly）。最后，显示的日期为当月最后一天的日期（indexAt = "lastof"）。
如果不是OHLC这种每日的行情数据，也可以做时间尺度的调整。下面举个例子：
wti_prices <- tq_get("DCOILWTICO", get = "economic.data")
wti_prices
# A tibble: 2,693 x 2
date price
<date> <dbl>
1 2009-01-01 NA
2 2009-01-02 46.2
3 2009-01-05 48.6
4 2009-01-06 48.6
5 2009-01-07 42.8
6 2009-01-08 41.7
7 2009-01-09 40.7
8 2009-01-12 37.6
9 2009-01-13 37.8
10 2009-01-14 37.4
# ... with 2,683 more rows
wti_prices %>%
tq_transmute(mutate_fun = to.period,
period = "months",
col_rename = "WTI Price")
# A tibble: 124 x 2
date `WTI Price`
<date> <dbl>
1 2009-01-30 41.7
2 2009-02-27 44.2
3 2009-03-31 49.6
4 2009-04-30 50.4
5 2009-05-29 66.3
6 2009-06-30 69.8
7 2009-07-31 69.3
8 2009-08-31 70.0
9 2009-09-30 70.5
10 2009-10-30 77.0
# ... with 114 more rows
Warning message:
In fun_transmute(., OHLC = FALSE, ...) : missing values removed from data警告信息中提示，缺失值已经自动被忽略。此外我么你知道，col_rename参数可以控制结果的列名称。
使用过dplyr的用户应该知道，transmute是完全忽略过去的数据来构造列，而mutate则可以在原有数据的基础上增加列。基于这个理念，tidyquant中也有相对应的函数。
比如我们要在收盘价的基础上，求MACD，可以这样操作：
FANG %>%
group_by(symbol) %>%
tq_mutate(select = close,
mutate_fun = MACD)
# A tibble: 4,032 x 10
# Groups: symbol [4]
symbol date open high low close volume adjusted macd signal
<chr> <date> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 FB 2013-01-02 27.4 28.2 27.4 28 69846400 28 NA NA
2 FB 2013-01-03 27.9 28.5 27.6 27.8 63140600 27.8 NA NA
3 FB 2013-01-04 28.0 28.9 27.8 28.8 72715400 28.8 NA NA
4 FB 2013-01-07 28.7 29.8 28.6 29.4 83781800 29.4 NA NA
5 FB 2013-01-08 29.5 29.6 28.9 29.1 45871300 29.1 NA NA
6 FB 2013-01-09 29.7 30.6 29.5 30.6 104787700 30.6 NA NA
7 FB 2013-01-10 30.6 31.5 30.3 31.3 95316400 31.3 NA NA
8 FB 2013-01-11 31.3 32.0 31.1 31.7 89598000 31.7 NA NA
9 FB 2013-01-14 32.1 32.2 30.6 31.0 98892800 31.0 NA NA
10 FB 2013-01-15 30.6 31.7 29.9 30.1 173242600 30.1 NA NA
# ... with 4,022 more rows稍微介绍一下MACD的概念：MACD称为异同移动平均线，是从双指数移动平均线发展而来的，由快的指数移动平均线（EMA12）减去慢的指数移动平均线（EMA26）得到快线DIF，再用2×（快线DIF-DIF的9日加权移动均线DEA）得到MACD柱。MACD的意义和双移动平均线基本相同，即由快、慢均线的离散、聚合表征当前的多空状态和股价可能的发展变化趋势，但阅读起来更方便。当MACD从负数转向正数，是买的信号。当MACD从正数转向负数，是卖的信号。当MACD以大角度变化，表示快的移动平均线和慢的移动平均线的差距非常迅速的拉开，代表了一个市场大趋势的转变。
详见：MACD指标_百度百科
我觉得时刻记住所有概念真的是非常困难，但是我们应该知道，MACD是技术分析中一种基于滑动平均判断买入卖出的一种方法。使用短期趋势和长期趋势的差值，我们能够判断一只股票在最近的时间内趋势如何。这里找到一个我认为比较优秀的解释：
macd指标的内在逻辑是什么？
即MACD是对过去行情趋势的总结，能够在一定程度上探知长期趋势，但是只能回顾过去，对未来的预测能力相当有限。在波动大的背景下，这个指标甚至有误导作用。其实质为：MACD是对当前股价走势的描述。
也许大家还是不一定知道代码里面出来的结果是什么，这里给出解释（来自The MACD indicator - How To Use The MACD Correctly - Tradeciety Trading Academy）：
MACD Line: The MACD line is the heart of the indicator and by default it’s the difference between the 12-period EMA and the 26-period EMA. This means that the MACD line is basically a complete moving average crossover system by itself.
Signal Line: The Signal line is the 9-period EMA of MACD Line
MACD Histogram: MACD Line – Signal Line
最后给大家实质的指导，就是买还是不买，买的话买多少，风险有多大。这里水很深，暂时不探索讨论了。不跑题，我们还是回到这个计算的本身。大家看都是NA，因为滑动平均是12日和26日的差值，所以如果当日之前还没有26天，是肯定没有结果的。我们来看看后面的结果，同时给两个指标改个名字：
FANG %>%
group_by(symbol) %>%
tq_mutate(select = close,
mutate_fun = MACD,
col_rename = c("MACD", "Signal")) %>%
print(n = 50)
# A tibble: 4,032 x 10
# Groups: symbol [4]
symbol date open high low close volume adjusted MACD Signal
<chr> <date> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 FB 2013-01-02 27.4 28.2 27.4 28 69846400 28 NA NA
2 FB 2013-01-03 27.9 28.5 27.6 27.8 63140600 27.8 NA NA
3 FB 2013-01-04 28.0 28.9 27.8 28.8 72715400 28.8 NA NA
4 FB 2013-01-07 28.7 29.8 28.6 29.4 83781800 29.4 NA NA
5 FB 2013-01-08 29.5 29.6 28.9 29.1 45871300 29.1 NA NA
6 FB 2013-01-09 29.7 30.6 29.5 30.6 104787700 30.6 NA NA
7 FB 2013-01-10 30.6 31.5 30.3 31.3 95316400 31.3 NA NA
8 FB 2013-01-11 31.3 32.0 31.1 31.7 89598000 31.7 NA NA
9 FB 2013-01-14 32.1 32.2 30.6 31.0 98892800 31.0 NA NA
10 FB 2013-01-15 30.6 31.7 29.9 30.1 173242600 30.1 NA NA
11 FB 2013-01-16 30.2 30.4 29.5 29.8 75332700 29.8 NA NA
12 FB 2013-01-17 30.1 30.4 30.0 30.1 40256700 30.1 NA NA
13 FB 2013-01-18 30.3 30.4 29.3 29.7 49631500 29.7 NA NA
14 FB 2013-01-22 29.8 30.9 29.7 30.7 55243300 30.7 NA NA
15 FB 2013-01-23 31.1 31.5 30.8 30.8 48899800 30.8 NA NA
16 FB 2013-01-24 31.3 31.5 30.8 31.1 43845100 31.1 NA NA
17 FB 2013-01-25 31.4 31.9 31.1 31.5 54363600 31.5 NA NA
18 FB 2013-01-28 31.9 32.5 31.8 32.5 59682500 32.5 NA NA
19 FB 2013-01-29 32 32.1 30.7 30.8 72976500 30.8 NA NA
20 FB 2013-01-30 31.0 31.5 30.9 31.2 87682100 31.2 NA NA
21 FB 2013-01-31 29.2 31.5 28.7 31.0 190744900 31.0 NA NA
22 FB 2013-02-01 31.0 31.0 29.6 29.7 85856700 29.7 NA NA
23 FB 2013-02-04 29.1 29.2 28.0 28.1 92362200 28.1 NA NA
24 FB 2013-02-05 28.3 29.0 28.0 28.6 47948200 28.6 NA NA
25 FB 2013-02-06 28.7 29.3 28.7 29.0 38375900 29.0 NA NA
26 FB 2013-02-07 29.1 29.2 28.3 28.6 34540100 28.6 -1.18 NA
27 FB 2013-02-08 28.9 29.2 28.5 28.5 37708800 28.5 -1.40 NA
28 FB 2013-02-11 28.6 28.7 28.0 28.3 37361800 28.3 -1.64 NA
29 FB 2013-02-12 27.7 28.2 27.1 27.4 93498700 27.4 -2.05 NA
30 FB 2013-02-13 27.4 28.3 27.3 27.9 50164000 27.9 -2.21 NA
31 FB 2013-02-14 28.0 28.6 28.0 28.5 35615800 28.5 -2.15 NA
32 FB 2013-02-15 28.5 28.8 28.1 28.3 33109300 28.3 -2.12 NA
33 FB 2013-02-19 28.2 29.1 28.1 28.9 49396400 28.9 -1.91 NA
34 FB 2013-02-20 28.9 29.0 28.3 28.5 42098200 28.5 -1.85 -1.84
35 FB 2013-02-21 28.3 28.5 27.2 27.3 49642300 27.3 -2.12 -1.89
36 FB 2013-02-22 27.6 27.6 26.8 27.1 36350200 27.1 -2.34 -1.98
37 FB 2013-02-25 27.2 27.6 27.2 27.3 34652000 27.3 -2.46 -2.08
38 FB 2013-02-26 27.4 27.5 26.7 27.4 31611700 27.4 -2.49 -2.16
39 FB 2013-02-27 27.3 27.3 26.6 26.9 44319700 26.9 -2.63 -2.25
40 FB 2013-02-28 26.8 27.3 26.3 27.2 83027800 27.2 -2.61 -2.33
41 FB 2013-03-01 27.0 28.1 26.8 27.8 54064800 27.8 -2.41 -2.34
42 FB 2013-03-04 27.8 28.1 27.4 27.7 32400700 27.7 -2.25 -2.32
43 FB 2013-03-05 27.9 28.2 27.2 27.5 40622200 27.5 -2.15 -2.29
44 FB 2013-03-06 28.1 28.1 27.4 27.5 33532600 27.5 -2.07 -2.25
45 FB 2013-03-07 27.6 28.7 27.5 28.6 74540200 28.6 -1.66 -2.13
46 FB 2013-03-08 28.4 28.5 27.7 28.0 44198900 28.0 -1.49 -2.00
47 FB 2013-03-11 28.0 28.6 27.8 28.1 35642100 28.1 -1.30 -1.86
48 FB 2013-03-12 28.1 28.3 27.6 27.8 27569600 27.8 -1.22 -1.73
49 FB 2013-03-13 27.6 27.6 26.9 27.1 39619500 27.1 -1.36 -1.66
50 FB 2013-03-14 27.1 27.4 26.8 27.0 27646400 27.0 -1.46 -1.62
# ... with 3,982 more rows现在，大家知道MACD的计算原理和实现方法了，至于怎么用，还请各位自行思考。
原文作者：；如有侵权，请联系管理员删除。
