第七章 时间序列可视化课堂练习

1 案例数据

1.1 all_stock_2024：工商银行、招商应用、中信证券和贵州茅台四个股票2024各天交易数据

• data为为日期变量，但该日期变量不规则（不连续），周末和公众假期没有交易数据；

• 编码和名称用于识别不同股票，注意不同股票有交易数据日期不一定一致，但本例种各股票均有242个交易日数据；

• 开盘价到换手率 均为数值变量，开盘价到成交量与每股资产有关，不同股票间不可比；

• 交易量的单位为手（百股）、成交额的单位为元，振幅等四个变量均为相对指标。

2 折线图和面积图

2.1 合并折线图

• 将四只股票的涨跌幅 做作折线图，将四条折线在同一个图形输出；

• 日期截取2024-9-1到2024-10-31 ；

• 添加一条纵轴为0的参考线，采用twodash 的线型；

• 将图标题改为“合并涨跌幅折线图”。

2.2 分面折线图

• 将四只股票的收盘 价格做作折线图，将四条折线图分面输出；

• 日期截取一整年；

• 并使用ggpol::geom_tshighlight 将2024-9-1到2024-10-31 时间段高亮显示

2.3 面积图

• 将四只股票的收盘 价格做作面积图，将四个面积图分面输出；

• 将成交量的单位改为万手

2.4 图形观察和代码编写的心得体会

2.4.0.1 折线图（涨跌幅趋势分析）

代码特点：

• 数据筛选：使用 dplyr 进行日期范围筛选，确保数据集中在 2024-09-01 至 2024-10-31 之间。

• 主题优化：mytheme 调整图例位置 (legend.position) 并移除背景 (legend.background)，使图表更简洁。

• 基准线：geom_hline(yintercept = 0) 添加水平线，帮助观察涨跌幅的正负变化。

图形观察：

• 可以直观对比不同股票/基金的涨跌幅趋势。

• 如果某条线长期低于 0，说明该资产在该时间段表现不佳；反之则表现较好。

• 适合用于多资产对比分析。

  2.4.0.2 分面折线图（收盘价趋势分析）

  代码特点：

  • 分面绘图：facet_wrap(~名称, ncol=2, scale="free") 按资产名称分面，并允许各子图 y 轴独立缩放。

  • x 轴优化：

    • scale_x_date 调整日期显示格式（如 %b 只显示月份缩写）。

    • axis.text.x 旋转 90°，避免标签重叠。

  • 高亮区间：geom_tshighlight（需 ggpol 包）对特定时间段（2024-09-01 至 2024-10-31）进行背景高亮，突出关键区间。

  图形观察：

  • 分面图适合比较多个资产的独立趋势，避免线条重叠导致混乱。

  • 高亮区间能快速识别特定时间段的价格波动（如政策发布期、财报季）。

  • 如果某些资产收盘价波动剧烈，可能需要进一步分析异常原因。

    2.4.0.3 面积图（成交量/成交额分析）

    代码特点：

    • 单位转换：y=成交量/10000 将原始数据转换为“万手”，提高可读性。

    • 面积图：geom_area() 展示成交量的累积趋势，适合观察市场活跃度。

    • 分面+自由刻度：facet_wrap 让不同资产的成交量独立显示，避免量纲差异影响观察。

    图形观察：

    • 面积图能直观反映市场交易活跃度，高峰区间可能对应重要事件（如财报、政策发布）。

    • 如果某资产成交量长期低迷，可能流动性较差，需谨慎投资。

    • 结合涨跌幅折线图，可分析“量价关系”（如放量上涨 vs. 缩量下跌）。

      2.4.1 代码编写心得总结

      1. 数据清洗是关键：

         • 使用 dplyr 筛选、转换数据（如日期范围、单位换算）能让后续绘图更流畅。

         • 确保日期列是 Date 类型，否则 scale_x_date 会报错。

      2. 分面图 (facet_wrap) 的适用场景：

         • 当需要对比多个变量的趋势且 y 轴量纲差异大时，scale="free" 非常有用。

         • 但需注意分面过多可能导致图形拥挤，可调整 ncol 或改用交互式绘图（如 plotly）。

      3. 主题 (theme) 优化技巧：

         • 移除网格线 (panel.grid.minor=element_blank()) 让图表更简洁。

         • 旋转 x 轴标签 (angle=90) 避免重叠，但需配合 hjust/vjust 微调位置。

      4. 扩展包的选择：

         • ggpol 的 geom_tshighlight 能快速高亮时间区间，但需额外安装。

         • 类似效果也可用 annotate("rect", ...) 实现，但代码稍复杂。

      5. 图形逻辑要清晰：

         • 涨跌幅适合折线图 + 水平基准线（y=0）。

         • 成交量/成交额适合面积图（强调累积效应）。

         • 多资产对比优先分面，单资产分析可叠加图层。

3 流线图和地平线图

3.1 流线图

• 将四只股票的交易额 做作流线图，将四个面积图分面输出；

• 将交易额的单位改为亿元

3.2 地平线图

• 采用ggHoriPlot::geom_horizon函数，对四只股票的交易额 做作地平线图
• 设置原点为均值origin='mean'，输出配色图例

3.3 图形观察和代码编写的心得体会

3.3.0.1 流线图（ggstream 成交额分析）

代码特点：

• 流线图 (geom_stream)：展示多资产成交额的流动趋势，适合观察资金流向的强弱变化。

• 带宽调整 (bw = 0.3)：控制曲线的平滑度，值越小曲线越尖锐，值越大越平滑。

• 图例优化：

  • legend.position="bottom" 将图例置于底部，避免遮挡数据。

  • guides(fill=guide_legend(nrow=2, title=NULL)) 让图例分两行显示，并移除标题，节省空间。

图形观察：

• 流线图能直观反映不同资产的成交额占比变化，适合观察市场资金的轮动效应。

• 如果某资产的流线宽度在某段时间显著增大，说明资金涌入（如政策利好或市场热点）。

• 适合对比多个资产的相对活跃度，但需注意 Y 轴为堆积比例，而非绝对值。

3.3.0.2 2. 地平线图（ggHoriPlot 成交额分析）

代码特点：

• 地平线图 (geom_horizon)：将时间序列数据压缩为横向色块，适合高密度数据可视化。

  • origin='mean'：以均值为基准线，高于均值的显示在上方，低于的显示在下方。

  • horizonscale=10：将数据分成 10 个区间，颜色深浅代表幅度差异。

• 分面优化：facet_grid(名称~.) 垂直排列各资产，便于纵向对比。

• 配色方案：scale_fill_hcl(palette='RdYlBu') 使用红-黄-蓝渐变，突出正负变化。

图形观察：

• 地平线图通过颜色和高度快速识别异常波动（如深色块代表成交额大幅偏离均值）。

• 适合长期趋势分析，能压缩大量数据到有限空间（如监控多资产全年表现）。

• 如果某资产颜色分布均匀，说明成交额稳定；若出现集中深色区，需结合事件分析原因。

3.3.1 代码编写心得总结

1. 流线图 vs. 面积图：

   • 流线图 (ggstream) 强调流动感和比例变化，适合多资产对比。

   • 面积图 (geom_area) 更侧重累积量，适合单一资产的绝对趋势分析。

2. 地平线图的适用场景：

   • 当时间序列数据过长时，地平线图能避免折线图的拥挤问题。

   • 通过 horizonscale 调整灵敏度，值越小对波动越敏感。

3. 配色与主题优化：

   • 流线图的填充色 (fill=名称) 需避免颜色相近导致混淆。

   • 地平线图的 RdYlBu 调色板能自然区分正负值（红=高，蓝=低）。

4. 分面策略选择：

   • facet_wrap 适合多资产横向排列，facet_grid 适合纵向对比。

   • 分面时建议 scale="free"（流线图除外，因其本身已标准化）。

5. 常见问题与解决：

   • 流线图 Y 轴误导性：Y 轴为比例而非真实值，需在标题或注释中说明。

   • 地平图色块不清晰：调整 horizonscale 或改用 origin='median' 减少异常值影响。

4 不规则时间序列图

4.1 数据准备

• 通过zoo::rollmean 时间收盘价的5天、10天和20天的移动平均

• 将日期变量转化为id变量

4.2 平滑曲线图

• 将四只股票收盘价和3种移动平均的折线图分面输出；

• 横轴的每隔30天一个刻度，只显示月/日；

4.3 K线图

• 选择工商银行数据作出，2024年的K线图

• scale_x_continuous 将横轴坐标刻度转化回日期型

4.4 图形观察和代码编写的心得体会

4.4.1

代码特点：

• 数据转换：

  • 使用 zoo::rollmean() 计算 5/10/20 日均线（MA），align="right" 确保当前点包含在均值计算中。

  • gather() 将收盘价和均线转为长格式，便于用 color=指标 区分线条。

• 分面优化：

  • facet_wrap(~名称, ncol=2, scale="free") 独立显示各资产，避免量纲差异干扰。

  • scale_x_continuous 自定义 X 轴标签，显示日期（如 "05-01"），避免默认数值索引不直观。

图形观察：

• 均线交叉策略：MA5 上穿 MA20 可能预示上涨趋势（金叉），反之（死叉）可能下跌。

• 趋势强弱：若收盘价持续高于均线，说明处于上升通道；若频繁穿越均线，则震荡明显。

• 分面对比：可快速识别哪些资产趋势稳定（如均线平行排列），哪些波动剧烈（如均线频繁交叉）。

改进建议：

• 添加 geom_vline(xintercept=关键事件日期) 标记财报、政策等时间点，增强解释性。

• 对震荡型资产，可叠加 geom_ribbon(aes(ymin=ma10, ymax=ma20), alpha=0.2) 显示均线通道。

4.4.2 2. 单资产K线图（df2 工商银行）

代码特点：

• K线绘制：

  • geom_segment 画上下影线（最低价到最高价）。

  • geom_rect 画实体部分（开盘价到收盘价），用红/绿色填充区分涨跌（fill = 收盘 > 开盘）。

• 均线叠加：

  • 通过 color 参数区分 MA5/10/20，并手动指定颜色（蓝/橙/紫）。

• 主题优化：

  • theme_minimal() 保持简洁，legend.position="top" 防止图例遮挡数据。

图形观察：

• 价格行为：长上影线（红色实体+长上影）可能预示抛压，长下影线（绿色实体+长下影）可能反映支撑。

• 均线支撑/阻力：若价格多次在 MA20 处反弹，该均线可能成为关键支撑位。

• 量价关系（若叠加成交量）：放量突破均线时，信号更可靠。