Update book

02-information.Rmd

@@ -74,10 +74,9 @@ knitr::kable(
   ),
   booktabs = TRUE,
   align = "c",
-  caption = 'HTTP 요청 방식과 설명'
+  caption = 'HTTP 요청 방식과 설명',
 ) %>%
-  kableExtra::kable_styling(latex_options = c("striped", "hold_position")) %>%
-  kableExtra::column_spec(2, width = "5cm")
+  kableExtra::kable_styling(latex_options = c("striped", "hold_position")) 
 ```
 
 인터넷을 사용하다 보면 한 번쯤 ‘이 페이지를 볼 수 있는 권한이 없음(HTTP 오류 403 - 사용할 수 없음)’ 혹은 ‘페이지를 찾을 수 없음(HTTP 오류 404 - 파일을 찾을 수 없음)’이라는 오류를 본 적이 있을 겁니다. 여기서 403과 404라는 숫자는 클라이언트의 요청에
@@ -97,7 +96,8 @@ knitr::kable(
   ),
   booktabs = TRUE,
   align = "c",
-  caption = 'HTTP 상태 코드 그룹 별 내용'
+  caption = 'HTTP 상태 코드 그룹 별 내용',
+  escape = FALSE
 ) %>%
   kableExtra::kable_styling(latex_options = c("striped", "hold_position"))
 ```

03-api.Rmd

@@ -25,8 +25,7 @@ knitr::include_graphics('images/api_apple_csv.png')
 그러나 웹 브라우저에 해당 주소를 입력해 csv 파일을 다운로드하고 csv 파일을 다시 R에서 불러오는 작업은 무척이나 비효율적입니다. R에서 API 주소를 이용해 직접 데이터를 다운로드할 수 있습니다.
 
 ```{r}
-url.aapl = "https://www.quandl.com/api/v3/datasets/WIKI/AAPL/
-data.csv?api_key=xw3NU3xLUZ7vZgrz5QnG"
+url.aapl = "https://www.quandl.com/api/v3/datasets/WIKI/AAPL/data.csv?api_key=xw3NU3xLUZ7vZgrz5QnG"
 data.aapl = read.csv(url.aapl)
 
 head(data.aapl)

07-bind_data.Rmd

@@ -1,12 +1,19 @@
 # 데이터 정리하기
 
+```{r echo = FALSE, warning = FALSE, message = FALSE}
+library(magrittr)
+library(dplyr)
+
+KOR_ticker = read.csv('data/KOR_ticker.csv', row.names = 1)
+```
+
 앞 CHAPTER에서는 API와 크롤링을 통해 주가, 재무제표, 가치지표를 수집하는 방법을 배웠습니다. 이번 CHAPTER에서는 각각 csv 파일로 저장된 데이터들을 하나로 합친 후 저장하는 과정을 살펴보겠습니다.
 
 ## 주가 정리하기
 
 주가는 data/KOR_price 폴더 내에 티커_price.csv 파일로 저장되어 있습니다. 해당 파일들을 불러온 후 데이터를 묶는 작업을 통해 하나의 파일로 합치는 방법을 알아보겠습니다.
 
-```{r message = FALSE, warning = FALSE}
+```{r message = FALSE, warning = FALSE, eval = FALSE}
 library(stringr)
 library(xts)
 library(magrittr)
@@ -29,8 +36,16 @@ for (i in 1 : nrow(KOR_ticker)) {
 
 price_list = do.call(cbind, price_list) %>% na.locf()
 colnames(price_list) = KOR_ticker$'종목코드'
+```
 
+```{r echo = FALSE}
+# 저장된 데이터 불러오기
+price_list = read.csv('data/KOR_price.csv')
+```
+
+```{r}
 head(price_list[, 1:5])
+tail(price_list[, 1:5])
 ```
 
 1. 티커가 저장된 csv 파일을 불러온 후 티커를 6자리로 맞춰줍니다.
@@ -42,7 +57,7 @@ head(price_list[, 1:5])
 
 해당 작업을 통해 개별 csv 파일로 흩어져 있던 가격 데이터가 하나의 데이터로 묶이게 됩니다.
 
-```{r}
+```{r eval = FALSE}
 write.csv(data.frame(price_list), 'data/KOR_price.csv')
 ```
 
@@ -52,7 +67,7 @@ write.csv(data.frame(price_list), 'data/KOR_price.csv')
 
 재무제표는 data/KOR_fs 폴더 내 티커_fs.csv 파일로 저장되어 있습니다. 주가는 하나의 열로 이루어져 있어 데이터를 정리하는 것이 간단했지만, 재무제표는 각 종목별 재무 항목이 모두 달라 정리하기 번거롭습니다.
 
-```{r message = FALSE}
+```{r message = FALSE, eval = FALSE}
 library(stringr)
 library(magrittr)
 library(dplyr)
@@ -71,6 +86,15 @@ for (i in 1 : nrow(KOR_ticker)){
 }
 ```
 
+```{r eval = FALSE, echo = FALSE}
+saveRDS(data_fs, 'data/data_fs.Rds')
+```
+
+```{r echo = FALSE}
+# 저장된 데이터 불러오기
+data_fs = readRDS('data/data_fs.Rds')
+```
+
 위와 동일하게 티커 데이터를 읽어옵니다. 이를 바탕으로 종목별 재무제표 데이터를 읽어온 후 리스트에 저장합니다.
 
 ```{r}
@@ -121,7 +145,7 @@ print(head(select_fs))
 
 해당 과정을 통해 전 종목의 매출액 데이터가 연도별로 정리되었습니다. for loop 구문을 이용해 모든 재무 항목에 대한 데이터를 정리하는 방법은 다음과 같습니다.
 
-```{r}
+```{r eval = FALSE}
 fs_list = list()
 
 for (i in 1 : length(fs_item)) {
@@ -160,7 +184,7 @@ names(fs_list) = fs_item
 
 위 과정을 거치면 fs_list에 총 `r length(fs_item)`리스트가 생성됩니다. 각 리스트에는 해당 재무 항목에 대한 전 종목의 연도별 데이터가 정리되어 있습니다.
 
-```{r}
+```{r eval = FALSE} 
 saveRDS(fs_list, 'data/KOR_fs.Rds')
 ```
 
@@ -226,7 +250,10 @@ data_value = data_value %>%
 
 rownames(data_value) = KOR_ticker[, '종목코드']
 print(head(data_value))
+```
+
 
+```{r eval = FALSE}
 write.csv(data_value, 'data/KOR_value.csv')
 ```
 

09-factor_basic.Rmd

@@ -552,7 +552,11 @@ TURN = KOR_fs$'매출액' / KOR_fs$'자산'
 다음으로 각 지표들이 조건을 충족하는지 여부를 판단해, 지표별로 1점 혹은 0점을 부여합니다.
 
 ```{r}
-num_col = ncol(KOR_fs[[1]])
+if ( lubridate::month(Sys.Date()) %in% c(1,2,3,4) ) {
+  num_col = ncol(KOR_fs[[1]]) - 1
+} else {
+  num_col = ncol(KOR_fs[[1]]) 
+}
 
 F_1 = as.integer(ROA[, num_col] > 0)
 F_2 = as.integer(CFO[, num_col] > 0)
@@ -567,7 +571,7 @@ F_8 = as.integer(MARGIN[, num_col] -
 F_9 = as.integer(TURN[,num_col] - TURN[,(num_col-1)] > 0)
 ```
 
-`ncol()` 함수를 이용해 열 개수를 구해줍니다. 가장 최근년도의 재무제표가 가장 오른쪽에 위치하고 있으므로, 해당 변수를 통해 최근년도 데이터만을 선택할 수 있습니다.
+`ncol()` 함수를 이용해 열 개수를 구해줍니다. 가장 최근년도의 재무제표가 가장 오른쪽에 위치하고 있으므로, 해당 변수를 통해 최근년도 데이터만을 선택할 수 있습니다. **그러나 1월~4월의 경우 전년도 재무제표가 일부만 들어오는 경향이 있으므로, 을 통해 전전년도 데이터를 사용해야 합니다.** 따라서 `Sys.Date()` 함수를 통해 현재 날짜를 추출한 후, lubridate 패키지의 `month()` 함수를 이용해 해당 월을 계산합니다. 만일 현재 날짜가 1~4월 일 경우 `ncol(KOR_fs[[1]]) - 1`을 이용해 전전년도 데이터를 선택하며, 그렇지 않을 경우(5~12월) 전년도 데이터를 선택합니다.
 
 `as.integer()` 함수는 TRUE일 경우 1을 반환하고 FALSE일 경우 0을 반환하는 함수로서, F-Score 지표의 점수를 매기는 데 매우 유용합니다. 점수 기준은 다음과 같습니다.
 
@@ -631,10 +635,18 @@ library(tidyr)
 KOR_fs = readRDS('data/KOR_fs.Rds')
 KOR_ticker = read.csv('data/KOR_ticker.csv', row.names = 1,
                       stringsAsFactors = FALSE) 
+
 KOR_ticker$'종목코드' =
   str_pad(KOR_ticker$'종목코드', 6, 'left', 0)
+```
+
+```{r}
+if ( lubridate::month(Sys.Date()) %in% c(1,2,3,4) ) {
+  num_col = ncol(KOR_fs[[1]]) - 1
+} else {
+  num_col = ncol(KOR_fs[[1]]) 
+}
 
-num_col = ncol(KOR_fs[[1]])
 quality_roe = (KOR_fs$'지배주주순이익' / KOR_fs$'자본')[num_col]
 quality_gpa = (KOR_fs$'매출총이익' / KOR_fs$'자산')[num_col]
 quality_cfo =
@@ -645,7 +657,8 @@ quality_profit =
   setNames(., c('ROE', 'GPA', 'CFO'))
 ```
 
-먼저 재무제표와 티커 파일을 불러온 후 세 가지 지표에 해당하는 값을 구한 뒤 최근년도 데이터만 선택합니다. 그런 다음 `cbind()` 함수를 이용해 지표들을 하나로 묶어줍니다.
+먼저 재무제표와 티커 파일을 불러온 후 세 가지 지표에 해당하는 값을 구한 뒤 최근년도 데이터만 선택합니다. 그런 다음 `cbind()` 함수를 이용해 지표들을 하나로 묶어줍니다. **역시나 1~4월의 경우 `ncol(KOR_fs[[1]]) - 1 `를 통해 보수적으로 전년도가 아닌 전전녀도 회계 데이터를 사용합니다.**
+
 
 ```{r}
 rank_quality = quality_profit %>% 

10-factor_adv.Rmd

@@ -130,8 +130,15 @@ KOR_ticker = read.csv('data/KOR_ticker.csv', row.names = 1,
                       stringsAsFactors = FALSE) 
 
 data_pbr = KOR_value['PBR']
+
+if ( lubridate::month(Sys.Date()) %in% c(1,2,3,4) ) {
+  num_col = ncol(KOR_fs[[1]]) - 1
+} else {
+  num_col = ncol(KOR_fs[[1]]) 
+}
+
 data_gpa =
-  (KOR_fs$'매출총이익' / KOR_fs$'자산')[ncol(KOR_fs[[1]])] %>%
+  (KOR_fs$'매출총이익' / KOR_fs$'자산')[num_col] %>%
   setNames('GPA')
 
 cbind(data_pbr, -data_gpa) %>%
@@ -223,7 +230,11 @@ KOR_ticker = read.csv('data/KOR_ticker.csv', row.names = 1,
 KOR_ticker$'종목코드' =
   str_pad(KOR_ticker$'종목코드', 6, 'left', 0)
 
-num_col = ncol(KOR_fs[[1]])
+if ( lubridate::month(Sys.Date()) %in% c(1,2,3,4) ) {
+  num_col = ncol(KOR_fs[[1]]) - 1
+} else {
+  num_col = ncol(KOR_fs[[1]]) 
+}
 
 # 분자
 magic_ebit = (KOR_fs$'지배주주순이익' + KOR_fs$'법인세비용' +
@@ -423,7 +434,12 @@ KOR_ticker$'종목코드' =
 먼저 재무제표, 가치지표, 주가 데이터를 불러옵니다.
 
 ```{r warning = FALSE, message = FALSE, out.width='50%'}
-num_col = ncol(KOR_fs[[1]])
+if ( lubridate::month(Sys.Date()) %in% c(1,2,3,4) ) {
+  num_col = ncol(KOR_fs[[1]]) - 1
+} else {
+  num_col = ncol(KOR_fs[[1]]) 
+}
+
 quality_roe = (KOR_fs$'지배주주순이익' / KOR_fs$'자본')[num_col]
 quality_gpa = (KOR_fs$'매출총이익' / KOR_fs$'자산')[num_col]
 quality_cfo =

11-portfolio.Rmd

@@ -1,29 +1,3 @@
-```{r include=FALSE, cache=FALSE}
-set.seed(123)
-
-knitr::opts_chunk$set(
-  out.width = "70%",
-  fig.align = 'center',
-  fig.width = 6,
-  fig.asp = 0.618,  # 1 / phi
-  fig.show = 'hold',
-  warning = FALSE,
-  message = FALSE
-)
-
-if(!knitr:::is_html_output()) {
-  options("width"=56)
-  knitr::opts_chunk$set(
-    warning = FALSE,
-    message = FALSE
-    )
-  knitr::opts_chunk$set(fig.pos = 'h')
-}
-
-pdf.options(family = "Korea1deb")
-options(scipen = 5)
-options(digits = 4)
-```
 # 포트폴리오 구성
 
 종목별로 비중을 어떻게 배분하느냐에 따라 성과가 달라지므로, 종목의 선택 못지 않게 중요한 것이 포트폴리오를 구성하는 방법입니다. 최적 포트폴리오의 구성은 수식을 기반으로 최적화된 해를 찾습니다. 물론 엑셀의 해 찾기와 같은 기능을 사용해 간단한 형태의 최적화 구현이 가능하지만, 방대한 데이터를 다룰 경우에는 속도가 지나치게
@@ -58,6 +32,11 @@ prices = do.call(cbind,
 rets = Return.calculate(prices) %>% na.omit()
 ```
 
+```{r echo = FALSE}
+write.csv(rets, 'data/global_data.sv')
+```
+
+
 `getSymbols()` 함수를 통해 일반적으로 자산배분에서 많이 사용되는 주식과 채권, 대체자산에 해당하는 ETF 가격 데이터를 받은 후 `lapply()`와 `Ad()`, `get()` 함수의 조합을 통해 수정주가만을 선택하고 열의 형태로 묶어줍니다. 그 후 `Return.calculate()` 함수를 통해 수익률을 계산합니다.
 
 ```{r message = FALSE, warning = FALSE}

12-backtest.Rmd

@@ -341,7 +341,7 @@ chart.TimeSeries(turnover)
 2. 포트폴리오를 구성하며, 개별 투자비중은 최소 10%, 최대 30% 제약조건을 설정합니다.
 3. 매월 리밸런싱을 실시합니다.
 
-```{r message = FALSE, warning = FALSE}
+```{r message = FALSE, warning = FALSE, eval = FALSE}
 library(quantmod)
 library(PerformanceAnalytics)
 library(RiskPortfolios)
@@ -368,6 +368,18 @@ prices = do.call(cbind, lapply(symbols, function(x) Ad(get(x)))) %>%
 rets = Return.calculate(prices) %>% na.omit()
 ```
 
+```{r echo = FALSE}
+library(quantmod)
+library(PerformanceAnalytics)
+library(RiskPortfolios)
+library(tidyr)
+library(dplyr)
+library(ggplot2)
+
+rets = read.csv('data/data_global.csv', row.names = 1) %>% as.xts()
+```
+
+
 먼저 이전 CHAPTER와 동일하게 글로벌 자산을 대표하는 ETF 데이터를 다운로드한
 후 수정주가의 수익률을 계산합니다.
 

_bookdown.yml

@@ -13,3 +13,23 @@ output_dir: docs
 
 before_chapter_script: "_common.R"
 
+rmd_files: [
+  "index.Rmd",
+  "01-data_programming.Rmd",
+  "02-information.Rmd",
+  "03-api.Rmd",
+  "04-crawling.Rmd",
+  "05-crawling_practice.Rmd",
+  "06-crawling_actual.Rmd",
+  "07-bind_data.Rmd",
+  "08-data_analysis.Rmd",
+
+  "09-factor_basic.Rmd",
+  "10-factor_adv.Rmd",
+
+  "11-portfolio.Rmd",
+  "12-backtest.Rmd",
+  "13-evaluation.Rmd",
+
+  "14-reference.Rmd"
+]

_common.R

@@ -21,4 +21,28 @@ if(!knitr:::is_html_output()) {
 
 pdf.options(family = "Korea1deb")
 options(scipen = 5)
-options(digits = 4)
+options(digits = 4)
+
+setHook(packageEvent("grDevices", "onLoad"),
+        function(...){
+          if(capabilities("aqua"))
+            grDevices::quartzFonts(
+              sans =grDevices::quartzFont(rep("AppleGothic",4)),
+              serif=grDevices::quartzFont(rep("AppleMyungjo",4)))
+          grDevices::pdf.options(family="Korea1")
+          grDevices::ps.options(family="Korea1")
+        }
+)
+attach(NULL, name = "KoreaEnv")
+assign("familyset_hook",
+       function() {
+         macfontdevs=c("quartz","quartz_off_screen")
+         devname=strsplit(names(dev.cur()),":")[[1L]][1]
+         if (capabilities("aqua") &&
+             devname %in% macfontdevs)
+           par(family="sans")
+       },
+       pos="KoreaEnv")
+setHook("plot.new", get("familyset_hook", pos="KoreaEnv"))
+setHook("persp", get("familyset_hook", pos="KoreaEnv"))
+