R軟件及其在金融定量分析中的應(yīng)用-CH12

R軟件及其在金融定量分析中的應(yīng)用

主編：許啟發(fā)、蔣翠俠制作：王俠英、侯奇華2014年10月編寫第十二章微觀金融定量分析第一節(jié)破產(chǎn)概率預(yù)測(cè)第二節(jié)證券投資基金風(fēng)格分析第三節(jié)證券投資基金績(jī)效評(píng)價(jià)第四節(jié)基于Rhadoop的大數(shù)據(jù)定量分析第五節(jié)習(xí)題第六節(jié)參考文獻(xiàn)第一節(jié)破產(chǎn)概率預(yù)測(cè)模型與方法L1正則化Logistic回歸模型Logistic回歸（logisticregression,LR）是一種在研究?jī)稍诸愴憫?yīng)變量與諸多自變量間相互關(guān)系時(shí)常采用的統(tǒng)計(jì)分析方法。LR模型屬于廣義線性模型，普遍采用最大似然估計(jì)法估計(jì)參數(shù)。LR模型有其特有的突出優(yōu)勢(shì)，其假設(shè)簡(jiǎn)單，不要求誤差分布與自變量趨于正態(tài)分布，對(duì)識(shí)別變量的分布也不做要求；LR能用于因變量二值性的判別并可計(jì)算出歸屬概率。第一節(jié)破產(chǎn)概率預(yù)測(cè)模型與方法L1正則化Logistic回歸模型L1正則化的Logistic回歸(12.3)對(duì)于L1正則化Logistic回歸模型的求解，Zhang、Genkin等提出了較為有效的算法。這里使用Balakrishnan等提出的在線“shooting”算法求解L1正則化Logistic回歸模型。第一節(jié)破產(chǎn)概率預(yù)測(cè)模型與方法分類評(píng)價(jià)方法混淆矩陣一個(gè)完美的預(yù)測(cè)模型就是將true的實(shí)例全部預(yù)測(cè)為true，將false的實(shí)例全部預(yù)測(cè)為false。而對(duì)于實(shí)際應(yīng)用的預(yù)測(cè)模型，或多或少都存在預(yù)測(cè)錯(cuò)誤的情況，將true的實(shí)例錯(cuò)誤的預(yù)測(cè)為false，將false的實(shí)例錯(cuò)誤的預(yù)測(cè)為true。在混淆矩陣中，分類模型的誤判分為兩類，即第一類錯(cuò)誤，棄真(TN)；第二類錯(cuò)誤，納偽(FP)。在實(shí)際運(yùn)用中，往往根據(jù)需要選擇控制某一類錯(cuò)誤，將這類誤判的概率控制到最低，以致規(guī)避風(fēng)險(xiǎn)或是保證質(zhì)量等等。第一節(jié)破產(chǎn)概率預(yù)測(cè)模型與方法分類評(píng)價(jià)方法混淆矩陣在分類問(wèn)題中，預(yù)測(cè)的情形存在四種，如表12-1表12-1分類問(wèn)題中四種預(yù)測(cè)情形情形類型數(shù)目true--trueTruePositive(TP)atrue--falseFalsNegative(TN)bfalse--falseTrueNegative(TN)cfalse--trueFalsePositive(FP)d第一節(jié)破產(chǎn)概率預(yù)測(cè)模型與方法分類評(píng)價(jià)方法混淆矩陣將上述四種情形的預(yù)測(cè)結(jié)果信息繪制成一個(gè)矩陣的形式，就形成了混淆矩陣，如表12-2表12-2混淆矩陣預(yù)測(cè)類總計(jì)TRUEFALSE真實(shí)類truea(TP)b(TN)a+bFALSEd(FP)c(TN)d+c總計(jì)a+db+c第一節(jié)破產(chǎn)概率預(yù)測(cè)模型與方法分類評(píng)價(jià)方法ROC曲線接受者操作特性曲線（receiveroperatorcharacteristiccurve，ROC曲線），又稱為感受性曲線（sensitivitycurve）。ROC曲線是一種對(duì)于靈敏度進(jìn)行描述的功能圖像，是在以虛報(bào)概率為橫軸，擊中概率為縱軸所組成的坐標(biāo)圖，根據(jù)被試在特定刺激條件下采用不同判斷標(biāo)準(zhǔn)得到的不同結(jié)果繪制出的曲線，以真陽(yáng)性率（靈敏度）為縱坐標(biāo)、假陽(yáng)性率（1-特異度）為橫坐標(biāo)，通過(guò)描述比較真陽(yáng)性率（TPR）和假陽(yáng)性率（FPR）兩個(gè)特征值來(lái)實(shí)現(xiàn)。第一節(jié)破產(chǎn)概率預(yù)測(cè)案例分析例12-1：本案例以滬深股市上市公司為研究對(duì)象，建立支持向量機(jī)和L1正則化Logistic回歸模型開展破產(chǎn)概率預(yù)測(cè)的實(shí)證研究，對(duì)比支持向量機(jī)和L1正則化Logistic回歸技術(shù)的預(yù)測(cè)精度并總結(jié)分析影響公司違約的顯著性指標(biāo)。滬深股市一些上市公司因“狀況異?！倍粚?shí)行“特別處理”，稱為ST公司，這里定義為違約公司。第一節(jié)破產(chǎn)概率預(yù)測(cè)案例分析樣本公司的財(cái)務(wù)數(shù)據(jù)來(lái)自國(guó)泰安數(shù)據(jù)庫(kù)（），選取滬深股市財(cái)務(wù)數(shù)據(jù)相對(duì)完整的來(lái)自不同行業(yè)的共20家ST公司，并選取相同時(shí)段財(cái)務(wù)狀況正常的29家非ST公司，共49家滬深股市上市公司構(gòu)成本案例樣本。主要使用了R包e1071與glmnet。第一節(jié)破產(chǎn)概率預(yù)測(cè)案例分析樣本和財(cái)務(wù)指標(biāo)選擇本案例從能反映企業(yè)各方面能力（如償債能力、獲利能力、營(yíng)運(yùn)能力和資產(chǎn)狀況）的一些財(cái)務(wù)指標(biāo)著手，分析整理出8項(xiàng)財(cái)務(wù)指標(biāo)見(jiàn)表12-3。并從每家企業(yè)最近兩年的財(cái)務(wù)報(bào)表中分別挑出相同的4個(gè)時(shí)間點(diǎn)對(duì)應(yīng)的這8項(xiàng)財(cái)務(wù)指標(biāo)值構(gòu)成樣本數(shù)據(jù)。第一節(jié)破產(chǎn)概率預(yù)測(cè)案例分析樣本和財(cái)務(wù)指標(biāo)選擇

表12-3財(cái)務(wù)指標(biāo)及代號(hào)代號(hào)財(cái)務(wù)指標(biāo)代號(hào)財(cái)務(wù)指標(biāo)x1流動(dòng)資產(chǎn)x5負(fù)債合計(jì)x2資產(chǎn)合計(jì)x6留存收益x3流動(dòng)負(fù)債x7營(yíng)業(yè)收入x4長(zhǎng)期負(fù)債x8息稅前利潤(rùn)第一節(jié)破產(chǎn)概率預(yù)測(cè)案例分析實(shí)證結(jié)果及分析基于支持向量機(jī)和L1正則化logistic回歸模型模擬預(yù)測(cè)公司破產(chǎn)概率，對(duì)比兩模型預(yù)測(cè)精度并分析出影響公司違約的顯著性財(cái)務(wù)指標(biāo)。在R軟件中分別使用e1071和glmnet包中的svm和cv.glmnet兩個(gè)函數(shù)實(shí)現(xiàn)。R代碼演示如下：第一節(jié)破產(chǎn)概率預(yù)測(cè)案例分析實(shí)證結(jié)果及分析

圖12-4精度與ROC曲線對(duì)比圖第一節(jié)破產(chǎn)概率預(yù)測(cè)案例分析實(shí)證結(jié)果及分析表12-4兩模型混淆矩陣預(yù)測(cè)結(jié)果對(duì)比模型svmL1正則化Logistic預(yù)測(cè)結(jié)果y

0

1y01099

16010681

5

751972準(zhǔn)確率0.89230770.9128205第一節(jié)破產(chǎn)概率預(yù)測(cè)案例分析實(shí)證結(jié)果及分析結(jié)果解讀：首先，通過(guò)兩個(gè)模型精度與ROC評(píng)價(jià)曲線的對(duì)比（圖12-4），可以看出兩個(gè)模型均具有較好的分類效果，且L1正則化logistic回歸模型分類效果略好于支持向量機(jī)模型。再者，從混淆矩陣的準(zhǔn)確度預(yù)測(cè)結(jié)果對(duì)比（表12-4）來(lái)看，L1正則化logistic回歸模型的預(yù)測(cè)準(zhǔn)確度亦高于支持向量機(jī)模型，而且L1正則化logistic回歸模型給出了系數(shù)不為0的財(cái)務(wù)指標(biāo)向量。第二節(jié)證券投資基金風(fēng)格分析證券投資基金概述及投資風(fēng)格分析方法證券投資基金概述證券投資基金是通過(guò)發(fā)行基金份額，集中投資者的資金，由基金托管人托管，基金管理人管理和運(yùn)用資金，是一種利益共享、風(fēng)險(xiǎn)共擔(dān)的集合證券投資方式。證券投資基金風(fēng)格證券投資基金風(fēng)格是指基金在構(gòu)建投資組合的過(guò)程中,為順應(yīng)市場(chǎng)形勢(shì)即迎合投資者偏好而在基金規(guī)模管理以及投資標(biāo)的物(如股票、債券以及期貨等衍生產(chǎn)品)的選擇上表現(xiàn)出來(lái)的差異性。第二節(jié)證券投資基金風(fēng)格分析證券投資基金概述及投資風(fēng)格分析方法證券投資基金風(fēng)格分析方法鑒定基金投資風(fēng)格的方法，按照分析時(shí)使用信息的不同，可以分為兩種：基于組合特征的分析法(holdingbasedstyle,HBS)按照一定的標(biāo)準(zhǔn)計(jì)算出投資組合的市值規(guī)模、市盈率、市凈率等特征值，從而判斷其投資風(fēng)格的一種方法。其中最主要的是晨星的風(fēng)格判定法?；谑找娴姆治龇椒?returnbasedstyle,RBS)基本思路是：由于基金收益與某種特定風(fēng)格投資組合的收益具有高度相關(guān)性，所以可以通過(guò)基金的收益率與相關(guān)指數(shù)的收益率的相關(guān)程度來(lái)判定基金的風(fēng)格。第二節(jié)證券投資基金風(fēng)格分析基于均值回歸的證券投資基金風(fēng)格分析Sharpe多因素的均值回歸模型回歸方程如下：(12.6)式中，Ri,t表示基金i

在時(shí)間

t

時(shí)的凈值收益率；εi,t表示在t

時(shí)刻風(fēng)格指數(shù)不能解釋的基金收益部分；fk,t為k

類資產(chǎn)的風(fēng)格指數(shù)在時(shí)間

t

的收益率；βk為回歸系數(shù)。第二節(jié)證券投資基金風(fēng)格分析基于均值回歸的證券投資基金風(fēng)格分析Sharpe多因素的均值回歸模型Sharp投資風(fēng)格分析的關(guān)鍵是找出一組能夠代表基金投資資產(chǎn)類別表現(xiàn)的風(fēng)格指數(shù)。Sharp認(rèn)為，為使模型達(dá)到較好的使用效果，該組指數(shù)要求滿足下列3個(gè)條件：互不包容；能夠涵蓋基金投資所涉及的全部資產(chǎn)類別；收益率具有差異性，從而使這些資產(chǎn)類別具有較低的相關(guān)性。第二節(jié)證券投資基金風(fēng)格分析基于均值回歸的證券投資基金風(fēng)格分析Fama-French三因子的均值回歸模型Fama-French三因子模型(12.7)式中，Ri,t為基金i在時(shí)刻t的收益率，Rf,t為時(shí)刻t

的無(wú)風(fēng)險(xiǎn)利率，(Ri,t

-Rf,t)為基金i在時(shí)刻t的超額收益率；SMBt和HLMt分別是時(shí)刻t的規(guī)模因子和賬面市值比因子的收益率；Rm,t是時(shí)刻t

的市場(chǎng)組合收益率，(Rm,t-Rf,t)即是市場(chǎng)溢酬因子；αi是截距項(xiàng)；εi,t是殘差項(xiàng)。第二節(jié)證券投資基金風(fēng)格分析基于分位數(shù)回歸的證券投資基金風(fēng)格分析Sharpe多因素的分位數(shù)回歸模型建立Sharpe多因素回歸模型的分位數(shù)回歸分析模型(12.8)式中，ri,t表示基金i

在時(shí)間t

時(shí)的凈值收益率；fk,t為代表k

類資產(chǎn)的風(fēng)格指數(shù)在時(shí)間t

時(shí)的收益率；τ為分位點(diǎn)；Q(ri,t/τ)為凈值收益的條件分位數(shù)。第二節(jié)證券投資基金風(fēng)格分析基于分位數(shù)回歸的證券投資基金風(fēng)格分析Fama-French三因子的分位數(shù)回歸模型建立Fama-French三因子模型的分位數(shù)回歸分析模型(12.9)式中，Rf,t表示時(shí)間

t

的無(wú)風(fēng)險(xiǎn)收益率；Rm,t表示時(shí)間

t

的市場(chǎng)收益率；Ri,t-Rf,t是基金

i

在時(shí)刻t

的超額收益率；Rm,t-Rf,t是市場(chǎng)溢酬因子。第二節(jié)證券投資基金風(fēng)格分析案例分析例12-2：考慮中國(guó)基金市場(chǎng)裕元基金2001年6月29日至2003年6月27日間的周數(shù)據(jù)，使用Sharpe多因素回歸模型做風(fēng)格分析與風(fēng)格漂移分析，在R軟件中使用quadprog包中的solve.QP函數(shù)和quanterg包中的rq函數(shù)實(shí)現(xiàn)。R代碼演示如下：第二節(jié)證券投資基金風(fēng)格分析案例分析

表12-72001-6-29到2003-6-27期間基金裕元的資產(chǎn)配置變量與指數(shù)均值回歸分位數(shù)回歸0.10.30.50.70.9GB0.62670.61720.6450.62460.62190.5963LV0.27320.35560.2020.23580.28780.4037LG0.100200.1530.13960.09040MV000000MG000000SV000000SG00.02710000第二節(jié)證券投資基金風(fēng)格分析案例分析由表12-7可以看出，本考察期內(nèi)基金裕元的實(shí)際投資風(fēng)格為大盤平衡型，與契約注明的投資風(fēng)格（資產(chǎn)重組型）不同，出現(xiàn)了基金風(fēng)格的漂移。國(guó)債投資比例比較大，這是由于基金投資渠道單一，不是股票就是債券，考察期間的股市又一直處于下跌狀態(tài)，所以大多投資于國(guó)債市場(chǎng)。第三節(jié)證券投資基金績(jī)效評(píng)價(jià)證券投資基金績(jī)效評(píng)價(jià)概述基金績(jī)效評(píng)價(jià)的內(nèi)容證券投資基金的業(yè)績(jī)主要來(lái)源于收益率水平、市場(chǎng)風(fēng)險(xiǎn)水平和基金管理人的投資決策能力，這三個(gè)方面又和不同類型的基金密切相關(guān)?；鸬牟煌顿Y選擇代表了基金未來(lái)的收益和風(fēng)險(xiǎn)程度，從而影響基金的績(jī)效。合理分類是基金績(jī)效評(píng)價(jià)的前提，基金的績(jī)效評(píng)價(jià)應(yīng)在各基金所屬類別之內(nèi)才更具有可比性。第三節(jié)證券投資基金績(jī)效評(píng)價(jià)證券投資基金績(jī)效評(píng)價(jià)概述基金績(jī)效評(píng)價(jià)的內(nèi)容基金的分類對(duì)于證券投資基金績(jī)效的評(píng)價(jià)具有重要意義根據(jù)投資對(duì)象的不同根據(jù)投資風(fēng)格的不同根據(jù)組織形式的不同根據(jù)運(yùn)作方式的不同根據(jù)投資的來(lái)源、基金是否收費(fèi)、投資貨幣幣種種類第三節(jié)證券投資基金績(jī)效評(píng)價(jià)證券投資基金績(jī)效評(píng)價(jià)概述基金績(jī)效評(píng)價(jià)的主體我國(guó)證券投資基金績(jī)效評(píng)價(jià)的主體主要有兩類：一是基金評(píng)價(jià)機(jī)構(gòu)，二是基金管理公司?；鹪u(píng)價(jià)機(jī)構(gòu)主要從兩個(gè)方面展開證券投資基金的績(jī)效評(píng)價(jià)：第一，通過(guò)基金的凈值表現(xiàn)基金的績(jī)效；第二，通過(guò)凈值?；鸸芾砉緦?duì)于基金的績(jī)效表現(xiàn)主要是通過(guò)三個(gè)指標(biāo)來(lái)反映：“證券投資基金資產(chǎn)凈值周報(bào)表”中的“單位凈值”、“累計(jì)單位凈值”和“凈值增長(zhǎng)率”第三節(jié)證券投資基金績(jī)效評(píng)價(jià)證券投資基金的績(jī)效評(píng)價(jià)指標(biāo)與方法證券投資基金績(jī)效評(píng)價(jià)指標(biāo)不同的證券投資基金在不同的市場(chǎng)中，以承擔(dān)一定的風(fēng)險(xiǎn)為前提獲得相應(yīng)的收益。關(guān)于基金的風(fēng)險(xiǎn)度量，主要包括以下四個(gè)指標(biāo)：標(biāo)準(zhǔn)差σp、β系數(shù)、決定系數(shù)R2和下行風(fēng)險(xiǎn)δ。針對(duì)以上四種不同的風(fēng)險(xiǎn)度量指標(biāo)，相應(yīng)地，學(xué)者們提出了以下四種風(fēng)險(xiǎn)調(diào)整績(jī)效衡量指標(biāo)：特雷諾比率(TR)、夏普比率(ShR)、詹森α指數(shù)和索提諾比率(SoR）。第三節(jié)證券投資基金績(jī)效評(píng)價(jià)證券投資基金的績(jī)效評(píng)價(jià)指標(biāo)與方法證券投資基金績(jī)效評(píng)價(jià)指標(biāo)證券投資基金績(jī)效評(píng)價(jià)方法均值回歸分析對(duì)線性均值回歸模型，可以通過(guò)最小二乘方法進(jìn)行參數(shù)估計(jì)，同時(shí)用逐步回歸方法進(jìn)行變量選擇，包括：向前逐步回歸與向后逐步回歸。分位數(shù)回歸分析一方面反映了投資基金可能取得極端收益所表現(xiàn)的特殊統(tǒng)計(jì)特征，另一方面克服了條件均值回歸模型只能揭示影響因子對(duì)投資基金平均收益的缺陷。第三節(jié)證券投資基金績(jī)效評(píng)價(jià)基金經(jīng)理人的績(jī)效評(píng)價(jià)股票選擇能力股票選擇能力，即基金經(jīng)理對(duì)不同股票的預(yù)測(cè)能力。由不同的股票產(chǎn)生不同的收益，即股票的選擇收益率。給出了基金績(jī)效來(lái)源的劃分，認(rèn)為基金的超額收益由選擇收益率和風(fēng)險(xiǎn)收益率兩部分組成，即(12.24)式的右端第一項(xiàng)為選擇收益率，即為基金經(jīng)理的股票選擇能力的結(jié)果；第二項(xiàng)為風(fēng)險(xiǎn)收益率，即基金因承擔(dān)風(fēng)險(xiǎn)而獲得的補(bǔ)償。第三節(jié)證券投資基金績(jī)效評(píng)價(jià)基金經(jīng)理人的績(jī)效評(píng)價(jià)市場(chǎng)時(shí)機(jī)判斷能力市場(chǎng)時(shí)機(jī)判斷能力，即基金經(jīng)理對(duì)市場(chǎng)整體走勢(shì)的預(yù)測(cè)能力，選擇出入市場(chǎng)的最佳時(shí)期，并以此調(diào)整基金的構(gòu)成來(lái)取得超額收益。主要討論兩種模型：T—M模型和H—M模型。T—M模型的表達(dá)式如下(12.25)式中，α為股票選擇能力指標(biāo)H—M模型的表達(dá)式如下(12.26)式中，λ是一個(gè)虛擬變量第四節(jié)基于Rhadoop的大數(shù)據(jù)金融定量分析大數(shù)據(jù)概述大數(shù)據(jù)概述大數(shù)據(jù)含義大數(shù)據(jù)是由數(shù)量巨大、結(jié)構(gòu)復(fù)雜、類型眾多數(shù)據(jù)構(gòu)成的數(shù)據(jù)集合。國(guó)際著名咨詢公司麥肯錫認(rèn)為，大數(shù)據(jù)是一個(gè)大的數(shù)據(jù)池，其中的數(shù)據(jù)可以被采集、傳遞、聚集、存儲(chǔ)和分析。大數(shù)據(jù)產(chǎn)生大數(shù)據(jù)是由科學(xué)儀器、傳感器、網(wǎng)上交易、電子郵件、視頻、點(diǎn)擊流和其他現(xiàn)在或?qū)?lái)可用的數(shù)字資源產(chǎn)生的大規(guī)模、多樣性、復(fù)雜的、縱向的或分布式數(shù)據(jù)集。第四節(jié)基于Rhadoop的大數(shù)據(jù)金融定量分析大數(shù)據(jù)概述大數(shù)據(jù)概述大數(shù)據(jù)的特征4V特征：Volume(大量)、Velocity(高速)、Variety(多樣)、Veracity(真實(shí))大數(shù)據(jù)的意義大數(shù)據(jù)對(duì)社會(huì)經(jīng)濟(jì)生活產(chǎn)生的影響絕不限于技術(shù)層面，它為我們看待世界提供了一種全新的方法，即決策行為將日益基于數(shù)據(jù)分析做出，而不是像過(guò)去更多憑借經(jīng)驗(yàn)和直覺(jué)做出。業(yè)內(nèi)人士指出，大數(shù)據(jù)是一種全新的致富手段，它的價(jià)值堪比石油和黃金。第四節(jié)基于Rhadoop的大數(shù)據(jù)金融定量分析大數(shù)據(jù)概述大數(shù)據(jù)與金融定量分析金融領(lǐng)域每天生產(chǎn)著規(guī)模驚人的數(shù)據(jù)從狹義上來(lái)講，很多金融數(shù)據(jù)離大數(shù)據(jù)還有段距離，有些數(shù)據(jù)稱之為大規(guī)模數(shù)據(jù)可能更合適些。從廣義上來(lái)講，大規(guī)模的數(shù)據(jù)已經(jīng)讓很多分析軟件不堪重負(fù)，因此，從相對(duì)性的角度來(lái)看，這些大規(guī)模數(shù)據(jù)也可認(rèn)為是“大數(shù)據(jù)”。大數(shù)據(jù)技術(shù)憑借其優(yōu)異的計(jì)算能力，在微觀金融的很多領(lǐng)域有用武之地比如，客戶信任風(fēng)險(xiǎn)評(píng)估，高維投資組合的構(gòu)造，復(fù)雜衍生品的定價(jià)，投資策略的開發(fā)與快速執(zhí)行等等。第四節(jié)基于Rhadoop的大數(shù)據(jù)金融定量分析大數(shù)據(jù)概述大數(shù)據(jù)與金融定量分析在金融交易中，模型的執(zhí)行效率是至關(guān)重要的比如，大家都應(yīng)用同樣的套利策略，那么晚入場(chǎng)的套利機(jī)會(huì)就沒(méi)了，這就是所謂的延遲風(fēng)險(xiǎn)。如何能讓模型執(zhí)行的更快呢，投資者至少可以做得有兩點(diǎn)：一是模型本身的算法架構(gòu)；二是與平臺(tái)有關(guān)的信息處理能力。以互聯(lián)網(wǎng)為代表的現(xiàn)代信息科技，特別是搜索引擎、移動(dòng)支付、云計(jì)算、大數(shù)據(jù)等的發(fā)展，對(duì)金融模式產(chǎn)生了顛覆性的影響，催生了互聯(lián)網(wǎng)與大數(shù)據(jù)金融等新興金融業(yè)態(tài)。第四節(jié)基于Rhadoop的大數(shù)據(jù)金融定量分析大數(shù)據(jù)概述大數(shù)據(jù)相關(guān)處理技術(shù)幾種流行的與大數(shù)據(jù)相關(guān)的處理技術(shù)MapReduceMapReduce是Google提出的一個(gè)軟件框架，用于并行處理大數(shù)據(jù)集，它可以將單個(gè)計(jì)算任務(wù)分配給多臺(tái)計(jì)算機(jī)完成，以此縮短任務(wù)處理時(shí)間。HadoopHadoop是一個(gè)開發(fā)和運(yùn)行處理大規(guī)模數(shù)據(jù)的軟件平臺(tái)，是Apache的一個(gè)用java語(yǔ)言實(shí)現(xiàn)開源項(xiàng)目，實(shí)現(xiàn)在大量計(jì)算機(jī)組成的集群中對(duì)大規(guī)模數(shù)據(jù)集進(jìn)行可靠的、穩(wěn)定的和分布式的計(jì)算。第四節(jié)基于Rhadoop的大數(shù)據(jù)金融定量分析大數(shù)據(jù)概述大數(shù)據(jù)相關(guān)處理技術(shù)幾種流行的與大數(shù)據(jù)相關(guān)的處理技術(shù)NoSQLNoSQL，有時(shí)被稱作NotOnlyS