Direkt zum Hauptbereich

Mit GoogleTrends zur Aktienanalyse


Zugegeben - der Score von GoogleTrends ist schwer zu verstehen. Und mehr als Entwicklungen ablesen kann man auch nicht, oder? Dass der Score auch zur Aktienanalyse taugt, zeige ich hier!
Einige werden sich daran erinnern, wie vor ein paar Jahren das Phänomen Pokemon Go durch die Decke ging und damit auch der Aktienkurs von Nintendo. Auf dem Schaubild für GoogleTrends (weltweit) zum Suchbegriff "Pokemon Go" kombiniert mit dem Aktienkurs sehen wir wie a) die Linie des GoogleTrend-Scores noch vor dem Aktienkurs hochgeht und b) die signifikante positive Korrelation beider Zeitreihen.
Wir können im weiteren Verlauf aber auch sehen, dass dieser Zusammenhang zur Trendkurve für "Pokemon Go" eher ein einmaliger Effekt war - auch wenn es weiterhin eine signifikante Korrelation zwischen beiden Reihen gibt. Hier der weitere Verlauf:
Schauen wir uns den Verlauf des Trend-Scores für "Nintendo" - also die Firma selbst - an, so können wir feststellen, dass auch hier ein Zusammenhang besteht. Es scheint so, als würden die Peaks im Interesse größere Bewegungen im Aktienverlauf vorwegnehmen:
Der Scatterplot zeigt, dass das Muster anschaulicher:


Dieser "simple" Versuch zeigt, dass wir einen Mehrwert aus GoogleTrends für die Aktienanalyse ziehen können - quod erat demonstrandum. Mit diesem positiven Zwischenergebnis können wir nun weitere Firmen von Interesse analysieren. Hier können wir auch die Informationen zu jener verwandten Suchanfrage und zu jenem verwandten Thema mit dem jeweils höchsten Wachstum an Anfragen hinzunehmen. Dass die verwandte Anfrage jeweils zu Corona ist, scheint angesichts der aktuellen Lage nicht verwunderlich.

Amazon
Wir können sehen, dass ein positiver Zusammenhang zwischen dem Trendscore und dem Aktienkurs besteht. Der negative Zusammenhang zum Thema "Amazon Fresh" ist nicht signifikant.

Daimler
Die negative Korrelation wäre auch ohne das Jahr 2020 gegeben (mit -0.29 zu p<0.001). Die signifikanten und negativen Korrelationen lassen darauf schließen, dass die gefundenen Informationen den Aktienkurs negativ beeinflussten; dies scheint angesichts der Automobil-Themen der letzten Jahre plausibel.

Siemens
Die positive Korelation zwischen Trendscore und Aktienkurs lässt sich auch am Schaubild ablesen. Dass "Lufthansa" das verwandte Thema mit dem größten Wachstum an Suchanfragen ist, wird an Corona und dem Interesse an den wirtschaftlichen Folgen liegen.

Lufthansa
Ohne das Jahr 2020 wäre die Korrelation positiver mit 0.24 zu p<0.001. Dass die Lufthansa von Corona hart getroffen ist, lässt sich auch von den Trends der verwandten Suchanfragen/-themen ablesen.

Notiz: das hier verwendet Package gtrendsR funktioniert aktuell nicht mehr vollumfänglich, da es wohl Änderungen in der API gab. Hoffentlich ist das bald gelöst.

Und hier noch der Code in RStudio 
library(quantmod) #for loading stock data
library(grid)
library(ggplot2)
library(gtrendsR) # for GoogleTrends
library(dplyr)
library(gridExtra)
library(stringr)
library(Hmisc)
library(ISOweek)


# Kapitel 1 - Nintendo
# PLOT 1: Beispiel mit Pokemon Go und Nintendo - Close-Up
start_date = "2016-04-01"
end_date = "2016-08-31"
# 1a) Popularität von Pokemon Go über die Zeit
time_trend <- gtrends("Pokemon Go", gprop='web', time=paste0(start_date," ",end_date), onlyInterest = TRUE) %>%
  .$interest_over_time %>%
  select(date, hits) %>%
  mutate(date = as.Date(date)) %>%
  mutate_at("hits", ~ifelse(. == "<1", 0.5, .)) %>% # Ersetzen mit 0.5
  mutate_at("hits", ~as.numeric(.))
# 1b) Aktiendaten
getSymbols("NTDOY",src="yahoo")
stock.xts <- NTDOY[paste(start_date, end_date, sep = "/")]
stock <- data.frame(date=index(stock.xts), coredata(stock.xts))
# 1c) gemeinsamer Datensatz
joined_data <- left_join(time_trend, stock, by=c("date")) %>%
  mutate_at("hits", ~as.numeric(.)) %>%
  filter(complete.cases(.))
# 1d) Plotting
Korr <- cor.test(joined_data$NTDOY.Close, joined_data$hits, use="complete.obs") # Korrelation
ylim.primary <- c(0, 100)
ylim.secondary <- c(0, ceiling(max(joined_data$NTDOY.Close)))
b <- diff(ylim.primary)/diff(ylim.secondary)
a <- b*(ylim.primary[1] - ylim.secondary[1])
ggplot(joined_data, aes(x = date, y = hits)) +
  geom_line(color="#3399FF", size=0.7) +
  geom_line(aes(y = a + NTDOY.Close*b), color = "#404040", size=0.7) +
  geom_area(aes(y = a + NTDOY.Close*b), fill = "#404040", alpha=0.05)+
  scale_y_continuous("Trends-Score", sec.axis = sec_axis(~ (. - a)/b, name = "Aktien-Kurs")) +
  theme_classic()+
  theme(axis.line.y.right = element_line(color = "#404040"), 
        axis.ticks.y.right = element_line(color = "#404040"),
        axis.text.y.right = element_text(color = "#404040"), 
        axis.title.y.right = element_text(color = "#404040")) +
  theme(axis.line.y.left = element_line(color = "#0080FF"), 
        axis.ticks.y.left = element_line(color = "#0080FF"),
        axis.text.y.left = element_text(color = "#0080FF"), 
        axis.title.y.left = element_text(color = "#0080FF")) +
  labs(
    title = paste("Pokemon Go und die Nintendo Aktie"),
    subtitle = paste("Korrelation:", round(Korr$estimate,4), " & p-Value:", format.pval(Korr$p.value, digits = 4, nsmall = 3,  eps = 0.001)),
    caption = "Plot1 - tägliche Werte")

# PLOT 2: Beispiel mit Pokemon Go und Nintendo
start_date = "2016-04-01"
end_date = "2020-04-30"
# 2a) Popularität von Pokemon Go über die Zeit
time_trend <- gtrends("Pokemon Go", gprop='web', time=paste0(start_date," ",end_date), onlyInterest = TRUE) %>%
  .$interest_over_time %>%
  select(date, hits) %>%
  mutate(date = as.Date(date)) %>%
  mutate_at("hits", ~ifelse(. == "<1", 0.5, .)) %>% # Ersetzen mit 0.5
  mutate_at("hits", ~as.numeric(.)) %>%
  group_by(week = ISOweek(date)) %>% #wöchentl. Durchschnitt
  summarise(hits = mean(hits)) %>%
  mutate("weekdate" = ISOweek2date(paste(.$week, 1, sep="-")))
# 2b) Aktiendaten
getSymbols("NTDOY",src="yahoo")
stock.xts <- NTDOY[paste(start_date, end_date, sep = "/")]
nintendo <- data.frame(date=index(stock.xts), coredata(stock.xts)) %>% #Ändern zu Dataframe
  group_by(week = ISOweek(date)) %>% #wöchentliche Daten
  summarise(NTDOY.Close = mean(NTDOY.Close)) %>%
  mutate("weekdate" = ISOweek2date(paste(.$week, 1, sep="-")))
# 2c) gemeinsamer Datensatz
joined_data <- left_join(time_trend, nintendo, by=c("weekdate","week")) %>%
  mutate_at("hits", ~as.numeric(.)) %>%
  filter(complete.cases(.))
# 2d) Plotting
Korr <- cor.test(joined_data$NTDOY.Close, joined_data$hits, use="complete.obs") # Korrelation
ylim.primary <- c(0, 100)
ylim.secondary <- c(0, ceiling(max(joined_data$NTDOY.Close)))
b <- diff(ylim.primary)/diff(ylim.secondary)
a <- b*(ylim.primary[1] - ylim.secondary[1])
ggplot(joined_data, aes(x = weekdate, y = hits)) +
  geom_line(color="#3399FF", size=0.7) +
  geom_line(aes(y = a + NTDOY.Close*b), color = "#404040", size=0.7) +
  geom_area(aes(y = a + NTDOY.Close*b), fill = "#404040", alpha=0.05)+
  scale_y_continuous("Trends-Score", sec.axis = sec_axis(~ (. - a)/b, name = "Aktien-Kurs")) +
  theme_classic()+
  theme(axis.line.y.right = element_line(color = "#404040"), 
        axis.ticks.y.right = element_line(color = "#404040"),
        axis.text.y.right = element_text(color = "#404040"), 
        axis.title.y.right = element_text(color = "#404040")) +
  theme(axis.line.y.left = element_line(color = "#0080FF"), 
        axis.ticks.y.left = element_line(color = "#0080FF"),
        axis.text.y.left = element_text(color = "#0080FF"), 
        axis.title.y.left = element_text(color = "#0080FF")) +
  labs(
    title = paste("Pokemon Go und die Nintendo Aktie"),
    subtitle = paste("Korrelation:", round(Korr$estimate,4), " & p-Value:", format.pval(Korr$p.value, digits = 4, nsmall = 3,  eps = 0.001)),
    caption = "Plot2 - wöchentliche Werte")  

# PLOT 3: Das Interesse an der Firma
start_date = "2016-04-01"
end_date = "2020-04-30"
# 3a) Popularität von Pokemon Go über die Zeit
time_trend <- gtrends("Nintendo", gprop='web', time=paste0(start_date," ",end_date), onlyInterest = TRUE) %>%
  .$interest_over_time %>%
  select(date, hits) %>%
  mutate(date = as.Date(date)) %>%
  mutate_at("hits", ~ifelse(. == "<1", 0.5, .)) %>% # Ersetzen mit 0.5
  mutate_at("hits", ~as.numeric(.)) %>%
  group_by(week = ISOweek(date)) %>% #wöchentl. Durchschnitt
  summarise(hits = mean(hits)) %>%
  mutate("weekdate" = ISOweek2date(paste(.$week, 1, sep="-")))
# 3b) Aktiendaten
getSymbols("NTDOY",src="yahoo") #Nintendo
stock.xts <- NTDOY[paste(start_date, end_date, sep = "/")]
nintendo <- data.frame(date=index(stock.xts), coredata(stock.xts)) %>% #Ändern zu Dataframe
  group_by(week = ISOweek(date)) %>% #wöchentliche Daten
  summarise(NTDOY.Close = mean(NTDOY.Close)) %>%
  mutate("weekdate" = ISOweek2date(paste(.$week, 1, sep="-")))
# 3c) gemeinsamer Datensatz
joined_data <- left_join(time_trend, nintendo, by=c("weekdate","week")) %>%
  mutate_at("hits", ~as.numeric(.)) %>%
  filter(complete.cases(.))
# 3d) Plotting
Korr <- cor.test(joined_data$NTDOY.Close, joined_data$hits, use="complete.obs") # Korrelation
ylim.primary <- c(0, 100)
ylim.secondary <- c(0, ceiling(max(joined_data$NTDOY.Close)))
b <- diff(ylim.primary)/diff(ylim.secondary)
a <- b*(ylim.primary[1] - ylim.secondary[1])
ggplot(joined_data, aes(x = weekdate, y = hits)) +
  geom_line(color="#3399FF", size=0.7) +
  geom_line(aes(y = a + NTDOY.Close*b), color = "#404040", size=0.7) +
  geom_area(aes(y = a + NTDOY.Close*b), fill = "#404040", alpha=0.05)+
  scale_y_continuous("Trends-Score", sec.axis = sec_axis(~ (. - a)/b, name = "Aktien-Kurs")) +
  theme_classic()+
  theme(axis.line.y.right = element_line(color = "#404040"), 
        axis.ticks.y.right = element_line(color = "#404040"),
        axis.text.y.right = element_text(color = "#404040"), 
        axis.title.y.right = element_text(color = "#404040")) +
  theme(axis.line.y.left = element_line(color = "#0080FF"), 
        axis.ticks.y.left = element_line(color = "#0080FF"),
        axis.text.y.left = element_text(color = "#0080FF"), 
        axis.title.y.left = element_text(color = "#0080FF")) +
  labs(
    title = paste("Google Trends und Aktienkurs zu 'Nintendo'"),
    subtitle = paste("Korrelation:", round(Korr$estimate,4), " & p-Value:", format.pval(Korr$p.value, digits = 4, nsmall = 3,  eps = 0.001)),
    caption = "Plot3 - wöchentliche Werte")  

# PLOT 4: Scatterplot
ggplot(joined_data, aes(x = hits, y = NTDOY.Close)) +
  geom_point(color="#0080FF") + 
  geom_smooth(color = "#404040") +
  labs(
    x = "Trendscore", y="Aktienkurs",
    title = paste("Beziehung zw. Google Trends und Aktienkurs zu 'Nintendo'"),
    caption = "Plot4 - wöchentliche Werte") 



#Kapitel 2 - Amazon
# PLOT 5: Trend & Aktie zu Amazon
start_date = "2016-04-01"
end_date = "2020-04-30"
# 5a) Popularität von Pokemon Go über die Zeit
time_trend <- gtrends("Amazon", gprop='web', time=paste0(start_date," ",end_date), onlyInterest = TRUE) %>%
  .$interest_over_time %>%
  select(date, hits) %>%
  mutate(date = as.Date(date)) %>%
  mutate_at("hits", ~ifelse(. == "<1", 0.5, .)) %>% # Ersetzen mit 0.5
  mutate_at("hits", ~as.numeric(.)) %>%
  group_by(week = ISOweek(date)) %>% #wöchentl. Durchschnitt
  summarise(hits = mean(hits)) %>%
  mutate("weekdate" = ISOweek2date(paste(.$week, 1, sep="-")))
# 5b) Aktiendaten
getSymbols("AMZN",src="yahoo")
stock.xts <- AMZN[paste(start_date, end_date, sep = "/")]
stock <- data.frame(date=index(stock.xts), coredata(stock.xts)) %>% #Ändern zu Dataframe
  group_by(week = ISOweek(date)) %>% #wöchentliche Daten
  summarise(AMZN.Close = mean(AMZN.Close)) %>%
  mutate("weekdate" = ISOweek2date(paste(.$week, 1, sep="-")))
# 5c) gemeinsamer Datensatz
joined_data <- left_join(time_trend, stock, by=c("weekdate","week")) %>%
  mutate_at("hits", ~as.numeric(.)) %>%
  filter(complete.cases(.))
# 5d) Plotting
Korr <- cor.test(joined_data$AMZN.Close, joined_data$hits, use="complete.obs") # Korrelation
ylim.primary <- c(0, 100)
ylim.secondary <- c(0, ceiling(max(joined_data$AMZN.Close)))
b <- diff(ylim.primary)/diff(ylim.secondary)
a <- b*(ylim.primary[1] - ylim.secondary[1])
ggplot(joined_data, aes(x = weekdate, y = hits)) +
  geom_line(color="#3399FF", size=0.7) +
  geom_line(aes(y = a + AMZN.Close*b), color = "#404040", size=0.7) +
  geom_area(aes(y = a + AMZN.Close*b), fill = "#404040", alpha=0.05)+
  scale_y_continuous("Trends-Score", sec.axis = sec_axis(~ (. - a)/b, name = "Aktien-Kurs")) +
  theme_classic()+
  theme(axis.line.y.right = element_line(color = "#404040"), 
        axis.ticks.y.right = element_line(color = "#404040"),
        axis.text.y.right = element_text(color = "#404040"), 
        axis.title.y.right = element_text(color = "#404040")) +
  theme(axis.line.y.left = element_line(color = "#0080FF"), 
        axis.ticks.y.left = element_line(color = "#0080FF"),
        axis.text.y.left = element_text(color = "#0080FF"), 
        axis.title.y.left = element_text(color = "#0080FF")) +
  labs(
    title = paste("Trend & Aktie zu Amazon"),
    subtitle = paste("Korrelation:", round(Korr$estimate,4), " & p-Value:", format.pval(Korr$p.value, digits = 4, nsmall = 3,  eps = 0.001)),
    caption = "Plot5 - wöchentliche Werte")  

# PLOT 6: Scatterplot
ggplot(joined_data, aes(x = hits, y = AMZN.Close)) +
  geom_point(color="#0080FF") + 
  geom_smooth(color = "#404040") +
  labs(
    x = "Trendscore", y="Aktienkurs",
    title = paste("Beziehung zw. Google Trends und Aktienkurs zu 'Amazon'"),
    caption = "Plot6 - wöchentliche Werte") 

# PLOT 7: Zusammenhang zur verwandten Anfrage mit höchstem Wachstum
start_date="2020-01-01"
end_date = as.character(Sys.Date())
# 7a) Rising verwandte Suchanfragen
trend <- gtrends("Amazon", gprop='web', time=paste0(start_date," ",end_date)) %>%
  .$related_queries %>%
  filter(related_queries == "rising")
keyword = trend[1,3]
# 7b) Popularität der verwandten Anfrage
time_trend <- gtrends(keyword=paste(keyword), gprop='web', time=paste0(start_date," ",end_date)) %>%
  .$interest_over_time %>%
  select(date, hits) %>%
  mutate(date = as.Date(date)) %>%
  mutate_at("hits", ~ifelse(. == "<1", 0.5, .)) %>% # Ersetzen mit 0.5
  mutate_at("hits", ~as.numeric(.)) #%>%
group_by(week = ISOweek(date)) %>% #wöchentl. Durchschnitt
  summarise(hits = mean(hits))
# 7c) Aktiendaten
getSymbols("AMZN",src="yahoo")
stock.xts <- AMZN[paste(start_date, end_date, sep = "/")]
stock <- data.frame(date=index(stock.xts), coredata(stock.xts))
# 7d) gemeinsamer Datensatz
joined_data <- left_join(time_trend, stock, by="date") %>%
  mutate_at("hits", ~as.numeric(.)) %>%
  filter(complete.cases(.))
# 7d) Plotting
Korr <- cor.test(joined_data$AMZN.Close, joined_data$hits, use="complete.obs") # Korrelation
ylim.primary <- c(0, 100)
ylim.secondary <- c(0, ceiling(max(joined_data$AMZN.Close)))
b <- diff(ylim.primary)/diff(ylim.secondary)
a <- b*(ylim.primary[1] - ylim.secondary[1])
ggplot(joined_data, aes(x = date, y = hits)) +
  geom_line(color="#3399FF", size=0.7) +
  geom_line(aes(y = a + AMZN.Close*b), color = "#404040", size=0.7) +
  geom_area(aes(y = a + AMZN.Close*b), fill = "#404040", alpha=0.05)+
  scale_y_continuous("Trends-Score", sec.axis = sec_axis(~ (. - a)/b, name = "Aktien-Kurs")) +
  theme_classic()+
  theme(axis.line.y.right = element_line(color = "#404040"), 
        axis.ticks.y.right = element_line(color = "#404040"),
        axis.text.y.right = element_text(color = "#404040"), 
        axis.title.y.right = element_text(color = "#404040")) +
  theme(axis.line.y.left = element_line(color = "#0080FF"), 
        axis.ticks.y.left = element_line(color = "#0080FF"),
        axis.text.y.left = element_text(color = "#0080FF"), 
        axis.title.y.left = element_text(color = "#0080FF")) +
  labs(
    title = paste("Trend der meistgewachsenen verwandten Anfrage zu '", keyword, "' & Aktie zu Amazon"),
    subtitle = paste("Korrelation:", round(Korr$estimate,4), " & p-Value:", format.pval(Korr$p.value, digits = 4, nsmall = 3,  eps = 0.001)),
    caption = "Plot7 - tägliche Werte")  

# PLOT 8: Zusammenhang zum verwandten Thema mit höchstem Wachstum
start_date="2020-01-01"
end_date = as.character(Sys.Date())
# 8a) Rising verwandte Suchanfragen
trend <- gtrends("Amazon", gprop='web', time=paste0(start_date," ",end_date)) %>%
  .$related_topics %>%
  filter(related_topics == "rising")
keyword = trend[1,3]
# 8b) Popularität der verwandten Anfrage
time_trend <- gtrends(keyword=paste(keyword), gprop='web', time=paste0(start_date," ",end_date)) %>%
  .$interest_over_time %>%
  select(date, hits) %>%
  mutate(date = as.Date(date)) %>%
  mutate_at("hits", ~ifelse(. == "<1", 0.5, .)) %>% # Ersetzen mit 0.5
  mutate_at("hits", ~as.numeric(.)) #%>%
# 8c) Aktiendaten
getSymbols("AMZN",src="yahoo")
stock.xts <- AMZN[paste(start_date, end_date, sep = "/")]
stock <- data.frame(date=index(stock.xts), coredata(stock.xts))
# 8d) gemeinsamer Datensatz
joined_data <- left_join(time_trend, stock, by="date") %>%
  mutate_at("hits", ~as.numeric(.)) %>%
  filter(complete.cases(.))
# 8d) Plotting
Korr <- cor.test(joined_data$AMZN.Close, joined_data$hits, use="complete.obs") # Korrelation
ylim.primary <- c(0, 100)
ylim.secondary <- c(0, ceiling(max(joined_data$AMZN.Close)))
b <- diff(ylim.primary)/diff(ylim.secondary)
a <- b*(ylim.primary[1] - ylim.secondary[1])
ggplot(joined_data, aes(x = date, y = hits)) +
  geom_line(color="#3399FF", size=0.7) +
  geom_line(aes(y = a + AMZN.Close*b), color = "#404040", size=0.7) +
  geom_area(aes(y = a + AMZN.Close*b), fill = "#404040", alpha=0.05)+
  scale_y_continuous("Trends-Score", sec.axis = sec_axis(~ (. - a)/b, name = "Aktien-Kurs")) +
  theme_classic()+
  theme(axis.line.y.right = element_line(color = "#404040"), 
        axis.ticks.y.right = element_line(color = "#404040"),
        axis.text.y.right = element_text(color = "#404040"), 
        axis.title.y.right = element_text(color = "#404040")) +
  theme(axis.line.y.left = element_line(color = "#0080FF"), 
        axis.ticks.y.left = element_line(color = "#0080FF"),
        axis.text.y.left = element_text(color = "#0080FF"), 
        axis.title.y.left = element_text(color = "#0080FF")) +
  labs(
    title = paste("Im Trend liegendes verwandten Themas '", keyword, "' & Aktie zu Amazon"),
    subtitle = paste("Korrelation:", round(Korr$estimate,4), " & p-Value:", format.pval(Korr$p.value, digits = 4, nsmall = 3,  eps = 0.001)),
    caption = "Plot8 - tägliche Werte")  




#Kapitel 3 - Daimler
# PLOT 9: Trend & Aktie zu Daimler
start_date = "2016-04-01"
end_date = "2020-04-30"
# 9a) Popularität von Daimler über die Zeit
time_trend <- gtrends("Daimler", gprop='web', time=paste0(start_date," ",end_date), onlyInterest = TRUE) %>%
  .$interest_over_time %>%
  select(date, hits) %>%
  mutate(date = as.Date(date)) %>%
  mutate_at("hits", ~ifelse(. == "<1", 0.5, .)) %>% # Ersetzen mit 0.5
  mutate_at("hits", ~as.numeric(.)) %>%
  group_by(week = ISOweek(date)) %>% #wöchentl. Durchschnitt
  summarise(hits = mean(hits)) %>%
  mutate("weekdate" = ISOweek2date(paste(.$week, 1, sep="-")))
# 9b) Aktiendaten
getSymbols("DAI.DE",src="yahoo")
stock.xts <- DAI.DE[paste(start_date, end_date, sep = "/")]
stock <- data.frame(date=index(stock.xts), coredata(stock.xts)) %>% #Ändern zu Dataframe
  group_by(week = ISOweek(date)) %>% #wöchentliche Daten
  summarise(DAI.DE.Close = mean(DAI.DE.Close)) %>%
  mutate("weekdate" = ISOweek2date(paste(.$week, 1, sep="-")))
# 9c) gemeinsamer Datensatz
joined_data <- left_join(time_trend, stock, by=c("weekdate","week")) %>%
  mutate_at("hits", ~as.numeric(.)) %>%
  filter(complete.cases(.))
# 9d) Plotting
Korr <- cor.test(joined_data$DAI.DE.Close, joined_data$hits, use="complete.obs") # Korrelation
ylim.primary <- c(0, 100)
ylim.secondary <- c(0, ceiling(max(joined_data$DAI.DE.Close)))
b <- diff(ylim.primary)/diff(ylim.secondary)
a <- b*(ylim.primary[1] - ylim.secondary[1])
ggplot(joined_data, aes(x = weekdate, y = hits)) +
  geom_line(color="#3399FF", size=0.7) +
  geom_line(aes(y = a + DAI.DE.Close*b), color = "#404040", size=0.7) +
  geom_area(aes(y = a + DAI.DE.Close*b), fill = "#404040", alpha=0.05)+
  scale_y_continuous("Trends-Score", sec.axis = sec_axis(~ (. - a)/b, name = "Aktien-Kurs")) +
  theme_classic()+
  theme(axis.line.y.right = element_line(color = "#404040"), 
        axis.ticks.y.right = element_line(color = "#404040"),
        axis.text.y.right = element_text(color = "#404040"), 
        axis.title.y.right = element_text(color = "#404040")) +
  theme(axis.line.y.left = element_line(color = "#0080FF"), 
        axis.ticks.y.left = element_line(color = "#0080FF"),
        axis.text.y.left = element_text(color = "#0080FF"), 
        axis.title.y.left = element_text(color = "#0080FF")) +
  labs(
    title = paste("Trend & Aktie zu Daimler"),
    subtitle = paste("Korrelation:", round(Korr$estimate,4), " & p-Value:", format.pval(Korr$p.value, digits = 4, nsmall = 3,  eps = 0.001)),
    caption = "Plot9 - wöchentliche Werte")  

# Plot 10: Scatterplot
ggplot(joined_data, aes(x = hits, y = DAI.DE.Close)) +
  geom_point(color="#0080FF") + 
  geom_smooth(color = "#404040") +
  labs(
    x = "Trendscore", y="Aktienkurs",
    title = paste("Beziehung zw. Google Trends und Aktienkurs zu 'Daimler'"),
    caption = "Plot10 - wöchentliche Werte") 

# Plot 11: Zusammenhang zur verwandten Anfrage mit höchstem Wachstum
start_date="2020-01-01"
end_date = as.character(Sys.Date())
# 11a) Rising verwandte Suchanfragen
trend <- gtrends("Daimler", gprop='web', time=paste0(start_date," ",end_date)) %>%
  .$related_queries %>%
  filter(related_queries == "rising")
keyword = trend[1,3]
# 11b) Popularität der verwandten Anfrage
time_trend <- gtrends(keyword=paste(keyword), gprop='web', time=paste0(start_date," ",end_date)) %>%
  .$interest_over_time %>%
  select(date, hits) %>%
  mutate(date = as.Date(date)) %>%
  mutate_at("hits", ~ifelse(. == "<1", 0.5, .)) %>% # Ersetzen mit 0.5
  mutate_at("hits", ~as.numeric(.))
# 11c) Aktiendaten
getSymbols("DAI.DE",src="yahoo") #Nintendo
stock.xts <- DAI.DE[paste(start_date, end_date, sep = "/")]
stock <- data.frame(date=index(stock.xts), coredata(stock.xts))
# 11d) gemeinsamer Datensatz
joined_data <- left_join(time_trend, stock, by="date") %>%
  mutate_at("hits", ~as.numeric(.)) %>%
  filter(complete.cases(.))
# 11d) Plotting
Korr <- cor.test(joined_data$DAI.DE.Close, joined_data$hits, use="complete.obs") # Korrelation
ylim.primary <- c(0, 100)
ylim.secondary <- c(0, ceiling(max(joined_data$DAI.DE.Close)))
b <- diff(ylim.primary)/diff(ylim.secondary)
a <- b*(ylim.primary[1] - ylim.secondary[1])
ggplot(joined_data, aes(x = date, y = hits)) +
  geom_line(color="#3399FF", size=0.7) +
  geom_line(aes(y = a + DAI.DE.Close*b), color = "#404040", size=0.7) +
  geom_area(aes(y = a + DAI.DE.Close*b), fill = "#404040", alpha=0.05)+
  scale_y_continuous("Trends-Score", sec.axis = sec_axis(~ (. - a)/b, name = "Aktien-Kurs")) +
  theme_classic()+
  theme(axis.line.y.right = element_line(color = "#404040"), 
        axis.ticks.y.right = element_line(color = "#404040"),
        axis.text.y.right = element_text(color = "#404040"), 
        axis.title.y.right = element_text(color = "#404040")) +
  theme(axis.line.y.left = element_line(color = "#0080FF"), 
        axis.ticks.y.left = element_line(color = "#0080FF"),
        axis.text.y.left = element_text(color = "#0080FF"), 
        axis.title.y.left = element_text(color = "#0080FF")) +
  labs(
    title = paste("Trend der meistgewachsenen verwandten Anfrage zu '", keyword, "' & Aktie zu Daimler"),
    subtitle = paste("Korrelation:", round(Korr$estimate,4), " & p-Value:", format.pval(Korr$p.value, digits = 4, nsmall = 3,  eps = 0.001)),
    caption = "Plot11 - tägliche Werte")  

# Plot 12: Zusammenhang zum verwandten Thema mit höchstem Wachstum
start_date="2020-01-01"
end_date = as.character(Sys.Date())
# 12a) Rising verwandte Suchanfragen
trend <- gtrends("Daimler", gprop='web', time=paste0(start_date," ",end_date)) %>%
  .$related_topics %>%
  filter(related_topics == "rising")
keyword = trend[1,3]
# 12b) Popularität der verwandten Anfrage
time_trend <- gtrends(keyword=paste(keyword), gprop='web', time=paste0(start_date," ",end_date)) %>%
  .$interest_over_time %>%
  select(date, hits) %>%
  mutate(date = as.Date(date)) %>%
  mutate_at("hits", ~ifelse(. == "<1", 0.5, .)) %>% # Ersetzen mit 0.5
  mutate_at("hits", ~as.numeric(.)) #%>%
# 12c) Aktiendaten
getSymbols("DAI.DE",src="yahoo") #Nintendo
stock.xts <- DAI.DE[paste(start_date, end_date, sep = "/")]
stock <- data.frame(date=index(stock.xts), coredata(stock.xts))
# 12d) gemeinsamer Datensatz
joined_data <- left_join(time_trend, stock, by="date") %>%
  mutate_at("hits", ~as.numeric(.)) %>%
  filter(complete.cases(.))
# 12d) Plotting
Korr <- cor.test(joined_data$DAI.DE.Close, joined_data$hits, use="complete.obs") # Korrelation
ylim.primary <- c(0, 100)
ylim.secondary <- c(0, ceiling(max(joined_data$DAI.DE.Close)))
b <- diff(ylim.primary)/diff(ylim.secondary)
a <- b*(ylim.primary[1] - ylim.secondary[1])
ggplot(joined_data, aes(x = date, y = hits)) +
  geom_line(color="#3399FF", size=0.7) +
  geom_line(aes(y = a + DAI.DE.Close*b), color = "#404040", size=0.7) +
  geom_area(aes(y = a + DAI.DE.Close*b), fill = "#404040", alpha=0.05)+
  scale_y_continuous("Trends-Score", sec.axis = sec_axis(~ (. - a)/b, name = "Aktien-Kurs")) +
  theme_classic()+
  theme(axis.line.y.right = element_line(color = "#404040"), 
        axis.ticks.y.right = element_line(color = "#404040"),
        axis.text.y.right = element_text(color = "#404040"), 
        axis.title.y.right = element_text(color = "#404040")) +
  theme(axis.line.y.left = element_line(color = "#0080FF"), 
        axis.ticks.y.left = element_line(color = "#0080FF"),
        axis.text.y.left = element_text(color = "#0080FF"), 
        axis.title.y.left = element_text(color = "#0080FF")) +
  labs(
    title = paste("Im Trend liegendes verwandten Themas '", keyword, "' & Aktie zu Daimler"),
    subtitle = paste("Korrelation:", round(Korr$estimate,4), " & p-Value:", format.pval(Korr$p.value, digits = 4, nsmall = 3,  eps = 0.001)),
    caption = "Plot12 - tägliche Werte")  



#Kapitel 3 - Siemens
# PLOT 13: Trend & Aktie zu Amazon
start_date = "2016-04-01"
end_date = "2020-04-30"
# 13a) Popularität von Daimler über die Zeit
time_trend <- gtrends("Siemens", gprop='web', time=paste0(start_date," ",end_date), onlyInterest = TRUE) %>%
  .$interest_over_time %>%
  select(date, hits) %>%
  mutate(date = as.Date(date)) %>%
  mutate_at("hits", ~ifelse(. == "<1", 0.5, .)) %>% # Ersetzen mit 0.5
  mutate_at("hits", ~as.numeric(.)) %>%
  group_by(week = ISOweek(date)) %>% #wöchentl. Durchschnitt
  summarise(hits = mean(hits)) %>%
  mutate("weekdate" = ISOweek2date(paste(.$week, 1, sep="-")))
# 13b) Aktiendaten
getSymbols("SIE.DE",src="yahoo")
stock.xts <- SIE.DE[paste(start_date, end_date, sep = "/")]
stock <- data.frame(date=index(stock.xts), coredata(stock.xts)) %>% #Ändern zu Dataframe
  group_by(week = ISOweek(date)) %>% #wöchentliche Daten
  summarise(SIE.DE.Close = mean(SIE.DE.Close)) %>%
  mutate("weekdate" = ISOweek2date(paste(.$week, 1, sep="-")))
# 13c) gemeinsamer Datensatz
joined_data <- left_join(time_trend, stock, by=c("weekdate","week")) %>%
  mutate_at("hits", ~as.numeric(.)) %>%
  filter(complete.cases(.))
# 13d) Plotting
Korr <- cor.test(joined_data$SIE.DE.Close, joined_data$hits, use="complete.obs") # Korrelation
ylim.primary <- c(0, 100)
ylim.secondary <- c(0, ceiling(max(joined_data$SIE.DE.Close)))
b <- diff(ylim.primary)/diff(ylim.secondary)
a <- b*(ylim.primary[1] - ylim.secondary[1])
ggplot(joined_data, aes(x = weekdate, y = hits)) +
  geom_line(color="#3399FF", size=0.7) +
  geom_line(aes(y = a + SIE.DE.Close*b), color = "#404040", size=0.7) +
  geom_area(aes(y = a + SIE.DE.Close*b), fill = "#404040", alpha=0.05)+
  scale_y_continuous("Trends-Score", sec.axis = sec_axis(~ (. - a)/b, name = "Aktien-Kurs")) +
  theme_classic()+
  theme(axis.line.y.right = element_line(color = "#404040"), 
        axis.ticks.y.right = element_line(color = "#404040"),
        axis.text.y.right = element_text(color = "#404040"), 
        axis.title.y.right = element_text(color = "#404040")) +
  theme(axis.line.y.left = element_line(color = "#0080FF"), 
        axis.ticks.y.left = element_line(color = "#0080FF"),
        axis.text.y.left = element_text(color = "#0080FF"), 
        axis.title.y.left = element_text(color = "#0080FF")) +
  labs(
    title = paste("Trend & Aktie zu Siemens"),
    subtitle = paste("Korrelation:", round(Korr$estimate,4), " & p-Value:", format.pval(Korr$p.value, digits = 4, nsmall = 3,  eps = 0.001)),
    caption = "Plot13 - wöchentliche Werte")  

# Plot 14: Scatterplot
ggplot(joined_data, aes(x = hits, y = SIE.DE.Close)) +
  geom_point(color="#0080FF") + 
  geom_smooth(color = "#404040") +
  labs(
    x = "Trendscore", y="Aktienkurs",
    title = paste("Beziehung zw. Google Trends und Aktienkurs zu 'Siemens'"),
    caption = "Plot14 - wöchentliche Werte") 

# Plot 15: Zusammenhang zur verwandten Anfrage mit höchstem Wachstum
start_date="2020-01-01"
end_date = as.character(Sys.Date())
# 15a) Rising verwandte Suchanfragen
trend <- gtrends("Siemens", gprop='web', time=paste0(start_date," ",end_date)) %>%
  .$related_queries %>%
  filter(related_queries == "rising")
keyword = trend[1,3]
# 15b) Popularität der verwandten Anfrage
time_trend <- gtrends(keyword=paste(keyword), gprop='web', time=paste0(start_date," ",end_date)) %>%
  .$interest_over_time %>%
  select(date, hits) %>%
  mutate(date = as.Date(date)) %>%
  mutate_at("hits", ~ifelse(. == "<1", 0.5, .)) %>% # Ersetzen mit 0.5
  mutate_at("hits", ~as.numeric(.))
# 15c) Aktiendaten
getSymbols("SIE.DE",src="yahoo") #Nintendo
stock.xts <- SIE.DE[paste(start_date, end_date, sep = "/")]
stock <- data.frame(date=index(stock.xts), coredata(stock.xts))
# 15d) gemeinsamer Datensatz
joined_data <- left_join(time_trend, stock, by="date") %>%
  mutate_at("hits", ~as.numeric(.)) %>%
  filter(complete.cases(.))
# 15e) Plotting
Korr <- cor.test(joined_data$SIE.DE.Close, joined_data$hits, use="complete.obs") # Korrelation
ylim.primary <- c(0, 100)
ylim.secondary <- c(0, ceiling(max(joined_data$SIE.DE.Close)))
b <- diff(ylim.primary)/diff(ylim.secondary)
a <- b*(ylim.primary[1] - ylim.secondary[1])
ggplot(joined_data, aes(x = date, y = hits)) +
  geom_line(color="#3399FF", size=0.7) +
  geom_line(aes(y = a + SIE.DE.Close*b), color = "#404040", size=0.7) +
  geom_area(aes(y = a + SIE.DE.Close*b), fill = "#404040", alpha=0.05)+
  scale_y_continuous("Trends-Score", sec.axis = sec_axis(~ (. - a)/b, name = "Aktien-Kurs")) +
  theme_classic()+
  theme(axis.line.y.right = element_line(color = "#404040"), 
        axis.ticks.y.right = element_line(color = "#404040"),
        axis.text.y.right = element_text(color = "#404040"), 
        axis.title.y.right = element_text(color = "#404040")) +
  theme(axis.line.y.left = element_line(color = "#0080FF"), 
        axis.ticks.y.left = element_line(color = "#0080FF"),
        axis.text.y.left = element_text(color = "#0080FF"), 
        axis.title.y.left = element_text(color = "#0080FF")) +
  labs(
    title = paste("Trend der meistgewachsenen verwandten Anfrage zu '", keyword, "' & Aktie zu Siemens"),
    subtitle = paste("Korrelation:", round(Korr$estimate,4), " & p-Value:", format.pval(Korr$p.value, digits = 4, nsmall = 3,  eps = 0.001)),
    caption = "Plot15 - tägliche Werte")  

# Plot 16: Zusammenhang zum verwandten Thema mit höchstem Wachstum
start_date="2020-01-01"
end_date = as.character(Sys.Date())
# 16a) Rising verwandte Suchanfragen
trend <- gtrends("Siemens", gprop='web', time=paste0(start_date," ",end_date)) %>%
  .$related_topics %>%
  filter(related_topics == "rising")
keyword = trend[1,3]
# 16b) Popularität der verwandten Anfrage
time_trend <- gtrends(keyword=paste(keyword), gprop='web', time=paste0(start_date," ",end_date)) %>%
  .$interest_over_time %>%
  select(date, hits) %>%
  mutate(date = as.Date(date)) %>%
  mutate_at("hits", ~ifelse(. == "<1", 0.5, .)) %>% # Ersetzen mit 0.5
  mutate_at("hits", ~as.numeric(.)) #%>%
# 16c) Aktiendaten
getSymbols("SIE.DE",src="yahoo") #Nintendo
stock.xts <- SIE.DE[paste(start_date, end_date, sep = "/")]
stock <- data.frame(date=index(stock.xts), coredata(stock.xts))
# 16d) gemeinsamer Datensatz
joined_data <- left_join(time_trend, stock, by="date") %>%
  mutate_at("hits", ~as.numeric(.)) %>%
  filter(complete.cases(.))
# 16e) Plotting
Korr <- cor.test(joined_data$SIE.DE.Close, joined_data$hits, use="complete.obs") # Korrelation
ylim.primary <- c(0, 100)
ylim.secondary <- c(0, ceiling(max(joined_data$SIE.DE.Close)))
b <- diff(ylim.primary)/diff(ylim.secondary)
a <- b*(ylim.primary[1] - ylim.secondary[1])
ggplot(joined_data, aes(x = date, y = hits)) +
  geom_line(color="#3399FF", size=0.7) +
  geom_line(aes(y = a + SIE.DE.Close*b), color = "#404040", size=0.7) +
  geom_area(aes(y = a + SIE.DE.Close*b), fill = "#404040", alpha=0.05)+
  scale_y_continuous("Trends-Score", sec.axis = sec_axis(~ (. - a)/b, name = "Aktien-Kurs")) +
  theme_classic()+
  theme(axis.line.y.right = element_line(color = "#404040"), 
        axis.ticks.y.right = element_line(color = "#404040"),
        axis.text.y.right = element_text(color = "#404040"), 
        axis.title.y.right = element_text(color = "#404040")) +
  theme(axis.line.y.left = element_line(color = "#0080FF"), 
        axis.ticks.y.left = element_line(color = "#0080FF"),
        axis.text.y.left = element_text(color = "#0080FF"), 
        axis.title.y.left = element_text(color = "#0080FF")) +
  labs(
    title = paste("Im Trend liegendes verwandten Themas '", keyword, "' & Aktie zu Siemens"),
    subtitle = paste("Korrelation:", round(Korr$estimate,4), " & p-Value:", format.pval(Korr$p.value, digits = 4, nsmall = 3,  eps = 0.001)),
    caption = "Plot16 - tägliche Werte")  



#Kapitel 4 - Lufthansa
# PLOT 17: Trend & Aktie zu Amazon
start_date = "2016-04-01"
end_date = "2020-01-01"
# 17a) Popularität von Daimler über die Zeit
time_trend <- gtrends("Lufthansa", gprop='web', time=paste0(start_date," ",end_date), onlyInterest = TRUE) %>%
  .$interest_over_time %>%
  select(date, hits) %>%
  mutate(date = as.Date(date)) %>%
  mutate_at("hits", ~ifelse(. == "<1", 0.5, .)) %>% # Ersetzen mit 0.5
  mutate_at("hits", ~as.numeric(.)) %>%
  group_by(week = ISOweek(date)) %>% #wöchentl. Durchschnitt
  summarise(hits = mean(hits)) %>%
  mutate("weekdate" = ISOweek2date(paste(.$week, 1, sep="-")))
# 17b) Aktiendaten
getSymbols("LHA.DE",src="yahoo")
stock.xts <- LHA.DE[paste(start_date, end_date, sep = "/")]
stock <- data.frame(date=index(stock.xts), coredata(stock.xts)) %>% #Ändern zu Dataframe
  group_by(week = ISOweek(date)) %>% #wöchentliche Daten
  summarise(LHA.DE.Close = mean(LHA.DE.Close)) %>%
  mutate("weekdate" = ISOweek2date(paste(.$week, 1, sep="-")))
# 17c) gemeinsamer Datensatz
joined_data <- left_join(time_trend, stock, by=c("weekdate","week")) %>%
  mutate_at("hits", ~as.numeric(.)) %>%
  filter(complete.cases(.))
# 17d) Plotting
Korr <- cor.test(joined_data$LHA.DE.Close, joined_data$hits, use="complete.obs") # Korrelation
ylim.primary <- c(0, 100)
ylim.secondary <- c(0, ceiling(max(joined_data$LHA.DE.Close)))
b <- diff(ylim.primary)/diff(ylim.secondary)
a <- b*(ylim.primary[1] - ylim.secondary[1])
ggplot(joined_data, aes(x = weekdate, y = hits)) +
  geom_line(color="#3399FF", size=0.7) +
  geom_line(aes(y = a + LHA.DE.Close*b), color = "#404040", size=0.7) +
  geom_area(aes(y = a + LHA.DE.Close*b), fill = "#404040", alpha=0.05)+
  scale_y_continuous("Trends-Score", sec.axis = sec_axis(~ (. - a)/b, name = "Aktien-Kurs")) +
  theme_classic()+
  theme(axis.line.y.right = element_line(color = "#404040"), 
        axis.ticks.y.right = element_line(color = "#404040"),
        axis.text.y.right = element_text(color = "#404040"), 
        axis.title.y.right = element_text(color = "#404040")) +
  theme(axis.line.y.left = element_line(color = "#0080FF"), 
        axis.ticks.y.left = element_line(color = "#0080FF"),
        axis.text.y.left = element_text(color = "#0080FF"), 
        axis.title.y.left = element_text(color = "#0080FF")) +
  labs(
    title = paste("Trend & Aktie zu Lufthansa"),
    subtitle = paste("Korrelation:", round(Korr$estimate,4), " & p-Value:", format.pval(Korr$p.value, digits = 4, nsmall = 3,  eps = 0.001)),
    caption = "Plot17 - wöchentliche Werte")  

# Plot 18: Scatterplot
ggplot(joined_data, aes(x = hits, y = LHA.DE.Close)) +
  geom_point(color="#0080FF") + 
  geom_smooth(color = "#404040") +
  labs(
    x = "Trendscore", y="Aktienkurs",
    title = paste("Beziehung zw. Google Trends und Aktienkurs zu 'Lufthansa'"),
    caption = "Plot18 - wöchentliche Werte") 

# Plot 19: Zusammenhang zur verwandten Anfrage mit höchstem Wachstum
start_date="2020-01-01"
end_date = as.character(Sys.Date())
# 19a) Rising verwandte Suchanfragen
trend <- gtrends("Lufthansa", gprop='web', time=paste0(start_date," ",end_date)) %>%
  .$related_queries %>%
  filter(related_queries == "rising")
keyword = trend[1,3]
# 19b) Popularität der verwandten Anfrage
time_trend <- gtrends(keyword=paste(keyword), gprop='web', time=paste0(start_date," ",end_date)) %>%
  .$interest_over_time %>%
  select(date, hits) %>%
  mutate(date = as.Date(date)) %>%
  mutate_at("hits", ~ifelse(. == "<1", 0.5, .)) %>% # Ersetzen mit 0.5
  mutate_at("hits", ~as.numeric(.))
# 19c) Aktiendaten
getSymbols("LHA.DE",src="yahoo") #Nintendo
stock.xts <- LHA.DE[paste(start_date, end_date, sep = "/")]
stock <- data.frame(date=index(stock.xts), coredata(stock.xts))
# 19d) gemeinsamer Datensatz
joined_data <- left_join(time_trend, stock, by="date") %>%
  mutate_at("hits", ~as.numeric(.)) %>%
  filter(complete.cases(.))
# 19e) Plotting
Korr <- cor.test(joined_data$LHA.DE.Close, joined_data$hits, use="complete.obs") # Korrelation
ylim.primary <- c(0, 100)
ylim.secondary <- c(0, ceiling(max(joined_data$LHA.DE.Close)))
b <- diff(ylim.primary)/diff(ylim.secondary)
a <- b*(ylim.primary[1] - ylim.secondary[1])
ggplot(joined_data, aes(x = date, y = hits)) +
  geom_line(color="#3399FF", size=0.7) +
  geom_line(aes(y = a + LHA.DE.Close*b), color = "#404040", size=0.7) +
  geom_area(aes(y = a + LHA.DE.Close*b), fill = "#404040", alpha=0.05)+
  scale_y_continuous("Trends-Score", sec.axis = sec_axis(~ (. - a)/b, name = "Aktien-Kurs")) +
  theme_classic()+
  theme(axis.line.y.right = element_line(color = "#404040"), 
        axis.ticks.y.right = element_line(color = "#404040"),
        axis.text.y.right = element_text(color = "#404040"), 
        axis.title.y.right = element_text(color = "#404040")) +
  theme(axis.line.y.left = element_line(color = "#0080FF"), 
        axis.ticks.y.left = element_line(color = "#0080FF"),
        axis.text.y.left = element_text(color = "#0080FF"), 
        axis.title.y.left = element_text(color = "#0080FF")) +
  labs(
    title = paste("Trend der meistgewachsenen verwandten Anfrage zu '", keyword, "' & Aktie zu Lufthansa"),
    subtitle = paste("Korrelation:", round(Korr$estimate,4), " & p-Value:", format.pval(Korr$p.value, digits = 4, nsmall = 3,  eps = 0.001)),
    caption = "Plot19 - tägliche Werte")  

# Plot 20: Zusammenhang zum verwandten Thema mit höchstem Wachstum
start_date="2020-01-01"
end_date = as.character(Sys.Date())
# 20a) Rising verwandte Suchanfragen
trend <- gtrends("Lufthansa", gprop='web', time=paste0(start_date," ",end_date)) %>%
  .$related_topics %>%
  filter(related_topics == "rising")
keyword = trend[1,3]
# 20b) Popularität der verwandten Anfrage
time_trend <- gtrends(keyword=paste(keyword), gprop='web', time=paste0(start_date," ",end_date)) %>%
  .$interest_over_time %>%
  select(date, hits) %>%
  mutate(date = as.Date(date)) %>%
  mutate_at("hits", ~ifelse(. == "<1", 0.5, .)) %>% # Ersetzen mit 0.5
  mutate_at("hits", ~as.numeric(.)) #%>%
# 20c) Aktiendaten
getSymbols("LHA.DE",src="yahoo") #Nintendo
stock.xts <- LHA.DE[paste(start_date, end_date, sep = "/")]
stock <- data.frame(date=index(stock.xts), coredata(stock.xts))
# 20d) gemeinsamer Datensatz
joined_data <- left_join(time_trend, stock, by="date") %>%
  mutate_at("hits", ~as.numeric(.)) %>%
  filter(complete.cases(.))
# 20e) Plotting
Korr <- cor.test(joined_data$LHA.DE.Close, joined_data$hits, use="complete.obs") # Korrelation
ylim.primary <- c(0, 100)
ylim.secondary <- c(0, ceiling(max(joined_data$LHA.DE.Close)))
b <- diff(ylim.primary)/diff(ylim.secondary)
a <- b*(ylim.primary[1] - ylim.secondary[1])
ggplot(joined_data, aes(x = date, y = hits)) +
  geom_line(color="#3399FF", size=0.7) +
  geom_line(aes(y = a + LHA.DE.Close*b), color = "#404040", size=0.7) +
  geom_area(aes(y = a + LHA.DE.Close*b), fill = "#404040", alpha=0.05)+
  scale_y_continuous("Trends-Score", sec.axis = sec_axis(~ (. - a)/b, name = "Aktien-Kurs")) +
  theme_classic()+
  theme(axis.line.y.right = element_line(color = "#404040"), 
        axis.ticks.y.right = element_line(color = "#404040"),
        axis.text.y.right = element_text(color = "#404040"), 
        axis.title.y.right = element_text(color = "#404040")) +
  theme(axis.line.y.left = element_line(color = "#0080FF"), 
        axis.ticks.y.left = element_line(color = "#0080FF"),
        axis.text.y.left = element_text(color = "#0080FF"), 
        axis.title.y.left = element_text(color = "#0080FF")) +
  labs(
    title = paste("Im Trend liegendes verwandten Themas '", keyword, "' & Aktie zu Lufthansa"),
    subtitle = paste("Korrelation:", round(Korr$estimate,4), " & p-Value:", format.pval(Korr$p.value, digits = 4, nsmall = 3,  eps = 0.001)),
    caption = "Plot20 - tägliche Werte")

Foto von Francesco Ungaro von Pexels

Labels:

Beliebte Posts aus diesem Blog

Sentiment-Analyse von deutschen Texten in R

Eine Sentiment-Analyse funktioniert im Grunde wiefolgt: die einzelnen Wörter werden eines Textes werden mit bestimmten Bibliotheken abgeglichen und eine Einteilung in "positiv/negativ" oder ein hinterlegter Sentiment-Wert abgegriffen. Die Summe dieser Werte ergibt schließlich den Sentiment-Score des ganzen Texts. Für englische Texte sind in R bereits Bibliotheken hinterlegt (z.B. im Package tidytext ). Für deutsche Texte habe ich auf meiner Recherche die Bibliothek  SentiWS  der Universität Leipzig gefunden. Die rund 16.000 positiven und 18.000 negativen Wörter sind mit einer Wertspanne von -1 zu 1 hinterlegt. Das Problem ist, dass diese in zwei Textdateien kommen, deren Format erst aufbereitet werden muss. So sieht die Bibliothek beim Einlesen aus: Mit folgendem Code habe ich mir die Bibliothek operationalisiert: library(dplyr) # SentiWS - Dateien hier runterladen: https://wortschatz.uni-leipzig.de/en/download # a) negative Wörter # die Textdatei einlesen negat...
Read more »

Was ist fremd?

brandy74 "Malstunde" Some rights reserved. www.piqs.de Der Begriff Fremdheit wird benutzt zur Charakterisierung einer Beziehung. Immer muss etwas bekannt sein um es auch als fremd zu bezeichnen; andernfalls kann es nicht beschrieben werden. Wissenschaftlich wird die Fremdheit oft auch als die Gleichzeitigkeit von Nähe und Entferntheit, von Verbundenheit und Getrenntheit charakterisiert. Wer demnach etwas als fremd bezeichnet, unterscheidet die Welt an dieser Stelle in ein Innen und ein Außen. Das Fremde sei jenseits einer einer imaginären Grenze. Diese Grenzen können unterschiedlich lokalisiert werden. Bei der kulturellen Fremdheit werden andere kulturelle Verhaltensweisen und Ansichten identifiziert und als fremd bezeichnet. Bei der sozialen Fremdheit ist der Fremde hingegen Teil der eigenen Gesellschaft, der eigenen Gemeinschaft. Durch die Zuschreibung der sozialen Fremdheit wird er aus dem eigenen Bereich, also dem eigenen sozialen Milieu, exkludiert. Drückt sich...
Read more »

Migration und Bevölkerungsentwicklung: Solidarität und Selbsthilfe

Aus: Neue Potenziale - zur Lage der Nation in Deutschland , Juni 2014,  Berlin-Institut für Bevölkerung und Entwicklung Vor ein paar Wochen war ich auf einem sehr spannenden Vortrag am ifo-Institut in München von Herrn Dr. Klingholz, Direktor des Berlin Instituts für Bevölkerung und Entwicklung. Der Vortrag widmete sich einerseits der Zusammensetzung und dem Bildungs- wie Integrationsgrad deutscher Migranten und andererseits der zukünftigen Bevölkerungsentwicklung in Teilen der Welt und deren Auswirkungen auf die Migration in Europa, bzw. Deutschland. Polarisierend Unterteilt man die Migranten(1) nach Gruppen hinsichtlich ihrer Herkunftsländer, so zeigt sich oft eine starke Polarisierung des Bildungsgrades. Beispiel Rumänien und Polen. Zwar ist der Anteil der Migranten aus Rumänien und Polen ohne Bildungsabschluss wesentlich höher als der Anteil der Einheimischen. Umgekehrt ist der Anteil an Akademikern bei Migranten aus Rumänien und Polen höher als bei Einheimischen. A...
Read more »

die Hot-Dog-Ökonomie

Diego Torres Silvestre " Ice Creams, Hot Dogs & Pretzels" Some rights reserved. www.piqs.de Man stelle sich eine Wirtschaft vor, in der nur zwei Güter hergestellt würden: Würstchen und Brötchen. Konsumenten würden Hotdogs kaufen; also jeweils ein Brötchen mit einer Wurst. Die Fertigung geschieht durch Menschenhand. So fing Paul Krugman 1997 einen Artikel für das Online-Magazine Slate an, in welchem er den Zusammenhang von Technologie, Jobs und Kapitalismus erklären will. Er fährt fort, dass in dieser Wirtschaft 120 Millionen Arbeiter beschäftigt sind, was einer Vollbeschäftigung entspreche. Zur Herstellung einer Wurst oder eines Brötchens benötige es zwei Arbeitstage. Die 60 Millionen Angestellten in der Brötchenproduktion und genauso viele in der Wurstfabrikationen produzieren demnach täglich 30 Millionen Brötchen und Würste. Angenommen es komme eine verbesserte Technologie auf, mit deren Hilfe ein Arbeiter zur Herstellung einer Wurst nur noch einen Tag ...
Read more »

die schöne Welt von Red Bull

Till Krech "wroooom" Some rights reserved. www.piqs.de Red Bull – vom Marktführer für Energiegetränke zum kommenden Medienimperium? Das Magazin Fast Company vergab in der Liste „The World´s 50 Most Innovative Companies“ den 29. Platz an Red Bull für genau diese Entwicklung. Gebündelt unter dem Dach der Red Bull Media House GmbH besitzt der Konzern mittlerweile verschiedene Medienbeteiligungen und Neugründungen. Kritiker bezeichnen es als eine gewaltige Marketingmaschine. Rund ein Drittel des Umsatzes wird für die Pflege des Marktauftritts ausgegeben. Eine firmeninterne Nachrichtenagentur sammelt Inhalte zu einen der vielen weltweiten aufsehenerregenden Red-Bull-Ereignisse, um sie externen Medien gebündelt und aufbereitet zur Verfügung zu stellen. Über eigene Medien werden die Konsumenten sogar direkt erreicht. Das 2007 gegründete Hochglanzmagazin "Red Bulletin" hat bereits eine Auflage von 5 Millionen Heften erreicht und wird mehrspraching in zwö...
Read more »

Verspargelung der Landschaft

FZ 18: "Mount Idarkopf" www.piqs.de Some Rights reserved. Vielleicht ist es, weil ich erst 22 Jahre alt bin. Vielleicht weil es bei meiner Heimatstadt schon seit mehr als zehn Jahren ein Windrad gibt. Aber das Argument einer Verspargelung der Landschaft durch Windräder zählt für mich nicht. Ich komme aus Baden-Württemberg. Insofern verfolgt mich das Argument der Verspargelung der Landschaft durch den ehemaligen baden-württembergischen Ministerpräsidenten Erwin Teufel fast genauso lange wie das Windrad vor meiner Haustür. Das Argument wird immer wieder von jenen hervorgebracht, welche gegen die Aufstellung von Windrädern sind. Die einen fürchten um die Landschaft, andere finden sie einfach nicht schön und noch andere bringen es nur als Vorwand. Besonders die Nähe zur Atomwirtschaft fällt einem bei der hießigen CDU auf. In Baden-Württemberg ist der Fall bei den Windrädern vielleicht ein bisschen spezieller. Wenn man hier die Windenergie effizient nutzen will, so...
Read more »