aufschrieb

Beim Jahresabschluss 2019 dürfte wohl v.a. auch der Lagebericht interessant sein, denn er soll auch ein Bild zur zukünftigen Lage des Unternehmens zeichnen. Zu Beginn des Jahres war die Covid19-Pandemie aber noch sehr frisch und die Folgen noch nicht absehbar. Zudem war bestimmt schon das meiste des jeweiligen Jahresabschlusses geschrieben. So meine Annahme. Entsprechend habe ich über die einfache Suchfunktion gezählt, wie oft "Corona" und "Covid" in den Jahresabschlüssen der DAX30 vorkommen. Anbei das Ergebnis unkommentiert: library(tidyverse) library(ggplot2) library(tidyr) library(viridis) library(dplyr) data <- tibble(company = c("Adidas", "Allianz", "BASF", "Bayer", "Beiersdorf", "BMW", "Continental", "Covestro", "Daimler", "Deutsche Bank", "Deutsche Börse", "Deutsche Post", "Deu

Ein konkreter und interessanter Nutzen der automatischen Textanalyse zeigt sich beim Twitter-Account TrumpOrNotBot . Basierend darauf, dass Trump früher ein Android-Handy benutzte von welchem aus er Tweets verschickte - während die langweiligeren Tweets von seinen Angestellten von einem iPhone aus versendet wurden - analysierte der Bot Trumps Schreibstil. Im Abgleich damit ordnet er nun jedem neuen Tweet eine Wahrscheinlichkeit zu, ob er von Trump persönlich komme. Diese Klassifizierung habe ich im Folgenden benutzt, um einen möglichen Unterschied im Schreibstil zu identifizieren. Mit dem rtweet-package erhalten wir die letzten drei Tage. (Achtung! Dies hier ist ein sehr kleiner Datensatz; mit den folgenden Erkenntnissen ist nichts bewiesen, nur veranschaulicht.) Im nächsten Schritt habe ich alle Tweets mit einer Wahrscheinlichkeit über 50% als von Trump stammend betrachet; von den insgesamt 95 Tweets stammen somit 23 von Trump persönlich. Die Uhrzeit der Trump-Tweets unterscheidet sic

Twitter wird häufig zur Kommentierung von und Kommunikation mit Unternehmen genutzt. Dies ist ein Grund, warum Tweets zur Analyse von Aktienverläufen genutzt werden. Im Folgenden versuche ich den Zusammenhang zwischen den Sentimentwerten von Tweets und Aktienkursen aufzuzeigen; dies nur rudimentär über einen relativ kurzen Zeitraum und mit täglichen Werten. Untersucht wird das öffentlich-präsente Unternehmen Boeing und Abbvie, das weniger im Rampenlicht steht. Spoiler: Ein Zusammenhang lässt sich (in dieser Untersuchung) nicht feststellen. Der Verlauf der Anzahl an Tweets zeigt eine große Volatilität mit einigen Hochpunkten. Es wird sichtbar, dass über Boeing sehr viel öfter getweetet wird. Es wird auch sichtbar, dass ich an einigen Tagen Ende Juni keine Tweets zu Boeing gesammelt habe. Betrachten wir die jeweils häufigsten Begriffe in den Tweets zu den beiden Firmen so sehen wir den Unterschied zwischen den Firmen. Es wird deutlich, dass über Abbvie als Pharma- und Boeing als Luftfahr

Im vorherigen Post habe ich die Monte-Carlo-Simulation vorgestellt und in den Kontext zur Planung unter Unsicherheit gestellt. Man kann den Spieß aber auch umdrehen und die bereits festgezurrte Planung neuen Gegebenheiten gegenüberstellen. Ergebnis ist eine Wahrscheinlichkeit, zu welcher die Planung getroffen werden kann. Im Biespiel geht es wieder um einen Zweiproduktfall. Für beide Produkte ist ein Planwert des Umsatzes festgelegt, welchem die unsichere Umgebung gegenübergesetzt wird: Die Aufmachung ist relativ einfach. Die Monte-Carlo-Simulation berechnet die n-vielen Ergebnisse. Diese Ergebnisse werden der Planung gegenübergestellt und gezählt, in wie vielen Fällen der Plan realisiert wird. Dieser Wert wird auch als Wahrscheinlichkeit ausgegeben. Und hier noch der Code in RStudio library(shiny) library(ggplot2) library(dplyr) library(reshape2) # UI for the application ui <- fluidPage( titlePanel("Simulation"), # Application title # Sidebar with a slider