Direkt zum Hauptbereich

Unternehmenskennzahlen per SimFin API

Ich bin zufällig auf das Projekt SimFin gestoßen und muss es hier weiterempfehlen. Das Projekt sammelt Firmendaten und hat es sich zum Ziel gesetzt diese freizugänglich zu machen. Über eine API und das Paket simfinR können diese Daten schließlich relativ leicht heruntergeladen und direkt analysiert werden. Im Folgenden ein kleines Beispiel, wie einfach der Umgang mit SimFin ist und welchen Mehrwert dieses bietet. Im Folgenden schaue ich in der Liste der verfügbaren Firmen:

CompList = simfinR_get_available_companies(api_key = my_api_key)
head(CompList)
##    simId ticker                          name
## 1 171401   ZYXI                     ZYNEX INC
## 2 901704   ZYNE Zynerba Pharmaceuticals, Inc.
## 3 994625    ZUO                     ZUORA INC
## 4  45730   ZUMZ                    Zumiez Inc
## 5 378251    ZTS                        Zoetis
## 6 987611   ZSAN            Zosano Pharma Corp

Ich nutze die Gelegenheit und suche nachh Fox Corp, dem Eigentümer von Fox News.

CompList[CompList$name == "Fox Corp",]
##       simId ticker     name
## 1678 885908    FOX Fox Corp

Mit der ID bekomme ich nun die ersten Informationen zu Fox Corp mit folgendem Code:

simfinR_get_info_company(id_sim = 885908, api_key = my_api_key) %>%
  as.data.frame()
##    simId ticker     name employees    sectorName sectorCode fyearEnd
## 1 885908    FOX Fox Corp      9000 Entertainment     103001        6

Finanzstatements

Nun kann ich schauen, was die SimFin Datenbank für Finanzstatements bereit hält. Der folgende Code gibt einen ersten Einblick: es gibt eine GuV (pl), Bilanz (bs) und Cashflow-Statements (cf) und sogar berechnete Zahlen wie die trailing twelve months (TTM) Zahlen.

DocumentList = simfinR_get_available_statements(id_sim = 885908, api_key = my_api_key, silent = TRUE)
head(DocumentList)
##   period fyear calculated statement id_sim name_sim
## 1    TTM  2020       TRUE        pl 885908 Fox Corp
## 2     FY  2020      FALSE        pl 885908 Fox Corp
## 3     Q4  2020       TRUE        pl 885908 Fox Corp
## 4     H2  2020       TRUE        pl 885908 Fox Corp
## 5     9M  2020      FALSE        pl 885908 Fox Corp
## 6     Q3  2020      FALSE        pl 885908 Fox Corp

Im Folgenden ziehe ich die Ganzjahres-Statements und visualisiere direkt die GuV. Es fällt auf, dass das Ergebnis trotz steigendem Umsatz fällt!

df_FY = simfinR_get_fin_statements(
  id_companies = 885908, api_key = my_api_key, type_statements = c("pl", "bs", "cf"),
  periods = "FY", years = 2010:2020, cache_folder = "simfin_cache"
)
df_FY %>%
  filter(type_statement == "pl") %>%
  filter(acc_name == 'Revenue' | acc_name == 'Net Income') %>%
  ggplot(aes(x = ref_date, y = acc_value, fill = fct_inorder(acc_name))) +
  geom_col(position = "dodge") +
  scale_fill_viridis(discrete=TRUE, option="cividis") +
  geom_hline(yintercept = 0, color="grey") +
  theme_minimal() +
  labs(title = 'Fox Corporation', x = '', y = '') +
  theme(legend.title = element_blank()) +
  scale_y_continuous(labels = unit_format(unit = "m", scale = 1e-6)) +
  facet_grid(type_statement~., scales = 'free_y')

Für die Ganzjahreszahlen gibt es leider nur die GuV; die Bilanz gibt es zB nur auf quartärlicher Basis. Entsprechend ziehe ich nun die quartärlichen Daten und visualisiere diese direkt:

df_Qrt = simfinR_get_fin_statements(
  id_companies = 885908, api_key = my_api_key, type_statements = c("pl","bs","cf"),
  periods = c('Q1','Q2','Q3','Q4'), years = 2010:2020, cache_folder = "simfin_cache"
)
df_Qrt %>%
  filter(acc_name == 'Revenue' | acc_name == 'Net Income' |
      acc_name == "Total Liabilities" | acc_name == "Long Term Debt" | 
      acc_name == "Total Equity" | acc_name == 'Cash from Operating Activities') %>%
  ggplot(aes(x = ref_date, y = acc_value, fill = fct_inorder(acc_name))) +
  geom_col(position = "dodge") +
  scale_fill_viridis(discrete=TRUE, option="cividis") +
  geom_hline(yintercept = 0, color="grey") +
  theme_minimal() +
  labs(title = 'Fox Corporation', x = '', y = '') +
  theme(legend.title = element_blank()) +
  scale_y_continuous(labels = unit_format(unit = "m", scale = 1e-6)) +
  facet_grid(type_statement~., scales = 'free_y')
## Warning: Removed 12 rows containing missing values (geom_col).

 

An sich kann man auch ein bestimmtes Statement laden:

df_Qrt = simfinR_get_fin_statements(
  id_companies = 885908, api_key = my_api_key, type_statements = c("pl"),
  periods = 'Q2', years = 2020, cache_folder = "simfin_cache"
)
head(df_Qrt)
##   company_name company_sector type_statement period year   ref_date
## 1     Fox Corp  Entertainment             pl     Q2 2020 2020-06-30
## 2     Fox Corp  Entertainment             pl     Q2 2020 2020-06-30
## 3     Fox Corp  Entertainment             pl     Q2 2020 2020-06-30
## 4     Fox Corp  Entertainment             pl     Q2 2020 2020-06-30
## 5     Fox Corp  Entertainment             pl     Q2 2020 2020-06-30
## 6     Fox Corp  Entertainment             pl     Q2 2020 2020-06-30
##                   acc_name acc_value tid uid parent_tid display_level
## 1                  Revenue 3.778e+09   1   1          4             0
## 2 Sales & Services Revenue        NA   3   0          1             1
## 3        Financing Revenue        NA   5   0          1             1
## 4            Other Revenue        NA   6   0          1             1
## 5          Cost of revenue        NA   2   2          4             0
## 6 Cost of Goods & Services        NA   7   0          2             1
##   check_possible
## 1          FALSE
## 2          FALSE
## 3          FALSE
## 4          FALSE
## 5          FALSE
## 6          FALSE

Der Vorteil, diese Daten direkt zu haben liegt auf der Hand: die Verfügbarkeit aber auch die Möglichkeit, diese Daten zu verarbeiten. Im Folgenden vergleiche ich nun einmal Fox Corp zu Netflix und schaue mir berechnete Kennzahlen an:

df_Qrt_comp = simfinR_get_fin_statements(
  id_companies = c("885908", "83548"), api_key = my_api_key,
  periods = c('Q1','Q2','Q3','Q4'), years = 2015:2020, cache_folder = "simfin_cache"
)
df_Qrt_comp %>%
  select(company_name, ref_date, acc_name, acc_value) %>%
  filter(acc_name == 'Revenue' | acc_name == 'Net Income' |acc_name == "Total Liabilities" | acc_name == "Total Assets" | acc_name == "Long Term Debt") %>%
  na.omit() %>%
  dcast(company_name + ref_date ~ acc_name) %>%
  mutate(NetIncome_margin =  `Net Income` / Revenue) %>%
  mutate(leverage = `Total Liabilities` / `Total Assets`) %>%
  mutate(LongTermDebt_Share = `Long Term Debt` / `Total Liabilities`) %>%
  select(company_name, ref_date, NetIncome_margin, leverage, LongTermDebt_Share) %>%
  melt(., id.vars=c("company_name", "ref_date")) %>%
  filter(ref_date > "2018-01-01") %>%
  ggplot(aes(x = ref_date, y = value, color = fct_inorder(variable))) +
  geom_line() +
  geom_point(shape = 21, fill = "white", size = 1, stroke = 1) +
  scale_color_viridis(discrete=TRUE, option="cividis") +
  geom_hline(yintercept = 0, color="grey") +
  theme_minimal() +
  labs(title = '',
       x = '', y = '') +
  theme(legend.title = element_blank()) +
  scale_y_continuous(labels = unit_format(unit = "%", scale = 100)) +
  facet_grid(company_name~., scales = 'free_y')
## Using acc_value as value column: use value.var to override.
## Warning: Removed 9 row(s) containing missing values (geom_path).
## Warning: Removed 10 rows containing missing values (geom_point).

Zwei Punkte fallen direkt auf: Netflix ist höher verschuldet (leverage = liabilities / assets). Dies ist angesichts des jungen Status erklärbar. Viel interessanter ist, dass die Einkommensmarge bei Netflix sehr viel stabiler als bei Fox Corp ist.

Aktienkurs

Und wie schlagen sich diese Kennzahlen aber auch aktuelle Ereignisse wie die Präsidentschaftswahl im Aktienkurs wider?

df_price = simfinR_get_price_data(id_companies = 885908, api_key = my_api_key)
df_price %>%
  ggplot(aes(x = ref_date, y = close_adj)) +
  geom_line() + 
  labs(title = 'Fox Corp',
       x = '', y = 'Adjusted Stock Price') + 
  theme_minimal()

Der Einbruch mit Covid wird sichtbar; im Folgenden zoomen wir auf die Präsidentschaftswahl am Anfang November:

df_price %>%
  filter(ref_date > "2020-09-01") %>%
  ggplot(aes(x = ref_date, y = close_adj)) +
  geom_smooth(span=0.2, se=FALSE, colour="grey") +
  geom_line() + 
  labs(title = 'Fox Corp',
       x = '', y = 'Adjusted Stock Price') + 
  theme_minimal()
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

Photo by SevenStorm JUHASZIMRUS from Pexels

Labels:

Beliebte Posts aus diesem Blog

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 »

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 »

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. Auch
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 »