Direkt zum Hauptbereich

Die Welt der ETFs

ETFS (Exchange Traded Funds) werden immer beliebter bei Privatanlegern. Mit geringen Kosten bilden sie einen Index nach; beliebt ist v.a. die Investition in einen ETF, welcher den MSCI World Index nachbildet. Doch gibt es noch sehr viel mehr ETFs auf dem Markt. Im Folgenden eine kleine Analyse der vielen Möglichkeiten; jeweils mit Blick auf die relative Entwicklung, um die unterschiedlichen Kurse vergleichen zu können.

Als Erstes betrachten wir den Unterschied in der Auszahlung: entweder werden die Dividenden der Aktien im Index ausgeschüttet oder thesauriert - also wieder neu in den ETF investiert. Der Wert von thesaurierenden ETFs entwickelt sich somit mehr als bei ausschüttenden ETFs:

ETFs zu MSCI World sind so beliebt, weil sie einfach die gesamte Weltwirtschaft abdecken und somit eine bequeme Kapitalanlage ermöglichen. Wobei dazu gesagt werden muss, dass der MSCI World nur Aktien in Industrieländern abbildet. Im Index MSCI ACWI sind auch 27 Schwellenländer dabei (im folgenden mit dem Label "incl.emerging"):

Doch kann man mit ETFs auch differenzierter investieren; zB in Regionen:

Auch in unterschiedliche Firmengrößen kann investiert werden:
Dass die Wertentwicklung eine Frage der Zeit ist zeigt der Vergleich der gleichen ETFs mit der Entwicklung ab 2019, also ein Jahr später. Hier zeigt sich das klassische Muster, dass sich der Kurs kleinerer Firmen langfristig besser entwickelt:
Eine weitere Möglichkeit ist die Differenzierung nach Sektoren. Im Folgenden die relative Performance für entsprechende ETFs:

Aber auch in strategische Themen kann investiert werden. Es gibt eine Vielzahl themenbezogener, strategischer ETFs. Im Folgenden zeige ich jene von Lyxor (Tochter der Société Générale) und von Blackrock zu unterschiedlichen Themenschwerpunkten:


Eine große Auswahl an Möglichkeiten zum Investieren also. Und welcher der hier gezeigten ETFs entwickelte sich am besten (ausgehend vom 01.01.2018)?

Anbei noch der Code in RStudio
library(tidyquant)
library(dplyr)
library(ggplot2)
library(viridis)
library(directlabels)
library(dplyr)
library(gridExtra)

# Funktionalität von tidyquant
tq_get_options() #


# 1) thesaurierend vs. ausschüttend
etfs_v1 <- c("LCWL.L", #Aktien Industrieländer - thesaurierend, MSCI World Net Total Return USD Index
              "WLD.MI" #Aktien Industrieländer - ausschüttend, MSCI World Net Total Return USD Index
             ) 
prices_v1 <- tq_get(etfs_v1, get = "stock.prices", from = "2017-01-01")
prices_v1 %>%
  mutate(etf = ifelse(symbol == "LCWL.L", "thesaurierend",
                      ifelse(symbol == "WLD.MI", "ausschüttend",
                      symbol))) %>%
  subset(., date >= "2018-06-01") %>%
  group_by(etf) %>%
  mutate(adjusted_rel = adjusted/first(adjusted)) %>%
  ungroup() %>%
  ggplot(aes(x = date, y = adjusted_rel, color=etf)) +
  geom_hline(yintercept = 1, color="grey") +
  geom_line() +
  theme_minimal() +
  #scale_color_viridis(discrete=TRUE, option="magma") +
  scale_x_date(expand = c(0,0,0.1, 0)) +
  geom_dl(aes(label = etf), method = list(dl.combine("last.points"), cex= 0.8)) +
  theme(legend.position="none", panel.grid.major = element_blank(),
        strip.background = element_blank()) +
  scale_y_continuous(labels = scales::percent) +
  labs(x = NULL, y = NULL,
       title = paste("Ausschüttung"),
       subtitle = ("MSCI World ETFs, relative Entwicklung"),
       caption = "Plot1")

etfs_v1b <- c("LCWL.L", #Aktien Industrieländer - thesaurierend, MSCI World Net Total Return USD Index
             "ACWI.PA" #Aktien weltweit - thesaurierend, MSCI AC World Net Return USD Index
             ) 
prices_v1b <- tq_get(etfs_v1b, get = "stock.prices", from = "2017-01-01")
prices_v1b %>%
  mutate(etf = ifelse(symbol == "LCWL.L", "Developed",
                  ifelse(symbol == "ACWI.PA", "incl.emerging",
                  symbol))) %>%
  subset(., date >= "2018-06-01") %>%
  group_by(etf) %>%
  mutate(adjusted_rel = adjusted/first(adjusted)) %>%
  ungroup() %>%
  ggplot(aes(x = date, y = adjusted_rel, color=etf)) +
  geom_hline(yintercept = 1, color="grey") +
  geom_line() +
  theme_minimal() +
  #scale_color_viridis(discrete=TRUE, option="viridis") +
  scale_x_date(expand = c(0,0,0.1, 0)) +
  geom_dl(aes(label = etf), method = list(dl.combine("last.points"), cex= 0.8)) +
  theme(legend.position="none", panel.grid.major = element_blank(),
        strip.background = element_blank()) +
  scale_y_continuous(labels = scales::percent) +
  labs(x = NULL, y = NULL,
       title = paste("'Worldwide'"),
       subtitle = ("MSCI World ETFs, relative Entwicklung"),
       caption = "Plot2")


# 2) Regionen ESG ETFs
etfs_v2 <- c("LESG.DE", #ESG Schwellenländer - thesaurierend, MSCI Emerging Markets Climate Change Net Total Return Index
             "UESG.L", #ESG USA - thesaurierend, MSCI USA Climate Change Net Total Return Index
             "WESG.L", #ESG Industrieländer - thesaurierend, MSCI World Select ESG Rating and Trend Leaders Net Return USD Index
             "EESG.L", #ESG EU-Zone - thesaurierend, MSCI EMU Select ESG Rating and Trend Leaders Net Return (Verbesserung in ESG)
             "ESGE.PA" #ESG europ. Industrieländer - thesaurierend, MSCI Europe ESG Leaders Net Total Return Index
             )
prices_v2 <- tq_get(etfs_v2, get = "stock.prices", from = "2017-01-01")
prices_v2 %>%
  mutate(etf = ifelse(symbol == "LESG.DE", "ESG_Emerging", ifelse(symbol == "UESG.L", "ESG_USA",
                ifelse(symbol == "WESG.L", "ESG_Developed", ifelse(symbol == "EESG.L", "ESG_Euro",
                  ifelse(symbol == "ESGE.PA", "ESG_European", ifelse(symbol == "ACWI.PA", "ESG_Eur.Developed",
                    ifelse(symbol == "LCWL.L", "Developed", symbol)))))))) %>%
  subset(., date >= "2018-06-01") %>%
  group_by(etf) %>%
  mutate(adjusted_rel = adjusted/first(adjusted)) %>%
  ungroup() %>%
  ggplot(aes(x = date, y = adjusted_rel, color=etf)) +
  geom_hline(yintercept = 1, color="grey") +
  geom_line() +
  theme_minimal() +
  scale_color_viridis(discrete=TRUE, option="viridis") +
  scale_x_date(expand = c(0,0,0.15, 0)) +
  geom_dl(aes(label = etf), method = list(dl.combine("last.points"), cex= 0.8)) +
  theme(legend.position="none", panel.grid.major = element_blank(),
        strip.background = element_blank()) +
  scale_y_continuous(labels = scales::percent) +
  labs(x = NULL, y = NULL,
       title = paste("Regionen"),
       subtitle = ("Regionale ETFs - relative Entwicklung"),
       caption = "Plot3")


# 3) Cap
etfs_v3 <- c("IS3G.DE", #Europa Large Cap - thesaurierend, MSCI EMU Large Cap Index
              "EL43.DE", #Europa Mid Cap - ausschüttend, MSCI Europe Mid Cap Index
              "MMS.PA" #Europa Small Cap - ausschüttend, MSCI EMU Small Cap Net Return EUR Index
              )
prices_v3 <- tq_get(etfs_v3, get = "stock.prices", from = "2017-01-01")
prices_v3 %>%
  mutate(etf = ifelse(symbol == "IS3G.DE", "Large_Cap",
                ifelse(symbol == "EL43.DE", "Mid_Cap",
                ifelse(symbol == "MMS.PA", "Small_Cap",
                             symbol)))) %>%
  subset(., date >= "2018-06-01") %>%
  group_by(etf) %>%
  mutate(adjusted_rel = adjusted/first(adjusted)) %>%
  ungroup() %>%
  ggplot(aes(x = date, y = adjusted_rel, color=etf)) +
  geom_hline(yintercept = 1, color="grey") +
  geom_line() +
  theme_minimal() +
  scale_color_viridis(discrete=TRUE, option="viridis") +
  scale_x_date(expand = c(0,0,0.1, 0)) +
  geom_dl(aes(label = etf), method = list(dl.combine("last.points"), cex= 0.8)) +
  theme(legend.position="none", panel.grid.major = element_blank(),
        strip.background = element_blank()) +
  scale_y_continuous(labels = scales::percent) +
  labs(x = NULL, y = NULL,
       title = paste("Kapitalisierung"),
       subtitle = ("European Market ETFS, relative Entwicklung"),
       caption = "Plot4")
prices_v3 %>%
  mutate(etf = ifelse(symbol == "IS3G.DE", "Large_Cap",
                      ifelse(symbol == "EL43.DE", "Mid_Cap",
                             ifelse(symbol == "MMS.PA", "Small_Cap",
                                    symbol)))) %>%
  subset(., date >= "2019-06-01") %>%
  group_by(etf) %>%
  mutate(adjusted_rel = adjusted/first(adjusted)) %>%
  ungroup() %>%
  ggplot(aes(x = date, y = adjusted_rel, color=etf)) +
  geom_hline(yintercept = 1, color="grey") +
  geom_line() +
  theme_minimal() +
  scale_color_viridis(discrete=TRUE, option="viridis") +
  scale_x_date(expand = c(0,0,0.1, 0)) +
  geom_dl(aes(label = etf), method = list(dl.combine("last.points"), cex= 0.8)) +
  theme(legend.position="none", panel.grid.major = element_blank(),
        strip.background = element_blank()) +
  scale_y_continuous(labels = scales::percent) +
  labs(x = NULL, y = NULL,
       title = paste("Kapitalisierung"),
       subtitle = ("European Market ETFS, relative Entwicklung"),
       caption = "Plot5")


# 4) Sektoren
etfs_v4 <- c("NRGW.L", #Energy Industrieländer - thesaurierend, MSCI World Energy Sector Net TR USD
              "LYPD.DE", #Financials Industrieländer - thesaurierend, MSCI Daily TR World Net Financials USD
              "LYHLTW.SW", #Healthcare Industrieländer - thesaurierend, MSCI Daily TR World Net Health Care USD
              "STAW.L", #Basiskonsumgüter-Sektor Industrieländern - thesaurierend, MSCI Daily TR World Net Consumer Staples 
              "LYCODW.SW", #Nicht-Basiskonsumgüter-Sektor Industrieländern - thesaurierend, MSCI Daily TR World Net Consumer Discretionary USD
              "LYPI.DE", #Medien Industrieländer - thesaurierend, MSCI Daily TR World Net Communication Services Sector USD
              "LYPH.DE", #Rohstoffe Industrieländer - thesaurierend, MSCI Daily TR World Net Materials USD
              "TNOW.PA" #IT Industrieländer, thesaurierend, MSCI Daily TR World Net Information Technology USD
              )
prices_v4 <- tq_get(etfs_v4, get = "stock.prices", from = "2017-01-01")
prices_v4 %>%
  mutate(etf = ifelse(symbol == "NRGW.L", "Energy",
              ifelse(symbol == "LYPD.DE", "Financials",
              ifelse(symbol == "LYHLTW.SW", "Healthcare",
              ifelse(symbol == "STAW.L", "Consumer_Staples",
              ifelse(symbol == "LYCODW.SW", "Consumer_Discretionary",
              ifelse(symbol == "LYPI.DE", "Media",
              ifelse(symbol == "LYPH.DE", "RawMaterial",
              ifelse(symbol == "TNOW.PA", "IT",
              symbol))))))))) %>%
  subset(., date >= "2018-06-01") %>%
  group_by(etf) %>%
  mutate(adjusted_rel = adjusted/first(adjusted)) %>%
  ungroup() %>%
  ggplot(aes(x = date, y = adjusted_rel, color=etf)) +
  geom_hline(yintercept = 1, color="grey") +
  geom_line() +
  theme_minimal() +
  scale_color_viridis(discrete=TRUE, option="viridis") +
  scale_x_date(expand = c(0,0,0.2, 0)) +
  geom_dl(aes(label = etf), method = list(dl.combine("last.points"), cex= 0.8)) +
  theme(legend.position="none", panel.grid.major = element_blank(),
        strip.background = element_blank()) +
  scale_y_continuous(labels = scales::percent) +
  labs(x = NULL, y = NULL,
       title = paste("Sektoren"),
       subtitle = ("worldwide ETFs - relative Entwicklung"),
       caption = "Plot6")


# 5) strategische ETFs 
etfs_v5_lyxor <- c("IQCY.L", #Smart Cities - thesaurierend, Basis MSCI ACWI IMI Smart Cities ESG Filtered Net Total Return Index
              "GENY.L", #Millenials - thesaurierend, Basis MSCI ACWI IMI Millennials ESG Filtered Net Total Return Index
              "MOBI.L", #Future Mobility - thesaurierend, Basis MSCI ACWI IMI Future Mobility ESG Filtered Net Total Return Index
              "DIGE.L", #Digital Economy - thesaurierend, Basis MSCI ACWI IMI Digital Economy ESG Filtered Net Total Return Index
              "UNIC.L" #Disruptive Technologies - thesaurierend, Basis MSCI ACWI IMI Disruptive technology ESG Filtered Index
              )
prices_v5_lyxor <- tq_get(etfs_v5_lyxor, get = "stock.prices", from = "2017-01-01")
prices_v5_lyxor %>%
  mutate(etf = ifelse(symbol == "IQCY.L", "Smart_Cities",
                ifelse(symbol == "GENY.L", "Millenials",
                ifelse(symbol == "MOBI.L", "Future_Mobility",
                ifelse(symbol == "DIGE.L", "Digital_Economy",
                ifelse(symbol == "UNIC.L", "Disruptive_Techn.",
                symbol)))))) %>%
  subset(., date >= "2020-06-01") %>%
  group_by(etf) %>%
  mutate(adjusted_rel = adjusted/first(adjusted)) %>%
  ungroup() %>%
  ggplot(aes(x = date, y = adjusted_rel, color=etf)) +
  geom_hline(yintercept = 1, color="grey") +
  geom_line() +
  theme_minimal() +
  scale_color_viridis(discrete=TRUE, option="viridis") +
  scale_x_date(expand = c(0,0,0.15, 0)) +
  geom_dl(aes(label = etf), method = list(dl.combine("last.points"), cex= 0.8)) +
  theme(legend.position="none", panel.grid.major = element_blank(),
        strip.background = element_blank()) +
  #theme(legend.position="bottom", panel.grid.major = element_blank(),
  #      strip.background = element_blank()) +
  scale_y_continuous(labels = scales::percent) +
  labs(x = NULL, y = NULL,
       title = paste("strategische Ausrichtung"),
       subtitle = ("Lyxor ETFs - relative Entwicklung"),
       caption = "Plot7")

etfs_v5_blackrock <- c("AGED.L", #iShares Ageing Population
                      "ISAG.L", #iShares Agribusiness
                      "RBOT.L", #iShares Automation & Robotics
                      #"DGIT.L" ,#iShares Digitalisation
                      "LOCK.L", #iShares Digital Security
                      "ECAR.L", #iShares Electric Vehicles and Driving Technology
                      "CEMG.L", #iShares MSCI EM Consumer Growth (emerging countries)
                      "INRG.L", #iShares Global Clean Energy
                      "WOOD.L", #iShares Global Timber & Forestry
                      #"IH2O.L", #iShares Global Water
                      "HEAL.L", #iShares Healthcare Innovation
                      "OPEN.L" #iShares Refinitiv Inclusion and Diversity (fortschrittl Personalpolitik)
)
prices_v5_blackrock <- tq_get(etfs_v5_blackrock, get = "stock.prices", from = "2017-01-01")
prices_v5_blackrock %>%
  mutate(etf = ifelse(symbol == "AGED.L", "Ageing_Population",
                ifelse(symbol == "ISAG.L", "Agribusiness",
                ifelse(symbol == "RBOT.L", "Robotics",
                #ifelse(symbol == "DGIT.L", "Digitalisation",
                ifelse(symbol == "LOCK.L", "Dig_Security",
                ifelse(symbol == "ECAR.L", "Electr_Vehicles",
                ifelse(symbol == "CEMG.L", "Emerging_ConsumerMarkets",
                ifelse(symbol == "INRG.L", "Clean_Energy",
                ifelse(symbol == "WOOD.L", "Forestry",
                #ifelse(symbol == "IH2O.L", "Water",
                ifelse(symbol == "HEAL.L", "Healthcare",
                ifelse(symbol == "OPEN.L", "Diversity_HR",
                symbol))))))))))) %>%
  subset(., date >= "2018-06-01") %>%
  group_by(etf) %>%
  mutate(adjusted_rel = adjusted/first(adjusted)) %>%
  ungroup() %>%
  ggplot(aes(x = date, y = adjusted_rel, color=etf)) +
  geom_hline(yintercept = 1, color="grey") +
  geom_line() +
  theme_minimal() +
  scale_color_viridis(discrete=TRUE, option="viridis") +
  scale_x_date(expand = c(0,0,0.15, 0)) +
  geom_dl(aes(label = etf), method = list(dl.combine("last.points"), cex= 0.8)) +
  theme(legend.position="none", panel.grid.major = element_blank(),
        strip.background = element_blank()) +
  scale_y_continuous(labels = scales::percent) +
  labs(x = NULL, y = NULL,
       title = paste("strategische Ausrichtung"),
       subtitle = ("Blackrock ETFs - relative Entwicklung"),
       caption = "Plot8")


# 6) alle ETFs
etfs_v6 <- c("LCWL.L", #Aktien Industrieländer - thesaurierend, MSCI World Net Total Return USD Index
             "WLD.MI", #Aktien Industrieländer - ausschüttend, MSCI World Net Total Return USD Index
             "LESG.DE", #ESG Schwellenländer - thesaurierend, MSCI Emerging Markets Climate Change Net Total Return Index
             "UESG.L", #ESG USA - thesaurierend, MSCI USA Climate Change Net Total Return Index
             "WESG.L", #ESG Industrieländer - thesaurierend, MSCI World Select ESG Rating and Trend Leaders Net Return USD Index
             "EESG.L", #ESG EU-Zone - thesaurierend, MSCI EMU Select ESG Rating and Trend Leaders Net Return (Verbesserung in ESG)
             "ESGE.PA", #ESG europ. Industrieländer - thesaurierend, MSCI Europe ESG Leaders Net Total Return Index
             "IS3G.DE", #Europa Large Cap - thesaurierend, MSCI EMU Large Cap Index
             "EL43.DE", #Europa Mid Cap - ausschüttend, MSCI Europe Mid Cap Index
             "MMS.PA", #Europa Small Cap - ausschüttend, MSCI EMU Small Cap Net Return EUR Index
             "NRGW.L", #Energy Industrieländer - thesaurierend, MSCI World Energy Sector Net TR USD
             "LYPD.DE", #Financials Industrieländer - thesaurierend, MSCI Daily TR World Net Financials USD
             "LYHLTW.SW", #Healthcare Industrieländer - thesaurierend, MSCI Daily TR World Net Health Care USD
             "STAW.L", #Basiskonsumgüter-Sektor Industrieländern - thesaurierend, MSCI Daily TR World Net Consumer Staples 
             "LYCODW.SW", #Nicht-Basiskonsumgüter-Sektor Industrieländern - thesaurierend, MSCI Daily TR World Net Consumer Discretionary USD
             "LYPI.DE", #Medien Industrieländer - thesaurierend, MSCI Daily TR World Net Communication Services Sector USD
             "LYPH.DE", #Rohstoffe Industrieländer - thesaurierend, MSCI Daily TR World Net Materials USD
             "TNOW.PA", #IT Industrieländer, thesaurierend, MSCI Daily TR World Net Information Technology USD
             "IQCY.L", #Smart Cities - thesaurierend, Basis MSCI ACWI IMI Smart Cities ESG Filtered Net Total Return Index
             "GENY.L", #Millenials - thesaurierend, Basis MSCI ACWI IMI Millennials ESG Filtered Net Total Return Index
             "MOBI.L", #Future Mobility - thesaurierend, Basis MSCI ACWI IMI Future Mobility ESG Filtered Net Total Return Index
             "DIGE.L", #Digital Economy - thesaurierend, Basis MSCI ACWI IMI Digital Economy ESG Filtered Net Total Return Index
             "UNIC.L", #Disruptive Technologies - thesaurierend, Basis MSCI ACWI IMI Disruptive technology ESG Filtered Index
             "AGED.L", #iShares Ageing Population
             "ISAG.L", #iShares Agribusiness
             "RBOT.L", #iShares Automation & Robotics
             #"DGIT.L" ,#iShares Digitalisation
             "LOCK.L", #iShares Digital Security
             "ECAR.L", #iShares Electric Vehicles and Driving Technology
             "CEMG.L", #iShares MSCI EM Consumer Growth (emerging countries)
             "INRG.L", #iShares Global Clean Energy
             "WOOD.L", #iShares Global Timber & Forestry
             #"IH2O.L", #iShares Global Water
             "HEAL.L", #iShares Healthcare Innovation
             "OPEN.L" #iShares Refinitiv Inclusion and Diversity (fortschrittl Personalpolitik)
             )
prices_v6 <- tq_get(etfs_v6, get = "stock.prices", from = "2017-01-01")
prices_v6 %>%
  subset(., date >= "2018-06-01") %>%
  group_by(symbol) %>%
  mutate(adjusted_rel = adjusted/first(adjusted)) %>%
  ungroup() %>%
  ggplot(aes(x = date, y = adjusted_rel, color=symbol)) +
  geom_hline(yintercept = 1, color="grey") +
  geom_line() +
  theme_minimal() +
  scale_color_viridis(discrete=TRUE, option="viridis") +
  scale_x_date(expand = c(0,0,0.15, 0)) +
  geom_dl(aes(label = symbol), method = list(dl.combine("last.points"), cex= 0.8)) +
  theme(legend.position="none", panel.grid.major = element_blank(),
        strip.background = element_blank()) +
  scale_y_continuous(labels = scales::percent) +
  labs(x = NULL, y = NULL,
       title = paste("alle ETFs"),
       subtitle = ("ETFs mit Yahoo Symbols - TNOW.PA zu IT in Industrieländern"),
       caption = "Plot9")

Photo by Liza Summer 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 »