Es wird wieder Zeit für einen neuen Blogpost. Da Welt dreht sich zwar weiter, doch leider ist der Überfall Russlands auf die Ukraine immer noch Realität. Den Konflikt wollen wir nun einmal aus einem finanztechnischen Blickwinkel betrachten. Was hat der Überfall mit den verschiedenen Branchen gemacht und wie hat er sich auf deren Evaluierung ausgewirkt? Hierfür gibt es nur Annäherungen als Antwort; und dies versuchen wir im folgenden mit ausgewählten ETFs von Blackrock, welche in verschiedene strategische Themen investieren. Basis (also 100% return) ist der Kurs vom 21.02.2022; dem Start des russischen Überalls. Als erstes laden wir die entsprechenden libraries und laden unsere Daten über tidyquant:
library(ggplot2)
library(viridis)
library(dplyr)
library(directlabels)
library(tidyquant)
library(ggrepel)
data_etf_strategy_blackrock <- tq_get(
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)
),
get = "stock.prices",
from = "2022-02-21",
to = "2023-10-06") %>%
as.data.frame() %>%
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", "EmergConsumerMarkets",
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))))))))))))) %>%
group_by(etf) %>%
mutate(adjusted_rel = adjusted/first(adjusted)) %>%
ungroup()
Die Performance der ETFs im Folgenden gibt uns schon einen ersten groben Einblick:
data_etf_strategy_blackrock %>%
ggplot(aes(x = date, y = adjusted_rel, color=etf)) +
geom_hline(yintercept = 1, color="grey") +
geom_line() +
geom_smooth(n = 300, span = 0.05, se=FALSE) +
theme_minimal() +
scale_color_viridis(discrete=TRUE, option="turbo") +
scale_y_continuous(limits = c(0.7,1.5), labels = scales::percent) +
facet_wrap(.~etf, ncol=2) +
theme(legend.position="none", panel.grid.major = element_blank(),
strip.background = element_blank())
Doch ein bisschen mehr Infos wäre interessant. Im Folgenden markieren wir entsprechend jeweils Max und Min der jeweiligen ETF-Performances:
data_etf_strategy_blackrock %>%
ggplot(aes(x = date, y = adjusted_rel, color=etf)) +
geom_hline(yintercept = 1, color="grey") +
geom_smooth(n = 300, span = 0.05, se=FALSE) +
geom_point(data = . %>% group_by(etf) %>% filter(adjusted_rel == max(adjusted_rel)),
aes(x = date, y = adjusted_rel, color=etf)) +
geom_point(data = . %>% group_by(etf) %>% filter(adjusted_rel == min(adjusted_rel)),
aes(x = date, y = adjusted_rel, color=etf), size =2) +
theme_minimal() +
scale_color_viridis(discrete=TRUE, option="turbo") +
scale_y_continuous(labels = scales::percent) +
scale_x_date(breaks = "16 weeks", limits = c(as.Date("2022-02-21"),as.Date("2023-12-31"))) +
facet_wrap(.~etf, ncol=2) +
theme(legend.position="none", panel.grid.major = element_blank(),
strip.background = element_blank()) +
geom_label(data = . %>% group_by(etf) %>% filter(adjusted_rel == max(adjusted_rel)),
aes(label = round(adjusted_rel*100,1)), hjust = -0.5) +
geom_label(data = . %>% group_by(etf) %>% filter(adjusted_rel == min(adjusted_rel)),
aes(label = round(adjusted_rel*100,1)), hjust = -0.5)
Wir sehen, dass die Branchen unterschiedlichst reagieren (genauer gesagt die ETFs!) und teilweise ein Max und Min eng beeinander sind. Dies könnte auf eine schnelle Kurskorrektur hindeuten. Andere ETFs haben eine lange Zeitspanne zwischen Max und Min. Dies könnte auf tiefergreifende Veränderungen hindeuten. Dies wäre ein guter Inhalt für eine tiefergehende Analyse. Für diese Untersuchung reicht der Inhalt schon.
Photo by Mathias Reding: https://www.pexels.com/photo/sign-stop-war-on-protest-against-war-11421076/