aufschrieb

Der (operative) Gewinn ist das eine; doch muss ein Unternehmen auch immer auf seine Liquididät achten. Ein Bankrott kann auch durch Illiquidität ausgelöst werden. Zeit zu schauen, was das SimFin-Paket hier hergibt. Im folgenden der Blick auf Covestro: Wie hat sich die Krise auf den Cashflow ausgewirkt?  Es fällt der große negative Cashflow aus Finanzierungstätigkeit in 2018 auf; gemäß Jahrsabschluss für den Rückkauf eigener Aktien. Ansonsten fällt auf, dass der operative Cashflow mit der Coronakrise zurückging: Auch bei der Marge (also der Anteil des Cashflows als Teil des Umsatzes) zeigt sich ein Einbruch für den operativen Teil: Das Benchmarking mit ausgewählten Firmen (in diesem Fall aus verschiedensten Sektoren) zeigt das folgende Bild. Wegen der unterschiedlichen Finanzierungen im folgenden nur der Blick auf die Marge des operativen Cashflows; hier ist die Vergleichbarkeit möglich. Covestro ist eher unter dem Durchschnitt der Gruppe: Informationen zur Liquidität gibt auch aus ...

Geopolitische Risiken haben politische, wirtschaftliche, gesellschaftliche Auswirkungen; diese Liste kann noch erweitert werden. Klar ist, dass ein entsprechender Index für viele interessant ist. Ähnlich wie der hier bereits vorgestellte EPU-Index funktioniert auch der GPR-Index von Dario Caldara und Matteo Iacoviello. Der Index sucht nach Artikeln aus elf englisch-sprachigen Zeitungen mit Wörtern welche geopolitische, nukleare, Kriegs- und terroristische Bedrohungen (a), als auch kriegerische und terroristische Handlungen (b) beschreiben. Die Häufigkeit dieser Artikel wird an der Gesamtzahl an Artikeln referenziert. Heraus kommt ein Index, welcher das weltweite geopolitische Risiko beschreibt; von Caldara und Iacoviello definiert als "risk associated with wars, terrorist acts, and tensions between states that affect the normal and peaceful course of international relations." Diesen Index haben sie noch einmal unterteilt in Bedrohungen (a) und eigentliche Handlungen (b). De ...

Die Landtagswahl in Baden-Württemberg ist vorbei und die ersten Sondierungsgespräche starten. Aber für was stehen die Parteien eigentlich? Jedem Wähler würde ich den Wahlomat empfehlen. Dennoch ist so eine Wahl natürlich auch geeignet für eine Textanalyse mit R! Im Folgenden eine schnelle, simple Analyse ausgewählter Parteien: Der Blick auf die häufigsten Wörter bestätigt erste Vermutungen, zeigt aber auch interessantes - "Darüber hinaus" als Spitzenreiter im CDU Programm zum Beispiel. Auch der Blick auf die Sentimentwerte ist interessant. Im Verhältnis benutzen alle Parteien mehr positiv-konnotierte Begriffe als negative: Hingegen ist der durchschnittliche Sentimentwert der Begriffe unterschiedlich; speziell die AFD fällt mit dem negativen Durchschnitt auf. Man könnte fast sagen, dass die Regierungsparteien Grüne und CDU durchwegs mehr positive Wörter benutzen, welche auch stärker positiv konnotiert sind; wäre da nicht die SPD, welche di...

Die Finanzwelt als Mitkämpfer für die Nachhaltigkeitsziele? Genau das verlangen viele. Und genau das wird immer mehr gemacht. Dem Finanzmarkt wird sogar eine entscheidende Rolle zugeschrieben. Nach Schätzungen braucht es jährliche grüne Investitionen von 600 Milliarden USD und zusätzlich 5,700 Milliarden USD Infrastrukturinvestitionen um eine Klimaerwärmung von unter zwei Grad zu verwirklichen - und das für die nächsten 15 Jahre (siehe hier ). Manche nennen es Impact Investing, die G20 nennen es Green Finance und beschreibt es als financing of investments that provide environmental benefits in the broader context of environmentally sustainable development . Oft wird auf die ESG Aspekte (Environmental, Social, Governance) verwiesen. W ie grün die Finanzklassen wie equity oder bonds sind, wird zB dadurch bestimmt, wie viel die Firma oder das Projekt dazu beiträgt, Treibhausemissionen zu reduzieren. Und das Interesse zeigt, wie die GoogleTrends-Analyse zeigt: Green Finance ist im Aktie...

  Am Sonntag habe ich nicht den Tatort geschaut, was mich auf die Frage brachte: Kann ich den Tatort auf Twitter "nachschauen"? Geht das nur mithilfe der Tweets mit dem Hashtag #Tatort? Hier ein Selbstversuch: Erstes Erkenntnis: es gibt genügend Tweets dazu. Dann kann ich ja direkt in die Analyse einsteigen. Finde ich mithilfe der meistbenutzten Wörter mehr heraus? Es scheint wohl in Dresden stattzufinden und etwas mit Sanitätern zu tun haben: Vielleicht erfahre ich ja auch etwas von den häufigsten Bi- und Trigrammen. Hier wird die Anzahl aber schon weniger. Immerhin erfahre ich die mutmaßlichen Schauspieler, kann aber auch schlussfolgern, dass der Tatort wohl für viele die Gute-Nacht-Geschichte zu sein scheint.  Und wie kam der Tatort an? Die Rezession, bzw. der Sentimentwert, ist positiv. Scheint also eine gute Tatort-Folge gewesen zu sein. So gibt es mehr positive als negative Wörter (nach dem Abgleich mit der SentiWS-Bibliothek): Und war der Tatort spannend? Nun, zumindes...

Ja klar! Das wäre in dem Fall nur die X-Achse, die visualisiert wird. In einem vorherigen Post hatte ich schon einmal aufgezeigt, wie mit einer Monte-Carlo-Simulation eine Eintrittswahrscheinlichkeit für einen Planwert berechnen kann. Im Folgenden der Vorschlag, wie solche Wahrscheinlichkeitswerte visualisiert werden können - mit einer kategorischen Einteilung der Prozentwerte. Der Code ist ein bisschen elaborierter: library(reshape2) library(dplyr) library(ggrepel) data <- bind_rows( tibble(methode = "market 1", score = 0.77), tibble(methode = "market 2", score = 0.65), tibble(methode = "market 3", score = 0.44), tibble(methode = "market 4", score = 0.45)) categ <- bind_rows( tibble(chance = "unrealistic", xstart = 0, xend = 0.2), tibble(chance = "ambitious", xstart = 0.2, xend = 0.4), tibble(chance = "decent", xstart = 0.4, xend = 0.6), tibble(chance = "easy", xstart = 0.6, xen...

Eine logistische Regression ist eine vielversprechende Methode zur Klassifikation. Ihr Vorteil ist, dass sie auf (relativ) simple Weise die Wahrscheinlichkeit der Ausprägung widergibt. Dies ist z.B. bei der linearen Regression nicht der Fall, wo das Ergebnis kleiner 0 und größer 1 sein kann. Für den folgenden Post habe ich Tutorials von folgenden Seiten verwendet und zusamengeführt: https://www.r-bloggers.com/2017/03/learning-a-classifier-from-census-data/ http://www.sthda.com/english/articles/36-classification-methods-essentials/151-logistic-regression-essentials-in-r/ https://www.datacamp.com/community/tutorials/logistic-regression-R https://www.inwt-statistics.de/blog-artikel-lesen/Logistische_Regression_Beispiel_mit_R.html die Forschungsfrage Als Datensatz benutze ich im Folgenden den 1994 erhobenen Zensus von Barry Backer; gemeinhin als “Adult” Datensatz bekannt. Die Forschungsfrage lautet anhand der verfügbaren Variablen vorherzusagen, welche der Personen mehr als 50.000 USD v...