Neben der verlässlichen Berechnung von Risikowerten kommt der Visualisierung der Ergebnisse eine entscheidende Bedeutung zu, wenn die richtigen Steuerungsimpulse gesetzt werden sollen. Hierzu bietet R eine Unzahl von Möglichkeiten. Ich bin vor einigen Tagen hier auf einen Artikel zu ggplot2 gestoßen und musste das direkt selbst ausprobieren (bitte tapfer durchhalten, der Graph kommt ganz unten…):

# Package ggplot2 laden
require(ggplot2)

# Mittelwert und Standardabweichung setzen
my.mean  <- 0.10
vola.1m  <- 0.0015

#Schwellwerte definieren
my.red    <- 0.08
my.yellow <- 0.09


# Zeitraueme definieren
my.hist   <- 24
my.future <- 24

# Zeitreihe aufstellen
my.dates <- seq(as.Date("2010-01-01"), 
                length.out=my.hist+my.future, 
                by="1 month")

#Reproduzierbarkeit sicherstellen
set.seed(12345)

# Eigenmittelquoten des simulieren, hier vereinfacht als 
# Normalverteilt angenommen 
my.emquote <- c(rnorm(n=my.hist,
                      mean=my.mean,
                      sd=vola.1m),
                rep(NA,times=my.future))

# Den letzten Wert der Simulation als Ausgangsbasis nehmen,
# sieht in der Grafik hinterher einfach netter aus...
my.new.mean <- my.emquote[my.hist]

# Aus der Normalverteilung das 99%-Quantil ableiten,
# Standardabweichung wird ueber Wurzel-t-Funktion ermittelt.
my.emquote.99 <- c(rep(NA,times=my.hist-1),
                   my.new.mean,
                   sapply(1:my.future,
                          function(x) {qnorm(p=0.99,
                                         mean=my.new.mean,
                                         sd=vola.1m*(x/1)^0.5)}))
# Dito 1%-Quantil...
my.emquote.01 <- c(rep(NA,times=my.hist-1),
                   my.new.mean,
                   sapply(1:my.future,
                          function(x) {qnorm(p=0.01,
                                         mean=my.new.mean,
                                         sd=vola.1m*(x/1)^0.5)}))
# ...und 75%-Quantil...
my.emquote.75 <- c(rep(NA,times=my.hist-1),
                   my.new.mean,
                   sapply(1:my.future,
                          function(x) {qnorm(p=0.75,
                                         mean=my.new.mean,
                                         sd=vola.1m*(x/1)^0.5)}))
# ...und 25%-Quantil...
my.emquote.25 <- c(rep(NA,times=my.hist-1),
                   my.new.mean,
                   sapply(1:my.future,
                          function(x) {qnorm(p=0.25,mean=my.new.mean,
                                             sd=vola.1m*(x/1)^0.5)}))

# Alle Vektoren huebsch in einen Data-Frame packen.
my.data<-data.frame(dates=my.dates, 
                    quoten=my.emquote,
                    quoten.01=my.emquote.01,
                    quoten.99=my.emquote.99,
                    quoten.25=my.emquote.25,
                    quoten.75=my.emquote.75,
                    grenze.rot=my.red,
                    grenze.gelb=my.yellow)

# Dann den Plot definieren:
my.plot<-ggplot(
         # Data-Frame als Grundlage
         my.data,
         
         # x-Achse  ist die Zeitreihe
         aes(x=my.dates)) +
  
         # Titel fuer die Grafik       
         labs(title = "Simulation Eigenmittelquote") +
  
         # y-Achse formatieren
         scale_y_continuous(breaks = seq(0.07, 0.12, by =0.01 ),
                            limits = c(0.07,0.12), 
                            labels = seq(7,12, by =1)) +
  
         # Grafikparameter fuer die Zukunft
         scale_fill_manual("Konfidenz", 
                        breaks = c("98% Konfidenz", 
                                   "50% Konfidenz",
                                   "Gruene Zone",
                                   "Gelbe Zone",
                                   "Rote Zone"), 
                        values = c('98% Konfidenz' = "grey", 
                                   '50% Konfidenz' = "darkgrey",
                                   'Gruene Zone' = "green",
                                   'Gelbe Zone' = "yellow",
                                   'Rote Zone' = "red")) +
  
         # Grenze gruen
         geom_ribbon(aes(ymax=0.12,
                         ymin=grenze.gelb,
                         fill="Gruene Zone"),
                     alpha=0.1) +
        
         #Grenze gelb
         geom_ribbon(aes(ymax=grenze.gelb,
                         ymin=grenze.rot,
                         fill="Gelbe Zone"),
                     alpha=0.1) +
  
         #Grenze gelb
         geom_ribbon(aes(ymax=grenze.rot,
                         ymin=0.07,
                         fill="Rote Zone"),
                     alpha=0.1) +
  
         # Linie fuer die histrische Eigenmittelquote
         geom_line(aes(y = my.emquote), 
                   size = 1, linetype = 1, alpha = 1, 
                   colour="darkgrey") +
         
         #Flaeche fuer 98%-Konfidenz
         geom_ribbon(aes(ymax = my.emquote.99, 
                         ymin = my.emquote.01, 
                         fill = "98% Konfidenz"), 
                     colour = "grey", 
                     linetype = 3, 
                     alpha = 0.4) +
  
        #Flaeche fuer 50%-Konfidenz 
        geom_ribbon(aes(ymax = my.emquote.75, 
                         ymin = my.emquote.25, 
                         fill = "50% Konfidenz"), 
                     colour = "darkgrey", 
                     linetype = 3, 
                     alpha = 0.4) +  
  
         # Beschriftung der y-Achse
         ylab(paste("Eigenmittelquote in %", sep = "")) +
  
         #Beschriftung der x-Achse
         xlab(paste("Zeit"))

my.plot

Und schon ist die Grafik da. Man sieht (meiner Meinung nach deutlich) die drei Zonen: grün für die unkritischen Werte, gelb als Warnzone, rot als inakzeptablen Bereich. Die historischen Ist-Werte für die Eigenmittelqoute ist als graue Linie dargestellt, die unsicheren zukünftigen Werte werden als graue Bereiche dargestellt: