Direkt zum Hauptbereich

Posts

Auto Leasing - langweilig oder nicht?

Auto Leasing mag für viele nach langweiligem Geschäft klingen. Aber ist es das auch? Schauen wir uns einmal die GuV von Athlon Deutschland im Handelsregister an. Es fängt mit den Leasingerträgen und Aufwendungen an. Die Anzahl der Fahrzeuge habe ich aus den Angaben zum Geschäftsverlauf; die grauen Zellen wurden von mir hinzugefügt. Wir sehen eine stabile, langweilige Entwicklung. Klar, das Leasing-Geschäft ist nunmal geprägt von stabilen Entwicklungen; ein Leasing-Vertrag überdauert meist mehrere Jahre und macht das ganze planbar. 2025 2026 1. Leasingerträge 1,099,274,739 1,101,228,061 2. Leasingaufwendungen -629,567,964 -632,335,712 Leasingergebnis 469,706,775 468,892,349 Fahrzeuge 62,969 64,101 Leasingerträge pro Fahrzeug 17,457 17,180 Leasingergebnis pro Fahrzeug 7,459 7,315 Und mit den anderen Positionen kommt folgende (hier gekürzte) GuV heraus: 2025 2026 1. Leasingerträge 1,099,274,739 1,101,228,061 2. Leasingaufwendungen -629,567,964 -632,335,712 3. Zinserträge aus Kredit- und G...
Letzte Posts

die Vorhersage von Bundesligaspielen in R

Fußballspiele vorherzusagen kann vielleicht als Volkssport beschrieben werden: Angebote zum Tippen gibt es zuhauf und manche sehen die Chance auf das große Geld. Grund genug selbst eine Vorhersage zu treffen und vielleicht sogar Geld beim Tippen zu gewinnen. 1. Daten einlesen Als erstes laden wir die benötigten Libraries und die notwendigen Daten: library (httr) library (jsonlite) library (dplyr) library (tidyr) library (stats) ## 1. Daten aufbereiten jahre <- c( 2022 , 2023 , 2024 , 2025 ) all_seasons_data <- data.frame() for (k in 1 :length (jahre)) { url <- paste0( "https://api.openligadb.de/getmatchdata/bl1/" , jahre[k]) res <- GET(url) json_text <- content(res, "text" , encoding = "UTF-8" ) #Text extrahieren, in dataframe umwandeln temp_df <- fromJSON(json_text, flatten = TRUE ) all_seasons_data <- bind_rows(all_seasons_data, temp_df) Sys.sleep ( 0.2 ) #verlangsamen, damit sich der loop nicht selbst stört } df_...

das Erstellen eines Scoring-Modells via Copilot

Ein Scoring-Modell via Copilot entwickeln: das wäre doch eine super Gelegenheit, die Praxistauglichkeit und Intelligenz des Microsoft-Sprachmodells zu testen. Im Folgenden der Prompt: Die Antwort ist ein bisschen ausführlicher, wichtig für uns ist vor allem die folgende Tabelle: Der nächste Schritt ist nun natürlich das ganze zu testen. Eine Logisitkfirma ist via Internetsuche schnell gefunden: es ist eine kleine Firma im Raum Stuttgart. Mir geht es aber nicht um die Firma sondern um das Scoring-Modell, weswegen ich die Firma hier unbenannt lasse. Los geht´s mit dem Scoring! Eigenkapitalquote: Hier müssen wir das Unternehmensregister anziehen (der Bundesanzeiger ist veraltet). Der aktuellste Abschluss ist jener vom Geschäftsjahr 2023. Wir finden ein sehr konservatives (schwäbisches) Unternehmen vor mit der Eigenkapitalquote = Eigenkapital / Summe Passiva = 96,6% -> 25 Punkte Liquidität: Current Ratio = Umlaufvermögen / kurzfristige Verbindlichkeiten = 14,86 -> 20 Punkte Unterneh...

technische Aktienanalyse mit R

Die technische Aktienenalyse überzeugt nicht jedermann; schließlich werden hier aus historischen Daten Handlungsempfehlungen für die Gegenwart, zw Zukunft erzeugt. Tatsächlich sind die Indikatoren mit Vorsicht zu genießen; doch macht die Datenarbeit auch Spaß und man lernt so einiges über manche Aktien. Im Folgenden werden wir mit dem Paket  quantmod  Aktienerverläufe einlesen, visualisieren und untersuchen. Daten Einlesen Wir entscheiden uns für die Quelle Yahoo und wollen die Firma Berkshire-Hathaway genauer anschauen. Mit dem folgenden Code werden die Daten direkt in den Workspace geladen: library (quantmod) symbolBasket <- c( "BRK-B" ) getSymbols(symbolBasket, src= "yahoo" ) # weitere Quellen src="google"/"FRED"/"Oanda" ## [1] "BRK-B" Zur Vereinfachung schreiben wir noch das Kürzel ohne den Bindestrich: BRKB <- as.xts(`BRK-B`) names(BRKB) <- c( "BRKB.Open" , "BRKB.High" , "BRKB.Low" ,...