<aclass="brand"href="index.html"><svgclass="icon"aria-hidden="true"><usehref="#icon-book"></use></svg><span>Optimierte Entscheidungsfindung mit Python</span></a>
<navclass="sidebar"id="sidebar"aria-label="Kapitelnavigation"><divclass="sidebar-inhalt"><detailsclass="sidebar-gruppe"><summary>Einstieg</summary><ul><lidata-kapitel="vorwort.html"><ahref="vorwort.html"><spanclass="fortschritt-haken"><svgclass="icon"aria-hidden="true"><usehref="#icon-check"></use></svg></span><span>Vorwort & Lesehilfe</span></a></li><lidata-kapitel="notation.html"><ahref="notation.html"><spanclass="fortschritt-haken"><svgclass="icon"aria-hidden="true"><usehref="#icon-check"></use></svg></span><span>Notation & Abkürzungen</span></a></li></ul></details><detailsclass="sidebar-gruppe"><summary>Teil I: Grundlagen des Operations Research</summary><ul><lidata-kapitel="einfuehrung.html"><ahref="einfuehrung.html"><spanclass="fortschritt-haken"><svgclass="icon"aria-hidden="true"><usehref="#icon-check"></use></svg></span><span>Kapitel 1: Einführung in Operations Research — Vom Ursprung zur mathematischen Entscheidungsfindung</span></a></li><lidata-kapitel="fundament.html"><ahref="fundament.html"><spanclass="fortschritt-haken"><svgclass="icon"aria-hidden="true"><usehref="#icon-check"></use></svg></span><span>Kapitel 2: Das mathematische Fundament — Vektoren, Matrizen, Konvexität</span></a></li><lidata-kapitel="oekosystem.html"><ahref="oekosystem.html"><spanclass="fortschritt-haken"><svgclass="icon"aria-hidden="true"><usehref="#icon-check"></use></svg></span><span>Kapitel 3: Das Python-Ökosystem für OR — Solver, Bindings und Modellierungsschichten</span></a></li><lidata-kapitel="modellierung.html"><ahref="modellierung.html"><spanclass="fortschritt-haken"><svgclass="icon"aria-hidden="true"><usehref="#icon-check"></use></svg></span><span>Kapitel 4: Vom Management-Wunsch zum Modell</span></a></li><lidata-kapitel="synthese-grundlagen.html"><ahref="synthese-grundlagen.html"><spanclass="fortschritt-haken"><svgclass="icon"aria-hidden="true"><usehref="#icon-check"></use></svg></span><span>Synthese Teil I</span></a></li></ul></details><detailsclass="sidebar-gruppe"><summary>Teil II: Die Kernverfahren der deterministischen Optimierung</summary><ul><lidata-kapitel="lp.html"><ahref="lp.html"><spanclass="fortschritt-haken"><svgclass="icon"aria-hidden="true"><usehref="#icon-check"></use></svg></span><span>Kapitel 5: Lineare Programmierung — Simplex, Dualität und Schattenpreise</span></a></li><lidata-kapitel="milp.html"><ahref="milp.html"><spanclass="fortschritt-haken"><svgclass="icon"aria-hidden="true"><usehref="#icon-check"></use></svg></span><span>Kapitel 6: Gemischt-ganzzahlige Optimierung — Diskrete Entscheidungen und Branch-and-Bound</span></a></li><lidata-kapitel="cpsat.html"><ahref="cpsat.html"><spanclass="fortschritt-haken"><svgclass="icon"aria-hidden="true"><usehref="#icon-check"></use></svg></span><span>Kapitel 7: Constraint Programming mit CP-SAT — Logik, Scheduling und Zuweisung</span></a></li><lidata-kapitel="graphen.html"><ahref="graphen.html"><spanclass="fortschritt-haken"><svgclass="icon"aria-hidden="true"><usehref="#icon-check"></use></svg></span><span>Kapitel 8: Graphen, Flüsse und Touren — Min-Cost-Flow, Matching und VRP</span></a></li><lidata-kapitel="metaheuristiken.html"><ahref="metaheuristiken.html"><spanclass="fortschritt-haken"><svgclass="icon"aria-hidden="true"><usehref="#icon-check"></use></svg></span><span>Kapitel 9: Metaheuristiken — wenn der exakte Solver aussteigt</span></a></li><lidata-kapitel="dekomposition.html"><ahref="dekomposition.html"><spanclass="fortschritt-haken"><svgclass="icon"aria-hidden="true"><usehref="#icon-check"></use></svg></span><span>Kapitel 10: Spaltengenerierung — das Modell umbauen statt die Lösung raten</span></a></li><lidata-kapitel="synthese-kernverfahren.html"><ahref="synthese-kernverfahren.html"><spanclass="fortschritt-haken"><svgclass="icon"aria-hidden="true"><usehref="#icon-check"></use></svg></span><span>Synthese Teil II</span></a></li></ul></details><detailsclass="sidebar-gruppe"><summary>Teil III: Nichtlinearität, Unsicherheit und mehrperiodige D
<li><strong>Bertsimas, D. & Tsitsiklis, J. N. (1997):</strong><em>Introduction to Linear Optimization.</em> Athena Scientific, Belmont. <em>Standardwerk zur geometrischen und algebraischen Theorie des Simplex-Verfahrens, Dualität, Sensitivitätsanalyse und Netzwerkflüssen.</em></li>
<li><strong>Dantzig, G. B. (1963):</strong><em>Linear Programming and Extensions.</em> Princeton University Press. <em>Das historische Originalwerk des Erfinders des Simplex-Algorithmus.</em></li>
<li><strong>Wolsey, L. A. (2020):</strong><em>Integer Programming</em> (2. Aufl.). Wiley, Hoboken. <em>Branch-and-Bound, Branch-and-Cut, Polyedertheorie, Formulierungsstärke.</em></li>
<li><strong>Hillier, F. S. & Lieberman, G. J. (2021):</strong><em>Introduction to Operations Research</em> (11. Aufl.). McGraw-Hill. <em>Breite Einführung inkl. Warteschlangen, DP und Entscheidungsmodellen.</em></li>
</ul>
<h2id="konvexe-nichtlineare-und-robuste-optimierung">Konvexe, nichtlineare und robuste Optimierung</h2>
<ul>
<li><strong>Boyd, S. & Vandenberghe, L. (2004):</strong><em>Convex Optimization.</em> Cambridge University Press. <em>Referenzwerk für konvexe Mengen, KKT, QP und SDP; theoretische Basis von CVXPY. Frei verfügbar unter stanford.edu/~boyd/cvxbook/.</em></li>
<li><strong>Ben-Tal, A., El Ghaoui, L. & Nemirovski, A. (2009):</strong><em>Robust Optimization.</em> Princeton University Press.</li>
<li><strong>Bertsimas, D. & Sim, M. (2004):</strong><em>The Price of Robustness.</em> In: <em>Operations Research</em> 52(1), S. 35–53. <em>Quelle des Budgeted-Uncertainty-Ansatzes.</em></li>
<li><strong>Bellman, R. (1957):</strong><em>Dynamic Programming.</em> Princeton University Press.</li>
</ul>
<h2id="constraint-programming-und-scheduling">Constraint Programming und Scheduling</h2>
<ul>
<li><strong>Rossi, F., van Beek, P. & Walsh, T. (2006):</strong><em>Handbook of Constraint Programming.</em> Elsevier.</li>
<li><strong>Perron, L. & Furnon, V.:</strong><em>OR-Tools CP-SAT Solver Documentation.</em><ahref="https://developers.google.com/optimization/cp">developers.google.com/optimization/cp</a></li>
<li><strong>Markowitz, H. (1952):</strong><em>Portfolio Selection.</em> In: <em>The Journal of Finance</em> 7(1), S. 77–91.</li>
<li><strong>Rockafellar, R. T. & Uryasev, S. (2000):</strong><em>Optimization of Conditional Value-at-Risk.</em> In: <em>Journal of Risk</em> 2(3), S. 21–42.</li>
<li><strong>Ledoit, O. & Wolf, M. (2003):</strong><em>Improved estimation of the covariance matrix of stock returns with an application to portfolio selection.</em> In: <em>Journal of Empirical Finance</em> 10(5), S. 603–621. <em>Quelle des Konstant-Korrelations-Ziels.</em></li>
<li><strong>Ledoit, O. & Wolf, M. (2004):</strong><em>A well-conditioned estimator for large-dimensional covariance matrices.</em> In: <em>Journal of Multivariate Analysis</em> 88(2), S. 365–411. <em>Quelle des von <code>scikit-learn</code> verwendeten Ziels (skalierte Einheitsmatrix).</em></li>
<li><strong>Almgren, R. & Chriss, N. (2000):</strong><em>Optimal Execution of Portfolio Transactions.</em> In: <em>Journal of Risk</em> 3(2), S. 5–39.</li>
<li><strong>DeMiguel, V., Garlappi, L. & Uppal, R. (2009):</strong><em>Optimal Versus Naive Diversification.</em> In: <em>Review of Financial Studies</em> 22(5), S. 1915–1953. <em>Die Studie, die 1/N als ernstzunehmenden Vergleichsmaßstab etablierte.</em></li>
<li><strong>López de Prado, M. (2018):</strong><em>Advances in Financial Machine Learning.</em> Wiley. <em>Backtest-Overfitting, Deflated Sharpe Ratio, Denoising.</em></li>
<li><strong>Cornuéjols, G., Peña, J. & Tütüncü, R. (2018):</strong><em>Optimization Methods in Finance</em> (2. Aufl.). Cambridge University Press.</li>
</ul>
<h2id="software-und-dokumentation">Software und Dokumentation</h2>
<li><strong>Diamond, S. & Boyd, S. (2016):</strong><em>CVXPY: A Python-embedded modeling language for convex optimization.</em> In: <em>Journal of Machine Learning Research</em> 17(83), S. 1–5. · <ahref="https://www.cvxpy.org">www.cvxpy.org</a></li>
<li><strong>Huangfu, Q. & Hall, J. A. J. (2018):</strong><em>Parallelizing the dual revised simplex method.</em> In: <em>Mathematical Programming Computation</em> 10(1), S. 119–142. · <ahref="https://highs.dev">highs.dev</a></li>
<li><strong>GOR (Gesellschaft für Operations Research e. V.)</strong> — deutschsprachiger Fachverband.</li>
<li><strong>Basel Committee on Banking Supervision:</strong><em>Minimum capital requirements for market risk</em> (Basel III, FRTB) — Grundlage der Umstellung von VaR auf Expected Shortfall.</li>
<li><strong>Europäische Union:</strong> MiFID II / ESMA-Leitlinien zum algorithmischen Handel.</li>
