Glossar und Literatur trennen, Menue um Glossar und ZIP-Download ergaenzen
94_Anhang_Glossar_und_Literatur.md enthielt zwei verschiedene Nachschlagewerke
in einer Datei. Jetzt sind es zwei Anhaenge: E = Glossar (92 Eintraege),
F = Literaturverzeichnis (6 Kategorien). Aus 5 Anhaengen werden 6, aus 36
Kapiteldateien 37.
Die Teilung war billig: Die Datei trug bereits zwei eigenstaendige
Ueberschriften mit nichts als einem --- dazwischen, und im ganzen Buch gab es
genau einen {ref:anhang:glossar-literatur} - die Weiter-mit-Zeile im
Spickzettel. Geprueft: keine Inhaltszeile verloren, alle 92 Glossareintraege
auf der neuen Seite, Indexmarken unveraendert bei 328.
Das Seitenleisten-Menue bekommt zwei Eintraege:
Beispielprogramme
Notebooks
Download Notebooks als ZIP <- neu, eingerueckt
Glossar <- neu
Stichwortverzeichnis
Gesamtdokument (eine Seite)
Download als PDF
Der ZIP-Link benutzt dieselbe Konstante wie baue_notebooks_seite() beim
Schreiben des Archivs, damit Link und Datei nicht auseinanderlaufen. Das
Glossar erscheint absichtlich doppelt: hier als Abkuerzung neben dem
Stichwortverzeichnis, und unten in der Gruppe "Anhaenge", weil es ein Anhang
ist.
Die verwaiste anhang-glossar-literatur.html von Hand entfernt - der Build
raeumt alte Seiten nicht ab.
Nebenbefund, in PROGRESS.md festgehalten: OR_HTML_04/assets/site.css ist eine
von Hand gepflegte Quelle, die im als "generiert" beschriebenen Verzeichnis
liegt. Der Build schreibt sie nie. Dasselbe gilt fuer site.js, icons.svg,
highlight.css und plotly.min.js.
--check: 5 Teile, 23 Kapitel, 6 Anhaenge, 296 Abschnitte, 825 Querverweise,
328 Indexmarken, 37 Dateien, 28.544 Zeilen, 305 Hauptueberschriften, keine
Warnung. PDF unveraendert 759 Seiten.
Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>
This commit is contained in:
dschlueter
parent
5c49725d5c
commit
b6de2802fc
5 changed files with 365 additions and 209 deletions
|
|
@ -411,4 +411,4 @@ Verwechslung merkt niemand, bis sie teuer wird.
|
|||
|
||||
---
|
||||
|
||||
*Weiter mit:* [{ref:anhang:glossar-literatur} — Glossar und Literatur](94_Anhang_Glossar_und_Literatur.md)
|
||||
*Weiter mit:* [{ref:anhang:glossar} — Glossar](94_Anhang_Glossar.md)
|
||||
|
|
|
|||
291
Operations_Research_mit_Python_Version_04/94_Anhang_Glossar.md
Normal file
291
Operations_Research_mit_Python_Version_04/94_Anhang_Glossar.md
Normal file
|
|
@ -0,0 +1,291 @@
|
|||
# Anhang: Glossar {#anhang:glossar}
|
||||
|
||||
**A**
|
||||
|
||||
* **Almgren-Chriss-Modell**{idx:Almgren-Chriss-Modell} — Standardmodell der optimalen Orderausführung. Es löst den
|
||||
Zielkonflikt zwischen Marktauswirkung bei schnellem Handeln und Volatilitätsrisiko bei
|
||||
langsamem Handeln. → {ref:sec:dynamische-programmierung-das-almgren-chriss-problem-optimale-orderausfuehrung}
|
||||
* **Alternativoptima**{idx:Alternativoptima} — Mehrere Lösungen mit identischem Zielfunktionswert. Tritt auf, wenn
|
||||
die Zielfunktion parallel zu einer Kante des Polyeders verläuft oder die Matrix nur
|
||||
semidefinit ist. → {ref:sec:qp-nlp-das-quadratische-programm-qp}
|
||||
|
||||
**B**
|
||||
|
||||
* **Bellman-Gleichung**{idx:Bellman-Gleichung} — Rekursionsgleichung der dynamischen Programmierung: Der Wert eines
|
||||
Zustands ist die Summe aus den unmittelbaren Kosten der besten Aktion und dem Wert des
|
||||
Folgezustands. → {ref:sec:dynamische-programmierung-das-bellmansche-optimalitaetsprinzip}
|
||||
* **Big-M-Methode**{idx:Big-M-Methode} — Modellierungstrick, der logische Bedingungen über eine hinreichend
|
||||
große Konstante $M$ an eine Binärvariable koppelt. $M$ sollte **so klein wie möglich**
|
||||
gewählt werden, da große Werte die Relaxation aufweichen und die Laufzeit verschlechtern.
|
||||
→ {ref:sec:milp-modellierungstricks-big-m-und-logische-bedingungen}
|
||||
* **Binärvariable**{idx:Binärvariable} — Entscheidungsvariable mit Wertebereich $\{0,1\}$; sie schaltet
|
||||
Fixkosten, Kapazitäten oder logische Alternativen an und aus. → {ref:sec:einfuehrung-die-vier-universellen-bausteine-jedes-or}
|
||||
* **Bipartites Matching**{idx:Bipartites Matching} — Zuordnung zwischen zwei disjunkten Mengen mit maximalem Nutzen
|
||||
oder minimalen Kosten; klassisch gelöst durch den Ungarischen Algorithmus. → {ref:sec:graphen-bipartites-matching-das-zuordnungsproblem}
|
||||
* **Branch-and-Bound**{idx:Branch-and-Bound} — Exaktes Verfahren für ganzzahlige Probleme: Der Suchraum wird
|
||||
rekursiv zerlegt (Branching), Zweige werden verworfen, sobald ihre Relaxation schlechter
|
||||
ist als die beste bekannte Lösung (Bounding). → {ref:sec:milp-branch-and-bound}
|
||||
* **Budgeted Uncertainty**{idx:Budgeted Uncertainty} — Robustheitsansatz nach Bertsimas/Sim: Höchstens $\Gamma$ von
|
||||
$n$ Parametern nehmen gleichzeitig ihren ungünstigsten Wert an. → {ref:sec:unsicherheit-robuste-optimierung-gegen-den-worst-case}
|
||||
|
||||
**C**
|
||||
|
||||
* **Calmar Ratio**{idx:Calmar Ratio} — Jahresrendite geteilt durch den Betrag des maximalen Drawdowns.
|
||||
Ergänzt die Sharpe Ratio um die Verlustperspektive. → {ref:sec:handelsmaschine-die-engine}
|
||||
* **Conditional Value at Risk (CVaR)**{idx:Conditional Value at Risk (CVaR)} — Erwarteter Verlust in den schlechtesten Szenarien
|
||||
jenseits des VaR. Kohärent, subadditiv und nach Rockafellar/Uryasev exakt als lineares
|
||||
Programm formulierbar. → {ref:sec:cvar-value-at-risk-und-conditional-value}
|
||||
* **Conflict Learning**{idx:CDCL!Conflict Learning} — Technik moderner SAT-Solver, aus jedem Widerspruch eine
|
||||
Sperrklausel abzuleiten, damit dieselbe Sackgasse nicht erneut betreten wird. → {ref:sec:cpsat-ein-anderes-denkmodell}
|
||||
* **Constraint Programming (CP)**{idx:Constraint Programming (CP)} — Paradigma, das nicht über Zielfunktionsgradienten,
|
||||
sondern über logische Verträglichkeit sucht: Constraints schränken Wertebereiche ein, bis
|
||||
eine zulässige Belegung gefunden ist. → {ref:sec:cpsat-ein-anderes-denkmodell}
|
||||
* **Constraint Propagation**{idx:Constraint Propagation} — Kernmechanismus von CP-Solvern: Aus einer Zuweisung werden
|
||||
unmögliche Werte anderer Variablen sofort entfernt, wodurch der Suchbaum schrumpft.
|
||||
→ {ref:sec:cpsat-ein-anderes-denkmodell}
|
||||
* **CP-SAT**{idx:CP-SAT} — Constraint-Programming-Solver von OR-Tools, der ein Modell in boolesche
|
||||
Erfüllbarkeit übersetzt und mit Propagation, Conflict Learning und paralleler Suche löst.
|
||||
→ {ref:sec:cpsat-ein-anderes-denkmodell}
|
||||
* **CVXPY**{idx:CVXPY} — Modellierungssprache für konvexe Optimierung: schreibt das Problem in
|
||||
mathematiknaher Notation, prüft die Konvexität und reicht es an einen Solver weiter.
|
||||
→ {ref:sec:oekosystem-die-werkzeuge-im-vergleich}
|
||||
|
||||
**D**
|
||||
|
||||
* **Dualitätstheorie**{idx:Dualitätstheorie} — Jedem Optimierungsproblem (Primal) steht ein Dualproblem gegenüber.
|
||||
Der starke Dualitätssatz besagt, dass beide im Optimum denselben Zielfunktionswert
|
||||
besitzen. → {ref:sec:lp-dualitaet-und-schattenpreise}
|
||||
* **Dynamische Programmierung (DP)**{idx:Dynamische Programmierung} — Lösungsprinzip für mehrstufige Entscheidungen: Das
|
||||
Problem wird in Zustände und Stufen zerlegt und rückwärts gelöst. → {ref:sec:dynamische-programmierung-das-bellmansche-optimalitaetsprinzip}
|
||||
|
||||
**E**
|
||||
|
||||
* **Efficient Frontier**{idx:Effizienzgrenze} — Kurve aller Portfolios, die zu gegebenem Risiko die höchste
|
||||
erwartete Rendite liefern. → {ref:sec:markowitz-das-mean-variance-modell}
|
||||
* **Entscheidungsvariable**{idx:Entscheidungsvariable} — Die vom Solver frei wählbare Größe eines Modells. Ihr
|
||||
Wertebereich (kontinuierlich, ganzzahlig, binär) bestimmt die Problemklasse. → {ref:sec:einfuehrung-die-vier-universellen-bausteine-jedes-or}
|
||||
* **Error-Maximizer-Effekt**{idx:Error-Maximizer-Effekt} — Eigenschaft der Mean-Variance-Optimierung, Schätzfehler zu
|
||||
verstärken statt auszugleichen: Sie sucht genau die Richtungen, deren Varianz am stärksten
|
||||
unterschätzt wurde. → {ref:sec:finanzdaten-das-schaetzfehler-problem}
|
||||
* **EVPI (Expected Value of Perfect Information)**{idx:EVPI} — Differenz zwischen den Kosten unter
|
||||
Unsicherheit und den Kosten bei perfektem Wissen; Obergrenze für den Wert jeder
|
||||
Prognoseverbesserung. → {ref:sec:unsicherheit-zweistufige-stochastische-programmierung}
|
||||
* **Explainable OR**{idx:Explainable OR} — Nachvollziehbarmachung von Solver-Ergebnissen über Schattenpreise,
|
||||
aktive Restriktionen und Kostenzerlegung. → {ref:sec:praxisfallen-die-fuenf-typischen-praxisfallen}
|
||||
|
||||
**F**
|
||||
|
||||
* **Fat Tails**{idx:Fat Tails} — Verteilungsränder, die dicker auslaufen als bei der Normalverteilung:
|
||||
Extremereignisse sind deutlich häufiger, als das Normalmodell vorhersagt. → {ref:sec:cvar-die-zwei-schwaechen-des-markowitz-modells}
|
||||
* **Fluch der Dimensionalität**{idx:Fluch der Dimensionalität} — Exponentielles Wachstum des Zustandsraums mit jeder
|
||||
zusätzlichen Zustandsdimension; begrenzt die dynamische Programmierung. → {ref:sec:dynamische-programmierung-der-fluch-der-dimensionalitaet}
|
||||
* **Fluch des Durchschnitts** (*Flaw of Averages*) — Systematischer Fehler beim Planen mit
|
||||
Erwartungswerten statt mit Verteilungen; folgt aus der Jensenschen Ungleichung.
|
||||
→ {ref:sec:unsicherheit-der-fluch-des-durchschnitts}
|
||||
* **Flusserhaltung**{idx:Flusserhaltung} — Bedingung, dass an jedem Knoten Abfluss minus Zufluss dem Saldo des
|
||||
Knotens entspricht — das Kirchhoff-Gesetz der Netzwerkoptimierung. → {ref:sec:graphen-graphen-als-modellsprache}
|
||||
* **Fundamentalsatz der linearen Optimierung**{idx:Fundamentalsatz der linearen Optimierung} — Das Optimum eines lösbaren LP wird stets in
|
||||
mindestens einer Ecke des zulässigen Polyeders angenommen. → {ref:sec:fundament-der-zulaessige-loesungsraum-und-das-polyeder}
|
||||
|
||||
**G**
|
||||
|
||||
* **Gemischt-ganzzahlige Optimierung (MILP)**{idx:MILP} — Lineares Modell mit mindestens einer
|
||||
ganzzahligen oder binären Variablen; NP-schwer. → {ref:sec:milp-warum-runden-fundamental-scheitert}
|
||||
* **Global Minimum Variance Portfolio (GMV)**{idx:GMV (Global Minimum Variance)} — Portfolio kleinstmöglicher Varianz. Es
|
||||
benötigt **keine Renditeprognose** und ist deshalb robuster gegen Schätzfehler.
|
||||
→ {ref:sec:markowitz-das-mean-variance-modell}
|
||||
* **Globale Constraints**{idx:Globale Constraints} — Vorgefertigte Bausteine wie `AllDifferent`, `NoOverlap` oder
|
||||
`Cumulative`, die häufige Strukturen kompakt ausdrücken und spezialisierte Propagatoren
|
||||
besitzen. → {ref:sec:cpsat-globale-constraints-die-bausteine-von-cp}
|
||||
|
||||
**H**
|
||||
|
||||
* **HiGHS**{idx:HiGHS} — Offener Hochleistungs-Solver für LP, MILP und QP; Backend von
|
||||
`scipy.optimize.linprog` und CVXPY, direkt ansprechbar über `highspy`. → {ref:sec:oekosystem-die-werkzeuge-im-vergleich}
|
||||
|
||||
**I**
|
||||
|
||||
* **Infeasibility**{idx:Infeasibility} — Zustand eines Modells ohne zulässige Lösung. In der Praxis über
|
||||
Schlupfvariablen mit hohem Strafgewicht aufzufangen. → {ref:sec:praxisfallen-die-fuenf-typischen-praxisfallen}
|
||||
* **Intervallvariable**{idx:Intervallvariable} — Variable mit Start, Dauer und Ende, die in CP-SAT eine Aktivität
|
||||
beschreibt und Überschneidungsverbote auf Ressourcen ermöglicht. → **{ref:sec:cpsat-globale-constraints-die-bausteine-von-cp}**
|
||||
|
||||
**J**
|
||||
|
||||
* **Jensensche Ungleichung**{idx:Jensensche Ungleichung} — Für konvexe Funktionen gilt
|
||||
$\mathbb{E}[f(X)] \ge f(\mathbb{E}[X])$; die formale Grundlage des Fluchs des
|
||||
Durchschnitts. → {ref:sec:unsicherheit-der-fluch-des-durchschnitts}
|
||||
|
||||
**K**
|
||||
|
||||
* **Kanonische Standardform**{idx:Kanonische Standardform} — Einheitliche Matrixschreibweise eines LP als
|
||||
$\min \mathbf{c}^\top\mathbf{x}$ u. d. N. $\mathbf{A}\mathbf{x} \le \mathbf{b}$,
|
||||
$\mathbf{x} \ge 0$. → {ref:sec:fundament-warum-ueberhaupt-vektoren-und-matrizen}
|
||||
* **Kardinalitätsbeschränkung**{idx:Kardinalitätsbeschränkung} — Obergrenze für die Anzahl gleichzeitig aktiver
|
||||
Entscheidungen; über die Summe der zugehörigen Binärvariablen formuliert. → {ref:sec:milp-modellierungstricks-big-m-und-logische-bedingungen}
|
||||
* **Karush-Kuhn-Tucker-Bedingungen (KKT)**{idx:KKT-Bedingungen} — Notwendige Optimalitätsbedingungen
|
||||
restringierter Probleme: Stationarität, primale und duale Zulässigkeit sowie
|
||||
komplementärer Schlupf. Bei konvexen Problemen zugleich hinreichend. → {ref:sec:qp-nlp-die-karush-kuhn-tucker-bedingungen}
|
||||
* **Kohärentes Risikomaß**{idx:Kohärentes Risikomaß} — Risikomaß mit den Eigenschaften Monotonie, Subadditivität,
|
||||
positive Homogenität und Translationsinvarianz. Der CVaR erfüllt sie, der VaR nicht.
|
||||
→ {ref:sec:cvar-value-at-risk-und-conditional-value}
|
||||
* **Kombinatorische Explosion**{idx:Kombinatorische Explosion} — Überproportionales Wachstum des Lösungsraums mit der
|
||||
Problemgröße. → {ref:sec:einfuehrung-warum-ausprobieren-scheitert-mit-eigener-rechnung}
|
||||
* **Komplementärer Schlupf**{idx:Komplementärer Schlupf} — Bedingung $s_i \cdot y_i = 0$: Eine Nebenbedingung ist
|
||||
entweder aktiv oder ihr Multiplikator verschwindet. → {ref:sec:lp-dualitaet-und-schattenpreise}
|
||||
* **Konditionszahl**{idx:Konditionszahl} — Verhältnis von größtem zu kleinstem Eigenwert; misst, wie stark sich
|
||||
kleine Datenänderungen auf die Inverse auswirken. → {ref:sec:finanzdaten-praxis-datenpipeline-mit-korrekter-spaltenreihenfolge}
|
||||
* **Konvexität**{idx:Konvexität} — Eigenschaft, bei der jede Verbindungsstrecke zweier Punkte innerhalb der
|
||||
Menge bzw. unterhalb des Funktionsgraphen liegt. Bei konvexen Problemen ist jedes lokale
|
||||
Optimum global. → {ref:sec:fundament-konvexitaet-die-grenze-zwischen-leicht-und}
|
||||
* **Korn-Transformation**{idx:Korn-Transformation} — Umformung der nicht-konvexen Sharpe-Ratio-Maximierung in ein
|
||||
konvexes QP durch Homogenisierung. → {ref:sec:markowitz-das-mean-variance-modell}
|
||||
* **Kovarianzmatrix**{idx:Kovarianzmatrix} — Matrix der paarweisen Kovarianzen. Steuert im Markowitz-Modell den
|
||||
Diversifikationseffekt; bei vielen Titeln und wenigen Beobachtungen notorisch schlecht
|
||||
konditioniert. → {ref:sec:finanzdaten-das-schaetzfehler-problem}
|
||||
|
||||
**L**
|
||||
|
||||
* **Lagrange-Multiplikator**{idx:Lagrange-Multiplikator} — Gewicht, mit dem eine Nebenbedingung in die Lagrange-Funktion
|
||||
eingeht; sein Optimalwert entspricht dem Schattenpreis. → {ref:sec:qp-nlp-die-karush-kuhn-tucker-bedingungen}
|
||||
* **Ledoit-Wolf-Shrinkage**{idx:Ledoit-Wolf-Shrinkage} — Schrumpfung der Stichprobenkovarianz in Richtung eines
|
||||
strukturierten Ziels; der optimale Faktor wird analytisch bestimmt. `scikit-learn`
|
||||
verwendet die skalierte Einheitsmatrix als Ziel. → {ref:sec:finanzdaten-ledoit-wolf-shrinkage}
|
||||
* **Lineare Programmierung (LP)**{idx:Lineare Programmierung (LP)} — Optimierung einer linearen Zielfunktion unter linearen
|
||||
Nebenbedingungen mit kontinuierlichen Variablen. → {ref:sec:lp-die-standardform-und-schlupfvariablen}
|
||||
* **Logarithmische Rendite**{idx:Logarithmische Rendite} — Stetige Rendite als Logarithmus des Preisverhältnisses;
|
||||
**über die Zeit** additiv. → {ref:sec:finanzdaten-diskrete-und-logarithmische-renditen}
|
||||
* **Lookahead-Bias**{idx:Lookahead-Bias} — Fehler, bei dem Informationen einfließen, die zum
|
||||
Entscheidungszeitpunkt nicht vorlagen. → {ref:sec:handelsmaschine-die-fuenf-selbsttaeuschungen-des-backtestens}
|
||||
|
||||
**M**
|
||||
|
||||
* **Market Impact**{idx:Marktauswirkung} — Preisverschlechterung, die eine eigene Order durch ihr Volumen
|
||||
auslöst; wächst überproportional mit der Handelsgeschwindigkeit. → {ref:sec:dynamische-programmierung-das-almgren-chriss-problem-optimale-orderausfuehrung}
|
||||
* **Maximum Drawdown**{idx:Maximum Drawdown} — Größter prozentualer Rückgang vom bisherigen Höchststand.
|
||||
→ {ref:sec:handelsmaschine-die-engine}
|
||||
* **Min-Cost-Flow-Problem (MCNFP)**{idx:Min-Cost-Flow} — Kostengünstigster Transport durch ein Netzwerk unter
|
||||
Kapazitäts- und Flusserhaltungsbedingungen; total unimodular, daher ganzzahlige
|
||||
LP-Lösungen. → {ref:sec:graphen-graphen-als-modellsprache}
|
||||
* **MIP-Gap**{idx:MIP-Gap} — Relativer Abstand zwischen bester gefundener Lösung und bester bekannter
|
||||
Schranke. → {ref:sec:praxisfallen-die-fuenf-typischen-praxisfallen}
|
||||
* **Moderne Portfoliotheorie (Markowitz)**{idx:Markowitz-Modell (Mean-Variance)} — Rahmenwerk, das ein Portfolio über das
|
||||
Zusammenspiel von erwarteter Rendite und Kovarianz bewertet. → {ref:sec:markowitz-das-mean-variance-modell}
|
||||
* **Monte-Carlo-Simulation**{idx:Monte-Carlo-Simulation} — Erzeugung vieler Zufallsszenarien, um Kennzahlen empirisch zu
|
||||
schätzen. **Bewertet**, optimiert aber nicht. → {ref:sec:unsicherheit-monte-carlo-simulation}
|
||||
* **MTZ-Formulierung**{idx:MTZ-Formulierung} — Miller-Tucker-Zemlin-Bedingungen, die über Rangvariablen
|
||||
Kurzzyklen ausschließen. → {ref:sec:graphen-das-vehicle-routing-problem-mit-zeitfenstern}
|
||||
|
||||
**N**
|
||||
|
||||
* **Nebenbedingung (Constraint)**{idx:Nebenbedingung} — Gleichung oder Ungleichung, die zulässige von
|
||||
unzulässigen Lösungen trennt. Harte müssen erfüllt sein, weiche werden über Strafterme
|
||||
lediglich bestraft. → {ref:sec:einfuehrung-die-vier-universellen-bausteine-jedes-or}
|
||||
* **Nichtlineare Programmierung (NLP)**{idx:Nichtlineare Programmierung (NLP)} — Problemklasse mit nichtlinearer Ziel- oder
|
||||
Nebenbedingungsfunktion. Ohne Konvexität liefern Verfahren wie SLSQP nur lokale Optima.
|
||||
→ {ref:sec:qp-nlp-nichtlineare-optimierung-mit-scipy-optimize-minimize}
|
||||
|
||||
**O**
|
||||
|
||||
* **Operations Research (OR)**{idx:Operations Research} — Disziplin, die reale Entscheidungsprobleme in mathematische
|
||||
Modelle überführt und mit exakten oder heuristischen Algorithmen löst. → {ref:sec:einfuehrung-was-ist-operations-research-wirklich}
|
||||
* **Optimalitätsprinzip**{idx:Optimalitätsprinzip} — Grundsatz von Bellman: Jede Teilpolitik einer optimalen Politik
|
||||
ist ihrerseits optimal für den erreichten Zustand. → {ref:sec:dynamische-programmierung-das-bellmansche-optimalitaetsprinzip}
|
||||
|
||||
**P**
|
||||
|
||||
* **Pivotisierung**{idx:Pivotisierung} — Basiswechsel im Simplex-Verfahren. → {ref:sec:lp-der-simplex-algorithmus-schritt-fuer-schritt}
|
||||
* **Polyeder**{idx:Polyeder} — Schnittmenge endlich vieler Halbräume; die geometrische Gestalt des
|
||||
zulässigen Bereichs eines LP. → {ref:sec:fundament-der-zulaessige-loesungsraum-und-das-polyeder}
|
||||
* **Positiv (semi-)definit**{idx:Positiv (semi-)definit} — Eigenschaft einer symmetrischen Matrix, deren Eigenwerte alle
|
||||
$> 0$ (definit) bzw. $\ge 0$ (semidefinit) sind. Definit ⟹ streng konvex, eindeutige
|
||||
Lösung; semidefinit ⟹ konvex, evtl. mehrere Lösungen. → {ref:sec:qp-nlp-das-quadratische-programm-qp}
|
||||
* **Präskriptive Analytik**{idx:Präskriptive Analytik} — Analysestufe, die vorschreibt, welche Handlung unter den
|
||||
gegebenen Bedingungen die beste ist. → {ref:sec:einfuehrung-was-ist-operations-research-wirklich}
|
||||
|
||||
**Q**
|
||||
|
||||
* **Quadratische Programmierung (QP)**{idx:Quadratische Programmierung (QP)} — Optimierung einer quadratischen Zielfunktion unter
|
||||
linearen Nebenbedingungen. → {ref:sec:qp-nlp-das-quadratische-programm-qp}
|
||||
|
||||
**R**
|
||||
|
||||
* **Rebalancing**{idx:Rebalancing} — Periodische Rückführung des Portfolios auf die Zielgewichte.
|
||||
→ **{ref:sec:handelsmaschine-rebalancing-termine-richtig-bestimmen}**
|
||||
* **Regime-Shift**{idx:Regime-Shift} — Strukturbruch in den Daten, nach dem historisch geschätzte Momente ihre
|
||||
Gültigkeit verlieren. → {ref:sec:praxisfallen-die-fuenf-typischen-praxisfallen}
|
||||
* **Relaxation**{idx:Relaxation} — Absichtliches Weglassen einschränkender Forderungen — typischerweise der
|
||||
Ganzzahligkeit —, um eine schnell berechenbare Schranke zu gewinnen. → {ref:sec:milp-branch-and-bound}
|
||||
* **Robuste Optimierung**{idx:Robuste Optimierung} — Auslegung auf den ungünstigsten Fall innerhalb einer
|
||||
Unsicherheitsmenge; verlangt keine Wahrscheinlichkeiten. → {ref:sec:unsicherheit-robuste-optimierung-gegen-den-worst-case}
|
||||
* **Rockafellar-Uryasev-Theorem**{idx:Rockafellar-Uryasev-Theorem} — Ergebnis, das die CVaR-Minimierung in eine konvexe
|
||||
Hilfsfunktion überführt und die Optimierung des Tail-Risikos mit linearen Solvern erlaubt.
|
||||
→ {ref:sec:cvar-value-at-risk-und-conditional-value}
|
||||
|
||||
**S**
|
||||
|
||||
* **Schattenpreis**{idx:Schattenpreis} — Optimalwert einer Dualvariablen: Um wie viel ändert sich der Zielwert,
|
||||
wenn die zugehörige Ressource um eine Einheit erweitert wird. → {ref:sec:lp-dualitaet-und-schattenpreise}
|
||||
* **Schätzfehler**{idx:Schätzfehler} — Abweichung geschätzter Momente von den wahren Werten. → {ref:sec:finanzdaten-das-schaetzfehler-problem}
|
||||
* **Schlupfvariable**{idx:Schlupfvariable} — Nichtnegative Hilfsvariable, die eine Ungleichung in eine Gleichung
|
||||
überführt; ihr Wert zeigt die ungenutzte Reserve. → {ref:sec:lp-die-standardform-und-schlupfvariablen}
|
||||
* **Schnittebenenverfahren (Cutting Planes)**{idx:Schnittebenen} — Zusätzliche gültige Ungleichungen, die
|
||||
gebrochene LP-Lösungen abschneiden, ohne ganzzahlige Punkte zu verlieren. → {ref:sec:milp-branch-and-bound}
|
||||
* **Sensitivitätsanalyse**{idx:Sensitivitätsanalyse} — Untersuchung, in welchem Bereich sich Koeffizienten und
|
||||
Kapazitäten ändern dürfen, ohne die Struktur der Optimallösung zu verändern. → {ref:sec:lp-praxisfall-sensitivitaetsanalyse-mit-korrekten-schattenpreisen}
|
||||
* **Sharpe Ratio**{idx:Sharpe-Ratio} — Überrendite über den risikofreien Zins je Einheit Volatilität.
|
||||
→ {ref:sec:markowitz-das-mean-variance-modell}
|
||||
* **Simplex-Algorithmus**{idx:Simplex-Algorithmus} — Verfahren von Dantzig, das von Ecke zu Ecke wandert und dabei
|
||||
den Zielfunktionswert monoton verbessert. → {ref:sec:lp-der-simplex-algorithmus-schritt-fuer-schritt}
|
||||
* **SLSQP**{idx:SLSQP} — *Sequential Least Squares Programming*; gradientenbasiertes Verfahren in
|
||||
`scipy.optimize.minimize` für nichtlineare Probleme. → {ref:sec:qp-nlp-nichtlineare-optimierung-mit-scipy-optimize-minimize}
|
||||
* **Subadditivität**{idx:Subadditivität} — Eigenschaft $\rho(A+B) \le \rho(A)+\rho(B)$: Diversifikation darf das
|
||||
Risiko nicht erhöhen. Der VaR verletzt sie. → {ref:sec:cvar-value-at-risk-und-conditional-value}
|
||||
* **Survivorship-Bias**{idx:Survivorship-Bias} — Verzerrung durch Auswahl nur der heute noch existierenden Titel.
|
||||
→ {ref:sec:handelsmaschine-die-fuenf-selbsttaeuschungen-des-backtestens}
|
||||
* **Symmetriebrechung**{idx:Symmetriebrechung} — Zusätzliche Ordnungsbedingungen, die verhindern, dass der Solver
|
||||
gleichwertige Vertauschungen mehrfach durchsucht. → {ref:anhang:modellierungsmuster}, Muster B20
|
||||
|
||||
**T**
|
||||
|
||||
* **Totale Unimodularität**{idx:Totale Unimodularität} — Eigenschaft einer Matrix, bei der jede quadratische
|
||||
Teilmatrix die Determinante $0$, $+1$ oder $-1$ hat. Folge: Alle Ecken des Polyeders sind
|
||||
ganzzahlig — Ganzzahligkeit muss nicht gefordert werden. → {ref:sec:graphen-bipartites-matching-das-zuordnungsproblem}
|
||||
* **Transaktionskosten**{idx:Transaktionskosten} — Beim Umschichten anfallende Kosten aus Gebühren, Spread und
|
||||
Market Impact; über eine $L_1$-Strafe modellierbar. → {ref:sec:cvar-transaktionskosten-ueber-die-l-1-norm}
|
||||
* **Turnover**{idx:Turnover (Umschlag)} — Summe der absoluten Gewichtsänderungen einer Umschichtung. → {ref:sec:cvar-transaktionskosten-ueber-die-l-1-norm}
|
||||
|
||||
**U**
|
||||
|
||||
* **Unsicherheitsmenge**{idx:Unsicherheitsmenge} — Vorab definierter Bereich möglicher Parameterwerte, gegen dessen
|
||||
ungünstigstes Element eine robuste Lösung abgesichert wird. → {ref:sec:unsicherheit-robuste-optimierung-gegen-den-worst-case}
|
||||
|
||||
**V**
|
||||
|
||||
* **Value at Risk (VaR)**{idx:Value at Risk (VaR)} — Verlustschwelle, die mit vorgegebener Wahrscheinlichkeit nicht
|
||||
überschritten wird. Sagt nichts über die Verlusthöhe dahinter und ist nicht subadditiv.
|
||||
→ {ref:sec:cvar-value-at-risk-und-conditional-value}
|
||||
* **Vehicle Routing Problem (VRP)**{idx:Vehicle Routing Problem (VRP)} — Verallgemeinerung des TSP auf mehrere Fahrzeuge mit
|
||||
Depot, Kapazitäten und — in der Variante VRPTW — Zeitfenstern. → {ref:sec:graphen-das-vehicle-routing-problem-mit-zeitfenstern}
|
||||
* **Volatilität**{idx:Volatilität} — Standardabweichung der Renditen, üblicherweise auf ein Jahr skaliert.
|
||||
→ **{ref:sec:finanzdaten-diskrete-und-logarithmische-renditen}**
|
||||
|
||||
**W**
|
||||
|
||||
* **Walk-Forward-Backtest**{idx:Walk-Forward-Backtest} — Rollierende Auswertung, bei der Parameter stets nur auf
|
||||
Vergangenheitsdaten geschätzt und auf dem folgenden Zeitraum getestet werden.
|
||||
→ **{ref:sec:handelsmaschine-die-engine}**
|
||||
* **Wurzel-Zeit-Regel**{idx:Wurzel-Zeit-Regel} — Skalierung der Volatilität mit $\sqrt{T}$. Gilt streng nur für
|
||||
Standardabweichungen unabhängiger Größen ohne Drift — für VaR/CVaR nur als grobe Näherung.
|
||||
→ {ref:sec:cvar-implementierung-cvar-portfolio-mit-reibung}
|
||||
|
||||
**Z**
|
||||
|
||||
* **Zielfunktion**{idx:Zielfunktion} — Der zu minimierende oder maximierende Ausdruck, der die
|
||||
Entscheidungsvariablen zu einer einzigen Bewertungszahl verdichtet. → {ref:sec:einfuehrung-die-vier-universellen-bausteine-jedes-or}
|
||||
* **Zulässiger Bereich (Feasible Region)**{idx:Zulässiger Bereich} — Menge aller Punkte, die sämtliche
|
||||
Nebenbedingungen gleichzeitig erfüllen. → {ref:sec:fundament-der-zulaessige-loesungsraum-und-das-polyeder}
|
||||
|
||||
---
|
||||
|
||||
*Weiter mit:* [{ref:anhang:literatur} — Literaturverzeichnis](95_Anhang_Literatur.md)
|
||||
|
|
@ -0,0 +1,79 @@
|
|||
# Anhang: Literaturverzeichnis {#anhang:literatur}
|
||||
|
||||
## Mathematische Optimierung — Grundlagen
|
||||
|
||||
* **Bertsimas, D. & Tsitsiklis, J. N. (1997):** *Introduction to Linear Optimization.*
|
||||
Athena Scientific, Belmont.
|
||||
*Standardwerk zur geometrischen und algebraischen Theorie des Simplex-Verfahrens,
|
||||
Dualität, Sensitivitätsanalyse und Netzwerkflüssen.*
|
||||
* **Dantzig, G. B. (1963):** *Linear Programming and Extensions.* Princeton University Press.
|
||||
*Das historische Originalwerk des Erfinders des Simplex-Algorithmus.*
|
||||
* **Wolsey, L. A. (2020):** *Integer Programming* (2. Aufl.). Wiley, Hoboken.
|
||||
*Branch-and-Bound, Branch-and-Cut, Polyedertheorie, Formulierungsstärke.*
|
||||
* **Hillier, F. S. & Lieberman, G. J. (2021):** *Introduction to Operations Research*
|
||||
(11. Aufl.). McGraw-Hill.
|
||||
*Breite Einführung inkl. Warteschlangen, DP und Entscheidungsmodellen.*
|
||||
|
||||
## Konvexe, nichtlineare und robuste Optimierung
|
||||
|
||||
* **Boyd, S. & Vandenberghe, L. (2004):** *Convex Optimization.* Cambridge University Press.
|
||||
*Referenzwerk für konvexe Mengen, KKT, QP und SDP; theoretische Basis von CVXPY.
|
||||
Frei verfügbar unter stanford.edu/~boyd/cvxbook/.*
|
||||
* **Ben-Tal, A., El Ghaoui, L. & Nemirovski, A. (2009):** *Robust Optimization.*
|
||||
Princeton University Press.
|
||||
* **Bertsimas, D. & Sim, M. (2004):** *The Price of Robustness.* In: *Operations Research*
|
||||
52(1), S. 35–53. *Quelle des Budgeted-Uncertainty-Ansatzes.*
|
||||
* **Bellman, R. (1957):** *Dynamic Programming.* Princeton University Press.
|
||||
|
||||
## Constraint Programming und Scheduling
|
||||
|
||||
* **Rossi, F., van Beek, P. & Walsh, T. (2006):** *Handbook of Constraint Programming.*
|
||||
Elsevier.
|
||||
* **Perron, L. & Furnon, V.:** *OR-Tools CP-SAT Solver Documentation.*
|
||||
[developers.google.com/optimization/cp](https://developers.google.com/optimization/cp)
|
||||
|
||||
## Quantitative Finanzmathematik
|
||||
|
||||
* **Markowitz, H. (1952):** *Portfolio Selection.* In: *The Journal of Finance* 7(1),
|
||||
S. 77–91.
|
||||
* **Rockafellar, R. T. & Uryasev, S. (2000):** *Optimization of Conditional Value-at-Risk.*
|
||||
In: *Journal of Risk* 2(3), S. 21–42.
|
||||
* **Ledoit, O. & Wolf, M. (2003):** *Improved estimation of the covariance matrix of stock
|
||||
returns with an application to portfolio selection.* In: *Journal of Empirical Finance*
|
||||
10(5), S. 603–621. *Quelle des Konstant-Korrelations-Ziels.*
|
||||
* **Ledoit, O. & Wolf, M. (2004):** *A well-conditioned estimator for large-dimensional
|
||||
covariance matrices.* In: *Journal of Multivariate Analysis* 88(2), S. 365–411.
|
||||
*Quelle des von `scikit-learn` verwendeten Ziels (skalierte Einheitsmatrix).*
|
||||
* **Almgren, R. & Chriss, N. (2000):** *Optimal Execution of Portfolio Transactions.*
|
||||
In: *Journal of Risk* 3(2), S. 5–39.
|
||||
* **DeMiguel, V., Garlappi, L. & Uppal, R. (2009):** *Optimal Versus Naive Diversification.*
|
||||
In: *Review of Financial Studies* 22(5), S. 1915–1953.
|
||||
*Die Studie, die 1/N als ernstzunehmenden Vergleichsmaßstab etablierte.*
|
||||
* **López de Prado, M. (2018):** *Advances in Financial Machine Learning.* Wiley.
|
||||
*Backtest-Overfitting, Deflated Sharpe Ratio, Denoising.*
|
||||
* **Cornuéjols, G., Peña, J. & Tütüncü, R. (2018):** *Optimization Methods in Finance*
|
||||
(2. Aufl.). Cambridge University Press.
|
||||
|
||||
## Software und Dokumentation
|
||||
|
||||
* **Google OR-Tools** — [developers.google.com/optimization](https://developers.google.com/optimization)
|
||||
· Quellcode: [github.com/google/or-tools](https://github.com/google/or-tools)
|
||||
* **Diamond, S. & Boyd, S. (2016):** *CVXPY: A Python-embedded modeling language for convex
|
||||
optimization.* In: *Journal of Machine Learning Research* 17(83), S. 1–5.
|
||||
· [www.cvxpy.org](https://www.cvxpy.org)
|
||||
* **Huangfu, Q. & Hall, J. A. J. (2018):** *Parallelizing the dual revised simplex method.*
|
||||
In: *Mathematical Programming Computation* 10(1), S. 119–142. · [highs.dev](https://highs.dev)
|
||||
* **SciPy** — [docs.scipy.org/doc/scipy/reference/optimize.html](https://docs.scipy.org/doc/scipy/reference/optimize.html)
|
||||
* **scikit-learn, Covariance Estimation** — [scikit-learn.org/stable/modules/covariance.html](https://scikit-learn.org/stable/modules/covariance.html)
|
||||
|
||||
## Verbände und Normen
|
||||
|
||||
* **INFORMS** — [www.informs.org](https://www.informs.org)
|
||||
* **GOR (Gesellschaft für Operations Research e. V.)** — deutschsprachiger Fachverband.
|
||||
* **Basel Committee on Banking Supervision:** *Minimum capital requirements for market risk*
|
||||
(Basel III, FRTB) — Grundlage der Umstellung von VaR auf Expected Shortfall.
|
||||
* **Europäische Union:** MiFID II / ESMA-Leitlinien zum algorithmischen Handel.
|
||||
|
||||
---
|
||||
|
||||
*Zurück zum* [Wegweiser](README.md)
|
||||
|
|
@ -84,7 +84,8 @@ legen die Lesereihenfolge fest.
|
|||
| [`90_Anhang_Loesungen.md`](90_Anhang_Loesungen.md) | Lösungen zu **allen** Übungsaufgaben und Selbsttests |
|
||||
| [`91_Anhang_Modellierungsmuster.md`](91_Anhang_Modellierungsmuster.md) | Musterkatalog: 24 wiederkehrende Modellierungstricks |
|
||||
| [`92_Anhang_Fehlerdiagnose.md`](92_Anhang_Fehlerdiagnose.md) | Diagnose-Handbuch für Solver-Probleme |
|
||||
| [`94_Anhang_Glossar_und_Literatur.md`](94_Anhang_Glossar_und_Literatur.md) | Glossar, Literatur |
|
||||
| [`94_Anhang_Glossar.md`](94_Anhang_Glossar.md) | Glossar der Fachbegriffe |
|
||||
| [`95_Anhang_Literatur.md`](95_Anhang_Literatur.md) | Literaturverzeichnis |
|
||||
|
||||
---
|
||||
|
||||
|
|
|
|||
|
|
@ -134,7 +134,8 @@ DATEIEN = [
|
|||
"91_Anhang_Modellierungsmuster.md",
|
||||
"92_Anhang_Fehlerdiagnose.md",
|
||||
"93_Anhang_Spickzettel.md",
|
||||
"94_Anhang_Glossar_und_Literatur.md",
|
||||
"94_Anhang_Glossar.md",
|
||||
"95_Anhang_Literatur.md",
|
||||
]
|
||||
|
||||
# Markdown-Dateien im Kapitelverzeichnis, die bewusst NICHT ins Buch gehoeren.
|
||||
|
|
@ -1543,6 +1544,15 @@ def baue_sidebar_html(struktur: list[dict], aktuelle_seite: str, pdf_verfuegbar:
|
|||
+ '<ul class="sidebar-extra">'
|
||||
+ '<li><a href="programme.html">' + icon("book") + ' Beispielprogramme</a></li>'
|
||||
+ '<li><a href="notebooks.html">' + icon("book") + ' Notebooks</a></li>'
|
||||
# Der Dateiname kommt aus derselben Konstante, mit der
|
||||
# baue_notebooks_seite() das Archiv schreibt - so koennen Link und Datei
|
||||
# nicht auseinanderlaufen.
|
||||
+ f'<li class="sidebar-unterpunkt"><a href="{NOTEBOOK_NAME}.zip" download>'
|
||||
+ icon("download") + ' Download Notebooks als ZIP</a></li>'
|
||||
# Abkuerzung zum Glossar. Es steht zusaetzlich in der Gruppe "Anhaenge",
|
||||
# weil es ein Anhang ist - hier oben aber neben dem
|
||||
# Stichwortverzeichnis, weil beide dasselbe leisten: nachschlagen.
|
||||
+ '<li><a href="anhang-glossar.html">' + icon("book") + ' Glossar</a></li>'
|
||||
+ '<li><a href="stichwortverzeichnis.html">' + icon("search")
|
||||
+ ' Stichwortverzeichnis</a></li>'
|
||||
+ '<li><a href="gesamtdokument.html">' + icon("external-link")
|
||||
|
|
|
|||
Loading…
Reference in a new issue