Version 04 als eigenes Repository

Erster Commit des Strangs "Optimierte Entscheidungsfindung mit Python"
(Version 04). Die Historie der 71 Commits bis zur Trennung bleibt im
uebergeordneten Repository OR_mit_Python liegen, das ab jetzt nur noch
Version_03 (eingefroren) verwaltet und Version_04/ ignoriert.

Bewusst kein "git subtree split": Der Pfad Version_04/ existiert erst seit
der Verzeichnistrennung, ein Split braechte daher nur 7 der 41 einschlaegigen
Commits - eine Teilhistorie, die vollstaendig aussieht und es nicht ist.

Stand: 5 Teile, 23 Kapitel, 5 Anhaenge, 292 Abschnitte, 703 Querverweise,
325 Indexmarken, 73 Beispielprogramme, 32 SVGs, 4 Plotly-Figuren,
25 Notebooks, PDF mit 715 Seiten.

Zusaetzlich in diesem Commit:

* pyproject.toml mit Abhaengigkeitsgruppen finance, large-scale, api,
  figures, dev, empfehlungen. Die abgedruckte requirements.txt bleibt
  unveraendert daneben bestehen. ortools steht in der Grundausstattung,
  highspy erst in [large-scale] - so kann der HiGHS-Symbolkonflikt bei der
  schlanken Installation gar nicht erst auftreten.

* Dabei zwei Funde: graphviz wird von erzeuge_architektur_diagramme.py
  importiert, fehlt aber in requirements.txt (jetzt in [figures]); pymoo
  steht in requirements.txt, wird aber von keinem Programm importiert,
  sondern nur im Kapitel Metaheuristiken empfohlen (jetzt in
  [empfehlungen]).

* NEUER_TITEL.md nach Kritik_und_Verbesserungsvorschlaege/ verschoben - es
  ist die Vorlage des Titelblatts, kein Bestandteil des Werks. Die beiden
  Fundstellen in PROGRESS.md und erzeuge_titelseite.py nachgezogen.

* PROGRESS.md nannte noch den Untertitel der ersten Fassung; auf den
  tatsaechlichen aus erzeuge_titelseite.py korrigiert.

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>

OR_HTML_04/programme/Data_Snooping.py

@@ -0,0 +1,133 @@
+#!/usr/bin/env python3
+
+# Data_Snooping.py
+"""
+Kapitel Handelsmaschine: Die Selbsttaeuschung, die man einem Backtest nicht ansieht.
+
+Backtest_Fallen.py zeigt drei Fehler, die IM Backtest stecken: Lookahead,
+Survivorship, vergessene Kosten. Alle drei kann man einem Programm ansehen,
+wenn man es liest.
+
+Die beiden anderen - Overfitting und Data Snooping - entstehen nicht im
+Backtest, sondern in der ARBEITSWEISE davor. Sie hinterlassen im Code keine
+Spur. Ein Backtest, der zwanzigmal angepasst wurde, sieht am Ende genauso
+sauber aus wie einer, der beim ersten Versuch funktioniert hat.
+
+Dieses Programm macht den Effekt messbar. Es testet Strategien, die
+NACHWEISLICH keinerlei Prognosekraft haben (ihre taeglichen Ergebnisse sind
+Zufallszahlen mit Erwartungswert exakt null), und zeigt, wie gut die jeweils
+BESTE davon aussieht - allein als Funktion der Anzahl der Versuche.
+
+Benoetigt: numpy, scipy
+"""
+
+from __future__ import annotations
+
+import numpy as np
+from scipy import stats
+
+HANDELSTAGE = 1260               # fuenf Jahre
+TAGESSCHWANKUNG = 0.010          # 1 % taeglich
+WIEDERHOLUNGEN = 300             # damit die Tabelle nicht vom Zufall abhaengt
+NIVEAU = 0.05
+
+RNG = np.random.default_rng(42)
+
+
+def bewerte(ergebnisse: np.ndarray) -> tuple[np.ndarray, np.ndarray]:
+    """Sharpe-Kennzahl und einseitiger p-Wert je Strategie.
+
+    ergebnisse hat die Form (Strategien, Handelstage). Der p-Wert prueft die
+    Nullhypothese 'mittleres Tagesergebnis ist null' - also genau die Frage,
+    die ein Backtest beantworten soll.
+    """
+    mittel = ergebnisse.mean(axis=1)
+    streuung = ergebnisse.std(axis=1, ddof=1)
+    sharpe = mittel / streuung * np.sqrt(252)
+    t_wert = mittel / (streuung / np.sqrt(ergebnisse.shape[1]))
+    return sharpe, stats.t.sf(t_wert, ergebnisse.shape[1] - 1)
+
+
+def probiere(anzahl_strategien: int) -> tuple[float, float, float, float]:
+    """Liefert (beste Sharpe, ihr p-Wert, Anteil scheinbar signifikanter,
+    Anteil, der auch die Bonferroni-Huerde nimmt) - gemittelt ueber
+    WIEDERHOLUNGEN unabhaengige Durchgaenge."""
+    beste_sharpe, beste_p, anteil_signifikant, ueberlebt_bonferroni = [], [], [], []
+
+    for _ in range(WIEDERHOLUNGEN):
+        # Der springende Punkt: Erwartungswert exakt 0. Keine dieser
+        # Strategien hat einen echten Vorteil - per Konstruktion.
+        ergebnisse = RNG.normal(0.0, TAGESSCHWANKUNG,
+                                (anzahl_strategien, HANDELSTAGE))
+        sharpe, p_werte = bewerte(ergebnisse)
+
+        beste = int(sharpe.argmax())
+        beste_sharpe.append(float(sharpe[beste]))
+        beste_p.append(float(p_werte[beste]))
+        anteil_signifikant.append(float((p_werte < NIVEAU).mean()))
+        # Bonferroni: Wer n Tests macht, muss die Huerde durch n teilen.
+        ueberlebt_bonferroni.append(
+            float((p_werte < NIVEAU / anzahl_strategien).mean()))
+
+    return (float(np.mean(beste_sharpe)), float(np.mean(beste_p)),
+            float(np.mean(anteil_signifikant)),
+            float(np.mean(ueberlebt_bonferroni)))
+
+
+if __name__ == "__main__":
+    print("=" * 78)
+    print("  WIE GUT SIEHT DIE BESTE VON N STRATEGIEN AUS,")
+    print("  WENN KEINE EINZIGE ETWAS TAUGT?")
+    print("=" * 78)
+    print(f"{HANDELSTAGE} Handelstage, taegliche Ergebnisse mit Erwartungswert "
+          f"EXAKT null.")
+    print(f"Jede Zeile ist der Mittelwert aus {WIEDERHOLUNGEN} unabhaengigen "
+          f"Durchgaengen.\n")
+
+    print(f"{'getestet':>9} {'beste Sharpe':>14} {'ihr p-Wert':>12} "
+          f"{'scheinbar sign.':>16}")
+    print("-" * 78)
+    ergebnisse = {}
+    for anzahl in (1, 10, 100, 1000):
+        sharpe, p_wert, anteil, _ = probiere(anzahl)
+        ergebnisse[anzahl] = (sharpe, p_wert, anteil)
+        print(f"{anzahl:9d} {sharpe:14.2f} {p_wert:12.4f} {anteil * 100:15.1f} %")
+    print("-" * 78)
+
+    sharpe_100, p_100, _ = ergebnisse[100]
+    sharpe_1000, p_1000, _ = ergebnisse[1000]
+
+    print("\nLesen Sie die dritte Spalte von unten nach oben:")
+    print(f"  Wer {1000} Varianten durchprobiert, findet eine mit p = {p_1000:.4f} -")
+    print("  ein Wert, den jede Zeitschrift als 'hochsignifikant' druckt.")
+    print(f"  Wer {100} probiert, findet p = {p_100:.4f} und eine Sharpe-Kennzahl")
+    print(f"  von {sharpe_100:.2f} - damit geht man zum Vorgesetzten.")
+    print("  Und keine dieser Strategien hat auch nur den Hauch eines Vorteils.")
+    print()
+    print("Die LETZTE Spalte bleibt dagegen konstant bei rund 5 %. Das ist kein")
+    print("Widerspruch, sondern die Definition: Ein Test zum 5-%-Niveau irrt in")
+    print("5 % der Faelle. Was sich aendert, ist nicht der Anteil, sondern die")
+    print("ANZAHL - und weil man nur die beste Strategie praesentiert, sieht man")
+    print("von allen Fehlversuchen genau einen: den erfolgreichsten.")
+
+    print("\n" + "=" * 78)
+    print("  WAS MAN DAGEGEN TUN KANN")
+    print("=" * 78)
+    print("1. ZAEHLEN. Notieren Sie, wie viele Varianten Sie ausprobiert haben -")
+    print("   auch die verworfenen, auch die 'nur mal schnell'. Ohne diese Zahl")
+    print("   ist kein p-Wert und keine Sharpe-Kennzahl interpretierbar.")
+    print()
+    print("2. KORRIGIEREN. Die Bonferroni-Korrektur teilt die Huerde durch die")
+    print("   Zahl der Versuche:")
+    for anzahl in (10, 100, 1000):
+        print(f"     bei {anzahl:5d} Versuchen: p < {NIVEAU / anzahl:.5f} statt "
+              f"p < {NIVEAU:.2f}")
+    print("   Sie ist konservativ, aber sie ist ehrlich. Fuer Handelsstrategien")
+    print("   gibt es verfeinerte Varianten (Deflated Sharpe Ratio nach Bailey")
+    print("   und Lopez de Prado), die dasselbe Prinzip verfolgen.")
+    print()
+    print("3. ZURUECKHALTEN. Legen Sie einen Zeitraum beiseite, BEVOR Sie")
+    print("   anfangen, und ruehren Sie ihn bis zum Schluss nicht an. Er ist")
+    print("   der einzige Test, den Sie nicht durch Probieren verderben koennen -")
+    print("   und er ist genau einmal verwendbar.")
+    print("=" * 78)