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/Schaetzrauschen_Demo.py

@@ -0,0 +1,96 @@
+#!/usr/bin/env python3
+
+# Schaetzrauschen_Demo.py
+"""
+Kapitel Finanzdaten: Der Error-Maximizer-Effekt im Experiment.
+
+Aufbau: Wir KENNEN die wahre Kovarianzmatrix, weil wir die Daten selbst
+erzeugen. Dann schaetzen wir sie aus endlich vielen Beobachtungen und
+vergleichen, wie gut das daraus optimierte Portfolio in der WAHREN Welt
+abschneidet - mit und ohne Shrinkage.
+
+Das ist der einzige saubere Weg, Schaetzfehler zu messen: Man braucht eine
+Wahrheit zum Vergleich, und die gibt es nur in der Simulation.
+"""
+
+import numpy as np
+from sklearn.covariance import LedoitWolf
+
+
+def erzeuge_wahre_kovarianz(n, rng):
+    """Ein-Faktor-Modell: gemeinsamer Marktfaktor plus titelspezifisches Rauschen."""
+    beta = rng.uniform(0.6, 1.4, size=n)             # Marktsensitivitaeten
+    var_markt = 0.04                                  # Marktvarianz p.a.
+    var_spezifisch = rng.uniform(0.01, 0.09, size=n)  # idiosynkratische Varianz
+    return np.outer(beta, beta) * var_markt + np.diag(var_spezifisch)
+
+
+def minimum_varianz_gewichte(sigma):
+    """Analytische GMV-Loesung: w = Sigma^-1 1 / (1' Sigma^-1 1). Ohne Restriktionen."""
+    eins = np.ones(len(sigma))
+    try:
+        loesung = np.linalg.solve(sigma, eins)
+    except np.linalg.LinAlgError:
+        loesung = np.linalg.pinv(sigma) @ eins        # falls singulaer
+    return loesung / loesung.sum()
+
+
+def portfoliovolatilitaet(w, sigma):
+    return float(np.sqrt(w @ sigma @ w))
+
+
+if __name__ == "__main__":
+    rng = np.random.default_rng(2026)
+    N = 40                                            # Anzahl Titel
+    WIEDERHOLUNGEN = 200
+
+    sigma_wahr = erzeuge_wahre_kovarianz(N, rng)
+    w_ideal = minimum_varianz_gewichte(sigma_wahr)
+    vola_ideal = portfoliovolatilitaet(w_ideal, sigma_wahr)
+
+    print("=" * 92)
+    print("  ERROR-MAXIMIZER: WIE TEUER IST SCHAETZRAUSCHEN?")
+    print("=" * 92)
+    print(f"Aufbau: {N} Titel, wahre Kovarianz bekannt (Ein-Faktor-Modell).")
+    print(f"Bestmoegliche Volatilitaet bei perfektem Wissen: "
+          f"{vola_ideal*100:.2f} % p.a.\n")
+
+    print(f"{'T (Tage)':>9} | {'T/N':>5} | {'Stichprobe':>22} | {'Ledoit-Wolf':>22} | "
+          f"{'Shrink':>7}")
+    print(f"{'':>9} | {'':>5} | {'Vola     Aufschlag':>22} | "
+          f"{'Vola     Aufschlag':>22} | {'delta':>7}")
+    print("-" * 92)
+
+    for T in [60, 120, 252, 504, 1260]:
+        vola_stichprobe, vola_lw, deltas = [], [], []
+
+        for _ in range(WIEDERHOLUNGEN):
+            # Daten aus der WAHREN Verteilung ziehen (taeglich)
+            daten = rng.multivariate_normal(np.zeros(N), sigma_wahr / 252, size=T)
+
+            # (a) Stichproben-Kovarianz
+            s_stich = np.cov(daten, rowvar=False, ddof=1) * 252
+            w_stich = minimum_varianz_gewichte(s_stich)
+
+            # (b) Ledoit-Wolf-Shrinkage
+            lw = LedoitWolf().fit(daten)
+            s_lw = lw.covariance_ * 252
+            w_lw = minimum_varianz_gewichte(s_lw)
+            deltas.append(lw.shrinkage_)
+
+            # Bewertung IMMER mit der wahren Kovarianz - das ist der Punkt
+            vola_stichprobe.append(portfoliovolatilitaet(w_stich, sigma_wahr))
+            vola_lw.append(portfoliovolatilitaet(w_lw, sigma_wahr))
+
+        m_stich, m_lw = np.mean(vola_stichprobe), np.mean(vola_lw)
+        print(f"{T:>9} | {T/N:>5.1f} | {m_stich*100:>8.2f} % "
+              f"{(m_stich/vola_ideal-1)*100:>+9.1f} % | "
+              f"{m_lw*100:>8.2f} % {(m_lw/vola_ideal-1)*100:>+9.1f} % | "
+              f"{np.mean(deltas):>7.3f}")
+
+    print("-" * 92)
+    print("'Aufschlag' = wie viel mehr Risiko das Portfolio in der WAHREN Welt traegt,")
+    print("verglichen mit dem Portfolio bei perfektem Wissen.")
+    print("Lesart: Je kleiner T/N, desto teurer das Schaetzrauschen - und desto mehr")
+    print("schrumpft Ledoit-Wolf (delta steigt).")
+    print("=" * 92)