diff --git a/CLAUDE.md b/CLAUDE.md
index 465d639..7e29bbf 100644
--- a/CLAUDE.md
+++ b/CLAUDE.md
@@ -63,6 +63,7 @@ cd Version_04
 python3 Operations_Research_mit_Python_Version_04/build_version_04.py --check    # nur prüfen
 python3 Operations_Research_mit_Python_Version_04/build_version_04.py --pdf --html
 python3 Operations_Research_mit_Python_Version_04/extract_programme_04.py
+python3 Operations_Research_mit_Python_Version_04/erzeuge_glossar_04.py     # Anhang E
 python3 Operations_Research_mit_Python_Version_04/veroeffentliche_04.py           # hochladen
 ```
 
@@ -109,6 +110,15 @@ bewacht jede Familie. Konkret:
   einer bereits nummerierten Überschrift. Verwiesen wird auf
   `{ref:sec:<kapitel>-denkfehler}`.
 * Im Fließtext `{ref:<label>}`, nie eine Literalzahl.
+* **Das Glossar (Anhang E) wird erzeugt.** Die 234 Einträge stehen in
+  `glossar_eintraege_04.py` als Viertupel *(Anzeigename, Indexmarke, Definition,
+  Verweisziel)*; `erzeuge_glossar_04.py` schreibt daraus `94_Anhang_Glossar.md`. Die `.md`
+  **nicht** von Hand bearbeiten — `--check` bemerkt es und nennt die Quelle. Der Erzeuger
+  prüft außerdem gegen das Buch: Jede Indexmarke muss dort buchstabengetreu vorkommen (sonst
+  entstünde ein zweiter Registereintrag für dasselbe Konzept), jedes `{ref:}`-Ziel muss
+  existieren, und kein Verweis darf auf das Glossar selbst zeigen. Begriffe, die es nur im
+  Glossar gibt, stehen ausdrücklich in `NUR_IM_GLOSSAR` — sonst ließe sich ein solcher Fall
+  nicht von einem Tippfehler unterscheiden.
 * **Der Titeltext steht in `Kritik_und_Verbesserungsvorschlaege/NEUER_TITEL.md`** und
   nirgends sonst. `titeltexte_04.py` liest ihn; die PDF-Titelseite
   (`bilder_04/erzeuge_titelseite.py`) und der Hero-Block der Startseite
diff --git a/Operations_Research_mit_Python_Version_04/build_version_04.py b/Operations_Research_mit_Python_Version_04/build_version_04.py
index 4c74732..3c00e1e 100644
--- a/Operations_Research_mit_Python_Version_04/build_version_04.py
+++ b/Operations_Research_mit_Python_Version_04/build_version_04.py
@@ -409,9 +409,27 @@ def pruefe_dateien() -> list[str]:
 
     fehlend.extend(pruefe_assets())
     fehlend.extend(pruefe_titeltexte())
+    fehlend.extend(pruefe_glossar())
     return fehlend
 
 
+def pruefe_glossar() -> list[str]:
+    """Ruft erzeuge_glossar_04.py --check auf.
+
+    Das Glossar wird aus glossar_eintraege_04.py erzeugt. Ohne diese Kopplung
+    an --check faellt eine veraltete oder von Hand bearbeitete Datei erst auf,
+    wenn jemand den Erzeuger zufaellig laufen laesst."""
+    skript = os.path.join(HIER, "erzeuge_glossar_04.py")
+    if not os.path.exists(skript):
+        return []
+    ergebnis = subprocess.run([sys.executable, skript, "--check"],
+                              capture_output=True, text=True)
+    if ergebnis.returncode == 0:
+        return []
+    print(ergebnis.stdout.rstrip() or ergebnis.stderr.rstrip())
+    return ["94_Anhang_Glossar.md"]
+
+
 # Die Datei, die den Titeltext ein viertes Mal traegt: als Buchtext, den ein
 # Leser im Vorwort sieht. Erzeugt wird er dort NICHT - er steht mit
 # Hervorhebungen im Fliesstext und gehoert dem Autor. Aber er wird geprueft.
diff --git a/Operations_Research_mit_Python_Version_04/erzeuge_glossar_04.py b/Operations_Research_mit_Python_Version_04/erzeuge_glossar_04.py
new file mode 100755
index 0000000..43b5f8e
--- /dev/null
+++ b/Operations_Research_mit_Python_Version_04/erzeuge_glossar_04.py
@@ -0,0 +1,246 @@
+#!/usr/bin/env python3
+
+# erzeuge_glossar_04.py
+"""
+Schreibt 94_Anhang_Glossar.md aus glossar_eintraege_04.py.
+
+Warum erzeugt und nicht von Hand gepflegt: Vier Dinge sollen mechanisch
+stimmen, nicht nach Aufmerksamkeit.
+
+  1. Die Sortierung nach deutschem Alphabet - Umlaute wie der Grundbuchstabe,
+     'ss' fuer das scharfe s.
+  2. Die Gruppierung unter '## <Buchstabe>'-Ueberschriften. Sie werden NICHT
+     nummeriert, weil ABSCHNITT_RE im Bauskript ein '{#sec:}'-Label verlangt,
+     das hier fehlt.
+  3. Genau eine Indexmarke je Eintrag, buchstabengetreu zur Schreibweise im
+     Buch. Weicht sie ab, entstehen zwei Registereintraege fuer dasselbe
+     Konzept - der haeufigste stille Fehler bei einem Glossar dieser Groesse.
+  4. Ein aufgeloester Verweis je Eintrag, keiner davon auf das Glossar selbst.
+
+Geprueft wird ausserdem gegen das Buch: Jede Indexmarke muss dort vorkommen,
+jedes {ref:}-Ziel muss existieren. Beides bricht den Lauf ab, statt eine
+kaputte Datei zu schreiben.
+
+Aufruf (aus dem Wurzelverzeichnis Version_04):
+    python3 Operations_Research_mit_Python_Version_04/erzeuge_glossar_04.py
+    python3 .../erzeuge_glossar_04.py --check   # nur pruefen, nichts schreiben
+
+'--check' meldet auch, wenn 94_Anhang_Glossar.md von Hand geaendert wurde:
+Diese Aenderung ginge beim naechsten Lauf verloren und gehoert in
+glossar_eintraege_04.py.
+"""
+
+import argparse
+import os
+import re
+import sys
+import textwrap
+
+HIER = os.path.dirname(os.path.abspath(__file__))
+BASIS = os.path.dirname(HIER)
+sys.path.insert(0, HIER)
+
+from glossar_eintraege_04 import EINTRAEGE          # noqa: E402
+
+ZIEL = os.path.join(HIER, "94_Anhang_Glossar.md")
+
+KOPFZEILE = "# Anhang: Glossar {#anhang:glossar}"
+EINLEITUNG = (
+    "Nachschlagewerk zu allen Fachbegriffen, Abkürzungen, Algorithmen und Bibliotheken "
+    "dieses Buchs. Jeder Eintrag nennt am Ende den Abschnitt, in dem der Begriff eingeführt "
+    "wird — ein Klick dorthin führt in der Online-Fassung direkt zur Erklärung im "
+    "Zusammenhang. Wer einen Begriff an *allen* Fundstellen sucht, benutzt das "
+    "Stichwortverzeichnis.")
+SCHLUSS = ("*Weiter mit:* [{ref:anhang:literatur} — Literaturverzeichnis]"
+           "(95_Anhang_Literatur.md)")
+
+# Deutsche Sortierung: Umlaute zaehlen wie ihr Grundbuchstabe.
+UMLAUTE = str.maketrans({"ä": "a", "ö": "o", "ü": "u", "Ä": "A", "Ö": "O",
+                         "Ü": "U", "ß": "ss", "é": "e", "è": "e"})
+
+BREITE = 96          # Zeilenbreite wie in den uebrigen Kapiteldateien
+
+# Begriffe, die im Buchtext NICHT mit {idx:} markiert sind und deren einzige
+# Registerfundstelle deshalb das Glossar ist. Das ist zulaessig - der Leser
+# findet den Begriff dann eben hier. Die Liste ist trotzdem ausdruecklich
+# aufgefuehrt, weil sich ein solcher Fall sonst nicht von einem Tippfehler
+# unterscheiden liesse: Beides sieht wie "Marke kommt im Buch nicht vor" aus.
+# Wer einen Begriff neu aufnimmt, dessen Marke hier fehlt, bekommt einen
+# Abbruch und muss sich entscheiden - Schreibweise korrigieren oder Begriff
+# hier eintragen.
+NUR_IM_GLOSSAR = frozenset({
+    "Alternativoptima",
+    "Binärvariable",
+    "CP-SAT",
+    "Calmar Ratio",
+    "Dualitätstheorie",
+    "Explainable OR",
+    "Kanonische Standardform",
+    "Kohärentes Risikomaß",
+    "Lagrange-Multiplikator",
+    "Lineare Programmierung (LP)",
+    "Maximum Drawdown",
+    "Nichtlineare Programmierung (NLP)",
+    "Pivotisierung",
+    "Positiv (semi-)definit",
+    "Rebalancing",
+    "Regime-Shift",
+    "Relaxation",
+    "Schätzfehler",
+    "Solver-Status",
+    "Transaktionskosten",
+    "Unsicherheitsmenge",
+    "Vehicle Routing Problem (VRP)",
+    "Volatilität",
+    "Wurzel-Zeit-Regel",
+})
+
+
+def sortierschluessel(name: str) -> tuple:
+    rein = re.sub(r"[^A-Za-z0-9 ]", "", name.translate(UMLAUTE))
+    return (rein.upper(), name)
+
+
+def anfangsbuchstabe(name: str) -> str:
+    return name.translate(UMLAUTE)[0].upper()
+
+
+def lies_buch() -> tuple[set[str], set[str]]:
+    """Sammelt aus den Kapiteldateien alle Indexbegriffe und alle Labels.
+
+    Importiert wird dafuer build_version_04.py - dessen DATEIEN-Liste ist die
+    einzige Stelle, an der die Reihenfolge und Vollstaendigkeit des Buchs
+    steht."""
+    import build_version_04 as b
+
+    begriffe: set[str] = set()
+    labels: set[str] = set()
+    for name in b.DATEIEN:
+        pfad = os.path.join(HIER, name)
+        if not os.path.exists(pfad):
+            continue
+        with open(pfad, encoding="utf-8") as f:
+            text = f.read()
+        if name == os.path.basename(ZIEL):
+            # Das Glossar selbst zaehlt nicht als Fundstelle - sonst gaelte
+            # jeder Begriff als belegt, nur weil er hier steht.
+            labels |= set(re.findall(r"\{#([\w:-]+)\}", text))
+            continue
+        begriffe |= {m.split("!")[0].strip()
+                     for m in re.findall(r"\{idx:([^}]+)\}", text)}
+        labels |= set(re.findall(r"\{#([\w:-]+)\}", text))
+    return begriffe, labels
+
+
+def pruefe(begriffe: set[str], labels: set[str]) -> list[str]:
+    fehler: list[str] = []
+    gesehen: set[str] = set()
+
+    for name, idx, text, ziel in EINTRAEGE:
+        if name in gesehen:
+            fehler.append(f"Doppelter Eintrag: {name!r}")
+        gesehen.add(name)
+
+        if idx:
+            kern = idx.split("!")[0].strip()
+            if kern not in begriffe and kern not in NUR_IM_GLOSSAR:
+                fehler.append(
+                    f"{name!r}: Die Indexmarke {idx!r} kommt im Buchtext nicht vor "
+                    f"und steht nicht in NUR_IM_GLOSSAR.\n"
+                    f"        Entweder ist die Schreibweise falsch - dann entstuende "
+                    f"ein zweiter Registereintrag fuer dasselbe Konzept -,\n"
+                    f"        oder der Begriff wird bewusst nur hier gefuehrt; dann "
+                    f"gehoert er in NUR_IM_GLOSSAR.")
+
+        m = re.fullmatch(r"\{ref:([\w:-]+)\}", ziel)
+        if m:
+            if m.group(1) == "anhang:glossar":
+                fehler.append(f"{name!r}: Der Verweis zeigt auf das Glossar selbst.")
+            elif m.group(1) not in labels:
+                fehler.append(f"{name!r}: Unbekanntes Verweisziel {m.group(1)!r}.")
+        elif not re.fullmatch(r"\[[^\]]+\]\([\w.]+\.md\)", ziel):
+            fehler.append(f"{name!r}: Verweisziel ist weder eine {{ref:}}-Marke "
+                          f"noch ein Dateilink: {ziel!r}")
+
+        saetze = len(re.findall(r"[.!?](?:\s|$)", text))
+        if saetze < 2:
+            fehler.append(f"{name!r}: Definition hat nur {saetze} Satz - "
+                          f"zwei bis vier sind vorgesehen.")
+    return fehler
+
+
+def baue() -> str:
+    def absatz(text: str) -> str:
+        return "\n".join(textwrap.wrap(text, width=BREITE,
+                                       break_long_words=False,
+                                       break_on_hyphens=False))
+
+    zeilen = [KOPFZEILE, "", absatz(EINLEITUNG), ""]
+    letzter = None
+    for name, idx, text, ziel in sorted(EINTRAEGE,
+                                        key=lambda e: sortierschluessel(e[0])):
+        buchstabe = anfangsbuchstabe(name)
+        if buchstabe != letzter:
+            zeilen += [f"## {buchstabe}", ""]
+            letzter = buchstabe
+        marke = "{idx:" + idx + "}" if idx else ""
+        zeilen += [absatz(f"**{name}**{marke} — {text} → {ziel}"), ""]
+    zeilen += ["---", "", SCHLUSS, ""]
+    return "\n".join(zeilen)
+
+
+def main() -> int:
+    zerleger = argparse.ArgumentParser(
+        description="Erzeugt 94_Anhang_Glossar.md aus glossar_eintraege_04.py.")
+    zerleger.add_argument("--check", action="store_true",
+                          help="nur pruefen, keine Datei schreiben")
+    argumente = zerleger.parse_args()
+
+    begriffe, labels = lies_buch()
+    fehler = pruefe(begriffe, labels)
+    if fehler:
+        for f in fehler:
+            print(f"FEHLER: {f}")
+        return 1
+
+    neu = baue()
+    vorhanden = ""
+    if os.path.exists(ZIEL):
+        with open(ZIEL, encoding="utf-8") as f:
+            vorhanden = f.read()
+
+    if vorhanden == neu:
+        print(f"Glossar unveraendert: {len(EINTRAEGE)} Eintraege.")
+        return 0
+
+    if argumente.check:
+        # Die Datei weicht ab. Ist sie juenger als ihre Quelle, hat jemand sie
+        # von Hand bearbeitet - dieselbe Falle wie bei den Website-Assets, und
+        # deshalb dieselbe Behandlung: benennen statt stillschweigend
+        # ueberschreiben.
+        quelle = os.path.join(HIER, "glossar_eintraege_04.py")
+        if vorhanden and os.path.getmtime(ZIEL) > os.path.getmtime(quelle):
+            print(f"FEHLER: {os.path.basename(ZIEL)} ist neuer als "
+                  f"{os.path.basename(quelle)} und weicht davon ab - "
+                  f"offenbar von Hand bearbeitet.\n"
+                  f"        Die Aenderung gehoert in die Quelle, sonst geht sie "
+                  f"beim naechsten Lauf verloren.")
+        else:
+            print(f"FEHLER: {os.path.basename(ZIEL)} ist veraltet - ein Lauf "
+                  f"ohne --check zieht sie nach.")
+        return 1
+
+    with open(ZIEL, "w", encoding="utf-8") as f:
+        f.write(neu)
+
+    buchstaben = sorted({anfangsbuchstabe(n) for n, _, _, _ in EINTRAEGE})
+    mit_marke = sum(1 for _, i, _, _ in EINTRAEGE if i)
+    print(f"Geschrieben: {os.path.relpath(ZIEL, BASIS)}")
+    print(f"  {len(EINTRAEGE)} Eintraege, {len(buchstaben)} Buchstabengruppen "
+          f"({' '.join(buchstaben)})")
+    print(f"  {mit_marke} Indexmarken, alle im Buchtext belegt")
+    return 0
+
+
+if __name__ == "__main__":
+    sys.exit(main())
diff --git a/Operations_Research_mit_Python_Version_04/glossar_eintraege_04.py b/Operations_Research_mit_Python_Version_04/glossar_eintraege_04.py
new file mode 100644
index 0000000..576ba4d
--- /dev/null
+++ b/Operations_Research_mit_Python_Version_04/glossar_eintraege_04.py
@@ -0,0 +1,1420 @@
+#!/usr/bin/env python3
+
+# glossar_eintraege_04.py
+"""
+Die Eintraege des Glossars (Anhang E) - die QUELLE, aus der
+erzeuge_glossar_04.py die Datei 94_Anhang_Glossar.md schreibt.
+
+Ein Eintrag ist ein Viertupel:
+
+    (Anzeigename, Indexmarke, Definition, Verweisziel)
+
+* Anzeigename   Wie der Begriff im Glossar erscheint. Danach wird sortiert -
+                nach deutschem Alphabet, Umlaute wie der Grundbuchstabe.
+* Indexmarke    Der Text fuer {idx:...}. Er MUSS buchstabengetreu der
+                Schreibweise im Buch entsprechen, sonst entsteht ein zweiter
+                Registereintrag fuer dasselbe Konzept. Leerstring = der
+                Begriff kommt im Buchtext nicht als Indexmarke vor.
+* Definition    Zwei bis vier Saetze, ohne den abschliessenden Verweis.
+* Verweisziel   Entweder eine {ref:...}-Marke oder ein Dateilink. Es zeigt
+                dorthin, wo der Begriff ERKLAERT wird - nicht unbedingt
+                dorthin, wo er zuerst vorkommt. Beides faellt oft auseinander:
+                "Schattenpreis" faellt erstmals im LP-Schnellstart, erklaert
+                wird er im Abschnitt ueber Dualitaet.
+
+Neuen Begriff aufnehmen: Tupel hier ergaenzen, dann
+
+    python3 Operations_Research_mit_Python_Version_04/erzeuge_glossar_04.py
+
+Die Datei 94_Anhang_Glossar.md NICHT von Hand bearbeiten - der Erzeuger
+ueberschreibt sie und bricht ab, wenn er eine Handaenderung bemerkt.
+"""
+
+EINTRAEGE = [
+
+("Absolutbetrag", "Absolutbetrag (Modellierungsmuster)",
+  "Modellierungsmuster für $|x-z|$: Der Betrag selbst ist nicht linear, lässt sich aber "
+  "durch eine Hilfsvariable $d$ mit den beiden Bedingungen $x-z \\le d$ und $z-x \\le d$ "
+  "ersetzen. Das funktioniert nur, wenn $d$ minimiert wird — sonst bleibt die Schranke "
+  "unausgeschöpft.",
+ "{ref:anhang:modellierungsmuster}"),
+
+("Adjusted Close", "Adjusted Close",
+  "Um Dividenden und Splits bereinigter Schlusskurs. Nur mit ihm sind Renditen über "
+  "längere Zeiträume vergleichbar; der unbereinigte Schlusskurs erzeugt an jedem "
+  "Ausschüttungstag einen Scheinverlust.",
+ "{ref:sec:finanzdaten-diskrete-und-logarithmische-renditen}"),
+
+("Aktivierungsschalter", "Aktivierungsschalter (Modellierungsmuster)",
+  "Modellierungsmuster, das eine kontinuierliche Größe an eine Binärvariable koppelt: "
+  "$x \\le M\\,y$ erlaubt $x > 0$ nur, wenn $y = 1$ ist. Grundbaustein für Fixkosten, "
+  "Standortentscheidungen und Mindestmengen.",
+ "{ref:anhang:modellierungsmuster}"),
+
+("Almgren-Chriss-Modell", "Almgren-Chriss-Modell",
+  "Standardmodell der optimalen Orderausführung. Es löst den Zielkonflikt zwischen "
+  "Marktauswirkung bei schnellem Handeln und Volatilitätsrisiko bei langsamem Handeln "
+  "und liefert einen Ausführungsplan über mehrere Perioden.",
+ "{ref:sec:dynamische-programmierung-das-almgren-chriss-problem-optimale-orderausfuehrung}"),
+
+("Alternativoptima", "Alternativoptima",
+  "Mehrere Lösungen mit identischem Zielfunktionswert. Sie treten auf, wenn die "
+  "Zielfunktion parallel zu einer Kante des Polyeders verläuft oder die Matrix des "
+  "quadratischen Terms nur semidefinit ist. Der Solver meldet dann eine beliebige davon "
+  "— zwei Läufe können unterschiedlich aussehen und trotzdem beide optimal sein.",
+ "{ref:sec:qp-nlp-das-quadratische-programm-qp}"),
+
+("Approximate Dynamic Programming", "Approximate Dynamic Programming",
+  "Sammelbegriff für Verfahren, die die Wertfunktion der dynamischen Programmierung "
+  "nicht exakt tabellieren, sondern annähern — etwa durch Regression oder ein "
+  "neuronales Netz. Antwort auf den Fluch der Dimensionalität, wenn der Zustandsraum zu "
+  "groß zum Durchzählen wird.",
+ "{ref:sec:praxisfallen-weiterfuehrende-literatur-und-roadmap}"),
+
+("Bedingte Kopplung", "Bedingte Kopplung (Konjunktion)",
+  "Modellierungsmuster für „wenn A **und** B, dann C“. Umgesetzt über $y_C \\ge y_A + "
+  "y_B - 1$: Nur wenn beide Voraussetzungen gesetzt sind, wird die Folge erzwungen.",
+ "{ref:anhang:modellierungsmuster}"),
+
+("Bellman-Gleichung", "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. "
+  "Sie zerlegt eine mehrstufige Entscheidung in eine Kette einstufiger.",
+ "{ref:sec:dynamische-programmierung-das-bellmansche-optimalitaetsprinzip}"),
+
+("Benders-Zerlegung", "Benders-Zerlegung",
+  "Dekompositionsverfahren für Probleme mit wenigen „schweren“ und vielen „leichten“ "
+  "Variablen. Ein Masterproblem entscheidet über die schweren, ein Subproblem über den "
+  "Rest und schickt Schnitte (Benders-Cuts) zurück, bis beide übereinstimmen.",
+ "{ref:sec:praxisfallen-weiterfuehrende-literatur-und-roadmap}"),
+
+("Big-M-Methode", "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: Große Werte weichen die Relaxation auf, verschlechtern die Laufzeit und "
+  "können zu Trickle Flow führen.",
+ "{ref:sec:milp-modellierungstricks-big-m-und-logische-bedingungen}"),
+
+("Binärvariable", "Binärvariable",
+  "Entscheidungsvariable mit Wertebereich $\\{0,1\\}$. Sie schaltet Fixkosten, "
+  "Kapazitäten oder logische Alternativen an und aus und macht aus einem linearen "
+  "Programm ein gemischt-ganzzahliges.",
+ "{ref:sec:einfuehrung-die-vier-universellen-bausteine-jedes-or}"),
+
+("Bipartites Matching", "Bipartites Matching",
+  "Zuordnung zwischen zwei disjunkten Mengen — etwa Personen und Aufgaben — mit "
+  "maximalem Nutzen oder minimalen Kosten. Klassisch gelöst durch den Ungarischen "
+  "Algorithmus; die Modellmatrix ist total unimodular, weshalb schon das LP ganzzahlige "
+  "Ecken hat.",
+ "{ref:sec:graphen-bipartites-matching-das-zuordnungsproblem}"),
+
+("Black-Box-Effekt", "Black-Box-Effekt",
+  "Ablehnung eines Optimierungssystems, weil seine Entscheidungen nicht nachvollziehbar "
+  "sind. Gegenmittel sind ein Constraint-Trace für Einzelentscheidungen und eine "
+  "Kostenzerlegung für Bewertungen. Akzeptanz ist keine Nebensache, sondern "
+  "Betriebsvoraussetzung.",
+ "{ref:sec:praxisfallen-die-fuenf-typischen-praxisfallen}"),
+
+("Branch-and-Bound", "Branch-and-Bound",
+  "Exaktes Verfahren für ganzzahlige Probleme: Der Suchraum wird rekursiv zerlegt "
+  "(Branching), und ein Zweig wird verworfen, sobald seine Relaxation schlechter ist "
+  "als die beste bekannte Lösung (Bounding). Ohne das Abschneiden wäre es bloßes "
+  "Durchprobieren.",
+ "{ref:sec:milp-branch-and-bound}"),
+
+("Branch-and-Cut", "Branch-and-Cut",
+  "Kombination aus Branch-and-Bound und Schnittebenenverfahren: In den Knoten des "
+  "Suchbaums werden zusätzlich gültige Ungleichungen erzeugt, die gebrochene Lösungen "
+  "abschneiden. Der Standardalgorithmus heutiger MILP-Solver.",
+ "{ref:sec:oekosystem-die-zwei-schichten-architektur}"),
+
+("Brute Force", "Brute Force",
+  "Vollständiges Durchprobieren aller Möglichkeiten. Für kleine Instanzen ein "
+  "nützlicher Kontrollwert, in der Praxis meist chancenlos: Schon 20 binäre "
+  "Entscheidungen ergeben über eine Million Kombinationen.",
+ "{ref:sec:einfuehrung-was-ist-operations-research-wirklich}"),
+
+("Budgeted Uncertainty", "Budgeted Uncertainty",
+  "Robustheitsansatz nach Bertsimas und Sim: Höchstens $\\Gamma$ von $n$ Parametern "
+  "nehmen gleichzeitig ihren ungünstigsten Wert an. Der Parameter $\\Gamma$ regelt "
+  "stufenlos, wie vorsichtig die Lösung wird — bei $\\Gamma = 0$ nominal, bei $\\Gamma = "
+  "n$ maximal pessimistisch.",
+ "{ref:sec:unsicherheit-robuste-optimierung-gegen-den-worst-case}"),
+
+("Budgetlimit", "Budgetlimit",
+  "Nebenbedingung, die die Summe gewichteter Entscheidungen nach oben begrenzt. Der "
+  "zugehörige Schattenpreis beantwortet unmittelbar, was eine zusätzliche Budgeteinheit "
+  "einbrächte.",
+ "{ref:anhang:modellierungsmuster}"),
+
+("Calmar Ratio", "Calmar Ratio",
+  "Jahresrendite geteilt durch den Betrag des maximalen Drawdowns. Ergänzt die Sharpe "
+  "Ratio um die Verlustperspektive: Sie misst Ertrag je Einheit des schlimmsten "
+  "erlebten Rückschlags statt je Einheit Schwankung.",
+ "{ref:sec:handelsmaschine-die-engine}"),
+
+("CDCL", "CDCL",
+  "*Conflict-Driven Clause Learning* — das Suchprinzip moderner SAT-Solver. Aus jedem "
+  "Widerspruch wird eine Sperrklausel abgeleitet, die verhindert, dass dieselbe "
+  "Sackgasse erneut betreten wird; anschließend springt die Suche gezielt zurück statt "
+  "Schritt für Schritt.",
+ "{ref:sec:cpsat-ein-anderes-denkmodell}"),
+
+("Chance Constraint", "Chance Constraint",
+  "Nebenbedingung, die nicht immer, sondern nur mit vorgegebener Wahrscheinlichkeit "
+  "gelten muss — etwa „die Versorgung reicht in 95 % der Fälle“. Bei normalverteilter "
+  "Unsicherheit wird daraus eine konische Bedingung, sonst hilft eine szenariobasierte "
+  "Big-M-Formulierung.",
+ "{ref:sec:unsicherheit-chance-constraints}"),
+
+("Column Generation", "Column Generation",
+  "Verfahren für Modelle mit sehr vielen Variablen: Gerechnet wird auf einer kleinen "
+  "Teilmenge, und ein Preisproblem sucht wiederholt die eine Spalte, die sich noch "
+  "lohnt. Erst wenn keine mehr existiert, ist das Optimum bewiesen.",
+ "{ref:sec:metaheuristiken-abgrenzung}"),
+
+("Conditional Value at Risk (CVaR)", "Conditional Value at Risk (CVaR)",
+  "Erwarteter Verlust in den schlechtesten Szenarien jenseits des Value at Risk. Anders "
+  "als der VaR ist der CVaR kohärent und subadditiv und lässt sich nach Rockafellar und "
+  "Uryasev exakt als lineares Programm formulieren.",
+ "{ref:sec:cvar-value-at-risk-und-conditional-value}"),
+
+("Conflict Learning", "CDCL!Conflict Learning",
+  "Technik moderner SAT- und CP-Solver, aus jedem erkannten Widerspruch eine "
+  "Sperrklausel abzuleiten. Der Solver lernt so aus Fehlschlägen, statt gleichartige "
+  "Sackgassen immer wieder zu durchsuchen.",
+ "{ref:sec:cpsat-ein-anderes-denkmodell}"),
+
+("Constraint Attribution", "Constraint Attribution",
+  "Diagnoseverfahren für den häufigsten Praxisfall: Das Modell rechnet, der Plan ist "
+  "zulässig — und trotzdem enttäuschend. Jede Bedingungsgruppe wird einzeln gelockert "
+  "und gemessen, wie sich der Zielwert ändert. Dasselbe Vorgehen wie der Deletion "
+  "Filter, nur mit Kosten statt Zulässigkeit als Kriterium.",
+ "{ref:sec:praxisfallen-attribution}"),
+
+("Constraint Programming (CP)", "Constraint Programming (CP)",
+  "Paradigma, das nicht über Zielfunktionsgradienten, sondern über logische "
+  "Verträglichkeit sucht: Constraints schränken Wertebereiche ein, bis eine zulässige "
+  "Belegung gefunden ist. Stark bei Reihenfolgen, Schichtplänen und "
+  "Ressourcenkonflikten.",
+ "{ref:sec:cpsat-ein-anderes-denkmodell}"),
+
+("Constraint Propagation", "Constraint Propagation",
+  "Kernmechanismus von CP-Solvern: Aus einer Zuweisung werden unmögliche Werte anderer "
+  "Variablen sofort entfernt. Der Suchbaum schrumpft dadurch, bevor er überhaupt "
+  "durchsucht wird. Genau hier liegt der Vorteil globaler Constraints — ihre "
+  "Propagatoren schließen weit mehr Werte aus als die gleichwertige Menge einzelner "
+  "Ungleichungen.",
+ "{ref:sec:cpsat-ein-anderes-denkmodell}"),
+
+("Constraint-Trace", "Constraint-Trace",
+  "Nachvollziehbare Begründung einer einzelnen Solver-Entscheidung — „Warum bekommt "
+  "Person A die Stunde und nicht Person B?“ — anhand der bindenden Bedingungen und "
+  "Strafpunkte. Das Gegenmittel zum Black-Box-Effekt.",
+ "{ref:sec:praxisfallen-die-fuenf-typischen-praxisfallen}"),
+
+("CP-SAT", "CP-SAT",
+  "Constraint-Programming-Solver von OR-Tools. Er übersetzt ein Modell in boolesche "
+  "Erfüllbarkeit und löst es mit Propagation, Conflict Learning und paralleler Suche. "
+  "Für Reihenfolge- und Zuordnungsprobleme meist schneller als ein MILP-Solver.",
+ "{ref:sec:cpsat-ein-anderes-denkmodell}"),
+
+("CP-SAT-Solver", "CP-SAT-Solver",
+  "Die Solver-Komponente von OR-Tools, angesprochen über `cp_model.CpSolver()`. Sie "
+  "liefert neben der Lösung Statuscode, Laufzeit und die beste bekannte Schranke und "
+  "lässt sich über `num_workers` auf mehrere Kerne verteilen.",
+ "{ref:sec:cpsat-ein-anderes-denkmodell}"),
+
+("CSR-Format", "CSR-Format",
+  "*Compressed Sparse Row* — Speicherformat für dünn besetzte Matrizen, das nur die von "
+  "null verschiedenen Einträge samt ihrer Positionen ablegt. Für Optimierungsmodelle "
+  "mit zehntausenden Nebenbedingungen der Unterschied zwischen passt und passt nicht in "
+  "den Speicher.",
+ "{ref:sec:oekosystem-ein-system-vier-programmieransaetze}"),
+
+("CVRPTW", "CVRPTW",
+  "*Capacitated Vehicle Routing Problem with Time Windows* — Tourenplanung mit einer "
+  "Flotte, Kapazitätsgrenzen je Fahrzeug und Zeitfenstern je Kunde. Die praxisnahe "
+  "Variante des VRP und Standardfall der Routing-Bibliothek von OR-Tools.",
+ "{ref:sec:graphen-das-vehicle-routing-problem-mit-zeitfenstern}"),
+
+("CVXPY", "CVXPY",
+  "Modellierungssprache für konvexe Optimierung. Sie schreibt das Problem in "
+  "mathematiknaher Notation, prüft die Konvexität nach den Regeln der Disciplined "
+  "Convex Programming und reicht es an einen passenden Solver weiter.",
+ "{ref:sec:oekosystem-die-werkzeuge-im-vergleich}"),
+
+("Data Snooping", "Data Snooping",
+  "Wiederholtes Ausprobieren von Strategien auf denselben Daten, bis eine gut aussieht. "
+  "Der Fund ist dann eine Eigenschaft der Stichprobe, nicht des Marktes — gefährlicher "
+  "als ein Programmierfehler, weil das Ergebnis plausibel wirkt.",
+ "{ref:sec:handelsmaschine-die-fuenf-selbsttaeuschungen-des-backtestens}"),
+
+("DCPError", "DCPError",
+  "Fehlermeldung von CVXPY, wenn ein Ausdruck die Regeln der *Disciplined Convex "
+  "Programming* verletzt. Sie besagt nicht, dass das Problem unlösbar ist, sondern dass "
+  "CVXPY die Konvexität nicht nachweisen kann — meist hilft eine äquivalente Umformung.",
+ "{ref:anhang:fehlerdiagnose}"),
+
+("Deletion Filter", "Deletion Filter",
+  "Verfahren zur Eingrenzung von Unlösbarkeit. Es fragt nicht „ist *diese* Bedingung "
+  "schuld?“, sondern „wird *diese* Bedingung für den Widerspruch überhaupt gebraucht?“, "
+  "und findet dadurch auch dann eine minimale unlösbare Teilmenge, wenn sich mehrere "
+  "Widersprüche überlagern.",
+ "{ref:anhang:fehlerdiagnose}"),
+
+("Diskrete Rendite", "Diskrete Rendite",
+  "Einfache Rendite $(P_t - P_{t-1})/P_{t-1}$. Sie ist **über Titel** additiv und "
+  "deshalb die richtige Wahl für Portfoliogewichte — anders als die logarithmische "
+  "Rendite, die über die Zeit additiv ist.",
+ "{ref:sec:finanzdaten-diskrete-und-logarithmische-renditen}"),
+
+("Diversifikation", "Diversifikation",
+  "Risikoreduktion durch Verteilung auf Titel, deren Renditen nicht vollständig "
+  "gleichlaufen. Der Effekt steckt vollständig in den Kovarianzen: Bei Korrelation 1 "
+  "verschwindet er, bei negativer Korrelation ist er am größten.",
+ "{ref:sec:markowitz-warum-diversifikation-funktioniert}"),
+
+("Dual Simplex", "Dual Simplex",
+  "Variante des Simplex-Verfahrens, die eine dual zulässige Basis beibehält und die "
+  "primale Zulässigkeit herstellt. Das Verfahren der Wahl beim Warm-Start, etwa in "
+  "jedem Knoten eines Branch-and-Bound-Baums.",
+ "{ref:sec:oekosystem-die-zwei-schichten-architektur}"),
+
+("Duales Problem", "Duales Problem",
+  "Das jedem Optimierungsproblem zugeordnete Gegenstück, dessen Variablen die "
+  "Nebenbedingungen des Originals bepreisen. Seine Optimalwerte sind die "
+  "Schattenpreise; im Optimum stimmen beide Zielfunktionswerte überein.",
+ "{ref:sec:lp-dualitaet-und-schattenpreise}"),
+
+("Dualitätstheorie", "Dualitätstheorie",
+  "Theorie des Zusammenhangs zwischen einem Optimierungsproblem und seinem Dualproblem. "
+  "Der schwache Dualitätssatz liefert stets eine Schranke, der starke besagt, dass bei "
+  "linearen Programmen beide Optima zusammenfallen.",
+ "{ref:sec:lp-dualitaet-und-schattenpreise}"),
+
+("Dynamische Programmierung (DP)", "Dynamische Programmierung",
+  "Lösungsprinzip für mehrstufige Entscheidungen: Das Problem wird in Zustände und "
+  "Stufen zerlegt und rückwärts gelöst, wobei jeder Zustand nur einmal bewertet wird. "
+  "Voraussetzung ist das Optimalitätsprinzip.",
+ "{ref:sec:dynamische-programmierung-das-bellmansche-optimalitaetsprinzip}"),
+
+("Ecke (Extrempunkt)", "Ecke (Extrempunkt)",
+  "Punkt des zulässigen Bereichs, der sich nicht als echte Mischung zweier anderer "
+  "zulässiger Punkte schreiben lässt. Nach dem Fundamentalsatz der linearen Optimierung "
+  "liegt in einer Ecke stets ein Optimum — deshalb sucht der Simplex nur dort.",
+ "{ref:sec:fundament-der-zulaessige-loesungsraum-und-das-polyeder}"),
+
+("Effizienzgrenze (Efficient Frontier)", "Effizienzgrenze",
+  "Kurve aller Portfolios, die zu gegebenem Risiko die höchste erwartete Rendite "
+  "liefern. Portfolios darunter sind dominiert, Portfolios darüber unerreichbar.",
+ "{ref:sec:markowitz-das-mean-variance-modell}"),
+
+("Entartung", "Entartung",
+  "Zustand, in dem mehr Nebenbedingungen aktiv sind, als Variablen frei bleiben. Der "
+  "Simplex kann dann Basiswechsel ohne Zielwertverbesserung durchführen, und die "
+  "Schattenpreise sind nicht mehr eindeutig — zwei Solver dürfen verschiedene, "
+  "gleichermaßen korrekte Dualwerte melden.",
+ "{ref:sec:lp-entartung}"),
+
+("Entscheidungsvariable", "Entscheidungsvariable",
+  "Die vom Solver frei wählbare Größe eines Modells. Ihr Wertebereich — kontinuierlich, "
+  "ganzzahlig oder binär — bestimmt die Problemklasse und damit den Lösungsaufwand.",
+ "{ref:sec:einfuehrung-die-vier-universellen-bausteine-jedes-or}"),
+
+("Entscheidungsvektor", "Entscheidungsvektor",
+  "Zusammenfassung aller Entscheidungsvariablen zu einem Vektor $\\mathbf{x}$. Erst "
+  "diese Schreibweise macht die kompakte Matrixform eines Modells möglich.",
+ "{ref:sec:fundament-warum-ueberhaupt-vektoren-und-matrizen}"),
+
+("Entweder-Oder-Bedingung", "Entweder-Oder-Bedingung",
+  "Modellierungsmuster für sich ausschließende Alternativen: Genau eine von mehreren "
+  "Bedingungen soll gelten. Umgesetzt über Binärvariablen mit Summe 1 und "
+  "Big-M-Kopplung an die jeweilige Bedingung.",
+ "{ref:anhang:modellierungsmuster}"),
+
+("Error-Maximizer-Effekt", "Error-Maximizer-Effekt",
+  "Eigenschaft der Mean-Variance-Optimierung, Schätzfehler zu verstärken statt "
+  "auszugleichen. Der Optimierer sucht gezielt die Richtungen mit der niedrigsten "
+  "geschätzten Varianz — und das sind genau jene, deren Varianz am stärksten "
+  "unterschätzt wurde.",
+ "{ref:sec:finanzdaten-das-schaetzfehler-problem}"),
+
+("EVPI (Expected Value of Perfect Information)", "EVPI",
+  "Differenz zwischen den erwarteten Kosten unter Unsicherheit und den Kosten bei "
+  "perfektem Wissen. Obergrenze für den Wert jeder Prognoseverbesserung: Keine noch so "
+  "gute Vorhersage kann mehr einbringen.",
+ "{ref:sec:unsicherheit-zweistufige-stochastische-programmierung}"),
+
+("Exklusiv-Oder", "Exklusiv-Oder",
+  "Modellierungsmuster für „genau eine von zwei Optionen“: $y_A + y_B = 1$. Die "
+  "Abgrenzung zum einfachen Oder ($y_A + y_B \\ge 1$) ist in der Praxis eine häufige "
+  "Fehlerquelle.",
+ "{ref:anhang:modellierungsmuster}"),
+
+("Expected Shortfall", "Expected Shortfall",
+  "Anderer Name für den Conditional Value at Risk; in der Bankenregulierung die "
+  "gebräuchliche Bezeichnung. Beide meinen den erwarteten Verlust jenseits des "
+  "VaR-Quantils.",
+ "{ref:sec:cvar-value-at-risk-und-conditional-value}"),
+
+("Explainable OR", "Explainable OR",
+  "Nachvollziehbarmachung von Solver-Ergebnissen über Schattenpreise, aktive "
+  "Restriktionen, Constraint-Trace und Kostenzerlegung. Das Gegenstück zu Explainable "
+  "AI für Optimierungsmodelle.",
+ "{ref:sec:praxisfallen-die-fuenf-typischen-praxisfallen}"),
+
+("Fallback-Strategie", "Fallback-Strategie",
+  "Festgelegtes Vorgehen für den Fall, dass der Solver kein Ergebnis liefert: letzter "
+  "gültiger Plan, regelbasierte Notlösung, Alarm. Niemals: nichts.",
+ "{ref:sec:praxisfallen-architektur-einer-produktionsreifen-or-plattform}"),
+
+("Fat Tails", "Fat Tails",
+  "Verteilungsränder, die dicker auslaufen als bei der Normalverteilung. "
+  "Extremereignisse sind dann deutlich häufiger als das Normalmodell vorhersagt — der "
+  "Grund, warum varianzbasierte Risikomaße das Verlustrisiko unterschätzen.",
+ "{ref:sec:cvar-die-zwei-schwaechen-des-markowitz-modells}"),
+
+("Fluch der Dimensionalität", "Fluch der Dimensionalität",
+  "Exponentielles Wachstum des Zustandsraums mit jeder zusätzlichen Zustandsdimension. "
+  "Es begrenzt die dynamische Programmierung und motiviert näherungsweise Verfahren.",
+ "{ref:sec:dynamische-programmierung-der-fluch-der-dimensionalitaet}"),
+
+("Fluch des Durchschnitts (Flaw of Averages)", "Fluch des Durchschnitts",
+  "Systematischer Fehler beim Planen mit Erwartungswerten statt mit Verteilungen. Das "
+  "Ergebnis der Durchschnittsrechnung ist im Allgemeinen nicht der Durchschnitt der "
+  "Ergebnisse; formal folgt das aus der Jensenschen Ungleichung.",
+ "{ref:sec:unsicherheit-der-fluch-des-durchschnitts}"),
+
+("Flusserhaltung", "Flusserhaltung",
+  "Bedingung, dass an jedem Knoten Abfluss minus Zufluss dem Saldo des Knotens "
+  "entspricht — das Kirchhoff-Gesetz der Netzwerkoptimierung. Summieren sich die Salden "
+  "nicht zu null, ist das Problem grundsätzlich unlösbar.",
+ "{ref:sec:graphen-graphen-als-modellsprache}"),
+
+("Fundamentalsatz der linearen Optimierung", "Fundamentalsatz der linearen Optimierung",
+  "Das Optimum eines lösbaren linearen Programms wird stets in mindestens einer Ecke "
+  "des zulässigen Polyeders angenommen. Die Rechtfertigung dafür, nur endlich viele "
+  "Ecken statt unendlich vieler Punkte zu prüfen.",
+ "{ref:sec:fundament-der-zulaessige-loesungsraum-und-das-polyeder}"),
+
+("Gemischt-ganzzahlige Optimierung (MILP)", "MILP",
+  "*Mixed-Integer Linear Programming* — lineares Modell mit mindestens einer "
+  "ganzzahligen oder binären Variablen. Die Ganzzahligkeit macht das Problem NP-schwer; "
+  "gelöst wird es mit Branch-and-Cut.",
+ "{ref:sec:milp-warum-runden-fundamental-scheitert}"),
+
+("Genetischer Algorithmus", "Genetischer Algorithmus",
+  "Metaheuristik, die eine Population von Lösungen durch Selektion, Rekombination und "
+  "Mutation weiterentwickelt. Sie gibt keine Optimalitätsgarantie, kommt dafür mit "
+  "Zielfunktionen zurecht, die weder linear noch differenzierbar sind.",
+ "{ref:sec:metaheuristiken-abgrenzung}"),
+
+("Gestaffelte Preise", "Gestaffelte Preise (stückweise linear)",
+  "Modellierungsmuster für Mengenrabatte und Tarifstufen. Die Menge wird in Segmente "
+  "zerlegt, jedes mit eigenem Preis; Binärvariablen erzwingen, dass ein Segment erst "
+  "genutzt wird, wenn das vorhergehende ausgeschöpft ist. Ohne diese "
+  "Reihenfolgebedingung sucht sich der Solver einfach das billigste Segment heraus.",
+ "{ref:anhang:modellierungsmuster}"),
+
+("Gini-Koeffizient", "Gini-Koeffizient",
+  "Maß für die Ungleichverteilung einer Größe zwischen 0 (alle gleich) und 1 (einer "
+  "bekommt alles). Im Buch als Fairnesskennzahl für Wunscherfüllungsquoten verwendet.",
+ "[Projektwerkstatt](59_Projektwerkstatt.md)"),
+
+("Gleitendes Fenster", "Gleitendes Fenster",
+  "Auswertung, bei der ein Zeitfenster fester Länge über die Daten geschoben wird. "
+  "Grundlage rollierender Schätzungen und des Walk-Forward-Backtests.",
+ "{ref:anhang:modellierungsmuster}"),
+
+("Globale Constraints", "Globale Constraints",
+  "Vorgefertigte Bausteine wie `AllDifferent`, `NoOverlap` oder `Cumulative`, die "
+  "häufige Strukturen kompakt ausdrücken. Ihr eigentlicher Wert sind die "
+  "spezialisierten Propagatoren, die weit mehr Werte ausschließen als die gleichwertige "
+  "Menge einzelner Ungleichungen.",
+ "{ref:sec:cpsat-globale-constraints-die-bausteine-von-cp}"),
+
+("Globales Minimum", "Globales Minimum",
+  "Der kleinste Zielfunktionswert im gesamten zulässigen Bereich. Bei konvexen "
+  "Problemen ist jedes lokale Minimum zugleich global — der Grund, warum Konvexität die "
+  "Grenze zwischen leicht und schwer markiert.",
+ "{ref:sec:fundament-konvexitaet-die-grenze-zwischen-leicht-und}"),
+
+("Global Minimum Variance Portfolio (GMV)", "GMV (Global Minimum Variance)",
+  "Portfolio kleinstmöglicher Varianz. Es benötigt **keine Renditeprognose** und ist "
+  "deshalb deutlich robuster gegen Schätzfehler als das renditemaximierende "
+  "Mean-Variance-Portfolio.",
+ "{ref:sec:markowitz-das-mean-variance-modell}"),
+
+("Goldene Regel des Backtestens", "Goldene Regel des Backtestens",
+  "Zum Zeitpunkt $t$ darf nur Information verwendet werden, die zu $t$ vorlag. Der "
+  "Selbsttest mit absichtlich manipulierter Zukunft prüft das automatisch: Wird der "
+  "Backtest dadurch besser, liegt ein Lookahead-Bias vor.",
+ "{ref:sec:handelsmaschine-zusammenfassung}"),
+
+("Gradient", "Gradient",
+  "Vektor der partiellen Ableitungen einer Funktion; er zeigt in Richtung des steilsten "
+  "Anstiegs. Gradientenbasierte Verfahren wie SLSQP nutzen ihn, um sich schrittweise an "
+  "ein Optimum heranzutasten.",
+ "{ref:sec:qp-nlp-lernziele}"),
+
+("Gurobi", "Gurobi",
+  "Kommerzieller Hochleistungssolver für LP, MILP und QP. Im Buch nicht vorausgesetzt, "
+  "aber als Referenzpunkt genannt: Über die Modellierungsschicht lässt er sich meist "
+  "durch Ändern eines einzigen Arguments einsetzen.",
+ "{ref:sec:milp-branch-and-bound}"),
+
+("Herfindahl-Index", "Herfindahl-Index",
+  "Summe der quadrierten Anteile; Maß für Konzentration. Sein Kehrwert ist die "
+  "*effektive Titelzahl* und beantwortet, auf wie viele gleich große Positionen ein "
+  "Portfolio praktisch verteilt ist.",
+ "[Projektwerkstatt](59_Projektwerkstatt.md)"),
+
+("Hierarchische Relaxation", "Hierarchische Relaxation",
+  "Gegenmittel gegen Unlösbarkeit im Betrieb: Jede harte Bedingung, die im Notfall "
+  "gebrochen werden darf, erhält eine teure Schlupfvariable. Der Solver liefert dann "
+  "immer einen Plan und zeigt zugleich präzise, wo es klemmt.",
+ "{ref:sec:praxisfallen-die-fuenf-typischen-praxisfallen}"),
+
+("HiGHS", "HiGHS",
+  "Offener Hochleistungssolver für LP, MILP und QP. Backend von "
+  "`scipy.optimize.linprog` und CVXPY, direkt ansprechbar über `highspy`.",
+ "{ref:sec:oekosystem-die-werkzeuge-im-vergleich}"),
+
+("IIS (Irreducible Infeasible Subset)", "IIS (Irreducible Infeasible Subset)",
+  "Minimale Menge von Nebenbedingungen, die zusammen unlösbar sind, deren echte "
+  "Teilmengen aber alle lösbar wären. Das präziseste Ergebnis, das eine "
+  "Unlösbarkeitsdiagnose liefern kann.",
+ "{ref:anhang:fehlerdiagnose}"),
+
+("Implikation", "Implikation (Modellierungsmuster)",
+  "Modellierungsmuster für „wenn A, dann B“: $y_B \\ge y_A$. Die Umkehrung gilt dabei "
+  "ausdrücklich nicht — $B$ darf auch ohne $A$ gesetzt sein.",
+ "{ref:anhang:modellierungsmuster}"),
+
+("Infeasibility", "Infeasibility",
+  "Zustand eines Modells ohne jede zulässige Lösung. Im Betrieb über Schlupfvariablen "
+  "mit hohem Strafgewicht aufzufangen, in der Diagnose über den Deletion Filter "
+  "einzugrenzen.",
+ "{ref:sec:praxisfallen-die-fuenf-typischen-praxisfallen}"),
+
+("Interior-Point-Verfahren", "Interior-Point-Verfahren",
+  "Lösungsverfahren, das sich durch das Innere des zulässigen Bereichs zum Optimum "
+  "bewegt, statt Ecken abzulaufen. Bei sehr großen Modellen oft schneller als der "
+  "Simplex, liefert dafür keine Basislösung und damit weniger brauchbare "
+  "Sensitivitätsinformationen.",
+ "{ref:sec:oekosystem-die-zwei-schichten-architektur}"),
+
+("Intervallvariable", "Intervallvariable",
+  "Variable mit Start, Dauer und Ende, die in CP-SAT eine Aktivität beschreibt. Sie ist "
+  "die Voraussetzung für Überschneidungsverbote und Ressourcenprofile.",
+ "{ref:sec:cpsat-globale-constraints-die-bausteine-von-cp}"),
+
+("Jensensche Ungleichung", "Jensensche Ungleichung",
+  "Für konvexe Funktionen gilt $\\mathbb{E}[f(X)] \\ge f(\\mathbb{E}[X])$. Die formale "
+  "Grundlage des Fluchs des Durchschnitts: Mit Mittelwerten zu rechnen unterschätzt "
+  "systematisch die erwarteten Kosten.",
+ "{ref:sec:unsicherheit-der-fluch-des-durchschnitts}"),
+
+("Job-Shop-Scheduling", "Job-Shop-Scheduling",
+  "Ablaufplanung, bei der mehrere Aufträge in je eigener Reihenfolge über dieselben "
+  "Maschinen laufen. Klassisches Anwendungsfeld von CP-SAT; Zielgröße ist meist der "
+  "Makespan.",
+ "{ref:sec:cpsat-intervallvariablen-job-shop-scheduling}"),
+
+("Kanonische Standardform", "Kanonische Standardform",
+  "Einheitliche Matrixschreibweise eines LP als $\\min \\mathbf{c}^\\top\\mathbf{x}$ unter "
+  "den Bedingungen $\\mathbf{A}\\mathbf{x} \\le \\mathbf{b}$ und $\\mathbf{x} \\ge 0$. Jedes "
+  "lineare Modell lässt sich darauf bringen — Solver erwarten genau diese Form.",
+ "{ref:sec:fundament-warum-ueberhaupt-vektoren-und-matrizen}"),
+
+("Kapazitätsvektor", "Kapazitätsvektor",
+  "Der Vektor $\\mathbf{b}$ der rechten Seiten in $\\mathbf{A}\\mathbf{x} \\le \\mathbf{b}$. "
+  "Seine Einträge sind die verfügbaren Ressourcen, und die zugehörigen Schattenpreise "
+  "sagen, was eine zusätzliche Einheit davon wert wäre.",
+ "{ref:sec:fundament-warum-ueberhaupt-vektoren-und-matrizen}"),
+
+("Kardinalitätsbeschränkung", "Kardinalitätsbeschränkung",
+  "Obergrenze für die Anzahl gleichzeitig aktiver Entscheidungen, formuliert über die "
+  "Summe der zugehörigen Binärvariablen. Typisch für „höchstens zehn Titel im Depot“.",
+ "{ref:sec:milp-modellierungstricks-big-m-und-logische-bedingungen}"),
+
+("Karush-Kuhn-Tucker-Bedingungen (KKT)", "KKT-Bedingungen",
+  "Notwendige Optimalitätsbedingungen restringierter Probleme: Stationarität, primale "
+  "und duale Zulässigkeit sowie komplementärer Schlupf. Bei konvexen Problemen sind sie "
+  "zugleich hinreichend und damit ein vollständiger Optimalitätsnachweis.",
+ "{ref:sec:qp-nlp-die-karush-kuhn-tucker-bedingungen}"),
+
+("Kohärentes Risikomaß", "Kohärentes Risikomaß",
+  "Risikomaß mit den vier Eigenschaften Monotonie, Subadditivität, positive Homogenität "
+  "und Translationsinvarianz. Der CVaR erfüllt sie, der VaR nicht — dessen Verletzung "
+  "der Subadditivität kann Diversifikation rechnerisch bestrafen.",
+ "{ref:sec:cvar-value-at-risk-und-conditional-value}"),
+
+("Kombinatorische Explosion", "Kombinatorische Explosion",
+  "Überproportionales Wachstum der Zahl möglicher Lösungen mit der Problemgröße. Sie "
+  "ist der Grund, warum systematisches Ausprobieren schon bei kleinen Instanzen "
+  "aussichtslos wird.",
+ "{ref:sec:einfuehrung-warum-ausprobieren-scheitert-mit-eigener-rechnung}"),
+
+("Komplementärer Schlupf", "Komplementärer Schlupf",
+  "Bedingung $s_i \\cdot y_i = 0$: Eine Nebenbedingung ist entweder aktiv (kein Schlupf) "
+  "oder ihr Schattenpreis verschwindet. Wirtschaftlich gelesen: Nur knappe Ressourcen "
+  "haben einen Preis.",
+ "{ref:sec:lp-dualitaet-und-schattenpreise}"),
+
+("Konditionszahl", "Konditionszahl",
+  "Verhältnis von größtem zu kleinstem Singulärwert einer Matrix. Sie misst, wie stark "
+  "kleine Datenänderungen die Lösung verzerren können; hohe Werte kündigen numerische "
+  "Probleme an, lange bevor der Solver etwas meldet.",
+ "{ref:sec:finanzdaten-praxis-datenpipeline-mit-korrekter-spaltenreihenfolge}"),
+
+("Konische Optimierung", "Konische Optimierung (SOCP, SDP)",
+  "Erweiterung der linearen Optimierung auf Kegelbedingungen. Der Second-Order Cone "
+  "(SOCP) erfasst Normen und damit Risikoschranken, die semidefinite Variante (SDP) "
+  "Bedingungen an Matrizen. Beide bleiben konvex und damit global lösbar.",
+ "{ref:sec:unsicherheit-chance-constraints}"),
+
+("Konvexität", "Konvexität",
+  "Eigenschaft, bei der jede Verbindungsstrecke zweier Punkte innerhalb der Menge bzw. "
+  "unterhalb des Funktionsgraphen liegt. Bei konvexen Problemen ist jedes lokale "
+  "Optimum global — die eigentliche Grenze zwischen leicht und schwer lösbar.",
+ "{ref:sec:fundament-konvexitaet-die-grenze-zwischen-leicht-und}"),
+
+("Korn-Transformation", "Korn-Transformation",
+  "Umformung der nicht-konvexen Sharpe-Ratio-Maximierung in ein konvexes quadratisches "
+  "Programm durch Homogenisierung. Sie macht aus einem Bruch eine Skalierung und damit "
+  "aus einem unlösbaren ein lösbares Problem.",
+ "{ref:sec:markowitz-das-mean-variance-modell}"),
+
+("Kostenzerlegung", "Kostenzerlegung",
+  "Aufschlüsselung eines Zielfunktionswerts in seine Bestandteile — etwa Alpha-Ertrag, "
+  "Risikoprämie und Transaktionskostenstrafe. Sie beantwortet die Frage „woraus besteht "
+  "dieses Ergebnis?“ und ist ein Baustein der Erklärbarkeit.",
+ "{ref:sec:praxisfallen-die-fuenf-typischen-praxisfallen}"),
+
+("Kovarianzmatrix", "Kovarianzmatrix",
+  "Matrix der paarweisen Kovarianzen aller Titel. Sie steuert im Markowitz-Modell den "
+  "Diversifikationseffekt und ist bei vielen Titeln und wenigen Beobachtungen notorisch "
+  "schlecht konditioniert.",
+ "{ref:sec:finanzdaten-das-schaetzfehler-problem}"),
+
+("Kumulative Ressource", "Kumulative Ressource",
+  "Ressource mit begrenzter Kapazität, die mehrere Aktivitäten gleichzeitig nutzen "
+  "können — etwa vier Monteure. In CP-SAT über `AddCumulative` ausgedrückt.",
+ "{ref:anhang:modellierungsmuster}"),
+
+("Lagrange-Funktion", "Lagrange-Funktion",
+  "Zielfunktion zuzüglich der mit Multiplikatoren gewichteten Nebenbedingungen. Ihre "
+  "Stationaritätsbedingung ist die erste der KKT-Bedingungen und die Brücke zwischen "
+  "restringierter und freier Optimierung.",
+ "{ref:sec:qp-nlp-die-karush-kuhn-tucker-bedingungen}"),
+
+("Lagrange-Multiplikator", "Lagrange-Multiplikator",
+  "Gewicht, mit dem eine Nebenbedingung in die Lagrange-Funktion eingeht. Sein "
+  "Optimalwert ist der Schattenpreis der Bedingung.",
+ "{ref:sec:qp-nlp-die-karush-kuhn-tucker-bedingungen}"),
+
+("Large Neighborhood Search (LNS)", "Large Neighborhood Search",
+  "Metaheuristik, die wiederholt einen größeren Teil der aktuellen Lösung zerstört und "
+  "exakt neu aufbaut. Sie verbindet die Reichweite heuristischer Sprünge mit der "
+  "Genauigkeit eines Solvers auf dem Teilproblem.",
+ "{ref:sec:metaheuristiken-lns}"),
+
+("Ledoit-Wolf-Shrinkage", "Ledoit-Wolf-Shrinkage",
+  "Schrumpfung der Stichprobenkovarianz in Richtung eines strukturierten Ziels; der "
+  "optimale Mischungsfaktor wird analytisch bestimmt. `scikit-learn` verwendet die "
+  "skalierte Einheitsmatrix als Ziel.",
+ "{ref:sec:finanzdaten-ledoit-wolf-shrinkage}"),
+
+("Lexikografische Optimierung", "Lexikografische Optimierung",
+  "Mehrzielverfahren mit strenger Rangfolge: Das wichtigste Ziel wird optimiert, sein "
+  "Wert festgeschrieben, dann das zweitwichtigste — und so fort. Kein Ziel darf "
+  "zugunsten eines nachrangigen verschlechtert werden.",
+ "{ref:sec:mehrziel-epsilon}"),
+
+("Lineare Programmierung (LP)", "Lineare Programmierung (LP)",
+  "*Linear Programming* — Optimierung einer linearen Zielfunktion unter linearen "
+  "Nebenbedingungen mit kontinuierlichen Variablen. Die am besten verstandene "
+  "Problemklasse des Operations Research: in Polynomialzeit lösbar und mit "
+  "vollständiger Dualitätstheorie.",
+ "{ref:sec:lp-die-standardform-und-schlupfvariablen}"),
+
+("linprog", "linprog",
+  "Funktion `scipy.optimize.linprog` zum Lösen linearer Programme. Sie erwartet das "
+  "Modell in kanonischer Standardform als Matrizen und benutzt seit SciPy 1.11 "
+  "standardmäßig HiGHS als Backend.",
+ "{ref:sec:lp-die-vorzeichenfalle-bei-schattenpreisen}"),
+
+("Linopy", "Linopy",
+  "Modellierungsbibliothek, die Optimierungsmodelle über beschriftete Achsen aufbaut "
+  "(`xarray`-Stil). Ihre Stärke sind große, regelmäßig indizierte Modelle wie "
+  "Energiesystemrechnungen.",
+ "{ref:sec:oekosystem-pyomo-linopy}"),
+
+("Logarithmische Rendite", "Logarithmische Rendite",
+  "Stetige Rendite als Logarithmus des Preisverhältnisses. Sie ist **über die Zeit** "
+  "additiv und deshalb die richtige Wahl für Zeitreihenaggregation — nicht aber für die "
+  "Gewichtung im Portfolio.",
+ "{ref:sec:finanzdaten-diskrete-und-logarithmische-renditen}"),
+
+("Lokales Minimum", "Lokales Minimum",
+  "Punkt, der in seiner Umgebung optimal ist, global aber übertroffen werden kann. Bei "
+  "nichtkonvexen Problemen liefern gradientenbasierte Verfahren nur solche Punkte; ein "
+  "Multistart macht das Problem sichtbar.",
+ "{ref:sec:fundament-konvexitaet-die-grenze-zwischen-leicht-und}"),
+
+("Lookahead-Bias", "Lookahead-Bias",
+  "Fehler, bei dem Informationen in eine Entscheidung einfließen, die zum "
+  "Entscheidungszeitpunkt noch nicht vorlagen. Die häufigste Ursache für Backtests, die "
+  "zu gut aussehen, um wahr zu sein.",
+ "{ref:sec:handelsmaschine-die-fuenf-selbsttaeuschungen-des-backtestens}"),
+
+("Makespan", "Makespan",
+  "Gesamtdurchlaufzeit eines Ablaufplans: der Zeitpunkt, zu dem die letzte Aktivität "
+  "endet. Standardzielgröße im Job-Shop-Scheduling.",
+ "{ref:sec:cpsat-intervallvariablen-job-shop-scheduling}"),
+
+("Marchenko-Pastur-Gesetz", "Marchenko-Pastur-Gesetz",
+  "Ergebnis der Zufallsmatrizentheorie über die Eigenwertverteilung von "
+  "Stichproben-Kovarianzmatrizen. Es zeigt, dass die kleinsten Eigenwerte systematisch "
+  "unterschätzt und die größten überschätzt werden — die theoretische Wurzel des "
+  "Error-Maximizer-Effekts.",
+ "{ref:sec:finanzdaten-das-schaetzfehler-problem}"),
+
+("Marktauswirkung (Market Impact)", "Marktauswirkung",
+  "Preisverschlechterung, die eine eigene Order durch ihr Volumen auslöst. Sie wächst "
+  "überproportional mit der Handelsgeschwindigkeit und ist der Grund, große Orders über "
+  "die Zeit zu strecken.",
+ "{ref:sec:dynamische-programmierung-das-almgren-chriss-problem-optimale-orderausfuehrung}"),
+
+("Markowitz-Modell (Mean-Variance)", "Markowitz-Modell (Mean-Variance)",
+  "Rahmenwerk, das ein Portfolio über das Zusammenspiel von erwarteter Rendite und "
+  "Kovarianz bewertet. Es begründete die moderne Portfoliotheorie und ist zugleich das "
+  "Lehrbeispiel für die Empfindlichkeit gegenüber Schätzfehlern.",
+ "{ref:sec:markowitz-das-mean-variance-modell}"),
+
+("Matrixform", "Matrixform",
+  "Kompakte Schreibweise eines Modells über Vektoren und Matrizen statt einzelner "
+  "Gleichungen. Sie ist nicht nur kürzer, sondern die Form, die Solver tatsächlich "
+  "entgegennehmen.",
+ "{ref:sec:fundament-zusammenfassung}"),
+
+("Matrix-Vektor-Produkt", "Matrix-Vektor-Produkt",
+  "Rechenoperation $\\mathbf{A}\\mathbf{x}$, die jede Zeile der Matrix mit dem Vektor "
+  "multipliziert. In der Optimierung berechnet sie den Ressourcenverbrauch aller "
+  "Nebenbedingungen in einem Schritt.",
+ "{ref:sec:fundament-warum-ueberhaupt-vektoren-und-matrizen}"),
+
+("Maximin-Fairness", "Maximin-Fairness",
+  "Zielsetzung „der am schlechtesten Gestellte soll möglichst gut dastehen“. Modelliert "
+  "über eine Hilfsvariable $t$ mit $t \\le f_i(\\mathbf{x})$ für alle $i$ und Maximierung "
+  "von $t$.",
+ "{ref:anhang:modellierungsmuster}"),
+
+("Maximum Drawdown", "Maximum Drawdown",
+  "Größter prozentualer Rückgang vom bisherigen Höchststand. Anders als die Volatilität "
+  "misst er den tatsächlich erlittenen Verlustweg und ist deshalb die Kennzahl, an der "
+  "Anleger aussteigen.",
+ "{ref:sec:handelsmaschine-die-engine}"),
+
+("Mensch in der Schleife", "Mensch in der Schleife",
+  "Betriebsprinzip, bei dem der Optimierer **vorschlägt** und ein Mensch "
+  "**entscheidet** — zumindest in der Einführungsphase. Das baut Vertrauen auf und "
+  "fängt Modellfehler ab, bevor sie wirksam werden.",
+ "{ref:sec:praxisfallen-architektur-einer-produktionsreifen-or-plattform}"),
+
+("Metaheuristik", "Metaheuristik",
+  "Übergeordnetes Suchschema wie Simulated Annealing, Tabu-Suche oder genetische "
+  "Algorithmen, das auf viele Problemtypen anwendbar ist. Es liefert gute Lösungen ohne "
+  "Optimalitätsbeweis und ist dort angebracht, wo exakte Verfahren an der Größe "
+  "scheitern.",
+ "{ref:sec:metaheuristiken-aufgabe}"),
+
+("Min-Cost-Flow-Problem", "Min-Cost-Flow",
+  "Kostengünstigster Transport durch ein Netzwerk unter Kapazitäts- und "
+  "Flusserhaltungsbedingungen. Die Modellmatrix ist total unimodular, weshalb schon die "
+  "LP-Lösung ganzzahlig ausfällt.",
+ "{ref:sec:graphen-graphen-als-modellsprache}"),
+
+("Mindestabnahmemenge", "Mindestabnahmemenge",
+  "Bedingung „entweder gar nichts oder mindestens $m$“. Sie ist nicht linear und "
+  "braucht eine Binärvariable: $m\\,y \\le x \\le M\\,y$.",
+ "{ref:anhang:modellierungsmuster}"),
+
+("MINLP", "MINLP",
+  "*Mixed-Integer Nonlinear Programming* — Modelle mit ganzzahligen Variablen **und** "
+  "nichtlinearen Funktionen. Die schwierigste der Standardklassen: Sie vereint die "
+  "kombinatorische Explosion mit dem Problem lokaler Optima.",
+ "{ref:sec:qp-nlp-nichtkonvex}"),
+
+("MIP-Gap", "MIP-Gap",
+  "Relativer Abstand zwischen der besten gefundenen Lösung und der besten bekannten "
+  "Schranke. Er beziffert, wie viel im schlechtesten Fall noch fehlt — ein Gap von 2 % "
+  "heißt: höchstens 2 % besser ist überhaupt möglich.",
+ "{ref:sec:praxisfallen-die-fuenf-typischen-praxisfallen}"),
+
+("Monte-Carlo-Simulation", "Monte-Carlo-Simulation",
+  "Erzeugung vieler Zufallsszenarien, um Kennzahlen empirisch zu schätzen. Sie "
+  "**bewertet** eine gegebene Entscheidung, optimiert aber nicht — der Unterschied wird "
+  "in der Praxis häufig übersehen.",
+ "{ref:sec:unsicherheit-monte-carlo-simulation}"),
+
+("MTZ-Formulierung", "MTZ-Formulierung",
+  "Miller-Tucker-Zemlin-Bedingungen, die über Rangvariablen Kurzzyklen ausschließen. "
+  "Kompakt in der Zahl der Nebenbedingungen, dafür mit schwacher Relaxation — der "
+  "klassische Zielkonflikt bei Tourenmodellen.",
+ "{ref:sec:graphen-das-vehicle-routing-problem-mit-zeitfenstern}"),
+
+("Multi-Objective Optimization", "Multi-Objective Optimization",
+  "Optimierung mit mehreren, konkurrierenden Zielen. Statt einer besten Lösung gibt es "
+  "eine Pareto-Front; die Auswahl daraus ist eine Entscheidung, keine Rechnung.",
+ "{ref:sec:praxisfallen-weiterfuehrende-literatur-und-roadmap}"),
+
+("Nebenbedingung (Constraint)", "Nebenbedingung",
+  "Gleichung oder Ungleichung, die zulässige von unzulässigen Lösungen trennt. Harte "
+  "Bedingungen müssen erfüllt sein, weiche werden über Strafterme lediglich bepreist.",
+ "{ref:sec:einfuehrung-die-vier-universellen-bausteine-jedes-or}"),
+
+("Newsvendor-Problem", "Newsvendor-Problem",
+  "Klassisches Einperiodenmodell: Wie viel bestellt man bei unsicherer Nachfrage, wenn "
+  "Überbestand und Fehlmenge unterschiedlich teuer sind? Die Lösung ist ein Quantil des "
+  "Nachfragemodells, nicht ihr Erwartungswert.",
+ "{ref:sec:unsicherheit-schnellstart}"),
+
+("Nichtlineare Programmierung (NLP)", "Nichtlineare Programmierung (NLP)",
+  "*Nonlinear Programming* — 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}"),
+
+("Nichtüberlappung", "Nichtüberlappung",
+  "Bedingung, dass sich Aktivitäten auf derselben Ressource zeitlich nicht "
+  "überschneiden. In CP-SAT über `AddNoOverlap` auf Intervallvariablen ausgedrückt.",
+ "{ref:anhang:modellierungsmuster}"),
+
+("NP-schwer", "NP-schwer",
+  "Komplexitätsklasse von Problemen, für die kein Algorithmus mit polynomialer Laufzeit "
+  "bekannt ist. Praktisch heißt das: Die Lösungszeit kann mit der Problemgröße "
+  "explodieren — nicht aber, dass jede Instanz schwer wäre.",
+ "{ref:sec:milp-branch-and-bound}"),
+
+("Operations Research (OR)", "Operations Research",
+  "Disziplin, die reale Entscheidungsprobleme in mathematische Modelle überführt und "
+  "mit exakten oder heuristischen Algorithmen löst. Sie beantwortet nicht „was wird "
+  "geschehen?“, sondern „was sollen wir tun?“.",
+ "{ref:sec:einfuehrung-was-ist-operations-research-wirklich}"),
+
+("Optimalitätsprinzip", "Optimalitätsprinzip",
+  "Grundsatz von Bellman: Jede Teilpolitik einer optimalen Politik ist ihrerseits "
+  "optimal für den erreichten Zustand. Ohne ihn wäre die Rückwärtsinduktion nicht "
+  "zulässig.",
+ "{ref:sec:dynamische-programmierung-das-bellmansche-optimalitaetsprinzip}"),
+
+("OR-Tools", "OR-Tools",
+  "Optimierungssammlung von Google mit CP-SAT, einer Routing-Bibliothek und Anbindungen "
+  "an LP/MILP-Solver. Im Buch die erste Wahl für Reihenfolge-, Zuordnungs- und "
+  "Tourenprobleme.",
+ "{ref:sec:einfuehrung-lernziele}"),
+
+("Overfitting", "Overfitting",
+  "Anpassung eines Modells an Zufälligkeiten der Trainingsdaten statt an die zugrunde "
+  "liegende Struktur. Im Backtesting die Regel, nicht die Ausnahme — deshalb der "
+  "Walk-Forward-Test.",
+ "{ref:sec:handelsmaschine-die-fuenf-selbsttaeuschungen-des-backtestens}"),
+
+("Parameter", "Parameter (Modell)",
+  "Feststehende Größe eines Modells — Kosten, Kapazitäten, Bedarfe. Parameter werden "
+  "nicht optimiert, sondern gegeben; ihre Unsicherheit ist der Gegenstand der "
+  "stochastischen und robusten Optimierung.",
+ "{ref:sec:einfuehrung-die-vier-universellen-bausteine-jedes-or}"),
+
+("Pareto-Front", "Pareto-Front",
+  "Menge aller Lösungen, bei denen kein Ziel verbessert werden kann, ohne ein anderes "
+  "zu verschlechtern. Sie zeigt den Zielkonflikt als Kurve, statt ihn in einer "
+  "Gewichtung zu verstecken.",
+ "{ref:sec:mehrziel-dominanz}"),
+
+("Pivotisierung", "Pivotisierung",
+  "Basiswechsel im Simplex-Verfahren: Eine Variable verlässt die Basis, eine andere "
+  "tritt ein. Jeder Pivotschritt entspricht dem Weiterwandern zur benachbarten Ecke des "
+  "Polyeders.",
+ "{ref:sec:lp-der-simplex-algorithmus-schritt-fuer-schritt}"),
+
+("Polars", "Polars",
+  "Schnelle DataFrame-Bibliothek mit spaltenorientiertem Speicher und verzögerter "
+  "Auswertung. Im Buch als Alternative zu pandas dort erwähnt, wo der Modellaufbau "
+  "selbst zum Engpass wird.",
+ "{ref:sec:oekosystem-vektorisierung}"),
+
+("Polyeder", "Polyeder",
+  "Schnittmenge endlich vieler Halbräume — die geometrische Gestalt des zulässigen "
+  "Bereichs eines linearen Programms. Seine Ecken sind die Kandidaten für das Optimum.",
+ "{ref:sec:fundament-der-zulaessige-loesungsraum-und-das-polyeder}"),
+
+("Positiv (semi-)definit", "Positiv (semi-)definit",
+  "Eigenschaft einer symmetrischen Matrix, deren Eigenwerte alle $> 0$ (definit) bzw. "
+  "$\\ge 0$ (semidefinit) sind. Definit bedeutet streng konvex und eine eindeutige "
+  "Lösung, semidefinit konvex mit möglicherweise mehreren.",
+ "{ref:sec:qp-nlp-das-quadratische-programm-qp}"),
+
+("Predict-then-Optimize", "Predict-then-Optimize",
+  "Zweistufiges Vorgehen: erst prognostizieren, dann mit der Prognose optimieren. Der "
+  "Bruch liegt dazwischen — das Prognosemodell minimiert Vorhersagefehler, nicht "
+  "Entscheidungskosten.",
+ "{ref:sec:prognose-naht}"),
+
+("Präskriptive Analytik", "Präskriptive Analytik",
+  "Analysestufe, die vorschreibt, welche Handlung unter den gegebenen Bedingungen die "
+  "beste ist. Sie folgt auf die deskriptive (was war?) und die prädiktive Stufe (was "
+  "wird?).",
+ "{ref:sec:einfuehrung-was-ist-operations-research-wirklich}"),
+
+("Primales Problem", "Primales Problem",
+  "Das ursprünglich formulierte Optimierungsproblem, im Gegensatz zu seinem "
+  "Dualproblem. Welches von beiden „primal“ heißt, ist Konvention: Das Duale des Dualen "
+  "ist wieder das Primale.",
+ "{ref:sec:lp-dualitaet-und-schattenpreise}"),
+
+("Pyomo", "Pyomo",
+  "Umfangreiche Modellierungssprache für Optimierung in Python, mit Unterstützung für "
+  "abstrakte Modelle, viele Solver und nichtlineare Formulierungen. Mächtiger, aber "
+  "ausführlicher als CVXPY.",
+ "{ref:sec:oekosystem-pyomo-linopy}"),
+
+("Q-Learning", "Q-Learning",
+  "Verfahren des bestärkenden Lernens, das den Wert von Zustand-Aktion-Paaren aus "
+  "Erfahrung schätzt, ohne ein Modell der Umgebung zu kennen. Verwandt mit der "
+  "dynamischen Programmierung, aber lernend statt rechnend.",
+ "{ref:sec:dynamische-programmierung-der-fluch-der-dimensionalitaet}"),
+
+("Quadratische Programmierung (QP)", "Quadratische Programmierung (QP)",
+  "*Quadratic Programming* — Optimierung einer quadratischen Zielfunktion unter "
+  "linearen Nebenbedingungen. Bei positiv semidefiniter Matrix konvex und damit "
+  "zuverlässig global lösbar; die Portfoliooptimierung ist der Standardfall.",
+ "{ref:sec:qp-nlp-das-quadratische-programm-qp}"),
+
+("Rebalancing", "Rebalancing",
+  "Periodische Rückführung des Portfolios auf die Zielgewichte. Zu häufig kostet "
+  "Gebühren, zu selten lässt die Gewichte driften — und die Termine müssen Handelstage "
+  "sein.",
+ "{ref:sec:handelsmaschine-rebalancing-termine-richtig-bestimmen}"),
+
+("Regime-Shift", "Regime-Shift",
+  "Strukturbruch in den Daten, nach dem historisch geschätzte Momente ihre Gültigkeit "
+  "verlieren. Kein Modellfehler, sondern eine Eigenschaft der Welt — abzufangen über "
+  "kürzere Schätzfenster und robuste Formulierungen.",
+ "{ref:sec:praxisfallen-die-fuenf-typischen-praxisfallen}"),
+
+("Reinforcement Learning", "Reinforcement Learning",
+  "Lernen einer Entscheidungsstrategie aus Rückmeldungen der Umgebung. Es löst dieselbe "
+  "Klasse mehrstufiger Probleme wie die dynamische Programmierung, benötigt aber kein "
+  "explizites Übergangsmodell.",
+ "{ref:sec:dynamische-programmierung-der-fluch-der-dimensionalitaet}"),
+
+("Relaxation", "Relaxation",
+  "Absichtliches Weglassen einschränkender Forderungen — typischerweise der "
+  "Ganzzahligkeit —, um eine schnell berechenbare Schranke zu gewinnen. Der Wert der "
+  "Relaxation begrenzt, wie gut die echte Lösung überhaupt werden kann.",
+ "{ref:sec:milp-branch-and-bound}"),
+
+("Robuste Optimierung", "Robuste Optimierung",
+  "Auslegung auf den ungünstigsten Fall innerhalb einer Unsicherheitsmenge. Sie "
+  "verlangt keine Wahrscheinlichkeiten, sondern nur eine Angabe darüber, wie weit die "
+  "Parameter schwanken können.",
+ "{ref:sec:unsicherheit-robuste-optimierung-gegen-den-worst-case}"),
+
+("Rockafellar-Uryasev-Theorem", "Rockafellar-Uryasev-Theorem",
+  "Ergebnis, das die CVaR-Minimierung in eine konvexe Hilfsfunktion überführt. Es macht "
+  "die Optimierung des Tail-Risikos mit gewöhnlichen linearen Solvern möglich.",
+ "{ref:sec:cvar-value-at-risk-und-conditional-value}"),
+
+("Routing-Bibliothek", "Routing-Bibliothek",
+  "Spezialisierter Teil von OR-Tools für Touren- und Reihenfolgeprobleme. Sie arbeitet "
+  "heuristisch mit Zeitbudget — „optimal“ wird hier in der Regel nicht bewiesen.",
+ "{ref:sec:graphen-zusammenfassung}"),
+
+("Rucksackproblem", "Rucksackproblem",
+  "Auswahl von Gegenständen mit Wert und Gewicht unter einer Kapazitätsgrenze. Das "
+  "Schulbeispiel der ganzzahligen Optimierung und Modell für jede Budgetauswahl.",
+ "{ref:sec:milp-beispiel-das-rucksackproblem}"),
+
+("Ruiz-Equilibrierung", "Ruiz-Equilibrierung",
+  "Skalierungsverfahren, das Zeilen und Spalten einer Matrix iterativ so multipliziert, "
+  "dass alle Beträge in derselben Größenordnung liegen. Nach wenigen Durchläufen liegen "
+  "die Maxima bei 1 — die einfachste wirksame Gegenmaßnahme gegen schlechte "
+  "Konditionierung.",
+ "{ref:sec:fundament-kondition}"),
+
+("Rückwärtsinduktion", "Rückwärtsinduktion",
+  "Lösungsrichtung der dynamischen Programmierung: von der letzten Stufe rückwärts. Nur "
+  "dort steht der Wert eines Zustands ohne Kenntnis der Zukunft fest, und von dort aus "
+  "lässt sich jede frühere Stufe auf bereits bekannte Werte zurückführen.",
+ "{ref:sec:dynamische-programmierung-lernziele}"),
+
+("Rüstzeit", "Rüstzeit",
+  "Umschaltzeit zwischen zwei aufeinanderfolgenden Aufträgen auf derselben Maschine. "
+  "Sie ist reihenfolgeabhängig und macht aus einer einfachen Zuordnung ein "
+  "Reihenfolgeproblem.",
+ "{ref:anhang:modellierungsmuster}"),
+
+("SAT (Boolean Satisfiability)", "SAT (Boolean Satisfiability)",
+  "Problem, für eine aussagenlogische Formel eine erfüllende Belegung zu finden. Das "
+  "erste als NP-vollständig bewiesene Problem — und die Sprache, in die CP-SAT jedes "
+  "Modell übersetzt.",
+ "{ref:sec:cpsat-ein-anderes-denkmodell}"),
+
+("Satz von Birkhoff und von Neumann", "Satz von Birkhoff und von Neumann",
+  "Jede doppelt stochastische Matrix ist eine Mischung von Permutationsmatrizen. Er "
+  "erklärt, warum das Zuordnungsproblem schon als lineares Programm ganzzahlige "
+  "Lösungen liefert.",
+ "{ref:sec:graphen-bipartites-matching-das-zuordnungsproblem}"),
+
+("Schattenpreis", "Schattenpreis",
+  "Optimalwert einer Dualvariablen: Um wie viel ändert sich der Zielwert, wenn die "
+  "zugehörige Ressource um eine Einheit erweitert wird? Er gilt nur lokal — innerhalb "
+  "des Bereichs, den die Sensitivitätsanalyse ausweist.",
+ "{ref:sec:lp-dualitaet-und-schattenpreise}"),
+
+("Schätzfehler", "Schätzfehler",
+  "Abweichung geschätzter Größen wie Renditen oder Kovarianzen von ihren wahren Werten. "
+  "In der Portfoliooptimierung nicht ein Randproblem, sondern das Hauptproblem.",
+ "{ref:sec:finanzdaten-das-schaetzfehler-problem}"),
+
+("Schlupfvariable", "Schlupfvariable",
+  "Nichtnegative Hilfsvariable, die eine Ungleichung in eine Gleichung überführt. Ihr "
+  "Wert zeigt die ungenutzte Reserve; ist er null, ist die Bedingung bindend.",
+ "{ref:sec:lp-die-standardform-und-schlupfvariablen}"),
+
+("Schnittebenen (Cutting Planes)", "Schnittebenen",
+  "Zusätzliche gültige Ungleichungen, die gebrochene LP-Lösungen abschneiden, ohne "
+  "einen einzigen ganzzahligen Punkt zu verlieren. Sie verschärfen die Relaxation und "
+  "verkleinern damit den Suchbaum.",
+ "{ref:sec:milp-branch-and-bound}"),
+
+("Semikontinuierliche Variable", "Semikontinuierliche Variable",
+  "Variable, die entweder null ist oder in einem Intervall $[m, M]$ liegt. Sie erfasst "
+  "Mindestlosgrößen und wird über eine Binärvariable modelliert.",
+ "{ref:sec:milp-modellierungstricks-big-m-und-logische-bedingungen}"),
+
+("Sensitivitätsanalyse", "Sensitivitätsanalyse",
+  "Untersuchung, in welchem Bereich sich Koeffizienten und Kapazitäten ändern dürfen, "
+  "ohne die Struktur der Optimallösung zu verändern. Sie macht aus einer Zahl eine "
+  "Aussage über ihre Belastbarkeit.",
+ "{ref:sec:lp-praxisfall-sensitivitaetsanalyse-mit-korrekten-schattenpreisen}"),
+
+("Shannon-Entropie", "Shannon-Entropie",
+  "Maß für die Gleichverteiltheit einer Verteilung. Als Zielfunktion eingesetzt "
+  "erzwingt sie Streuung, ohne eine bestimmte Aufteilung vorzugeben.",
+ "{ref:sec:qp-nlp-nichtlineare-optimierung-mit-scipy-optimize-minimize}"),
+
+("Sharpe Ratio", "Sharpe-Ratio",
+  "Überrendite über den risikofreien Zins je Einheit Volatilität. Ihre Maximierung ist "
+  "zunächst nicht konvex, wird es aber durch die Korn-Transformation.",
+ "{ref:sec:markowitz-das-mean-variance-modell}"),
+
+("Simplex-Algorithmus", "Simplex-Algorithmus",
+  "Verfahren von Dantzig, das von Ecke zu Ecke des Polyeders wandert und den "
+  "Zielfunktionswert dabei monoton verbessert. Im schlechtesten Fall exponentiell, in "
+  "der Praxis außerordentlich zuverlässig.",
+ "{ref:sec:lp-der-simplex-algorithmus-schritt-fuer-schritt}"),
+
+("Simulated Annealing", "Simulated Annealing",
+  "Metaheuristik nach dem Vorbild des Metallabkühlens: Verschlechterungen werden "
+  "anfangs häufig, später kaum noch akzeptiert. So entkommt die Suche lokalen Optima, "
+  "ohne die Richtung ganz zu verlieren.",
+ "{ref:sec:metaheuristiken-annealing}"),
+
+("Skalarisierung", "Skalarisierung",
+  "Zusammenfassung mehrerer Ziele zu einer gewichteten Summe. Bequem, aber mit zwei "
+  "Haken: Die Gewichte sind Werturteile, und nicht jeder Punkt der Pareto-Front lässt "
+  "sich so erreichen.",
+ "{ref:sec:mehrziel-skalarisierung}"),
+
+("Skalarprodukt", "Skalarprodukt",
+  "Summe der paarweisen Produkte zweier Vektoren, $\\mathbf{c}^\\top\\mathbf{x}$. In der "
+  "Optimierung die kompakte Schreibweise jeder linearen Zielfunktion.",
+ "{ref:sec:fundament-warum-ueberhaupt-vektoren-und-matrizen}"),
+
+("SLSQP", "SLSQP",
+  "*Sequential Least Squares Programming* — gradientenbasiertes Verfahren in "
+  "`scipy.optimize.minimize` für nichtlineare Probleme mit Nebenbedingungen. Es findet "
+  "lokale Optima; ohne Konvexität entscheidet der Startpunkt über das Ergebnis.",
+ "{ref:sec:qp-nlp-nichtlineare-optimierung-mit-scipy-optimize-minimize}"),
+
+("Snapshot-Prinzip", "Snapshot-Prinzip",
+  "Betriebsregel, nach der jeder Optimierungslauf auf einem unveränderlichen "
+  "Datenschnappschuss mit eigener Kennung arbeitet. Nur so ist ein Ergebnis später "
+  "reproduzierbar — und im Streitfall belegbar.",
+ "{ref:sec:praxisfallen-architektur-einer-produktionsreifen-or-plattform}"),
+
+("Solver-Status", "Solver-Status",
+  "Rückgabewert, mit dem ein Solver das Ergebnis einordnet: `OPTIMAL` (bewiesen "
+  "optimal), `FEASIBLE` (zulässig, aber unbewiesen), `INFEASIBLE` (keine zulässige "
+  "Lösung), `UNBOUNDED` (Zielwert unbeschränkt) und `UNKNOWN` (Abbruch ohne Aussage). "
+  "Ihn ungeprüft zu übergehen ist die häufigste Fehlerquelle im produktiven Einsatz.",
+ "[Notation und Abkürzungen](01_Notation_und_Abkuerzungen.md)"),
+
+("Starker Dualitätssatz", "Starker Dualitätssatz",
+  "Aussage, dass primales und duales Problem im Optimum denselben Zielfunktionswert "
+  "besitzen — bei linearen Programmen immer, sobald beide lösbar sind. Er macht den "
+  "Dualwert zu einem belastbaren Preis statt zu einer bloßen Schranke.",
+ "{ref:sec:lp-dualitaet-und-schattenpreise}"),
+
+("Stichproben-Kovarianzmatrix", "Stichproben-Kovarianzmatrix",
+  "Aus historischen Daten geschätzte Kovarianzmatrix. Bei weniger Beobachtungen als "
+  "Titeln ist sie singulär und damit nicht invertierbar; schon bei ähnlicher "
+  "Größenordnung wird sie extrem instabil.",
+ "{ref:sec:finanzdaten-das-schaetzfehler-problem}"),
+
+("Stochastische Programmierung", "Stochastische Programmierung",
+  "Optimierung unter Unsicherheit mit bekannten Wahrscheinlichkeiten. In der "
+  "zweistufigen Form wird zwischen Entscheidungen vor und nach der Beobachtung "
+  "unterschieden — genau der Unterschied, den der Fluch des Durchschnitts einebnet.",
+ "{ref:sec:unsicherheit-zweistufige-stochastische-programmierung}"),
+
+("Strafkosten", "Strafkosten",
+  "Kosten, mit denen die Verletzung einer weichen Bedingung in der Zielfunktion belegt "
+  "wird. Ihre Höhe ist eine Modellierungsentscheidung: Sie legt fest, wie viel "
+  "Regelverstoß was wert ist.",
+ "{ref:sec:einfuehrung-die-vier-universellen-bausteine-jedes-or}"),
+
+("Subadditivität", "Subadditivität",
+  "Eigenschaft $\\rho(A+B) \\le \\rho(A)+\\rho(B)$: Diversifikation darf das Risiko nicht "
+  "erhöhen. Der VaR verletzt sie, weshalb er kein kohärentes Risikomaß ist.",
+ "{ref:sec:cvar-value-at-risk-und-conditional-value}"),
+
+("Subtour", "Subtour",
+  "Kurzzyklus, der nur einen Teil der Knoten enthält und das Depot umgeht. Ohne eigene "
+  "Bedingungen — etwa MTZ — liefert ein Tourenmodell solche Gebilde als scheinbar "
+  "optimale Lösung.",
+ "{ref:sec:graphen-das-vehicle-routing-problem-mit-zeitfenstern}"),
+
+("Survivorship-Bias", "Survivorship-Bias",
+  "Verzerrung durch die Auswahl nur derjenigen Titel, die es bis heute gibt. Die "
+  "ausgeschiedenen fehlen — und mit ihnen die schlechtesten Verläufe.",
+ "{ref:sec:handelsmaschine-die-fuenf-selbsttaeuschungen-des-backtestens}"),
+
+("Symmetriebrechung", "Symmetriebrechung",
+  "Zusätzliche Ordnungsbedingungen, die verhindern, dass der Solver gleichwertige "
+  "Vertauschungen mehrfach durchsucht. Bei identischen Maschinen oder Fahrzeugen oft "
+  "der größte einzelne Laufzeitgewinn.",
+ "{ref:anhang:modellierungsmuster}"),
+
+("Tabu-Suche", "Tabu-Suche",
+  "Metaheuristik, die zuletzt besuchte Lösungen für einige Schritte sperrt. Die "
+  "Sperrliste zwingt die Suche aus lokalen Optima heraus, statt zwischen zwei Nachbarn "
+  "zu pendeln.",
+ "{ref:sec:metaheuristiken-abgrenzung}"),
+
+("Tangentialportfolio", "Tangentialportfolio",
+  "Portfolio auf der Effizienzgrenze mit der höchsten Sharpe Ratio — der Berührpunkt "
+  "der Kapitalmarktlinie. Es reagiert besonders empfindlich auf Renditeschätzfehler.",
+ "{ref:sec:markowitz-das-mean-variance-modell}"),
+
+("Technologiematrix", "Technologiematrix",
+  "Die Matrix $\\mathbf{A}$ der Verbrauchskoeffizienten. Ihr Eintrag $a_{ij}$ sagt, wie "
+  "viel von Ressource $i$ eine Einheit von Aktivität $j$ verbraucht. Zusammen mit dem "
+  "Kapazitätsvektor $\\mathbf{b}$ bildet sie die Nebenbedingungen $\\mathbf{A}\\mathbf{x} "
+  "\\le \\mathbf{b}$.",
+ "{ref:sec:fundament-warum-ueberhaupt-vektoren-und-matrizen}"),
+
+("Totale Unimodularität", "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 gar nicht gefordert werden.",
+ "{ref:sec:graphen-bipartites-matching-das-zuordnungsproblem}"),
+
+("Transaktionskosten", "Transaktionskosten",
+  "Beim Umschichten anfallende Kosten aus Gebühren, Spread und Marktauswirkung. Über "
+  "eine $L_1$-Strafe modellierbar, die zugleich den Turnover begrenzt.",
+ "{ref:sec:cvar-transaktionskosten-ueber-die-l-1-norm}"),
+
+("Trickle Flow", "Trickle Flow",
+  "Fehlerbild bei zu großem $M$: Ein verschwindend kleiner Schaltwert — etwa $4 \\cdot "
+  "10^{-8}$ — gilt dem Solver als null, lässt aber multipliziert mit einem riesigen $M$ "
+  "einen großen Fluss durch. Das Lager liefert, ohne offiziell geöffnet zu sein, und "
+  "die Fixkosten fehlen in der Rechnung.",
+ "{ref:sec:loesungen-milp}"),
+
+("TSP (Traveling Salesperson Problem)", "TSP (Traveling Salesperson Problem)",
+  "Suche nach der kürzesten Rundreise durch $n$ Orte. Das bekannteste NP-schwere "
+  "Problem und der Ausgangspunkt aller Tourenmodelle.",
+ "{ref:sec:graphen-das-vehicle-routing-problem-mit-zeitfenstern}"),
+
+("Turnover (Umschlag)", "Turnover (Umschlag)",
+  "Summe der absoluten Gewichtsänderungen einer Umschichtung. Die Größe, an der "
+  "Transaktionskosten hängen — und die Kennzahl, mit der man Rebalancing-Regeln "
+  "vergleicht.",
+ "{ref:sec:cvar-transaktionskosten-ueber-die-l-1-norm}"),
+
+("TWAP", "TWAP",
+  "*Time-Weighted Average Price* — Ausführungsstrategie, die eine Order gleichmäßig "
+  "über die Zeit verteilt. Einfache Vergleichsgröße für jede optimierte Ausführung.",
+ "{ref:sec:dynamische-programmierung-das-almgren-chriss-problem-optimale-orderausfuehrung}"),
+
+("Umrüstkosten", "Umrüstkosten (Modellierungsmuster)",
+  "Kosten, die beim Wechsel zwischen zwei Produkten anfallen. Sie hängen vom Vorgänger "
+  "ab und erzwingen deshalb Binärvariablen über Paare statt über einzelne Aufträge.",
+ "{ref:anhang:modellierungsmuster}"),
+
+("Unbounded", "Unbounded (Fehlerbild)",
+  "Zustand, in dem der Zielwert unbeschränkt verbessert werden kann. Fast immer ein "
+  "Modellfehler — eine fehlende Kapazitätsgrenze oder ein vergessenes Vorzeichen —, "
+  "nicht ein besonders gutes Ergebnis.",
+ "{ref:anhang:fehlerdiagnose}"),
+
+("Ungarischer Algorithmus", "Ungarischer Algorithmus",
+  "Kombinatorisches Verfahren für das Zuordnungsproblem mit polynomialer Laufzeit. Es "
+  "löst exakt, was als allgemeines MILP deutlich teurer wäre.",
+ "{ref:sec:graphen-zusammenfassung}"),
+
+("Unsicherheitsmenge", "Unsicherheitsmenge",
+  "Vorab definierter Bereich möglicher Parameterwerte, gegen dessen ungünstigstes "
+  "Element eine robuste Lösung abgesichert wird. Ihre Größe steuert unmittelbar den "
+  "Preis der Robustheit.",
+ "{ref:sec:unsicherheit-robuste-optimierung-gegen-den-worst-case}"),
+
+("Value at Risk (VaR)", "Value at Risk (VaR)",
+  "Verlustschwelle, die mit vorgegebener Wahrscheinlichkeit nicht überschritten wird. "
+  "Sie sagt nichts über die Verlusthöhe dahinter und ist nicht subadditiv — beides "
+  "Gründe für den Übergang zum CVaR.",
+ "{ref:sec:cvar-value-at-risk-und-conditional-value}"),
+
+("Vehicle Routing Problem (VRP)", "Vehicle Routing Problem (VRP)",
+  "Verallgemeinerung des TSP auf mehrere Fahrzeuge mit Depot und Kapazitätsgrenzen. In "
+  "der Variante mit Zeitfenstern (VRPTW) ist es der praktische Standardfall der "
+  "Tourenplanung. Sich kreuzende Touren sind hier kein Fehler: Die Zeitfenster können "
+  "die Reihenfolge erzwingen.",
+ "{ref:sec:graphen-das-vehicle-routing-problem-mit-zeitfenstern}"),
+
+("Verhältnis-Bedingung", "Verhältnis-Bedingung",
+  "Anforderung der Art „höchstens 30 % aus einer Quelle“. Sie wird linear, sobald man "
+  "sie als $x_i \\le 0{,}3 \\sum_j x_j$ schreibt statt als Bruch.",
+ "{ref:anhang:modellierungsmuster}"),
+
+("Volatilität", "Volatilität",
+  "Standardabweichung der Renditen, üblicherweise auf ein Jahr skaliert. Sie misst "
+  "Schwankung in beide Richtungen und behandelt Gewinne damit wie Verluste.",
+ "{ref:sec:finanzdaten-diskrete-und-logarithmische-renditen}"),
+
+("Vorrangbeziehung", "Vorrangbeziehung",
+  "Bedingung „Aktivität A muss vor Aktivität B abgeschlossen sein“, formuliert als "
+  "$\\text{Ende}_A \\le \\text{Start}_B$. Der Grundbaustein jeder Ablaufplanung.",
+ "{ref:anhang:modellierungsmuster}"),
+
+("Walk-Forward-Backtest", "Walk-Forward-Backtest",
+  "Rollierende Auswertung, bei der Parameter stets nur auf Vergangenheitsdaten "
+  "geschätzt und auf dem unmittelbar folgenden Zeitraum getestet werden. Die einzige "
+  "Backtest-Bauform, die Lookahead strukturell ausschließt.",
+ "{ref:sec:handelsmaschine-die-engine}"),
+
+("Warm-Start", "Warm-Start",
+  "Übergabe einer bekannten Lösung als Startpunkt. Bei wiederholten, ähnlichen Läufen — "
+  "etwa täglicher Neuplanung — oft der größte Zeitgewinn überhaupt.",
+ "{ref:sec:milp-gap}"),
+
+("Weiche Grenze mit Strafkosten", "Weiche Grenze mit Strafkosten",
+  "Modellierungsmuster, das eine Schranke überschreitbar macht und die Überschreitung "
+  "über eine Schlupfvariable in der Zielfunktion bepreist. So bleibt das Modell lösbar "
+  "und zeigt trotzdem, wo es klemmt.",
+ "{ref:anhang:modellierungsmuster}"),
+
+("Wurzel-Zeit-Regel", "Wurzel-Zeit-Regel",
+  "Skalierung der Volatilität mit $\\sqrt{T}$. Sie gilt streng nur für "
+  "Standardabweichungen unabhängiger Größen ohne Drift — für VaR und CVaR ist sie "
+  "lediglich eine grobe Näherung.",
+ "{ref:sec:cvar-implementierung-cvar-portfolio-mit-reibung}"),
+
+("Zielfunktion", "Zielfunktion",
+  "Der zu minimierende oder maximierende Ausdruck, der die Entscheidungsvariablen zu "
+  "einer einzigen Bewertungszahl verdichtet. Ihre Formulierung entscheidet, was das "
+  "Modell überhaupt für gut hält.",
+ "{ref:sec:einfuehrung-die-vier-universellen-bausteine-jedes-or}"),
+
+("Zufallsmatrizentheorie", "Zufallsmatrizentheorie",
+  "*Random Matrix Theory* — Theorie der Eigenwertverteilung zufälliger Matrizen. Sie "
+  "liefert den Maßstab dafür, welche Struktur in einer geschätzten Kovarianzmatrix echt "
+  "ist und welche bloßes Rauschen.",
+ "{ref:sec:finanzdaten-das-schaetzfehler-problem}"),
+
+("Zulässiger Bereich (Feasible Region)", "Zulässiger Bereich",
+  "Menge aller Punkte, die sämtliche Nebenbedingungen gleichzeitig erfüllen. Ist sie "
+  "leer, ist das Modell unlösbar; ist sie unbeschränkt, kann der Zielwert entgleiten.",
+ "{ref:anhang:literatur}"),
+
+("Zuordnungsproblem", "Zuordnungsproblem (1:1)",
+  "Eins-zu-eins-Zuordnung zweier gleich großer Mengen mit minimalen Kosten. Dank "
+  "totaler Unimodularität schon als LP ganzzahlig lösbar.",
+ "{ref:anhang:modellierungsmuster}"),
+
+("Zustandslosigkeit", "Zustandslosigkeit (OR-Plattform)",
+  "Betriebsprinzip, nach dem der rechnende Dienst keinen Zustand hält: Eingabe und "
+  "Ausgabe sind Daten. Das macht Skalierung und Wiederholung trivial.",
+ "{ref:sec:praxisfallen-architektur-einer-produktionsreifen-or-plattform}"),
+
+("Zustandsraum", "Zustandsraum",
+  "Menge aller Zustände, die ein mehrstufiges Entscheidungsproblem annehmen kann. Seine "
+  "Größe entscheidet, ob dynamische Programmierung praktikabel ist.",
+ "{ref:sec:dynamische-programmierung-der-fluch-der-dimensionalitaet}"),
+
+("Zwei-Phasen-Simplex-Methode", "Zwei-Phasen-Simplex-Methode",
+  "Vorgehen, um überhaupt eine erste zulässige Ecke zu finden. Phase 1 minimiert mit "
+  "Hilfsvariablen die Verletzung der Nebenbedingungen; bleibt dabei ein Rest, ist das "
+  "Modell unlösbar. Erst Phase 2 optimiert die eigentliche Zielfunktion.",
+ "{ref:sec:loesungen-lp}"),
+
+("Zweischichtige Architektur", "Zweischichtige Architektur",
+  "Trennung in eine Modellierungsschicht, in der man das Problem mathematiknah "
+  "formuliert, und eine Solver-Schicht aus hochoptimierten C++-Bibliotheken. Man "
+  "schreibt Optimierungsalgorithmen im modernen OR nicht selbst.",
+ "{ref:sec:oekosystem-die-zwei-schichten-architektur}"),
+
+("DTO (Data Transfer Object)", "",
+  "Schlichtes Objekt, das nur Daten transportiert und keine Logik enthält. Im Buch "
+  "trägt die `Loesung`-Klasse in `or_kern.py` das Ergebnis eines Solverlaufs so aus der "
+  "Rechenschicht heraus.",
+ "{ref:sec:oekosystem-ein-system-vier-programmieransaetze}"),
+
+("GIL (Global Interpreter Lock)", "",
+  "Sperre des CPython-Interpreters, die verhindert, dass zwei Threads gleichzeitig "
+  "Python-Code ausführen. Sie ist der Grund, warum echte Parallelität in Python über "
+  "Prozesse statt Threads läuft — Solver umgehen sie, weil sie in C++ rechnen.",
+ "[Notation und Abkürzungen](01_Notation_und_Abkuerzungen.md)"),
+
+("GLOP", "",
+  "*Google Linear Optimization Package* — der LP-Solver in OR-Tools. Er löst rein "
+  "kontinuierliche Probleme; sobald Ganzzahligkeit ins Spiel kommt, übernimmt CP-SAT "
+  "oder ein MILP-Backend.",
+ "[Notation und Abkürzungen](01_Notation_und_Abkuerzungen.md)"),
+
+("MAPE", "",
+  "*Mean Absolute Percentage Error* — mittlerer absoluter prozentualer Prognosefehler. "
+  "Beliebt, weil einheitenfrei, aber unbrauchbar bei Werten nahe null.",
+ "{ref:sec:prognose-naht}"),
+
+("Matplotlib", "",
+  "Standardbibliothek für statische Diagramme in Python. Im Buch erzeugt sie alle "
+  "Abbildungen der Druckfassung; die interaktiven Fassungen der Website stammen von "
+  "Plotly.",
+ "{ref:sec:oekosystem-die-werkzeuge-im-vergleich}"),
+
+("MIQP", "",
+  "*Mixed-Integer Quadratic Programming* — quadratische Zielfunktion mit ganzzahligen "
+  "Variablen. Der Fall, der entsteht, sobald ein Portfoliomodell eine Obergrenze für "
+  "die Zahl der Titel bekommt.",
+ "[Notation und Abkürzungen](01_Notation_und_Abkuerzungen.md)"),
+
+("MSE", "",
+  "*Mean Squared Error* — mittlerer quadratischer Fehler. Das Standardmaß der "
+  "Prognosegüte; es bestraft große Abweichungen überproportional und ist nicht dasselbe "
+  "wie geringe Entscheidungskosten.",
+ "[Notation und Abkürzungen](01_Notation_und_Abkuerzungen.md)"),
+
+("NumPy", "",
+  "Grundbibliothek für numerisches Rechnen in Python. Sie liefert das Array, mit dem "
+  "Vektoren und Matrizen eines Modells überhaupt erst kompakt und schnell aufgebaut "
+  "werden können.",
+ "{ref:sec:oekosystem-die-werkzeuge-im-vergleich}"),
+
+("pandas", "",
+  "Bibliothek für tabellarische Daten mit Zeit- und Beschriftungsindex. Im Buch der "
+  "übliche Weg von Roh- zu Modelldaten, besonders in den Finanzkapiteln.",
+ "{ref:sec:oekosystem-die-werkzeuge-im-vergleich}"),
+
+("Plotly", "",
+  "Bibliothek für interaktive Diagramme im Browser. Die Website des Buchs bindet damit "
+  "Gantt-Diagramme, Effizienzlinien und Pareto-Fronten zum Zoomen und Erkunden ein.",
+ "{ref:sec:oekosystem-die-werkzeuge-im-vergleich}"),
+
+("pydantic", "",
+  "Bibliothek zur Validierung von Datenstrukturen anhand von Typannotationen. Im Buch "
+  "prüft sie die Eingaben des Optimierungsdienstes, bevor ein Modell überhaupt gebaut "
+  "wird.",
+ "{ref:sec:oekosystem-die-werkzeuge-im-vergleich}"),
+
+("pymoo", "",
+  "Bibliothek für mehrkriterielle Optimierung mit evolutionären Verfahren. Sie liefert "
+  "Pareto-Fronten dort, wo sich die Ziele nicht sinnvoll skalarisieren lassen.",
+ "{ref:sec:oekosystem-die-werkzeuge-im-vergleich}"),
+
+("scikit-learn", "",
+  "Bibliothek für maschinelles Lernen. Im Buch für Prognosemodelle und für die "
+  "Ledoit-Wolf-Shrinkage der Kovarianzmatrix eingesetzt.",
+ "{ref:sec:oekosystem-die-werkzeuge-im-vergleich}"),
+
+("SciPy", "",
+  "Wissenschaftliche Standardbibliothek von Python. Ihr Teilmodul `scipy.optimize` "
+  "enthält mit `linprog`, `milp` und `minimize` die Einstiegswerkzeuge für lineare, "
+  "ganzzahlige und nichtlineare Optimierung.",
+ "{ref:sec:oekosystem-die-werkzeuge-im-vergleich}"),
+
+("yfinance", "",
+  "Bibliothek zum Abruf historischer Kursdaten. Die einzige Abhängigkeit des Buchs, die "
+  "eine Internetverbindung braucht — vier Programme nutzen sie.",
+ "{ref:sec:oekosystem-die-werkzeuge-im-vergleich}"),
+
+("LP-Relaxation", "LP-Relaxation",
+  "Das ganzzahlige Modell ohne die Ganzzahligkeitsforderung. Ihre Lösung ist schnell zu "
+  "berechnen und liefert eine Schranke: Besser als der Relaxationswert kann die "
+  "ganzzahlige Lösung nicht werden. Genau darauf beruht das Abschneiden im "
+  "Branch-and-Bound.",
+ "{ref:sec:milp-branch-and-bound}"),
+
+("SCIP", "SCIP",
+  "Akademischer Solver für gemischt-ganzzahlige lineare und nichtlineare Programme, "
+  "über OR-Tools und Pyomo ansprechbar. Für Forschung und Lehre frei nutzbar; "
+  "kommerzieller Einsatz verlangt eine eigene Lizenz.",
+ "{ref:sec:milp-branch-and-bound}"),
+
+("Falsche Dualwerte", "Falsche Dualwerte (Fehlerbild)",
+  "Fehlerbild, bei dem Schattenpreise unplausibel wirken. Zwei Ursachen dominieren: "
+  "Entartung macht sie mehrdeutig, und ganzzahlige Modelle haben streng genommen gar "
+  "keine Dualwerte — was ein MILP-Solver zurückgibt, gehört zur Relaxation des letzten "
+  "Knotens.",
+ "{ref:anhang:fehlerdiagnose}"),
+
+("Importfehler zwischen ortools und highspy", "Importfehler (ortools und highspy)",
+  "Absturz beim Import beider Bibliotheken im selben Prozess: Sie bringen je eine "
+  "eigene HiGHS-Kopie mit, deren C++-Symbole kollidieren. Abhilfe ist die Trennung in "
+  "getrennte Prozesse — CVXPY zieht ein installiertes `highspy` dabei ungefragt mit "
+  "hinein.",
+ "{ref:anhang:fehlerdiagnose}"),
+
+("Instabile Lösung", "Instabile Lösung (Fehlerbild)",
+  "Fehlerbild, bei dem winzige Datenänderungen die Lösung völlig umwerfen. Meist eine "
+  "Folge schlechter Konditionierung; die Konditionszahl zeigt es an, die "
+  "Ruiz-Equilibrierung behebt es.",
+ "{ref:anhang:fehlerdiagnose}"),
+
+("Laufzeitexplosion", "Laufzeitexplosion (Fehlerbild)",
+  "Fehlerbild, bei dem ein Modell nach einer kleinen Erweiterung nicht mehr fertig "
+  "rechnet. Häufige Ursachen sind ein zu großes $M$, fehlende Symmetriebrechung und "
+  "eine schwache Relaxation.",
+ "{ref:anhang:fehlerdiagnose}"),
+
+("Unsinniges Ergebnis", "Unsinniges Ergebnis (Fehlerbild)",
+  "Fehlerbild, bei dem der Solver zwar `OPTIMAL` meldet, die Lösung aber offensichtlich "
+  "unbrauchbar ist. Dann ist nicht die Rechnung falsch, sondern das Modell: Es "
+  "beschreibt eine andere Wirklichkeit als die gemeinte.",
+ "{ref:anhang:fehlerdiagnose}"),
+
+("Verdächtig guter Backtest", "Verdächtig guter Backtest (Fehlerbild)",
+  "Fehlerbild der Finanzkapitel: eine Strategie, die im Rückblick zu gut abschneidet. "
+  "Die Prüfreihenfolge lautet Lookahead, Survivorship, Kosten, Data Snooping — in "
+  "dieser Reihenfolge, weil sie nach Häufigkeit sortiert ist.",
+ "{ref:anhang:fehlerdiagnose}"),
+
+("Vertauschte Spalten", "Vertauschte Spalten (Fehlerbild)",
+  "Fehlerbild, bei dem Daten und Modell unterschiedliche Reihenfolgen annehmen. Es "
+  "rechnet widerspruchsfrei und liefert dennoch Unsinn — deshalb gehört die "
+  "Spaltenreihenfolge abgesichert, nicht angenommen.",
+ "{ref:anhang:fehlerdiagnose}"),
+
+("Widersprüchliche Solver", "Widersprüchliche Solver (Fehlerbild)",
+  "Fehlerbild, bei dem zwei Solver verschiedene Lösungen melden. Bei gleichem Zielwert "
+  "sind es Alternativoptima und beide haben recht; bei verschiedenem Zielwert liegt ein "
+  "Modell- oder Toleranzproblem vor.",
+ "{ref:anhang:fehlerdiagnose}"),
+
+]
diff --git a/PROGRESS.md b/PROGRESS.md
index 7bb3b32..0a945d2 100644
--- a/PROGRESS.md
+++ b/PROGRESS.md
@@ -2349,6 +2349,37 @@ einbuchstabige Überschriften; der Index bleibt bei 631 Einträgen.
 Kosten: PDF von 759 auf **772 Seiten**. Jede Definition hat zwei bis drei Sätze, alphabetisch
 nach deutschem Alphabet mit Umlauten als Grundbuchstabe.
 
+**Nachgereicht: ein Build-Kommando.** Der Erzeuger lag zunächst als Wegwerfskript außerhalb
+des Repositorys — genau die Falle, die in diesem Projekt schon zweimal zugeschnappt ist
+(`web_04/`, `titeltexte_04.py`). Jetzt gilt:
+
+```bash
+python3 Operations_Research_mit_Python_Version_04/erzeuge_glossar_04.py
+python3 .../erzeuge_glossar_04.py --check     # nur pruefen
+```
+
+Die Einträge stehen in `glossar_eintraege_04.py` als Viertupel *(Anzeigename, Indexmarke,
+Definition, Verweisziel)*. Das **Verweisziel ist eingefroren, nicht berechnet**: Die erste
+Fundstelle eines Begriffs ist oft nicht die erklärende, und ein Automatismus hätte diese
+Entscheidung jedes Mal neu und jedes Mal gleich falsch getroffen.
+
+Drei Prüfungen, alle gegen das Buch statt gegen eine Annahme: Jede Indexmarke muss dort
+buchstabengetreu vorkommen, jedes `{ref:}`-Ziel muss existieren, kein Verweis darf auf das
+Glossar selbst zeigen. Dazu die Handänderungs-Erkennung nach dem Muster von
+`spiegle_statische_assets()`: Ist die `.md` neuer als ihre Quelle und weicht ab, bricht der
+Lauf ab und nennt die Quelle, statt die Arbeit still zu überschreiben.
+
+**Ein Zwischenfall beim Einbau, der die Prüfung verbessert hat:** Die erste Fassung meldete 24
+angebliche Tippfehler. Es waren keine — es sind die Begriffe, die im ganzen Buch *nur* im
+Glossar indexiert sind (`Rebalancing`, `Volatilität`, `Solver-Status` …). Automatisch ist das
+von einem Tippfehler nicht zu unterscheiden, also stehen sie jetzt ausdrücklich in
+`NUR_IM_GLOSSAR`. Wer künftig einen Begriff mit unbekannter Marke aufnimmt, muss sich
+entscheiden — Schreibweise korrigieren oder bewusst eintragen.
+
+Der Beleg, dass der Erzeuger die Handarbeit exakt trifft: Er schreibt die vorhandene Datei
+**byte-identisch** neu. `build_version_04.py --check` ruft ihn mit auf, damit eine veraltete
+Fassung nicht erst auffällt, wenn jemand den Erzeuger zufällig startet.
+
 ---
 
 ## 8. Commit-Historie des V04-Strangs
diff --git a/README.md b/README.md
index 2ea5f76..92e1c11 100644
--- a/README.md
+++ b/README.md
@@ -148,6 +148,9 @@ python3 Operations_Research_mit_Python_Version_04/build_version_04.py --pdf --ht
 # Beispielprogramme aus den Kapiteln extrahieren
 python3 Operations_Research_mit_Python_Version_04/extract_programme_04.py
 
+# Glossar (Anhang E) aus seiner Eintragsliste erzeugen
+python3 Operations_Research_mit_Python_Version_04/erzeuge_glossar_04.py
+
 # ein Diagramm neu erzeugen (braucht die Gruppe [figures], teils 'dot')
 python3 bilder_04/erzeuge_kondition.py
 ```