Anhang F: Literaturverzeichnis

Mathematische Optimierung — Grundlagen

Bertsimas, D. & Tsitsiklis, J. N. (1997): Introduction to Linear Optimization. Athena Scientific, Belmont. Standardwerk zur geometrischen und algebraischen Theorie des Simplex-Verfahrens, Dualität, Sensitivitätsanalyse und Netzwerkflüssen.
Dantzig, G. B. (1963): Linear Programming and Extensions. Princeton University Press. Das historische Originalwerk des Erfinders des Simplex-Algorithmus.
Wolsey, L. A. (2020): Integer Programming (2. Aufl.). Wiley, Hoboken. Branch-and-Bound, Branch-and-Cut, Polyedertheorie, Formulierungsstärke.
Hillier, F. S. & Lieberman, G. J. (2021): Introduction to Operations Research (11. Aufl.). McGraw-Hill. Breite Einführung inkl. Warteschlangen, DP und Entscheidungsmodellen.

Boyd, S. & Vandenberghe, L. (2004): Convex Optimization. Cambridge University Press. Referenzwerk für konvexe Mengen, KKT, QP und SDP; theoretische Basis von CVXPY. Frei verfügbar unter stanford.edu/~boyd/cvxbook/.
Ben-Tal, A., El Ghaoui, L. & Nemirovski, A. (2009): Robust Optimization. Princeton University Press.
Bertsimas, D. & Sim, M. (2004): The Price of Robustness. In: Operations Research 52(1), S. 35–53. Quelle des Budgeted-Uncertainty-Ansatzes.
Bellman, R. (1957): Dynamic Programming. Princeton University Press.

Rossi, F., van Beek, P. & Walsh, T. (2006): Handbook of Constraint Programming. Elsevier.
Perron, L. & Furnon, V.: OR-Tools CP-SAT Solver Documentation. developers.google.com/optimization/cp

Markowitz, H. (1952): Portfolio Selection. In: The Journal of Finance 7(1), S. 77–91.
Rockafellar, R. T. & Uryasev, S. (2000): Optimization of Conditional Value-at-Risk. In: Journal of Risk 2(3), S. 21–42.
Ledoit, O. & Wolf, M. (2003): Improved estimation of the covariance matrix of stock returns with an application to portfolio selection. In: Journal of Empirical Finance 10(5), S. 603–621. Quelle des Konstant-Korrelations-Ziels.
Ledoit, O. & Wolf, M. (2004): A well-conditioned estimator for large-dimensional covariance matrices. In: Journal of Multivariate Analysis 88(2), S. 365–411. Quelle des von scikit-learn verwendeten Ziels (skalierte Einheitsmatrix).
Almgren, R. & Chriss, N. (2000): Optimal Execution of Portfolio Transactions. In: Journal of Risk 3(2), S. 5–39.
DeMiguel, V., Garlappi, L. & Uppal, R. (2009): Optimal Versus Naive Diversification. In: Review of Financial Studies 22(5), S. 1915–1953. Die Studie, die 1/N als ernstzunehmenden Vergleichsmaßstab etablierte.
López de Prado, M. (2018): Advances in Financial Machine Learning. Wiley. Backtest-Overfitting, Deflated Sharpe Ratio, Denoising.
Cornuéjols, G., Peña, J. & Tütüncü, R. (2018): Optimization Methods in Finance (2. Aufl.). Cambridge University Press.

Google OR-Tools — developers.google.com/optimization · Quellcode: github.com/google/or-tools
Diamond, S. & Boyd, S. (2016): CVXPY: A Python-embedded modeling language for convex optimization. In: Journal of Machine Learning Research 17(83), S. 1–5. · www.cvxpy.org
Huangfu, Q. & Hall, J. A. J. (2018): Parallelizing the dual revised simplex method. In: Mathematical Programming Computation 10(1), S. 119–142. · highs.dev
SciPy — docs.scipy.org/doc/scipy/reference/optimize.html
scikit-learn, Covariance Estimation — scikit-learn.org/stable/modules/covariance.html

INFORMS — www.informs.org
GOR (Gesellschaft für Operations Research e. V.) — deutschsprachiger Fachverband.
Basel Committee on Banking Supervision: Minimum capital requirements for market risk (Basel III, FRTB) — Grundlage der Umstellung von VaR auf Expected Shortfall.
Europäische Union: MiFID II / ESMA-Leitlinien zum algorithmischen Handel.