b7af2f1d9a
Erster Commit des Strangs "Optimierte Entscheidungsfindung mit Python" (Version 04). Die Historie der 71 Commits bis zur Trennung bleibt im uebergeordneten Repository OR_mit_Python liegen, das ab jetzt nur noch Version_03 (eingefroren) verwaltet und Version_04/ ignoriert. Bewusst kein "git subtree split": Der Pfad Version_04/ existiert erst seit der Verzeichnistrennung, ein Split braechte daher nur 7 der 41 einschlaegigen Commits - eine Teilhistorie, die vollstaendig aussieht und es nicht ist. Stand: 5 Teile, 23 Kapitel, 5 Anhaenge, 292 Abschnitte, 703 Querverweise, 325 Indexmarken, 73 Beispielprogramme, 32 SVGs, 4 Plotly-Figuren, 25 Notebooks, PDF mit 715 Seiten. Zusaetzlich in diesem Commit: * pyproject.toml mit Abhaengigkeitsgruppen finance, large-scale, api, figures, dev, empfehlungen. Die abgedruckte requirements.txt bleibt unveraendert daneben bestehen. ortools steht in der Grundausstattung, highspy erst in [large-scale] - so kann der HiGHS-Symbolkonflikt bei der schlanken Installation gar nicht erst auftreten. * Dabei zwei Funde: graphviz wird von erzeuge_architektur_diagramme.py importiert, fehlt aber in requirements.txt (jetzt in [figures]); pymoo steht in requirements.txt, wird aber von keinem Programm importiert, sondern nur im Kapitel Metaheuristiken empfohlen (jetzt in [empfehlungen]). * NEUER_TITEL.md nach Kritik_und_Verbesserungsvorschlaege/ verschoben - es ist die Vorlage des Titelblatts, kein Bestandteil des Werks. Die beiden Fundstellen in PROGRESS.md und erzeuge_titelseite.py nachgezogen. * PROGRESS.md nannte noch den Untertitel der ersten Fassung; auf den tatsaechlichen aus erzeuge_titelseite.py korrigiert. Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>
6.8 KiB
Buchkritik: Operations Research mit Python (Version 03)
Autor: Dieter Schlüter Titel: Operations Research mit Python – Von den mathematischen Grundlagen zur quantitativen Portfolio-Optimierung an den Finanzmärkten Format: E-Book / Kompendium (PDF & Web-Handbuch auf jamulix.de) Eingesetztes Ökosystem: Python, HiGHS, SciPy, Google OR-Tools (CP-SAT), CVXPY
1. Überblick und thematische Ausrichtung
Operations Research (OR) leidet in der Fachliteratur häufig unter einer Zweiteilung: Auf der einen Seite stehen klassisch-mathematische Universitätslehrbücher, die sich in Konvexitätsbeweisen und Simplex-Tableaus verlieren, ohne eine einzige Zeile lauffähigen Code zu liefern; auf der anderen Seite finden sich oberflächliche Programmier-Tutorials, die API-Befehle auflisten, ohne das Verständnis für Dualität, Schattenpreise oder algorithmische Komplexität zu schärfen. Dieter Schlüters Kompendium Operations Research mit Python setzt genau an dieser Schnittstelle an. Das Werk spannt einen weiten Bogen von den theoretischen Grundlagen der linearen und diskreten Optimierung über Constraint Programming bis hin zur quantitativen Portfolio- und Risikomodellierung an den Finanzmärkten. Mit 15 Hauptkapiteln, einer eigenständigen Projektwerkstatt sowie umfangreichen Anhängen präsentiert sich Version 03 als anspruchsvolles, praxisorientiertes Handbuch für Praktiker, Entwickler und quantitative Analysten.
2. Struktur und didaktisches Konzept
Das Werk ist in fünf logische Hauptabschnitte unterteilt:
- Teil I: Grundlagen des Operations Research (Kap. 1–3): Einführung in die Denkweise mathematischer Modellierung (Entscheidungsvariablen, Zielfunktion, Restriktionen), Auffrischung der Vektor- und Matrixrechnung mit Fokus auf Konvexität sowie eine systematische Einordnung der Python-Solver-Landschaft (HiGHS, SciPy, OR-Tools, CVXPY).
- Teil II: Kernverfahren der deterministischen Optimierung (Kap. 4–7): Lineare Programmierung (LP) inklusive Simplex und Dualitätsinterpretation, Mixed-Integer Linear Programming (MILP) mit Branch-and-Bound, Constraint Programming via Google OR-Tools CP-SAT sowie klassische Graphen- und Tourenprobleme (Min-Cost-Flow, TSP/VRP).
- Teil III: Nichtlinearität, Unsicherheit und Dynamik (Kap. 8–10): Quadratische und nichtlineare Optimierung (KKT-Bedingungen, Lagrange), stochastische Optimierung und Robustheit sowie Dynamische Programmierung mit der Bellman-Gleichung.
- Teil IV: Operations Research an den Finanzmärkten (Kap. 11–14): Der Brückenschlag zur Quant-Finance: Kovarianzschätzung und Shrinkage (Ledoit-Wolf), klassische Markowitz-Portfolios, Conditional Value at Risk (CVaR) unter Berücksichtigung von Transaktionskosten sowie der Aufbau einer modularen Backtest-Handelsmaschine.
- Teil V: Praxis, Projektwerkstatt & Anhänge (Kap. 15, Anhänge A–D): Konkrete Fallstricke beim Produktivgang, 7 realistische End-to-End-Projekte (von Schichtplanung bis Portfolio-Rebalancer), Musterkatalog, Debugging-Leitfaden und Übungslösungen. Besonders hervorzuheben sind die im Einstieg definierten Lernpfade (A bis E). Sie ermöglichen es Lesern, das Monumentalwerk je nach individuellem Ziel zu erschließen – beispielsweise fokussiert auf Personaleinsatz/Scheduling (~20 h), Tourenplanung (~20 h), Quantitative Finance (~30 h) oder als 80-stündiges Vollstudium.
3. Was das Buch besonders stark macht
Konsequente Fokussierung auf moderne Open-Source-Werkzeuge
Anstatt auf teure proprietäre Suiten (wie Gurobi oder CPLEX) oder veraltete Lehrbuchwerkzeuge zu setzen, nutzt der Autor moderne, produktionsreife Open-Source-Engines:
- HiGHS als erstklassiger linearer/MILP-Solver,
- Google OR-Tools (CP-SAT) für kombinatorische Scheduling- und Zuweisungsprobleme,
- CVXPY für konvexe Optimierungsprobleme. Dadurch bleiben alle Beispiele ohne Lizenzhürden für jeden Leser auf Standard-Hardware nachvollziehbar.
Ausgeprägter Realismus und Warnung vor Modellierungs-Fallen
Das Buch meidet akademische Laborbedingungen. Dies zeigt sich exemplarisch in Kapitel 11: Anstatt die historische Kovarianzmatrix naiv in das Markowitz-Modell einzuspeisen (was in der Realität lediglich Schätzrauschen optimiert und erratische Portfoliogewichte erzeugt), zwingt der Autor den Leser zunächst durch Verfahren wie Shrinkage und Regularisierung. Ebenso widmen sich Kapitel 15 und Anhang C gezielt typischen Produktivitätskillern (numerische Instabilitäten, unbounded/infeasible states, Lookahead-Bias in Backtests).
Symbiose aus mathematischer Exaktheit und lauffähigem Code
Mathematische Formulierungen werden nicht als Selbstzweck präsentiert, sondern dienen unmittelbar als Blaupause für die Modellierung in Python. Die Implementierungen sind didaktisch aufbereitet: Algorithmen wie der Simplex werden in Basisschritten demonstriert, um die Mechanik zu verstehen, bevor für den Produktiveinsatz auf hochoptimierte C++-Kern-Bindings zurückgegriffen wird.
4. Schwachpunkte und Grenzen
- Ungewöhnlich steiler thematischer Bruch (Logistik vs. Finance): Der Übergang von klassischen OR-Domänen (Schicht- und Tourenplanung, Flussnetzwerke) zur quantitativen Kapitalmarkttheorie (CVaR, Order-Execution, Markowitz) ist fachlich anspruchsvoll. Während OR-Spezialisten den Finanzteil möglicherweise als zu nischig empfinden, könnten Finanzanalysten die ersten Kapitel über klassische Tourenplanung als Ballast wahrnehmen.
- Hohe Einstiegshürde bei Mathematik und Software-Architektur: Obwohl das Buch Grundlagenkapitel enthält, setzt das Tempo ein solides Verständnis von linearer Algebra, Wahrscheinlichkeitsrechnung und idiomatischem Python (OOP, NumPy, Vektorisierung) voraus. Für Quereinsteiger ohne mathematisch-technischen Hintergrund ist die Lernkurve steil.
- Fokus auf Konvexität: Komplexe, hochgradig nicht-konvexe Optimierungslandschaften oder metaheuristische Verfahren (genetische Algorithmen, Simulated Annealing) werden im Vergleich zur exakten konvexen und diskreten Optimierung eher am Rande behandelt.
5. Fazit
Operations Research mit Python von Dieter Schlüter ist ein bemerkenswert tiefgründiges, anwendungsnahes deutschsprachiges Fachkompendium. Es schließt die Lücke zwischen formaler Operations-Research-Theorie und moderner Softwareentwicklung auf beispielhafte Weise. Zielgruppen-Empfehlung:
- Data Scientists und Software-Ingenieure, die über Machine Learning hinausgehen und deterministische Entscheidungssysteme oder Zuweisungs-Engines bauen wollen.
- Quantitative Analysten und Finanzökonomen, die Portfolio-Optimierung jenseits vereinfachter Lehrbuchmodelle robust und fehlerresistent implementieren möchten.
- Studierende und Dozenten der Wirtschaftsmathematik, Wirtschaftsinformatik und des Maschinenbaus, die nach praxistauglichen Python-Vorlagen für OR-Vorlesungen suchen.