Fast jedes quantitative Modell endet in einer Optimierung: eine Kalibrierung, die Parameter anpasst, eine Regression, die eine Gerade anpasst, ein Portfolio, das Gewichte wählt. Diese Fähigkeit zeigt, was die Löser wirklich tun, mit kurzen Aufgaben (Zahlen zum Berechnen, Schritte zum Ordnen, Begriffe zum Zuordnen) und Finanzbeispielen: warum eine zu große Schrittweite den Gradientenabstieg divergieren lässt, warum Adam die Standardwahl für verrauschte Zielfunktionen ist, warum ein konvexes Problem nur eine Antwort hat, was ein KKT-Multiplikator bepreist, wie eine L1-Strafe Gewichte exakt auf null setzt und wie ein lineares Programm einen großen Auftrag über die Zeit verteilt. Das Abschlussprojekt ist ein Code-Labor, in dem Sie Projektion und Löser selbst schreiben und das Ergebnis an echten Aktienrenditen testen.
