Python投资组合优化：如何设置份额为0或0.05-0.2的约束？

scipy.optimize.minimize的常规Bounds只能定义连续数值区间，没法直接实现“每个资产份额要么为0，要么落在[0.05, 0.2]”这种离散选择的约束——因为这是非凸的分段约束，超出了普通边界或线性约束的处理能力。

可行解决方案： #

• 混合整数优化工具（推荐）：
  这种“要么选要么不选，选了就有最低持仓比例”的需求，本质是混合整数规划问题（用二进制变量标记是否选中资产）。scipy 1.9及以上版本提供的scipy.optimize.milp函数专门处理这类问题，示例代码如下：

  from scipy.optimize import milp, LinearConstraint, Bounds
  import numpy as np
  
  num_assets = 5  # 示例资产数量
  # 目标函数系数（以最小化方差为例，此处用随机值替代）
  c = np.random.rand(num_assets)
  # 二进制变量：x_bin[i]=1表示选中第i个资产，0表示不选
  num_bin = num_assets
  # 连续变量：x_cont[i]表示第i个资产的持仓比例
  num_cont = num_assets
  # 合并变量：前num_bin个是二进制，后num_cont个是连续
  c_full = np.concatenate([np.zeros(num_bin), c])
  
  # 约束1：选中资产时持仓在[0.05,0.2]，未选中时持仓为0
  # 转化为线性约束：0.05*x_bin[i] ≤ x_cont[i] ≤ 0.2*x_bin[i]
  constraints = []
  for i in range(num_assets):
      # 下界约束：x_cont[i] ≥ 0.05*x_bin[i]
      row = np.zeros(num_bin + num_cont)
      row[i] = -0.05
      row[num_bin + i] = 1
      constraints.append(LinearConstraint(row, lb=0, ub=np.inf))
      # 上界约束：x_cont[i] ≤ 0.2*x_bin[i]
      row = np.zeros(num_bin + num_cont)
      row[i] = -0.2
      row[num_bin + i] = 1
      constraints.append(LinearConstraint(row, lb=-np.inf, ub=0))
  
  # 约束2：所有持仓比例之和为1（满仓）
  sum_row = np.zeros(num_bin + num_cont)
  sum_row[num_bin:] = 1
  constraints.append(LinearConstraint(sum_row, lb=1, ub=1))
  
  # 变量边界：二进制变量取0或1，连续变量≥0且≤0.2
  bounds = Bounds(
      lb=np.concatenate([np.zeros(num_bin), np.zeros(num_cont)]),
      ub=np.concatenate([np.ones(num_bin), np.full(num_cont, 0.2)])
  )
  # 指定整数变量（前num_bin个为二进制变量）
  integrality = np.concatenate([np.ones(num_bin), np.zeros(num_cont)])
  
  # 求解
  res = milp(c=c_full, constraints=constraints, bounds=bounds, integrality=integrality)
  # 提取最优持仓比例
  optimal_weights = res.x[num_bin:]
  

• minimize近似处理（不推荐）：
  如果非要用scipy.minimize，只能先按原Bounds(0, 0.2)优化，之后筛选掉持仓比例在(0, 0.05)之间的组合——但这种方法会丢失最优解，因为优化过程可能收敛到(0,0.05)区间内的点，筛选后需要手动调整，结果不一定最优。
  另一种近似方法是给目标函数加惩罚项，逼优化器避开(0,0.05)区间，示例如下：

  from scipy.optimize import minimize, Bounds
  import numpy as np
  
  num_assets = 5
  # 原目标函数（以最小化方差为例）
  def objective(weights):
      cov_matrix = np.random.rand(num_assets, num_assets)
      cov_matrix = cov_matrix + cov_matrix.T  # 协方差矩阵对称化
      return weights @ cov_matrix @ weights
  
  # 带惩罚的目标函数
  def objective_with_penalty(weights):
      base_obj = objective(weights)
      penalty = 0
      # 对(0,0.05)区间的权重加惩罚，力度可调整
      for w in weights:
          if 0 < w < 0.05:
              penalty += 1000 * (0.05 - w)
      return base_obj + penalty
  
  # 边界与约束设置
  bounds = Bounds([0]*num_assets, [0.2]*num_assets)
  constraints = [{'type': 'eq', 'fun': lambda x: np.sum(x) - 1}]
  x0 = np.ones(num_assets)/num_assets  # 初始猜测
  
  res = minimize(objective_with_penalty, x0, bounds=bounds, constraints=constraints)
  # 求解后需检查结果是否符合约束，必要时手动调整
  

总结 #

如果需要严格满足约束，优先用混合整数优化工具（如scipy.milp）；如果暂时用minimize，只能做近似处理，之后必须筛选或调整结果，但无法保证最优性。

内容的提问来源于stack exchange，提问作者Olsen_I