矩阵代数实现验证：Maximum Sharpe Ratio Python代码是否正确？

正确性问题 #

• 变量名错误：代码中denominator部分使用了未定义的exp_rets，必须替换为函数参数posterior_returns，否则运行时会触发NameError。
• 核心公式逻辑正确：最大夏普比率的最优权重公式为 $\frac{\Sigma^{-1}(\mu - r_f \mathbf{1})}{\mathbf{1}^T \Sigma^{-1}(\mu - r_f \mathbf{1})}$，你的代码结构完全匹配该公式，修正变量名后即可正确计算。

优化建议 #

1. 复用逆矩阵计算 #

当前代码两次调用np.linalg.inv(cov)，提前计算一次并复用能减少冗余计算，尤其在协方差矩阵维度较大时更明显。

2. 用@替代np.dot提升可读性 #

NumPy的@运算符是专门的矩阵乘法运算符，写法更贴近数学公式，比np.dot更直观。

3. 添加输入校验 #

• 校验协方差矩阵cov与收益向量posterior_returns的维度匹配：确保cov是n×n矩阵，posterior_returns是n维向量。
• 校验无风险利率risk_free_rate是标量。
• 捕获协方差矩阵不可逆的异常：非正定矩阵无法求逆，可通过try-except捕获LinAlgError并给出明确提示。

4. 简化无风险向量运算 #

利用NumPy的广播机制，无需显式生成risk_free_vector，直接用posterior_returns - risk_free_rate即可完成向量减法。

优化后代码 #

import numpy as np

def maximum_sharpe_ratio(cov, posterior_returns, risk_free_rate):
    # 输入维度校验
    n = len(posterior_returns)
    if cov.shape != (n, n):
        raise ValueError("协方差矩阵维度需与收益向量长度一致")
    if not np.isscalar(risk_free_rate):
        raise ValueError("无风险利率必须是标量值")
    
    # 协方差矩阵求逆（捕获不可逆异常）
    try:
        inv_cov = np.linalg.inv(cov)
    except np.linalg.LinAlgError:
        raise ValueError("协方差矩阵不可逆，请确认其为正定矩阵")
    
    excess_returns = posterior_returns - risk_free_rate
    numerator = inv_cov @ excess_returns
    denominator = np.ones(n) @ inv_cov @ excess_returns
    return numerator / denominator

内容的提问来源于stack exchange，提问作者Karina