Cholesky分解报错：矩阵非正定，协方差矩阵为何出现负特征值？

你在优化问题中基于7个变量的标准差和相关系数构造协方差矩阵时，遇到numpy.linalg.LinAlgError: Matrix is not positive definite错误，且特征值存在负数，核心问题出在相关矩阵的构造逻辑不合法，具体原因和修复方案如下：

一、错误根源 #

1. 相关系数参数映射逻辑混乱 #

7变量的合法相关矩阵需要7*(7-1)/2=21个独立相关系数，但你的params[15:35]仅包含20个参数，数量缺失直接导致矩阵元素不全。同时，你手动拼接corr1到corr7的方式存在错误：

• 比如corr2中用np.zeros(1)填充第一个位置，但实际上rho21应等于rho12（相关矩阵对称），错误的0值破坏了矩阵的对称约束；
• 后续通过X = X + X.T - np.diag(np.diag(X))对称化时，虽然补全了下三角，但初始错误值已经导致矩阵结构不符合相关矩阵的半正定要求。

2. 随机相关系数组合不满足半正定约束 #

即使参数数量正确，直接从[-1,1]区间采样的相关系数组合，也不一定能构成合法的相关矩阵。相关矩阵必须是半正定矩阵，不是所有满足|rho_ij|≤1的对称矩阵都符合要求（比如三个变量的相关系数rho12=0.9、rho13=0.9、rho23=-0.9，会直接导致矩阵非正定）。

3. 数值精度问题（次要） #

你当前的负特征值绝对值较大（-0.22），显然不是浮点精度误差导致，但如果后续构造理论上合法的矩阵时，极小的负特征值可以通过精度修正处理。

二、修复方案 #

1. 正确映射相关系数参数 #

先确保参数数量足够（21个独立相关系数），然后按对称矩阵的下三角（或上三角）元素映射参数：

# 假设params[15:15+21]是21个独立相关系数
corr_mat = np.eye(7)
idx = 0
# 填充下三角元素（不含对角线）
for i in range(1, 7):
    for j in range(i):
        corr_mat[i, j] = params[15 + idx]
        idx += 1
# 对称化得到完整相关矩阵
corr_mat = corr_mat + corr_mat.T - np.diag(np.diag(corr_mat))

2. 强制保证矩阵半正定 #

在优化过程中，避免仅对单个相关系数设[-1,1]边界，可通过以下方式确保矩阵合法性：

• Cholesky因子参数化：直接优化协方差矩阵的Cholesky下三角因子，这样构造的协方差矩阵天然正定，无需手动处理相关系数；
• 矩阵修正：若必须用相关系数参数化，每次构造矩阵后，将负特征值替换为0，再重构矩阵（仅作为临时修复，可能改变原始参数意义）：

  eigvals, eigvecs = np.linalg.eigh(corr_mat)
  eigvals = np.maximum(eigvals, 1e-8)  # 替换负特征值为极小正数
  corr_mat = eigvecs @ np.diag(eigvals) @ eigvecs.T
  

3. 修正标准差参数边界 #

将标准差参数的下界设为1e-6（而非0），避免出现奇异矩阵：

# 在differential_evolution的bounds中设置params[8:15]的边界为(1e-6, 0.5)

三、验证修复效果 #

构造合法的相关矩阵后，计算协方差矩阵cov = dev @ corr_mat @ dev，此时特征值应全部非负，np.linalg.cholesky(cov)可正常执行。

内容的提问来源于stack exchange，提问作者jasmine