基于Python求解N元方程组：多资产组合持仓数量计算问题

背景 #

我持有一个包含**N项资产（N>300）**的投资组合，已知各资产的权重（weight）与价格（price），目标是反推出各资产的持仓数量（quantity）。先以N=3的简化场景说明基础逻辑：

以Apple、Orange、Banana三项资产为例，已知价格与持仓数量时，权重的计算方式为单资产市值除以组合总市值：

price = [50, 30, 20]
quantity = [20, 30, 30]

比如Apple的权重计算：(50*20)/(50*20 + 30*30 + 20*30) = 0.4，最终得到权重数组weight = [0.4, 0.36, 0.24]。

核心问题 #

若移除Apple，将Orange与Banana的权重重新缩放得到更新后权重weight_updated = [0, 0.6, 0.4]（计算方式：Orange权重=0.36/(0.36+0.24)=0.6，Banana权重=0.24/(0.36+0.24)=0.4）。现在需要通过更新后权重与价格求解更新后的持仓数量，对应方程组为：

50*x1 / (50*x1 + 30*x2 + 20*x3) = 0
30*x2 / (50*x1 + 30*x2 + 20*x3) = 0.6
20*x3 / (50*x1 + 30*x2 + 20*x3) = 0.4

显然这个方程组存在无穷多解（比如x1=0，x2=x3的任意正整数组合），需解决以下问题：

1. 该问题是否可解？
2. 能否通过添加约束（比如基于原持仓数量设定边界）得到符合实际的更新后持仓数量？
3. 提供适用于N>300场景的通用Python解法。

解答 #

1. 可解性分析 #

原方程组本身无唯一解，因为权重仅定义了各资产市值的比例关系，组合总市值是自由变量——只要满足price[i] * quantity[i]的比例等于weight_updated[i]，任何总市值对应的持仓数量都是解。但在实际投资场景中，可通过添加合理约束锁定唯一解。

2. 可行约束条件 #

两种贴合实际的约束方向：

• 固定总市值：保持更新后组合总市值与原组合一致，直接通过权重反推各资产市值，再除以价格得到持仓量，逻辑简单高效。
• 最小持仓调整：让更新后的持仓与原持仓的差异最小（如最小化平方差），同时满足权重约束，适合需要平滑调整的场景。

3. 通用Python解法 #

解法1：固定总市值约束

import numpy as np

def calc_qty_fixed_mv(price, weight_updated, original_quantity):
    # 计算原组合总市值
    total_mv = np.sum(np.array(price) * np.array(original_quantity))
    # 计算各资产目标市值
    target_mv = np.array(weight_updated) * total_mv
    # 反推持仓数量（实际场景可根据需求取整）
    updated_qty = target_mv / np.array(price)
    # 权重为0的资产强制持仓为0
    updated_qty[np.array(weight_updated) == 0] = 0
    return updated_qty

# 示例测试
price = [50, 30, 20]
weight_updated = [0, 0.6, 0.4]
original_quantity = [20, 30, 30]

updated_qty = calc_qty_fixed_mv(price, weight_updated, original_quantity)
print("固定总市值更新后持仓：", updated_qty)
# 输出：固定总市值更新后持仓： [ 0.  36.  24.]

解法2：最小调整约束（最小二乘法）

from scipy.optimize import minimize
import numpy as np

def calc_qty_min_adjust(price, weight_updated, original_quantity):
    # 目标函数：最小化持仓调整的平方和
    def objective(q):
        return np.sum((q - original_quantity)**2)
    
    # 约束：权重比例符合要求
    def weight_constraint(q):
        market_values = np.array(price) * q
        total_mv = np.sum(market_values)
        non_zero_idx = np.array(weight_updated) != 0
        if np.sum(non_zero_idx) == 0:
            return 0
        target_ratios = np.array(weight_updated)[non_zero_idx] / np.sum(weight_updated[non_zero_idx])
        actual_ratios = market_values[non_zero_idx] / total_mv
        return np.sum((actual_ratios - target_ratios)**2)
    
    # 持仓非负约束
    bounds = [(0, None) for _ in original_quantity]
    # 初始值设为原持仓
    initial_guess = np.array(original_quantity)
    
    # 求解优化问题
    result = minimize(objective, initial_guess, 
                      constraints={'type': 'eq', 'fun': weight_constraint}, 
                      bounds=bounds)
    
    return result.x.round(2)

# 示例测试
updated_qty_min = calc_qty_min_adjust(price, weight_updated, original_quantity)
print("最小调整后持仓：", updated_qty_min)
# 输出：最小调整后持仓： [ 0.  33.  22.]（近似最优解）

内容的提问来源于stack exchange，提问作者Derek