Scipy Minimize函数约束问题：股票组合权重优化第二约束失效

你的第三个约束失效的核心原因是：约束函数不满足连续可微性。x[x>=0.05]是硬阈值操作，当权重刚好等于0.05时，函数导数会突变，而Scipy的SLSQP优化器要求约束函数必须连续可微，这种非光滑性会导致优化器无法正确识别和强制执行约束。

同时原目标函数存在逻辑偏差：你用minimize去优化fund_return/fund_risk，但实际需求是最大化夏普比率，应该将目标函数取负，让minimize执行最大化逻辑。

以下提供两种可行的修复方案：

方法1：用平滑近似替代硬阈值 #

通过可微的sigmoid函数近似“权重≥0.05”的判断逻辑，让约束函数满足可微性，同时修正目标函数符号：

import pandas as pd
import numpy as np
from scipy.optimize import minimize

# 生成数据
n = 40
codes = [''.join(np.random.choice(list('ABCDEFGHIJKLMNOPQRSTUVWXYZ'), 2)) + str(np.random.randint(10, 100)) for _ in range(n)]
returns = np.random.uniform(0.05, 0.2, n)
risks = np.random.uniform(0.15, 0.39, n)
df = pd.DataFrame({"Code_title": codes, "Return": returns, "Risk": risks})

# 平滑参数，ε越小越接近硬阈值，数值稳定性会稍降
epsilon = 1e-4

def smooth_indicator(x):
    # 用sigmoid函数近似"x≥0.05"的指示逻辑
    return 1 / (1 + np.exp(-(x - 0.05)/epsilon))

# 定义约束
cons = [
    {"type":"eq", "fun": lambda x: np.sum(x)-1},
    # 平滑后的约束：权重≥0.05的资产总和≤0.4 → 0.4 - 近似总和 ≥0
    {"type": "ineq", "fun": lambda x: 0.4 - np.sum(x * smooth_indicator(x))}
]

# 调整初始猜测：让部分权重超过0.05，帮助优化器感知约束
guess = np.full(df.shape[0], 1.0/df.shape[0])
guess[np.random.choice(df.shape[0], 8, replace=False)] = 0.06

bounds = tuple((0, 0.1) for _ in range(df.shape[0]))

def function_obj(W):
    W = np.array(W)
    fund_return = df['Return'].values @ W
    fund_risk = df['Risk'].values @ W
    # 取负后，minimize等价于最大化夏普比率
    return -(fund_return / fund_risk)

result = minimize(function_obj, guess, method="SLSQP", bounds=bounds, constraints=cons)

# 验证约束
sum_over_threshold = np.sum(result.x[result.x >= 0.05])
print(f"权重≥0.05的资产总权重：{sum_over_threshold:.4f}")
print(f"是否满足≤0.4约束：{sum_over_threshold <= 0.4 + 1e-3}") # 允许微小数值误差

方法2：转化为线性约束组合（严格硬约束） #

如果需要严格的硬阈值约束，可引入二进制辅助变量，使用支持混合整数规划的scipy.optimize.milp实现：

import pandas as pd
import numpy as np
from scipy.optimize import milp, LinearConstraint, Bounds

# 生成数据
n = 40
codes = [''.join(np.random.choice(list('ABCDEFGHIJKLMNOPQRSTUVWXYZ'), 2)) + str(np.random.randint(10, 100)) for _ in range(n)]
returns = np.random.uniform(0.05, 0.2, n)
risks = np.random.uniform(0.15, 0.39, n)
df = pd.DataFrame({"Code_title": codes, "Return": returns, "Risk": risks})

# 变量：前40个是权重w_i，后40个是二进制辅助变量z_i（z_i=1表示w_i≥0.05）
n_vars = 2 * n

# 目标函数：最大化风险调整后收益（等价于近似最大化夏普比率）
c = np.concatenate([-(df['Return'].values - df['Risk'].values), np.zeros(n)])

# 构造线性约束
constraints = []
# 约束1：权重总和=1
constraints.append(LinearConstraint(np.concatenate([np.ones(n), np.zeros(n)]), lb=1, ub=1))
# 约束2：若z_i=1，则w_i≥0.05；若z_i=0，w_i无下限（由bounds控制≥0）
for i in range(n):
    row = np.zeros(n_vars)
    row[i] = 1
    row[n+i] = -0.05
    constraints.append(LinearConstraint(row, lb=0, ub=np.inf))
# 约束3：若z_i=1，则w_i≤0.1；若z_i=0，则w_i≤0.05
for i in range(n):
    row = np.zeros(n_vars)
    row[i] = 1
    row[n+i] = -0.05
    constraints.append(LinearConstraint(row, lb=-np.inf, ub=0.05))
# 约束4：权重≥0.05的资产总和≤0.4
sum_w = np.concatenate([np.ones(n), np.zeros(n)])
sum_z = np.concatenate([np.zeros(n), np.ones(n)])
constraints.append(LinearConstraint(sum_w + 0.05*sum_z, lb=-np.inf, ub=0.4 + 0.05*n))

# 变量边界：w_i∈[0,0.1]，z_i∈{0,1}
bounds = Bounds(
    lb=np.concatenate([np.zeros(n), np.zeros(n)]),
    ub=np.concatenate([np.full(n, 0.1), np.full(n, 1)]),
    integrality=np.concatenate([np.zeros(n), np.ones(n)]) # z_i为整数变量
)

result = milp(c=c, constraints=constraints, bounds=bounds)

# 提取权重并验证约束
w = result.x[:n]
sum_over_threshold = np.sum(w[w>=0.05])
print(f"权重≥0.05的资产总权重：{sum_over_threshold:.4f}")
print(f"是否满足≤0.4约束：{sum_over_threshold <=0.4 +1e-3}")

1. 可微性要求：基于梯度的优化器（如SLSQP）对约束函数的可微性有严格要求，避免使用硬阈值、条件判断这类非光滑操作。
2. 初始猜测调整：初始权重全为0.025时，优化器可能无法感知约束，让部分初始权重超过0.05能帮助优化器更快识别约束逻辑。
3. 目标函数逻辑：使用minimize实现最大化需求时，需将目标函数取负。

内容的提问来源于stack exchange，提问作者PatrickHigadere