如何使用numpy.vectorize对scipy.optimize.brentq按K迭代实现向量化？

需求 #

通过numpy.vectorize对scipy.optimize.brentq进行向量化，迭代参数K完成计算。

现有代码 #

核心计算函数（调用brentq） #

from scipy.optimize import brentq

def fun(S, K, P, T, R, Q, Bin):
    def f(x): 
        return F(1, K/S, x, T, R, Q, Bin.get(K < S)) - P[K]/S
    return brentq(f, 0., 10.)

辅助计算函数F #

import numpy as np
from scipy.stats import norm

def F(S, K, x, T, R, Q, B=Bin.get(K < S)):
    return B * (S * np.exp(-Q * np.ones_like(K) * T) * norm.cdf(B * S/K) 
                - np.exp(-R * np.ones_like(K) * T) * K * norm.cdf(B * S/K))

参数说明 #

• S、K：等长numpy数组
• P：键为K元素值的字典
• T、R、Q：浮点数
• Bin：返回±1的字典

遇到的问题 #

1. 单个数值传入fun时运行正常，但直接用np.vectorize调用fun，结果与遍历K的for循环结果不一致；
2. 解决结果一致性问题后，np.vectorize的运行速度并未优于for循环。

内容的提问来源于stack exchange，提问作者trmgn094