如何使用Sympy Solve为时间序列求解未知变量X？

一、简化场景示例 #

假设我们有时间序列格式的DataFrame，需要对每行数据求解方程：(1+df['LTEPSG']) * df['TTMEPS'] - X = 0，核心目标是为每行计算对应的X值，得到随时间变化的结果序列。

这类方程求解逻辑直接，X的解可简化为(1+LTEPSG)*TTMEPS，用SymPy处理时，可先定义符号变量，再通过符号求解得到表达式，最后逐行代入数值计算结果。

二、实际复杂方程求解需求 #

我们需要针对时间序列的每一行，求解以下方程中的X：
df['SPX'] - (A+B+C+D+E) = 0
其中各变量定义为：

A = df['DIV1'] / (1 + df['US30'] + X)**1
B = df['DIV2'] / (1 + df['US30'] + X)**2
C = df['DIV3'] / (1 + df['US30'] + X)**3
D = df['DIV4'] / (1 + df['US30'] + X)**4
E = (df['DIV5'] + (df['DIVT']/X)) / (1 + df['US30'] + X)**5

对应时间序列数据集 #

三、解决方案代码 #

步骤说明 #

1. 导入pandas处理时间序列，sympy进行符号求解；
2. 定义符号变量X，并添加正实数约束（符合金融场景下的实际意义）；
3. 构建方程模板，将每行数据代入生成具体方程；
4. 逐行调用数值求解函数得到X的解，保存到DataFrame中。

完整代码 #

import pandas as pd
import sympy as sp

# 1. 构建数据集
data = {
    'Dates': ['2022-09-01', '2022-10-01', '2022-11-01', '2022-12-01', '2023-01-01'],
    'SPX': [3966.85, 3678.43, 3856.10, 4076.57, 3839.50],
    'US30': [0.0337, 0.0373, 0.0414, 0.0364, 0.0397],
    'DIV1': [74.695960, 74.978836, 73.660144, 74.472697, 73.966816],
    'DIV2': [84.730615, 84.906784, 82.285010, 82.454680, 81.425629],
    'DIV3': [96.113326, 96.149292, 91.919762, 91.292173, 89.636590],
    'DIV4': [109.025190, 108.880419, 102.682647, 101.076868, 98.675544],
    'DIV5': [123.671634, 123.297276, 114.705758, 111.910287, 108.625985],
    'DIVT': [123.713312, 123.343265, 114.753246, 111.951022, 108.669110]
}
df = pd.DataFrame(data)
df['Dates'] = pd.to_datetime(df['Dates'])

# 2. 定义符号变量，限定为正实数
X = sp.symbols('X', real=True, positive=True)

# 3. 构建每行对应的方程
def build_equation(row):
    discount_rate = row['US30'] + X
    A = row['DIV1'] / (1 + discount_rate)**1
    B = row['DIV2'] / (1 + discount_rate)**2
    C = row['DIV3'] / (1 + discount_rate)**3
    D = row['DIV4'] / (1 + discount_rate)**4
    E = (row['DIV5'] + (row['DIVT'] / X)) / (1 + discount_rate)**5
    return sp.Eq(row['SPX'], A + B + C + D + E)

# 4. 逐行求解，初始值设为0.05（常见收益率范围）
df['X_solution'] = df.apply(lambda row: sp.nsolve(build_equation(row), X, 0.05), axis=1)

# 输出结果
print(df[['Dates', 'SPX', 'X_solution']])

关键说明 #

• 定义X时添加real=True, positive=True约束，避免求解出无意义的复数或负根；
• 使用sp.nsolve进行数值求解，针对非线性方程效率更高，初始值设为0.05可提升求解的稳定性；
• 通过df.apply实现逐行处理，将每行数据代入方程得到对应X的解。

内容的提问来源于stack exchange，提问作者user20856754