如何在最小化支出与最大化收益间找最优解？CVXPY维度错误排查

错误原因 #

quad_form(x, C)对参数维度有严格要求：

• x必须是列向量
• C必须是和x维度匹配的对称正定方阵（比如x是2维列向量，C就得是2×2的矩阵）
  常见踩坑点：
• 变量x默认定义成行向量（比如cvxpy.Variable(2)是1行2列）
• 协方差矩阵C的维度和x不匹配（比如只算了单资产的方差，得到1×1矩阵）
• 计算协方差时没处理好，导致C不是对称矩阵

解决步骤 #

1. 修正变量x的定义

直接指定x为列向量，针对体育场和赌场两个资产的场景：

x = cvxpy.Variable((2, 1))

2. 确保协方差矩阵C的维度正确

假设你的DataFrame包含Stadium和Casino两列月度收支数据，正确计算协方差矩阵：

# df是你的收支数据DataFrame
C = df.cov().values
# 检查形状，应该输出(2, 2)
print(C.shape)

如果形状不对，说明数据处理有误（比如只提取了一列数据），重新检查数据导入和筛选步骤。

3. 重新调用quad_form

确保x是列向量、C是对应维度的方阵后，再执行risk = cvxpy.quad_form(x, C)就不会触发维度错误。

完整可运行示例 #

import pandas as pd
import cvxpy as cp

# 替换成你的真实月度收支数据
data = {
    "Stadium": [12000, 15000, 11000, 13000, 14500],
    "Casino": [8000, 9500, 7800, 8500, 9200]
}
df = pd.DataFrame(data)

# 定义2个资产的权重变量（列向量）
x = cp.Variable((2, 1))

# 计算2×2的协方差矩阵
C = df.cov().values

# 定义风险项
risk = cp.quad_form(x, C)

# 计算预期收益
expected_return = df.mean().values @ x

# 设置约束：权重和为1，不能做空（权重非负）
constraints = [cp.sum(x) == 1, x >= 0]

# 目标：最小化风险，同时保证收益不低于设定阈值
target_return = 12000
prob = cp.Problem(cp.Minimize(risk), [expected_return >= target_return] + constraints)

# 求解优化问题
prob.solve()

# 输出结果
print("最优分配权重：", x.value.flatten())
print("最小风险值：", risk.value)
print("实际预期收益：", expected_return.value[0])

内容的提问来源于stack exchange，提问作者ASH