使用DEoptim求解的最优投资组合绘图显示非最优，求原因解析

你在使用PortfolioAnalytics搭配DEoptim构建最优投资组合时，遇到了一个很典型的启发式优化困惑：明明图表里有回撤相同但收益率更高的组合，算法却没选到它。我来帮你拆解几个核心原因，以及对应的调试方向：

1. DEoptim的启发式搜索特性有局限性 #

DEoptim是差分进化算法，属于启发式优化范畴——它不像线性规划那样能100%找到全局最优解，而是通过迭代种群搜索来逼近最优。你设置的search_size=2000虽然不算小，但在有多个约束（组约束、全投资约束、long-only）的组合空间里，这个搜索规模可能还不足以覆盖到那个收益更高的可行组合。

调试建议： #

增大搜索规模或者调整DEoptim的核心参数，比如：

# 增大搜索样本量，同时调整DEoptim种群规模和迭代次数
opt.obj.no1.1 <- optimize.portfolio(R=ret, portfolio=ret.obj.portf, 
                                     optimize_method="DEoptim", 
                                     search_size=5000,  # 提升到5000甚至10000
                                     trace=TRUE,
                                     DEoptim.control(NP=200, itermax=100))

2. 你把回撤设置成了目标而非硬约束 #

看你的代码，你是通过add.objective来设置maxDrawdown目标的：

ret.obj.portf <- add.objective(portfolio = ret.obj.portf, type = 'risk', name = 'maxDrawdown', arguments = list(inverse=TRUE), target = -0.1)

这里的问题是：add.objective里的risk目标带target，本质是把回撤作为惩罚项（而非严格约束）。也就是说，算法可能会接受稍微超过-0.1的回撤来换取更高收益，或者在搜索逻辑里，没有把“回撤≤-0.1”作为必须满足的前提。

正确的硬约束做法： #

如果你想严格限定最大回撤不能超过10%，应该把回撤设置成约束，而非目标：

# 先移除原来的maxDrawdown目标，改用硬约束
ret.obj.portf <- add.constraint(portfolio=ret.obj.portf, 
                                type="risk", 
                                name="maxDrawdown", 
                                max=-0.1)  # 强制要求回撤不能超过-0.1

这样算法会在所有满足回撤约束的可行组合里，专门寻找收益率最高的那个。

3. 组约束可能锁死了优化空间 #

你的代码里设置了非常严格的组约束：

group_list <- list(group1=c(3), group2=c(1, 2), group3=c(5, 7, 8))
init.portf <- add.constraint(portfolio= init.portf, type="group", groups=group_list, group_min=c(0.03, 0, 0), group_max=c(0.032, 0.2, 0.3))

尤其是group1（对应第3个资产）的权重被死死卡在0.03-0.032之间，这可能直接排除了那个收益更高的组合——它的权重分配可能违反了这个组约束，所以根本不在算法的可行搜索范围内。

验证方法： #

查看chart.RiskReward里那个“更优”组合的权重，检查是否满足所有组约束条件。如果它的group1权重不在0.03-0.032之间，那它本来就不符合你的规则，算法当然不会选它。

4. 全投资约束的宽松设置可能有影响 #

你修改了全投资约束的范围：

ret.obj.portf$constraints[[1]]$min_sum <- 0.99
ret.obj.portf$constraints[[1]]$max_sum <- 1.01

虽然这个范围很小，但某些收益更高的组合可能权重和超出了0.99-1.01，或者算法在搜索时没有优先聚焦这个区间内的最优解。你可以尝试把这个范围改回严格的1（即min_sum=1, max_sum=1），再重新优化试试。

最后一步：验证可行域 #

你可以用extractStats(opt.obj.no1.1)导出优化后组合的详细统计，再手动计算那个“更优”组合的回撤、收益率和权重约束情况，确认它是否真的在你的可行域内。很多时候，看起来更优的组合其实是违反了某个隐藏的约束条件。

内容的提问来源于stack exchange，提问作者kobriukee