生成符合约束的股票组合随机权重及随机种子问题求助

原代码问题分析 #

问题a：权重相似度高、极少接近上限 #

原代码先生成[min_weight, max_weight]范围内的随机数再归一化，随后通过while循环过滤不符合区间的结果。这种方式的核心问题是：

• 归一化会压缩权重范围：若原随机数的总和较小，大值归一化后会超过max_weight被过滤；只有当所有原随机数都较小时，归一化后才会落在区间内，最终导致权重集中在均值附近（1/12≈0.0833），很难出现接近0.25的取值。
• while循环的过滤条件过于严苛，有效生成的权重范围被大幅限制。

问题b：seed失效、结果重复 #

原代码在rand_weight函数中每次调用random.seed()，会频繁重置随机数生成器的种子。由于循环执行速度快，多次调用的系统时间可能相同，导致生成的随机数序列重复，出现周期为3的问题。

优化方案 #

核心思路 #

直接生成满足每个权重∈[1/24, 1/4]且总和=1的随机数，避免归一化带来的范围压缩，同时合理控制随机数生成逻辑，保证效率和唯一性。

代码实现 #

import numpy as np

n = 12
min_weight = 1 / 24  # 约0.0417
max_weight = 0.25

def generate_valid_weights(n, min_w, max_w):
    while True:
        # 先生成前n-1个符合区间的权重
        weights = np.random.uniform(min_w, max_w, size=n-1)
        # 计算第n个权重，确保总和为1
        last_weight = 1 - np.sum(weights)
        # 检查第n个权重是否在合法区间内
        if min_w <= last_weight <= max_w:
            return np.append(weights, last_weight)

# 生成100组权重
weight_portfolios = []
for _ in range(100):
    portfolio = generate_valid_weights(n, min_weight, max_weight)
    # 验证（可选，用于确保正确性）
    assert np.isclose(np.sum(portfolio), 1, rtol=1e-6)
    assert np.all(portfolio >= min_w - 1e-9)  # 允许微小浮点误差
    assert np.all(portfolio <= max_w + 1e-9)
    weight_portfolios.append(portfolio)

方案优势 #

1. 权重分布符合要求：每个权重直接在[min_weight, max_weight]范围内生成，最后一个权重通过总和约束计算，天然满足区间要求，能自然出现接近0.25的取值。
2. 避免seed问题：移除了频繁重置种子的逻辑，随机数生成器由系统自动维护状态，每次生成的结果唯一；若需要可复现性，可在代码开头添加np.random.seed(your_seed_value)一次即可。
3. 效率更高：拒绝采样的条件更明确，仅需检查最后一个权重是否合法，相比原代码的全量检查，运行速度大幅提升。

进阶优化（可选） #

如果需要更分散的权重分布，可以使用截断Dirichlet分布，通过调整分布参数alpha控制权重的分散程度：

• alpha越小，权重越分散（容易出现极端值）；
• alpha越大，权重越平均。

示例代码：

def generate_dirichlet_weights(n, min_w, max_w, alpha=1.0):
    while True:
        weights = np.random.dirichlet(np.ones(n) * alpha)
        if np.all(weights >= min_w) and np.all(weights <= max_w):
            return weights

此方法适合需要更符合实际投资分布的场景，调整alpha即可灵活控制权重的分散度。

内容的提问来源于stack exchange，提问作者Matthew