Scipy.optimize向量约束优化维度不匹配报错排查

报错来自三处配置错误，直接触发维度不匹配和逻辑失效：

• bounds参数长度必须和优化变量w的维度完全匹配：你的权重向量是10维（对应10个资产），但拼接后的bnds包含1个冗余b1、10个权重边界、1个波动率边界，总共12组边界，和变量维度不匹配，触发np.clip广播错误。
• constraints参数要求传入字典组成的一维列表，你当前定义的cons嵌套了非负约束的子列表，结构不符合scipy接口规范。
• 逻辑错误：bounds仅用于给单个优化变量设置上下限，你要限制的组合波动率是所有权重的聚合函数，不是独立优化变量，不能写在bounds里；且你原来的波动率约束仅要求方差大于0，未生效传入的波动率上下限参数。

1. 删掉冗余的b1、b3边界配置，仅给10个权重变量设置非负边界即可。
2. 将cons展平为一维字典列表，补全波动率上下限约束：scipy的ineq类型约束要求函数返回值≥0，因此波动率下限对应w @ varcov @ w.T - lb_vol，上限对应ub_vol - w @ varcov @ w.T。
3. 循环生成非负约束时显式捕获循环变量i，避免Python闭包特性导致所有约束仅作用于最后一个权重。
4. 显式指定支持约束和边界的SLSQP求解器，避免scipy默认选用无约束求解器导致结果错误。

import numpy as np
from scipy.optimize import minimize


def main():
    fake_x = np.random.random((60, 10))
    results = solution(fake_x, 0.05, 0.1)
    print(results)


def initial_weights(fund):
    index = np.asarray(fund)
    dim_index = index.shape[1]
    return np.array([1/dim_index]*dim_index)


def objective(w, fund):
    varcov = np.cov(fund, rowvar=False)
    obj_fun = 0.5 * np.log(w @ varcov @ w.T)
    return obj_fun


def solution(x, lb_vol, ub_vol):
    varcov = np.cov(x, rowvar=False)
    w0 = initial_weights(x)
    cons = [
        {"type": "eq", "fun": lambda w: 1 - np.sum(w)},
        *[{"type": "ineq", "fun": lambda w, i=i: w[i]} for i in range(x.shape[1])],
        {"type": "ineq", "fun": lambda w: w @ varcov @ w.T - lb_vol},
        {"type": "ineq", "fun": lambda w: ub_vol - w @ varcov @ w.T}
    ]
    bnds = [(0, None) for _ in range(x.shape[1])]
    res = minimize(objective, w0, bounds=bnds, args=(x,), constraints=cons, method='SLSQP')
    return res


if __name__ == "__main__":
    main()

非负约束已经通过bnds实现，不需要重复写在constraints列表里，要简化代码可以直接删掉cons里的非负约束行，运行效果完全一致。

内容的提问来源于stack exchange，提问作者mbronzo