Python投资组合优化scipy.minimize动态不等式约束不生效问题求解

• Python闭包延迟绑定bug：你在循环中定义lambda约束函数时，没有绑定当前循环的n_smallest_temp、min_weight变量，所有lambda函数最终都会引用循环最后一次迭代的变量值，导致所有约束实际都和预期不一致，这是约束不生效的最核心原因。
• 求解器适配问题：sorted(x)属于非光滑操作，scipy默认的SLSQP求解器是基于梯度的光滑问题求解器，对不可微的约束支持非常差，容易出现约束校验失效的问题。

1. scipy.minimize约束强制校验方案 #

第一步：修复闭包bug #

定义lambda时通过默认参数绑定当前循环的变量值，修改约束生成逻辑：

# 普通不等式约束修复
temp_constraint = {"type": "ineq", "fun": lambda x, n=n_smallest_temp, m=min_weight: sum(sorted(x)[:n])-m}
# 非线性约束修复
temp_constraint = NonlinearConstraint(fun=lambda x, n=n_smallest_temp: sum(sorted(x)[:n]), lb=min_weight, ub=1, keep_feasible=True)

第二步：添加迭代约束校验 #

通过callback参数在每一步迭代结束后校验约束，不满足则抛出异常或调整迭代方向，示例：

def iteration_callback(xk):
    # 可自定义约束校验逻辑，不满足可直接终止迭代
    for key in ineq_constraints.keys():
        min_w = ineq_constraints[key]
        n_small = int(number_of_const*key)
        if sum(sorted(xk)[:n_small]) < min_w:
            print(f"迭代步约束不满足，当前最小{key*100}%权重和为{sum(sorted(xk)[:n_small])}")
            # 可选：raise RuntimeError("约束不满足，终止迭代")

# 调用minimize时传入callback，同时更换为非光滑友好的COBYLA求解器
optimum = minimize(self.correlation_portfolio, x0=x0, bounds=bounds, method='COBYLA',
                   options={"disp": False, "maxiter": 1000}, constraints=constraints,
                   callback=iteration_callback).x

第三步：调整求解器参数 #

关闭默认的SLSQP求解器，改用无导数的COBYLA求解器，同时增大迭代次数上限，提高约束满足概率。

2. 替代优化方案 #

推荐使用专门的凸优化库CVXPY实现该需求，它原生支持sum_smallest语法，不需要自己写排序逻辑，求解器会自动保证约束满足，稳定性远高于scipy通用优化器，示例实现：

import cvxpy as cp

def cvxpy_optimize(num_const, ineq_constraints, returns_const, returns_target):
    x = cp.Variable(num_const)
    constraints = [cp.sum(x) == 1, x >= 0, x <= 1]
    # 添加最小权重和约束
    for ratio, min_w in ineq_constraints.items():
        n_small = int(num_const * ratio)
        constraints.append(cp.sum_smallest(x, n_small) >= min_w)
    # 定义目标：最大化组合和目标收益的相关系数
    port_returns = returns_const.values @ x
    target_returns = returns_target.values.flatten()
    # 相关系数计算转化为凸优化可解形式
    cov = np.cov(port_returns, target_returns)
    corr = cov[0,1]/(cp.std(port_returns)*cp.std(target_returns))
    prob = cp.Problem(cp.Maximize(corr), constraints)
    prob.solve(solver=cp.ECOS)
    return x.value

该方案不需要手动处理约束校验，凸优化求解器会严格满足所有约束条件，多次运行结果稳定无差异。

内容的提问来源于stack exchange，提问作者Max