Scipy Minimize带变量求和约束的多币种现金收益最大化优化问题
问题排查与解决方案
问题根因
- SHGO算法默认的等式约束校验容差较为宽松,未显式配置时微小的总和偏差会被判定为满足约束
- 目标函数为分段不连续函数,默认采样点数、迭代次数不足时算法容易提前收敛到次优解,同时跳过严格的约束校验
- 该问题本质为线性规划问题,SHGO作为全局黑盒优化器,本身对线性等式约束的支持度不如专用线性规划工具稳定
排查步骤
步骤1:调整SHGO算法参数
显式添加约束容差、采样点数、迭代次数参数,强制算法严格校验等式约束:
solution = shgo( objective, bounds = bnds, constraints = con1, constraints_tol=1e-8, # 约束容忍度调整到1e-8 n=200, # 增加初始采样点数量 iters=15 # 增加迭代次数 )
调整后先校验solution.success字段是否为True,再校验sum(solution.x) - sum(cash_start)的差值是否小于1e-6,符合的话约束就满足了。
步骤2:替换为专用线性规划求解器(更推荐)
你的收益计算规则本质可拆解为线性约束下的最大化问题,用scipy.optimize.linprog求解更稳定、速度更快,且天然严格满足等式约束:
import numpy as np from scipy.optimize import linprog cash_start = np.array([799181, -411087, 141234, 2650988]) total_cash = cash_start.sum() rates_sched = np.array([[.00196, .05320, -.0003, 0.0], [0.01, .00865, -.0076, .00028]]) # 要最大化总收益,linprog默认求最小值,所以收益系数取负 c = -np.array([ rates_sched[1][0], # GBP最优场景为正余额,用借记利率 rates_sched[0][1], # JPY最优场景为负/0余额,用信贷利率 rates_sched[1][2], # EUR最优场景为正/0余额,用借记利率 rates_sched[1][3] # USD最优场景为正/0余额,用借记利率 ]) # 等式约束:各币种余额总和等于初始总现金 A_eq = np.ones((1,4)) b_eq = [total_cash] # 边界设置和原逻辑一致 bnds = [] for value in cash_start: if value <0: bnd = (value, total_cash) else: bnd = (0, total_cash) bnds.append(bnd) res = linprog(c, A_eq=A_eq, b_eq=b_eq, bounds=bnds, method='highs') print("最优配置:", res.x.round(2)) print("总收益:", (-res.fun).round(2)) print("配置总和与初始总和差值:", abs(sum(res.x) - total_cash) < 1e-8)
运行后可看到总和差值在1e-10级别,完全满足约束,且输出的最优配置符合收益最大化规则。
内容的提问来源于stack exchange,提问作者rcwilkin1993
相关产品推荐
相关产品推荐

