Python调用Matlab投资组合优化器失败，求解最大夏普比率组合问题

我来帮你梳理下Python调用Matlab投资组合优化器时遇到的问题，这类跨语言调用的坑大多和数据格式不兼容或者Matlab函数的输入要求没对齐有关，下面是一步步的排查和解决办法：

Matlab引擎对pandas的Series/DataFrame支持不算完美，直接传参很容易触发类型识别错误，你需要手动把它们转换成Matlab能识别的矩阵/向量：

• 对于5×1的test_mean（pandas Series）：先转成numpy列数组，再用matlab.double()包装成Matlab的列向量（Matlab金融工具箱的函数大多默认期望收益率是列向量）：

  import matlab.engine
  import numpy as np
  
  # 转换收益率向量
  mean_np = test_mean.values.reshape(-1, 1)  # 转成5×1的numpy列数组
  matlab_mean = matlab.double(mean_np.tolist())  # 转成Matlab可识别的double列向量
  
  # 转换5×5的协方差矩阵test_cov（pandas DataFrame）
  cov_np = test_cov.values  # 提取numpy二维数组
  matlab_cov = matlab.double(cov_np.tolist())
  

  手动转成list再包装比直接传numpy数组更稳妥，能避免维度或者类型识别的意外。

你得确认Matlab端的优化函数对输入有哪些硬性要求：

• 协方差矩阵必须是正定对称矩阵：这是投资组合优化的核心前提，Matlab的优化器会直接报错如果矩阵不满足。你可以在Python里先验证：

  # 检查对称性
  assert np.allclose(test_cov, test_cov.T), "协方差矩阵不对称，请检查计算逻辑"
  # 检查正定性（特征值全部大于0，允许微小误差）
  eig_vals = np.linalg.eigvalsh(test_cov.values)
  assert np.all(eig_vals > 1e-8), "协方差矩阵非正定，需要正则化"
  

  如果矩阵非正定，你可以加一个极小的对角矩阵来修正：

  reg_cov = test_cov.values + 1e-6 * np.eye(test_cov.shape[0])
  matlab_cov = matlab.double(reg_cov.tolist())
  

• 收益率向量的维度匹配：确保是列向量，而不是行向量，Matlab很多金融函数对维度很敏感。

确保你正确启动了引擎，并且参数顺序、输出数量和Matlab函数完全匹配：
比如你的Matlab函数定义是：

function [weights, sharpe_ratio] = max_sharpe(mean_vec, cov_mat, risk_free_rate)
    % 最大夏普比率组合的实现代码
end

那Python调用时要指定返回值数量（nargout），否则会报错：

# 启动Matlab引擎
eng = matlab.engine.start_matlab()
# 调用函数，指定返回2个输出
try:
    weights_matlab, sharpe_matlab = eng.max_sharpe(matlab_mean, matlab_cov, 0.02, nargout=2)
    # 把Matlab结果转成Python可用的numpy数组
    weights_np = np.array(weights_matlab).reshape(-1)
except Exception as e:
    print(f"Matlab调用报错: {str(e)}")

一定要捕获错误信息，这是定位问题的关键——比如报错“Matrix must be positive definite”就是协方差矩阵的问题，“Invalid input type”就是数据转换的问题。

如果Matlab调用实在折腾，其实最大夏普比率的组合可以直接用Python计算，公式是标准化的，完全不需要依赖Matlab：
$$\text{weights} = \frac{\Sigma^{-1}(\mu - r_f \mathbf{1})}{\mathbf{1}^T \Sigma^{-1}(\mu - r_f \mathbf{1})}$$
代码实现：

import numpy as np

risk_free_rate = 0.02  # 根据你的需求调整
mean_vec = test_mean.values.reshape(-1, 1)
cov_mat = test_cov.values

# 计算分子：协方差矩阵逆 × (收益率 - 无风险利率)
inv_cov = np.linalg.inv(cov_mat)
numerator = inv_cov @ (mean_vec - risk_free_rate)
# 计算分母：全1向量转置 × 分子
denominator = np.ones((1, len(mean_vec))) @ numerator
# 得到最终权重
weights = numerator / denominator
# 计算夏普比率
sharpe_ratio = (mean_vec.T @ weights - risk_free_rate) / np.sqrt(weights.T @ cov_mat @ weights)

这个方案更轻量，也不需要跨语言调用的额外开销。

内容的提问来源于stack exchange，提问作者MTANG