Python SciPy&x27；s minimize根本不是迭代

我试图最小化一个基本上如下所示的函数：

实际上，它有两个自变量，但由于x1+x2=1，它们不是真正独立的

现在是目标函数

def calculatePVar(w,covM):
    w = np.matrix(w)
    return (w*covM*w.T) [0,0]

wnere w是每个资产的权重列表，covM是由参数的.cov（）返回的协方差矩阵

这里调用了优化函数：

w0 = []
for sec in portList:
    w0.append(1/len(portList))

bnds = tuple((0,1)  for x in w0)
cons = ({'type': 'eq', 'fun': lambda x:  np.sum(x)-1.0})
res= minimize(calculatePVar, w0, args=nCov, method='SLSQP',constraints=cons, bounds=bnds)
weights = res.x

现在函数有了一个明确的最小值，但minimize只会吐出初始值作为结果，它确实表示“优化成功终止”。有什么建议吗

优化结果：

---

附加图片作为链接，因为我不符合要求

您的代码中只有一些令人困惑的变量，所以我刚刚清除了这些变量并简化了一些行，现在最小化工作正常了。然而，现在的问题是：结果是否正确？它们有意义吗？这由你来判断：

将numpy导入为np
从scipy.optimize导入最小化
def f（w，cov_矩阵）：
返回（np.矩阵（w）*cov_矩阵*np.矩阵（w）.T）[0,0]
cov_矩阵=np.数组（[[1,2,3]，
[4, 5, 6],
[7, 8, 9]])
p=[1,2,3]
w0=[（1/len（p））表示p中的e]
bnds=元组（（0,1）表示w0中的e）
cons=（{'type'：'eq'，'fun'：lambda w:np.sum（w）-1.0}）
res=最小化（f，w0，
args=cov_矩阵，
方法='SLSQP'，
约束=约束，
边界=bnds）
权重=res.x
打印（res）
打印（重量）

更新：

根据您的评论，在我看来-也许-您的函数有多个极小值，这就是为什么

scipy.optimize.minimize

被困在那里的原因。我建议使用

scipy.optimize.basinhopping

作为替代方法，这将使用一个随机步骤来遍历函数的大部分极小值，并且仍然很快。代码如下：

将numpy导入为np
从scipy.optimize导入basinhopping
类MyBounds（对象）：
定义初始化（self，xmax=[1,1]，xmin=[0,0]）：
self.xmax=np.array（xmax）
self.xmin=np.array（xmin）
定义呼叫（自我，**kwargs）：
x=kwargs[“x_新”]
tmax=bool（np.all（x=self.xmin））
返回tmax和tmin
def f（w）：
全局cov_矩阵
返回（np.矩阵（w）*cov_矩阵*np.矩阵（w）.T）[0,0]
cov_矩阵=np.数组（[[0.000244181,0.000198035]，
[0.000198035, 0.000545958]])
p=['ABEV3'，'BBDC4']
w0=[（1/len（p））表示p中的e]
bnds=元组（（0,1）表示w0中的e）
cons=（{'type'：'eq'，'fun'：lambda w:np.sum（w）-1.0}）
bnds=MyBounds（）
极小值_kwargs={“方法”：“SLSQP”，“约束”：cons}
res=基准面（f，w0，
接受（测试=bnds）
权重=res.x
打印（res）
打印（“重量：”，重量）

输出：

                        fun: 2.3907094432990195e-09
 lowest_optimization_result:       fun: 2.3907094432990195e-09
 hess_inv: array([[ 2699.43934183, -1184.79396719],
       [-1184.79396719,  1210.50404805]])
      jac: array([1.34548553e-06, 2.00122166e-06])
  message: 'Optimization terminated successfully.'
     nfev: 60
      nit: 6
     njev: 15
   status: 0
  success: True
        x: array([0.00179748, 0.00118076])
                    message: ['requested number of basinhopping iterations completed successfully']
      minimization_failures: 0
                       nfev: 6104
                        nit: 100
                       njev: 1526
                          x: array([0.00179748, 0.00118076])
weights:  [0.00179748 0.00118076]

---

您的代码中只有一些令人困惑的变量，所以我只是清除了这些变量并简化了一些行，现在最小化工作正常了。然而，现在的问题是：结果是否正确？它们有意义吗？这由你来判断：

将numpy导入为np
从scipy.optimize导入最小化
def f（w，cov_矩阵）：
返回（np.矩阵（w）*cov_矩阵*np.矩阵（w）.T）[0,0]
cov_矩阵=np.数组（[[1,2,3]，
[4, 5, 6],
[7, 8, 9]])
p=[1,2,3]
w0=[（1/len（p））表示p中的e]
bnds=元组（（0,1）表示w0中的e）
cons=（{'type'：'eq'，'fun'：lambda w:np.sum（w）-1.0}）
res=最小化（f，w0，
args=cov_矩阵，
方法='SLSQP'，
约束=约束，
边界=bnds）
权重=res.x
打印（res）
打印（重量）

更新：

根据您的评论，在我看来-也许-您的函数有多个极小值，这就是为什么

scipy.optimize.minimize

被困在那里的原因。我建议使用

scipy.optimize.basinhopping

作为替代方法，这将使用一个随机步骤来遍历函数的大部分极小值，并且仍然很快。代码如下：

将numpy导入为np
从scipy.optimize导入basinhopping
类MyBounds（对象）：
定义初始化（self，xmax=[1,1]，xmin=[0,0]）：
self.xmax=np.array（xmax）
self.xmin=np.array（xmin）
定义呼叫（自我，**kwargs）：
x=kwargs[“x_新”]
tmax=bool（np.all（x=self.xmin））
返回tmax和tmin
def f（w）：
全局cov_矩阵
返回（np.矩阵（w）*cov_矩阵*np.矩阵（w）.T）[0,0]
cov_矩阵=np.数组（[[0.000244181,0.000198035]，
[0.000198035, 0.000545958]])
p=['ABEV3'，'BBDC4']
w0=[（1/len（p））表示p中的e]
bnds=元组（（0,1）表示w0中的e）
cons=（{'type'：'eq'，'fun'：lambda w:np.sum（w）-1.0}）
bnds=MyBounds（）
极小值_kwargs={“方法”：“SLSQP”，“约束”：cons}
res=基准面（f，w0，
接受（测试=bnds）
权重=res.x
打印（res）
打印（“重量：”，重量）

输出：

                        fun: 2.3907094432990195e-09
 lowest_optimization_result:       fun: 2.3907094432990195e-09
 hess_inv: array([[ 2699.43934183, -1184.79396719],
       [-1184.79396719,  1210.50404805]])
      jac: array([1.34548553e-06, 2.00122166e-06])
  message: 'Optimization terminated successfully.'
     nfev: 60
      nit: 6
     njev: 15
   status: 0
  success: True
        x: array([0.00179748, 0.00118076])
                    message: ['requested number of basinhopping iterations completed successfully']
      minimization_failures: 0
                       nfev: 6104
                        nit: 100
                       njev: 1526
                          x: array([0.00179748, 0.00118076])
weights:  [0.00179748 0.00118076]

---

例如，您可能想尝试另一种方法，如

'Nelder-Mead'

。此外，您需要澄清，您的变量是什么？它们是权重

w_i

还是

x_i

。你还需要区分*乘法和点乘法，并确定哪一种适合你的需要。我很难找到其他接受约束的方法，我相信我是为内尔德·米德得到了这个错误。关于变量，权重（calculatePVar函数中的w0和w）是我的变量。至于乘法，我不知道有什么区别？正在发生的是矩阵乘法，但*正在发挥作用（数学正在验证）。您能为

portList

和

nCov

提供一个示例吗？portList只是一个字符串列表，但这里有一个示例：

portList=['ABEV3'，'BBDC4']

和dfCov（h