线性最优化

1. 在CAPM和APT定价理论中，我们假设了模型的线性性，并且使用Python中的回归求解了期望的证券价格。
2. 随着我们资产组合中证券数量的增加，也会引入一定的限制。资产组合经理会发现他们在追求某种目标的时候会受到这些规则的限制。
   线性最优化问题可以帮助你克服资产组合配置的问题。最优化关注于最小或最大化目标函数的价值。例子是最大化收益和最小化波动率。这些目标通常会受到某种监管的限制，比如不允许卖空，对投资证券数量的限制等等。
3. 不幸的是，在Python中没有官方的包来支持这个问题的解决。但是，我们可以使用第三方包，来实现线性规划的simplex算法。对于这个描述的目的，我们会使用PuLp，一项开源的线性规划建模器，来帮助我们处理线性规划问题。

一个简单的线性优化实例

假设我们感兴趣的问题是投资两份证券：x和y，我们将找到实际投资的份数，每份证券X是3单位，每份证券Y是2单位，目标是最大化投资单位。但是，对于我们的投资策略有如下限制：
对于每2单位X证券的投资和1单位Y证券的投资，总投资量不超过100。
对于每个X证券和Y证券的投资，总投资量不超过80。
总的允许投资于X证券的数量不超过40。
对于所有的证券都不允许卖空。
数学上，上面的最大化问题可以表示为，也可以使用图形显示最优点。：

import