优化问题是量化中经常会碰到的,之前写的风险平价/均值方差模型最终都需要解带约束的最优化问题,本文总结用python做最优化的若干函数用法。
首先说明,本文仅把python看作一种工具,说明如何用python求解优化问题,不过多考虑由于模型方法导致的精度、速度、适用性等问题,具体问题还需要具体分析,选择适当的方法,或者自己手写。
python中最常用的做最优化的模块是scipy.optimize,这里只说明这一模块的使用,其他的略过。
根据官方文档的说明,scipy.optimze的功能涉及5方面:
无约束和带约束的多元优化算法(minimize)
全局最优化(basinhopping,differential_evolution等)
最小二乘优化(least_squares)和曲线拟合(curve_fit)
一元优化问题(minimize_scalar)和一元方程数值解(root_scalar)
多元方程求根(root)
1,4中得到的是给定区间内的局部最优解,2中得到的是全局最优解,每个函数下有若干方法可以选择。当然求解一元的优化问题也可以用minimize,但尝试过之后发现