Python

2024-07-16 20:23| 来源: 网络整理| 查看: 265

最近在搞量化交易，自己写了一个函数，有3个不同个参数值可以设置，每个参数值都有对应的历史数据模拟最终利润。

这样的函数无法用表达式写出来，而且是多变量参数，手动测试太麻烦，幸运的是Scipy库可以直接求极值。

官网：scipy.optimize.minimize — SciPy v1.4.1参考指南

如果函数可以解析，求导，可以使用SymPy

单变量函数import numpy as np from scipy.optimize import fmin import math def f(x): exp = (math.pow(x[0], 2) + math.pow(x[1], 2)) * -1 return math.exp(exp) * math.cos(x[0] * x[1]) * math.sin(x[0] * x[1]) # func为函数名，x0为函数参数的起始点 print(fmin(func=f,x0=np.array([0,0])))

因为默认的是求最小值，所以如果需要求最大值，把正负转换一下即可。

fmin不支持有取值范围的函数，如果是有定义域的多元函数，推荐使用minimize

多变量函数限定定义域区间import scipy.optimize as opt import numpy as np fun = lambda x: 2 * x[0] + (x[0] + 3) ** 2 - 7 * x[1] + (x[1] - 2.5) ** 2 bnds = ((0, 5), (0, 5)) # 定义域 # fun为函数名，x0为函数参数的起始点，bounds为每个变量的定义域范围 res = opt.minimize(fun=fun, x0=np.array([2, 1]), bounds=bnds) print(res)

需要注意的是，限定区间的求极值，只能用以下方法：L-BFGS-B, TNC, SLSQP trust-constr

多约束条件最小化import scipy.optimize as opt fun = lambda x: (x[0] - 1) ** 2 + (x[1] - 2.5) ** 2 cons = ({'type': 'ineq', 'fun': lambda x: x[0] - 2 * x[1] + 2}, {'type': 'ineq', 'fun': lambda x: -x[0] - 2 * x[1] + 6}, {'type': 'ineq', 'fun': lambda x: -x[0] + 2 * x[1] + 2}) bnds = ((0, None), (0, None)) #变量为正 res = opt.minimize(fun, (2, 0), method='SLSQP', bounds=bnds, constraints=cons) print(res)

结果：

fun: 0.8000000011920985 jac: array([ 0.80000002, -1.59999999]) message: 'Optimization terminated successfully.' nfev: 13 nit: 3 njev: 3 status: 0 success: True x: array([1.4, 1.7]) 文档信息本文作者：last2win本文链接：https://last2win.com/2020/04/11/scpiy-function-minimize/版权声明：自由转载-非商用-非衍生-保持署名（创意共享3.0许可证）

【本文地址】

Python

Python

今日新闻

推荐新闻