import numpy as np
import scipy.optimize as sco
P=np.array([590.01,5.29,26.67,6.50])
#输入四个股票的股价
R=np.array([0.349032,0.155143,0.132796,0.055905])
#输入四个股票的年华收益率
b=np.array([1.64,1.41,1.21,1.06])
#输入四个股票的beta值
def f(w):
w=np.array(w)
return -np.sum(R*w)
#投资组合收益率表达式
cons=({'type':'eq','fun':lambda w:-np.sum(w)-1},{'type':'ineq','fun':lambda w:1.4-np.sum(w*b)})
#输入两个约束条件，权重总和为1，整体组合的beta值不超过1.4
bnds=((0,1),(0,1),(0,1),(0,1))
#通过元组的方式生成边界条件
result=sco.minimize(f,[0.25,0.25,0.25,0.25],method='SLSQP',bounds=bnds,constraints=cons)
#基本形式 sco.minimize(fun,x0,method,bounds,constraints)
#print(result['x'].round(3))
print(result)代码如上，结果如下：
fun: -1.3464795410850456e-17
jac: array([-0.349032, -0.155143, -0.132796, -0.055905])
message: 'Iteration limit reached'
nfev: 1448
nit: 100
njev: 100
status: 9
success: False
x: array([4.53834454e-18, 7.26695090e-17, 4.36019116e-18, 4.93450600e-19])
Process finished with exit code 0新手上路，按照书上写的，请问各位大佬哪里有问题？
是约束条件有问题，不等式约束1.4-np.sum(w*b)>=0,这使得整体组合的beta值不超过1.4，是对的，但是等式约束条件应该是np.sum(w)-1而不应该是-np.sum(w)-1，代码中两个约束条件不兼容,因此得不到正确结果。改成lambda w: np.sum(w)-1后优化成功，运行结果：
fun: -0.22804894822767985
jac: array([-0.349032, -0.155143, -0.132796, -0.055905])
message: 'Optimization terminated successfully.'
nfev: 24
nit: 4
njev: 4
status: 0
success: True
x: array([5.11920517e-01, 2.22044605e-16, 2.87240675e-01, 2.00838808e-01])
迭代次数不够，对于sco.minimize方法来说，有一个参数options，可以设置迭代次数，options为字典格式，格式为：options={'maxiter': 1000, 'disp': False}，这里设置迭代1000次。
不过设置了迭代次数之后，可能会有新的问题，可以换其他method尝试一下，例如BFGS, L-BFGS-B等。
您好，我是有问必答小助手，你的问题已经有小伙伴为您解答了问题，您看下是否解决了您的问题，可以追评进行沟通哦~
如果有您比较满意的答案 / 帮您提供解决思路的答案，可以点击【采纳】按钮，给回答的小伙伴一些鼓励哦～～
ps:问答VIP仅需29元，即可享受5次/月 有问必答服务，了解详情>>>https://vip.csdn.net/askvip?utm_source=1146287632