Question

我有一系列收取利率的帐户，我每天必须决定从哪个帐户借钱。我对每个帐户都有借款限额。显然，最简单的答案是先用尽最便宜的价格，依此类推。

由于我们每天必须计算几次，因此帐户数量会有所不同，我们计划前滚现金流，我试图编写一些Python代码以使其自动化。

要最小化的目标函数是加权平均利率，确定从每个帐户（x）借来的钱，从0到整数（取决于每个协议）的范围以覆盖未偿还金额。

下面的代码似乎运行良好，但是我在一张纸上做了数学运算，但未达到全局最小值。我有什么想念的吗？

import numpy as np
from scipy.optimize import minimize

outstanding = -106332403


limit = [15000000, 29250000, 15000000, 22000000, 52567324, 5000000, 5000000, 40000000, 7398262]
interest = [0.73, 0.63, 0.78, 0.75, 0.6084, 0.97, 0.84, 0.625, 0.40]

limit = np.asarray(limit)
interest = np.asarray(interest)

def objective(x):
    product = x * interest
    sumproduct = sum(product)
    return sumproduct / -outstanding

def constraint1(x):
    return sum(x) + outstanding

# initial guesses
n = len(interest)
x0 = [1,1,1,1,1,1,1,1,1]

bnds = []

for value in limit:
    b= (0,value)
    bnds.append(b)


con1 = {'type': 'eq', 'fun': constraint1}
cons = (con1)

solution = minimize(objective,x0,method='SLSQP',bounds=bnds,constraints=cons)

x = solution.x

Answer 1

我对您的脚本进行了一些更改。最重要的是设置一个更大的最大迭代，并在有限差分步长和收敛容限上发挥作用。我还重写了您的目标，以改变数量级。通过这种方式，我可以获得接近您在评论中提供的值的解决方案。

import numpy as np
from scipy.optimize import minimize

outstanding = -106332403


limit = np.array([15000000, 29250000, 15000000, 22000000, 52567324, 5000000, 5000000, 40000000, 7398262])
interest = np.array([0.73, 0.63, 0.78, 0.75, 0.6084, 0.97, 0.84, 0.625, 0.40])

# initial guesses
n = len(interest)
x0 = np.ones(len(interest)) * 1e6 * 1

def objective(x):
    return np.dot(x, interest)

def constraint1(x):
    con = sum(x) + outstanding
    return con

bnds = [(0, value) for value in limit]

con1 = {'type': 'eq', 'fun': constraint1}

solution = minimize(objective,x0,method='SLSQP',bounds=bnds,constraints=con1, 
                    options={"eps": 01e-3, "maxiter": 1000}, tol=1e-8)

print(solution)

结果：

     fun: 63952359.431600004
     jac: array([0.72999299, 0.62999874, 0.77999383, 0.74999779, 0.60839951,
       0.96999854, 0.84000081, 0.6249994 , 0.40000677])
 message: 'Optimization terminated successfully.'
    nfev: 1635
     nit: 147
    njev: 145
  status: 0
 success: True
       x: array([0.00000000e+00, 6.36681700e+06, 0.00000000e+00, 0.00000000e+00,
       5.25673240e+07, 1.77575799e-16, 2.32417370e-17, 4.00000000e+07,
       7.39826200e+06])

使用具有约束和界限的SciPy最小化功能

1 个答案: