Question

我正在使用Gekko进行投资组合优化。我正在使用每个资产的回报及其协方差矩阵作为输入。我正在尝试的代码是

# Initialize Model
m = GEKKO(remote=True)

#initialize variables
w=m.Array(m.Var,23)

for i in range(23):
    w[i].value = 0.04347826
    w[i].lower = 0.0
    w[i].upper = 1.0


#Equations
m.Equation(0.18 >= (np.dot(w.T,np.dot(covariance_ar, w)))**0.5)
m.Equation(np.sum(w[0:23]) == 1.0)
m.Equation(w[7]+w[9]+w[11] >= (np.sum(w[7:13])*0.3))
m.Equation(w[7]+w[9]+w[11] <= (np.sum(w[7:13])*0.7))
m.Equation(w[11]+w[12] >= 0.0)
m.Equation(w[11]+w[12] <= (np.sum(w[7:13])*0.15))


#Objective
m.Obj(-(np.sum(return_ar.T @ w)))

#Solve simulation
m.solve() # solve on public server

#Results
for i in range(23):
    print('w['+str(i)+']='+str(w[i].value))

return_ar是形状为（23,1）的单个资产的收益数组，而covariance_ar是形状为（23,23）的收益的协方差数组

尽管代码成功运行，但权重数量较少，但具有23个权重参数，却引发错误例外：@error：最大方程式长度....... APM模型错误：字符串> 15000个字符考虑将线分成多个方程式

您能帮我制定代码约束以使其起作用吗？

Answer 1

我无法运行您的代码，因为它缺少值，所以我不得不用示例值对其进行修改。

rtools40

这会重现您观察到的相同错误。您可以通过列表理解来重新定义# Initialize Model from gekko import GEKKO import numpy as np m = GEKKO(remote=True) #initialize variables w=m.Array(m.Var,23) for i in range(23): w[i].value = 0.04347826 w[i].lower = 0.0 w[i].upper = 1.0 #Equations covariance_ar = np.random.rand(23,23) m.Equation(0.18 >= (np.dot(w.T,np.dot(covariance_ar, w)))**0.5) m.Equation(m.sum(w[0:23]) == 1.0) m.Equation(w[7]+w[9]+w[11] >= (m.sum(w[7:13])*0.3)) m.Equation(w[7]+w[9]+w[11] <= (m.sum(w[7:13])*0.7)) m.Equation(w[11]+w[12] >= 0.0) m.Equation(w[11]+w[12] <= (m.sum(w[7:13])*0.15)) #Objective m.Obj(-(m.sum(w))) #Solve simulation m.solve() # solve on public server #Results for i in range(23): print('w['+str(i)+']='+str(w[i].value))函数，从而克服方程长度的限制。另外，您需要使用np.dot gekko函数而不是numpy函数进行求和。

m.sum()

您现在可以将# Initialize Model from gekko import GEKKO import numpy as np m = GEKKO(remote=True) #initialize variables w=m.Array(m.Var,23) for i in range(23): w[i].value = 0.04347826 w[i].lower = 0.0 w[i].upper = 1.0 #Equations C = np.random.rand(23,23) Cw = [m.sum([m.Intermediate(C[i,j]*w[j]) \ for j in range(23)]) \ for i in range(23)] wCw = m.sum([Cw[i]*w[i] for i in range(23)]) m.Equation(0.18 >= (wCw)**0.5) m.Equation(m.sum(w[0:23]) == 1.0) m.Equation(w[7]+w[9]+w[11] >= (m.sum(w[7:13])*0.3)) m.Equation(w[7]+w[9]+w[11] <= (m.sum(w[7:13])*0.7)) m.Equation(w[11]+w[12] >= 0.0) m.Equation(w[11]+w[12] <= (m.sum(w[7:13])*0.15)) #Objective return_ar = np.ones(23) for i in range(23): m.Maximize(w[i]*return_ar[i]) #Solve optimization m.solve() # solve on public server #Results for i in range(23): print('w['+str(i)+']='+str(w[i].value))和covariance_ar的值使用。此方法起作用的原因是，Gekko可以将方程分解为较小的部分，然后单独求解。每个等式的15,000个字符的长度限制不仅是处理上的限制，而且还鼓励使用与稀疏非线性规划求解器更好的模型表示策略。

异常：@error：Gekko中的最大方程长度

1 个答案: