0

我想优化我的函数Strategy2(alpha, beta)，它对一些数据执行下注策略，从钱包值20,000开始，并返回一个新的钱包值。

所以我需要找到最大化返回值的最佳alpha&beta值。

一个快速的谷歌建议 scipy 是要走的路，但我正在努力实现它。

在尝试这种优化方法之前，我采用了固定 alpha 的方法，然后找到最佳 beta，然后对固定 beta 做同样的事情并找到最佳 alpha。

该方法给出了一个最佳值，Strategy2(23,3)其中返回24,650。

这是我尝试实现模块 scipy 中的最小化方法：

import numpy as np
from scipy.optimize import minimize

bnds = ((None, None), (None, None))
param = [0, 0]
f = lambda param: Strategy2(param[0], param[1])
param_init = 0, 100
param = minimize(f, param_init, method='SLSQP', bounds=bnds).x
print(param)

如您所见，我真的不知道自己在做什么，实际上这只是返回

[  0. 100.]

最终钱包值为 10,705。这显然小于24,650。所以有些东西显然不起作用。

我怎样才能得到它，所以我最大化Strategy2(alpha, beta)？理想情况下，我想将 alpha 从 0 更改为 100，并将 beta 从 1 更改为 15。

提前致谢。

编辑：我对上述代码的推理是我只是想调整以下工作代码：

import numpy as np
from scipy.optimize import lsq_linear, minimize
bnds = ((None, None), (None, None))
fun = lambda param: np.linalg.norm(-np.exp(param[0]) + param[1])
param_init = -4, 4
param = minimize(fun, param_init, method='SLSQP', bounds=bnds).x

正确地最小化上述功能。

如果有更好的方法来最大化我的功能，请告诉我。

4

1 回答 1

3

如果您Strategy2(alpha, beta)返回钱包值，那么您的目标函数f应该被反转。Minimizingf应该等同于 maximizing Strategy2(alpha, beta)，但在您的代码中并非如此。我建议使用：

bnds = ((None, None), (None, None))
param = [0, 0]
f = lambda param: 1 / Strategy2(param[0], param[1])
param_init = 0, 100
param = minimize(f, param_init, method='SLSQP', bounds=bnds).x
print(param)

在这种情况下，如果f最小化则Strategy2()最大化。我还建议使用一些界限来限制您的搜索空间（有利于速度和效率）。

于 2019-11-12T18:30:25.487 回答