在使用数据框的目标函数上使用 Scipy 的蛮力优化

Question

我有一个目标函数函数，它采用时间序列数据的数据框架，用于计算时间数据上的估计投资回报。该函数如下图所示：

def bwp(x, processed):
    pred,real = x
    money = 1000
    for i in range(0, len(processed)):
        if processed[i, 3] > pred and processed[i-1,4] > real:
            money = money + (money * processed[i, 4])
    return money * -1

我想最小化这个函数，它既便宜又不连续，所以我想用蛮力的方法来优化它。

我正在尝试使用以下代码对此进行优化：

def opt_2(processed):
    bounds = (slice(-1, 1), slice(-1, 1))
    resbrute = optimize.brute(bwp, ranges=bounds, args=processed, full_output=True, finish=optimize.fmin)
    print(resbrute[0])
    print(resbrute[1])

“已处理”数据框是一个包含 3757 行的数据集。运行时我得到的错误是：

TypeError: bwp() takes 2 positional arguments but 3757 were given

我不确定为什么这不起作用，因为我已经使用“nelder-mead”方法使用 Scipy 运行了另一个函数，并以与上面相同的方式将数据帧提供给“args”并且它能够将数据框传递给函数。

有人有这方面的经验吗？

Answer 1

bwp的签名不应该是：

# HERE ----v
def bwp(x, *processed):
    ...

而不是：

def bwp(x, processed):
    ...