Сверните функцию с параметрами с помощью scipy - PullRequest
Новая
       51

Сверните функцию с параметрами с помощью scipy

0 голосов
/ 17 октября 2018

Я хочу спросить, как минимизировать функцию (сумму квадратичных ошибок) с помощью метода оптимизации в scipy minim.Я пытался, но кажется, что я не делаю это хорошо, потому что ошибка и параметры не отличаются от начальных значений.Вот мой код: 

def objective(p, y):
    y = np.array([98.494500, 97.828500, 97.610000, 97.314000, 97.014500, 92.959000, 96.696222])
    p = beta0, beta1, beta2, beta3, tau1, tau2
    return  (((100 * DiscountFactor('rate',np.exp(p[0] + (p[1]+ p[2]) * (1 - np.exp(-yearfractionTenors()/p[4])) * p[4]/yearfractionTenors() - p[2] * np.exp(-yearfractionTenors()/p[4]) + p[3] * (1 - np.exp(-yearfractionTenors()/p[5])) * p[5] / yearfractionTenors() - p[3] * np.exp(-yearfractionTenors() / p[5])) -1, fecha_valoracion, maturity, composition= 'linear', basis= 'act/360').result) - y) ** 2).sum()
x0 = np.array([0.03, -0.03, 0, 0, 1, 1]) #Initial values of beta0, beta1, beta2, beta3, tau1 and tau2
res = optimize.minimize(objective, x0, args = y)
print(res)
output: fun: 64.30571361326217
hess_inv: array([[1, 0, 0, 0, 0, 0],
   [0, 1, 0, 0, 0, 0],
   [0, 0, 1, 0, 0, 0],
   [0, 0, 0, 1, 0, 0],
   [0, 0, 0, 0, 1, 0],
   [0, 0, 0, 0, 0, 1]])
  jac: array([0., 0., 0., 0., 0., 0.])
  message: 'Optimization terminated successfully.'
  nfev: 8
  nit: 0
  njev: 1
 status: 0
 success: True
    x: array([ 0.03, -0.03,  0.  ,  0.  ,  1.  ,  1.  ])

Кажется, что моя ошибка в том, что я не использую входные значения (начальные значения) надлежащим образом.Я хочу знать, может ли кто-нибудь помочь мне с этим вопросом.В основном, я хочу знать, как я могу минимизировать функцию, изменяя параметры в исходном массиве.Может быть, ошибка в целевой функции.Небольшой пример проблемы: 

def objective(p, y):
    y = np.array([98.494500, 97.828500, 97.610000, 97.314000, 97.014500, 92.959000, 96.696222])
    p = beta0, beta1, beta2, beta3, tau1, tau2
    return  (((100 * DiscountFactor('rate',np.exp(p[0] + (p[1]+ p[2]) * (1 - np.exp(-yearfractionTenors()/p[4])) * p[4]/yearfractionTenors() - p[2] * np.exp(-yearfractionTenors()/p[4]) + p[3] * (1 - np.exp(-yearfractionTenors()/p[5])) * p[5] / yearfractionTenors() - p[3] * np.exp(-yearfractionTenors() / p[5])) -1, fecha_valoracion, maturity, composition= 'linear', basis= 'act/360').result) - y) ** 2).sum()
x0 = np.array([0.03, -0.03, 0, 0, 1, 1]) #Initial values of beta0, beta1, beta2, beta3, tau1 and tau2
res = optimize.minimize(objective, x0, args = y)
print(res)

Функция коэффициента дисконтирования не имеет значения, но вот класс, который вам нужен для ее запуска: 

class DiscountFactor:

def __init__(self, val_given, value, start_date, end_date, composition, basis):
    self.start_date = start_date
    self.end_date = end_date
    self.composition = composition
    self.basis = basis
    self.yf = year_fraction(start_date, end_date, basis)

    if val_given == 'rate':
        self.rate_to_df(value) 
    else:
        raise ValueError('val_given must be: rate or df' )

def rate_to_df(self, rate):
    if self.composition == 'linear':
        df = 1/( 1 + rate*self.yf)
    else:
        raise ValueError('composition must be one of the following: linear, yearly, biannual, continuous')
    self.result = df
    return self.result

1 Ответ

0 голосов
/ 17 октября 2018

Как Аскольд Ильвенто, вы переопределяете свои аргументы внутри области действия функции.Это приведет к сбою оптимизации, так как функция всегда будет давать один и тот же результат;это также плохая практика и потенциальный источник ошибок.Попробуйте: 

def objective(p, y):
    return  (((100 * DiscountFactor('rate',np.exp(p[0] + (p[1]+ p[2]) * (1 - np.exp(-yearfractionTenors()/p[4])) * p[4]/yearfractionTenors() - p[2] * np.exp(-yearfractionTenors()/p[4]) + p[3] * (1 - np.exp(-yearfractionTenors()/p[5])) * p[5] / yearfractionTenors() - p[3] * np.exp(-yearfractionTenors() / p[5])) -1, fecha_valoracion, maturity, composition= 'linear', basis= 'act/360').result) - y) ** 2).sum()

x0 = np.array([0.03, -0.03, 0, 0, 1, 1]) #Initial values of beta0, beta1, beta2, beta3, tau1 and tau2
y = np.array([98.494500, 97.828500, 97.610000, 97.314000, 97.014500, 92.959000, 96.696222]) 
beta0, beta1, beta2, beta3, tau1, tau2 = optimize.minimize(objective, x0, args = y)
...