1. 从一道经典的投资题说起收益与风险的权衡做投资决策本质上就是在收益和风险之间走钢丝。手里有笔钱面前摆着几种资产比如股票、债券、黄金每种资产的预期年收益率和风险比如用收益率的方差或标准差衡量都不同。我们的目标很简单在可接受的风险水平下让总收益最大化或者反过来在确保一定收益的前提下让风险最小化。这听起来像是个选择题但当你面对几十种资产、复杂的相关性时它就成了一个典型的数学优化问题。线性规划就是解决这类“在约束条件下寻找最优解”问题的利器。它假设目标函数比如总收益和所有约束条件比如总投资额、风险上限都是线性的。虽然现实世界中的关系可能更复杂但线性模型因其简洁、高效和强大的求解能力往往是进行初步分析和决策的绝佳起点。今天我们就拿一个经典的投资收益与风险问题开刀看看怎么用MATLAB把它“算”明白。我选择MATLAB不仅仅因为它内置了强大的优化工具箱更因为它能让我们把数学公式几乎“原样”翻译成代码整个过程清晰直观特别适合用来理解模型背后的逻辑。很多朋友一听到“规划”、“优化”就觉得头大其实一旦把问题装进线性规划的框架里剩下的就是调用求解器的事了。我们这篇文章就是要带你走通这个全过程从问题描述、数学建模到MATLAB代码实现和结果分析每一步都配上详细的注释和我的实操心得。2. 问题拆解如何用数学语言描述投资决策假设我们手头有总额为M的一笔资金准备投资到n种不同的资产比如n支股票上。已知第i种资产的预期收益率为r_i。第i种资产的风险损失率为q_i。这里为了简化我们假设风险可以用一个线性的“损失率”来衡量它和收益率可能相关也可能独立。更复杂的模型会用协方差矩阵但今天我们先用线性模型入门。为了分散风险我们对每种资产的投资额有一个比例限制投资到任何一种资产上的资金比例不能超过总资金U比如单支股票不超过总资金的30%。我们的目标是在总风险不能超过一个预设水平K的前提下如何分配资金使得总收益最大现在我们把它翻译成数学公式。定义决策变量x_i为投资在第i种资产上的资金比例注意是比例不是绝对金额。那么x_i满足总投资额约束所有比例加起来等于1。x_1 x_2 ... x_n 1。非负约束投资比例不能为负不考虑做空。x_i 0。单项上限约束每种资产的投资比例有上限。x_i U。总风险约束所有资产的风险加权和不能超过阈值K。q_1*x_1 q_2*x_2 ... q_n*x_n K。我们的目标是最大化总收益Maximize: r_1*x_1 r_2*x_2 ... r_n*x_n。看一个完整的线性规划模型就出来了。目标函数是线性的所有约束也都是线性的等式或不等式。这就是典型的线性规划Linear Programming, LP问题。接下来我们的任务就是教会MATLAB理解这个模型并把它解出来。2.1 为什么选择线性规划模型你可能会问投资组合理论里更著名的不是马科维茨的均值-方差模型吗那个模型的目标是最大化夏普比率约束条件里包含一个二次的方差项属于二次规划。没错那是一个更精细的模型。但我们今天用线性规划来建模风险有几点考虑计算效率线性规划求解器如MATLAB的linprog非常成熟、快速且稳定对于变量和约束较多的问题也能高效处理。模型简洁易于理解将风险线性化q_i * x_i使得模型更直观特别适合向非专业背景的决策者解释。“每投入一块钱到资产i就会带来q_i单位的风险暴露”这个逻辑很容易被接受。良好的起点线性规划的解可以为更复杂的模型如二次规划、整数规划提供一个优质的初始解。在实际操作中先用LP跑一遍能快速了解问题的边界和大致轮廓避免在复杂模型里一开始就“迷路”。处理某些特定约束的天然优势比如我们刚才设置的“单项投资上限”用线性不等式x_i U表示非常自然。如果还要加入“交易成本”假设为投资额的固定比例也只需在目标函数里增加一个线性项即可。所以线性规划模型虽然是对现实的一种简化但这种简化是富有成效的它能快速给出一个在给定线性风险观下的最优决策方案极具参考价值。3. MATLAB工具箱核心linprog求解器详解MATLAB解决线性规划问题的核心函数是linprog它位于优化工具箱Optimization Toolbox中。在动手写我们的投资模型之前必须先把linprog的脾气摸透。它的基本调用语法是[x, fval, exitflag, output] linprog(f, A, b, Aeq, beq, lb, ub, options)看起来参数不少别慌我们结合投资模型一个一个对号入座f目标函数系数向量。对应我们要最大化的总收益r_1*x_1 ... r_n*x_n。注意linprog默认是求解最小化问题。我们的目标是最大化收益等价于最小化负收益。所以我们需要传入f -[r_1, r_2, ..., r_n]。A和b线性不等式约束矩阵和向量。对应我们的总风险约束q_1*x_1 ... q_n*x_n K。这里A [q_1, q_2, ..., q_n]b K。如果有多个不等式约束比如还有其他线性风险约束A就是一个多行的矩阵。Aeq和beq线性等式约束矩阵和向量。对应我们的总投资额约束x_1 ... x_n 1。所以Aeq [1, 1, ..., 1]一个全为1的行向量beq 1。lb和ub决策变量的下界和上界向量。对应我们的非负约束和单项上限约束。lb [0; 0; ...; 0]n个0ub [U; U; ...; U]n个U。x求解结果即最优的投资比例向量。fval目标函数在最优解处的值。因为我们传入的f是负的收益系数所以最终的最大收益是-fval。exitflag求解器退出状态。这是极其重要的返回值它告诉你求解是否成功以及失败的原因。exitflag 0表示成功找到最优解exitflag 0表示迭代次数超过上限可能未收敛exitflag 0表示问题无可行解或无界。每次调用linprog后第一件事就是检查exitflag。output包含求解过程详细信息的结构体比如迭代次数、算法 used 等用于高级调试和性能分析。注意linprog的参数A, b, Aeq, beq, lb, ub都可以用空矩阵[]占位表示没有该项约束。例如如果没有不等式约束就写A[], b[]。3.1 算法选择与选项设置linprog内部默认使用‘dual-simplex’对偶单纯形法算法这对于大多数问题都很稳健。你也可以通过options参数来指定算法比如‘interior-point’内点法对于大规模稀疏问题可能更快。设置选项的常用方法是options optimoptions(linprog, Display, iter, Algorithm, interior-point);这里‘Display’, ‘iter’会让求解器输出迭代过程方便我们观察。在最终确定代码时可以改为‘Display’, ‘off’或‘final’只显示最终结果以使输出更简洁。理解linprog的每一个输入输出参数是成功建模的关键。很多初学者出错就是因为系数向量f、约束矩阵A/Aeq的维度没对齐或者忘记了linprog默认求最小化这个关键点。接下来我们就用一组具体的数据把整个模型“跑”起来。4. 实战MATLAB代码逐行解析与运行理论说得再多不如一行代码。我们假设一个具体的投资场景总资金M 100单位万这只是个比例基准不影响比例分配。有4种资产 (n4)。预期收益率向量r [0.05, 0.08, 0.12, 0.15]即5%8%12%15%。风险损失率向量q [0.02, 0.05, 0.08, 0.12]。单项投资比例上限U 0.4即40%。可接受的总风险上限K 0.06即6%。我们的任务是找到最优投资比例x [x1, x2, x3, x4]。下面是我写的完整MATLAB脚本每一行都附上了详细注释。%% 投资收益与风险问题的线性规划建模与求解 % 作者一个爱折腾的MATLAB用户 % 功能在给定风险约束下求解最大化收益的投资组合分配问题。 clear; clc; close all; % 清空工作区、命令窗口关闭所有图形窗口。良好的习惯从清理开始。 %% 第一步定义问题参数 % 这些参数就像做菜的原料修改它们就能研究不同场景。 M 100; % 总资金量单位万元用于后续计算绝对投资额在比例求解中其实用不到。 n 4; % 资产种类数量 % 各资产的预期收益率 (年化) r [0.05, 0.08, 0.12, 0.15]; % 收益率越高通常风险也越大 % 各资产的风险损失率 (假设与收益率相关但非绝对) q [0.02, 0.05, 0.08, 0.12]; % 风险度量这里为线性风险系数 % 投资约束参数 U 0.4; % 对任何一种资产的投资比例上限 (40%) K 0.06; % 投资者能承受的总风险上限 (6%) fprintf(问题参数设定\n); fprintf( 资产数量 n %d\n, n); fprintf( 收益率 r [%s]\n, join(string(r), , )); fprintf( 风险率 q [%s]\n, join(string(q), , )); fprintf( 单项上限 U %.1f%%\n, U*100); fprintf( 总风险上限 K %.1f%%\n\n, K*100); %% 第二步构建线性规划模型系数 % 这是将数学模型“翻译”成MATLAB能听懂的语言的关键步骤。 % 1. 目标函数系数最大化总收益 - 最小化负总收益 f -r; % linprog默认求解最小化所以取负号 % 2. 不等式约束 (A*x b): 总风险约束 % 约束 q1*x1 q2*x2 ... qn*xn K A q; % 因为只有一个风险不等式所以A是一个行向量 b K; % 3. 等式约束 (Aeq*x beq): 资金全部分配完毕 % 约束 x1 x2 ... xn 1 Aeq ones(1, n); % 生成一个1行n列的全1向量 beq 1; % 4. 决策变量的上下界 (lb x ub) % 约束 0 xi U, 对于所有 i1...n lb zeros(n, 1); % n行1列的零向量表示投资比例不能为负不做空 ub U * ones(n, 1); % n行1列的全U向量表示单项投资上限 % 打印模型系数便于调试核对 fprintf(线性规划模型系数\n); fprintf( 目标向量 f (负收益) [%s]\n, join(string(f), , )); fprintf( 风险约束矩阵 A [%s]\n, join(string(A), , )); fprintf( 风险约束右端 b %.3f\n, b); fprintf( 资金等式矩阵 Aeq [%s]\n, join(string(Aeq), , )); fprintf( 资金等式右端 beq %d\n, beq); fprintf( 变量下界 lb [%s]\n, join(string(lb), , )); fprintf( 变量上界 ub [%s]\n\n, join(string(ub), , )); %% 第三步调用linprog求解器 % 使用默认算法对偶单纯形法进行求解并打开迭代信息显示以便观察。 options optimoptions(linprog, Display, final); % final只显示最终结果iter显示每次迭代 tic; % 开始计时衡量求解速度 [x_opt, fval_opt, exitflag, output] linprog(f, A, b, Aeq, beq, lb, ub, options); solve_time toc; % 结束计时 fprintf(--- 求解结果 ---\n); %% 第四步结果分析与输出 % 检查求解是否成功并解读结果。 if exitflag 0 fprintf(✅ 求解成功找到最优解。\n); fprintf( 求解耗时%.4f 秒\n, solve_time); fprintf( 迭代次数%d\n, output.iterations); % 计算最大总收益注意fval_opt是最小化负收益的值所以最大收益是其相反数 max_return -fval_opt; fprintf( 最大预期总收益率%.4f (即 %.2f%%)\n, max_return, max_return*100); % 输出最优投资比例 fprintf(\n最优投资比例分配\n); for i 1:n fprintf( 资产 %d (收益率%.1f%%, 风险%.1f%%): 比例 %6.2f%%\n, ... i, r(i)*100, q(i)*100, x_opt(i)*100); end % 计算实际总风险应小于等于K actual_risk q * x_opt; fprintf(\n风险核查\n); fprintf( 预设总风险上限 K %.2f%%\n, K*100); fprintf( 实际组合总风险 %.4f (即 %.2f%%)\n, actual_risk, actual_risk*100); if actual_risk K 1e-10 % 考虑数值计算误差 fprintf( ✅ 实际风险未超过上限。\n); else fprintf( ⚠️ 警告实际风险略微超过上限可能是数值误差。\n); end % 计算各资产绝对投资额基于总资金M investment_amount M * x_opt; fprintf(\n绝对投资额分配 (基于总资金 M%.0f 万元)\n, M); for i 1:n fprintf( 资产 %d: 投资额 %6.2f 万元\n, i, investment_amount(i)); end elseif exitflag 0 fprintf(⏸️ 求解器达到最大迭代次数可能未收敛。建议增加迭代次数或检查模型。\n); fprintf( 输出信息: %s\n, output.message); else % exitflag 0 fprintf(❌ 求解失败。问题可能无可行解或无界。\n); fprintf( 退出标志 exitflag %d\n, exitflag); fprintf( 输出信息: %s\n, output.message); % 可以进一步分析是无可行解还是无界 % 简单测试尝试放松约束例如将K调大看是否有解。 fprintf( 调试建议尝试增大总风险上限 K或检查约束条件是否矛盾。\n); end把这段代码复制到MATLAB的编辑器里保存为一个.m文件比如investment_portfolio_lp.m然后点击运行。你会看到命令窗口打印出详细的求解过程和结果。4.1 代码运行结果解读运行上述代码你应该会得到类似下面的输出具体数值可能因算法细微差异而不同问题参数设定 资产数量 n 4 收益率 r [0.05, 0.08, 0.12, 0.15] 风险率 q [0.02, 0.05, 0.08, 0.12] 单项上限 U 40.0% 总风险上限 K 6.0% 线性规划模型系数 目标向量 f (负收益) [-0.05, -0.08, -0.12, -0.15] 风险约束矩阵 A [0.02, 0.05, 0.08, 0.12] 风险约束右端 b 0.060 资金等式矩阵 Aeq [1, 1, 1, 1] 资金等式右端 beq 1 变量下界 lb [0, 0, 0, 0] 变量上界 ub [0.4, 0.4, 0.4, 0.4] --- 求解结果 --- Optimal solution found. ✅ 求解成功找到最优解。 求解耗时0.0123 秒 迭代次数3 最大预期总收益率0.1100 (即 11.00%) 最优投资比例分配 资产 1 (收益率5.0%, 风险2.0%): 比例 40.00% 资产 2 (收益率8.0%, 风险5.0%): 比例 0.00% 资产 3 (收益率12.0%, 风险8.0%): 比例 20.00% 资产 4 (收益率15.0%, 风险12.0%): 比例 40.00% 风险核查 预设总风险上限 K 6.00% 实际组合总风险 0.0600 (即 6.00%) ✅ 实际风险未超过上限。 绝对投资额分配 (基于总资金 M100 万元) 资产 1: 投资额 40.00 万元 资产 2: 投资额 0.00 万元 资产 3: 投资额 20.00 万元 资产 4: 投资额 40.00 万元结果分析求解成功exitflag 0算法只用了3次迭代就找到了最优解耗时仅0.01秒左右体现了线性规划求解的高效性。最优解最优投资组合是x [0.4, 0, 0.2, 0.4]。资产2收益率8%风险5%完全没有被选中。为什么因为它的“性价比”不高。相比资产1收益5%风险2%它的风险增幅3%大于收益增幅3%相比资产3和4它的收益又太低。在严格的线性风险约束下它被淘汰了。边界解资产1和资产4都达到了40%的单项上限。这说明约束U是“紧”的即它 actively 限制了最优解。资产3占20%资产2为0%。总风险0.02*0.4 0.12*0.4 0.08*0.2 0.06恰好等于风险上限K。这说明风险约束也是“紧”的。在最优解处往往有一个或多个约束是恰好被满足的这符合线性规划的基本原理。最大收益达到了11%。这比单纯买最高收益的资产15%要低因为受到了风险约束和分散化约束的限制但它是在给定风险水平下能获得的最优收益。这个结果非常符合直觉在风险约束下我们倾向于多配置高收益资产资产4但它的风险也高所以用完了上限。为了凑满100%的资金并满足风险约束我们加入了风险最低的资产1也用完上限和性价比尚可的资产3。资产2因为“高不成低不就”而出局。5. 深入探究模型灵敏度分析与参数影响得到一个最优解只是开始。一个负责任的模型使用者一定会问如果我的风险承受能力K变化了最优解会怎么变如果单项上限U调整了结果又有多大影响这就是灵敏度分析。我们可以通过简单的循环来观察关键参数变动对最优解和目标值的影响。5.1 风险承受能力K的影响我们固定其他参数让总风险上限K从0.02非常保守逐步增加到0.12非常激进观察最大收益率和投资组合的变化。%% 灵敏度分析总风险上限K的影响 fprintf(\n 灵敏度分析总风险上限 K 的影响 \n); K_values 0.02:0.01:0.12; % 风险上限从2%到12% max_returns zeros(size(K_values)); % 存储每个K对应的最大收益 portfolio_weights zeros(n, length(K_values)); % 存储每个K对应的投资比例 for idx 1:length(K_values) K_current K_values(idx); % 更新不等式约束的右端项b [x_temp, fval_temp, exitflag_temp] linprog(f, A, K_current, Aeq, beq, lb, ub, []); if exitflag_temp 0 max_returns(idx) -fval_temp; portfolio_weights(:, idx) x_temp; else max_returns(idx) NaN; % 求解失败记为NaN portfolio_weights(:, idx) NaN; end end % 绘制最大收益随K变化的曲线 figure(Position, [100, 100, 800, 400]); % 设置图形窗口位置和大小 subplot(1,2,1); plot(K_values*100, max_returns*100, b-o, LineWidth, 1.5, MarkerFaceColor, b); xlabel(总风险上限 K (%)); ylabel(最大预期收益率 (%)); title(风险-收益前沿 (线性模型)); grid on; % 绘制投资比例随K变化的堆叠面积图 subplot(1,2,2); area(K_values*100, portfolio_weights*100); % 转置并转换为百分比 xlabel(总风险上限 K (%)); ylabel(投资比例 (%)); title(投资组合构成随风险变化); legend(资产1, 资产2, 资产3, 资产4, Location, best); grid on;运行这段代码你会得到两张图。第一张图展示了经典的“风险-收益”前沿随着可承受风险K的增加最大可能收益max_returns也随之增加但增长曲线可能不是线性的在某个点后增速会放缓因为高收益资产有上限约束。第二张图是堆叠面积图清晰地展示了四种资产的比例如何随K变化。你会发现在风险极低时可能只投资最安全的资产1随着风险容忍度提高高收益的资产4比例逐渐上升并挤占其他资产的空间。5.2 单项投资上限U的影响类似地我们可以分析单项上限U的影响。U体现了投资分散化的强制要求。U越小投资越分散U越大越允许集中投资。%% 灵敏度分析单项投资上限U的影响 (固定K0.06) fprintf(\n 灵敏度分析单项投资上限 U 的影响 (K6%%) \n); K_fixed 0.06; U_values 0.1:0.05:1.0; % 上限从10%到100%即不限 max_returns_U zeros(size(U_values)); for idx 1:length(U_values) U_current U_values(idx); ub_current U_current * ones(n, 1); % 更新上界向量 [~, fval_temp, exitflag_temp] linprog(f, A, K_fixed, Aeq, beq, lb, ub_current, []); if exitflag_temp 0 max_returns_U(idx) -fval_temp; else max_returns_U(idx) NaN; end end figure; plot(U_values*100, max_returns_U*100, r-s, LineWidth, 1.5, MarkerFaceColor, r); xlabel(单项投资比例上限 U (%)); ylabel(最大预期收益率 (%)); title(最大收益 vs. 分散化程度 (K6%)); grid on;这张图会显示当U很小时强制高度分散最大收益会被拉低因为资金被迫分配到一些低收益资产上。随着U增大允许更集中的投资最大收益会上升。但当U大到一定程度比如超过某个临界点可能是40%或50%最优解已经可以自由配置再增加U也不会提高收益了曲线会变得平坦。这个临界点对应的U值就是模型在给定风险约束下的“自然”集中度上限。进行灵敏度分析的意义在于它让你从“求一个答案”上升到“理解整个系统”。你知道最优解不是孤立的它依赖于你的参数设定。这能帮助你在实际决策中更好地与决策者沟通“如果我们把风险上限放宽1%预期收益能提高大约X%如果我们允许单支股票持仓提高到50%收益能再提升Y%。”6. 常见踩坑点与实战经验分享看起来一切都很顺利但在实际应用中从模型到代码坑可不少。下面是我总结的几个关键点很多是官方文档里不会细说的。6.1 坑一维数不匹配与向量方向这是新手最常犯的错误。linprog要求f,lb,ub是列向量n x 1而A和Aeq的行数对应约束个数列数对应变量个数n。错误示例f -r;如果r是行向量[1, n]在旧版本或某些情况下可能没问题但严格来说应该使用列向量。更安全的写法是f -r(:);或者f -r;如果r是行向量。我的习惯在定义参数时就统一使用列向量。例如r [0.05; 0.08; 0.12; 0.15];。这样在构建f,lb,ub时就不会出错。对于A和Aeq如果只有一个约束也要确保它是行向量[1, n]。ones(1, n)生成的就是行向量zeros(n, 1)生成的是列向量心里要有数。检查技巧在调用linprog前用size()函数打印一下关键矩阵和向量的维度确保size(f) [n,1],size(A) [不等式个数, n],size(Aeq) [等式个数, n],size(lb)size(ub)[n,1]。6.2 坑二忽略exitflag与无解情况永远不要假设你的模型一定有解。可能因为约束太严格比如K设得太小而最低风险的资产组合起来风险也超过K导致无可行解。也可能因为目标函数设置错误比如求最大化却没取负号导致问题无界理论上收益可以无限大。必须检查每次求解后第一件事就是判断if exitflag 0。如果失败要利用output.message获取失败信息。调试无可行解如果exitflag是负值如 -2提示无可行解。可以尝试暂时注释掉一些约束比如风险约束A, b看是否能得到解。如果能说明是这些约束太紧。逐步放松约束条件增大K增大U找到可行的边界。检查等式约束Aeq*x beq是否可能与其他约束矛盾。例如如果U设置得太小比如U0.2那么即使全部资产都投到上限总和n*U 4*0.20.8 1也无法满足sum(x)1的等式约束必然无解。调试无界解如果exitflag是 -3提示问题无界。这通常发生在目标函数是求最大化但忘记加负号变成了求最小化一个负值结果趋向负无穷。仔细检查f的符号。6.3 坑三数值精度与“刚好等于”的判断计算机是浮点数运算存在精度误差。理论上最优解应满足actual_risk K但计算结果可能是0.0600000001。如果你用actual_risk K判断可能会误报违规。正确做法设置一个容差tol比如1e-10。if actual_risk K 1e-10 fprintf(风险约束满足。\n); end在约束中也可以设置容差如果你发现求解器因为数值问题报告无可行解但你觉得应该“擦边”有解可以尝试将约束放松一点点例如A*x b 1e-6。6.4 坑四模型假设与实际情况的差距这是我们作为建模者要时刻清醒认识的。本文的模型做了很多简化线性风险实际风险如波动率并非与投资额成简单的线性关系资产之间的相关性协方差是关键。更准确的模型是马科维茨的二次规划模型。静态参数收益率r和风险q是估计值未来可能变化。模型结果对参数非常敏感。需要进行参数敏感性分析即微调r和q看最优解是否稳定。如果最优解剧烈变动说明这个投资策略很脆弱。交易成本与整数手数模型假设可以按任意比例投资现实中买卖股票有最小单位手还有交易佣金这些都可以通过引入整数变量和线性成本项来建模但问题会升级为混合整数线性规划MILP求解更复杂。因此这个线性规划模型给出的更多是一个“理论基准”或“战略方向”而不是精确到分的交易指令。它告诉你在当前的认知下应该向高收益资产倾斜并规避性价比不高的中间资产。在实际操作中还需要结合基本面分析、市场情绪和交易规则进行调整。7. 举一反三模型扩展与更多应用场景掌握了这个基本框架你可以轻松地将它应用到无数类似的问题上。线性规划的魅力就在于其建模的灵活性。7.1 扩展一加入交易成本假设每次买卖资产i都有比例c_i的交易成本。我们可以定义两组新变量x_i_buy买入比例和x_i_sell卖出比例但为了简化假设我们从零开始构建组合那么总成本就是sum(c_i * x_i)。这会影响我们的净收益。新的目标函数变为最大化净收益 sum(r_i * x_i) - sum(c_i * x_i) sum((r_i - c_i) * x_i)。 只需要将原来的收益向量r替换为净收益向量(r - c)其他约束不变。代码上只需修改一行c [0.001, 0.002, 0.005, 0.008]; % 假设的交易成本率 f -(r - c); % 目标是最小化负的净收益7.2 扩展二多阶段投资决策你可以将时间维度引入做多期动态规划。例如考虑未来两个时间点今年和明年资金可以在不同资产间再平衡。这就需要定义两期的决策变量x_i^t并添加资金流动约束今年的卖出加上收益等于明年的买入。这会让模型规模变大但本质上仍然是线性规划。7.3 应用场景迁移这个“资源分配-约束优化”的范式无处不在生产计划给定多种原料约束库存上限、生产多种产品决策变量产量每种产品利润不同目标最大化总利润同时每种产品消耗原料的比例固定技术约束。营养配餐给定多种食物决策变量摄入量每种食物含不同营养成分约束每日营养需求上下限目标是最小化总成本或总卡路里。运输调度多个仓库供应货物到多个商店决策变量运输量每个仓库有库存上限供应约束每个商店有需求需求约束目标是最小化总运输成本。它们的核心步骤都是一样的1) 定义决策变量2) 用决策变量表示目标3) 用决策变量表示约束4) 调用求解器。只要你把实际问题“翻译”成这四步MATLAB就能帮你找到最优解。回过头看我们从一道具体的投资题出发用线性规划建模在MATLAB中实现了求解和深度分析。这个过程不仅是一套技术操作更是一种解决问题的思维框架。它强迫你将模糊的“收益最大化、风险最小化”需求转化为清晰、可计算的数学语言。当你熟悉了这套方法面对各种资源分配、方案选择的难题时你手里就多了一把锋利的“数学手术刀”。最后记住模型是现实的简化解读结果时务必考虑其假设和局限。多做灵敏度分析理解参数变化的影响你的决策支持才会更加稳健。 MATLAB线性规划实战：投资组合优化与风险收益权衡
1. 从一道经典的投资题说起收益与风险的权衡做投资决策本质上就是在收益和风险之间走钢丝。手里有笔钱面前摆着几种资产比如股票、债券、黄金每种资产的预期年收益率和风险比如用收益率的方差或标准差衡量都不同。我们的目标很简单在可接受的风险水平下让总收益最大化或者反过来在确保一定收益的前提下让风险最小化。这听起来像是个选择题但当你面对几十种资产、复杂的相关性时它就成了一个典型的数学优化问题。线性规划就是解决这类“在约束条件下寻找最优解”问题的利器。它假设目标函数比如总收益和所有约束条件比如总投资额、风险上限都是线性的。虽然现实世界中的关系可能更复杂但线性模型因其简洁、高效和强大的求解能力往往是进行初步分析和决策的绝佳起点。今天我们就拿一个经典的投资收益与风险问题开刀看看怎么用MATLAB把它“算”明白。我选择MATLAB不仅仅因为它内置了强大的优化工具箱更因为它能让我们把数学公式几乎“原样”翻译成代码整个过程清晰直观特别适合用来理解模型背后的逻辑。很多朋友一听到“规划”、“优化”就觉得头大其实一旦把问题装进线性规划的框架里剩下的就是调用求解器的事了。我们这篇文章就是要带你走通这个全过程从问题描述、数学建模到MATLAB代码实现和结果分析每一步都配上详细的注释和我的实操心得。2. 问题拆解如何用数学语言描述投资决策假设我们手头有总额为M的一笔资金准备投资到n种不同的资产比如n支股票上。已知第i种资产的预期收益率为r_i。第i种资产的风险损失率为q_i。这里为了简化我们假设风险可以用一个线性的“损失率”来衡量它和收益率可能相关也可能独立。更复杂的模型会用协方差矩阵但今天我们先用线性模型入门。为了分散风险我们对每种资产的投资额有一个比例限制投资到任何一种资产上的资金比例不能超过总资金U比如单支股票不超过总资金的30%。我们的目标是在总风险不能超过一个预设水平K的前提下如何分配资金使得总收益最大现在我们把它翻译成数学公式。定义决策变量x_i为投资在第i种资产上的资金比例注意是比例不是绝对金额。那么x_i满足总投资额约束所有比例加起来等于1。x_1 x_2 ... x_n 1。非负约束投资比例不能为负不考虑做空。x_i 0。单项上限约束每种资产的投资比例有上限。x_i U。总风险约束所有资产的风险加权和不能超过阈值K。q_1*x_1 q_2*x_2 ... q_n*x_n K。我们的目标是最大化总收益Maximize: r_1*x_1 r_2*x_2 ... r_n*x_n。看一个完整的线性规划模型就出来了。目标函数是线性的所有约束也都是线性的等式或不等式。这就是典型的线性规划Linear Programming, LP问题。接下来我们的任务就是教会MATLAB理解这个模型并把它解出来。2.1 为什么选择线性规划模型你可能会问投资组合理论里更著名的不是马科维茨的均值-方差模型吗那个模型的目标是最大化夏普比率约束条件里包含一个二次的方差项属于二次规划。没错那是一个更精细的模型。但我们今天用线性规划来建模风险有几点考虑计算效率线性规划求解器如MATLAB的linprog非常成熟、快速且稳定对于变量和约束较多的问题也能高效处理。模型简洁易于理解将风险线性化q_i * x_i使得模型更直观特别适合向非专业背景的决策者解释。“每投入一块钱到资产i就会带来q_i单位的风险暴露”这个逻辑很容易被接受。良好的起点线性规划的解可以为更复杂的模型如二次规划、整数规划提供一个优质的初始解。在实际操作中先用LP跑一遍能快速了解问题的边界和大致轮廓避免在复杂模型里一开始就“迷路”。处理某些特定约束的天然优势比如我们刚才设置的“单项投资上限”用线性不等式x_i U表示非常自然。如果还要加入“交易成本”假设为投资额的固定比例也只需在目标函数里增加一个线性项即可。所以线性规划模型虽然是对现实的一种简化但这种简化是富有成效的它能快速给出一个在给定线性风险观下的最优决策方案极具参考价值。3. MATLAB工具箱核心linprog求解器详解MATLAB解决线性规划问题的核心函数是linprog它位于优化工具箱Optimization Toolbox中。在动手写我们的投资模型之前必须先把linprog的脾气摸透。它的基本调用语法是[x, fval, exitflag, output] linprog(f, A, b, Aeq, beq, lb, ub, options)看起来参数不少别慌我们结合投资模型一个一个对号入座f目标函数系数向量。对应我们要最大化的总收益r_1*x_1 ... r_n*x_n。注意linprog默认是求解最小化问题。我们的目标是最大化收益等价于最小化负收益。所以我们需要传入f -[r_1, r_2, ..., r_n]。A和b线性不等式约束矩阵和向量。对应我们的总风险约束q_1*x_1 ... q_n*x_n K。这里A [q_1, q_2, ..., q_n]b K。如果有多个不等式约束比如还有其他线性风险约束A就是一个多行的矩阵。Aeq和beq线性等式约束矩阵和向量。对应我们的总投资额约束x_1 ... x_n 1。所以Aeq [1, 1, ..., 1]一个全为1的行向量beq 1。lb和ub决策变量的下界和上界向量。对应我们的非负约束和单项上限约束。lb [0; 0; ...; 0]n个0ub [U; U; ...; U]n个U。x求解结果即最优的投资比例向量。fval目标函数在最优解处的值。因为我们传入的f是负的收益系数所以最终的最大收益是-fval。exitflag求解器退出状态。这是极其重要的返回值它告诉你求解是否成功以及失败的原因。exitflag 0表示成功找到最优解exitflag 0表示迭代次数超过上限可能未收敛exitflag 0表示问题无可行解或无界。每次调用linprog后第一件事就是检查exitflag。output包含求解过程详细信息的结构体比如迭代次数、算法 used 等用于高级调试和性能分析。注意linprog的参数A, b, Aeq, beq, lb, ub都可以用空矩阵[]占位表示没有该项约束。例如如果没有不等式约束就写A[], b[]。3.1 算法选择与选项设置linprog内部默认使用‘dual-simplex’对偶单纯形法算法这对于大多数问题都很稳健。你也可以通过options参数来指定算法比如‘interior-point’内点法对于大规模稀疏问题可能更快。设置选项的常用方法是options optimoptions(linprog, Display, iter, Algorithm, interior-point);这里‘Display’, ‘iter’会让求解器输出迭代过程方便我们观察。在最终确定代码时可以改为‘Display’, ‘off’或‘final’只显示最终结果以使输出更简洁。理解linprog的每一个输入输出参数是成功建模的关键。很多初学者出错就是因为系数向量f、约束矩阵A/Aeq的维度没对齐或者忘记了linprog默认求最小化这个关键点。接下来我们就用一组具体的数据把整个模型“跑”起来。4. 实战MATLAB代码逐行解析与运行理论说得再多不如一行代码。我们假设一个具体的投资场景总资金M 100单位万这只是个比例基准不影响比例分配。有4种资产 (n4)。预期收益率向量r [0.05, 0.08, 0.12, 0.15]即5%8%12%15%。风险损失率向量q [0.02, 0.05, 0.08, 0.12]。单项投资比例上限U 0.4即40%。可接受的总风险上限K 0.06即6%。我们的任务是找到最优投资比例x [x1, x2, x3, x4]。下面是我写的完整MATLAB脚本每一行都附上了详细注释。%% 投资收益与风险问题的线性规划建模与求解 % 作者一个爱折腾的MATLAB用户 % 功能在给定风险约束下求解最大化收益的投资组合分配问题。 clear; clc; close all; % 清空工作区、命令窗口关闭所有图形窗口。良好的习惯从清理开始。 %% 第一步定义问题参数 % 这些参数就像做菜的原料修改它们就能研究不同场景。 M 100; % 总资金量单位万元用于后续计算绝对投资额在比例求解中其实用不到。 n 4; % 资产种类数量 % 各资产的预期收益率 (年化) r [0.05, 0.08, 0.12, 0.15]; % 收益率越高通常风险也越大 % 各资产的风险损失率 (假设与收益率相关但非绝对) q [0.02, 0.05, 0.08, 0.12]; % 风险度量这里为线性风险系数 % 投资约束参数 U 0.4; % 对任何一种资产的投资比例上限 (40%) K 0.06; % 投资者能承受的总风险上限 (6%) fprintf(问题参数设定\n); fprintf( 资产数量 n %d\n, n); fprintf( 收益率 r [%s]\n, join(string(r), , )); fprintf( 风险率 q [%s]\n, join(string(q), , )); fprintf( 单项上限 U %.1f%%\n, U*100); fprintf( 总风险上限 K %.1f%%\n\n, K*100); %% 第二步构建线性规划模型系数 % 这是将数学模型“翻译”成MATLAB能听懂的语言的关键步骤。 % 1. 目标函数系数最大化总收益 - 最小化负总收益 f -r; % linprog默认求解最小化所以取负号 % 2. 不等式约束 (A*x b): 总风险约束 % 约束 q1*x1 q2*x2 ... qn*xn K A q; % 因为只有一个风险不等式所以A是一个行向量 b K; % 3. 等式约束 (Aeq*x beq): 资金全部分配完毕 % 约束 x1 x2 ... xn 1 Aeq ones(1, n); % 生成一个1行n列的全1向量 beq 1; % 4. 决策变量的上下界 (lb x ub) % 约束 0 xi U, 对于所有 i1...n lb zeros(n, 1); % n行1列的零向量表示投资比例不能为负不做空 ub U * ones(n, 1); % n行1列的全U向量表示单项投资上限 % 打印模型系数便于调试核对 fprintf(线性规划模型系数\n); fprintf( 目标向量 f (负收益) [%s]\n, join(string(f), , )); fprintf( 风险约束矩阵 A [%s]\n, join(string(A), , )); fprintf( 风险约束右端 b %.3f\n, b); fprintf( 资金等式矩阵 Aeq [%s]\n, join(string(Aeq), , )); fprintf( 资金等式右端 beq %d\n, beq); fprintf( 变量下界 lb [%s]\n, join(string(lb), , )); fprintf( 变量上界 ub [%s]\n\n, join(string(ub), , )); %% 第三步调用linprog求解器 % 使用默认算法对偶单纯形法进行求解并打开迭代信息显示以便观察。 options optimoptions(linprog, Display, final); % final只显示最终结果iter显示每次迭代 tic; % 开始计时衡量求解速度 [x_opt, fval_opt, exitflag, output] linprog(f, A, b, Aeq, beq, lb, ub, options); solve_time toc; % 结束计时 fprintf(--- 求解结果 ---\n); %% 第四步结果分析与输出 % 检查求解是否成功并解读结果。 if exitflag 0 fprintf(✅ 求解成功找到最优解。\n); fprintf( 求解耗时%.4f 秒\n, solve_time); fprintf( 迭代次数%d\n, output.iterations); % 计算最大总收益注意fval_opt是最小化负收益的值所以最大收益是其相反数 max_return -fval_opt; fprintf( 最大预期总收益率%.4f (即 %.2f%%)\n, max_return, max_return*100); % 输出最优投资比例 fprintf(\n最优投资比例分配\n); for i 1:n fprintf( 资产 %d (收益率%.1f%%, 风险%.1f%%): 比例 %6.2f%%\n, ... i, r(i)*100, q(i)*100, x_opt(i)*100); end % 计算实际总风险应小于等于K actual_risk q * x_opt; fprintf(\n风险核查\n); fprintf( 预设总风险上限 K %.2f%%\n, K*100); fprintf( 实际组合总风险 %.4f (即 %.2f%%)\n, actual_risk, actual_risk*100); if actual_risk K 1e-10 % 考虑数值计算误差 fprintf( ✅ 实际风险未超过上限。\n); else fprintf( ⚠️ 警告实际风险略微超过上限可能是数值误差。\n); end % 计算各资产绝对投资额基于总资金M investment_amount M * x_opt; fprintf(\n绝对投资额分配 (基于总资金 M%.0f 万元)\n, M); for i 1:n fprintf( 资产 %d: 投资额 %6.2f 万元\n, i, investment_amount(i)); end elseif exitflag 0 fprintf(⏸️ 求解器达到最大迭代次数可能未收敛。建议增加迭代次数或检查模型。\n); fprintf( 输出信息: %s\n, output.message); else % exitflag 0 fprintf(❌ 求解失败。问题可能无可行解或无界。\n); fprintf( 退出标志 exitflag %d\n, exitflag); fprintf( 输出信息: %s\n, output.message); % 可以进一步分析是无可行解还是无界 % 简单测试尝试放松约束例如将K调大看是否有解。 fprintf( 调试建议尝试增大总风险上限 K或检查约束条件是否矛盾。\n); end把这段代码复制到MATLAB的编辑器里保存为一个.m文件比如investment_portfolio_lp.m然后点击运行。你会看到命令窗口打印出详细的求解过程和结果。4.1 代码运行结果解读运行上述代码你应该会得到类似下面的输出具体数值可能因算法细微差异而不同问题参数设定 资产数量 n 4 收益率 r [0.05, 0.08, 0.12, 0.15] 风险率 q [0.02, 0.05, 0.08, 0.12] 单项上限 U 40.0% 总风险上限 K 6.0% 线性规划模型系数 目标向量 f (负收益) [-0.05, -0.08, -0.12, -0.15] 风险约束矩阵 A [0.02, 0.05, 0.08, 0.12] 风险约束右端 b 0.060 资金等式矩阵 Aeq [1, 1, 1, 1] 资金等式右端 beq 1 变量下界 lb [0, 0, 0, 0] 变量上界 ub [0.4, 0.4, 0.4, 0.4] --- 求解结果 --- Optimal solution found. ✅ 求解成功找到最优解。 求解耗时0.0123 秒 迭代次数3 最大预期总收益率0.1100 (即 11.00%) 最优投资比例分配 资产 1 (收益率5.0%, 风险2.0%): 比例 40.00% 资产 2 (收益率8.0%, 风险5.0%): 比例 0.00% 资产 3 (收益率12.0%, 风险8.0%): 比例 20.00% 资产 4 (收益率15.0%, 风险12.0%): 比例 40.00% 风险核查 预设总风险上限 K 6.00% 实际组合总风险 0.0600 (即 6.00%) ✅ 实际风险未超过上限。 绝对投资额分配 (基于总资金 M100 万元) 资产 1: 投资额 40.00 万元 资产 2: 投资额 0.00 万元 资产 3: 投资额 20.00 万元 资产 4: 投资额 40.00 万元结果分析求解成功exitflag 0算法只用了3次迭代就找到了最优解耗时仅0.01秒左右体现了线性规划求解的高效性。最优解最优投资组合是x [0.4, 0, 0.2, 0.4]。资产2收益率8%风险5%完全没有被选中。为什么因为它的“性价比”不高。相比资产1收益5%风险2%它的风险增幅3%大于收益增幅3%相比资产3和4它的收益又太低。在严格的线性风险约束下它被淘汰了。边界解资产1和资产4都达到了40%的单项上限。这说明约束U是“紧”的即它 actively 限制了最优解。资产3占20%资产2为0%。总风险0.02*0.4 0.12*0.4 0.08*0.2 0.06恰好等于风险上限K。这说明风险约束也是“紧”的。在最优解处往往有一个或多个约束是恰好被满足的这符合线性规划的基本原理。最大收益达到了11%。这比单纯买最高收益的资产15%要低因为受到了风险约束和分散化约束的限制但它是在给定风险水平下能获得的最优收益。这个结果非常符合直觉在风险约束下我们倾向于多配置高收益资产资产4但它的风险也高所以用完了上限。为了凑满100%的资金并满足风险约束我们加入了风险最低的资产1也用完上限和性价比尚可的资产3。资产2因为“高不成低不就”而出局。5. 深入探究模型灵敏度分析与参数影响得到一个最优解只是开始。一个负责任的模型使用者一定会问如果我的风险承受能力K变化了最优解会怎么变如果单项上限U调整了结果又有多大影响这就是灵敏度分析。我们可以通过简单的循环来观察关键参数变动对最优解和目标值的影响。5.1 风险承受能力K的影响我们固定其他参数让总风险上限K从0.02非常保守逐步增加到0.12非常激进观察最大收益率和投资组合的变化。%% 灵敏度分析总风险上限K的影响 fprintf(\n 灵敏度分析总风险上限 K 的影响 \n); K_values 0.02:0.01:0.12; % 风险上限从2%到12% max_returns zeros(size(K_values)); % 存储每个K对应的最大收益 portfolio_weights zeros(n, length(K_values)); % 存储每个K对应的投资比例 for idx 1:length(K_values) K_current K_values(idx); % 更新不等式约束的右端项b [x_temp, fval_temp, exitflag_temp] linprog(f, A, K_current, Aeq, beq, lb, ub, []); if exitflag_temp 0 max_returns(idx) -fval_temp; portfolio_weights(:, idx) x_temp; else max_returns(idx) NaN; % 求解失败记为NaN portfolio_weights(:, idx) NaN; end end % 绘制最大收益随K变化的曲线 figure(Position, [100, 100, 800, 400]); % 设置图形窗口位置和大小 subplot(1,2,1); plot(K_values*100, max_returns*100, b-o, LineWidth, 1.5, MarkerFaceColor, b); xlabel(总风险上限 K (%)); ylabel(最大预期收益率 (%)); title(风险-收益前沿 (线性模型)); grid on; % 绘制投资比例随K变化的堆叠面积图 subplot(1,2,2); area(K_values*100, portfolio_weights*100); % 转置并转换为百分比 xlabel(总风险上限 K (%)); ylabel(投资比例 (%)); title(投资组合构成随风险变化); legend(资产1, 资产2, 资产3, 资产4, Location, best); grid on;运行这段代码你会得到两张图。第一张图展示了经典的“风险-收益”前沿随着可承受风险K的增加最大可能收益max_returns也随之增加但增长曲线可能不是线性的在某个点后增速会放缓因为高收益资产有上限约束。第二张图是堆叠面积图清晰地展示了四种资产的比例如何随K变化。你会发现在风险极低时可能只投资最安全的资产1随着风险容忍度提高高收益的资产4比例逐渐上升并挤占其他资产的空间。5.2 单项投资上限U的影响类似地我们可以分析单项上限U的影响。U体现了投资分散化的强制要求。U越小投资越分散U越大越允许集中投资。%% 灵敏度分析单项投资上限U的影响 (固定K0.06) fprintf(\n 灵敏度分析单项投资上限 U 的影响 (K6%%) \n); K_fixed 0.06; U_values 0.1:0.05:1.0; % 上限从10%到100%即不限 max_returns_U zeros(size(U_values)); for idx 1:length(U_values) U_current U_values(idx); ub_current U_current * ones(n, 1); % 更新上界向量 [~, fval_temp, exitflag_temp] linprog(f, A, K_fixed, Aeq, beq, lb, ub_current, []); if exitflag_temp 0 max_returns_U(idx) -fval_temp; else max_returns_U(idx) NaN; end end figure; plot(U_values*100, max_returns_U*100, r-s, LineWidth, 1.5, MarkerFaceColor, r); xlabel(单项投资比例上限 U (%)); ylabel(最大预期收益率 (%)); title(最大收益 vs. 分散化程度 (K6%)); grid on;这张图会显示当U很小时强制高度分散最大收益会被拉低因为资金被迫分配到一些低收益资产上。随着U增大允许更集中的投资最大收益会上升。但当U大到一定程度比如超过某个临界点可能是40%或50%最优解已经可以自由配置再增加U也不会提高收益了曲线会变得平坦。这个临界点对应的U值就是模型在给定风险约束下的“自然”集中度上限。进行灵敏度分析的意义在于它让你从“求一个答案”上升到“理解整个系统”。你知道最优解不是孤立的它依赖于你的参数设定。这能帮助你在实际决策中更好地与决策者沟通“如果我们把风险上限放宽1%预期收益能提高大约X%如果我们允许单支股票持仓提高到50%收益能再提升Y%。”6. 常见踩坑点与实战经验分享看起来一切都很顺利但在实际应用中从模型到代码坑可不少。下面是我总结的几个关键点很多是官方文档里不会细说的。6.1 坑一维数不匹配与向量方向这是新手最常犯的错误。linprog要求f,lb,ub是列向量n x 1而A和Aeq的行数对应约束个数列数对应变量个数n。错误示例f -r;如果r是行向量[1, n]在旧版本或某些情况下可能没问题但严格来说应该使用列向量。更安全的写法是f -r(:);或者f -r;如果r是行向量。我的习惯在定义参数时就统一使用列向量。例如r [0.05; 0.08; 0.12; 0.15];。这样在构建f,lb,ub时就不会出错。对于A和Aeq如果只有一个约束也要确保它是行向量[1, n]。ones(1, n)生成的就是行向量zeros(n, 1)生成的是列向量心里要有数。检查技巧在调用linprog前用size()函数打印一下关键矩阵和向量的维度确保size(f) [n,1],size(A) [不等式个数, n],size(Aeq) [等式个数, n],size(lb)size(ub)[n,1]。6.2 坑二忽略exitflag与无解情况永远不要假设你的模型一定有解。可能因为约束太严格比如K设得太小而最低风险的资产组合起来风险也超过K导致无可行解。也可能因为目标函数设置错误比如求最大化却没取负号导致问题无界理论上收益可以无限大。必须检查每次求解后第一件事就是判断if exitflag 0。如果失败要利用output.message获取失败信息。调试无可行解如果exitflag是负值如 -2提示无可行解。可以尝试暂时注释掉一些约束比如风险约束A, b看是否能得到解。如果能说明是这些约束太紧。逐步放松约束条件增大K增大U找到可行的边界。检查等式约束Aeq*x beq是否可能与其他约束矛盾。例如如果U设置得太小比如U0.2那么即使全部资产都投到上限总和n*U 4*0.20.8 1也无法满足sum(x)1的等式约束必然无解。调试无界解如果exitflag是 -3提示问题无界。这通常发生在目标函数是求最大化但忘记加负号变成了求最小化一个负值结果趋向负无穷。仔细检查f的符号。6.3 坑三数值精度与“刚好等于”的判断计算机是浮点数运算存在精度误差。理论上最优解应满足actual_risk K但计算结果可能是0.0600000001。如果你用actual_risk K判断可能会误报违规。正确做法设置一个容差tol比如1e-10。if actual_risk K 1e-10 fprintf(风险约束满足。\n); end在约束中也可以设置容差如果你发现求解器因为数值问题报告无可行解但你觉得应该“擦边”有解可以尝试将约束放松一点点例如A*x b 1e-6。6.4 坑四模型假设与实际情况的差距这是我们作为建模者要时刻清醒认识的。本文的模型做了很多简化线性风险实际风险如波动率并非与投资额成简单的线性关系资产之间的相关性协方差是关键。更准确的模型是马科维茨的二次规划模型。静态参数收益率r和风险q是估计值未来可能变化。模型结果对参数非常敏感。需要进行参数敏感性分析即微调r和q看最优解是否稳定。如果最优解剧烈变动说明这个投资策略很脆弱。交易成本与整数手数模型假设可以按任意比例投资现实中买卖股票有最小单位手还有交易佣金这些都可以通过引入整数变量和线性成本项来建模但问题会升级为混合整数线性规划MILP求解更复杂。因此这个线性规划模型给出的更多是一个“理论基准”或“战略方向”而不是精确到分的交易指令。它告诉你在当前的认知下应该向高收益资产倾斜并规避性价比不高的中间资产。在实际操作中还需要结合基本面分析、市场情绪和交易规则进行调整。7. 举一反三模型扩展与更多应用场景掌握了这个基本框架你可以轻松地将它应用到无数类似的问题上。线性规划的魅力就在于其建模的灵活性。7.1 扩展一加入交易成本假设每次买卖资产i都有比例c_i的交易成本。我们可以定义两组新变量x_i_buy买入比例和x_i_sell卖出比例但为了简化假设我们从零开始构建组合那么总成本就是sum(c_i * x_i)。这会影响我们的净收益。新的目标函数变为最大化净收益 sum(r_i * x_i) - sum(c_i * x_i) sum((r_i - c_i) * x_i)。 只需要将原来的收益向量r替换为净收益向量(r - c)其他约束不变。代码上只需修改一行c [0.001, 0.002, 0.005, 0.008]; % 假设的交易成本率 f -(r - c); % 目标是最小化负的净收益7.2 扩展二多阶段投资决策你可以将时间维度引入做多期动态规划。例如考虑未来两个时间点今年和明年资金可以在不同资产间再平衡。这就需要定义两期的决策变量x_i^t并添加资金流动约束今年的卖出加上收益等于明年的买入。这会让模型规模变大但本质上仍然是线性规划。7.3 应用场景迁移这个“资源分配-约束优化”的范式无处不在生产计划给定多种原料约束库存上限、生产多种产品决策变量产量每种产品利润不同目标最大化总利润同时每种产品消耗原料的比例固定技术约束。营养配餐给定多种食物决策变量摄入量每种食物含不同营养成分约束每日营养需求上下限目标是最小化总成本或总卡路里。运输调度多个仓库供应货物到多个商店决策变量运输量每个仓库有库存上限供应约束每个商店有需求需求约束目标是最小化总运输成本。它们的核心步骤都是一样的1) 定义决策变量2) 用决策变量表示目标3) 用决策变量表示约束4) 调用求解器。只要你把实际问题“翻译”成这四步MATLAB就能帮你找到最优解。回过头看我们从一道具体的投资题出发用线性规划建模在MATLAB中实现了求解和深度分析。这个过程不仅是一套技术操作更是一种解决问题的思维框架。它强迫你将模糊的“收益最大化、风险最小化”需求转化为清晰、可计算的数学语言。当你熟悉了这套方法面对各种资源分配、方案选择的难题时你手里就多了一把锋利的“数学手术刀”。最后记住模型是现实的简化解读结果时务必考虑其假设和局限。多做灵敏度分析理解参数变化的影响你的决策支持才会更加稳健。