TensorFlow - 添加变量(权重)约束

Question

只是一个玩具的例子。假设我们有 5 只股票，我们希望找到最佳的投资组合结构(线性权重(，以最大化我们的历史盈亏。权重用于建立投资于股票的投资组合。

weights = tf.Variable(np.random.random((5, 1)), dtype=tf.double)
returns = tf.placeholder(dtype=tf.double)
portfolio = tf.matmul(returns, weights)
pnl = portfolio[-1]
optimizer = tf.train.AdamOptimizer().minimize(-1*pnl)
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    train_data = {returns: returns_data}  
    for i in range(100):
        sess.run(optimizer, feed_dict=train_data)

我想在以下约束下找到关于历史的最佳决策：

• 每股单重(最小值：0.05，最大值：0.5(
• 权重向量和 = 1(投资组合始终投资(

如何对优化器实现权重约束？

Answer 1

对于您的第一个问题，您可以将值裁剪到矩阵中：

weights = tf.Variable(np.random.random((5, 1)), dtype=tf.double)
weights = tf.clip_by_value(weights, 0.05, 0.5)

softmax函数可以回答您的第二个问题(https://en.wikipedia.org/wiki/Softmax_function(

顺便说一句，optimizer = tf.train.AdamOptimizer().minimize(-1*pnl)行不通。优化程序需要知道它需要从中最小化损失的变量列表。因此它是：optimizer = tf.train.AdamOptimizer().minimize(-1*pnl, weights)