Python金融大数据分析——第9章 数学工具 笔记
第9章 数学工具
9.1 逼近法
在给定区间内通过回归和差值求取该函数的近似值。 首先，我们生成该函数的图形， 更好地观察逼近法所实现的结果。我们感兴趣的区间是[-2π,2π]。下图显示了该函数在通过linspace函数定义的固定区间上的图像。np.linspace(start, stop,num）返回从 star 开始 ， stop 结束的 num 个点， 两个连续点之间的子区间均匀分布：
import numpy as np
import matplotlib.pyplot as plt
def f(x):
return np.sin(x) + 0.5 * x
x = np.linspace(-2 * np.pi, 2 * np.pi, 50)
plt.plot(x,f(x),'b')
plt.grid(True)
plt.xlabel('x')
plt.ylabel('f(x)')9.1.1 回归
回归是相当高敬的函数近似值计算工具。 它不仅合求取一维函数的近似值， 在更高维度上也很有效。 得出回归结果所需要的数值化方法很容易实现． 执行也很快速。 本质上， 回归的任务是在给定一组所谓 “基函数” bd，d∈{1,…,D} 的情况下，根据下面的公式找出最优参数，其中对于i∈{1,…I}观察点，yi ≡ f(xi)。xi 可以视为自变量观测值，yi 可以视为因变量观测值。
最小化回归问题公式：
1. 作为基函数的单项式
最简单的情况是以单项式作为基函数——也就是说 在这种情况下，NumPy有确定最优参数（polyfit）和以一组输入值求取近似值（polyval ) 的内建函数。
polyfit函数参数
| 参数 | 描述 |
|---|---|
| x | x坐标（自变量值） |
| y | y坐标（因变量值） |
| deg | 多项式拟合度 |
| full | 如果为真返回额外的诊断信息 |
| w | 应用到y坐标的权重 |
| cov | 如果为真返回协方差矩阵 |
# 典型向量化风格的polyfit和polyval线性回归（deg=1）
# 使用 1 次单项式作为基函数
reg = np.polyfit(x, f(x), deg=1)
ry = np.polyval(reg, x)
plt.plot(x, f(x), 'b', label='f(x)')
plt.plot(x, ry, 'r.', label='regression')
plt.legend(loc=0)
plt.grid(True)
plt.xlabel('x')
plt.ylabel('f(x)')
# 使用 5 次单项式作为基函数
reg = np.polyfit(x, f(x), deg=5)
ry = np.polyval(reg, x)
plt.plot(x, f(x), 'b', label='f(x)')
plt.plot(x, ry, 'r.', label='regression')
plt.legend(loc=0)
plt.grid(True)
plt.xlabel('x')
plt.ylabel('f(x)')# 使用 7 次单项式作为基函数
reg = np.polyfit(x, f(x), deg=7)
ry = np.polyval(reg, x)
plt.plot(x, f(x), 'b', label='f(x)')
plt.plot(x, ry, 'r.', label='regression')
plt.legend(loc=0)
plt.grid(True)
plt.xlabel('x')
plt.ylabel('f(x)')np.allclose(f(x), ry)
# False
np.sum((f(x) - ry) ** 2) / len(x)
# 0.0017769134759517721简单的检查表明结果并不完美，但是， 均方差（MSE）不是太大——至少在较窄的 x 值区间内。
2. 单独的基函数
一般来说， 当选择更好的基函数组时， 可以得到更好的回归结果， 例如利用对函数的认识进行近似值计算。在这种情下，单独的基函数必须通过一个矩阵方法定义（也就是使用NumPy ndarray对象）。
matrix = np.zeros((3 + 1, len(x)))
matrix[3, :] = x ** 3
matrix[2, :] = x ** 2
matrix[1, :] = x
matrix[0, :] = 1
reg = np.linalg.lstsq(matrix.T, f(x))[0]
reg
# array([ 1.52685368e-14, 5.62777448e-01, -1.11022302e-15,
# -5.43553615e-03])
ry = np.dot(reg, matrix)
plt.plot(x, f(x), 'b', label='f(x)')
plt.plot(x, ry, 'r.', label='regression')
plt.legend(loc=0)
plt.grid(True)
plt.xlabel('x')
plt.ylabel('f(x)')图中的结果并不真的如预期那么好。使用更通用的方法，可以利用对示例函数的认识。我们知道函数中有一个 sin 部分。因此，在基函数中包含一个正弦函数是有意义的。 为了简单起见． 我们替换最高次的单项式：
matrix[3, :] = np.sin(x)
reg = np.linalg.lstsq(matrix.T, f(x))[0]
ry = np.dot(reg, matrix)
plt.plot(x, f(x), 'b', label='f(x)')
plt.plot(x, ry, 'r.', label='regression')
plt.legend(loc=0)
plt.grid(True)
plt.xlabel('x')
plt.ylabel('f(x)')np.allclose(f(x),ry)
# True
np.sum((f(x) - ry) ** 2) / len(x)
# 2.1855453008906352e-31
reg
# array([ 9.26243218e-17, 5.00000000e-01, 0.00000000e+00,
# 1.00000000e+00])上面恢复了正确的参数：sin部分为1，线性部分为0.5
原方程为：sin(x) + 0.5 * x
3. 有噪声的数据
回归对于有噪声的数据同样能够很好的处理，这种数据来自于模拟或者（不完善的）测量。 为了阐述这个要点，我们生成同样具有噪声的自变量观测值和因变量观测值：
xn = np.linspace(-2 * np.pi, 2 * np.pi, 50)
xn = xn + 0.15 * np.random.standard_normal(len(xn))
yn = f(xn) + 0.25 * np.random.standard_normal(len(xn))
reg = np.polyfit(xn, yn, 7)
ry = np.polyval(reg, xn)
plt.plot(xn, yn, 'b^', label='f(x)')
plt.plot(xn, ry, 'ro', label='regression')
plt.legend(loc=0)
plt.grid(True)
plt.xlabel('x')
plt.ylabel('f(x)')4. 未排序数据
回归的另一个重要特点是这种方法可以无缝地处理未排序数据。前面的例子都依赖于经过排序的x数据， 情况并不总是这样的， 为了说明这一点， 我们随机产生自变量数据点：
xu = np.random.rand(50) * 4 * np.pi - 2 * np.pi
yu = f(xu)
# 在这种情况下，仅靠从视觉上检查原始数据很难识别出任何结构：
print(xu[:10].round(2))
print(yu[:10].round(2))
# [ 4.94 6.05 2.34 5.8 5.39 2.13 -0.54 6.11 0.9 -5.52]
# [ 1.5 2.79 1.89 2.43 1.91 1.91 -0.78 2.88 1.23 -2.07]
# 和有噪声数据一样，回归方法不关心观测点的顺序。
reg = np.polyfit(xu, yu, 5)
ry = np.polyval(reg, xu)
plt.plot(xu, yu, 'b^', label='f(x)')
plt.plot(xu, ry, 'ro', label='regression')
plt.legend(loc=0)
plt.grid(True)
plt.xlabel('x')
plt.ylabel('f(x)')5. 多维
最小二乘回归方法的另一个便利特性是不需要太多的修改就可以用于多维的情况，以下面介绍的fm函数为例：
def fm(x, y):
return np.sin(x) + 0.25 * x + np.sqrt(y) + 0.05 * y ** 2
x = np.linspace(0, 10, 20)
y = np.linspace(0, 10, 20)
X, Y = np.meshgrid(x, y)
# generates 2-d grids out of the 1-d arrays
Z = fm(X, Y)
x = X.flatten()
y = Y.flatten()
# 根据以 x,y,z 表示的自变量和因变量数据点网格，显示fm函数的形状
from mpl_toolkits.mplot3d import Axes3D
import matplotlib as mpl
fig = plt.figure(figsize=(9, 6))
ax = fig.gca(projection='3d')
surf = ax.plot_surface(X, Y, Z, rstride=2, cstride=2, cmap=mpl.cm.coolwarm, linewidth=0.5, antialiased=True)
ax.set_xlabel('x')
ax.set_ylabel('y')
ax.set_zlabel('f(x,y)')
fig.colorbar(surf, shrink=0.5, aspect=5)
为了获得好的回归结果，我们编辑一组基函数，包括一个sin 和 一个 sqrt 函数，利用了我们对函数的认识：
matrix = np.zeros((len(x), 6 + 1))
matrix[:, 6] = np.sqrt(y)
matrix[:, 5] = np.sin(x)
matrix[:, 4] = y ** 2
matrix[:, 3] = x ** 2
matrix[:, 2] = y
matrix[:, 1] = x
matrix[:, 0] = 1
# statsmodels库提供了相当通用和有益的函数OLS，可以用于一维和多维最小二乘回归
import statsmodels.api as sm
model = sm.OLS(fm(x, y), matrix).fit()
# OLS 函数的好处之一是提供关于回归及其质量的大量附加信息。 调用 model.summary可以访问结果的一个摘要。单独统计数字（如 确定系数）通常可以直接的问
model.rsquared
# 1.0
a = model.params
a
# array([ -4.37150316e-15, 2.50000000e-01, 1.88737914e-15,
# -2.93168267e-16, 5.00000000e-02, 1.00000000e+00,
# 1.00000000e+00])reg_func返回给定最优回归参数和自变量数据点的回归函数值：
def reg_func(a, x, y):
f6 = a[6] * np.sqrt(y)
f5 = a[5] * np.sin(x)
f4 = a[4] * y ** 2
f3 = a[3] * x ** 2
f2 = a[2] * y
f1 = a[1] * x
f0 = a[0] * 1
return (f6 + f5 + f4 + f3 + f2 + f1 + f0)将这些值与示例函数原始构成比较
RZ = reg_func(a, X, Y)
fig = plt.figure(figsize=(9, 6))
ax = fig.gca(projection='3d')
surf1 = ax.plot_surface(X, Y, Z, rstride=2, cstride=2, cmap=mpl.cm.coolwarm, linewidth=0.5, antialiased=True)
surf2 = ax.plot_surface(X, Y, RZ, rstride=2, cstride=2, label='regression')
ax.set_xlabel('x')
ax.set_ylabel('y')
ax.set_zlabel('z')
ax.legend()
fig.colorbar(surf1, shrink=0.5, aspect=5)
回归
最小二乘回归方法有多种应用领域， 包括简单的函数逼近和基于有噪声或者未排序数据的函数逼近。 这些方法可以应用于一维问题， 也可以应用于多维问题。 由于这种方法的基础数学理论使然， 在一维问题和多维问题上的应用总是 “几乎相同”
9.1.2 插值
与回归相比， 插值〈例如， 三次样条插值）在数学上更为复杂。 它还被限制在低维度问题上。给定一组有序的观测点（按照x维排序）， 基本的思路是在两个相邻数据点之间进行回归。不仅产生的分段插值函数完全匹配数据点， 而且函数在数据点上连续可微分。 连续可微分性需要至少三阶插值一一也就是三次样条插值。 然而， 这种方法一般也适用于四次甚至线性样条插值。
在给定以x排序的数据点集时， 应用这种方法和polyft、polyval 一样简单， 此时对应的函数是splrep和splev。
splrep函数参数
| 参数 | 描述 |
|---|---|
| x | (有序)x坐标（自变量值） |
| y | （按x排序）y坐标（因变量值） |
| w | 应用到y坐标的权重 |
| xb,xe | 拟合区间，如果设置为None则区间为[x[0],[-1]] |
| k | 样条拟合顺序（1<=k<=5） |
| s | 平滑因子 |
| full_output | 如果为真，返回附加输出 |
| quiet | 如果为真，抑制消息 |
splev函数参数
| 参数 | 描述 |
|---|---|
| x | (有序)x坐标（自变量值） |
| tck | splrep返回的长度为3的序列（节点，系数，阶数） |
| der | 导数的阶（0为元函数，1为一阶导数） |
| ext | 如果x不在节点序列中时的行为（0外推，1返回0，2引发ValueError异常） |
import numpy as np
import scipy.interpolate as spi
import matplotlib.pyplot as plt
x = np.linspace(-2 * np.pi, 2 * np.pi, 25)
def f(x):
return np.sin(x) + 0.5 * x
ipo = spi.splrep(x, f(x), k=1)
iy = spi.splev(x, ipo)
plt.plot(x, f(x), 'b', label='f(x)')
plt.plot(x, iy, 'r.', label='interpolation')
plt.legend(loc=0)
plt.grid(True)
plt.xlabel('x')
plt.ylabel('f(x)')np.allclose(f(x),iy)
# True样条插值在金融学中往往用于估算未包含在原始观测点中的自变量数据点的因变量值。 为次，我们选择一个更小的区间 ， 仔细观察一次样条插入的值：
xd = np.linspace(1.0, 3.0, 50)
iyd = spi.splev(xd, ipo)
plt.plot(xd, f(xd), 'b', label='f(x)')
plt.plot(xd, iyd, 'r.', label='interpolation')
plt.legend(loc=0)
plt.grid(True)
plt.xlabel('x')
plt.ylabel('f(x)')插值函数确实线性地在两个观测点之间插值。 对于某些应用， 这可能不够精确。此外， 很明显函数在原始数据点上不是连续可微分的一一这是另一个不足
这次使用三次样条插值：
ipo = spi.splrep(x, f(x), k=3)
iyd = spi.splev(xd, ipo)
plt.plot(xd, f(xd), 'b', label='f(x)')
plt.plot(xd, iyd, 'r.', label='interpolation')
plt.legend(loc=0)
plt.grid(True)
plt.xlabel('x')
plt.ylabel('f(x)')np.allclose(f(xd), iyd)
# False
np.sum((f(xd)-iyd)**2)/len(xd)
# 1.1349319851436252e-08从数值上看， 这种插值并不完美，但是MSE确实很小。
插值
在可以应用样条插值的情况下， 可以预期比最小二来回归方法更好的近似结果。 但是要记住， 你必须有排序（且“无噪声”）的数据， 该方法仅限于低维度问题。 样条插值的计算要求也更高， 在某些用例中可能导致花费的时间比回归方法长得多。
9.2 凸优化
在金融学和经济学中， 凸优化起着重要的作用。 这方面的例子包括根据市场数据校准期权定价模型， 或者效用函数的优化。我们以下面定义的函数 fm 为例进行这种优化：
from mpl_toolkits.mplot3d import Axes3D
import matplotlib as mpl
def fm(x, y):
return (np.sin(x) + 0.05 * x ** 2 + np.sin(y) + 0.05 * y ** 2)
x = np.linspace(-10, 10, 50)
y = np.linspace(-10, 10, 50)
X, Y = np.meshgrid(x, y)
Z = fm(X, Y)
fig = plt.figure(figsize=(9, 6))
ax = fig.gca(projection='3d')
surf = ax.plot_surface(X, Y, Z, rstride=2, cstride=2, cmap=mpl.cm.coolwarm, linewidth=0.5, antialiased=True)
ax.set_xlabel('x')
ax.set_ylabel('y')
ax.set_zlabel('f(x,y)')
fig.colorbar(surf, shrink=0.5, aspect=5)9.2.1 全局优化
为了更仔细地观察初始化最小化过程时后台发生的情况， 我们改善原函数， 通过一个选项输出当前参数值和函数值：
output = True
def fo(x):
z = np.sin(x[0]) + 0.05 * x[0] ** 2 + np.sin(x[1]) + 0.05 * x[1] ** 2
if output == True:
print('%8.4f %8.4f %8.4f' % (x[0], x[1], z))
return zbrute以参数范围作为输入。 例如， 提供x值范围（－ 10, 10.1, 5 ）会得到， -10、 -5 、 0 、 5 、 10这5个 “测试值 ” ：
import scipy.optimize as spo
output = True
spo.brute(fo, ((-10, 10.1, 5), (-10, 10.1, 5)), finish=None)
# -10.0000 -10.0000 11.0880
# -10.0000 -10.0000 11.0880
# -10.0000 -5.0000 7.7529
# -10.0000 0.0000 5.5440
# -10.0000 5.0000 5.8351
# -10.0000 10.0000 10.0000
# -5.0000 -10.0000 7.7529
# -5.0000 -5.0000 4.4178
# -5.0000 0.0000 2.2089
# -5.0000 5.0000 2.5000
# -5.0000 10.0000 6.6649
# 0.0000 -10.0000 5.5440
# 0.0000 -5.0000 2.2089
# 0.0000 0.0000 0.0000
# 0.0000 5.0000 0.2911
# 0.0000 10.0000 4.4560
# 5.0000 -10.0000 5.8351
# 5.0000 -5.0000 2.5000
# 5.0000 0.0000 0.2911
# 5.0000 5.0000 0.5822
# 5.0000 10.0000 4.7471
# 10.0000 -10.0000 10.0000
# 10.0000 -5.0000 6.6649
# 10.0000 0.0000 4.4560
# 10.0000 5.0000 4.7471
# 10.0000 10.0000 8.9120
# array([ 0., 0.])在给定的函数初始参数化条件下， 最优化参数值是x=y=0。 回顾前面的输出可以看出，结果函数值也为0。第一次参数化相当粗糙，我们对两个输人参数均使用5的步距。这当然有很大的微调空间， 得到更好的结果：
output = False
opt1 = spo.brute(fo, ((-10, 10.1, 0.1), (-10, 10.1, 0.1)), finish=None)
opt1
# array([-1.4, -1.4])
fm(opt1[0], opt1[1])
# -1.7748994599769203
最优化参数值现在是 x=y=1.4， 全局最小化的最小函数值大约为－1.7749
9.2.2 局部优化
对于局部凸优化，我们打算利用全局优化的结果。fmin函数的输人是需要最小化的函数和起始参数值。此外，可以定义输入参数宽容度和函数值宽容度， 以及最大迭代及函数调用次数：
output = True
opt2 = spo.fmin(fo, opt1, xtol=0.001, ftol=0.001, maxiter=15, maxfun=20)
opt2
# -1.4000 -1.4000 -1.7749
# -1.4700 -1.4000 -1.7743
# -1.4000 -1.4700 -1.7743
# -1.3300 -1.4700 -1.7696
# -1.4350 -1.4175 -1.7756
# -1.4350 -1.3475 -1.7722
# -1.4088 -1.4394 -1.7755
# -1.4438 -1.4569 -1.7751
# -1.4328 -1.4427 -1.7756
# -1.4591 -1.4208 -1.7752
# -1.4213 -1.4347 -1.7757
# -1.4235 -1.4096 -1.7755
# -1.4305 -1.4344 -1.7757
# -1.4168 -1.4516 -1.7753
# -1.4305 -1.4260 -1.7757
# -1.4396 -1.4257 -1.7756
# -1.4259 -1.4325 -1.7757
# -1.4259 -1.4241 -1.7757
# -1.4304 -1.4177 -1.7757
# -1.4270 -1.4288 -1.7757
# Warning: Maximum number of function evaluations has been exceeded.
# array([-1.42702972, -1.42876755])
fm(opt2[0], opt2[1])
# -1.7757246992239009我们可以观察到解决方案的徽调和更低的函数值。
在许多凸优化问题中， 建议在局部优化之前进行全局优化。 主要原因是局部凸优化算法很容易陷人某个局部最小值（所谓的 “盆地跳跃 ” （ basin hopping））， 而忽略“更好”的局部最小值和全局最小值。下面可以看到’ 将初始参数化设置为x=y=2得出高于0的“最小”值：
output = False
opt3 = spo.fmin(fo, (2.0, 2.0), maxiter=250)
# Optimization terminated successfully.
# Current function value: 0.015826
# Iterations: 46
# Function evaluations: 86
# Out[11]: array([ 4.2710728 , 4.27106945])
fm(opt3[0], opt3[1])
# 0.0158257532746804999.2.3 有约束优化
目前为止， 我们只考虑了无约束优化问题。但是许多类型的经济学或者金融学优化问题都有 一个或者多个约束条件。 这些约束可能采取等式或者不等式等正规形式。
举个简单的例子， 考虑可能投资于两种高风险证券（希望效用最大化）的投资者的效用最大化问题。 两种证券今天的价格为。 一年之后， 状态 u 下它们的收益分别为15美元和5美元，而在状态 d 下收益分别为5美元和12美元。 两种状态的出现可能性相同。两种证券的向盘收益分别记为和。
投资者的投资顶算为美元。并根据效用函数 得出未来的财富敷率。其中w是可用的财富（以美元计算）。公式9-2是最优化问题的公式．其中a, b是投
资者购买的证券数量。
预期效用最大化问题：
代入所有数值化假设。我们还为负数的预期效用最小化做了更改。
预期效用最大化问题：
我们使用scipy.optimize.minimize 函数解决上述问题。除了需要最小化的函数之外，这个函数还以公式和不等式（以字典对象列表的形式）和参数范围（以元组对象元组的形式）作为输入。代码如下：
# function to be minimized
from math import sqrt
def Eu(s):
return -(0.5 * sqrt(s[0] * 15 + s[1] * 5) + 0.5 * sqrt(s[0] * 5 + s[1] * 12))
# constraints
cons = ({'type': 'ineq', 'fun': lambda s: 100 - s[0] * 10 - s[1] * 10})
# budget constraint
bnds = ((0, 1000), (0, 1000)) # upper bounds large enough
result = spo.minimize(Eu, [5, 5], method='SLSQP', bounds=bnds, constraints=cons)
result
# fun: -9.700883611487832
# jac: array([-0.48508096, -0.48489535])
# message: 'Optimization terminated successfully.'
# nfev: 21
# nit: 5
# njev: 5
# status: 0
# success: True
# x: array([8.02547122, 1.97452878])
result['x']
# array([8.02547122, 1.97452878])
-result['fun']
# 9.700883611487832按照对上述简单模型的参数化，投资者的最优选择是购买大约 8 个单位的 a 证券和大约 2 个单位的 b 证券 。 预算是固定的，也就是说，投资者在证券*投人 100 美元资金。 这很容易通过取得最优参数向量和价格向量的点乘来验证：
np.dot(result['x'], [10, 10])
# 99.9999999999999869.3 积分
在估值和期权定价时，积分是一个重要的数学工具。 这来源于一个事实：衍生物的风险中立价值一般可以用风险中立（鞍）测度下的预期折现收益来表示。 这一预期在离散情况下是个总和。在连续情况下是一个积分。scipy.integrate子库提供了数值积分所用的不同函数：
import scipy.integrate as sci
# 继续使用由sin部分和线性部分组成的示例函数
def f(x):
return np.sin(x) + 0.5 * x
# 我们感兴趣的是［0.5, 9.5]区间内的积分
a = 0.5
b = 9.5
x = np.linspace(0, 10)
y = f(x)
from matplotlib.patches import Polygon
fig, ax = plt.subplots(figsize=(7, 5))
plt.plot(x, y, 'b', linewidth=2)
plt.ylim(ymin=0)
# area unde the function
# between lower and upper limit
Ix = np.linspace(a, b)
Iy = f(Ix)
verts = [(a, 0)] + list(zip(Ix, Iy)) + [(b, 0)]
poly = Polygon(verts, facecolor='0.7', edgecolor='0.5')
ax.add_patch(poly)
# labels
plt.text(0.75 * (a + b), 1.5, r"$\int_a^b f(x)dx$", horizontalalignment='center', fontsize=20)
plt.figtext(0.9, 0.075, '$x$')
plt.figtext(0.075, 0.9, '$f(x)$')
ax.set_xticks((a, b))
ax.set_xticklabels(('$a$', '$b$'))
ax.set_yticks([f(a), f(b)])9.3.1 数值积分
interate 子库包含一组精选的函数． 可以计算给定上下限和数学函数下的数值积分。这些函数的例子包含用于固定高斯求积的 fixed_quad 、用于自适应求积的 quad 和用于龙贝格积分的romberg
import scipy.integrate as sci
sci.fixed_quad(f, a, b)[0]
# 24.366995967084602
sci.quad(f, a, b)[0]
# 24.374754718086752
sci.romberg(f, a, b)
# 24.374754718086713还有一些积分函数以输入列表或者包含函数值和输入值的 ndarray 对象作为输入。这种函数的例子包括使用梯形法则的 trapz，和实现辛普森法则的 slmps：
xi = np.linspace(0.5, 9.5, 25)
sci.trapz(f(xi), xi)
# 24.352733271544516
sci.simps(f(xi), xi)
# 24.374964184550748
9.3.2 通过模拟求取积分
通过蒙特卡洛模拟的期权和衍生物估值依赖于通过模拟求取和、分奇为此，在积分区间内取I个随机的x值，并计算每个随机x值处的积分函数值。加总所有函数值并求其平均值， 就可以得到积分区间中的平均函数值。将该值乘以积分区间长度， 可以得出估算的积分值。
下面代码说明蒙特卡洛估算积分值如何随着提取的随机数个数的增加而收敛。 即使提取的随机数个数较少，估算值也已经相当接近：
np.random.seed(1000)
for i in range(1, 20):
x = np.random.random(i * 10) * (b - a) + a
print(np.sum(f(x)) / len(x) * (b - a))
# 24.8047622793
# 26.9959401392
# 21.498072764
# 23.3758108277
# 24.4159784095
# 25.793992214
# 23.4066285148
# 22.7333433125
# 24.1638670442
# 25.4011486773
# 23.9882065877
# 23.8400691252
# 23.88137232
# 23.5117218473
# 25.6147864443
# 24.8613164661
# 24.0778271275
# 24.5942302763
# 24.55741216969.4 符号计算
9.4.1 基本知识
import sympy as sy
x = sy.Symbol('x')
y = sy.Symbol('y')
type(x)
# sympy.core.symbol.Symbol
sy.sqrt(x)
# sqrt(x)
3 + sy.sqrt(x) - 4 ** 2
# sqrt(x) - 13
f = x ** 2 + 3 + 0.5 * x ** 2 + 3 / 2
sy.simplify(f)
# 1.5*x**2 + 4.5SymPy为数学表达式提供了 3 个基本的渲染器：
1. 基于 LaTex 的渲染器
2. 基于unicode 的渲染器
3. 基于 ASCII 的渲染器
9.4.2 方程式
# SymPy的长处之一是解方程， 例如 x^2-1=0 这样的形式:
sy.solve(x**2-1)
# [-1, 1]
sy.solve(x ** 2 - 1 - 3)
# [-2, 2]
# SymPy可以处理更复杂的表达式， 如 x^3 + 0.5x^2 -1 = 0:
sy.solve(x ** 3 + 0.5 * x ** 2 - 1)
# [0.858094329496553,
# -0.679047164748276 - 0.839206763026694*I,
# -0.679047164748276 + 0.839206763026694*I]
# 不管从数学的角度（解的存在性）还是从算法的角度（实现）， 都很明显不能保证有解
# 对于有超过一个输入参数的函数， SymPy 也同样有效，对于复数也是如此。举个简单的例子， 求 x^2 + y^2 =O 的解:
sy.solve(x ** 2 + y ** 2)
# [{x: -I*y}, {x: I*y}]9.4.3 积分
a, b = sy.symbols('a b')
print(sy.pretty(sy.Integral(sy.sin(x) + 0.5 * x, (x, a, b))))
# b
# ⌠
# ⎮ (0.5⋅x + sin(x)) dx
# ⌡
# a
# 使用 integrate 可以得出积分函数的反导数（不定积分）
int_func = sy.integrate(sy.sin(x) + 0.5 * x, x)
print(sy.pretty(int_func))
# 2
# 0.25⋅x - cos(x)
# 有了反导数, 求积分只需要三步。要求取 SymPy 表达式的值，用方法 subs 将数值代人对应的符号， 在新表达式上调用方法 evalf:
Fb = int_func.subs(x, 9.5).evalf()
Fa = int_func.subs(x, 0.5).evalf()
# Fb 和 Fa 的差就是积分的准确值:
Fb - Fa
# 24.3747547180867
# 积分也可以用符号积分上下限得到符号解
int_func_limits = sy.integrate(sy.sin(x) + 0.5 * x, (x, a, b))
print(sy.pretty(int_func_limits))
# 2 2
# - 0.25⋅a + 0.25⋅b + cos(a) - cos(b)
int_func_limits.subs({a: 0.5, b: 9.5}).evalf()
# 24.3747547180868
# 提供最化的积分上下限， 在一步中得出准确的值
sy.integrate(sy.sin(x) + 0.5 * x, (x, 0.5, 9.5))
# 24.3747547180867
9.4.4 微分
# 对不定积分求导通常应该得出原函数。 我们对前面的符号反导数应用 diff 应函数， 检查这一点：
int_func.diff()
# 0.5*x + sin(x)
# 现在使用微分得出前面的凸最小化问题的解
f = (sy.sin(x) + 0.05 * x ** 2 + sy.sin(y) + 0.05 * y ** 2)
del_x = sy.diff(f, x)
del_x
# 0.1*x + cos(x)
del_y = sy.diff(f, y)
del_y
# 0.1*y + cos(y)
# 全局最小值的必要（但不充分）条件之一是两个偏微分都为0。如前所述 ， 这不能保证有符号解。算法和（多种）存在性问题在这里都起作用。 然而，我们可以从数值上求出两个方程式的解，根据前面的全局和局部最小化工作提供 “有根据 ” 的推测：
x0 = sy.nsolve(del_x, -1.5)
x0
# mpf('-1.4275517787645941')
y0 = sy.nsolve(del_y, -1.5)
y0
# mpf('-1.4275517787645941')
f.subs({x: x0, y: y0}).evalf() # global minimum
# -1.77572565314742
# 提供没有根据/随机的猜测，同样可能使算法陷入某个局部最小值， 而非全局最小值
x0 = sy.nsolve(del_x, 1.5)
x0
# mpf('1.7463292822528528')
y0 = sy.nsolve(del_y, 1.5)
y0
# mpf('1.7463292822528528')
f.subs({x: x0, y: y0}).evalf() # local minimum
# 2.27423381055640
# 这从数值上说明了偏微分为0是必要条件, 但并充分条件。^_^