ValueError: zu viele Werte zum Entpacken scipy's fmin vs least_squares

Question

Ich möchte scipy's optimize.least_squares anstelle der fmin im Code unten (fast am unteren Rand des Codes) implementieren. Ich habe jedoch den folgenden Fehler, wenn ich den fmin-Teil in least_squares ändere und nicht weiß, wie ich das lösen soll. enter image description here

Was bedeutet die folgende Fehlermeldung bedeutet: Valueerror: zu viele Werte

Parameters 
========== 
sigma: float 
    volatility factor in diffusion term 
lamb: float 
    jump intensity 
mu: float 
    expected jump size 
delta: float 
    standard deviation of jump 

Returns 
======= 
RMSE: float 
    root mean squared error 
''' 
global i, min_RMSE 
sigma, lamb, mu, delta = p0 
if sigma < 0.0 or delta < 0.0 or lamb < 0.0: 
    return 500.0 
se = [] 
for row, option in options.iterrows(): 
    T = (option['Maturity'] - option['Date']).days/365. 
    r = option['Interest'] 

    #absolut_error = abs(option['Call'] - option['Model']) 
    model_value = M76_value_call_FFT(S0, option['Strike'], T, 
            r, sigma, lamb, mu, delta) 
    se.append((model_value - option['Call']) ** 2) 
RMSE = math.sqrt(sum(se)/len(se)) 
min_RMSE = min(min_RMSE, RMSE) 
if i % 50 == 0: 
    print '%4d |' % i, np.array(p0), '| %7.3f | %7.3f' % (RMSE, min_RMSE) 
    print 
i += 1 
return RMSE 

def generate_plot(opt, options): 
# 
# Calculating Model Prices 
# 
sigma, lamb, mu, delta = opt 
options['Model'] = 0.0 
for row, option in options.iterrows(): 
    T = (option['Maturity'] - option['Date']).days/365. 

    options.loc[row, 'Model'] = M76_value_call_FFT(S0, option['Strike'], 
           T, r, sigma, lamb, mu, delta) 

# 
# Plotting 
# 
mats = sorted(set(options['Maturity'])) 
options = options.set_index('Strike') 
for i, mat in enumerate(mats): 
    options[options['Maturity'] == mat][['Call', 'Model']].\ 
      plot(style=['bs', 'r--'], title='%s' % str(mat)[:10], 
      grid=True) 
    plt.ylabel('Call Value') 
    plt.savefig('img/M76_calibration_3_%s.pdf' % i) 

if __name__ == '__main__': 
# 
# Calibration 
# 
i = 0 # counter initialization 
min_RMSE = 100 # minimal RMSE initialization 
print('BRUTE') 
p0 = sop.brute(M76_error_function_FFT, ((0, 0.01, 1), 
       (0, 0.3, 5), (-10, 0.01, 10), 
       (0, 0.01, 40)), finish=None) 

# p0 = [0.15, 0.2, -0.3, 0.2] 
print('FMIN') 
opt = sop.fmin(M76_error_function_FFT, p0, 
       maxiter=500, maxfun=750, 
       xtol=0.000001, ftol=0.000001) 

generate_plot(opt, options) 

print options 

Answer 1

auspacken, was ist dein Problem? die fmin Syntax:

opt = sop.least_squares(ftest, p0) 

note ftest die Residuen zurück, während ftest2 die skalare kehrt minimieren wollen:

import scipy.optimize as sop 
import numpy as np 
def ftest(x): 
    x,y,z = x 
    data = np.array([3.65,2.41,1.59])# arbitrary & just for testing 
    model = np.array([x**2,y**2,z**2])# arbitrary & just for testing 
    residuals = data - model 
    return residuals 
def ftest2(x): 
    return sum(ftest(x)**2)# to ask fmin to minimize the chi2 but it can be anything 
p0 = np.array([1,2,3])# arbitrary & just for testing 
opt = sop.fmin(ftest2, p0) 

während für least_squares Sie die letzte Zeile ersetzen.

Seien Sie vorsichtig mit fmin. Da dies der Simplex-Algorithmus ist, können Sie niemals sicher sein, dass er in einer vernünftigen Zeit konvergiert. Zum Beispiel, wenn Sie die Zeile "Modell" ersetzen durch:

model = np.array([x+y**2+z**3 , x+y+z , x-y**2-z]) 

Sie konvergieren nicht mit fmin. Sie können experimentieren, dass die Ausgaben von vergleichen:

opt = sop.least_squares(ftest, p0) 
opt2 = sop.fmin(ftest2, p0,xtol=1e-20,ftol=1e-20,maxfun=1e20,maxiter=5e4)