凸优化问题标准形式：最小化目标、不等式约束、等式约束、可行域与最优解概念
在金融工程与量化投资领域，从资产配置、风险平价到衍生品定价与对冲策略，几乎所有核心问题都可以归结为一个优化问题。而凸优化之所以成为金融建模的基石，在于其核心性质：局部最优解即为全局最优解。这一性质使得我们能够可靠地求解大规模、高维度的金融决策问题。本节将系统建立凸优化问题的标准形式，厘清目标函数、约束条件、可行域与最优解之间的逻辑关系，为后续章节的算法实现与金融应用奠定严格的数学框架。
3.1 凸优化问题的标准形式定义
凸优化问题的标准形式（Standard Form）是后续一切算法设计与理论分析的基础。其数学表达如下：
minimize f₀(x)
subject to fᵢ(x) ≤ 0, i = 1, 2, ..., m
hⱼ(x) = 0, j = 1, 2, ..., p
其中，x ∈ Rⁿ 为决策变量向量；f₀(x) 为目标函数（Objective Function），要求为凸函数；fᵢ(x) 为不等式约束函数（Inequality Constraint Functions），要求为凸函数；hⱼ(x) 为等式约束函数（Equality Constraint Functions），要求为仿射函数（Affine Function），即形如 hⱼ(x) = aⱼᵀx - bⱼ = 0 的线性等式。
这一形式之所以被称为"标准"，是因为它统一了几乎所有可高效求解的优化问题类别。在金融场景中，目标函数通常代表风险度量（如方差、CVaR）、交易成本或负收益；不等式约束则对应投资权重上下限、风险预算上限、行业暴露限制等；等式约束则体现预算约束（权重之和为1）、因子中性条件或对冲比率要求。
3.2 可行域与最优解的精确定义
可行域（Feasible Set）定义为所有满足全部约束条件的决策变量集合：
D = { x ∈ Rⁿ | fᵢ(x) ≤ 0, i=1,...,m; hⱼ(x) = 0, j=1,...,p }
可行域是凸集（因为凸函数的下水平集和仿射函数的零等值面都是凸集，有限个凸集的交集仍为凸集）。若 D 为空集，则问题不可行（Infeasible）；若 D 非空但目标函数在 D 上无下界，则问题无界（Unbounded）。
最优解（Optimal Solution）定义为：若存在 x* ∈ D 使得对所有 x ∈ D 都有 f₀(x*) ≤ f₀(x)，则称 x* 为全局最优解。对应的最优值记为 p* = f₀(x*)。若 x* 仅在其邻域内最优，则称为局部最优解。在凸优化中，局部最优解自动成为全局最优解。
| 概念 | 数学定义 | 金融含义 | 判定要点 |
|---|---|---|---|
| 可行域 D | 满足所有约束的 x 集合 | 满足监管、风控、流动性要求的投资组合集合 | 凸集；可为空集或有界/无界 |
| 最优解 x* | f₀(x*) = min f₀(x), x∈D | 在约束下风险最低或收益最高的组合 | 全局最优 = 局部最优（凸性保证） |
| 最优值 p* | p* = f₀(x*) | 最小可实现风险值或最大调整后收益 | 唯一数值，但最优解可能不唯一 |
| 不可行问题 | D = ∅ | 约束过于严格，无可行组合 | 需放宽约束或引入松弛变量 |
| 无界问题 | inf f₀ = -∞ | 风险可无限降低（通常不会发生） | 需检查约束是否遗漏 |
3.3 判断方法与操作流程
在实际金融建模中，判断一个优化问题是否为凸优化问题，需要按照以下流程进行系统检查：
- 识别决策变量：明确 x 代表什么（如资产权重向量、对冲比率、交易执行路径）。
- 检查目标函数凸性：验证 f₀(x) 是否为凸函数。常用方法包括：Hessian 矩阵半正定检验、凸函数保凸运算（非负加权和、复合仿射映射、逐点取最大等）。
- 检查不等式约束凸性：每个 fᵢ(x) 必须为凸函数。注意"≤ 0"的形式——若约束为 g(x) ≥ 0，需转换为 -g(x) ≤ 0 且要求 g(x) 为凹函数。
- 检查等式约束仿射性：每个 hⱼ(x) 必须为仿射函数，即 hⱼ(x) = aⱼᵀx - bⱼ。非线性等式约束（如 x₁x₂ = 1）会破坏凸性。
- 验证可行域非空：通过求解可行性问题或直接构造可行点来确认 D ≠ ∅。
- 确认有界性：检查目标函数在可行域上是否有下界。
3.4 案例拆解：均值-方差组合优化问题
我们以经典的 Markowitz 均值-方差模型为例，展示如何将金融问题转化为凸优化标准形式，并验证其凸性。
问题背景：某资产管理公司管理一个包含 5 个资产的组合，需要确定最优权重向量 w ∈ R⁵。已知资产收益率的均值向量 μ ∈ R⁵ 和协方差矩阵 Σ ∈ S₊⁵（半正定）。投资目标是在预期收益不低于目标水平 r_min 的前提下，最小化组合方差。
初始建模（非标准形式）：
minimize wᵀΣw
subject to μᵀw ≥ r_min
w ≥ 0（不允许卖空）
1ᵀw = 1（预算约束）
转换为标准形式：
minimize wᵀΣw
subject to r_min - μᵀw ≤ 0 （不等式约束，仿射函数取负后为凸）
-w ≤ 0 （权重非负，逐分量）
1ᵀw - 1 = 0 （等式约束，仿射）
凸性验证：
- 目标函数 f₀(w) = wᵀΣw：由于 Σ 半正定，Hessian 矩阵 2Σ 半正定，故为凸函数。
- 不等式约束 f₁(w) = r_min - μᵀw：仿射函数，既是凸函数也是凹函数，满足凸性要求。
- 不等式约束 f₂(w) = -w：仿射函数，凸。
- 等式约束 h₁(w) = 1ᵀw - 1：仿射函数，满足要求。
求解与结果：使用内点法求解该凸优化问题，得到最优权重向量 w* 和最小方差 σ²* = w*ᵀΣw*。假设具体数据如下：
| 资产 | 预期收益 μᵢ | 最优权重 w*ᵢ | 边际风险贡献 |
|---|---|---|---|
| 资产1 | 8% | 0.25 | 0.18 |
| 资产2 | 10% | 0.35 | 0.22 |
| 资产3 | 6% | 0.15 | 0.12 |
| 资产4 | 12% | 0.20 | 0.28 |
| 资产5 | 7% | 0.05 | 0.20 |
结果分析：最优组合方差 σ²* = 0.0234（年化），预期收益 μᵀw* = 9.2% ≥ r_min = 9%。该组合满足所有约束，且由于问题为凸优化，我们确信这是全局最优解。若使用非凸优化方法，可能陷入局部最优，导致实际风险高于理论最优值。
3.5 常见误区与总结复盘
在理解和应用凸优化标准形式时，初学者常犯以下错误：
- 误区一：将非凸问题误认为凸问题。例如，目标函数为 wᵀΣw 但约束中包含 wᵢwⱼ ≥ c（非凸约束），或等式约束为 wᵀw = 1（非仿射）。这些都会破坏问题的凸性。
- 误区二：忽略不等式约束的方向。标准形式要求 fᵢ(x) ≤ 0。若约束为 g(x) ≥ 0，必须转换为 -g(x) ≤ 0，且 -g(x) 需为凸函数（即 g(x) 为凹函数）。
- 误区三：混淆局部最优与全局最优。在非凸问题中，局部最优不一定是全局最优；但在凸问题中，任何局部最优解都是全局最优解。这一性质是凸优化的核心价值。
- 误区四：忽视可行域的有界性。即使问题为凸，若可行域无界且目标函数在某个方向上递减，则问题无界，最优值不存在。
- 误区五：认为所有凸问题都容易求解。虽然凸问题在理论上可高效求解，但实际计算复杂度取决于问题规模、约束数量和结构。大规模金融问题仍需借助专用算法和计算优化。