最优化问题建模：目标函数、约束条件、决策变量的定义，以及组合优化问题的标准形式
组合优化问题的求解质量，高度依赖于建模的准确性。一个模糊的模型，即使采用再先进的求解器，也难以得到可落地的方案。本章聚焦于最优化建模的三个核心要素——决策变量、目标函数与约束条件，并给出组合优化问题的标准数学形式。理解这三者的定义方式与相互关系，是后续学习线性规划、整数规划、启发式算法等内容的基石。
3.1 决策变量：建模的“原子”
决策变量是建模者用来描述一个方案的核心工具。在组合优化中，决策变量几乎总是离散的——要么是0-1变量，要么是整数变量。选择何种类型的决策变量，直接决定了模型的复杂度和可解性。
3.1.1 0-1决策变量
0-1变量是最常见的组合优化决策变量，用于表达“是/否”的二元选择。例如，在资产组合构建中，xᵢ = 1 表示将资产 i 纳入组合，xᵢ = 0 表示不纳入。在项目选择问题中，yⱼ = 1 表示执行项目 j。0-1变量的优势在于其直观性，且能通过逻辑运算（与、或、非）表达复杂的组合关系。
3.1.2 整数决策变量
当决策涉及数量、次数或顺序时，需要使用整数变量。例如，在交易执行优化中，nᵢ 表示买入资产 i 的手数（必须为100股的整数倍）；在路径规划中，zᵢⱼ 表示从节点 i 到节点 j 的访问次数。整数变量扩大了模型的表达能力，但也显著增加了求解难度。
3.2 目标函数：定义“最优”的标准
目标函数将决策变量映射为一个可比较的数值，用于评估不同方案的优劣。在组合构建场景中，目标函数通常反映收益、风险、成本或综合效用。
3.2.1 线性目标函数
线性目标函数形如 f(x) = c₁x₁ + c₂x₂ + ... + cₙxₙ，其中 cᵢ 为系数。例如，在最大化预期收益的组合优化中，目标函数可写为 max Σμᵢxᵢ，其中 μᵢ 为资产 i 的预期收益率。线性目标函数结构简单，便于求解，但可能无法捕捉风险的非线性特征。
3.2.2 二次目标函数
当目标函数包含变量间的交互项时，需要使用二次形式。最典型的例子是马科维茨均值-方差模型中的风险项：min xᵀΣx，其中 Σ 为资产收益率的协方差矩阵。二次目标函数能更精确地刻画风险，但求解难度高于线性问题。
3.2.3 多目标处理
实际组合构建往往同时追求收益最大化和风险最小化。常见处理方式有两种：加权求和法（将多个目标线性组合为单一目标）和约束法（将次要目标转化为约束条件）。例如，可以设定最小收益阈值，然后最小化风险；或者设定最大风险阈值，然后最大化收益。
| 目标类型 | 数学形式 | 适用场景 | 求解难度 |
|---|---|---|---|
| 线性目标 | max cᵀx | 收益最大化、成本最小化 | 低（多项式时间） |
| 二次目标 | min xᵀQx | 风险最小化、波动率控制 | 中（凸二次规划可解） |
| 多目标加权 | min λ·risk - (1-λ)·return | 收益与风险的权衡 | 中（需调参） |
| 鲁棒目标 | min max f(x, ξ) | 参数不确定性下的最坏情况 | 高（需场景生成） |
3.3 约束条件：界定可行域
约束条件限定了决策变量的取值范围，将问题从“无限可能”压缩到“可行方案”的集合。约束的合理设置，既要保证模型的现实性，又要避免过度约束导致无解或求解困难。
3.3.1 线性约束
线性约束是最基本的约束形式，包括不等式约束和等式约束。在组合构建中，常见的线性约束包括：
- 预算约束：Σwᵢxᵢ ≤ B，其中 wᵢ 为资产 i 的权重，B 为总预算。
- 持仓上限：xᵢ ≤ Uᵢ，限制单一资产的最大配置比例。
- 行业暴露：Σ_{i∈行业k} xᵢ ≤ Lₖ，控制特定行业的集中度。
- 等式约束：Σxᵢ = 1（全投资约束），要求资金全部配置。
3.3.2 逻辑约束
逻辑约束用于表达变量之间的条件关系。例如，如果选择资产 A，则必须同时选择资产 B，可建模为 x_A ≤ x_B。如果两个资产互斥（不能同时选择），则 x_A + x_B ≤ 1。逻辑约束通常通过引入辅助0-1变量或线性不等式来实现。
3.3.3 约束的松紧与可行性
约束过紧可能导致可行域为空（无解），约束过松则可能使最优解偏离实际需求。建模者需要仔细检查约束之间的兼容性。例如，如果同时要求“全投资”（Σxᵢ = 1）和“每只资产权重不超过0.1”，那么资产数量至少需要10只，否则模型无解。
3.4 组合优化问题的标准形式
将上述三要素整合，组合优化问题的标准形式可以统一表述为：
min f(x) = cᵀx + xᵀQx
s.t. A·x ≤ b (不等式约束)
A_eq·x = b_eq (等式约束)
lb ≤ x ≤ ub (边界约束)
x ∈ {0,1}ⁿ 或 x ∈ ℤ₊ⁿ (整数/二元约束)其中，c 为线性系数向量，Q 为二次系数矩阵（若 Q=0 则为线性规划），A 和 b 定义不等式约束，A_eq 和 b_eq 定义等式约束，lb 和 ub 为变量的下界和上界。整数约束是组合优化区别于连续优化的核心特征。
3.5 案例拆解：指数增强组合构建的建模过程
下面通过一个指数增强组合构建案例，完整演示从业务问题到数学模型的转化过程。
3.5.1 业务背景与初始目标
某资产管理公司希望构建一个包含50只股票的增强型指数组合，目标是跟踪沪深300指数，同时获得年化2%-3%的超额收益。投资经理要求：单只股票权重不超过3%，行业偏离度不超过±2%，换手率控制在单边20%以内。
3.5.2 关键输入数据
- 候选股票池：300只沪深300成分股
- 预期收益向量 μ（基于多因子模型预测）
- 协方差矩阵 Σ（基于历史数据估计）
- 行业分类：共10个一级行业
- 基准权重 w_bench（沪深300指数权重）
3.5.3 决策变量定义
定义0-1变量 xᵢ 表示是否选择股票 i（i=1,...,300），定义连续变量 wᵢ 表示股票 i 在组合中的权重。注意，这里同时使用了0-1变量和连续变量，属于混合整数规划（MIP）。
3.5.4 目标函数与约束构建
目标函数设定为最大化预期超额收益，同时惩罚跟踪误差：
max Σ(μᵢ - r_f)·wᵢ - λ·(w - w_bench)ᵀΣ(w - w_bench)其中 λ 为风险厌恶系数，用于平衡收益与跟踪误差。约束条件包括：
- 全投资约束：Σwᵢ = 1
- 选股数量约束：Σxᵢ = 50
- 权重与选股关联：wᵢ ≤ xᵢ（未选中的股票权重为0）
- 单票权重上限：wᵢ ≤ 0.03
- 行业偏离约束：|Σ_{i∈行业k} wᵢ - Σ_{i∈行业k} w_benchᵢ| ≤ 0.02
- 换手率约束：Σ|wᵢ - w_currentᵢ| ≤ 0.40（双边换手）
3.5.5 求解与结果对比
使用商业求解器（如Gurobi）求解该MIP模型，得到最优组合。与等权抽样方法相比，优化模型在相同跟踪误差水平下，超额收益提升了约0.8个百分点。但求解时间从等权抽样的秒级增加到优化模型的分钟级，且对协方差矩阵的估计误差较为敏感。
3.5.6 复盘与经验
该案例的关键经验在于：约束的粒度决定了模型的实用性。如果只设置“选50只股票”而不设置行业偏离约束，求解器会倾向于集中配置在预期收益最高的行业，导致组合行业暴露严重偏离基准。此外，换手率约束需要引入值变量，增加了模型的复杂度，但能有效控制交易成本。
- 决策变量是否完整覆盖所有业务决策？
- 目标函数是否准确反映业务优先级？
- 约束之间是否存在冲突？
- 模型规模是否在可求解范围内？
- 参数（如λ、阈值）是否经过敏感性分析？
3.6 常见误区与总结
在组合优化建模中，以下误区需要特别警惕：
- 误区一：目标函数过于复杂。试图在一个目标函数中同时表达收益、风险、流动性、ESG评分等所有维度，导致权重难以确定，求解结果难以解释。建议采用“主目标+约束”的方式，将次要目标转化为约束。
- 误区二：忽略整数变量的影响。将0-1变量直接松弛为连续变量求解，得到的“最优解”可能在实际中不可行（例如选出了0.7只股票）。
- 误区三：约束条件冗余。添加大量重复或隐含的约束，不仅增加求解时间，还可能因数值精度问题导致求解器报错。
- 误区四：忽视参数不确定性。使用点估计的预期收益和协方差矩阵，可能导致最优解对参数极其敏感。建议进行敏感性分析或采用鲁棒优化方法。
总结而言，组合优化建模是一个“翻译”过程——将业务语言转化为数学语言。决策变量定义“做什么”，目标函数定义“什么算好”，约束条件定义“什么不能做”。三者缺一不可，且需要反复迭代验证。一个优秀的模型，应当在表达力、可解性和稳健性之间取得平衡。