fixato problema interno di CVXPY/ARPACK durante ccertificazione matrice PSD

Ottimizzatore ITA.py

@@ -1,6 +1,6 @@
 # -*- coding: utf-8 -*-
 """
-Ottimizzatore Lite
+Ottimizzatore ITA
 """
 
 # =========================
@@ -22,6 +22,26 @@ from pypfopt import risk_models
 from pypfopt.efficient_frontier import EfficientFrontier
 from pypfopt.exceptions import OptimizationError
 
+# ---------------------------------------------------
+# Patch PyPortfolioOpt: usa cp.psd_wrap sulla covarianza
+# ---------------------------------------------------
+import cvxpy as cp
+from pypfopt import objective_functions as _obj
+
+def portfolio_variance_psdwrap(w, cov_matrix):
+    """
+    Versione patchata di portfolio_variance:
+    usa cp.psd_wrap(cov_matrix) per evitare che CVXPY
+    faccia il controllo spettrale con ARPACK.
+    Comportamento identico all'originale, ma più robusto.
+    """
+    variance = cp.quad_form(w, cp.psd_wrap(cov_matrix))
+    return _obj._objective_value(w, variance)
+
+# Monkey patch globale: da qui in poi EfficientFrontier usa questa versione
+_obj.portfolio_variance = portfolio_variance_psdwrap
+
+
 # Cartelle di input/output/plot
 OUTPUT_DIR = "Output"
 INPUT_DIR = "Input"
@@ -256,6 +276,37 @@ def h_min_100(returns: pd.Series, month_len: int = 21):
 
     return np.nan, np.nan
 
+# ---------------------------------
+# Utility per rendere PSD/robusta la covarianza
+# ---------------------------------
+def regularize_covariance(cov_df: pd.DataFrame, ridge_factor: float = 1e-6) -> pd.DataFrame:
+    """
+    Rende la matrice di covarianza numericamente piu' robusta:
+      - la simmetrizza
+      - aggiunge un piccolo termine di ridge sulla diagonale
+    Ritorna un nuovo DataFrame con stessa index/columns.
+    """
+    if cov_df.empty:
+        return cov_df
+
+    Sigma = cov_df.values.astype(float)
+
+    # simmetrizza (elimina piccole asimmetrie numeriche)
+    Sigma = 0.5 * (Sigma + Sigma.T)
+
+    # piccolo ridge proporzionato alla scala media delle varianze
+    n = Sigma.shape[0]
+    trace = np.trace(Sigma)
+    if np.isfinite(trace) and n > 0:
+        eps = ridge_factor * (trace / n)
+    else:
+        eps = ridge_factor
+
+    Sigma_reg = Sigma + eps * np.eye(n)
+
+    return pd.DataFrame(Sigma_reg, index=cov_df.index, columns=cov_df.columns)
+
+
 # --- Lettura parametri dal file connection.txt ---
 params = {}
 with open("connection.txt", "r") as f:
@@ -359,6 +410,9 @@ for (years, target_vol), name in volatility_targets.items():
     daily_returns_mean = period_df.mean()
     annual_returns_mean = daily_returns_mean * days_per_year
     annual_covariance_matrix = risk_models.sample_cov(period_df, returns_data=True)
+    # --- Regularizzazione covarianza per l'ottimizzatore ---
+    annual_covariance_matrix = regularize_covariance(annual_covariance_matrix)
+
 
     # ---------- PER-ASSET METRICS ----------
     n_days = int(period_df.shape[0])
@@ -519,6 +573,9 @@ for (years, target_vol), name in volatility_targets.items():
         annual_returns_mean = daily_returns_mean * days_per_year
         annual_covariance_matrix = risk_models.sample_cov(period_df, returns_data=True)
 
+        # --- Regularizzazione covarianza per l'ottimizzatore ---
+        annual_covariance_matrix = regularize_covariance(annual_covariance_matrix)
+
         w_series = optimized_weights[name].reindex(period_df.columns).fillna(0.0)
         w_vec = w_series.values