我已经尝试运行一个优化器使用scipy优化。但是，为什么如果我改变x0，它会导致一个次优的结果？
代码的工作行是如果x0如下所示：x0=np.random.uniform(0.01, 50, len(returns)) .然而，如果我将这一行更改为其他值，例如x0=np.random.uniform(0.01, 500, len(returns))，输出不再是最优的，尽管值仍然落在设定的范围内。
下面是完整的代码。该代码的目标是找到一个数字列表，当对给定的数字列表进行回归时，该数字列表将给予最高的R平方。

import pandas as pd
import numpy as np
from scipy import stats
from scipy.optimize import minimize, LinearConstraint

returns = {'Returns': [0.060458679, 0.061902247, 0.066269106, 0.080471895, 0.10595085, 0.086491221, 0.113036617, 0.137770782, 0.0777593, 0.070083323, 0.072254624]}
startvalues = {'Value': [14214252.35, 1401493.11, 14877567.11, 30553699.53, 11417231.53, 3698585.80, 4449329.62, 7111866.99, 4714928.31, 7196446.00, 22750284.22]}

returns = pd.DataFrame(returns)
startvalues = pd.DataFrame(startvalues)

def objective_function(values):
    returns['Risk Not Optimal'] = values
    returns['Log Risk Not Optimal'] = np.log(returns['Risk Not Optimal'])
    _, _, r_value, _, _ = stats.linregress(returns['Returns'], returns['Log Risk Not Optimal'])
    r_squared = r_value ** 2
    return -r_squared

def slope_constraint(values):
    returns['Risk Not Optimal'] = values
    slope, _, _, _, _ = stats.linregress(returns['Returns'], np.log(returns['Risk Not Optimal']))
    return slope - 14

# Define the bounds for the values of 'Risk Not Optimal'
bounds = [(0.01, 100000000)] * len(returns)  # Use the length of the DataFrame

# Define the slope constraint
slope_cons = {'type': 'eq', 'fun': slope_constraint}

# Perform optimization to maximize the negative R-squared
result = minimize(objective_function, x0=np.random.uniform(0.01, 50, len(returns)), constraints=slope_cons, bounds=bounds)

best_list = result.x
best_r_squared = -result.fun  # Convert back to positive

print("Best List:", best_list)
print("Best R-squared:", best_r_squared)

理想情况下，我想将x0设置为x0=startvalues。但这并不奏效，这就是我发现问题的地方。我觉得我一定错过了一些基本的东西，关于scipy optimize如何计算最优值。
我试过改变约束条件，看起来去除斜率约束有所帮助，但这并不能帮助我找到解决方案。我希望x0=np.random.uniform(0.01, 50, len(returns))和x0=np.random.uniform(0.01, 50, len(returns))的解决方案能得到类似的优化结果，但它们完全不同。我是否应该使用另一个优化库？