さて、前回の記事では無リターンの金融商品を仮定し、それぞれのリスクにおいて長期保有した場合にどのような結果の分布となるかを解説してきました。 複利というのは中央値（勝率）を下げるかわりに最大値を伸ばし、最小値を限定する仕組みであり、投資先の金融商品のリスクが高いほどこの傾向は強まる。ただし期待値は変わらない。 ということでした。これを頭にいれつつ読んでいただければと思います。 今回の記事では、より実戦的に正のリターンのある金融商品にレバレッジをかけた時の分布の変化を観察し、その後さらに過去のS&Pのデータを使ってレバレッジETFを長期保有したときの結果をシミュレーションしてみます。 では、まずはレバレッジをかけるというのがどういうことなのか、見ていくことにしましょう。

グラフが全体的に左に寄っているのはリスク20%のグラフで実現された最大値をグラフ内に収めるためですが、注目してほしいのは赤（リスク10%）よりも青（リスク20%）のほうがグラフの中央値が左寄りになっているところです。 どちらの金融商品を10年間保有しても、平均的に均せば1倍にしかならないのだけど、リスク20%のほうが大きく儲かる確率が高い分、元本割れをする確率も高いんですね。 つまり、これは人々がレバレッジETFに抱いている「減価」という現象を説明しているのですが、これは別にレバレッジETFに特有の現象ではなく、複利という仕組みそれ自体の現象であるということです。 例えば、レバレッジETFの中央値が思ったよりも低くなる現象を減価と呼ぶのであれば、新興国ETFなどのリスクの高いETFもやはり減価するものと考えなければなりません。（というより全ての株式を複利で持つと多かれ少なかれ減価します。笑

はじめに Google ColabとKerasを用いてCNNを爆速で学習させる方法を紹介する。 CNN(畳み込みニューラルネットワーク)は画像認識に強い。機械学習の世界では「うどんといえば香川」、「画像といえばCNN」です。 用いる画像データとしては企業のデータを使うわけにもいかないし、MNISTではつまらないと思うのでここではCIFAR-10を用いてやってみることにする。 CIFAR-10とは 約8000万枚の画像がある80 Million Tiny Imagesからサブセットとして約6万枚の画像を抽出してラベル付けしたデータセットで以下の特徴がある。 全部で60000枚 画像サイズは32ピクセルx32ピクセル RGBの3チャンネルカラー画像 クラスラベルはairplane, automobile, bird, cat, deer, dog, frog, horse, ship, tru