非伝統的金融政策の効果と副作用
非伝統的金融政策の効果と副作用 「金融政策の多角的レビュー」に関するワークショップ（第１回） ―― 第４セッション 非伝統的金融政策 ―― 2023年12月4日 日本銀行 企画局 ここで示された見解は、必ずしも日本銀行の公式見解を示すものではありません。 多角的レビューシリーズ Broad Perspective Review 問題意識 2 （注）左図の政策金利は月末値（政策金利がない期間は当座預金への付利金利をプロット）、CPI（除く生鮮）は消費税率引き上げの影響 を除く。右表のフォワードガイダンスの導入時期はFilardo and Hofmann[2014]の整理に基づく。 （出所）総務省、日本銀行 主要国中銀における非伝統的政策導入史 わが国では、「物価の安定」が課題となる中、名目短期金利のゼロ 制約に直面し、1990年代後半に非伝統的金融政策が導入された。 海外中央銀行の多
以下では、この表データは \(X\) という行列にまとめられているとします。上記テーブルに含まれる user_id 数を \(N_U\) , item_id 数を \(N_I\) とするとき、 \(X\) は \( N_U \times N_I\) 行列であり、その第 \(i\) 行は user_id として \(\mathrm{user}[i]\) を持つユーザーに、第 \(j\) 列 は item_id として \(\mathrm{item}[j]\) を持つアイテムに対応するとします。このマッピングのもと、 \(X\) の \(i\) 行 \(j\) 列の要素は、以下の式で与えられます。 $$ X_{ij} = \begin{cases} 1 & (\text{if } \mathrm{user}[i] \text{ and } \mathrm{item}[j] \text{ had
「PyTorch 1.8」は、3000超のコミットで構成され、コンパイル、コード最適化、科学計算用フロントエンドAPI、AMD ROCmサポートといった機能追加・改善が行われたほか、パイプラインとモデルの並列処理および勾配圧縮の大規模なトレーニングのための機能改善などが行われている。 具体的には、NumPyのnp.fftモジュールと同等の機能を備え、ハードウェアアクセラレーションと自動グラデーションをサポートしたtorch.fftや、コレスキー分解、行列式、固有値といった一般的な線形代数演算をNumPyスタイルでサポートするtorch.linalg（ベータ版）、FXを使用したPythonコード変換のサポート（ベータ版）が追加されたほか、パイプラインの並列処理（ベータ版）、DDP通信フック（ベータ版）、分散トレーニング用プロトタイプ機能が追加された。 ほかにも、PyTorch Mobileに
ファンコミュニティのUGCを効率的に届けるためiALSベースの協調フィルタリング推薦システムを作った話 - Gaudiy Tech Blog
はじめまして。GaudiyでMLエンジニアをしているMomijiと申します。主に推薦システムの開発を担当しています。 今年4月から、Gaudiyが開発・提供するプロダクト「Gaudiy Fanlink」に協調フィルタリングベースの推薦機能を追加したので、本記事ではそのロジックとシステムアーキテクチャについて書いてみたいと思います。 1. 「Gaudiy Fanlink」における推薦 2. 協調フィルタリングによるパーソナライズ推薦 2-1. 学習 2-2. バッチ推論 2-3. リアルタイム推論 3. システムアーキテクチャ 4. これから 1. 「Gaudiy Fanlink」における推薦 Gaudiy Fanlinkは、IPファンが集う、SNS型のコミュニティプラットフォームです。そこにおける「推薦」の役割は、ユーザーとコンテンツのマッチングを促進し、コミュニティ内の活動総量を増加させ
「新型コロナウイルス感染症における治療の進展（令和2年10月29日に開催された第13回新型コロナウイルス感染症対策分科会事務局提出資料を基に内閣官房・内閣府作成）」という資料が世間で物議を醸しているようです。ただ、これを見ていて僕が個人的に気になったのは、その議論の内容や結論ではなく、「グレンジャー(Granger)因果」が使われているという点でした。 経済・ファイナンスデータの計量時系列分析 (統計ライブラリー) 作者:竜義, 沖本発売日: 2010/02/01メディア: 単行本Time Series Analysis 作者:Hamilton, James D.発売日: 1994/01/11メディア: ハードカバー 以前このブログでも一通り計量時系列分析を取り上げて一生懸命沖本本やHamiltonで勉強しながらシリーズ記事を書いたものですが、その時の記憶から言えば「Granger因果って
Reading Time: 3 minutes GPU アプリケーションを高速化する方法には、主にコンパイラ指示行、プログラミング言語、ライブラリの 3 つがあります。OpenACC などは指示行ベースのプログラミング モデルで、コードをスムーズに GPU に移植し、高速化することができます。使い方は簡単ですが、特定のシナリオでは最適なパフォーマンスが得られない場合があります。 CUDA C や C++ などのプログラミング言語は、アプリケーションを高速化する際に、より大きな柔軟性を与えてくれます。しかし、最新のハードウェアで最適なパフォーマンスを実現するために、新しいハードウェア機能を活用したコードを書くことも、ユーザーの責任です。そこで、そのギャップを埋めるのが、ライブラリです。 コードの再利用性を高めるだけでなく、NVIDIA 数学ライブラリは、最大の性能向上のために GPU ハード
Gaudiy Tech Blog
はじめまして、Gaudiyでアナリティクスエンジニア（副業）をしているkuwakenです。 Gaudiyでは現在、データの民主化を進めていますが、その過程でSQLを書く手間や負担、新しいBizメンバーのオンボーディングなどの面で、課題が生じていました。 今回は、その課題を解決するために導入した、dbt Semantic LayerとSteepという2つのデータ系プロダクトに関するお話をします。 1. dbt Semantic Layerの導入背景 2. Steep導入の決定理由 3. dbt Semantic Layerに関するナレッジ 3-1. ディレクトリ構造 3-2. dbt Cloud CLI 3-3. 時間のdimensionはdatetime型で揃える（BigQueryユーザーのみ） 3-4. entitiesを理解する 4. 今後やりたいこと 5. さいごに 1. dbt S
はじめに 特異値分解 定義 特異値分解の嬉しさ 行列の低ランク近似 主成分分析の解法 行列による増幅率を定義 特異値と特異ベクトルの実態 最後に はじめに 予め断っておきます。私はE資格を持っていませんし受けたこともありません。 なんか特異値分解は知識として必須らしいという話だけ聞きました。なのでタイトルに入れました（完全に検索対策である）。 タイトルは動機不純として…、特異値分解はデータ分析にしても信号解析にしても、線形代数での必須知識だと思われるのでここで解説しておきます。 特異値分解 定義 特異値分解は定義だけ述べれば、行列 $\mathbf X \in \mathbb C ^ {m \times n}$ に対する下記で表される分解手法です。 $$ \bf X = U \Sigma V ^ * $$ ここで $\mathbf U \in \mathbb C ^ {m \times m
コレスキー分解を利用した相関係数のベイズ推定 - LIVESENSE Data Analytics Blog
こんにちは、リブセンスでデータサイエンティストをしている北原です。今回は、多変量正規分布の分散共分散行列を扱うときに有用であることが知られているコレスキー分解を取り上げます。 多変量正規分布を使ったモデリングをしたいことはよくありますが、複雑な分布であるため計算時間が長くなりやすかったり不安定になりやすかったりします。コレスキー分解を利用することで、この問題が緩和されます。今回は、コレスキー分解を利用した具体的な例として相関係数の推定を扱います。コードはRとStanです。 相関係数 相関係数のベイズ推定 コレスキー分解 コレスキー分解を利用した相関係数のベイズ推定 まとめ 相関係数 まず、基本の確認のため、簡単に相関係数について説明します。 相関係数は二変量の線形な関係性を定量的に示す指標です。実際には相関係数と呼ばれるものはいろいろありますが、ここで扱うのは最も基本的なピアソンの積率相関
Pythonで学ぶ線形代数
【Pythonで学ぶ線形代数】講座の概要 科学技術計算に Python を活用する場合、解くべき問題は可能な限り行列（より一般的にはテンソル）で表現し、コンピュータに配列処理を実行させます。なぜなら、科学技術計算用パッケージ NumPy は、大規模な配列演算を高速処理するように設計されており、Python エンジニアはその処理速度を減速させないコードを書くことが求められるからです。 配列演算の基盤となる数学は 線形代数（linear algebra）です。NumPy および、NumPy をベースに構築された SciPy は、linalg というモジュールに線形代数演算用の関数をまとめています。 『Pythonで学ぶ線形代数』では、テーマごとに行列やベクトル演算のコードを実装しながら、線形代数の数理構造を解説します。このシリーズの記事を読み進めることによって、配列を用いたプログラミングと線形
もう9年も前のことですが、沖本本をベースとした計量時系列分析のシリーズ記事を書いていたことがあります。その中で、密かに今でも自分が読み返すことがあるのがVAR（ベクトル自己回帰）モデル関連の記事です。 なのですが、仕事なり趣味なりでVARモデルを触っていると「あれ、これってどうなってたんだっけ」という事項が幾つか出てきて、しかも上記の自分のブログの過去記事を当たっても出てこないケースがちらほらあるんですね。 ということで、今回の記事ではネタ切れで新しく書くことが思い付かないのでVARモデル周りで「最近になって調べて行き当たったこと」を備忘録的に補遺として書き留めておくことにします。とはいえ微妙に技術的な話題を含むので、いつもながらですが誤りなどありましたらコメントなどでご指摘くださると助かります。 CanadaデータセットでVARモデルを推定しておく 面倒なので、{vars}パッケージに同
ベイズ推論により混合分布のパラメータ推論をやってみる 〜まずはガウス分布のパラメータ推論〜 - 機械と学習する
[2020/03/12更新] 後続の記事へのリンクを追加 【概要】 混合分布（混合モデル）はモデルを潜在変数でスイッチする構造を持ったモデルであり、実用的な観点でも面白いです これから数回にわたって、混合分布を使って遊んでみます 第1弾では、混合分布の中でもよく使われるガウス混合分布を構成する「ガウス分布」のパラメータ推論をやってみます 【目次】 はじめに ガウス分布 ガウス分布のパラメータ推論 1次元ガウス分布 多次元(2次元)ガウス分布 ということで実際のnotebook まとめ 参考文献 はじめに 機械学習や統計の問題では、手元にあるデータを解釈して応用しようとしますね。 この時、明に暗になんらかの「確率モデル」を仮定しているはずです。 確率モデルの中でも、混合分布（混合モデル）は、複数の確率モデルの組み合わせとして定義されており、複雑なデータ構造を表現できます。 応用としても、クラ
雷を描く - Qiita
CGで雷を作る方法について、まとめました。 実際に作ったものが上になります。 形を作る 雷っぽい形状を描くための、3通りのやり方を提示します。 1. 手で描く おススメ度: ★★★★☆ 原始的な手法ですが、ぶっちゃけこれが一番手っ取り早く、前提条件の少ない方法です(身も蓋もない)。 メリット 伸びる方法を自由に決められる 開始点の数も枝分かれの数も自由 太さ細さも自由自在 少量なら短時間で描ける デメリット センスが問われる 大量に作るのは辛い ネット上で「雷 描き方」と検索すると、いろいろ見つかりますが、やり方は実に千差万別で、奥の深さが伺えます。 2. 学術的な手法 雷の基礎知識 こういっちゃなんですが、専門的に学んだことはないので、大分適当なことを言っています。明らかに誤っている場合はコメントで指摘してください。 雷のメカニズム ←以下の説明よりこちらの記事をおススメ(図がついてるの
CUDAによるバンドル調整の高速化とソースコード公開 - Fixstars Tech Blog /proc/cpuinfo
はじめに こんにちは、エンジニアの高木です。 私は現在、adaskitという社内の自動運転関連のオープンソースプロジェクトに携わっており、プロジェクトのこれまでの成果としてlibSGMやsegmentation-sgm、「Visual OdometryをCUDAで高速化した話」等を紹介しました。 今回はVisual SLAM等で用いられるバンドル調整について、CUDAによる高速化に取り組んだ話を紹介します。結果だけ先に言うと、CPUで約12秒かかる規模のバンドル調整に対し、GPUで約1.2秒まで短縮することができました。 また、そのソースコードをGithubに公開しましたので、興味があれば是非覗いてみてください。 fixstars/cuda-bundle-adjustment 背景 バンドル調整(Bundle Adjustment)とは、画像からの3次元復元において3次元点群とカメラ姿勢を
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
iALSによる行列分解の知られざる真の実力
Python用機械学習ライブラリ「PyTorch 1.8」がリリース、科学計算用フロントエンドAPIの追加など変更多数
VARそして時系列因果性分析の復習 - 渋谷駅前で働くデータサイエンティストのブログ
NVIDIA 数学ライブラリによる GPU アプリケーションの高速化
E資格で必須の特異値分解解説 - HELLO CYBERNETICS
VARモデル補遺（備忘録） - 渋谷駅前で働くデータサイエンティストのブログ