Abstract
W niniejszym artykule przedstawimy problematykę zastosowań analizy składowych niezależnych na rynku finansowym w kontekście algorytmicznej i statystycznej charakterystyki tej metody. Wskażemy, że specyfika uczenia maszynowego oraz problemowy kontekst ślepej separacji, w jakim osadzona jest analiza składowych niezależnych, ma zasadniczy wpływ na możliwości i ograniczenia interpretacji statystycznej uzyskanych wyników. Przedstawimy także propozycję algorytmu, bardziej zorientowanego na spełnienie warunku niezależności, niż algorytmy ukierunkowane na separację.
Publisher
Warsaw University of Life Sciences - SGGW Press
Subject
Colloid and Surface Chemistry,Physical and Theoretical Chemistry
Reference28 articles.
1. Amari S. (1998) Natural Gradient Works Efficiently in Learning. Neural Computation, 10, 271-276 .
2. Amari S., Cichocki A. (1998) Adaptive Blind Signal Processing - Neural Network Approaches. Proceedings of the IEEE, 86(10), 2026-2048.
3. Amari S., Cichocki A., Yang H. (1999) Unsupervised Adaptive Filtering, chapter Blind Signal Separation and Extraction - Neural and Information Theoretic Approaches. John Wiley.
4. Bell A. J., Sejnowski T. J. (1995) An Information-Maximization Approach to Blind Separation and Blind Deconvolution. Neural Computation, 7(6), 1129-1159. https://doi.org/10.1162/neco.1995.7.6.1129
5. Cardoso J., Laheld B. (1996) Equivariant Adaptive Source Separation. IEEE Trans. Signal Processing, 44(12), 3017-3030.