慣老闆跟奧客有什麼關係?
一個有開公司,一個有或沒開公司
====================
那......這些人怎麼養成的?
請去問專家
咳!
我還在研究所時,覺得這都是資本主義的錯,讓我們失去良好的品格,只要嚴打資本家牟利,跟普遍低價的社會住宅,市場就會運作良好,而如何達成就靠制定嚴格的法律,何必嚴刑峻罰呢?(支離滅裂發言)
當後來累積的學生樣本數越來越多後,漸漸有了一些體會,畢竟極端值在樣本數一百時不見得出現,一千總會遇到一個。講點實際狀況
一般人多數會讓你覺得很奧的情況大概這樣
「老師老師,這題超出範圍了啊」
『你有去看公告段考範圍到3-1嗎?』
「我沒看到啊!!!這不公平!!!」
「老師我覺得數學實在太難了,生活用用不到,應該多教一點實用的東西」
『像是什麼?』
「生活科技啊!」
『好喔,我找生活科技的影片給你看...』
「不要,看影片好無聊」
『那你想上什麼不無聊的?』
「我不知道啊!!!!!老師你要教啊!!!!!」
成績好的人當中,讓你覺得想扁他的是這樣
「老師,我覺得這題答案不是B,應該B選項也都給對」
『我看看...B是錯的沒問題啊』
「不是啊,老師你,B說拿到了500塊,C也是500塊啊」
『B選項是小明拿到,C是小華拿到的,哪裡一樣?』
「這會讓人誤解啊,所以出不好要送分」
「老師,雖然我理化很好,但這些真的生活都用不到,有沒有更實用性,生活上更能用到的」
『有喔...我找一個工廠生產的影片給你看』
「我又不想去當工廠作業員」
『那你想做什麼』
「輕鬆又能賺錢的,像詐騙也不錯」
『詐騙?我找心理學的書給你看』
「老師哪有這樣,什麼都要讀書,騙人」
『不讀書...去做這個那個...都不用啊』
「我不想花力氣只要吹冷氣」
極端值中的那種人
『讓我們來看到運動學,首先是牛頓...』
「老師我知道啦,就那個被蘋果砸到的,F=ma我在補習班上過了,代代公式就好了啊,這麼簡單隨便寫都會」
。。。小考後。。。
『你才考50分,這叫作會?』
「那只是我沒很認真看啊,再說牛頓是錯的,我都看愛因斯坦」
『...喔,那愛因斯坦說什麼』
「就E=mc^2啊,代公式就好了,這麼簡單」
『你知道勞倫茲轉換嗎?』
「那又不是愛因斯坦,不一樣的東西,總之我都會啦,抄抄公式有什麼難的」
==========================
說真的,超過千個樣本後,會碰到很多極端值,然後放大到社會千萬人,預估台灣就會有個幾萬,所以感覺好像很多,也是不意外。
有時回想一下大學遇到的奇葩學弟,就是那種極端值,嗆同學嗆老師,然後連公式都抄錯,爛到無法解釋的地步。
你真的問他,怎樣才是對的?全部都是套公式,不照公式的一定都是反科學的智障。那你怎麼連代公式都會弄錯?因為考卷出不好。
我常常在想,這種無比自負的人出社會後,到底會怎樣?怎樣的人會認為社會應該要照理論運轉,跟理論不符則要修正現實,若現實怎樣都修正不了,就修正社會。
沒想到這幾年,天天都見到。
樣本數公式 在 王婉諭 Facebook 的最讚貼文
行動支付普及了?等等,資策會公式算法是不是怪怪的?
今年七月發放的三倍振興券,除了實體券以外,政府還規劃信用卡、電子支付、電子票證等非現金支付方式,不過,我們可以看到各管道領取的分布:實體券佔 92 %,數位綁定僅 8 %,如果不算信用卡跟電子票證,行動支付的佔比僅 1.3 %。
但,2018 年時,政府曾說:2025 年的行動支付普及率,目標要達到 90 %。
1.3 %的佔比,對比 90 %的目標,這之間的差異是否太大?
過去政府多次背書台灣行動支付的普及率,而且都是引用資策會的資料,包括 2018 年時行政院長所說的 90 %目標,2020 年國發會又發新聞稿重申資策會數據,甚至到今年 4 月疫情期間,經濟部也拿這數據來做為政策推動的依據,甚至,原本還考慮規劃,將振興券全部綁在行動支付上使用。
然而,從振興券的實際使用情況看來,使用行動支付的人實在少之又少,當初在思考政策方向時過於草率,導致振興券中投注在行動支付上的經費,也隨之浪費。
我們認為,問題的根源其實是來自資策會的公式。
根據「台灣行動支付發展與歸類探討」研究中寫到的行動支付普及率公式為:
「行動支付普及率=當年度曾經使用行動支付人數/智慧行動裝置使用人數」
然而,作為分子的「曾經使用人數」,並無法突顯用戶在一天所使用的日常支付金額中行動支付所佔比重。其實,先前金管會曾提出公式,認為以「交易量」作為依據,會比「人數」更能準確預估。
民眾在嘗試使用下,用過一次行動支付,也會被算到曾經使用人數中,導致這樣的公式,根本無法真正顯現目前行動支付的普及率是多少!
民眾用過一次行動支付,難道就代表普及了,難道就代表未來會常常使用、持續使用嗎?
正是因為普及率的定義過於寬鬆,在這樣的惡性循環下,政府用不嚴謹的算法,來估算、制定政策,不僅過於草率,也會導致人民的納稅錢被撒在不精確的政策上。
先前在針對紓困 3.0 的預算質詢中,我便曾對此質詢經濟部,希望能夠針對此計算公式及政府相關計畫目標重新檢討,不久前,也收到國發會的回覆。
國發會表示,2020 年行動支付普及率調查,將會進行調整,包括調高抽樣調查的樣本數,並且新增「使用頻率調查」,希望能提升調查精準度,也進一步瞭解國人行動支付的使用頻率。
我們相信,未來電子支付的使用情況一定會日益提升,但,在制定相關的政策方案時,仍要謹慎評估。我們希望,未來不要再讓錯誤的數據導致政策誤判,否則就會像這次一樣,花了幾千萬的預算執行行動支付,結果使用人口僅有 1 %,徒增浪費。
樣本數公式 在 FinLab財經實驗室 Facebook 的最讚貼文
◢ 回測 - 參數最佳化的迷思(附程式碼) ◣
找到「歷史報酬率」好的策略很簡單
但是找到「未來報酬率」好的策略非常難。
為什麼?
原因在於做了過多的參數枚舉與優化,當樣本數夠大,自然會有極端的數據產生,就像是夜路走多了會碰到鬼,人多必有白癡,樹多必有枯枝,就像是量子力學中,波函數坍縮成我們所處的現實,代表著均值,但在極端的多重宇宙樣本中,你也有可能是總統,代表著眾多巧合下的極端事件。
本文用口語的方式,帶你瞭解如何判斷過擬合的演算法
牛頓從蘋果落地的現象,發現了萬有引力,F=ma,因為實驗的雜訊很小(風、熱能散失等等),才能有經典、簡潔的公式,然而把牛頓的實驗,換到財經領域時,可能就不是這麼管用了,當我們在建模時,價格的雜訊遠大於規律
我們很有可能是優化雜訊,而非優化價格的規律!
要怎麼辨別這兩者的不同呢?
我們可以先從直觀的角度出發,究竟歷史上成功的偉人,Bill Gates、Steve Jobs、Elon Musk,這些科技巨擘,他們之所以能夠有今天的成就,是一連串的巧合,還是他們有一些人格特質,促使他們的成功?另一個極端的例子,假如今天某人中了樂透彩而一夕爆富,那很明顯,他很可能是多重宇宙中,非常成功的一個版本,但他的成功,可能並非來自他的人格特質,而是來自運氣。運氣跟命運,看似哲學,但跟策略過擬合有著極大的關連!
模型的過擬合,就像是簽樂透彩,只要參數夠多了,總會中獎。所以策略績效好,究竟是不是運氣好?最重要的關鍵,就是要確保「實驗是有效的」。如何定義實驗是有效的呢?
我們提供了兩篇文章,讓你瞭解防止 overfitting 的方法:
👉避免過擬合的演算法介紹:
https://pse.is/overfitting1
👉演算法的實驗以及程式碼:
https://pse.is/optimization2
深入淺出的介紹,
製作精良的代碼,
需要你多多按讚分享,好東西讓好朋友知道!
#python
#backtesting
#optimization