Хороший повод начать вспоминать, кто с каких матриц и прочих компьютеров начинал. Перфокарты и распечатка восьмибитовых картинок на символьных принтерах.
Тут я крут немеряно. Начинал на первом советском (ламповом!) компьютере Урал-1. Ввод был не на перфокартах, а на широкой такой магнитной (?) ленте, на которой долбились дырочки. Памяти там было, думаю, не меньше киловатта. А размером была машинка с хороший платяной шкаф, только повыше. До верхнего ряда лампочек можно было дотянуться только указкой. Программирование в одно-адресных машинных кодах. Сказка.
Нам сказали, что тем, кто это освоит в жизни уже ничего не страшно. Так, в общем, и вышло.
Когда я учился, мы еще работали на компутере, который занимал этаж здания, я даже самого компутера не видел, терминалы (новье!) были в другом крыле. Мне, однако, повезло иметь доступ к новейшему ведомственному компьютеру "Искра" (наш ответ 086 IBM XT, что ли), на котором я и делал свои лабораторные работы. Новое поколение, куда нам до зубров :)
Можно и стресс-тест, только тогда это уже будет не МС, по определению.
For valuation, you can replace the original equation, say,
dF = CdW
where C is the sqrt of covariance matrix and bold are for vectors) with
dF = s1*P1*dw1 + s2*P2*dw2 + s3*P3*dw3
where P_i's are principal components, s_i's are their respective vols and w_i's are scalar Weiners. That way you need to generate order(s) of magnitude fewer randoms and you'll get faster convergence.
![[personal profile]](https://www.dreamwidth.org/img/silk/identity/user.png){kind=small}
no subject
no subject
no subject
no subject
no subject
no subject
no subject
Нам сказали, что тем, кто это освоит в жизни уже ничего не страшно. Так, в общем, и вышло.
no subject
no subject
Это пять!
no subject
no subject
no subject
no subject
no subject
Дата майнингом занимаетесь?
no subject
2. Нет. Это для Монте-Карло.
no subject
no subject
For valuation, you can replace the original equation, say,
dF = CdW
where C is the sqrt of covariance matrix and bold are for vectors) with
dF = s1*P1*dw1 + s2*P2*dw2 + s3*P3*dw3
where P_i's are principal components, s_i's are their respective vols and w_i's are scalar Weiners. That way you need to generate order(s) of magnitude fewer randoms and you'll get faster convergence.