Список проголосовавших за комментарий "<p>SergeyJu, вы правы относительно меток — они сильно коррелированы, поэтому важно, чтобы метки в обучающем сете и в валидационном совсем не пересекались. Но вектора признаков практически независимы. Корреляция в векторе дивидендов нулевая, корреляция в векторе котировок если есть, то буквально в паре соседних по времени обучающих примерах. Таким образом мы учим по независимым признакам зависимые метки. </p><p>Наверное, некое “эффективное” количество семплов меньше того, которое получается прямым подсчетом, но больше, чем вы думаете. Это в принципе легко проверить — построить модель на непересекающихся семпла (их будет условно 1000) и на пересекающихся их будет в 250 раз больше. Я делал подобное сравнение — первая вариант совсем не работает, а второй делает статистически значимые прогнозы. </p><p>Ну и по сути, так как наши признаки практически независимы, но часто имеют сильно похожие метки, сеть вообщем-то понимает, что в признаках огромное количество шума. Если бы мы учили на непересекающихся данных, ей было бы гораздо сложнее это понять. </p>"