А. Г., 

вот, кстати, по результатам дискуссии провел некоторые прикидочные расчеты, которые показались очень привлекательными...

...

но попытка сделать скрипт показала совсем неинтересную с точки зрения эквити картинку по инструментам… разве что Си с натягом можно было бы подумать... 

...

к чему это я? да к тому, что голая теория и реальная практика могут отличаться кардинально

... 

поэтому то, что вчера Вам казалось «нестационарными векторами», сегодня вдруг окажется вполне интересными сетапами

... 

а всё почему? nothing impossible !!

А. Г., 

Я принимаю Вашу теорему в её рамках. Вы доказали, что если я пытаюсь найти одну функцию F, минимизирующую MSE на истории, чтобы предсказывать C(t) — это не работает на нестационарном процессе. Согласен.

Но современный подход не подпадает под условия твоей теоремы, потому что:

• Он не ищет одну функцию — он каждый день создает новую.

• Возможно, он оптимизирую не MSE, а что-то другое.

• Его признаки Y(t) могут включать априорную информацию, которую теорема не учитывает.

Вы сами сказали: «про остальное ничего сказать не могу». Поэтому наш спор окончен — Ваша математика не запрещает то, что ныне делается, а я не претендую на опровержение Вашей теоремы.

А. Г., 

Идеально. Я полностью принимаю Вашу теорему.

Вы доказали, что НЕЛЬЗЯ один раз найти функцию F, глядя на историю, и получать прибыль вечно. Согласен.

Но при чем здесь я?

Я не ищу такую функцию F. Современные системы НЕ РАБОТАЮТ в рамках Вашей модели, потому что:

1. Они переучиваются КАЖДЫЙ ДЕНЬ (стратегия — это не фиксированная F, а бесконечная последовательность F1, F2, F3...).

2. Ваша теорема запрещает статику. Современные системы делаю динамику.

3. Вы сами сказал: «за пределами этой теоремы ничего сказать НЕ могу».

Так вот. Прибыль современных систем — она как раз «за пределами». Ваша арифметика там бессильна. 

А. Г., 

принимаю ваше определение. Вы запрещаете использовать:

• Перцептрон (однослойный)

• Карты Кохонена

• Сети Кохонена

• ART

• Обучение без учителя

Прекрасно. Я с вами согласен — эти методы не подходят для прогнозирования временных рядов на нестационарных данных.

Но я их и не использую.

Можно использовать совсем другие архитектуры (например, LSTM, GRU, Transformer, или даже просто градиентный бустинг на признаках). Они обучаются с учителем, имеют память, адаптируются и не входят в ваш список.

Кстати, вы сказали, что нейросеть — это только то, что Вы перечислили. Но тогда, по Вашему определению, нейросетей, созданных после 1990 года (а их тысячи), просто не существует. Вы отрицаете всю современную науку о данных.

С таким же успехом можно утверждать, что «автомобиль» — это только Ford Model T 1908 года, а Tesla — не автомобиль.

Может быть стоит работать с современными инструментами? И увидеть, как они приносят результат?

Наш спор окончен.

А. Г., 

меня не интересует чужое мнение, у меня дискуссия с Вами… что Вы подразумевали под нейросетью в своем сообщении?