기본 콘텐츠로 건너뛰기

令和5年5月3日気になるニュース

yahooニュース 産経新聞、首相「腹を割って意見交換」 7、8日に訪韓し尹大統領と会談  岸田文雄首相は1日(日本時間2日)、7~8日の日程で韓国を訪問し、尹錫悦(ユン・ソンニョル)大統領と会談する方向で調整(ちょうせい)していると明らかにした。訪問先(ほうもんさき)のガーナで記者団の取材に答えた。首相は尹氏が3月に来日(らいにち)した際(さい)、首脳同士が相互(そうご)に訪問する「シャトル外交」の再開(さいかい)で合意(ごうい)しており、その第1弾(いちだん)となる。 続いて、日本政府は4月28日に韓国を輸出手続き簡略化などの優遇措置の対象国となる「グループA(旧ホワイト国)」に再指定(さいしてい)する方針を発表したが、首相の訪韓(ほうかん)で成果(せいか)を示(しめ)せるかが焦点(しょうてん)になると書いていました。 日韓関係が改善されているようでうれしい記事でした。

「魔女の宅急便」の現代社会の階級メカニズム

    「親によく会うことも能力だ」 2016年10月、晩秋の風が徐々に吹きつける頃、大統領の最側近の一人の家族は上記のような文章を残した。 チョ・グック元法務部長官の娘チョ·ミンさんは親の人脈を利用して高校生の身分で論文の共同著者になるなど、様々な恩恵を受け、質の良い教育の機会と社交の機会を得た。 マスコミで注目される金持ちの成功ストーリーや、芸能人の直系家族の話は、ぼくたちがわざわざ探さなくても放送局が自ら広報し、全国民が知るようになる世の中になった。 韓国は1950年、韓国戦争を経験して以来、皆がお金なしで始めた世の中だった。 そして彼の子供たちは韓国経済発展の土台となり、彼の後世代は民主化運動の堅固な基盤となった。 大韓民国の民主主義が実現し、先進国としての第一世代、彼らは果たしてどのような人生を送っているのか。

    2016年、韓国日報が報道したソウル大学のキム·セジク、リュ·グングァン教授の研究によると、ソウル大学の学生簿選考で入学した学生を分析した結果、学生の潜在力よりは両親の所得水準で合格が決まったという期待値が90%になるという衝撃的な事実を発表した。 これはすなわち、親世代の富の水準が子世代の学力水準と有意義な水準の相関関係があることを意味する。 階層を分ける子供世代の認識はさらに深まった。 2010年代からインターネットコミュニティを中心に広がった資産による社会階級、いわゆる「親ガチャ」が韓国を熱く盛り上げ、小学生の間では居住地を差別する用語である「エルサ(LHに居住する人々の略語)」、「ビルガー(借りて住む居住地の略語)」、「ヒューガ(ヒューマンシアマンションに住むの人たち)」などの嫌悪表現が学生の間で流行語のように広がっている。 この他にも、都会の新築マンション団地を中心に居住者以外の外部からの通行を禁止するなど、資産階級による社会的葛藤がますます激しくなる傾向にある。


    「魔女の宅急便」で主人公のキキは生まれてすぐ空を飛べる能力を持って生まれた。 キキが生きてきた魔女の世界では、13歳になると独立しなければならない。 彼女は彼女が生まれた町を離れる前に母親からほうきを譲り受ける。 すでにほうきのある彼女だったが、両親の頼みで仕方なく彼女の母親のものに乗って出家することになる。 キキは彼女の能力である空を飛べる能力によって自立の土台を築き始める。 僕たちはここで一つの問いに答えなければならない。 普通の田舎の青年が大都市に来ても、果たしてキキほどの自立が可能なのか疑問だ。 『魔女の宅急便』での世界観が魔法を使える人たちだけが生きる世界だったら、彼女の能力は全く問題にならない。 しかし、『魔女の宅急便』では分離された世界ではなく、平凡な人々と魔法が使える人々が共存して生きていく。 彼女は飛べる能力を使って配達の仕事を始めて金を稼ぎ始めたが,田舎から上京した平凡な人だったら彼女のようなスタートライン(startline)は夢にも考えられないだろう。


    配達人たちも彼女の能力が優れているからこそ可能なことだった. 絵を描いていた少女ウルスラは、彼女が飛べない苦境に立たされると、助言をし、真剣に悩みを聞いてくれた助っ人のような存在だった。 韓国社会で「核心的中間層は人脈の活用範囲で周辺的中間層や下層に比べてはるかに広範であることが分かり、人脈の範囲だけでなく解決力まで考慮した有効人脈資産は階層的地位が高いほどより豊富だ」と述べた。 つまり、韓国社会は人脈も有効無形資産の一つであり、個人の成就に量の相関関係を持つということだ。 キキはウルスラの助言を聞いて勇気づけられ、結局は逆境を乗り越えて再び空飛ぶ成就を得ることができた。 キキがもし空を飛べる魔力を持っていなかったら、彼女はウルスラとの接点がなかった可能性が高い。 キキが飛ぶ能力のない平凡な人だったとしても、ウルスラのような助っ人に会う機会さえあったのか、我々は真剣に考えなければならない。 


    作中のトンボという少年は、現代社会が望ましいと考える作られたナンバー2の見本だ。 彼は空飛ぶことに憧れて、普段も自転車を改造するなど血のにじむような努力をする。 しかし空を飛ぶキキが目の前に現れるようになり、彼は一目でキキにはまる。 才能を持って生まれたキキを見て彼は彼女の能力を羨ましがり、憧れるが、キキは幼い頃から私は能力を持って生まれたため、彼の心を理解できない様子を見せる。 僕たちは人生で多くの競争を経験するが、社会的に認められたり名声を得る人の多くは、自分の分野で独歩的な人か名声のある人だ。 月に一番先に到着したのはニール·アームストロングだが、僕たちの記憶の中で2番目に月に到着した人の名前はほとんど思い出せない。 電話機を初めて特許を取ったのはグリミアム·ベルという人だが、電話機を初めて発明した発明家がアントニオ·ムッチという貧しくて力のない人だという事実は、人々の記憶の中で忘れ去られている。 僕たちは1位と1人者が独歩的に輝く世の中で生きている。 甲の下で生きていく多くの乙は、彼らの人生に嫉妬と嫉妬を感じることもできるが、メディアが作り出した世の中では、乙たちは甲の能力と名声に憧れ、彼らの足先にでも付いて行くためには血のにじむ努力と忍耐に耐えなければならないというフレームが根強く定着している。 映画で現われたトンボの姿も同じだ。 圧倒的な才能の前で、彼は無力感と剥奪感どころか、むしろ血のにじむような努力で彼女の才能を足先にでも追いつくために全力を尽くす人物として映っている。 転んで怪我をしても起き上がりながら空を飛びたいという彼の夢は、結局飛行船の墜落とともに才能と能力を兼ね備えたキキに助けられる身に転落してしまう。
   

     僕はまた、作中のほうきの役割についても注目することができた。 彼女の母親がくれたほうきは現代社会で親が譲り受ける遺産と対比される。 魔女のような特別な能力を持つ特権層は、親から魔女のほうきという遺産を譲り受けて、普通の人々より早く、より有利な位置のスタートラインで社会生活を始めることができる。 スランプに陥ってしまう能力を失ったとき、折しも折れたほうきは彼女の一時的な失敗を象徴する. さらに恐ろしいのは彼女が再び能力を取り戻すことだ。トンボを救うためにほうきを探す彼女は路上で仕事をしている清掃労働者のほうきを奪うことになる。 一生懸命働く労働者のほうきは、小市民がお金を稼ぐために毎日使う道具で、大多数の人々が成し遂げた成果や努力を代弁していると言える。 ほうきを奪われた清掃労働者の姿は、その後映画に一度も出なかった。 トンボを救うために清掃労働者の生計のための道具が奪われたにもかかわらず、マスコミと大衆はその事実さえ忘れ、キキの活躍だけを褒め称える。 多くの職場で多くの社員が上司の甲質と公だましに喪失感と虚しさを感じる。 大多数の市民が成し遂げた成果も、ある政治家の治績や有名人の功によって作られやすい。 しかし、現代社会では実質的に被害を受けた弱者にはスポットライトを与えない。 魔女配達人キキではキキの活躍にフォーカスを合わせることで、表面には見えない社会的弱者の疎外を逆説的に描き出したと言える。


        魔女の宅急便「キキ」はとてもよくできた映画だ。 表面的には少女の初の社会進出に伴う逆境と克服の成長ストーリーを盛り込んでいるが、その裏には社会的弱者として包装された特権層の課標集されたスポットライトと表立っていない、社会を成している大多数の小市民が直面する疎外感、そして社会的に作られたフレームを意図的に配置し、逆説的にも映画ストーリーそのものだけで現代社会の矛盾を見せている。 僕たちは常に忘れなければならない。 大多数の人々は生まれてから飛べる「能力」を持った映画の主人公ではなく、主人公の横で主人公の成功を「補助する」助演の役割であることを。

댓글

이 블로그의 인기 게시물

Random Forest 파헤치기

Random Forest Random Forest Random Forest는 weak Learner로 Decision Tree를 이용하는 일종의 bagging Algorithm이다. (배깅 학습기라는 뜻은 아니다) Machine Learning 분야에서 Support Vector Machine과 같이 가장 많이 사용하는 분류모형 중 하나이다. Random Forest Class는 다음 특징을 가진다. Keyword Argument의 대부분은 DecisionTreeClassifier와 같다. Random Forest에서 Tree의 수가 많아질수록 예측에 유리하지만 시간이 많이 걸리고, 한계적인 이득은 체감한다. Random Forest의 Base Model로는 보통 Deep Tree를 많이 사용한다. Shallow tree는 상대적으로 분산이 작지만 상당한 편의를 발생시킨다. 반면 Deep Tree는 분산이 큰 반면 편의가 작으므로 여러 결과의 평균을 예측에 사용하면 분산을 줄이는 효과가 있다. Random Features Random Forest는 훈련 과정에서 무작위로 추출한 Feature Set만을 사용한다. 이는 모형들 사이의 Correlation을 감소시킨다 Missing Value와 관련된 문제를 효과적으로 완화시킨다. 오늘은 Random Forest와 Decision Tree의 기본 구조를 알고 있다고 가정하고 Keyword Argument 중 중요한 것들을 중심으로 소개하고자 한다. class_weight {class_label:weight} 형식의 클래스와 연결된 가중치이다. 만약 주어지지 않는다면, 모든 Class는 하나의 가중치로 되어 있다. 다중 출력 문제의 경우 dict 목록을 y 열과 같은 순서로 제공할 수 있다. 다중 출력(다중 레이블 포함)의 경우 자체 dict의 모든 열의 각 클래스에 대해 가중치를 정의해야 한다. 예를 들어 4개 클래스의 다중 레이블 분류 가중치는 [{1:1}, {2:5}, {3:1}, {4:1} 대신 [{...

Team Q Research

  Q research Naver blog Qraft에 계신 선배님과 서강대학교 학부생이 함께 만든 퀀트 리서치 팀입니다. 주로 Machine Learning과 Quantitative Finance 분야를 다루며, 최근 연구 분야는 ML분류기에서 나온 Accuracy를 확률로써 해석하기 위해 Probability Calibration을 통해 보정하고, Bet size를 정하는 Secondary Model로써 활용하는 것을 연구중입니다. 이외에도 Machine Learning 분류기와 Neural Network를 사용하여 투자 집행에 도움이 되는 실전 전략 연구를 수행하고 있습니다.

AFML Chapter 4. Concurrency

  중첩된 결과 High Frequency Data에서 가격 계열에 Labeling된 Label을 $y_i$라고 하자. $y_i$는 어느 기간 내에서 발생한 가격 바의 함수라고 할 수 있다. 그러나 만약 기간 $i,j$에 대해서 $t_{i,1}>t_{j,0}$이고 $i<j$이면 $y_i, y_j$는 공통 수익률 $r_{t_{j,0}, min\{t_{i,1}, t_{j,0}\}}$에 의존한다. 즉, 이때까지 레이블링하여 포착한 레이블 중 어느 구간 내에서 하나의 포지션 기간 내에 다른 매수 혹은 매도 신호가 포착된다면 포지션 보유 기간이 공통의 수익률에 공존한다는 뜻이다. 이 경우, 수익률이 두 포지션에 공통적으로 Labeling되므로 $\mathbf{IID}$가 아니라는 것을 알 수 있다.