Tento článek ze Stanfordu narušuje jednu z oblíbených výmluv ve financích: "data jsou příliš hlučná." Desítky let kvantitativní analytici tvrdí, že surové ceny jsou zbytečné bez ručně vytvořených ukazatelů navrstvených navrch. Tento článek klade čistší otázku. Co když signál už je tam a my jsme se na něj jen dívali špatně? Autor vytváří model, který předpovídá býčí versus medvědí pohyby akcií S&P 500 pouze na základě surových cenových dat. Žádné indikátory. Knihovny bez faktorů. Jen denní OHLCV plus upravené ceny, které explicitně odrážejí dividendy a rozdělení. Trik není v dalších datech. Je to reprezentace. Místo toho, aby článek považoval časové řady za posloupnosti, zachází s pohyblivými cenovými okny jako s prostorovými objekty. Každé okno se stává strukturovanou maticí, blíže obrazu než grafu. To umožňuje konvolučním filtrům detekovat místní vzorce, jako jsou posuny hybnosti, shlukování volatility a strukturální přerušení z korporátních akcí. To čerpá z intuice z počítačového vidění, nikoli z klasické ekonometrie. Datová sada pokrývá až dvacet let na akcii s institucionálním cenovým hodnocením. Model přináší deset kanálů a posuvná okna vytvářejí husté tréninkové vzorky bez syntetických triků. Normalizace udržuje vše nezávislé na škále napříč rysy. Architektonicky je to hluboký 1D CNN. První vrstvy se zaměřují na krátkodobou strukturu. Hlubší vrstvy zachytávají delší trendy. Ve srovnání s rekurentními modely CNN zvládá volatilitové výkyvy a skoky způsobené událostmi s větší stabilitou. Úkol je jednoduchý, ale přísný: předpovídat směr, ne návraty, napříč horizonty od několika dnů až po měsíc. Výcvik je pečlivě naladěn a konvergence vypadá čistě, nikoli podezřele. Výsledky jsou to, co lidi znepokojuje. Několik akcií velkých společností dosáhlo validačních přesností v horních 80. a nízkých 90. procentech. JP Morgan dosahuje na delších horizontech kolem 91 procent. Křivky naznačují skutečné učení, ne rychlé přešití. Autor zůstává opatrný. To nemodeluje náklady, realizaci ani prokluz. Ale ukazuje to něco důležitého. Hluboké modely mohou internalizovat tržní mechaniky přímo ze surových cenových tenzorů, včetně deformací, které většina pipeline vyhlazuje. Větší důsledek zasahuje hluboko. Feature engineering může být méně důležitý než to, jak data rámujete. Volbou správného induktivního zkreslení se model učí strukturu, kterou se lidé obvykle snaží natvrdo zakódovat. Zacházet s finančními časovými řadami jako s obrazovými objekty není žádný trik. Je to vážná alternativa k desetiletím ručně vytvářených předpokladů a zpochybňuje představu, že trhy jsou nečitelné bez silného lidského zásahu. ...