Dieses Stanford-Papier hinterfragt eine der Lieblingsausreden der Finanzwelt: „Die Daten sind zu ungenau.“ Seit Jahrzehnten argumentieren Quants, dass Rohpreise ohne handgefertigte Indikatoren, die darüber gelegt werden, nutzlos sind. Dieses Papier stellt eine klarere Frage. Was, wenn das Signal bereits vorhanden ist und wir es nur falsch betrachtet haben? Der Autor entwickelt ein Modell, das bullische versus bärische Bewegungen für S&P 500-Aktien vorhersagt, und zwar nur mit Rohpreisdaten. Keine Indikatoren. Keine Faktorbibliotheken. Nur tägliche OHLCV plus angepasste Preise, die Dividenden und Aktiensplits explizit widerspiegeln. Der Trick besteht nicht darin, mehr Daten zu haben. Es ist die Darstellung. Anstatt Zeitreihen als Sequenzen zu behandeln, betrachtet das Papier rollende Preisfenster als räumliche Objekte. Jedes Fenster wird zu einer strukturierten Matrix, die eher einem Bild als einem Diagramm ähnelt. Das ermöglicht es konvolutionalen Filtern, lokale Muster wie Momentumverschiebungen, Volatilitätscluster und strukturelle Brüche durch Unternehmensaktionen zu erkennen. Das entlehnt Intuition aus der Computer Vision, nicht aus der klassischen Ökonometrie. Der Datensatz erstreckt sich über bis zu zwanzig Jahre pro Aktie mit institutioneller Preisgestaltung. Zehn Kanäle speisen das Modell, und gleitende Fenster erzeugen dichte Trainingsproben ohne synthetische Tricks. Die Normalisierung hält alles skaleninvariant über die Merkmale. Architektonisch handelt es sich um ein tiefes 1D-CNN. Frühe Schichten konzentrieren sich auf kurzfristige Strukturen. Tiefere Schichten erfassen längere Trends. Im Vergleich zu rekurrenten Modellen bewältigt das CNN Volatilitätsspitzen und ereignisgesteuerte Sprünge stabiler. Die Aufgabe ist einfach, aber streng: Richtung vorhersagen, nicht Renditen, über Zeiträume von wenigen Tagen bis zu einem Monat. Das Training wird sorgfältig abgestimmt, und die Konvergenz sieht sauber aus, nicht verdächtig. Die Ergebnisse sind es, die die Menschen unbehaglich machen. Mehrere Large-Cap-Aktien erreichen Validierungsgenauigkeiten in den hohen 80ern und niedrigen 90ern. JP Morgan erreicht etwa 91 Prozent bei längeren Zeiträumen. Die Kurven deuten auf echtes Lernen hin, nicht auf ein schnelles Überanpassen. Der Autor bleibt vorsichtig. Dies modelliert keine Kosten, Ausführung oder Slippage. Aber es zeigt etwas Wichtiges. Tiefe Modelle können Marktmechanismen direkt aus Rohpreistensoren internalisieren, einschließlich Verzerrungen, die die meisten Pipelines glätten. Die größere Implikation geht tief. Feature Engineering könnte weniger wichtig sein als die Art und Weise, wie Sie die Daten rahmen. Durch die Wahl des richtigen induktiven Bias lernt das Modell Strukturen, die Menschen normalerweise versuchen, hart zu kodieren. Finanzielle Zeitreihen wie bildähnliche Objekte zu behandeln, ist kein Gimmick. Es ist eine ernsthafte Alternative zu Jahrzehnten handgefertigter Annahmen und stellt die Idee in Frage, dass Märkte ohne starke menschliche Intervention unlesbar sind. ...