Surat kabar Stanford ini membuat lubang dalam salah satu alasan favorit keuangan: "datanya terlalu berisik." Selama beberapa dekade, kuantitas berpendapat bahwa harga mentah tidak berguna tanpa indikator buatan tangan yang dilapisi di atasnya. Makalah ini mengajukan pertanyaan yang lebih bersih. Bagaimana jika sinyalnya sudah ada, dan kita hanya melihatnya dengan cara yang salah? Penulis membangun model yang memprediksi pergerakan bullish versus bearish untuk saham S&P 500 hanya menggunakan data harga mentah. Tidak ada indikator. Tidak ada pustaka faktor. Hanya OHLCV harian ditambah harga yang disesuaikan yang secara eksplisit mencerminkan dividen dan split. Triknya bukan lebih banyak data. Ini representasi. Alih-alih memperlakukan deret waktu sebagai urutan, makalah memperlakukan jendela harga bergulir sebagai objek spasial. Setiap jendela menjadi matriks terstruktur, lebih dekat ke gambar daripada bagan. Itu memungkinkan filter konvolusional mendeteksi pola lokal seperti pergeseran momentum, pengelompokan volatilitas, dan jeda struktural dari aksi korporasi. Ini meminjam intuisi dari visi komputer, bukan ekonometrika klasik. Kumpulan data berlangsung hingga dua puluh tahun per saham dengan harga tingkat institusional. Sepuluh saluran memberi makan model, dan jendela geser membuat sampel pelatihan padat tanpa trik sintetis. Normalisasi membuat semuanya tidak berubah dengan skala di seluruh fitur. Secara arsitektur, ini adalah CNN 1D yang dalam. Lapisan awal berfokus pada struktur jangka pendek. Lapisan yang lebih dalam mengambil tren yang lebih lama. Dibandingkan dengan model berulang, CNN menangani lonjakan volatilitas dan lompatan yang didorong oleh peristiwa dengan lebih stabilitas. Tugasnya sederhana tetapi ketat: memprediksi arah, bukan kembali, melintasi cakrawala dari beberapa hari hingga sebulan. Pelatihan disetel dengan hati-hati, dan konvergensi terlihat bersih daripada mencurigakan. Hasilnya yang membuat orang tidak nyaman. Beberapa saham berkapitalisasi besar mencapai akurasi validasi di 80-an tinggi dan 90-an rendah. JP Morgan mencapai sekitar 91 persen pada cakrawala yang lebih panjang. Kurvanya menunjukkan pembelajaran nyata, bukan overfit yang cepat. Penulis tetap berhati-hati. Ini tidak memodelkan biaya, eksekusi, atau slippage. Tapi itu menunjukkan sesuatu yang penting. Model dalam dapat menginternalisasi mekanika pasar langsung dari tensor harga mentah, termasuk distorsi yang sebagian besar pipa menghaluskan. Implikasi yang lebih besar memotong dalam. Rekayasa fitur mungkin kurang penting daripada cara Anda membingkai data. Dengan memilih bias induktif yang tepat, model mempelajari struktur manusia biasanya mencoba untuk melakukan hardcode. Memperlakukan deret waktu keuangan seperti objek seperti gambar bukanlah tipu muslihat. Ini adalah alternatif serius untuk asumsi buatan tangan selama beberapa dekade, dan menantang gagasan bahwa pasar tidak dapat dibaca tanpa campur tangan manusia yang berat. ...