Questo documento di Stanford mette in discussione una delle scuse preferite della finanza: “i dati sono troppo rumorosi.” Per decenni, i quants hanno sostenuto che i prezzi grezzi sono inutili senza indicatori artigianali sovrapposti. Questo documento pone una domanda più pulita. E se il segnale fosse già lì, e noi lo stessimo solo guardando nel modo sbagliato? L'autore costruisce un modello che prevede movimenti rialzisti rispetto a quelli ribassisti per le azioni S&P 500 utilizzando solo dati di prezzo grezzi. Nessun indicatore. Nessuna libreria di fattori. Solo OHLCV giornalieri più prezzi aggiustati che riflettono esplicitamente dividendi e frazionamenti. Il trucco non è avere più dati. È la rappresentazione. Invece di trattare le serie temporali come sequenze, il documento tratta le finestre di prezzo rotanti come oggetti spaziali. Ogni finestra diventa una matrice strutturata, più simile a un'immagine che a un grafico. Questo consente ai filtri convoluzionali di rilevare schemi locali come cambiamenti di momentum, clustering di volatilità e rotture strutturali dovute ad azioni aziendali. Questo prende intuizioni dalla visione artificiale, non dalla econometria classica. Il dataset si estende fino a vent'anni per azione con prezzi di grado istituzionale. Dieci canali alimentano il modello, e le finestre scorrevoli creano campioni di addestramento densi senza trucchi sintetici. La normalizzazione mantiene tutto invariato rispetto alla scala attraverso le caratteristiche. Architettonicamente, è una CNN profonda 1D. I primi strati si concentrano sulla struttura a breve termine. Strati più profondi colgono tendenze più lunghe. Rispetto ai modelli ricorrenti, la CNN gestisce picchi di volatilità e salti guidati da eventi con maggiore stabilità. Il compito è semplice ma rigoroso: prevedere la direzione, non i rendimenti, su orizzonti che vanno da pochi giorni a un mese. L'addestramento è sintonizzato con attenzione, e la convergenza appare pulita piuttosto che sospetta. I risultati sono ciò che rende le persone a disagio. Diverse azioni a grande capitalizzazione raggiungono accuratezze di validazione negli alti 80 e nei bassi 90. JP Morgan raggiunge circa il 91 percento su orizzonti più lunghi. Le curve suggeriscono un vero apprendimento, non un rapido overfit. L'autore rimane cauto. Questo non modella costi, esecuzione o slittamento. Ma mostra qualcosa di importante. I modelli profondi possono internalizzare meccaniche di mercato direttamente da tensori di prezzo grezzi, comprese le distorsioni che la maggior parte delle pipeline smussa. L'implicazione più ampia colpisce profondamente. L'ingegneria delle caratteristiche potrebbe contare meno di come si inquadra il dato. Scegliendo il giusto bias induttivo, il modello apprende la struttura che gli esseri umani di solito cercano di codificare a mano. Trattare le serie temporali finanziarie come oggetti simili a immagini non è un espediente. È un'alternativa seria a decenni di assunzioni artigianali, e sfida l'idea che i mercati siano illeggibili senza un pesante intervento umano. ...