Denne Stanford-artikkelen punkterer en av finansens favorittunnskyldninger: «dataene er for støyende.» I flere tiår har kvantitative eksperter hevdet at råpriser er ubrukelige uten håndlagde indikatorer lagt oppå. Denne artikkelen stiller et ryddigere spørsmål. Hva om signalet allerede er der, og vi bare har sett på det på feil måte? Forfatteren bygger en modell som forutsier bullish versus bearish bevegelser for S&P 500-aksjer kun ved å bruke rå prisdata. Ingen indikatorer. Biblioteker uten faktor. Bare daglig OHLCV pluss justerte priser som eksplisitt reflekterer utbytte og splitter. Trikset er ikke mer data. Det er representasjon. I stedet for å behandle tidsserier som sekvenser, behandler avisen rullende prisvinduer som romlige objekter. Hvert vindu blir en strukturert matrise, nærmere et bilde enn et diagram. Det lar konvolusjonsfiltre oppdage lokale mønstre som momentumskift, volatilitetsklyngedannelse og strukturelle brudd fra selskapets handlinger. Dette låner intuisjon fra datamaskinsyn, ikke klassisk økonometri. Datasettet strekker seg over opptil tjue år per aksje med institusjonell prising. Ti kanaler mater modellen, og glidende vinduer lager tette treningsprøver uten syntetiske triks. Normalisering holder alt skalerbart på tvers av funksjoner. Arkitektonisk er det et dypt 1D CNN. Tidlige lag fokuserer på kortsiktig struktur. Dypere lag plukker opp lengre trender. Sammenlignet med rekurrente modeller håndterer CNN volatilitetspikes og hendelsesdrevne hopp med mer stabilitet. Oppgaven er enkel, men streng: forutsi retning, ikke returer, på tvers av horisonter fra noen dager til en måned. Treningen er nøye justert, og konvergens ser ren ut i stedet for mistenkelig. Resultatene er det som gjør folk ukomfortable. Flere store selskaper når valideringsnøyaktigheter i høye 80- og lave 90-tall. JP Morgan når rundt 91 prosent på lengre sikt. Kurvene antyder ekte læring, ikke en rask overtilpasning. Forfatteren er forsiktig. Dette modellerer ikke kostnader, gjennomføring eller forsinkelse. Men det viser noe viktig. Dype modeller kan internalisere markedsmekanikk direkte fra rå pristensorer, inkludert forvrengninger de fleste rørledninger glatter ut. Den større implikasjonen går dypt. Feature engineering kan ha mindre betydning enn hvordan du rammer inn dataene. Ved å velge riktig induktiv skjevhet lærer modellen strukturen mennesker vanligvis prøver å hardkode. Å behandle finansielle tidsserier som bildelignende objekter er ikke et gimmick. Det er et seriøst alternativ til tiår med håndlagde antakelser, og det utfordrer ideen om at markeder er uleselige uten tung menneskelig inngripen. ...