Dit Stanford-onderzoek doorprikt een van de favoriete excuses van de financiële wereld: "de data is te ruisachtig." Decennialang hebben kwantitatieve analisten betoogd dat ruwe prijzen nutteloos zijn zonder handgemaakte indicatoren die er bovenop zijn gelegd. Dit onderzoek stelt een schonere vraag. Wat als het signaal er al is, en we het gewoon verkeerd hebben bekeken? De auteur bouwt een model dat bullish versus bearish bewegingen voor S&P 500-aandelen voorspelt met alleen ruwe prijsdata. Geen indicatoren. Geen factorbibliotheken. Gewoon dagelijkse OHLCV plus aangepaste prijzen die expliciet dividenden en splitsingen weerspiegelen. De truc is niet meer data. Het is representatie. In plaats van tijdreeksen als sequenties te behandelen, behandelt het onderzoek rollende prijsvensters als ruimtelijke objecten. Elk venster wordt een gestructureerde matrix, dichter bij een afbeelding dan bij een grafiek. Dat laat convolutionele filters lokale patronen detecteren zoals momentumverschuivingen, volatiliteitsclustering en structurele breuken door bedrijfsacties. Dit leent intuïtie van computer vision, niet van klassieke econometrie. De dataset beslaat tot twintig jaar per aandeel met institutionele prijsstelling. Tien kanalen voeden het model, en schuivende vensters creëren dichte trainingsmonsters zonder synthetische trucs. Normalisatie houdt alles schaal-invariant over kenmerken. Architectonisch is het een diepe 1D CNN. Vroege lagen richten zich op kortetermijnstructuur. Diepere lagen pikken langere trends op. In vergelijking met recurrente modellen gaat de CNN beter om met volatiliteitspieken en gebeurtenisgedreven sprongen met meer stabiliteit. De taak is eenvoudig maar strikt: voorspel de richting, niet de rendementen, over tijdshorizonten van een paar dagen tot een maand. De training is zorgvuldig afgestemd, en de convergentie ziet er schoon uit in plaats van verdacht. De resultaten zijn wat mensen ongemakkelijk maakt. Verschillende large-cap aandelen behalen validatie-accuraatheden in de hoge 80s en lage 90s. JP Morgan bereikt rond de 91 procent op langere tijdshorizonten. De curves suggereren echt leren, niet een snelle overfit. De auteur blijft voorzichtig. Dit modelleert geen kosten, uitvoering of slippage. Maar het toont wel iets belangrijks aan. Diepe modellen kunnen marktmechanismen internaliseren direct vanuit ruwe prijs-tensors, inclusief vervormingen die de meeste pipelines gladstrijken. De grotere implicatie snijdt diep. Feature engineering kan minder belangrijk zijn dan hoe je de data kadert. Door de juiste inductieve bias te kiezen, leert het model structuren die mensen meestal proberen hard te coderen. Financiële tijdreeksen behandelen als afbeeldingsachtige objecten is geen gimmick. Het is een serieuze alternatieve benadering voor decennia van handgemaakte aannames, en het daagt het idee uit dat markten onleesbaar zijn zonder zware menselijke tussenkomst. ...