Ten artykuł z Stanfordu podważa jedną z ulubionych wymówek finansów: „dane są zbyt hałaśliwe.” Od dziesięcioleci analitycy kwantowi twierdzili, że surowe ceny są bezużyteczne bez ręcznie opracowanych wskaźników nałożonych na nie. Ten artykuł zadaje czystsze pytanie. Co jeśli sygnał już tam jest, a my po prostu patrzyliśmy na niego w niewłaściwy sposób? Autor buduje model, który przewiduje ruchy wzrostowe i spadkowe akcji S&P 500, używając jedynie surowych danych cenowych. Żadne wskaźniki. Żadne biblioteki czynników. Tylko codzienne dane OHLCV oraz skorygowane ceny, które wyraźnie odzwierciedlają dywidendy i podziały. Sztuczka nie polega na większej ilości danych. Chodzi o reprezentację. Zamiast traktować szereg czasowy jako sekwencje, artykuł traktuje przesuwane okna cenowe jako obiekty przestrzenne. Każde okno staje się uporządkowaną macierzą, bliżej obrazu niż wykresu. To pozwala filtrów konwolucyjnych wykrywać lokalne wzorce, takie jak zmiany momentum, klasteryzacja zmienności i strukturalne przerwy wynikające z działań korporacyjnych. To czerpie intuicję z wizji komputerowej, a nie klasycznej ekonometrii. Zbiór danych obejmuje do dwudziestu lat dla każdej akcji z cenami na poziomie instytucjonalnym. Dziesięć kanałów zasila model, a przesuwane okna tworzą gęste próbki treningowe bez sztucznych sztuczek. Normalizacja utrzymuje wszystko w skali niezależnej od cech. Architektonicznie, to głęboka sieć CNN 1D. Wczesne warstwy koncentrują się na krótkoterminowej strukturze. Głębsze warstwy wychwytują dłuższe trendy. W porównaniu do modeli rekurencyjnych, CNN radzi sobie z wybuchami zmienności i skokami wywołanymi wydarzeniami z większą stabilnością. Zadanie jest proste, ale rygorystyczne: przewidzieć kierunek, a nie zwroty, w różnych horyzontach od kilku dni do miesiąca. Trening jest starannie dostosowywany, a zbieżność wygląda czysto, a nie podejrzanie. Wyniki są tym, co sprawia, że ludzie czują się nieswojo. Kilka akcji dużych spółek osiągnęło dokładność walidacji w wysokich 80-tych i niskich 90-tych. JP Morgan osiąga około 91 procent w dłuższych horyzontach. Krzywe sugerują prawdziwe uczenie się, a nie szybkie dopasowanie. Autor pozostaje ostrożny. To nie modeluje kosztów, wykonania ani poślizgu. Ale pokazuje coś ważnego. Głębokie modele mogą internalizować mechanikę rynku bezpośrednio z surowych tensorów cenowych, w tym zniekształcenia, które większość pipeline'ów wygładza. Większa implikacja jest głęboka. Inżynieria cech może być mniej istotna niż sposób, w jaki przedstawiasz dane. Wybierając odpowiednią indukcyjną tendencję, model uczy się struktury, którą ludzie zazwyczaj próbują zakodować na sztywno. Traktowanie finansowych szeregów czasowych jak obiektów podobnych do obrazów nie jest sztuczką. To poważna alternatywa dla dziesięcioleci ręcznie opracowanych założeń i kwestionuje ideę, że rynki są nieczytelne bez dużej interwencji człowieka. ...