Este artigo de Stanford fura um dos favoritos argumentos da finança: "os dados são demasiado ruidosos." Durante décadas, os quants argumentaram que os preços brutos são inúteis sem indicadores feitos à mão sobrepostos. Este artigo faz uma pergunta mais limpa. E se o sinal já estiver lá, e apenas estivermos a olhar para ele da maneira errada? O autor constrói um modelo que prevê movimentos altistas versus baixistas para ações do S&P 500 usando apenas dados de preços brutos. Sem indicadores. Sem bibliotecas de fatores. Apenas OHLCV diários mais preços ajustados que refletem explicitamente dividendos e desdobramentos. O truque não é mais dados. É representação. Em vez de tratar séries temporais como sequências, o artigo trata janelas de preços móveis como objetos espaciais. Cada janela torna-se uma matriz estruturada, mais próxima de uma imagem do que de um gráfico. Isso permite que filtros convolucionais detectem padrões locais como mudanças de momento, agrupamento de volatilidade e quebras estruturais devido a ações corporativas. Isto empresta intuição da visão computacional, não da econometria clássica. O conjunto de dados abrange até vinte anos por ação com preços de qualidade institucional. Dez canais alimentam o modelo, e janelas deslizantes criam amostras de treino densas sem truques sintéticos. A normalização mantém tudo invariável em escala entre características. Arquitetonicamente, é uma CNN 1D profunda. As camadas iniciais focam na estrutura de curto prazo. Camadas mais profundas captam tendências mais longas. Comparado a modelos recorrentes, a CNN lida com picos de volatilidade e saltos impulsionados por eventos com mais estabilidade. A tarefa é simples, mas rigorosa: prever a direção, não os retornos, em horizontes que vão de alguns dias a um mês. O treino é ajustado cuidadosamente, e a convergência parece limpa em vez de suspeita. Os resultados são o que incomoda as pessoas. Várias ações de grande capitalização atingem precisões de validação nos altos 80 e baixos 90. O JP Morgan atinge cerca de 91 por cento em horizontes mais longos. As curvas sugerem aprendizado real, não um rápido sobreajuste. O autor permanece cauteloso. Isto não modela custos, execução ou deslizamento. Mas mostra algo importante. Modelos profundos podem internalizar mecânicas de mercado diretamente de tensores de preços brutos, incluindo distorções que a maioria dos pipelines suaviza. A implicação maior é profunda. A engenharia de características pode importar menos do que a forma como você estrutura os dados. Ao escolher o viés indutivo certo, o modelo aprende a estrutura que os humanos geralmente tentam codificar manualmente. Tratar séries temporais financeiras como objetos semelhantes a imagens não é um truque. É uma alternativa séria a décadas de suposições feitas à mão, e desafia a ideia de que os mercados são ilegíveis sem uma pesada intervenção humana. ...