Această lucrare de la Stanford scoate o gaură în una dintre scuzele preferate ale finanțelor: "datele sunt prea zgomotoase." Timp de decenii, quantii au susținut că prețurile brute sunt inutile fără indicatori realizați manual suprapuși deasupra. Această lucrare pune o întrebare mai curată. Ce se întâmplă dacă semnalul este deja acolo și pur și simplu l-am privit greșit? Autorul construiește un model care prezice mișcările bullish versus bearish pentru acțiunile S&P 500 folosind doar date brute de preț. Niciun semn. Biblioteci fără factor. Doar OHLCV zilnic plus prețuri ajustate care reflectă explicit dividendele și împărțirile. Secretul nu este mai multe date. Este o reprezentare. În loc să trateze seriile temporale ca secvențe, lucrarea tratează ferestrele de preț rulante ca obiecte spațiale. Fiecare fereastră devine o matrice structurată, mai aproape de o imagine decât de un grafic. Acest lucru permite filtrelor convoluționale să detecteze tipare locale precum schimbările de impuls, clusterizarea volatilității și rupturile structurale cauzate de acțiunile corporative. Aceasta împrumută intuiția din viziunea computerizată, nu din econometria clasică. Setul de date acoperă până la douăzeci de ani per acțiune, cu prețuri de nivel instituțional. Zece canale alimentează modelul, iar ferestrele glisante creează mostre dense de antrenament fără trucuri sintetice. Normalizarea păstrează totul invariabil la scară între caracteristici. Din punct de vedere arhitectural, este un CNN profund 1D. Straturile timpurii se concentrează pe structura pe termen scurt. Straturile mai adânci preiau tendințe mai lungi. Comparativ cu modelele recurente, CNN gestionează cu mai multă stabilitate vârfurile de volatilitate și cele bazate pe evenimente. Sarcina este simplă, dar strictă: să prezică direcția, nu retururile, peste orizonturi de la câteva zile până la o lună. Antrenamentul este reglat cu grijă, iar convergența pare clară, nu suspectă. Rezultatele sunt cele care îi fac pe oameni să se simtă inconfortabil. Mai multe acțiuni cu capitalizare mare ating acuratețe de validare în perioada de 80 și 90 de ani. JP Morgan atinge în jur de 91 la sută pe termen lung. Curbele sugerează o învățare reală, nu un overfit rapid. Autorul rămâne precaut. Aceasta nu modelează costurile, execuția sau alunecarea. Dar arată ceva important. Modelele profunde pot internaliza mecanica pieței direct din tensorii bruti de preț, inclusiv distorsiuni pe care majoritatea conductelor le netezesc. Implicația mai largă doare adânc. Ingineria funcționalităților poate conta mai puțin decât modul în care încadrezi datele. Alegând biasul inductiv potrivit, modelul învață structura pe care oamenii încearcă de obicei să o codifice hard. Tratarea seriilor temporale financiare ca pe niște obiecte asemănătoare imaginii nu este un truc. Este o alternativă serioasă la decenii de presupuneri făcute manual și contestă ideea că piețele sunt ilizibile fără o intervenție umană puternică. ...