Bài báo của Stanford này chỉ ra một lỗ hổng trong một trong những lý do yêu thích của tài chính: "dữ liệu quá ồn ào." Trong nhiều thập kỷ, các nhà phân tích định lượng đã lập luận rằng giá thô là vô dụng nếu không có các chỉ báo được chế tác thủ công chồng lên. Bài báo này đặt ra một câu hỏi rõ ràng hơn. Điều gì sẽ xảy ra nếu tín hiệu đã có sẵn, và chúng ta chỉ đang nhìn nhận nó theo cách sai? Tác giả xây dựng một mô hình dự đoán các động thái tăng giá so với giảm giá cho các cổ phiếu S&P 500 chỉ bằng dữ liệu giá thô. Không có chỉ báo. Không có thư viện yếu tố. Chỉ có giá OHLCV hàng ngày cộng với giá đã điều chỉnh phản ánh rõ ràng cổ tức và chia tách. Mẹo không phải là nhiều dữ liệu hơn. Đó là cách đại diện. Thay vì coi chuỗi thời gian như các chuỗi, bài báo coi các cửa sổ giá lăn như các đối tượng không gian. Mỗi cửa sổ trở thành một ma trận có cấu trúc, gần giống như một hình ảnh hơn là một biểu đồ. Điều đó cho phép các bộ lọc tích chập phát hiện các mẫu cục bộ như sự thay đổi động lượng, cụm biến động và sự đứt gãy cấu trúc từ các hành động của công ty. Điều này vay mượn trực giác từ thị giác máy tính, không phải kinh tế học cổ điển. Tập dữ liệu trải dài lên đến hai mươi năm cho mỗi cổ phiếu với giá cả đạt tiêu chuẩn của tổ chức. Mười kênh cung cấp cho mô hình, và các cửa sổ trượt tạo ra các mẫu huấn luyện dày đặc mà không cần thủ thuật tổng hợp. Chuẩn hóa giữ cho mọi thứ không thay đổi theo quy mô giữa các đặc điểm. Về kiến trúc, đây là một CNN 1D sâu. Các lớp đầu tiên tập trung vào cấu trúc ngắn hạn. Các lớp sâu hơn nắm bắt các xu hướng dài hạn. So với các mô hình hồi tiếp, CNN xử lý các đợt tăng biến động và các cú nhảy do sự kiện gây ra với độ ổn định cao hơn. Nhiệm vụ là đơn giản nhưng nghiêm ngặt: dự đoán hướng đi, không phải lợi nhuận, trên các khoảng thời gian từ vài ngày đến một tháng. Việc huấn luyện được điều chỉnh cẩn thận, và sự hội tụ trông sạch sẽ hơn là đáng ngờ. Kết quả là điều khiến mọi người cảm thấy không thoải mái. Nhiều cổ phiếu vốn hóa lớn đạt độ chính xác xác thực trong khoảng cao 80 và thấp 90. JP Morgan đạt khoảng 91 phần trăm trên các khoảng thời gian dài hơn. Các đường cong gợi ý việc học thực sự, không phải là một sự phù hợp nhanh chóng. Tác giả vẫn thận trọng. Điều này không mô hình hóa chi phí, thực hiện, hoặc trượt giá. Nhưng nó cho thấy một điều quan trọng. Các mô hình sâu có thể nội tâm hóa cơ chế thị trường trực tiếp từ các tensor giá thô, bao gồm cả những biến dạng mà hầu hết các quy trình làm mịn đi. Ý nghĩa lớn hơn cắt sâu. Kỹ thuật đặc trưng có thể ít quan trọng hơn cách bạn định hình dữ liệu. Bằng cách chọn thiên kiến quy nạp đúng, mô hình học được cấu trúc mà con người thường cố gắng mã hóa thủ công. Xem xét các chuỗi thời gian tài chính như các đối tượng giống như hình ảnh không phải là một trò hề. Đó là một sự thay thế nghiêm túc cho hàng thập kỷ giả định được chế tác thủ công, và nó thách thức ý tưởng rằng các thị trường không thể đọc được nếu không có sự can thiệp nặng nề của con người. ...