Tämä Stanfordin artikkeli tekee aukon yhteen rahoituksen suosikkitekosyistä: "data on liian meluisa." Vuosikymmenten ajan kvantitatiivit ovat väittäneet, että raakahinnat ovat hyödyttömiä ilman käsintehtyjä indikaattoreita päälle. Tämä artikkeli esittää puhtaamman kysymyksen. Entä jos signaali on jo olemassa ja olemme vain katsoneet sitä väärästä näkökulmasta? Kirjoittaja rakentaa mallin, joka ennustaa nousu- ja laskuliikkeitä S&P 500 -osakkeille pelkästään raakahintatietojen perusteella. Ei merkkejä. Ei faktorikirjastoja. Vain päivittäinen OHLCV plus korjatut hinnat, jotka nimenomaisesti heijastavat osinkoja ja osinkoja. Temppu ei ole lisää dataa. Se on edustusta. Sen sijaan, että aikasarjoja käsiteltäisiin sekvensseinä, artikkeli käsittelee pyöriviä hintaikkunoita avaruudellisina objekteina. Jokaisesta ikkunasta tulee rakenteellinen matriisi, lähempänä kuvaa kuin kaaviota. Tämä mahdollistaa konvoluutiosuodattimien havaitsevan paikallisia kuvioita, kuten momentin siirtymiä, volatiliteetin ryhmittymistä ja rakenteellisia katkoksia yritystoiminnasta. Tämä lainaa intuitiota konenäöstä, ei klassisesta ekonometriasta. Aineisto kattaa jopa kaksikymmentä vuotta per osakkee institutionaalisen tason hinnoittelulla. Kymmenen kanavaa syöttää mallia, ja liukuvat ikkunat luovat tiheitä harjoitusnäytteitä ilman synteettisiä temppuja. Normalisointi pitää kaiken skaalautumattomana eri ominaisuuksien välillä. Arkkitehtonisesti se on syvä 1D-CNN. Varhaiset kerrokset keskittyvät lyhytaikaiseen rakenteeseen. Syvemmät kerrokset nostavat pidempiä trendejä. Toistuviin malleihin verrattuna CNN käsittelee volatiliteettipiikkejä ja tapahtumalähtöisiä hyppyjä vakaammin. Tehtävä on yksinkertainen mutta tiukka: ennusta suunta, älä paluuta, horisonttien yli muutamasta päivästä kuukauteen. Koulutus on tarkasti säädetty, ja konvergenssi näyttää siistiltä, ei epäilyttävältä. Tulokset saavat ihmiset tuntemaan olonsa epämukavaksi. Useat suuret yhtiöyhtiöt saavuttavat validointitarkkuuden ylä- ja 90-luvun tienoilla. JP Morgan saavuttaa noin 91 prosenttia pidemmällä aikavälillä. Käyrät viittaavat todelliseen oppimiseen, eivät nopeaan ylisovitteluun. Kirjoittaja pysyy varovaisena. Tämä ei mallintaa kustannuksia, toteutusta tai laskua. Mutta se osoittaa jotain tärkeää. Syvämallit voivat sisäistää markkinamekaniikat suoraan raakahintatensoreista, mukaan lukien vääristymät, jotka useimmat putket tasoittavat. Suurempi vihje sattuu syvälle. Ominaisuussuunnittelulla voi olla vähemmän merkitystä kuin se, miten kehystät datan. Valitsemalla oikean induktiivisen harhan malli oppii rakenteen, jota ihmiset yleensä yrittävät kovakoodata. Taloudellisten aikasarjojen käsittely kuvamaisina esineinä ei ole temppu. Se on vakava vaihtoehto vuosikymmenten käsintehdyille oletuksille, ja se haastaa ajatuksen, että markkinoita ei voi lukea ilman raskasta ihmisen vaikutusta. ...