Denna Stanford-artikel sätter hål i en av finansvärldens favoritursäkter: "datan är för brusiga." I årtionden har quants hävdat att råpriser är värdelösa utan handgjorda indikatorer ovanpå. Denna artikel ställer en renare fråga. Tänk om signalen redan finns där, och vi bara har sett på den på fel sätt? Författaren bygger en modell som förutspår positiva kontra nedåtgående rörelser för S&P 500-aktier enbart med hjälp av råa prisdata. Inga indikatorer. Bibliotek utan faktor. Bara daglig OHLCV plus justerade priser som uttryckligen speglar utdelningar och splits. Tricket är inte mer data. Det är representation. Istället för att behandla tidsserier som sekvenser behandlar artikeln rullande prisfönster som rumsliga objekt. Varje fönster blir en strukturerad matris, närmare en bild än ett diagram. Det gör att konvolutionella filter kan upptäcka lokala mönster som rörelsemängdsskiften, volatilitetsklustering och strukturella avbrott från företagsaktiviteter. Detta lånar intuition från datorseende, inte klassisk ekonometri. Datasetet sträcker sig över upp till tjugo år per aktie med institutionell prissättning. Tio kanaler matar modellen, och skjutfönstren skapar täta träningsprover utan syntetiska trick. Normalisering håller allt skalningsinvariant mellan funktioner. Arkitektoniskt är det en djup 1D-CNN. Tidiga lager fokuserar på kortsiktig struktur. Djupare lager plockar upp längre trender. Jämfört med återkommande modeller hanterar CNN volatilitetsspikar och händelsedrivna hopp med större stabilitet. Uppgiften är enkel men strikt: förutse riktning, inte återvändningar, över horisonter från några dagar till en månad. Träningen är noggrant justerad och konvergens ser ren ut snarare än misstänkt. Resultatet är det som gör människor obekväma. Flera storbolagsaktier når valideringsnoggrannheter i höga 80- och låga 90-tal. JP Morgan når runt 91 procent på längre sikter. Kurvorna tyder på verkligt lärande, inte en snabb överanpassning. Författaren är försiktig. Detta modellerar inte kostnader, genomförande eller fördröjning. Men det visar något viktigt. Djupa modeller kan internalisera marknadsmekanik direkt från råpristensorer, inklusive distorsioner som de flesta pipelines jämnar ut. Den större implikationen går djupt. Feature engineering kan spela mindre roll än hur du ramar in datan. Genom att välja rätt induktiv bias lär sig modellen struktur som människor vanligtvis försöker hårdkoda. Att behandla finansiella tidsserier som bildliknande objekt är inget trick. Det är ett seriöst alternativ till årtionden av handgjorda antaganden, och det utmanar idén att marknader är oläsliga utan tung mänsklig inblandning. ...