https://www.bilibili.com/video/BV1BcW3eLEAn/
使用chatgpt构建基于CRYPTO高频数据的因子库
https://www.bilibili.com/video/BV1sPpfeRE4s/
学习系统性构建交易策略的方法(2)：因子体系和模型迭代升级
https://www.bilibili.com/video/BV1jZ421K7bq/

卷积应用于交易场景的一个核心缺点：卷积提取的特征与当前时间点的联系没有建立起来。这种缺乏时间依赖性的特征提取是卷积在交易数据分析中最大的局限之一。具体而言，这些缺点包括：

一、缺点详细描述

1. 缺乏时间关联性

   局部特征独立性：卷积操作通常只关注局部窗口内的特征，而不考虑这些特征与当前时间点之间的时间关系。比如，识别出的价格高点或低点虽然是局部特征，但这些特征与当前时间点的距离和时间关联性没有直接考虑。

   时序信息丢失：交易数据具有强烈的时间序列特性，当前时间点的价格不仅受最近一段时间的价格变化影响，还与之前更长时间的趋势相关。卷积操作容易忽略这种长期依赖性。

2. 难以捕捉全局趋势

   局部而非全局：卷积核只能捕捉局部特征，无法有效处理全局趋势或模式。这在分析长时间跨度的交易数据时尤其明显，全局趋势往往是交易决策的关键因素。

   特征位置不敏感：卷积核提取的特征对其在时间序列中的具体位置不敏感，但在交易分析中，特征出现的位置和时机是至关重要的。例如，某个特征出现在趋势开始时和出现在趋势结束时的意义完全不同。

3. 时间点的距离缺乏建模

   缺乏时间窗口概念：在交易分析中，特定特征出现的时间窗口或距离当前时间点的远近常常影响决策。卷积操作缺乏对这种时间窗口的显式建模。

事件时序的重要性：交易数据中的关键事件（如价格高点和低点）在时间轴上的位置和顺序对决策至关重要。卷积操作没有能力将这些时序信息有效地嵌入特征中。

二、优化方向建议

为了克服卷积在交易数据分析中的这些缺点，可以考虑以下方法：

1. 结合时序模型：

   将卷积神经网络与时序模型（如LSTM或GRU）结合起来，利用卷积提取局部特征，再通过时序模型捕捉这些特征的时间依赖性。

   例如，使用卷积层提取高维特征图，然后将特征图输入到LSTM网络中，建模特征之间的时间关系。

2. 位置编码：

   在特征提取过程中，加入位置编码，显式表示特征与当前时间点之间的距离。

   位置编码可以帮助模型理解特征在时间轴上的位置，从而更好地进行时序分析。

3. 滑动窗口方法：

  使用滑动窗口技术，分析不同时间窗口内的特征，并将这些特征与当前时间点进行对比。

   通过这种方法，可以动态捕捉特征在不同时间段内的变化和重要性。

    综上所述，卷积操作在交易数据分析中的一个主要缺点是缺乏对时间关联性的建模，导致提取的特征与当前时间点之间的联系不明确。为了解决这个问题，可以结合时序模型、位置编码和滑动窗口技术，从而更好地捕捉和利用交易数据中的时间依赖性特征。