在上一篇文章中，我們討論了子圖指標選擇的邏輯思路和實踐環節的注意事項，並在文章末尾留下了兩個互動問題。 本文將沿用上一節的思路，嘗試討論和解決所選指標的相關性如何判斷，以及遇到相關性相關的指標時如何處理的問題，並在此基礎上提供子圖中指標選擇的具體步驟和標準。
我們打算設計乙個同大鑫子圖指標系統，作用是**管理的量化提示，核心計算公式是**=2*勝率-1，目前的進展是從數理統計的角度解決“勝率”的定量問題。
之前，我們將指標的相關性定義為公式（或邏輯）在指標的最低水平是否相同，因為公式是指標勝率的關鍵因素，或者說是影響預期回報的概率。 這是根據直覺常識給出的簡單定義，目的是使其更容易理解。
讓我們以 KDJ 指標為例。 在同大新**介面，按CTRL+S快捷鍵，我們調出“程式交易評估系統”，選擇KDJ交易，然後下一步，所有設定均由系統預設使用，在品種中選擇中國平安（隨機選擇），然後開始評估。 系統顯示勝率為7143%。
如果您在“設定報告”頁面上，請單擊“優化引數”，勾選彈出對話方塊中的所有框，然後單擊“開始評估”。 該操作意味著根據相同的條件逐個回測KDJ引數組合，總共有360個組合。 其效果相當於將 360 個高度相關的指標放在一起。 此時，總勝率降低到4412%，大幅下降。
通過上面的簡單對比，可以直觀地感受到高相關指標組對最終結果的影響。 但是，通大鑫的基礎指標很多，成百上千，變形無數，如果乙個乙個的去人工判斷，效率低，就會有很大的誤差。
那麼如何科學判斷指標的相似性呢？ 在這裡，讓我們換個角度思考。 將這些指標視為量化交易中的因素（實際上，它們被稱為技術指標因素）。 成交量和價格交易中有乙個多因素策略，已經是乙個成熟的策略，裡面有多因素相關處理。
下面**是多因子策略中挖掘因子的過程，如果將因子換成技術指標，是否和我們選擇子圖表指標的邏輯思路相同。
具體解釋一下：
1.選擇有效n個因子：
在量化中，評價**良率有效性的評價方法是IC和IR值，鬆動濾波條件為IC 002，ir＞0.3。哪裡：
1）IC是資訊係數，代表因子***返回的能力。IC的計算方法是計算再平衡週期開始時所有**的排名與再平衡週期結束時的收益排名之間的線性相關係數（correlation）。 IC越大，選股能力越強。
2）IR是資訊比率，它代表了因子在歷史上表現的穩定性。IR = IC 平均值 IC 的波動性。 不同歷史時期的因素表現可能會有很大差異，有時表現很好，有時表現很差，表現在IC上，即IC的波動性非常大。 假設均值IC為常數，IC的波動性越小，因子效能越穩定，IR越大。
2、因素相關性分析：
計算因子IC序列的Spearman相關係數。 具體的計算原理和過程太學術了，有興趣的可以上網搜尋一下。 一般來說，與同一類別的相關性更強; 不同類別之間的相關性較弱。
現在，讓我們回到文章開頭的兩個問題。 通過上述介紹，在定量多因素策略中給出了科學的解決方案。 計算過程複雜，需要使用python，但不能直接在通大信中實現。
那麼就有兩種解決方案了，一種是編寫自己的python程式，搭建乙個指標評估框架，然後把所有可訪問的指標都扔進去，讓系統執行，最後輸出乙個結果。 這個太複雜了，門檻很高，效益科學，準確率高。 二是簡化條件，降低要求和精度，以滿足同大鑫環境的要求。
對於初始版本，重點是框架，所以我選擇了第二個選項，簡化條件和要求，在同大信中，我們用勝率代替IC，用夏普比率代替IR。 在實際操作中，給出了選擇子圖表指標的具體步驟和標準：
基於同大新系統自帶的指標樹，每個指標都用歷史5年的資料進行回測，並保留回測報告;
在回測結果中，選擇勝率為50%的指標;
在回測結果中，選擇夏普比率（= alpha yield beta yield ） 1;
篩選後的剩餘指標按照評分公式從大到小排序=勝率*權重1+夏普比*權重2;
根據同大鑫系統的自動索引樹框架，根據篩選索引樹的自動索引樹框架建立新的索引樹;
在新的指標樹中，僅保留同一類別中的指標，並在步驟 4 中得分最高，其餘指標將從新指標樹中刪除。
重新篩選後保留的指標是為子圖選擇的指標。
對網路上其他基本指標的變體重複上述步驟，以更新和迭代子圖指標。
上述步驟介紹了指標選擇和迭代更新的具體操作步驟和標準。 初始權重 1 和權重 2 可以設定為 05、可以靈活調整，勝率和夏普比，更要注意哪個權重，只要權重1+權重2=1即可。
在下一節中，我們將按照上述步驟和標準來篩選同大新的基本指標，看看它的效果如何。 因為指標多，會比較費時，我們邊做邊分享後續結果。
end】