技术指标是受众广泛的选股和交易技术。普通行情软件都附带大量经典技术指标，一般还留有自定义指标的接口，这也从一个侧面反映了技术指标的有效性（无效性），毕竟一种有效的选股/交易指标，为何能轻易免费获取？
      当一个指标受众人认可，则众人据此指标进行交易，买入由此指标选出的标的，标的价格因此上涨，潜在收益下降，指标逐渐失效，这是一个技术指标的生命周期。因此应用技术指标的核心也许是不断寻找新的指标。
      寻找新的技术指标有两个途径，一是从交易逻辑出发构造新指标，这需要对特定标的、特定频率的交易逻辑有深入理解，需要交易经验的长年积累，需要老司机观察市场变化，涌现新思路，才能将这些思路归纳为新的技术指标；另一则是放弃先行的交易逻辑，从底层出发探索新技术指标的可能空间。从定义上看，技术指标是基于交易标的基本价量数据及其衍生计算形成的数据指标。在价、量数据上，可以叠加的算子是可枚举的，由简到繁：
 加、减、乘、除
 取倒数、取对数、平方根、绝对值
 取k日前的值
 同一时间点上，标的之间的排序
 时间序列上的统计量，如移动平均、线性或指数衰减平均、最大值、最小值、波动率
 时间序列之间的统计量，如相关系数、协方差
      基本数据和算子数量都不在少数，再加上一定层数的复合，形成的可能公式空间是爆炸性的；对其中每一个候选公式，在一定长度历史（比如若干年）、一定数量标的（比如全体非ST的A股）计算公式，并对公式与标的收益的预测能力进行评估，都要消耗相当的计算资源，遍历之是不可能的任务。如能以遍历公式来搜寻新指标，那一定已经有人以此找出了所有有效指标，并通过交易、盈利的过程，使这些指标走完了自己的生命周期，这在逻辑上几乎是个悖论。
      合理的模式是，按照某种策略，以一定的路径和随机性搜索可能的公式，以期望提高“遇见”有效指标的概率。这种模式一般称为遗传算法。首先随机的生成一定数量的指标公式（比如1000个），逐个计算并评估他们的选股盈利能力；从中选出比较好的指标（比如选最好的100个），作为本代的优秀代表。然后按照生物遗传进化的方式，对这些优秀代表进行随机的突变（类似生物个体的基因突变），也在他们之间进行交叉互换（类似生物两性杂交），形成下一代的种群；然后一代代反复按此模式进化下去。实际上，这类算法也常以“免疫算法”的面目出现，毕竟生物的进化随机而又漫长，而免疫系统应对新病毒时争分夺秒迭代进化抗体的能力似乎更接近我们用机器的强大算力逼近目标的努力。在有限的算力下，经过3代的进化，我们得到了相对简单的有效公式：rank(div(Volume, Close))；也有相对复杂的有效公式出现：-mul(rank(covariance(high, volume, 10)) , rank(ts_stddev(high, 10)))
      在工程领域，遗传算法常能通过一代代的进化不断提高模型的精度；而对寻找新技术指标的任务来说，投资、交易本是一个充满噪音和不确定性的环境，很难期望算法经过一次反复的迭代，对收益的预测精度能持续的提高，这种结果太过美好，不用推敲即可预先否定。但另一方面，在算法的持续迭代进化过程中，虽然预测精度不会无限提高，但却有可能生成很多相对独立、却有一定预测能力的技术指标，这恰是量化选股系统最重要的一块拼图。