基于神经网络的金融数据建模中PCA去相关的最佳实践问询

各位好，我现在在做金融数据的神经网络建模，卡在PCA去相关的最佳实践上了，想请教下大家的经验。我拿RSI和CCI这两个动量指标来具体说下我的场景：

我做的特征工程包括这些：

• 给每个指标分别计算周期为4、8、16的EMA（指数移动平均线）
• 衍生速度特征：ema4 - ema8 以及 ema8 - ema16
• 再衍生加速度特征：速度特征和它自身EMA的差值

我先看了所有原始特征的相关矩阵，发现原始指标值和它们的各周期EMA之间相关性非常高，速度特征组内部也存在类似的强相关问题。这时候我就纠结了：
是直接对整个特征集合做一次PCA变换，就能捕获大部分有用信息？还是按特征类型分组做PCA（比如原始指标+EMA一组、速度一组、加速度一组）效果更好？

我已经尝试了分组PCA的方式，得到了这些结果：

• 针对原始指标+EMA的特征组，用3个主成分得到的相关矩阵
• 针对速度特征组，用3个主成分得到的相关矩阵
• 针对加速度特征组，用4个主成分得到的相关矩阵

但把这总共10个主成分放在一起后，我发现它们之间还是存在一定的相关性。那这种情况下，对这10个主成分再做一次PCA会不会有帮助？还是说这种做法太冗余复杂了，反而不如直接对整个原始特征集做一次PCA来得高效？

备注：内容来源于stack exchange，提问作者cott7729