1. 因子IC基础概念
各位同学好，我是老张。今天咱们聊聊因子IC——这个在量化选股里绕不开的核心指标。
说实话，我刚开始做量化那会儿，对IC也是一知半解。直到有一次，我辛辛苦苦构建了一个因子，回测收益曲线漂亮得不行，结果实盘一跑就崩了。后来才发现，问题就出在IC上。嗯，从那以后，我再也不敢小看这个指标了。
什么是因子IC
IC，全称是Information Coefficient，中文叫信息系数。说白了，它就是衡量因子预测能力的一个数字。
你想想看，我们构建因子的目的是什么？不就是想用它来预测股票未来的收益吗？那怎么知道这个因子靠不靠谱呢？IC就是干这个的。
具体来说，IC衡量的是：因子值和未来收益之间的相关性。如果IC为正且显著，说明因子值高的股票未来收益也高；反之，IC为负且显著，说明因子值高的股票未来收益反而低。
核心理解：IC就是因子与未来收益之间的"默契程度"。默契越高，因子越靠谱。
IC的定义与数学公式
IC的数学定义其实很简单。最常用的有两种：
1. 秩相关系数（Spearman Rank IC）
我个人习惯用这种。它计算的是因子排名与收益排名之间的相关性。公式如下：
IC = 1 - (6 * Σdᵢ²) / (n * (n² - 1))其中：
- dᵢ = 第i只股票的因子排名 - 收益排名
- n = 股票数量
为什么我偏爱秩相关系数？因为它在实际项目中更稳健。我记得有一次，某个因子值分布特别偏，用皮尔逊相关系数算出来IC只有0.02，但换成秩相关系数，IC是0.15。后来实盘验证，确实是秩相关系数更准。
2. 皮尔逊相关系数（Pearson IC）
这个就是标准的线性相关系数：
IC = Cov(因子值, 未来收益) / (σ_因子 * σ_收益)它假设因子和收益是线性关系。但说实话，金融市场里线性关系很少见。所以我建议你优先用秩相关系数。
| IC类型 | 优点 | 缺点 | 我推荐 |
|---|---|---|---|
| Spearman Rank IC | 对异常值不敏感，稳健 | 丢失部分数值信息 | ⭐⭐⭐⭐⭐ |
| Pearson IC | 保留完整数值信息 | 对异常值敏感，假设线性 | ⭐⭐⭐ |
IC与因子收益的关系
这里有个容易混淆的点。因子收益和IC，听起来像是一回事，其实不是。
因子收益，指的是你根据因子构建投资组合后，这个组合能赚多少钱。而IC，是因子本身对未来收益的预测能力。
举个例子：
- IC高 → 因子预测能力强 → 理论上因子收益应该好
- 因子收益好 → 可能是运气，也可能是IC确实高
我在项目中遇到过这样的情况：某个因子过去3年的IC均值只有0.03，但因子收益却年化15%。为什么？因为那几年市场风格正好契合这个因子。后来风格切换，因子收益直接变负。这就是只看收益不看IC的后果。
避坑指南：我曾经以为因子收益高就等于IC高，结果被市场狠狠教育了一顿。记住：因子收益是结果，IC是原因。不要用结果倒推原因。
IC的统计学意义
IC不是算出来就完事了。你得问自己三个问题：
- IC显著吗？——统计上是不是真的有效，还是纯属巧合
- IC稳定吗？——是不是每个月都差不多，还是忽高忽低
- IC够大吗？——绝对值够不够大，能不能覆盖交易成本
关于显著性，我一般用t检验。公式很简单：
t = IC * sqrt(n - 2) / sqrt(1 - IC²)其中n是样本期数。如果|t| > 1.96，说明IC在95%置信水平下显著。
关于稳定性，我习惯看IC的IR（Information Ratio）：
IR = mean(IC) / std(IC)IR大于0.5算不错，大于1就是优秀。我见过最好的因子IR到过1.8，但那是特例，别太当真。
我的经验：新手容易犯的错是只看IC均值，不看标准差。一个IC均值0.1但标准差0.3的因子，还不如IC均值0.05但标准差0.1的因子靠谱。稳定压倒一切。
知识体系总览
下面这张图，是我自己总结的因子IC知识框架。你把它存下来，后面学起来会轻松很多。
这张图把IC的核心知识点串起来了。你从中心开始，沿着四个方向展开：定义、公式、与收益的关系、统计学意义。每个方向再往下细化。这样学起来，脑子里就有个清晰的框架。
好了，这一章就到这里。记住：IC是因子研究的起点，也是终点。你后面学的一切，最终都要回到IC上来检验。
公众号:蓝海资料掘金营，微信deep3321