4、IC分析实战：从序列到检验，一步步拆解

好，咱们进入实战环节。IC分析，说白了就是看因子和未来收益之间的“默契程度”。我做了这么多年量化，见过太多因子在回测里漂亮得像仙女，一上实盘就原形毕露。为什么？IC分析没做透。

今天咱们就把IC分析拆成五个步骤：序列计算、均值与标准差、ICIR、衰减分析、分布检验。每一步我都会告诉你，我在项目中踩过哪些坑。

4.1 IC序列计算：别让数据骗了你

IC序列，就是每个时间截面上，因子值和未来收益的相关系数。最常见的做法是Spearman秩相关，因为它对极端值不敏感。

我习惯用Python的scipy.stats.spearmanr，但要注意一点：一定要做行业市值中性化处理。否则你算出来的IC，可能只是行业暴露带来的假象。

import pandas as pd
import numpy as np
from scipy.stats import spearmanr

def calc_ic_series(factor_df, return_df, group_col='date'):
    """
    计算IC序列
    factor_df: 因子值，index为股票代码，columns为日期
    return_df: 未来收益，同上
    """
    ic_series = pd.Series(dtype=float)
    
    for date in factor_df.columns:
        # 对齐数据，去掉缺失值
        valid = factor_df[date].notna() & return_df[date].notna()
        f = factor_df[date][valid]
        r = return_df[date][valid]
        
        if len(f) < 30:  # 样本太少时跳过
            continue
            
        ic, _ = spearmanr(f, r)
        ic_series[date] = ic
    
    return ic_series

# 使用示例
ic_series = calc_ic_series(factor_values, forward_returns)
print(f"IC序列长度: {len(ic_series)}")
print(f"IC序列前5个值:\n{ic_series.head()}")

4.2 IC均值与标准差：因子的“平均表现”和“稳定性”

IC均值，就是IC序列的平均值。正数说明因子和收益正相关，负数就是负相关。绝对值越大，预测能力越强。

但光看均值不够。你想想看，一个因子均值0.05，但标准差0.3，说明它忽正忽负，不稳定。另一个因子均值0.03，标准差0.05，虽然平均效果弱一点，但稳定啊。

我个人习惯用这两个指标来初步筛选因子：

• IC均值 > 0.02（或 < -0.02）
• IC标准差 < 0.15

ic_mean = ic_series.mean()
ic_std = ic_series.std()

print(f"IC均值: {ic_mean:.4f}")
print(f"IC标准差: {ic_std:.4f}")
print(f"IC均值/标准差: {ic_mean/ic_std:.4f}")

4.3 ICIR（信息比率）：因子的“性价比”

ICIR，就是IC均值除以IC标准差。它衡量的是因子每承担一单位波动，能带来多少超额收益。

公式很简单：

ICIR = mean(IC) / std(IC)

但这里有个细节：ICIR需要年化。如果IC序列是日频的，要乘以根号252；周频乘以根号52；月频乘以根号12。

def calc_icir(ic_series, freq='daily'):
    """
    计算年化ICIR
    freq: 'daily', 'weekly', 'monthly'
    """
    ic_mean = ic_series.mean()
    ic_std = ic_series.std()
    
    # 年化因子
    if freq == 'daily':
        annual_factor = np.sqrt(252)
    elif freq == 'weekly':
        annual_factor = np.sqrt(52)
    elif freq == 'monthly':
        annual_factor = np.sqrt(12)
    else:
        annual_factor = 1
    
    icir = (ic_mean / ic_std) * annual_factor
    return icir

icir = calc_icir(ic_series, freq='daily')
print(f"年化ICIR: {icir:.4f}")

4.4 IC衰减分析：因子的“保质期”有多长？

IC衰减分析，就是看因子对未来不同期限收益的预测能力。比如，因子对T+1日收益的IC是0.05，对T+5日收益的IC是0.03，对T+20日收益的IC是0.01。这说明因子的预测能力随时间衰减。

我一般会算未来1、5、10、20、60个交易日的IC，然后画一条衰减曲线。

def calc_ic_decay(factor_df, return_dict, horizons=[1, 5, 10, 20, 60]):
    """
    计算IC衰减
    return_dict: 字典，key为持有期，value为收益DataFrame
    """
    decay_results = {}
    
    for h in horizons:
        ret_df = return_dict[h]
        ic_series = calc_ic_series(factor_df, ret_df)
        decay_results[h] = ic_series.mean()
    
    return decay_results

decay = calc_ic_decay(factor_values, forward_returns_dict)
for h, ic in decay.items():
    print(f"持有期 {h:3d} 天: IC = {ic:.4f}")

4.5 IC分布检验：因子是“真功夫”还是“运气好”？

最后一步，检验IC序列的分布。如果IC序列服从正态分布，均值显著不为0，那说明因子确实有预测能力。否则，可能就是随机波动。

我常用的检验方法：

• t检验：检验IC均值是否显著不为0
• 正态性检验：检验IC序列是否服从正态分布
• 自相关检验：检验IC序列是否存在序列相关性

from scipy import stats

def ic_distribution_test(ic_series):
    """
    IC分布检验
    """
    # 1. t检验：均值是否显著不为0
    t_stat, p_value = stats.ttest_1samp(ic_series, 0)
    
    # 2. 正态性检验
    _, norm_p = stats.normaltest(ic_series)
    
    # 3. 自相关检验（Ljung-Box）
    from statsmodels.stats.diagnostic import acorr_ljungbox
    lb_result = acorr_ljungbox(ic_series, lags=[10], return_df=True)
    
    return {
        't_stat': t_stat,
        't_pvalue': p_value,
        'norm_pvalue': norm_p,
        'lb_pvalue': lb_result['lb_pvalue'].values[0]
    }

test_results = ic_distribution_test(ic_series)
print(f"t检验p值: {test_results['t_pvalue']:.4f}")
print(f"正态性检验p值: {test_results['norm_pvalue']:.4f}")
print(f"自相关检验p值: {test_results['lb_pvalue']:.4f}")

4.6 实战框架图：IC分析全流程

下面这张图，是我做IC分析的标准流程。每次拿到一个新因子，我都会走一遍这个流程。

嗯，这套流程走下来，基本能判断一个因子是不是“真功夫”。但记住，IC分析只是第一步。真正的好因子，还要经过分组回测、多因子模型、压力测试等环节。咱们后面慢慢聊。

好了，IC分析实战就讲到这里。代码我都贴出来了，建议你拿自己的因子跑一遍。遇到问题别慌，回头看看我提到的那些坑，大概率能解决。