第四节：单因子测试——IC分析、IR分析、分组回测与因子有效性评估

单因子测试，说白了就是给每个候选因子做“体检”。

我刚开始做量化那会儿，总喜欢堆砌因子，觉得越多越好。结果呢？回测曲线漂亮得不行，实盘一跑就露馅。后来我才明白——因子不是越多越好，关键是每个因子都得经得起检验。

这一节，我们就来聊聊怎么给因子做全面体检。核心就四步：IC分析、IR分析、分组回测、有效性评估。

4.1 IC分析——因子与收益的相关性检验

IC，全称是Information Coefficient，信息系数。它衡量的是因子值与未来收益之间的相关性。

我个人习惯用Spearman秩相关系数，而不是普通的Pearson相关系数。为什么？因为秩相关对极端值不敏感，更稳健。你想想看，A股市场动不动就出个涨停跌停，用Pearson很容易被带偏。

来看代码实现：

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

def calc_ic(factor_series, return_series, method='rank'):
    """
    计算单期IC值
    :param factor_series: 因子值序列
    :param return_series: 下期收益序列
    :param method: 'rank' 或 'normal'
    :return: IC值
    """
    if method == 'rank':
        ic, p_value = spearmanr(factor_series, return_series)
    else:
        ic = factor_series.corr(return_series)
    return ic

# 实战中，我们通常计算月度IC
def calc_monthly_ic(factor_df, return_df):
    """
    计算月度IC序列
    :param factor_df: 因子值DataFrame，index为日期，columns为股票
    :param return_df: 下月收益DataFrame
    :return: 月度IC序列
    """
    ic_series = pd.Series(index=factor_df.index)
    for date in factor_df.index:
        ic_series[date] = calc_ic(
            factor_df.loc[date], 
            return_df.loc[date]
        )
    return ic_series

嗯，这里要注意：IC值不是越高越好。IC的绝对值在0.05以上就算不错了，超过0.1就是很优秀的因子。我见过有人拿IC=0.3的因子当宝贝，结果一查，样本量才30只股票——这明显是过拟合了。

4.2 IR分析——IC的稳定性比大小更重要

IR，Information Ratio，信息比率。它衡量的是IC的稳定性。

公式很简单：IR = mean(IC) / std(IC)

为什么IR重要？我举个例子你就明白了。

因子A：IC序列为[0.1, -0.1, 0.1, -0.1, 0.1]，均值0.02，标准差0.1，IR=0.2
因子B：IC序列为[0.05, 0.04, 0.06, 0.05, 0.05]，均值0.05，标准差0.007，IR=7.14

因子A的IC均值更高，但波动太大，你根本不敢用它。因子B虽然IC均值低一些，但非常稳定，实盘时你心里有底。

def calc_ir(ic_series):
    """
    计算IR值
    :param ic_series: IC序列
    :return: IR值
    """
    return ic_series.mean() / ic_series.std()

# 顺便算一下IC的胜率——IC为正的比例
def calc_ic_win_rate(ic_series):
    return (ic_series > 0).mean()

我曾经踩过一个坑：有个因子IC均值0.08，IR高达2.3，看起来完美。结果仔细一看，IC序列在2015年股灾期间突然变成负的，直接把组合带沟里了。所以，光看整体IR还不够，还得看IC的时间序列图，看看有没有明显的结构性变化。

4.3 分组回测——最直观的因子检验方法

分组回测，就是把股票按因子值从小到大分成N组，然后看每组未来的收益表现。

理想情况下，第1组（因子值最小）到第N组（因子值最大）的收益应该是单调的。要么递增，要么递减。如果中间有跳跃，说明因子可能有问题。

我一般分5组或10组。分5组看得更宏观，分10组能发现更细微的模式。

def group_backtest(factor_df, return_df, n_groups=5):
    """
    分组回测
    :param factor_df: 因子值DataFrame
    :param return_df: 收益DataFrame
    :param n_groups: 分组数
    :return: 每组收益序列
    """
    group_returns = pd.DataFrame(index=return_df.index, 
                                 columns=range(1, n_groups+1))
    
    for date in factor_df.index:
        # 获取当期的因子值和收益
        factors = factor_df.loc[date].dropna()
        returns = return_df.loc[date]
        
        # 按因子值排序并分组
        sorted_factors = factors.sort_values()
        group_size = len(sorted_factors) // n_groups
        
        for i in range(n_groups):
            start_idx = i * group_size
            end_idx = start_idx + group_size if i < n_groups-1 else len(sorted_factors)
            group_stocks = sorted_factors.index[start_idx:end_idx]
            
            # 计算等权收益
            group_returns.loc[date, i+1] = returns[group_stocks].mean()
    
    return group_returns

4.4 因子有效性评估——综合打分

单个指标都有局限性，我习惯用一套综合评估体系来给因子打分。

我的评估框架包括以下维度：

评估维度	指标	及格线	优秀线
预测能力	IC均值（绝对值）	0.02	0.05
稳定性	IR	0.5	1.0
单调性	分组收益单调性得分	0.6	0.8
多头收益	Top组年化超额收益	5%	10%
空头收益	Bottom组年化超额收益（绝对值）	3%	8%
换手率	因子值月度自相关性	0.6	0.8

每个维度打分（0-100分），然后加权平均。我个人习惯的权重是：IC均值30%、IR 25%、单调性20%、多头收益15%、空头收益10%。

def factor_score(ic_mean, ir, monotonicity, top_return, bottom_return):
    """
    因子综合评分
    """
    score = 0
    score += min(ic_mean / 0.05, 1) * 30  # IC均值
    score += min(ir / 1.0, 1) * 25        # IR
    score += monotonicity * 20             # 单调性
    score += min(top_return / 0.1, 1) * 15 # 多头收益
    score += min(abs(bottom_return) / 0.08, 1) * 10  # 空头收益
    return score

总分超过80分的因子，我才会考虑纳入因子库。60-80分的，需要进一步观察。低于60分的，直接淘汰。

4.5 本章知识体系

下面这张图，是我自己总结的单因子测试全流程。每次做因子研究时，我都会对照着走一遍。

这套流程走下来，一个因子能不能用，基本就心里有数了。记住，因子测试不是一次性工作。市场在变，因子的表现也会变。我建议每季度重新跑一遍测试，及时淘汰失效的因子。

---

公众号:蓝海数据掘金营，微信deep3321