2. IC（信息系数）概念

2.1 IC 的定义

信息系数（Information Coefficient，IC）是量化因子研究中衡量因子预测能力的核心统计量。它表示因子值（如市盈率、动量、波动率等）与未来收益之间的截面相关性。简单来说，IC 回答了这样一个问题：“当前因子排序能在多大程度上预测未来收益排序？”

在截面多因子模型中，IC 通常在每个时间截面（如每月末）计算一次，形成一条 IC 时间序列，用于评估因子的稳定性和有效性。

2.2 IC 的数学公式

IC 最常用的计算方式是 Spearman 秩相关系数，因为它对异常值不敏感，且直接反映排序一致性。公式如下：

IC_t = 1 - (6 * Σ d_i²) / (n * (n² - 1))

其中：

• IC_t：第 t 期的截面信息系数
• d_i：第 i 只股票因子值排名与未来收益排名之差
• n：截面内股票数量

另一种常用形式是 Pearson 相关系数，衡量因子值与收益的线性相关：

IC_t = Cov(F_t, R_{t+1}) / (σ(F_t) * σ(R_{t+1}))

其中 F_t 为 t 期因子值向量，R_{t+1} 为 t+1 期收益向量。实际研究中，Spearman IC 更受青睐，因为它不依赖正态分布假设。

2.3 IC 与因子预测能力的关系

IC 的绝对值大小直接反映因子预测能力的强弱。以下是业界常用的 IC 评价标准：

• |IC| > 0.05：具有统计意义的预测能力，可作为候选因子
• |IC| > 0.10：较强的预测能力，适合纳入多因子模型
• |IC| > 0.15：非常强的预测能力，需警惕过拟合或数据泄露
• |IC| < 0.02：预测能力极弱，通常视为无效因子

IC 的符号也很重要：正 IC 表示因子值越大未来收益越高（如动量因子）；负 IC 表示因子值越小未来收益越高（如估值因子）。在构建多因子模型时，通常会对负 IC 因子取相反数，使所有因子方向一致。

2.4 IC 的统计显著性

仅仅 IC 数值高还不够，还需要检验其统计显著性，即观察到的 IC 是否可能由随机噪声产生。常用的显著性检验方法包括：

1. t 检验：对 IC 时间序列做单样本 t 检验，原假设为 IC 均值 = 0。

   t = mean(IC) / (std(IC) / sqrt(N))
   p_value = 2 * (1 - CDF(t, df=N-1))

   其中 N 为时间序列长度，df 为自由度。
2. IC 胜率检验：计算 IC > 0 的期数占比，使用二项分布检验。

   胜率 = count(IC > 0) / N
   z = (胜率 - 0.5) / sqrt(0.25 / N)

3. Newey-West 调整：当 IC 序列存在自相关时，使用 Newey-West 标准误修正 t 统计量，避免高估显著性。

2.5 IC 的实践应用要点

• 截面独立性：IC 在每个截面独立计算，不依赖时间序列长度，适合滚动评估。
• 行业中性化：计算 IC 前通常对因子值做行业中性化处理，避免行业暴露带来的虚假相关性。
• IC 衰减：观察 IC 在不同持有期（如 1 天、5 天、20 天）的表现，判断因子有效周期。
• 分组 IC：按市值、波动率等分组计算 IC，检验因子在不同市场环境下的稳定性。