4. IC计算方法：截面IC、时间序列IC、滚动窗口与加权计算

信息系数（Information Coefficient, IC）是衡量因子预测能力最核心的统计量。根据计算维度和时间窗口的不同，IC 可分为截面IC、时间序列IC、滚动窗口IC以及加权IC。每种方法对应不同的因子评估场景，理解其数学定义与适用边界是因子研究的基础。

4.1 截面IC计算（Cross-Sectional IC）

截面IC在每个时间截面上，计算所有股票因子值与未来收益的秩相关系数（Spearman Rank Correlation）。它衡量的是因子在某一时刻对股票收益的横截面区分能力。

• 计算步骤：
  1. 在时刻 t，获取所有股票的因子值向量 F_t 和未来一期收益向量 R_{t+1}。
  2. 分别对 F_t 和 R_{t+1} 进行排序，得到秩次向量 rank(F_t) 和 rank(R_{t+1})。
  3. 计算两个秩次向量的 Pearson 相关系数，即截面IC。
• 公式：

  IC_t = corr( rank(F_t), rank(R_{t+1}) )

• 特点：对异常值不敏感，适用于多空组合收益分析。

4.2 时间序列IC计算（Time-Series IC）

时间序列IC针对单只股票，计算该股票因子值序列与未来收益序列在时间维度上的相关系数。它衡量的是因子对单只股票收益的时序预测能力。

• 计算步骤：
  1. 选取一只股票 i，获取其在过去 N 期的因子值序列 F_{i, t-N+1 ... t}。
  2. 获取该股票对应未来一期收益序列 R_{i, t-N+2 ... t+1}。
  3. 计算两个序列的 Pearson 或 Spearman 相关系数。
• 公式：

  IC_i = corr( F_i, R_i )

• 特点：需要较长历史数据，适用于高频因子或个股择时策略。

4.3 IC的滚动窗口计算

滚动窗口IC在固定长度的时间窗口内，计算截面IC或时间序列IC的序列，并随时间推移不断更新窗口。它能够动态反映因子预测能力的稳定性与时效性。

• 计算步骤：
  1. 设定窗口长度 L（如 60 天）。
  2. 从第 L 天开始，取 [t-L+1, t] 的截面IC序列。
  3. 计算该窗口内 IC 的均值、标准差、IR（IC均值/IC标准差）。
  4. 窗口向前滑动一天，重复步骤 2-3。
• 应用：滚动窗口IC的稳定性（低波动）和显著性（高均值）是因子有效性的重要判据。

4.4 IC的加权计算

加权IC在计算截面IC时，为不同股票或不同时间点赋予不同权重，以反映信息质量或市场状态的差异。常见的加权方式包括市值加权、波动率加权、时间衰减加权等。

• 加权截面IC公式：

  IC_weighted = Σ w_i * (rank(F_i) - μ_F) * (rank(R_i) - μ_R) / (σ_F * σ_R)

  其中 w_i 为归一化权重，μ_F、μ_R 为加权均值，σ_F、σ_R 为加权标准差。
• 注意事项：
  • 权重必须归一化（Σ w_i = 1）。
  • 加权IC的显著性检验需使用加权统计量，不能直接套用普通t检验。
  • 时间衰减加权常用于滚动窗口IC的序列聚合，提升近期IC的贡献。

4.5 四种IC计算方法的对比总结