2. IC定义与数学原理：IC的数学公式与统计意义

信息系数（Information Coefficient，IC）是量化回测中衡量因子预测能力最核心的统计指标。它本质上衡量的是因子值与未来收益之间的相关性。IC值越高，说明因子对收益的预测能力越强；IC值接近0，说明因子无预测能力；IC值为负，说明因子具有反向预测能力。

2.1 Pearson相关系数（皮尔逊IC）

Pearson相关系数衡量两个连续变量之间的线性相关程度。在量化场景中，它直接计算因子值向量与未来收益向量之间的线性相关性。

数学公式：

IC_pearson = Σ[(x_i - x̄)(y_i - ȳ)] / √[Σ(x_i - x̄)² · Σ(y_i - ȳ)²]

其中：
x_i = 第i只股票的因子值
y_i = 第i只股票的未来收益
x̄ = 因子值的均值
ȳ = 未来收益的均值
n = 股票数量

取值范围：[-1, +1]

2.2 Spearman秩相关系数（秩IC）

Spearman秩相关系数衡量两个变量之间的单调相关程度，不要求线性关系。它先将因子值和收益值分别转换为排名，再计算排名之间的Pearson相关系数。

数学公式：

IC_spearman = 1 - [6 · Σ(d_i²)] / [n · (n² - 1)]

其中：
d_i = 第i只股票的因子排名 - 收益排名
n = 股票数量

计算步骤：

1. 排序：将股票按因子值从大到小排序，赋予排名1, 2, 3, ..., n
2. 排序：将股票按未来收益从大到小排序，赋予排名1, 2, 3, ..., n
3. 计算差值：对每只股票，计算因子排名与收益排名的差值d_i
4. 代入公式：使用Spearman公式计算最终系数

2.3 两种IC的对比

2.4 IC的统计意义

IC不仅仅是一个数值，它背后承载着重要的统计推断意义：

• 预测方向：IC > 0 表示因子值与收益正相关，因子值越大预期收益越高；IC < 0 表示负相关，因子值越小预期收益越高。
• 预测强度：IC的绝对值越大，预测关系越强。|IC| > 0.05 通常被认为具有统计显著性（在A股市场）。
• 稳定性评估：单期IC波动较大，通常需要观察IC序列（多期IC的时序数据）来评估因子的稳定性。
• 显著性检验：通过t检验判断IC是否显著不为0。t值 = IC · √(n-2) / √(1-IC²)，若|t| > 1.96（95%置信水平），则IC显著。

2.5 IC的统计性质总结

2.6 计算示例：手算Spearman秩IC

假设有5只股票，因子值和未来收益如下：

计算：

IC_spearman = 1 - [6 × 4] / [5 × (25 - 1)]
           = 1 - 24 / 120
           = 1 - 0.2
           = 0.8

IC = 0.8 表示因子排名与收益排名之间存在强正单调关系，因子具有优秀的预测能力。