4. 单因子分析框架：IC分析、IR分析、分组收益分析、多空组合收益分析

单因子分析是量化选股策略的基石。本章围绕四个核心维度构建评估框架：IC分析衡量因子预测方向的能力，IR分析评估预测的稳定性，分组收益分析检验因子对收益的区分度，多空组合收益分析则直接模拟因子对冲策略的绝对表现。

4.1 单因子分析四维框架总览

下表对比了四个分析维度的核心目标、关键指标与适用场景：

4.2 IC分析：因子预测方向与强度

IC（Information Coefficient） 衡量因子值与未来收益之间的相关性。常用的IC计算方法有两种：

• Pearson IC： 因子值与收益的线性相关系数，反映线性关系强度。
• Spearman Rank IC： 因子值与收益的秩相关系数，对异常值更稳健，更关注排序关系。

IC分析的核心输出指标：

4.3 IR分析：因子预测稳定性

IR（Information Ratio） 是IC均值与IC标准差的比值，衡量单位风险下获得的预测收益。IR越高，因子越稳定可靠。

# Python 计算 IC 与 IR 示例
import numpy as np
import pandas as pd

def calculate_ic_ir(factor_values, forward_returns, method='spearman'):
    """
    计算因子IC序列与IR
    factor_values: DataFrame, 每列为因子值
    forward_returns: DataFrame, 每列为未来收益
    method: 'pearson' 或 'spearman'
    """
    ic_series = factor_values.corrwith(forward_returns, method=method)
    ic_mean = ic_series.mean()
    ic_std = ic_series.std()
    ir = ic_mean / ic_std if ic_std != 0 else 0
    ic_win_rate = (ic_series > 0).mean()
    
    return {
        'ic_mean': ic_mean,
        'ic_std': ic_std,
        'ir': ir,
        'ic_win_rate': ic_win_rate,
        'ic_series': ic_series
    }

# 使用示例
result = calculate_ic_ir(factor_df, return_df, method='spearman')
print(f"Rank IC均值: {result['ic_mean']:.4f}")
print(f"IR: {result['ir']:.4f}")
print(f"IC胜率: {result['ic_win_rate']:.2%}")

IR的行业经验阈值：

• IR < 0.5： 因子预测不稳定，需谨慎使用。
• 0.5 ≤ IR < 1.0： 因子有一定稳定性，可纳入候选池。
• IR ≥ 1.0： 因子预测稳定且信噪比高，具备实战价值。

4.4 分组收益分析：检验收益区分度

分组收益分析将股票按因子值从小到大分为N组（通常5组或10组），计算每组在未来持有期的平均收益，观察收益是否随因子值单调变化。

分组分析的关键检查点：

1. 单调性： 收益是否随因子值单调递增或递减？单调性越强，因子区分度越好。
2. 多空收益差： 最高组与最低组的收益差是否显著？差值越大，因子潜在收益越高。
3. 组间分离度： 相邻组之间的收益差距是否均匀？不均匀可能暗示非线性关系。

4.5 多空组合收益分析：模拟实战表现

多空组合分析模拟做多因子值最高的组（多头），同时做空因子值最低的组（空头），计算对冲后的净值曲线。这是最接近实际交易的评估方式。

多空组合的核心评估指标：

# Python 多空组合收益计算示例
def long_short_portfolio(group_returns, long_group=5, short_group=1):
    """
    计算多空组合净值
    group_returns: DataFrame, 列为分组编号, 行为日期
    long_group: 多头组编号（最高因子值组）
    short_group: 空头组编号（最低因子值组）
    """
    long_ret = group_returns[long_group]
    short_ret = group_returns[short_group]
    # 多空收益 = 多头收益 - 空头收益
    ls_returns = long_ret - short_ret
    # 计算累计净值
    ls_nav = (1 + ls_returns).cumprod()
    
    # 计算绩效指标
    annual_return = ls_nav.iloc[-1] ** (252 / len(ls_nav)) - 1
    annual_vol = ls_returns.std() * np.sqrt(252)
    sharpe = annual_return / annual_vol if annual_vol != 0 else 0
    max_drawdown = (ls_nav / ls_nav.cummax() - 1).min()
    
    return {
        'nav': ls_nav,
        'annual_return': annual_return,
        'annual_vol': annual_vol,
        'sharpe': sharpe,
        'max_drawdown': max_drawdown
    }

# 使用示例
result = long_short_portfolio(group_returns_df)
print(f"多空组合年化收益: {result['annual_return']:.2%}")
print(f"夏普比率: {result['sharpe']:.2f}")
print(f"最大回撤: {result['max_drawdown']:.2%}")

4.6 四维分析结果交叉验证

单因子分析的四个维度不是孤立的，需要交叉验证才能得出可靠结论。以下是一个典型的交叉验证流程：