2. IC（信息系数）基础概念

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。它刻画了因子值对下期收益率的单调预测性——即因子值越高，下期收益是否也越高（或越低）。IC 的绝对值越大，因子的预测信号越强；IC 的符号则指示因子是正向还是反向预测。

2.1 IC 的两种定义：Rank IC 与 Pearson IC

根据计算相关性的方式不同，IC 分为两种主流形式：

2.2 IC 的计算公式

2.2.1 Pearson IC 公式

Pearson IC 即因子值向量 F 与下期收益向量 R 的皮尔逊相关系数：

Pearson IC = cov(F, R) / (σ_F × σ_R)

其中：
cov(F, R) = 因子值与收益的协方差
σ_F      = 因子值的标准差
σ_R      = 收益的标准差

2.2.2 Rank IC 公式

Rank IC 先将因子值和收益分别转换为排名（秩），再计算排名的皮尔逊相关系数，即斯皮尔曼秩相关系数：

Rank IC = 1 - (6 × Σdᵢ²) / (n × (n² - 1))

其中：
dᵢ = 第 i 只股票的因子排名 - 收益排名
n  = 股票数量（截面样本数）

2.3 IC 的统计意义：预测能力衡量

IC 的统计意义可以从以下几个维度理解：

• 方向性：IC > 0 表示因子正向预测（因子值越大，收益越高）；IC < 0 表示因子反向预测（因子值越大，收益越低）。
• 强度：|IC| 越接近 1，预测能力越强；|IC| 接近 0，预测能力弱。
• 稳定性：单期 IC 有噪声，通常需要观察 IC 的时间序列均值（Mean IC）和标准差（Std IC），并计算 ICIR（信息系数比率） = Mean IC / Std IC，衡量因子预测的风险调整后能力。
• 显著性：通过 t 检验判断 IC 是否显著不为 0。t 值 = Mean IC / (Std IC / √N)，其中 N 为截面期数。

2.4 IC 的实战解读框架

在实际因子研究中，通常从以下三个层面评估 IC：

1. 截面 IC 分布：观察 IC 的均值、标准差、正负比例、t 统计量。
2. IC 时序图：绘制 IC 随时间变化的折线图，直观判断因子预测能力的稳定性。
3. 分组收益与 IC 的联动：将股票按因子值分组，观察多头组与空头组的收益差是否与 IC 方向一致。

2.5 关键总结