一、因子IC分析概述

1.1 因子IC的定义

信息系数（Information Coefficient，IC）是衡量因子预测能力最核心的统计指标。它定义为因子在第 t 期的暴露向量与第 t+1 期个股收益向量之间的截面相关系数。通俗地说，IC 回答了这样一个问题：“当前因子值排名靠前的股票，在下一期是否真的涨得更好？”

根据计算方式的不同，IC 主要分为以下两种类型：

1.2 IC在量化投资中的重要性

IC 是因子投资的“信号质量检测器”。没有 IC 分析，因子开发就如同盲人摸象。其重要性体现在以下四个维度：

1. 预测能力量化：IC 的绝对值大小直接反映因子对收益的预测强度。|IC| 越大，因子越有效。
2. 方向一致性判断：IC 的正负号决定因子是正向选股（IC > 0）还是反向选股（IC < 0）。
3. 稳定性评估：IC 的时间序列标准差（IC_Std）衡量因子预测能力的稳定性。IC 波动越小，因子越可靠。
4. 策略容量与风险控制：通过 IC 的衰减速度（如分层回测中的单调性），判断因子是否已被市场充分挖掘。

1.3 IC分析的基本流程

一次完整的因子 IC 分析通常包含以下 5 个步骤，构成一个闭环迭代框架：

上述流程中，各步骤的核心任务如下：

1.4 IC分析的数学表达

以最常用的 Rank IC 为例，其计算公式为：

Rank IC_t = corr( rank(Factor_{t}), rank(Return_{t+1}) )

其中：
- Factor_{t}  ：第 t 期所有股票的因子值向量
- Return_{t+1}：第 t+1 期所有股票的收益向量
- rank()      ：截面排序函数（升序或降序）
- corr()      ：皮尔逊相关系数

在实际代码实现中，Rank IC 的计算通常借助 scipy.stats.spearmanr 或手动计算排名后的相关系数：

import pandas as pd
import numpy as np
from scipy.stats import spearmanr

def calc_rank_ic(factor_series, return_series):
    """
    计算单期 Rank IC
    factor_series : 当期因子值（Series，index为股票代码）
    return_series : 下期收益（Series，index为股票代码）
    """
    # 对齐索引
    common_idx = factor_series.index.intersection(return_series.index)
    f = factor_series.loc[common_idx]
    r = return_series.loc[common_idx]
    # 计算秩相关系数
    ic, p_value = spearmanr(f, r)
    return ic, p_value

# 示例：计算多期 Rank IC 序列
def calc_ic_series(factor_df, return_df):
    """
    factor_df : 因子值 DataFrame（行=时间，列=股票）
    return_df : 收益 DataFrame（行=时间，列=股票）
    """
    ic_list = []
    for dt in factor_df.index:
        ic, _ = calc_rank_ic(factor_df.loc[dt], return_df.loc[dt])
        ic_list.append(ic)
    return pd.Series(ic_list, index=factor_df.index)