2. IC（信息系数）基础：定义、计算与两种IC的对比

信息系数（Information Coefficient，IC）是因子投资中最核心的绩效评价指标之一。它衡量的是因子预测值与股票未来实际收益之间的相关性。简单来说，IC 回答了这样一个问题：“因子的预测排序与未来的实际收益排序是否一致？”

2.1 IC 的定义与核心逻辑

IC 的本质是相关性。在截面维度上，它计算某一时刻（如每月末）所有股票的因子暴露值与下一期收益之间的相关程度。

• IC > 0：因子值与未来收益正相关，因子值越大，预期收益越高（多头信号）。
• IC < 0：因子值与未来收益负相关，因子值越小，预期收益越高（反向信号，可做空或取反）。
• IC = 0：因子无预测能力，相当于随机噪声。

2.2 IC 的计算公式

IC 的计算分为两种主流方法：Pearson IC（皮尔逊相关系数）和 Rank IC（斯皮尔曼秩相关系数）。

2.2.1 Pearson IC（线性相关系数）

衡量因子值与收益之间的线性相关程度。计算公式如下：

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 只股票的因子暴露值
y_i = 第 i 只股票的未来一期收益
x̄, ȳ = 对应序列的均值

2.2.2 Rank IC（秩相关系数）

衡量因子值与收益之间的单调性关系。它先将因子值和收益值分别排序（赋予秩次），再计算秩次之间的 Pearson 相关系数。计算公式等价于：

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

其中：
d_i = 第 i 只股票的因子秩次与收益秩次之差
n = 股票数量

import numpy as np
from scipy.stats import pearsonr, spearmanr

# 假设 factor_values 和 returns 为 numpy 数组
# Pearson IC
pearson_ic, _ = pearsonr(factor_values, returns)

# Rank IC (Spearman)
rank_ic, _ = spearmanr(factor_values, returns)

print(f"Pearson IC: {pearson_ic:.4f}")
print(f"Rank IC: {rank_ic:.4f}")

2.3 Rank IC 与 Pearson IC 的核心区别

两种 IC 各有侧重，在因子投资实战中，Rank IC 是更常用的指标。下表总结了它们的关键差异：

2.4 两种 IC 的直观对比（SVG 图）

下图展示了同一组因子数据下，Pearson IC 与 Rank IC 的计算逻辑差异。左侧为原始散点图（线性拟合），右侧为秩次散点图（单调拟合）。

2.5 实战选择建议

在《因子IC分析阈值分层实训》课程中，我们默认使用 Rank IC 作为主要分析指标。原因如下：

1. 稳健性优先： 分层测试的核心是看分组收益是否单调，Rank IC 与分组单调性天然一致。
2. 避免异常值干扰： 因子数据常存在极端值（如涨停/跌停、新股、ST 股），Rank IC 不受这些极端值影响。
3. 阈值分层更清晰： 当使用 Rank IC 进行阈值分层时，分位数切割更稳定，不会因为少数极端值导致分层边界偏移。