1. IC 分析基础概念

1.1 信息系数 (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量。它定义为因子在第 t 期的截面暴露度向量与第 t+1 期个股收益向量之间的秩相关系数（Spearman Rank Correlation）或皮尔逊相关系数（Pearson Correlation）。

数学表达式如下：

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

• Rank IC（秩IC）：使用因子排序与收益排序计算，对极端值不敏感，是业界主流选择。
• Normal IC（普通IC）：使用因子原始值与收益原始值计算，对线性关系敏感，易受异常值干扰。

1.2 IC 与因子收益的关系

IC 与因子收益之间存在直接的数学联系。因子收益（Factor Return）是因子模拟组合（Factor Mimicking Portfolio）的收益率，而 IC 决定了该组合的预期收益方向与强度。

一个关键推论：因子收益的期望值 ≈ IC 的均值 × 收益截面标准差。这意味着即使 IC 均值很小（如 0.03），只要收益截面波动足够大，因子仍能产生可观的多空收益。

1.3 IC 在量化选股中的作用

IC 是量化选股策略的“信号质量仪表盘”，贯穿因子开发、组合构建、绩效归因三大环节：

• 因子筛选： 剔除 IC 均值接近零或频繁变号的噪音因子。
• 因子加权： 使用 IC 均值或 IR 作为因子权重分配的依据。
• 动态调整： 监控 IC 时序，当 IC 出现持续衰减或反转时，及时调整因子暴露。
• 风险控制： 低 IC 或负 IC 时期，降低因子权重，避免模型失效。

1.4 IC 的统计特性与阈值设定基础

理解 IC 的统计分布是设定阈值的前提。在零假设（因子无预测能力）下，IC 的期望值为 0，其标准差近似为：

σ(IC) ≈ 1 / sqrt(N - 3)

其中 N 为截面股票数量。例如，当 N=1000 时，σ(IC) ≈ 0.0316。这意味着 95% 置信水平下，IC 的置信区间约为 ±0.062。