2. Rank IC 定义与计算：Spearman 秩相关系数

Rank IC（Rank Information Coefficient）是量化因子评价中最核心的指标之一，用于衡量因子预测值与未来收益之间的单调相关性。与传统的 Pearson 相关系数不同，Rank IC 不依赖数值的线性关系，而是基于排序（秩次）计算，因此对极端值和非线性关系具有天然的鲁棒性。

2.1 Spearman 秩相关系数：Rank IC 的数学基础

Rank IC 的数学本质就是 Spearman 秩相关系数。它通过将原始数据转换为秩次（rank），然后计算秩次之间的 Pearson 相关系数来得到。

定义公式：

Rank IC = ρ_s = 1 - (6 * Σ d_i²) / (n * (n² - 1))

其中：

• d_i = 第 i 只股票因子秩次与收益秩次的差值
• n = 股票数量
• ρ_s ∈ [-1, 1]

计算步骤：

1. 对每只股票的因子值进行排序，得到因子秩次 R_f(i)
2. 对每只股票的未来收益进行排序，得到收益秩次 R_r(i)
3. 计算每只股票的秩次差 d_i = R_f(i) - R_r(i)
4. 代入 Spearman 公式计算最终系数

2.2 Rank IC 与 Pearson IC 的区别

Pearson IC 衡量的是因子值与收益之间的线性相关性，而 Rank IC 衡量的是秩次单调相关性。两者在量化因子评价中有本质差异。

2.3 Rank IC 的计算公式与 Python 实现

在实际量化研究中，我们通常使用 Python 的 scipy.stats.spearmanr 或 pandas 的 corr(method='spearman') 来计算 Rank IC。下面给出两种常用实现方式。

方法一：使用 scipy.stats.spearmanr

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

# 示例数据：因子值和未来收益
factor_values = np.array([2.5, 1.8, 3.2, 0.9, 4.1, 2.0, 3.8, 1.5])
future_returns = np.array([0.05, 0.02, 0.08, -0.01, 0.12, 0.03, 0.10, 0.01])

# 计算 Rank IC
rank_ic, p_value = spearmanr(factor_values, future_returns)

print(f"Rank IC: {rank_ic:.4f}")
print(f"P-value: {p_value:.4f}")

方法二：手动计算（理解原理）

import numpy as np
import pandas as pd

def calculate_rank_ic(factor, returns):
    """
    手动计算 Rank IC（Spearman 秩相关系数）
    
    Parameters:
    factor: array-like, 因子值
    returns: array-like, 未来收益
    
    Returns:
    rank_ic: float, Rank IC 值
    """
    # 1. 转换为 pandas Series 以便处理 NaN
    f = pd.Series(factor)
    r = pd.Series(returns)
    
    # 2. 去除缺失值
    valid = f.notna() & r.notna()
    f_clean = f[valid]
    r_clean = r[valid]
    
    n = len(f_clean)
    if n < 3:
        return np.nan
    
    # 3. 计算秩次
    rank_f = f_clean.rank()
    rank_r = r_clean.rank()
    
    # 4. 计算秩次差
    d = rank_f - rank_r
    d_squared = d ** 2
    
    # 5. Spearman 公式
    rank_ic = 1 - (6 * d_squared.sum()) / (n * (n ** 2 - 1))
    
    return rank_ic

# 使用示例
factor = [2.5, 1.8, 3.2, 0.9, 4.1, 2.0, 3.8, 1.5]
returns = [0.05, 0.02, 0.08, -0.01, 0.12, 0.03, 0.10, 0.01]

rank_ic = calculate_rank_ic(factor, returns)
print(f"手动计算 Rank IC: {rank_ic:.4f}")

方法三：面板数据（多期）Rank IC 计算

在因子研究中，我们通常需要计算时间序列上的 Rank IC，即每个截面期（如每月）计算一次 Rank IC，然后观察其均值和稳定性。

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

def panel_rank_ic(factor_df, return_df):
    """
    计算面板数据的 Rank IC 时间序列
    
    Parameters:
    factor_df: DataFrame, index=日期, columns=股票代码, values=因子值
    return_df: DataFrame, index=日期, columns=股票代码, values=未来收益
    
    Returns:
    rank_ic_series: Series, 每个时间截面的 Rank IC
    """
    dates = factor_df.index
    rank_ic_list = []
    
    for date in dates:
        f = factor_df.loc[date]
        r = return_df.loc[date]
        
        # 去除缺失值
        valid = f.notna() & r.notna()
        if valid.sum() < 10:  # 至少需要10只股票
            rank_ic_list.append(np.nan)
            continue
        
        ic, _ = spearmanr(f[valid], r[valid])
        rank_ic_list.append(ic)
    
    rank_ic_series = pd.Series(rank_ic_list, index=dates)
    return rank_ic_series

# 使用示例
# factor_df = pd.DataFrame(...)  # 因子面板数据
# return_df = pd.DataFrame(...)  # 收益面板数据
# rank_ic_ts = panel_rank_ic(factor_df, return_df)
# print(f"平均 Rank IC: {rank_ic_ts.mean():.4f}")
# print(f"Rank IC 标准差: {rank_ic_ts.std():.4f}")
# print(f"Rank IC IR: {rank_ic_ts.mean() / rank_ic_ts.std():.4f}")

2.4 Rank IC 的统计性质与解读