2. IC 基础概念：信息系数 (IC) 的定义、计算方法与统计意义

信息系数 (Information Coefficient, IC) 是量化因子评价体系中最核心的指标之一，用于衡量因子对股票未来收益的预测能力。简单来说，IC 反映了因子值与未来收益之间的相关性强度与方向。

2.1 IC 的定义

在量化风控与多因子模型中，IC 被定义为：在某一截面上，所有股票的因子暴露值与未来一期收益之间的相关系数。其数学本质是检验因子是否具备“选股能力”——即因子值高的股票是否在未来表现更好（正相关），或因子值低的股票表现更好（负相关）。

2.2 IC 的计算方法

IC 的计算主要分为两种：Spearman 秩相关系数和Pearson 线性相关系数。两者在应用场景和鲁棒性上存在显著差异。

Spearman IC 计算步骤

1. 排序： 对截面内所有股票的因子值进行排序，得到秩次 R_factor；同时对未来一期收益进行排序，得到秩次 R_return。
2. 计算差值： 对每只股票，计算秩次差 d = R_factor - R_return。
3. 代入公式：

Spearman IC = 1 - (6 * Σ(d²)) / (n * (n² - 1))

其中：
- d  = 每只股票的因子秩次与收益秩次之差
- n  = 截面内股票总数
- Σ(d²) = 所有股票秩次差的平方和

Pearson IC 计算步骤

1. 标准化（可选）： 对因子值和收益进行去均值或 Z-score 处理。
2. 计算协方差与标准差： 计算因子值与收益的协方差 Cov(factor, return)，以及各自的标准差 σ_factor 和 σ_return。
3. 代入公式：

Pearson IC = Cov(factor, return) / (σ_factor * σ_return)

2.3 IC 的统计意义

IC 不仅仅是一个数值，它承载着重要的统计推断意义。在因子监控中，我们通常关注以下三个层面：

• 方向性： IC > 0 表示因子正向预测收益（因子值越大，收益越高）；IC < 0 表示反向预测。
• 显著性： 单期 IC 是否显著不为 0？通常通过 t 检验判断：t = IC * sqrt((n-2) / (1 - IC²))，若 |t| > 1.96（5% 置信水平），则认为该期 IC 统计显著。
• 稳定性： 单期 IC 波动较大时，即使均值较高，因子也不可靠。因此需要结合 IC 的时序标准差（IC_std）和 ICIR（信息系数比率）来综合评估。

2.4 IC 计算流程示意图

下图展示了从原始因子数据到最终 IC 值的完整计算链路，帮助理解数据流转与关键处理节点。

2.5 IC 与 ICIR 的关系

单期 IC 只能反映因子在某一时刻的表现，而因子监控更关注其长期稳定性。因此引入 ICIR（信息系数比率）：

ICIR = mean(IC_series) / std(IC_series)

其中：
- mean(IC_series) = 一段时间内（如过去 12 个月）IC 的均值
- std(IC_series)  = 同一时段 IC 的标准差

ICIR 衡量的是因子预测能力的风险调整后收益。ICIR 越高，说明因子不仅预测能力强，而且表现稳定，不易出现大幅回撤。通常认为 ICIR > 0.5 的因子具备实际应用价值。