3. IC衰减原理：IC衰减曲线的经济学含义、衰减速度与因子半衰期

因子IC（信息系数）并非静态指标，而是随时间推移呈现系统性衰减。理解IC衰减的规律，是量化风控中判断因子有效周期、制定调仓频率和监控预警阈值的核心前提。本节从经济学含义、衰减速度度量以及半衰期计算三个维度展开。

3.1 IC衰减曲线的经济学含义

IC衰减曲线描述了因子预测能力随时间推移而下降的过程。其背后存在三条核心经济学驱动逻辑：

• 套利侵蚀（Arbitrage Decay）： 当市场参与者发现某个因子能稳定预测收益时，资金会涌入该策略，导致因子溢价被快速压缩，预测能力随之下降。
• 结构变迁（Structural Shift）： 宏观经济周期、产业政策或市场微观结构发生变化时，因子与未来收益之间的统计关系发生漂移，原有预测逻辑失效。
• 信息扩散（Information Diffusion）： 因子所包含的增量信息随着时间被市场充分吸收，信息优势逐渐消失，IC自然归零。

3.2 衰减速度与因子半衰期

衰减速度通常用因子半衰期（Half-life）来量化。半衰期定义为因子IC绝对值衰减到初始值一半所需的时间周期（通常以月或交易日为单位）。

半衰期的计算通常采用指数衰减模型拟合：

# 指数衰减模型拟合半衰期
import numpy as np
from scipy.optimize import curve_fit

def exp_decay(t, ic0, lambda_):
    return ic0 * np.exp(-lambda_ * t)

# t: 滞后月数序列, ic_values: 对应滞后期的IC均值
t = np.array([1, 2, 3, 4, 5, 6])
ic_values = np.array([0.08, 0.055, 0.04, 0.03, 0.02, 0.015])

params, _ = curve_fit(exp_decay, t, ic_values, p0=[0.08, 0.3])
ic0, lambda_ = params
half_life = np.log(2) / lambda_
print(f"初始IC: {ic0:.4f}, 衰减速率: {lambda_:.4f}, 半衰期: {half_life:.2f} 个月")

3.3 IC衰减曲线与PSI的联合监控逻辑

IC衰减曲线反映的是因子预测能力的退化，而PSI反映的是因子分布结构的漂移。两者联合监控可以形成完整的因子健康度评估体系：

• IC衰减 + PSI稳定： 因子预测能力下降但分布未变 → 可能是市场套利导致溢价消失，因子需重构或替换。
• IC稳定 + PSI漂移： 因子分布发生结构性变化但预测能力尚存 → 可能是样本外客群迁移，需重新分箱或调整cutoff。
• IC衰减 + PSI漂移： 双重恶化 → 因子已失效，应立即下线并启动因子迭代。

3.4 衰减监控的工程化实现要点

在实际监控系统中，IC衰减曲线的构建需要关注以下工程细节：

1. 滚动窗口计算： 使用固定长度滚动窗口（如24个月）计算每个滞后期的IC均值，避免全量历史数据掩盖近期衰减。
2. 衰减曲线平滑： 对原始IC序列进行指数加权移动平均（EWMA），减少单月异常值对半衰期估计的干扰。
3. 半衰期置信区间： 采用Bootstrap方法对半衰期估计值进行重采样，输出95%置信区间，避免点估计的误导。
4. 与PSI的联动阈值： 当半衰期缩短至历史均值的80%以下时，自动触发PSI深度诊断，形成双指标联合预警。