📚 课程目录第1章 IC定义与基础

1. IC 定义与基础：什么是信息系数

信息系数（Information Coefficient，IC）是量化因子评价中最核心的指标之一。它衡量的是因子对股票未来收益的预测能力——即因子值与未来一期收益之间的相关性。简单来说，IC 回答了这样一个问题：

因子值排名越高的股票，下一期的收益是否也越高？

IC 越高，说明因子对收益的排序预测能力越强；IC 接近于 0，说明因子几乎没有预测能力；IC 为负，则说明因子方向与收益相反，可能是一个反向有效因子。

IC 通常定义为因子值向量与未来一期收益向量之间的Spearman 秩相关系数（Rank IC）或Pearson 线性相关系数（Normal IC）。在实际量化研究中，Rank IC 更为常用，因为它对极端值不敏感，更能反映因子的排序预测能力。

Rank IC 数学公式：

Rank IC = ρ( rank(F_t), rank(R_{t+1}) )

其中：
- rank(F_t)   = 第 t 期因子值的排名向量
- rank(R_{t+1}) = 第 t+1 期收益率的排名向量
- ρ           = Pearson 相关系数（作用于排名后的数据）

Normal IC 数学公式：

Normal IC = Corr( F_t, R_{t+1} )

其中：
- F_t        = 第 t 期因子值向量（原始值）
- R_{t+1}    = 第 t+1 期收益率向量
- Corr       = Pearson 线性相关系数

IC 与因子收益（Factor Return）是两个紧密相关但概念不同的指标。下表清晰对比了二者的差异：

二者之间的数学关系可以近似表达为：

Factor Return ≈ IC × Cross-Sectional Volatility

其中：
- Cross-Sectional Volatility = 截面收益标准差
- 该关系在 Rank IC 下为近似线性关系

实战经验：在因子衰减预警中，我们通常同时监控 IC 的均值和 IC 的衰减速度。IC 均值下降往往先于因子收益下降，因此 IC 是一个更早期的预警信号。

在量化平台中，IC 的计算通常按以下步骤进行：

下图展示了因子值与未来收益之间的三种典型 IC 关系：

在实际因子监控中，IC 的统计显著性通常通过 t 统计量来检验。下表给出了不同样本量下的 IC 显著性参考阈值：

注意：上述阈值基于独立同分布假设。在金融时间序列中，由于截面相关性（行业、风格因子等）的存在，实际有效自由度往往低于样本量 N，因此上述阈值仅供参考，实际应用中建议使用 Bootstrap 或 Newey-West 调整后的标准误。