3. IC时间序列分析：IC序列的统计特征、IC的均值与标准差、IC的自相关性检验

IC时间序列分析是因子衰减预警的核心前置环节。只有理解IC序列的统计分布、波动幅度与内部记忆性，才能为后续的衰减阈值设定提供科学依据。本节从三个层次展开：描述性统计、波动度量、自相关结构检验。

3.1 IC序列的统计特征

IC序列（每日或每月截面IC）本质上是一个时间序列随机变量。其基本统计特征包括：

• 均值（Mean IC）：衡量因子长期预测能力的核心指标。若均值显著偏离零，说明因子具有系统性选股能力。
• 中位数（Median IC）：对极端值更稳健，当IC序列存在尖峰厚尾时，中位数比均值更能反映典型水平。
• 偏度（Skewness）：反映IC分布对称性。负偏度意味着因子在少数时期出现极端负向预测，需警惕尾部风险。
• 峰度（Kurtosis）：反映极端值聚集程度。高峰度（>3）说明IC序列存在跳跃式波动，衰减预警需更敏感。
• 正态性检验（Jarque-Bera / Shapiro-Wilk）：若IC序列显著非正态，则基于正态假设的阈值设定（如±2σ）可能失效。

3.2 IC的均值与标准差

IC的均值与标准差构成了因子评价的“风险-收益”二维框架。两者共同决定因子的信息比率（IR）：

IR = mean(IC) / std(IC) * sqrt(N)

其中：
- mean(IC)  ：IC序列的样本均值
- std(IC)   ：IC序列的样本标准差
- N         ：年化期数（日频取252，月频取12）

均值与标准差的组合解读：

• 高均值 + 低标准差：理想状态，因子稳定有效，衰减预警阈值可适当放宽。
• 高均值 + 高标准差：因子有效但不稳定，需设置较紧的衰减阈值，防止单次大幅回撤。
• 低均值 + 低标准差：因子失效或微弱，应直接考虑剔除。
• 低均值 + 高标准差：最危险状态，因子既无预测能力又剧烈波动，必须立即预警。

3.3 IC的自相关性检验

IC序列的自相关性（Autocorrelation）是判断因子预测能力是否“记忆性衰减”的关键指标。若IC存在显著正自相关，说明因子在连续期内表现趋同，一旦衰减可能持续恶化；若存在负自相关，则IC呈现均值回复特征，单次衰减后反弹概率较高。

检验方法：

1. ACF（自相关函数）图：直观展示各滞后阶数的自相关系数，观察是否超出95%置信区间。
2. Ljung-Box Q检验：联合检验前k阶自相关系数是否同时为零。原假设为“序列无自相关”。
3. Durbin-Watson检验：专门检验一阶自相关，DW≈2表示无自相关，DW<1.5或>2.5需关注。

3.4 实战代码：IC序列统计与自相关检验

以下Python代码演示如何计算IC序列的统计特征、均值与标准差，并进行Ljung-Box自相关检验：

import numpy as np
import pandas as pd
from scipy import stats
from statsmodels.stats.diagnostic import acorr_ljungbox

def ic_sequence_analysis(ic_series, lags=10):
    """
    IC序列统计特征与自相关检验

    参数:
        ic_series: array-like, IC时间序列
        lags: int, 自相关检验滞后阶数

    返回:
        dict: 包含统计特征与检验结果
    """
    ic = np.array(ic_series).flatten()
    T = len(ic)

    # 1. 基本统计特征
    mean_ic = np.mean(ic)
    std_ic = np.std(ic, ddof=1)
    median_ic = np.median(ic)
    skew_ic = stats.skew(ic)
    kurt_ic = stats.kurtosis(ic, fisher=True)  # 峰度（正态=0）
    jb_stat, jb_p = stats.jarque_bera(ic)

    # 2. 信息比率（日频年化）
    ir = mean_ic / std_ic * np.sqrt(252)

    # 3. Ljung-Box自相关检验
    lb_result = acorr_ljungbox(ic, lags=[lags], return_df=True)
    lb_stat = lb_result['lb_stat'].values[0]
    lb_p = lb_result['lb_pvalue'].values[0]

    # 4. Durbin-Watson检验（一阶自相关）
    diff = np.diff(ic)
    dw = np.sum(diff**2) / np.sum((ic - mean_ic)**2)

    # 5. 预警阈值建议
    yellow_threshold = mean_ic - 1.0 * std_ic
    red_threshold = mean_ic - 2.0 * std_ic

    return {
        'mean_ic': mean_ic,
        'std_ic': std_ic,
        'median_ic': median_ic,
        'skewness': skew_ic,
        'kurtosis': kurt_ic,
        'jb_pvalue': jb_p,
        'ir': ir,
        'lb_stat': lb_stat,
        'lb_pvalue': lb_p,
        'dw_stat': dw,
        'yellow_threshold': yellow_threshold,
        'red_threshold': red_threshold,
        'autocorr_significant': lb_p < 0.05
    }

# 使用示例
if __name__ == "__main__":
    # 模拟IC序列
    np.random.seed(42)
    ic_data = np.random.normal(0.03, 0.08, 252)  # 日频IC

    result = ic_sequence_analysis(ic_data, lags=10)

    print(f"IC均值: {result['mean_ic']:.4f}")
    print(f"IC标准差: {result['std_ic']:.4f}")
    print(f"信息比率(年化): {result['ir']:.2f}")
    print(f"偏度: {result['skewness']:.3f}")
    print(f"峰度: {result['kurtosis']:.3f}")
    print(f"正态性检验p值: {result['jb_pvalue']:.4f}")
    print(f"Ljung-Box Q统计量: {result['lb_stat']:.2f}")
    print(f"Ljung-Box p值: {result['lb_pvalue']:.4f}")
    print(f"Durbin-Watson统计量: {result['dw_stat']:.2f}")
    print(f"黄色预警线: {result['yellow_threshold']:.4f}")
    print(f"红色预警线: {result['red_threshold']:.4f}")
    print(f"自相关显著: {result['autocorr_significant']}")