📚 课程目录第3章因子稳定性度量

3. 因子稳定性度量：IC、Rank IC、ICIR 与因子收益率稳定性

因子稳定性是量化因子有效性的核心维度之一。一个高收益但剧烈波动的因子，在实际交易中往往带来巨大的回撤和模型失效风险。本章系统介绍度量因子稳定性的四大核心指标：信息系数（IC）、Rank IC、信息系数比率（ICIR）以及因子收益率的稳定性。这些指标共同构成了因子漂移检测的量化基础。

3.1 信息系数（IC）

信息系数（Information Coefficient, IC） 衡量因子在第 t 期的截面预测值与下一期实际收益之间的线性相关性。最常用的计算方式是 Pearson 相关系数：

IC_t = corr( factor_t, return_{t+1} )

其中 factor_t 为第 t 期所有股票的因子值向量，return_{t+1} 为第 t+1 期的收益向量。IC 的取值范围为 [-1, 1]：

IC > 0：因子值与未来收益正相关，因子值越大预期收益越高。
IC < 0：因子值与未来收益负相关，因子值越小预期收益越高（可反向使用）。
IC 接近 0：因子无预测能力。

实战要点：IC 对极端值敏感。在计算前建议对因子值和收益率进行 MAD（中位数绝对偏差）去极值 或 Winsorize（缩尾处理），避免单只异常股票扭曲整体相关性。

3.2 Rank IC

Rank IC 使用因子值的排名与收益率的排名计算 Spearman 秩相关系数，而非原始数值。其计算方式为：

Rank IC_t = corr( rank(factor_t), rank(return_{t+1}) )

Rank IC 相比普通 IC 具有以下优势：

对比维度	普通 IC（Pearson）	Rank IC（Spearman）
对极端值敏感度	高，易受异常值影响	低，基于排名天然抗噪
线性假设	要求线性关系	仅要求单调关系
因子值分布要求	近似正态分布效果较好	无分布假设
实际应用频率	学术研究常用	业界量化平台主流

  行业惯例：在 A 股多因子模型中，Rank IC 是更稳健的选择。因为 A 股小市值股票经常出现极端收益，Rank IC 能有效降低这些噪音对因子评价的干扰。

3.3 信息系数比率（ICIR）

单独的 IC 或 Rank IC 只反映单期预测能力，无法衡量因子的时间序列稳定性。信息系数比率（Information Coefficient IR, ICIR） 将多期 IC 的均值与标准差结合，评估因子预测能力的信噪比：

ICIR = mean(IC_t) / std(IC_t)

ICIR 的核心意义：

分子（均值）：因子平均预测能力，越大越好。
分母（标准差）：因子预测能力的波动性，越小越稳定。
ICIR 越高：因子不仅有效，而且稳定有效，是高质量因子的标志。

经验阈值参考（基于 A 股日频数据）：

ICIR 范围	因子稳定性评价	实际应用建议
ICIR < 0.5	不稳定，噪音主导	谨慎使用，需进一步分析
0.5 ≤ ICIR < 1.0	中等稳定	可纳入多因子组合，但需控制权重
1.0 ≤ ICIR < 2.0	稳定有效	可作为核心因子配置
ICIR ≥ 2.0	高度稳定	优质因子，警惕过拟合

注意：ICIR 对计算窗口长度敏感。过短的窗口（如 20 天）噪声大；过长的窗口（如 252 天）可能包含因子失效期。建议同时计算 60 天滚动 ICIR 和 120 天滚动 ICIR 进行交叉验证。

3.4 因子收益率的稳定性

除了 IC 类指标，因子收益率的稳定性也是衡量因子是否发生漂移的重要维度。常用指标包括：

因子收益率均值：多空组合或回归法计算的因子超额收益，反映因子长期赚钱效应。
因子收益率标准差：收益的波动程度，标准差越大因子越不稳定。
夏普比率（Sharpe Ratio）：因子收益率均值 / 标准差，与 ICIR 类似但基于实际收益。
最大回撤（Max Drawdown）：因子累计收益从峰值到谷底的最大跌幅，衡量因子失效风险。
胜率（Win Rate）：因子收益率为正的期数占比，反映因子正向预测的稳定性。

下面通过一张结构图展示因子稳定性度量的完整体系：

3.5 实战计算示例（Python 伪代码）

以下代码展示如何计算日频 Rank IC 和 ICIR：

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

def calc_rank_ic(factor_df, return_df):
    """
    计算每日 Rank IC
    factor_df : DataFrame, index=date, columns=stock, values=factor
    return_df: DataFrame, index=date, columns=stock, values=return
    """
    dates = factor_df.index
    ic_list = []
    for dt in dates:
        f = factor_df.loc[dt].dropna()
        r = return_df.loc[dt].dropna()
        common = f.index.intersection(r.index)
        if len(common) < 30:
            continue
        ic, _ = spearmanr(f[common], r[common])
        ic_list.append(ic)
    return pd.Series(ic_list, index=dates[:len(ic_list)])

def calc_icir(ic_series, window=60):
    """
    计算滚动 ICIR
    ic_series : Series of daily IC
    window    : 滚动窗口长度
    """
    rolling_mean = ic_series.rolling(window).mean()
    rolling_std  = ic_series.rolling(window).std()
    icir = rolling_mean / rolling_std
    return icir

# 使用示例
# rank_ic = calc_rank_ic(factor_data, forward_return)
# icir_60 = calc_icir(rank_ic, window=60)
# print(f"Rank IC 均值: {rank_ic.mean():.4f}")
# print(f"Rank IC 标准差: {rank_ic.std():.4f}")
# print(f"ICIR(60): {icir_60.iloc[-1]:.4f}")

  代码要点：
  使用 spearmanr 而非 pearsonr，更稳健。
每日至少保留 30 只股票才计算 IC，避免小样本偏差。
滚动窗口建议使用 60 或 120 个交易日，对应约 3~6 个月。

3.6 因子稳定性与漂移检测的关系

因子稳定性指标是漂移检测的前置量化基础：

IC 趋势下降：因子预测能力衰减，可能是漂移的早期信号。
ICIR 持续走低：因子信噪比恶化，稳定性下降，漂移风险上升。
因子收益率最大回撤扩大：因子出现持续亏损，可能已发生结构性漂移。
胜率跌破 40%：因子正向预测能力显著弱化，需触发再训练或替换。