3. IC 基础概念：信息系数 (IC) 的定义、计算方法与业务含义

信息系数（Information Coefficient，IC）是量化因子预测能力最核心的指标之一。它衡量的是因子值对股票未来收益的预测准确性，即因子值与未来实际收益之间的相关性。在因子漂移监控体系中，IC 的稳定性与 PSI 共同构成了“预测能力 + 分布稳定性”的双维监控框架。

3.1 IC 的定义与核心思想

IC 的本质是 因子暴露度 与 未来一期收益 之间的相关性。其核心思想是：如果因子值高的股票在未来表现更好（或更差），则该因子具有预测能力。

• 正 IC：因子值越大，未来收益越高（多头因子）。
• 负 IC：因子值越大，未来收益越低（空头因子）。
• IC 绝对值：衡量预测能力的强度，绝对值越大，预测越稳定。

3.2 IC 的两种主流计算方法

根据数据分布假设和应用场景，IC 主要分为 Spearman 秩相关系数（Rank IC） 和 Pearson 相关系数（Normal IC） 两种。Rank IC 是业界最常用的形式，因为它对异常值不敏感。

Rank IC 计算步骤（以月度截面为例）：

1. 在每月末，对所有股票按因子值排序，得到因子排名。
2. 对下个月的实际收益进行排序，得到收益排名。
3. 计算两列排名的 Spearman 相关系数，即为该月的 Rank IC。

# Python 示例：计算月度 Rank IC
import pandas as pd
import numpy as np
from scipy.stats import spearmanr

def calculate_rank_ic(factor_series, forward_return_series):
    """
    计算单期 Rank IC
    factor_series: 当期因子值（已对齐股票代码）
    forward_return_series: 未来一期收益
    """
    # 去除 NaN
    valid_mask = factor_series.notna() & forward_return_series.notna()
    factor = factor_series[valid_mask]
    ret = forward_return_series[valid_mask]

    # 计算 Spearman 相关系数
    ic, p_value = spearmanr(factor, ret)
    return ic, p_value

# 示例数据
factor_data = pd.Series([1.2, 3.4, 2.1, 5.6, 0.8], index=['A','B','C','D','E'])
return_data = pd.Series([0.05, 0.12, 0.08, 0.15, 0.02], index=['A','B','C','D','E'])

ic_val, p_val = calculate_rank_ic(factor_data, return_data)
print(f"Rank IC: {ic_val:.4f}, P-value: {p_val:.4f}")

3.3 IC 的业务含义与解读标准

IC 的数值需要结合业务场景进行解读。以下是在 A 股市场常用的经验判断标准：

3.4 IC 与 PSI 的联合监控逻辑

在因子漂移监控中，IC 和 PSI 从两个正交维度提供信息：

• PSI 高 + IC 稳定：因子分布变了，但预测能力未变。可能是市场风格切换导致因子值分布偏移，但因子本身仍有效。需要检查是否需要对因子进行标准化或分段处理。
• PSI 低 + IC 下降：因子分布未变，但预测能力消失。可能是因子被市场过度挖掘、政策变化或结构性失效。这是最危险的信号，通常意味着因子需要被替换。
• PSI 高 + IC 下降：双重恶化，因子已发生结构性漂移，必须立即排查并考虑剔除。
• PSI 低 + IC 稳定：理想状态，因子运行正常。