第 06 关 · 因子评价

因子好不好：IC 与 ICIREvaluating Factors with IC

上一关靠“看柱状图”判断因子好坏，太主观。这一关学会用一个数（IC）科学地量化：这个因子到底有多强、稳不稳。

1IC：信息系数

每个月，算“因子值排名 和 下期收益排名 的相关性”（Spearman 秩相关）。

IC = +0.05 → 因子高的票确实下月涨得多（有效、方向为正）。
IC = 0 → 没用；IC < 0 → 反向有效（把因子取负即可）。

档位：|IC|>0.03 有点用，>0.05 不错。A 股月频单因子常年 >0.1 很难。

from scipy.stats import spearmanr
ic, _ = spearmanr(factor, fwd_return)   # 这一期的 IC

2ICIR：又强又稳的程度

ICIR = IC均值 / IC标准差，相当于因子的夏普。>0.3 算稳健；正负号代表方向。

3真实因子排行（很有料）

因子	IC均值	ICIR
动量	-0.024	-0.18
短期反转	+0.029	0.27
中期反转	+0.051	0.39
低波动	+0.088	0.53

结论一目了然：动量在 A 股负的（没用），反转、低波动才有效，低波动最强（“波动小的票反而涨得稳”，A 股著名有效因子）。累计 IC 曲线（图）持续向上 = 长期有效，低波动那条最陡。

4为什么 IC 0.088 这么小却能赚？

因为它是横截面的：对几千只票同时下注，每只只要有一点点小优势，小优势 × 大样本 = 稳定的超额。这跟“赌一只票涨跌”完全不同。

✍ 动手做

把“低波动”的窗口从 20 天改成 60 天，看 IC 变强还是变弱；再想想还能造什么因子。

小结

IC=因子值与下期收益的横截面秩相关，量化因子强弱；ICIR=因子的夏普；小IC靠大样本横截面也能赚。

动手做 · 解题过程 + 参考答案先自己写，再点开对答案

1低波动因子，把回看窗口从 20 天换成 60 天，比 IC 稳不稳

思路 · 每月底对全市场算过去 W 日收益的波动率，取负当因子(越稳越看多)；用 Spearman 相关算它和下月收益的 IC，每月一个；最后看 IC 均值和 ICIR=均值/标准差。换 W=20 与 W=60 对比。

from scipy.stats import spearmanr
import numpy as np
ics = []
for 每个月:
    seg = 过去W日的收益矩阵                       # shape: (W, 股票数)
    fac = -np.nanstd(seg, axis=0)                # 波动率取负 = 低波动因子
    fwd = px_next_month / px_t - 1
    ics.append(spearmanr(fac, fwd, nan_policy="omit")[0])   # 当月IC
ic = pd.Series(ics)
print(f"IC {ic.mean():+.3f}  ICIR {ic.mean()/ic.std():.2f}")

结果 · W=20：IC +0.085、ICIR 0.52；W=60：IC +0.090、ICIR 0.50。拉长窗口差别很小——说明低波动因子对参数不敏感，这是“不像过拟合出来的假信号”的好迹象。