IC 是什么？（Information Coefficient，信息系数）

一句话总结

IC 是"因子预测能力的成绩单"——它告诉你，你选的那个因子，到底有没有本事预测股票未来的涨跌。

列举一个生活例子

想象你是一个班主任，期末考试前你让 10 个同学预测自己的期末成绩排名，然后考完试你拿到了真实排名。

你想知道：这些同学的预测，准不准？

一个直觉的做法是：把"预测排名"和"真实排名"放在一起，看它们有多像。如果预测排名高的同学，真实成绩也高，那说明预测很准；如果毫无关系，说明预测是瞎猜。

IC 干的就是这件事，只不过：

• “预测排名” → 换成了因子值（比如某只股票的动量值、市盈率等）
• “真实排名” → 换成了下一期的实际收益率
• “有多像” → 用的是皮尔逊积矩相关系数来衡量

正式定义

在量化投资中，IC（Information Coefficient，信息系数）是指：

在某一时间截面上，所有股票的因子值向量 $f_t$，与这些股票下一期收益率向量 $r_{t+1}$ 之间的皮尔逊相关系数。

$IC_t = \text{Corr}(f_t,\ r_{t+1}) = \frac{\sum_{i=1}^{N}(f_{i,t} - \bar{f}_t)(r_{i,t+1} - \bar{r}_{t+1})}{\sqrt{\sum_{i=1}^{N}(f_{i,t}-\bar{f}_t)^2} \cdot \sqrt{\sum_{i=1}^{N}(r_{i,t+1}-\bar{r}_{t+1})^2}}$

其中：

• $f_{i,t}$：第 $i$ 只股票在 $t$ 期的因子值
• $r_{i,t+1}$：第 $i$ 只股票在 $t+1$ 期的收益率
• $N$：股票池中的股票数量
• $\bar{f}_t$、$\bar{r}_{t+1}$：对应的截面均值

IC 的取值范围是 $[-1, 1]$。

具体数字例子

假设某一天，股票池里有 5 只股票，我们用"20日动量因子"来预测它们下个月的涨跌：

可以看到，因子值越高的股票，下月涨得越多；因子值越低的，跌得越多。这两列数据高度正相关，计算出来的 IC 接近 +1。

这说明这个因子这个月预测能力很强。

反过来，如果因子值高的股票反而跌了，IC 就会是负数，说明因子方向是反的。

IC 均值（IC_mean）：更重要的长期指标

单期 IC 受随机性影响很大，一个月好不代表因子真的有效。

实际使用中，我们会计算多个时间截面的 IC，然后取均值：

$\overline{IC} = \frac{1}{T}\sum_{t=1}^{T} IC_t$

判断标准（业界经验值）：

注意：IC 均值的正负号代表因子方向。正值说明因子值越大、未来收益越高（做多信号）；负值说明因子值越大、未来收益越低（做空信号，或者因子取反使用）。

ICIR：IC 的"稳定性评分"

光看 IC 均值还不够，还要看它稳不稳定。

ICIR（IC Information Ratio） = IC 均值 ÷ IC 的标准差

$ICIR = \frac{\overline{IC}}{\sigma_{IC}}$

类比：

• IC 均值 = 平均成绩
• ICIR = 成绩的稳定性（高分但忽高忽低 vs 中等但非常稳定）

判断标准：

Rank IC（秩 IC）

普通 IC 用的是皮尔逊积矩相关系数，对异常值（极端大涨/大跌的股票）比较敏感。

Rank IC 则先把因子值和收益率分别转换成排名（rank），再计算相关系数，本质上就是斯皮尔曼等级相关系数：

$\text{Rank IC}_t = \text{Corr}(\text{Rank}(f_t),\ \text{Rank}(r_{t+1}))$

好处： 对极端值不敏感，更稳健。实践中 Rank IC 比普通 IC 更常用。

在 PandaAI 中的理解

PandaAI 计算的 IC，是针对所选股票池中所有股票计算的截面相关系数。

每一期（比如每个月）：

1. 取出股票池里所有股票当期的因子值
2. 取出这些股票下一期的收益率
3. 计算这两组数据的皮尔逊相关系数 → 得到这一期的 IC

然后把所有期的 IC 汇总，就能看到因子的长期预测能力。

总结