因子投资-17-IC分层回测与因子评价

QUANT RESEARCH NOTE / LESSON 17

因子评价不是找一个最好看的指标。同一信号可能 Rank IC 稳定，却因极端值导致 Pearson IC 差；可能分层单调，却因高换手扣费后无收益；也可能 H-L 显著，但覆盖率低且只来自微盘股。本讲建立多维验收表。

类型核心课程

模块研究工程

阅读约 5 分钟

材料10 节 · 1 段代码

本节解决什么问题

因子评价不是找一个最好看的指标。同一信号可能 Rank IC 稳定，却因极端值导致 Pearson IC 差；可能分层单调，却因高换手扣费后无收益；也可能 H-L 显著，但覆盖率低且只来自微盘股。本讲建立多维验收表。

前置知识与学习目标

需要第 03、09、10 讲。学完后能区分 Pearson/Spearman IC、ICIR、分层单调性、H-L、Alpha、换手和覆盖率，并能给冲突结果作出降级结论。

直觉与手算

某月 5 只股票信号排名与下月收益排名完全一致，Rank IC=1。若最高信号股票数据错误、收益写成 100%，Pearson IC 会被它支配；Rank IC 仍只看顺序。两者回答不同问题：线性幅度关系与排序能力。

若 60 个月 IC 均值 0.04、时间标准差 0.08：

$$ICIR=\bar{IC}/s(IC)=0.5$$

年化常写 0.5×√12≈1.73，但仍需报告自相关和均值标准误；ICIR 不是 t 统计量。

定义与公式

IC 与 Rank IC

$$IC_t=corr_i(x_{i,t},R_{i,t+1})$$

Pearson IC 对尺度和极端值敏感；Spearman Rank IC 是排名的 Pearson 相关，对单调非线性更稳健。每月在当期覆盖股票横截面计算，再研究 IC 时间序列。

ICIR 与显著性

$$ICIR=\bar{IC}/s(IC)$$

均值 t 值则是均值除以均值标准误；若 IC 自相关，用 HAC 标准误。不要用 ICIR 冒充 t。

分层与单调性

G 组未来收益应展示 Q1…QG 全路径，不只 H-L。可用组序号与组收益的 Spearman 相关、相邻组差为正的比例等描述单调性，但不要为了通过指标改变组数。

H-L、Alpha、换手与覆盖

• H-L：高组减低组毛收益；
• Alpha：H-L 对预定因子模型的截距；
• 换手：漂移后权重到目标权重的交易量；
• 覆盖率：有效信号股票数/合格股票池数，也应报告市值覆盖；
• 净收益：毛收益减佣金、税费、价差、冲击和借券融资成本。

一个最低评价矩阵：

定义与公式 6 行 × 3 列

维度	指标	失败警报
预测	Pearson/Rank IC	只靠极端值或少数月
排序	组收益、单调性	只有两端、组内过少
收益	H-L、Alpha	仅空头腿、模型敏感
稳定	子期、行业、规模	符号翻转
实现	换手、成本、容量	净收益归零
数据	数量/市值覆盖	缺失选择、微盘支配

Python 最小实验

PYTHON 可复现实验

import numpy as np
import pandas as pd

frame = pd.DataFrame({
    "month": np.repeat(range(4), 6),
    "signal": np.tile([1, 2, 3, 4, 5, 6], 4),
    "future_return": np.array([
        -0.02, -0.01, 0.00, 0.01, 0.02, 0.03,
        -0.01, 0.00, 0.01, 0.00, 0.03, 0.02,
        -0.03, -0.01, 0.01, 0.00, 0.02, 0.04,
         0.00, -0.02, 0.01, 0.02, 0.01, 0.03,
    ]),
})
ics = frame.groupby("month").apply(
    lambda x: x["signal"].corr(x["future_return"], method="spearman"),
    include_groups=False,
)
frame["group"] = frame.groupby("month")["signal"].transform(
    lambda x: pd.qcut(x, 3, labels=False)
)
groups = frame.groupby(["month", "group"])["future_return"].mean().unstack()
hl = groups[2] - groups[0]

assert len(ics) == 4
assert np.allclose(hl, groups[2] - groups[0])
print(ics.mean(), ics.std(ddof=1), hl.mean())

A 股实现注意事项

覆盖率必须相对历史合格股票池；财报缺失、停牌和退市不能按未来收益删除。并列信号、涨跌停不可成交、微盘权重、空头不可得和板块制度都要单独报告。行业中性后 IC 与全市场 IC 回答不同问题，应并列而非选更好者。

常见错误与边界

• 用同期收益算 IC；全样本标准化后再切时间。
• 只报 IC 均值，不报分布、自相关和覆盖。
• 只报 H-L，不展示各组和两腿。
• 用毛 H-L 推断可交易收益。
• 参数和股票池反复调到指标最好。
• IC 正就认为组合一定赚钱；权重、非线性和成本会改变结果。

原书与论文

原书第 3–5 章（PDF 文件页 97–223）连接因子策略、组合与实践。Hou、Xue、Zhang（2020）显示微盘和实现口径可让大量异象失效：DOI。McLean、Pontiff（2016）讨论样本外与发表后衰减：DOI。

练习

1. 加一个极端收益，比较 Pearson 与 Rank IC。
2. 分别用 3、5、10 组，比较单调性与每组样本量。
3. 将 H-L 分成多头和空头贡献。
4. 按规模、行业、年份报告 IC、覆盖和净收益。
5. 写出因子“支持、证伪、证据不足”三类判定规则。

小结与下一步

可信因子需要预测、排序、收益、稳定、实现和数据六个维度同时过关。指标冲突时应解释对象并降低结论强度，而不是挑最好看的数字。下一讲审计回测偏差、成本与容量。