কোয়ান্ট সিগন্যাল যাচাইয়ে Information Coefficient (IC) ও Rank IC

প্রতিটি তারিখ t-তে বিশ্লেষক যোগ্য সম্পদগুলোর সিগন্যাল মানের সঙ্গে একই সম্পদগুলো পরবর্তী নির্ধারিত সময়ে যে রিটার্ন পায় তা তুলনা করেন। একটি প্রচলিত সংজ্ঞা IC_t = corr_i(signal_i,t, forward_return_i,t+1)। এখানে i সম্পদ বোঝায়; এক তারিখের মধ্যে সম্পদগুলোর সম্পর্ক হিসাব হয়, তারপর তারিখভিত্তিক IC-এর একটি সময়সারি তৈরি হয়

এটি cross-section-এ পূর্বাভাস মূল্যায়নের পরিমাপ; দুটি সময়সারি জুড়ে হিসাব করা correlation বা একটি ঘোষণার আশেপাশের event-study abnormal return নয়। সম্পদের তালিকা, সিগন্যালের সংজ্ঞা, রিটার্নের দিগন্ত, weighting এবং তারিখভিত্তিক data coverage বদলালে ফল বদলাতে পারে। আপনার গবেষণায় IC বলতে Pearson correlation বোঝালে তা স্পষ্ট করুন; শব্দটির ব্যবহার সর্বত্র এক নয়

Grinold-এর Fundamental Law-এর মূল সরল রূপে প্রত্যাশিত information ratio (IR) ≈ IC × √B, যেখানে B হলো স্বাধীন বিনিয়োগ-সিদ্ধান্তের কার্যকর breadth—শুধু সম্পদের সংখ্যা × তারিখের সংখ্যা নয় (Grinold, “The Fundamental Law of Active Management”)। Clarke, de Silva ও Thorley portfolio constraints যুক্ত করে সম্পর্কটি সাধারণীকরণ করেন: IR ≈ IC × TC × √B। এখানে TC বা transfer coefficient বোঝায় portfolio constraints-এর মধ্যে পূর্বাভাস কতটা কার্যকর portfolio weight-এ রূপ নেয় (Clarke et al., “Portfolio Constraints and the Fundamental Law of Active Management”)। এগুলো মডেলের অনুমানাধীন আনুমানিক সম্পর্ক, বিনিয়োগ-ফলের নিশ্চয়তা নয়। এ প্রশ্নটি correlation ও causation-এর পার্থক্য এবং একক ঘোষণার event-study CAR থেকে আলাদা

প্রতিটি rebalance cutoff-এ সেই timestamp পর্যন্ত বাস্তবে পাওয়া তথ্য দিয়েই সিগন্যাল স্থির করুন। প্রকাশের সময়, data vendor-এর বিলম্ব, পরে করা সংশোধন এবং exchange-এর time zone বিবেচনা করুন। t তারিখে চিহ্নিত কোনো মান হয়তো t দিনের market close-এ জানা ছিল না; পরের সংশোধিত মান বা একই সময়ের রিটার্ন ব্যবহার করলে ভবিষ্যতের তথ্য ঢুকে যেতে পারে

signal_i,t-কে এমন রিটার্নের সঙ্গে জুড়ুন যা সিগন্যাল দেখে সিদ্ধান্ত নেওয়ার পর শুরু হয়। সিদ্ধান্তের সময়, প্রথম বাস্তবায়নযোগ্য দাম, রিটার্নের শুরু ও শেষ এবং dividend বা অন্য distribution অন্তর্ভুক্ত কি না জানান। যদি closing auction-এর দাম জানার পরেই সিগন্যাল তৈরি হয়, একই closing price থেকে রিটার্ন ধরা বাস্তবায়ন-সংক্রান্ত স্পষ্ট অনুমান ছাড়া সম্ভব নয়

প্রতিটি তারিখে তখন যোগ্য ছিল এমন সম্পদের তালিকা পুনর্গঠন করুন; প্রয়োজনে পরে delist হওয়া সম্পদও রাখুন। আজ টিকে থাকা কোম্পানিগুলোকে অতীতের নমুনায় বসানো বা পরে জানা index membership ব্যবহার করলে দুর্বল সিগন্যালকে শক্তিশালী দেখাতে পারে। সঠিক সময়ে তথ্য মেলানো IC-এর সংজ্ঞার অংশ, হিসাবের পরে পরিষ্কারের ধাপ নয়

Pearson IC প্রতিটি তারিখের সম্পদগুচ্ছে সিগন্যাল মান ও পরবর্তী রিটার্নের সাধারণ correlation হিসাব করে। এটি linear co-movement মাপে এবং সিগন্যালের পরিমাণের তথ্য ধরে রাখে, তবে অল্প কয়েকটি চরম সম্পদ ফলকে প্রবলভাবে প্রভাবিত করতে পারে। সম্পর্ক একদিকে বাড়লেও তা non-linear হলে Pearson-এর মান ছোট থাকতে পারে

Rank IC প্রথমে একই তারিখের মধ্যে সিগন্যাল ও ভবিষ্যৎ রিটার্নকে rank-এ বদলে, তারপর rank দুটির Pearson correlation হিসাব করে। এটিই Spearman rank association (Spearman, 1904)। মূল একক ও চরম মানের প্রভাব কমিয়ে এটি দেখে উচ্চতর সিগন্যাল মানের পরে সাধারণত উচ্চতর রিটার্ন আসে কি না; সমান মান থাকলে গড় rank দেওয়ার মতো tie convention আগে নির্ধারণ করুন

দুটি মাপ কাছাকাছি হলেও একই প্রশ্ন করে না। সিগন্যালের পরিমাণ position size নির্ধারণে কাজে লাগলে Pearson IC প্রাসঙ্গিক হতে পারে, আর সম্পদগুলোর আপেক্ষিক ক্রম গুরুত্বপূর্ণ হলে Rank IC বেশি সরাসরি। কোনোটিই portfolio constraint, non-linear transformation, sector-neutralization বা পূর্বাভাস থেকে অবস্থান তৈরির পদ্ধতি নিজে থেকে বিবেচনা করে না

এখানে সব ইনপুট কাল্পনিক, এবং এটি একটিমাত্র cross-section-এর উদাহরণ—নমুনার বাইরের প্রমাণ নয়। পাঁচ সম্পদের raw signal values হলো [1,2,3,4,5], তাই signal ranks-ও [1,2,3,4,5]; পরবর্তী সময়ের রিটার্ন [1%,2%,3%,4%,-5%]। রিটার্ন ঊর্ধ্বক্রমে সাজালে return ranks হয় [2,3,4,5,1]। এখানে কোনো সমান rank নেই

Raw signal values-এর mean 3 এবং return mean 1%। signal values-এর mean থেকে বিচ্যুতি [-2,-1,0,1,2], আর percentage-point এককে return-এর বিচ্যুতি [0,1,2,3,-6]। বিচ্যুতির গুণফলের যোগফল -10; signal এবং return deviation-এর বর্গের যোগফল যথাক্রমে 10 ও 50। তাই Pearson IC = -10/sqrt(500) ≈ -0.4472136

Rank IC পেতে signal ranks [1,2,3,4,5] ও return ranks [2,3,4,5,1]-এর correlation নিন। rank deviation-এর গুণফলের যোগফল শূন্য, তাই Spearman Rank IC = 0। এই কাল্পনিক cross-section-এ পঞ্চম সম্পদের বড় ক্ষতি magnitudes-সহ linear সম্পর্ককে ঋণাত্মক করেছে। signal-এর ক্রম না বদলে মানগুলোর ব্যবধান non-linear ভাবে বদলালে Pearson IC বদলাতে পারে, কিন্তু ranks একই থাকায় Rank IC বদলাবে না

প্রতিটি নির্ধারিত সাপ্তাহিক rebalance তারিখে, signal ও পরবর্তী return বৈধ থাকলে, একটি cross-sectional IC_t হিসাব করুন; তারপর বৈধ সাপ্তাহিক rebalance তারিখগুলোর সমান weight দিয়ে সময়সারিটি সংক্ষেপ করুন। Arithmetic mean, median, বিচ্যুতি, কত অনুপাতে তারিখে IC ধনাত্মক ছিল এবং সময়ের চিত্র দিন। একটি গড় দীর্ঘ দুর্বল সময় বা অল্প কয়েকটি শক্তিশালী সময় আড়াল করতে পারে

এখানে ICIR-এর convention হলো সমান-ওজনের বৈধ সাপ্তাহিক rebalance তারিখের জন্য ICIR_weekly = mean(IC_t) / s(IC_t), যেখানে s হলো N−1 হরসহ sample standard deviation। এটি unannualized; এখানে √52 দিয়ে গুণ করা হয় না। কোন তারিখকে বৈধ ধরা হবে তা আগেই স্থির করুন এবং ফল দেখার পর cadence বা weight বদলাবেন না

ICIR তারিখভিত্তিক IC-এর ধারাবাহিকতা বোঝায়; এটি portfolio Sharpe ratio বা portfolio information ratio নয়। সিগন্যালের মান সময়ে সময়ে বদলাতে পারে, তাই গড় IC একাই সেই পরিবর্তন ধরে না। Ye সিগন্যালের মানের পরিবর্তন performance-এ কীভাবে প্রভাব ফেলে আলোচনা করেন (Ye, 2008); Ding ও Martin-এর সংশোধিত Fundamental Law-ও সময়-পরিবর্তনশীল IC-কে মডেলের কেন্দ্রে রাখে (Ding and Martin, 2017)

প্রতিটি তারিখে আগে নির্ধারিত availability rule অনুযায়ী একই সম্পদের signal এবং forward return জুড়ুন। অনুপস্থিত ভবিষ্যৎ রিটার্নকে শূন্য দিয়ে পূরণ করবেন না। প্রতিদিনের সম্পদসংখ্যা, coverage-এর পরিবর্তন, stale price ও delisting-এর ব্যবস্থা এবং tie rank কীভাবে করেছেন জানান; cross-section বদলালে IC-এর অর্থ ও নির্ভুলতাও বদলাতে পারে

যদি পরবর্তী রিটার্ন বহু দিন ধরে গণনা করা হয়, পাশাপাশি তারিখের target interval একে অন্যের সঙ্গে overlap করতে পারে। তখন একই সম্পদের একাধিক IC পর্যবেক্ষণে একই price movement ঢুকে serial dependence তৈরি হয়। পুনরায় ব্যবহৃত সম্পদ ও একই দিনের সাধারণ market shock-ও পর্যবেক্ষণগুলোকে নির্ভরশীল করে; independent date ধরে নেওয়া সরল standard error নির্ভুলতা অতিরঞ্জিত করতে পারে

সাপ্তাহিক rebalance-এ ২০ trading session-এর forward return নিলে পরপর সাপ্তাহিক window-তে প্রায় ১৫টি session মিলে যায়। তাই ৫২টি weekly IC মানে ৫২টি স্বাধীন পরীক্ষা নয়। প্রতি ২০ session-এ rebalance করলে target overlap দূর হয়, তবে sample size কমে এবং common shock বা একই সম্পদের পুনরাবৃত্তি থেকে তৈরি dependence দূর হয় না

ফল দেখার আগেই horizon এবং overlap policy ঠিক করুন। overlap এড়ানো না গেলে block বা time-series-ভিত্তিক উপযুক্ত inference ব্যবহার করুন এবং প্রতিটি asset-date জোড়াকে স্বাধীন প্রমাণ ভাববেন না। training ও validation সময়সীমার মাঝে overlap করা label বাদ দিলে তথ্য ফাঁস কমানো যায়; দেখুন সময়সারির purged cross-validation গাইড

নমুনার মধ্যে উচ্চ IC একই ঐতিহাসিক noise-এ সিগন্যালকে tune করার ফল হতে পারে। সম্পূর্ণ অছোঁয়া সময়সীমা রেখে দিন অথবা walk-forward পরীক্ষা করুন: প্রতিটি ধাপে রূপান্তর ও parameter কেবল আগের data দিয়ে স্থির করে পরের তারিখে মূল্যায়ন করুন। holdout বারবার দেখে সিগন্যাল বদলালে সেটি আর অক্ষত out-of-sample পরীক্ষা নয়

কতগুলো গবেষণা-পছন্দ পরীক্ষা করেছেন তা গুনুন: signal definition, lag, forecast horizon, asset universe, filter, neutralization এবং date range। অনেক প্রার্থী পরীক্ষা করলে কাকতালীয়ভাবে উচ্চ IC পাওয়ার সুযোগ বাড়ে। Harvey, Liu ও Zhu দেখান, বিপুল factor mining ও multiple testing-এর পরে প্রচলিত significance cutoff বিভ্রান্তিকর হতে পারে (Harvey, Liu, and Zhu, 2014)

নির্বাচন প্রক্রিয়া, চেষ্টা করা variant-এর সংখ্যা বা পরিধি, এবং serial dependence ও search-কে সম্ভব হলে বিবেচনায় নেওয়া uncertainty জানান। একটি backtest-এ গড় IC ধনাত্মক হওয়া সেই নমুনা ও নকশার ফল; নতুন market regime-এ সিগন্যাল থাকবে তার নিশ্চয়তা নয়

তখনকার eligible universe, signal timestamp, execution rule, return horizon, Pearson বা Spearman নির্বাচন, tie convention, তারিখভিত্তিক সম্পদসংখ্যা, IC time series, ICIR formula, missing-data rule এবং out-of-sample পদ্ধতি জানান। asset ও date dependence মানা uncertainty এবং কত variant পরীক্ষা করেছেন তাও প্রকাশ করুন

IC পূর্বাভাস ও পরবর্তী রিটার্নের সম্পর্ক মাপে, কিন্তু position size নির্ধারণ করে না। পূর্বাভাসকে portfolio weight-এ রূপান্তরে risk control, neutrality constraint, turnover, transaction cost, liquidity, capacity, short borrow এবং execution ফলাফলে প্রভাব ফেলে। কাজে লাগা Rank IC-ও খরচের পরে অলাভজনক হতে পারে; কম গড় IC-ও breadth ও portfolio design-এর সঙ্গে মিলে সরলভাবে অনুমান করা যায় না এমন ফল দিতে পারে

এটি একটি ঘোষণাকে ঘিরে CAR থেকে আলাদা: event study নির্দিষ্ট ঘোষণার আশেপাশে abnormal return মাপে, আর IC পুনরাবৃত্ত cross-sectional forecast পরের রিটার্নের ক্রম সাজায় কি না দেখে। IC পূর্বাভাসমূলক association, কোনো causal mechanism-এর প্রমাণ নয়