정보계수(IC)와 순위 IC로 퀀트 신호 평가하기

각 시점 t마다 투자 가능한 자산의 신호값과 같은 자산들이 뒤이어 정의된 기간에 얻은 수익률을 비교합니다. 흔한 표기법은 IC_t = corr_i(signal_i,t, forward_return_i,t+1)입니다. 아래첨자 i는 자산을 뜻합니다. 상관계수는 한 날짜의 자산들 사이에서 계산하고, 그렇게 날짜별로 구한 IC를 시계열로 모읍니다

이 값은 횡단면 신호의 예측력을 평가하는 통계량입니다. 두 개의 시계열을 합쳐 계산한 상관계수도 아니고, 이벤트 스터디의 비정상수익도 아닙니다. 결과는 자산군, 신호 정의, 수익률 기간, 가중 방식, 날짜별 데이터 범위에 따라 달라집니다. IC를 Pearson 상관계수라는 뜻으로 사용했는지 밝혀야 합니다. 용어 사용이 완전히 통일되어 있지는 않습니다

Grinold의 원래 관계식은 가정 아래 기대 정보비율(IR) ≈ IC × √B이며, B는 충분히 독립적인 의사결정의 유효 폭을 뜻합니다 (Grinold, “The Fundamental Law of Active Management”). 이후 일반화된 식은 포트폴리오 제약이 예측을 실제 포지션으로 옮기는 정도를 반영하도록 전달계수(TC)를 더해 IR ≈ IC × TC × √B로 씁니다 (Clarke, de Silva, and Thorley, “Portfolio Constraints and the Fundamental Law of Active Management”). 두 관계식은 액티브 운용을 해석하는 모형이지, 측정된 IC가 투자성과로 이어진다는 보장은 아닙니다

IC를 계산하는 구현은 연구마다 다를 수 있습니다. 날짜별 자산을 같은 비중으로 다루는지, 업종이나 시장 민감도를 제거한 신호인지 구분하세요. 표준화나 중립화 전후 중 무엇을 평가했는지도 밝혀야 서로 다른 정의의 IC를 잘못 비교하지 않습니다

리밸런싱 기준 시점마다 그 시각까지 실제로 이용할 수 있던 정보만으로 신호를 고정합니다. 공표 시각, 공급업체의 반영 지연, 과거 데이터 수정, 거래소 시간대를 고려해야 합니다. 날짜가 t로 표기된 값이라도 t일 장 마감 때 공개되지 않았을 수 있습니다. 나중에 수정된 값을 사용하거나 같은 기간의 수익률과 짝지으면 미래정보가 섞일 수 있습니다

신호_i,t는 신호를 보고 주문할 수 있었던 시점 이후부터 시작하는 수익률과 짝지어야 합니다. 의사결정 시각, 최초 체결 가능 가격, 수익률 계산의 시작과 끝, 배당 등 분배금 포함 여부를 명시하세요. 장 마감 경매가격을 본 뒤 신호가 만들어졌는데 같은 종가부터 수익률을 계산하면, 별도의 체결 가정 없이는 실행할 수 없는 결과가 됩니다

과거 각 날짜에 당시 알려진 투자 가능 자산군을 재구성하고, 필요하면 상장폐지 자산도 포함하세요. 현재 살아남은 종목만 과거에 소급 적용하거나 미래에 확정된 지수 편입 종목을 사용하면 약한 신호가 강해 보일 수 있습니다. 시점 정렬은 IC 계산 뒤에 하는 정리 작업이 아니라 통계량의 정의에 포함됩니다

정규화, 극단값 절사 경계, 결측치 필터처럼 신호를 만드는 매개변수를 전체 기간에서 한꺼번에 추정하면 미래 분포가 과거 신호에 스며들 수 있습니다. 학습 구간마다 이전 자료만으로 매개변수를 추정하거나 해당 날짜에 이용할 수 있던 횡단면만 사용하고, 검증 구간에는 그때 고정된 절차를 적용하세요

Pearson IC는 각 날짜의 자산들에 대해 신호값과 이후 수익률의 보통 상관계수를 계산합니다. 선형적인 동행을 측정하고 신호 크기 정보도 유지하지만, 극단적인 자산 몇 개가 결과를 크게 좌우할 수 있습니다. 단조로운 비선형 관계가 있어도 Pearson 값은 작을 수 있습니다

순위 IC는 신호와 다음 기간 수익률을 각각 해당 날짜의 자산들 안에서 순위로 바꾼 뒤 두 순위의 Pearson 상관계수를 계산합니다. 이 방식이 Spearman 순위 연관성입니다 (Spearman, 1904). 원래 단위와 극단값의 영향이 줄어들어 신호가 높은 자산이 이후에도 높은 수익률 순서를 보이는지 측정합니다. 동률이 있으면 평균 순위 등 동률 처리 방식을 정해야 합니다

두 측정치는 연관되어 있지만 서로 다른 질문에 답합니다. 신호의 크기가 포지션 규모에 유용하다면 Pearson IC가 더 직접적일 수 있고, 자산 간 순서가 중요하다면 순위 IC가 적합할 수 있습니다. 어느 쪽도 포트폴리오 제약, 비선형 변환, 업종 중립화, 예측치를 포지션으로 바꾸는 과정을 자동으로 반영하지는 않습니다

신호나 수익률에 동률이 많으면 평균 순위 등 선택한 규칙에 따라 순위 IC가 달라질 수 있습니다. 자산 수가 적고 동률이 많을수록 구분 가능한 순서가 줄어들어 추정치가 불안정해집니다. 날짜별 자산 수와 동률 처리법을 함께 기록하면 순위 IC의 비교 가능성을 판단하기 쉽습니다

아래 입력값은 모두 계산을 설명하기 위한 가상 수치입니다. 어느 한 시점에 자산 다섯 개의 원시 신호값이 정확히 [1,2,3,4,5]이고 다음 기간 수익률이 [1%,2%,3%,4%,-5%]라고 합시다. 이 예에서는 신호값과 신호 순위가 우연히 같습니다. 순위 1은 가장 낮고 5는 가장 높습니다. 수익률을 오름차순으로 순위를 매기면 수익률 순위는 [2,3,4,5,1]입니다

Pearson IC를 계산하면 신호 평균은 3, 수익률 평균은 1%입니다. 신호의 편차는 [-2,-1,0,1,2], 퍼센트포인트 단위 수익률의 편차는 [0,1,2,3,-6]입니다. 두 편차의 곱을 더하면 -10이고, 각 편차 제곱의 합은 각각 10과 50입니다. 따라서 Pearson IC = -10 / sqrt(10 × 50) ≈ -0.447입니다

순위 IC는 신호 순위 [1,2,3,4,5]와 수익률 순위 [2,3,4,5,1] 사이의 상관계수입니다. 두 순위 편차의 곱을 더한 값이 0이므로 Spearman 순위 IC = 0입니다. 이 가상 횡단면에서는 다섯 번째 자산의 큰 손실 때문에 크기를 반영한 선형 연관성은 음수지만, 자산 순서는 일관되게 양수나 음수 방향이 아니므로 순위 연관성은 0입니다. 원시 신호값을 [1,2,3,4,100]으로 바꾸면 순서는 같아 순위 IC는 그대로지만 신호 크기가 달라져 Pearson IC는 바뀝니다

날짜마다 횡단면 IC_t 하나를 계산한 다음, 이 시계열을 요약합니다. 산술평균 IC는 mean_t(IC_t)입니다. 필요하면 중앙값, 날짜별 표준편차, IC가 양수인 날짜 비율, 시계열 그림도 함께 제시하세요. 평균 하나로는 오랫동안 약했던 신호가 짧은 기간에만 강했는지 드러나지 않을 수 있습니다

구체적인 계산 관례로 이 글은 사전에 정한 주간 리밸런싱 일정과 고정된 미래 수익률 기간에서 IC를 한 번씩 계산합니다. 유효한 각 주간 관측치에 같은 가중치를 주고, 산술평균을 표본 표준편차로 나눕니다(표본분산 분모 n−1): ICIR_weekly = mean(IC_t) / s(IC_t). 이 비율은 연율화하지 않습니다. 일정, 목표 수익률 기간, 평가 기간, 결측 주간을 다루는 사전 규칙을 밝히세요. 다른 빈도나 가중치, 연율화를 썼다면 따로 표시해야 하며, 시간 의존성이 있으면 제곱근 연율화가 부정확할 수 있습니다

ICIR은 날짜별 IC의 일관성을 나타내는 값이지 포트폴리오 샤프비율이나 정보비율이 아닙니다. 신호 품질은 시기에 따라 달라질 수 있어 평균만으로 그 변화를 설명하기 어렵습니다. Ye는 신호 품질의 변동이 성과에 미치는 영향을 다룹니다 (Ye, 2008). Ding과 Martin의 수정된 기본법칙 모형도 시간에 따라 변하는 IC를 핵심 요소로 둡니다 (Ding and Martin, 2017)

ICIR 자체는 통계적 유의성 검정이 아닙니다. 날짜별 IC가 자기상관을 가지면 평균의 표준오차와 유효 표본 크기가 날짜 수만으로 결정되지 않습니다. 유의성을 주장할 때는 시계열 의존성을 반영하는 오차 추정이나 블록 재표본화 등 사용한 절차와 가정을 별도로 보고하세요

각 날짜에 미리 정한 이용 가능성 기준에 따라 신호와 이후 수익률이 모두 있는 같은 자산끼리 짝지으세요. 미래 수익률이 없다고 0으로 채우지 마세요. 날짜별 자산 수, 데이터 범위 변화, 오래된 가격과 상장폐지 처리, 동률 순위 계산법을 공개해야 합니다. 횡단면 구성이 달라지면 IC의 의미와 정밀도도 바뀔 수 있습니다

자료가 빠지는 이유가 임의적이지 않을 수도 있습니다. 거래정지, 비유동성, 상장폐지 직전의 가격 공백은 신호의 극단값이나 이후 수익률과 관련될 수 있습니다. 관측이 완전한 자산만 남겼다면 그 필터가 대상 자산군과 결과를 어떻게 바꾸는지 설명하세요

다음 기간 수익률이 여러 날을 포함하면 인접한 리밸런싱 시점의 목표 기간이 겹칠 수 있습니다. 그러면 같은 자산의 여러 IC 관측치가 공통 가격변화를 공유해 시계열 의존성이 생깁니다. 동일 자산의 반복 관측과 날짜 공통 충격도 관측치 간 의존을 만들므로, 날짜가 서로 독립이라고 가정한 표준오차는 정밀도를 과장할 수 있습니다

예를 들어 매주 리밸런싱하면서 다음 20거래일 누적수익률을 목표로 잡으면, 연속한 주의 목표 구간은 보통 15개 거래일 수익률을 공유합니다. 주간 IC가 52개 있어도 52개의 독립된 예측 실험을 관측한 것은 아닙니다. 정확히 20거래일마다 한 번 평가하면 목표 구간은 겹치지 않지만, 관측 수도 줄고 시장 공통충격이나 반복 자산에서 비롯되는 의존성은 남을 수 있습니다. 평가 빈도는 실제 의사결정 주기와 맞추고, 남는 의존성은 표준오차나 신뢰구간 산정에서 반영하세요

결과를 살펴보기 전에 기간과 중첩 처리 원칙을 정하세요. 중첩이 필요하면 블록 방식이나 적절한 시계열 절차처럼 의존성을 반영하는 추론을 사용하고 각 자산-날짜 조합을 독립된 증거로 취급하지 마세요. 학습과 검증 구간 사이에 중첩 레이블을 제거하면 정보 누출을 막는 데 도움이 됩니다. 시계열 퍼지 교차검증 안내를 참고하세요

표본 안에서 높은 IC가 나와도 같은 과거 자료의 잡음에 맞춰 신호를 조정한 결과일 수 있습니다. 아직 확인하지 않은 기간을 남기거나 순차적 검증을 하세요. 각 단계에서 변환과 매개변수는 이전 자료만으로 결정하고, 이후 날짜에서 평가해야 합니다. 검증 결과를 반복해서 보고 신호를 계속 조정했다면 더 이상 온전한 표본 외 검증이라고 할 수 없습니다

검증 구간의 결과를 확인한 뒤 사양을 수정했다면 그 구간은 새 선택 과정에 들어간 것입니다. 남겨 둔 기간을 여러 번 확인하지 말고, 최종 설계가 고정된 뒤 새로운 시점에서 다시 평가하세요. 시장 제도나 거래 비용이 바뀐 시기별 결과도 전체 평균과 함께 살펴볼 수 있습니다

시도한 연구 선택지도 함께 고려해야 합니다. 신호 정의, 시차, 예측 기간, 자산군, 필터, 중립화 방식, 날짜 범위를 여러 개 시험하면 우연히 IC가 높게 나오는 후보가 생길 가능성이 커집니다. Harvey, Liu, Zhu는 요인 탐색과 다중검정이 광범위할 때 통상적인 유의성 기준이 오해를 부를 수 있음을 설명합니다 (Harvey, Liu, and Zhu, 2014)

선택 절차, 시험한 변형의 수나 범위, 시간 의존성과 탐색 횟수를 반영한 불확실성 처리 방법을 공개하세요. 한 백테스트에서 평균 IC가 양수였다는 것은 그 표본과 설계에 관한 결과이지, 새 시장 국면에도 신호가 지속된다는 확인은 아닙니다

당시 투자 가능 자산군, 신호 시각, 체결 가정, 수익률 기간, Pearson 또는 Spearman 선택, 동률 순위 처리, 날짜별 표본 크기, IC 시계열, ICIR 산식, 결측치 처리, 표본 외 검증 절차를 보고하세요. 자산과 날짜의 의존성을 반영한 불확실성 추정치, 시도한 신호 변형 수도 공개해야 합니다

IC는 예측치와 이후 수익률의 연관성을 측정하지만 포지션 규모를 정하지 않습니다. 예측치를 비중으로 바꾸는 포트폴리오 구성에 따라 위험 통제, 중립화 제약, 회전율, 거래비용, 유동성, 운용 규모와 체결 결과가 달라집니다. 순위 IC가 유용해 보여도 비용 차감 후 손실일 수 있고, 낮은 평균 IC도 분산과 포트폴리오 설계에 따라 다른 성과로 이어질 수 있습니다

IC는 단위가 없는 상관값입니다. 같은 평가 설계 안에서 +0.05가 +0.02보다 높은 양의 연관성을 뜻하더라도, 기간이나 자산군, 이후 수익률 정의가 다르면 두 수치를 그대로 비교하기 어렵습니다. IC는 설명된 수익률 변동의 비율이나 포트폴리오 수익률이 아니므로, 그 지표로 바꾸어 해석하지 마세요

이 평가는 한 번의 발표 주변 CAR과 구별됩니다. 이벤트 스터디는 정한 발표 시점 주변의 비정상수익을 측정하지만, IC는 반복되는 횡단면 예측이 나중의 수익률 순서를 맞추는지 평가합니다. 별도의 측정법은 이벤트 스터디 CAR 안내를 참고하세요. IC 역시 예측 연관성이지 원인을 입증하는 검정은 아닙니다. 일반적인 구분은 상관관계와 인과관계 안내에서 다룹니다