用信息系数（IC）和 Rank IC 评估量化信号

每个日期 t 都将可投资资产的信号值，与同一批资产在随后指定期间取得的收益比较。常见定义为 ICₜ = corrᵢ(signalᵢ,ₜ, forward_returnᵢ,ₜ₊₁)。下标 i 代表资产。相关性是在某一日期的资产横截面上计算，再将各日期的 IC 连成时间序列。

这是评估横截面预测的统计量，既不是把两条时间序列合并后算出的相关性，也不是事件研究中的异常收益。IC 会因资产范围、信号定义、未来收益期限、权重和每日覆盖范围而变化。通常 IC 指 Pearson 相关，但文献用法并不完全统一，因此应写明定义。

Grinold 的主动管理基本法则在其模型假设下，讨论 IC、预测机会广度以及预测传递到主动仓位的程度之间的关系（Grinold, “The Fundamental Law of Active Management”）。这是分析主动管理能力的框架，并不保证测得的 IC 会自动变成投资表现。

Grinold 提出的基本法则可简化为预期 IR ≈ IC × √B，其中 B 表示独立决策的有效广度。这个近似依赖相应的模型假设。

如果信号或收益先按行业、市场因素进行调整，或者资产采用等权还是其他权重，IC 的含义也会改变。应说明使用原始未来收益还是风险调整后的残差收益，以及在中性化、标准化之前还是之后测量，避免把定义不同的结果直接比较。

每次调仓时，只用当时已经可获得的信息固定信号。要考虑数据发布时间、供应商延迟、历史数据修订以及交易所时区。标注为日期 t 的数值未必在 t 日收盘前已经公布；若使用后来修订的数值，或把信号与同期收益配对，就可能产生前视偏差。

将信号ᵢ,ₜ配对到信号可用于下单之后开始的收益。写明决策时间、最早可成交价格、收益区间起止时间，以及目标是否包含股息等分配。若信号是在收盘竞价之后生成，却从同一收盘价开始计算收益，没有明确的成交假设就无法实际执行。

应按每个历史日期重建当时可投资的资产范围，必要时纳入退市资产。把今天仍存续的成分股套用到过去，或使用未来才确定的指数成分，可能让较弱信号显得更强。时点对齐是 IC 定义的一部分，不是算完之后的清理步骤。

如果用整个历史区间估计标准化参数、截尾阈值或缺失值筛选规则，未来分布可能泄漏到过去。应在每个训练区间只用更早的数据估计参数，或者只使用当日可见的横截面，并将固定流程用于验证区间。

Pearson IC 是每个日期内，资产信号数值与后续收益的普通相关系数。它衡量线性共同变化并保留信号幅度信息，但少数极端资产可能对结果有很大影响。即使关系单调但非线性，Pearson 值也可能较小。

Rank IC 先把信号和未来收益各自在当日资产横截面中转换成排名，再计算两组排名的 Pearson 相关，这就是 Spearman 排名相关（Spearman, 1904）。它弱化原始单位和极端幅度的影响，用来衡量高信号资产是否往往也取得较高的后续收益排名。若出现并列值，应确定并报告平均排名等处理规则。

两种指标相关，但回答的问题不同。若原始数值之间的线性关系重要，Pearson IC 更合适；若关注资产排序，则 Rank IC 更合适。不过，两者都不直接衡量预测值的校准程度或仓位大小，也不会自动反映组合约束和把预测值转成仓位的过程。

并列值较多时，Rank IC 会受到平均排名等规则影响。资产数较少且并列较多，会减少可区分的顺序，使估计更不稳定。报告每日横截面资产数与并列处理方式，有助于比较结果。

以下信号值、收益、均值、排名和计算结果全部是假设的教学数值，并非真实市场数据。为便于说明，假设某日五个资产的原始信号值就是 [1, 2, 3, 4, 5]，因此信号排名也是 [1, 2, 3, 4, 5]；下一期间收益为 [1%, 2%, 3%, 4%, −5%]。排名 1 表示信号最低，5 表示最高。按收益从低到高排序后，收益排名是 [2, 3, 4, 5, 1]。即使原始信号值不同，只要顺序不变，Rank IC 就不变；但 Pearson IC 可能改变。

计算 Pearson IC 时，信号均值为 3，收益均值为 1%。中心化后的信号偏差为 [−2, −1, 0, 1, 2]；以百分点表示的收益偏差为 [0, 1, 2, 3, −6]。两组偏差乘积之和为 −10，偏差平方和分别为 10 和 50。因此 Pearson IC = −10 / √(10 × 50) = −0.4472136。

Rank IC 是信号排名 [1, 2, 3, 4, 5] 与收益排名 [2, 3, 4, 5, 1] 的相关系数。两组排名的均值都是 3，偏差乘积之和为 2 + 0 + 0 + 2 − 4 = 0，因此 Spearman Rank IC = 0。最后一个资产的大幅亏损拉低了按数值计算的线性相关，而排名关系没有一致的正向或反向排列，所以 Rank IC 为零。

先按日期计算一个横截面 ICₜ，再概括这组时间序列。算术平均值为 meanₜ(ICₜ)。需要时也报告中位数、每日离散程度、IC 为正的日期比例和时间序列图。均值可能掩盖长期低迷，或某个短时期贡献了大部分表面上的预测能力。

常见的 ICIR 口径是每日 IC 的时间序列均值除以该序列的标准差：ICIR = mean(ICₜ) / sd(ICₜ)。要说明使用样本还是总体标准差、日期是否等权、如何处理缺失日期，以及是否年化。有些方法会乘以每年观测数的平方根；但当 IC 存在时间依赖时，简单年化可能不成立，应说明并论证所用方法。

本文采用的 ICIR 口径是：对有效调仓日的 IC 等权求均值，再除以同一序列的样本标准差；不做年化。报告时还要注明调仓频率，例如日、周或月。

ICIR 表示每日 IC 的一致性，并不是投资组合夏普比率或信息比率本身。Ye 研究了信号质量随时间变化如何影响表现（Ye, 2008）。Ding 和 Martin 的修订基本法则也把时变 IC 作为模型要素，在特定假设下将 IC 均值和协方差与事前组合 IR 联系起来（Ding and Martin, 2017）。不要把这一模型结果无条件等同于常见 ICIR。

ICIR 本身不是显著性检验。如果每日 IC 存在自相关，均值的标准误和有效样本量就不能只由日期数决定。若要讨论显著性，应另行报告处理时间序列依赖的方法和假设，例如相应的标准误或区块重抽样。

每天只配对满足预先设定可用性条件的同一资产信号和未来收益。不要把缺失的未来收益填成零。报告每日资产数、覆盖范围变化、陈旧价格与退市的处理方式以及排名并列规则。横截面组成变化会改变 IC 的含义和估计精度。

缺失并不一定是随机的。停牌、流动性差或退市前价格缺口，可能与极端信号或后续收益有关。如果只保留数据完整的资产，应说明这一筛选会如何改变目标资产范围和结果。

如果未来收益窗口跨越多天，相邻日期的目标区间可能重叠。同一资产的多个 IC 观测会共享部分价格变化，因而产生时间依赖。资产重复出现和同日共同冲击也会带来依赖；假设各日独立的朴素标准误可能夸大精度。

例如每周调仓并预测未来20个交易日收益时，相邻周的目标区间约有15个交易日重叠。因此，52个周度 IC 不等于52次独立实验。改为每20个交易日调仓可以消除目标区间重叠，但会减少样本量，而且共同冲击和资产重复观测造成的依赖仍然存在。

应在查看结果前确定期限及重叠处理规则。若必须允许重叠，应使用能反映依赖的推断方法，例如适当的区块或时间序列方法，避免把每个资产—日期组合都当作独立证据。在训练集与验证集之间清除重叠标签有助于防止信息泄漏，参见时序净化交叉验证指南。

样本内 IC 较高，可能只是信号拟合了同一段历史数据中的噪声。应保留真正未查看的期间，或采用滚动向前验证：每一步只用更早数据确定变换与参数，再评估之后的日期。如果反复查看留出集并据此调整信号，就不能再称其为独立样本外验证。

还应统计尝试过的研究选择：信号定义、滞后期、预测期限、资产范围、筛选、中性化和日期范围。测试许多候选后，偶然出现高 IC 的机会会增加。Harvey、Liu 和 Zhu 讨论了大规模因子挖掘后常用显著性门槛可能产生误导的问题（Harvey, Liu, and Zhu, 2014）。不要把个别论文提出的门槛当作适用于所有研究的固定规则，应根据搜索范围考虑多重检验调整。

报告选择流程、尝试变体的数量或范围，以及反映时间依赖和搜索范围的不确定性处理。一次回测中的正平均 IC 只说明所测试的样本和设计，并不能确认信号会在新的市场状态中持续有效。

报告当时可投资的资产范围、信号时点、成交假设、未来收益期限、Pearson 或 Spearman 选择、并列排名规则、每日横截面样本数、日期 IC 序列、ICIR 公式、缺失值规则和样本外验证方案。也应提供考虑日期与资产依赖的不确定性估计，并披露尝试过多少种信号变体。

IC 衡量预测与后续收益之间的关联，但不决定仓位大小。投资组合把预测转换成权重后，结果还取决于风险控制、中性约束、换手率、交易成本、流动性、容量、借券和成交。Rank IC 看起来有用，扣除成本后仍可能亏损；平均 IC 较低的信号也可能因预测广度和组合设计而表现不同。

如果把行业中性化或因子残差化纳入信号定义，信号本身会改变，IC 也可能随之变化。相反，已计算出的原始 IC 不会仅因组合权重约束而改变；但约束会限制预测能转化成多少主动仓位，使组合 IR 与 IC 不同。应分开报告调整前后的 IC 和约束下的组合结果。

Clarke 等人将组合约束下预测转化为实际权重的程度定义为转移系数 TC，并据此推广基本法则。简化形式为预期 IR ≈ IC × TC × √B；这同样依赖模型假设（Clarke, de Silva & Thorley, 2002）。

这种评估不同于围绕单次公告计算 CAR 的事件研究。事件研究衡量特定公告时间附近的异常收益；IC 评估反复进行的横截面预测能否排列之后的收益。另一种测量方法见事件研究与 CAR 指南。IC 同样只是预测关联，不是因果机制的证明。一般区别见相关与因果指南。