量化交易入门——因子的评价体系和IC、IR¶
多维度的因子评价方式：
- 因子单调性检验：因子单调性越高，收益越强。
- 因子时效性检测：在过去有效的因子，现在或将来不一样有效。
- 月度IC表现
- 分层测试：将股票按照因子值大小分组，统计每组收益，每组间的收益差的越多，因子越好。
- 信号延续能力：看因子能不能持续。
- 收益能力与置信度分析：收益能力越高越好，置信度分析用t-value检验。
- 因子的自相关性：因子自相关性高，证明因子换手率低。
IC
IC即信息系数（Information Coefficient），表示所选股票的因子值与股票下期收益率的截面相关系数，通过 IC 值可以判断因子值对下期收益率的预测能力。**信息系数的绝对值越大，该因子越有效。IC为负表示因子值越小越好，IC为正表示因子值越大越好。IC的计算方法是：计算全部股票在调仓周期期初排名和调仓周期期末收益排名的线性相关度（Correlation）。IC越大的因子，选股能力就越强。
IC最大值为1，表示该因子选股100%准确，对应的是排名分最高的股票，选出来的股票在下个调仓周期中，涨幅最大；相反，如果IC值为-1，则代表排名分最高的股票，在下个调仓周期中，跌幅最大，是一个完全反向的指标。
实际上，反向的指标也是非常有意义的。最无用的IC值是0或者接近0的值，这代表该因子对于股票没有任何的预测能力(注：相关性为0，也有可能出现非线性相关)。当IC的绝对值大于0.03时（若要求更为严格，则限制在0.05），因子的选股能力较强。
IR
IR即信息比率（Information Ratio），是超额收益的均值与标准差之比，可以根据 IC 近似计算，公式如下。该公式是从超额收益出发，逐步推导得出的。IR= IC的多周期均值/IC的标准方差，代表因子获取稳定Alpha的能力。整个回测时段由多个调仓周期组成，每一个周期都会计算出一个不同的IC值，IR等于多个调仓周期的IC均值除以这些IC的标准方差。所以IR兼顾了因子的选股能力（由IC代表）和因子选股能力的稳定性（由IC的标准方差的倒数代表），当IR大于0.5时因子稳定获取超额收益能力较强。
IC的计算公式如下：
IC最大值为1,表示该因子选股100%准确,代表 排名分最高的股票,选出来的股票在下个调仓周 期中,涨幅最大。
IC为-1,代表排名分最低的股票,在下个调仓周期中,跌幅最大,是一个完全反向的指标.
当IC的绝对值大于0.05 时,因子的选股能力较强。当IR大于0.5时,因子稳定获取超额收益能力较强。
RankIC
由于IC的值是连续型，为了防止计算过程中由于因子值差距过大，所以发明了RankIC的计算，即某时点某因子在全部股票暴露值排名与其下期回报排名的截面相关系数，它与IC的区别就是将因子的具体值以及收益的具体值，都转换为了所对应的数值在其截面上的排序名次。然后通过计算排序值的相关系数，得到RankIC。
接下来说说因子间的 相关性 ：
多因子模型的基础是多元线性回归模型,假设每支个股的收益率可以由K个因子线性决定,一般的形式是这样的：
\( F_{k} \)：自变量； \( R_{i} \)：因变量； \( a_{i} \) ：截距项； \( \varepsilon_{i} \)：残差项；\( b_{i,k} \) ：第i个股票在第k个因子上的值。
基本假设 ：
- 残差项正态分布、零均值、同方差、无自相关、与解释变量不相关。
- 解释变量之间是线性无关。
在现实中，多数假设不成立，因子之间存在多重共线性问题。多重共线性会造成参数估计的方差和置信区间变大，假设检验容易作出错误的判断，两个因子之间的线性相关度越高，容易造成多重共线性的问题。
减少线性相关性的方法：
- 进行单因子检验；
- 将因子按照t值排序，逐步引入模型；
- 每次都进行F检验和t检验，如果新引入的因子不显著，则剔除；
- 保证引入的都是显著的因子，减少多重共线性的影响。
对因子进行正交化或PCA处理，得到新的代理变量，这样可以完全消除因子之间的线性相关度。
凡本网注明"来源：XXX "的文/图/视频等稿件，本网转载出于传递更多信息之目的，并不意味着赞同其观点或证实其内容的真实性。如涉及作品内容、版权和其它问题，请与本网联系，我们将在第一时间删除内容！
作者: Margin-Left
来源： https://zhuanlan.zhihu.com/p/104503303