**一、回归法** 回归法是一种最常用的测试因子有效性的方法，具体做法是将因子在第T期的暴露度与T+1期的股票收益进行线性回归，所得到的回归系数即为因子在T期的因子收益率，同时还能得到该因子收益率在本期回归中的显著度水平——t值。我们的回归模型为 在所有截面期上，我们对因子d进行回归测试，能够得到该因子的因子收益率序列（即所有截面期回归系数构成的序列）和对应的t值序列。t值指的是对单个回归系数的t检验统计量，描述的是单个变量显著性，t值的绝对值大于临界值说明该变量是显著的，即该解释变量（T期个股在因子d的暴露度）是真正影响因变量（T+1期个股收益率）的一个因素。一般t值绝对值大于2我们就认为本期回归系数是显著异于零的（也就是说，本期因子d对下期收益率具有显著的解释作用）。 因子评价方法：a)t值序列绝对值平均值——因子显著性的重要判据；b)t值序列绝对值大于2的占比——判断因子的显著性是否稳定；c)因子收益率序列平均值，以及该均值零假设检验的t值——判断因子收益率序列是否方向一致，并且显著不为零；d)t值序列均值的绝对值除以t值序列的标准差——结合显著性和波动性，辅助判断因子是否有效、稳健。 **二、IC法** 因子的IC值是指因子在第T期的暴露度与T+1期的股票收益的相关系数，股票池、回溯区间、截面期均与回归法相同。因子值在去极值、标准化、去空值处理后，在截面期上用其做因变量对市值因子及行业因子（哑变量）做线性回归，取残差作为因子值的一个替代。这样做可以消除行业因素和市值因素对因子的影响。计算残差序列和T+1期股票收益序列的相关系数作为T期因子IC值。 因子评价方法：a)IC值序列的均值大小——因子显著性；b)IC值序列的标准差——因子稳定性；c)IR比率（IC值序列均值与标准差的比值）——因子有效性；d)IC值累积曲线——随时间变化效果是否稳定；e)IC值序列大于零的占比——因子作用方向是否稳定。 三：分层模型回测 依照因子值对股票进行打分，构建投资组合回测，是最直观的衡量指标优劣的手段。一般来说，通过回归法和计算因子IC值都无法确定因子的单调性（例如，某因子值排名在中间1/3的个股表现比前1/3和后1/3的个股表现要好），但是分层回测法是可以确定因子单调性的。分层回测法逻辑简单，结果清晰，操作方便，并且具有能区分因子单调性的独特优势，是接受度非常高的一种单因子测试手段。测试模型构建方法如下： 评价方法：回测年化收益率、夏普比率、信息比率、最大回撤、胜率等。 下面以PB为例子，分不同的时间段来看下这个因子的有效性变化： 测试时间：2010-2015 **回归法测试结果：** t值序列绝对值平均值——判断因子的显著性是否稳定 3.6896816155 t值序列绝对值大于1.96的占比——判断因子的显著性是否稳定 0.69014084507 **IC法测试结果：** IC 值序列的均值大小 -0.0119692782516 IC 值序列的标准差 0.116411985523 IR 比率（IC值序列均值与标准差的比值） -0.102818263925 IC 值序列大于零的占比 0.507042253521 IC 值序列绝对值大于0.02的占比 0.802816901408 通过t值的绝对值平均值可以看到pb是个显著因子，对收益有明显的预测性，但是通过IC值均值可以看到，预测的周期性非常显著，可以猜测分组预测的单调性不足。